1. 旋转天线在无蜂窝网络中的波束成形技术概述
波束成形技术作为5G/6G通信系统的核心使能技术，通过精确控制天线阵列中各个辐射单元的相位和幅度，实现电磁波在空间中的定向传输与接收。这项技术的物理基础是电磁波的相干叠加原理——当多个天线单元辐射的电磁波在空间某点同相叠加时，信号强度增强；而异相叠加时则相互抵消。在传统蜂窝网络中，基站通过数字波束成形可以形成指向用户的高增益波束，从而提升信号质量和系统容量。
无蜂窝大规模MIMO（Cell-Free Massive MIMO）是6G网络的关键候选技术之一，它打破了传统蜂窝架构的小区边界限制，由分布式的多个接入点(AP)协同为覆盖区域内的用户提供服务。在这种架构下，引入旋转天线(Rotatable Antenna, RA)带来了新的优化维度——除了常规的数字波束成形外，还可以通过物理调整天线单元的朝向（即天线的主波束方向）来进一步优化无线信道条件。每个RA单元可以在三维空间中旋转，其朝向由单位向量˜fb,m ∈ R3表示，受到最大仰角θmax的约束，形成球形帽(Spherical Cap)可行域。
2. 系统模型与问题建模
2.1 无蜂窝网络架构
考虑一个由B个AP组成的无蜂窝网络，每个AP配备M个RA单元组成的均匀平面阵列(UPA)。系统服务K个单天线用户，所有AP通过前传链路连接到中央处理单元进行协同信号处理。APb的第m个天线单元的朝向向量为˜fb,m ∈ R3，满足∥˜fb,m∥2 = 1和˜f T b,mez ≥ cos(θmax)，其中ez表示天线的初始朝向（通常是垂直方向）。
2.2 信道模型
对于APb的第m个天线单元到用户k的信道，考虑包含直达径和Q条散射路径的几何信道模型：
hk,b,m = √(β0κmax/rk,b,m)[(Rb˜fb,m)T sk,b,m]p+e^(-j2πrk,b,m/λ)
- Σ_{q=1}^Q √(β0κmaxσq/(4π˜rq,b,mˆrk,q))[(Rb˜fb,m)T sq,b,m]p+e^(-j2π(˜rq,b,m+ˆrk,q)/λ+jχq)
其中Rb ∈ R3×3是将全局坐标系转换到APb本地坐标系的旋转矩阵，sk,b,m和sq,b,m分别表示直达径和第q条散射径的方向向量，p ≥ 2是天线方向性系数。
2.3 优化问题构建
以最大化最差用户速率为目标，建立联合优化问题：
max_{w,˜f} min_k Rk s.t. Σ_{k=1}^K ∥wb,k∥2^2 ≤ Pmax, ∀b cos(θmax) ≤ ˜f T b,mez ≤ 1, ∀b,m ∥˜fb,m∥2 = 1, ∀b,m
其中wb,k ∈ CM是APb为用户k的波束成形向量，Pmax是每个AP的功率预算，Rk是用户k的可达速率。
3. 两阶段优化算法设计
3.1 阶段一：基于Frank-Wolfe的RA方向优化
由于联合优化问题高度非凸，我们提出一种两阶段启发式算法。第一阶段固定波束成形向量，优化RA方向：
max_{˜fb,m} U({˜fb,m}) = Σ_{k=1}^K log(ηk + ε) s.t. ˜fb,m ∈ Ccap, ∀b,m
其中ηk是用户k的信干噪比(SINR)，ε是防止对数函数无定义的小常数，Ccap是球形帽可行域。
采用流形优化框架下的Frank-Wolfe算法求解：
- 计算欧式梯度：∇˜fb,mU = Σ_{k=1}^K 2ℜ{(h[t]k)H∇˜fb,mh[t]k}/(η[t]k + ε)
- 投影到切空间：g[t]b,m = (I - ˜f [t]b,m(˜f [t]b,m)T)(∇˜fb,mU)
- 在球形帽上线性搜索：y[t]b,m = argmaxx∈Ccap⟨g[t]b,m,x⟩
- 更新方向：d[t]b,m = y[t]b,m - ˜f [t]b,m
- 沿测地线更新：˜f [t+1]b,m = (˜f [t]b,m + ρ[t]d[t]b,m)/∥˜f [t]b,m + ρ[t]d[t]b,m∥2
其中步骤3有闭式解，根据g[t]b,m与ez的夹角分为三种情况处理。
3.2 阶段二：基于SOCP的波束成形优化
固定RA方向后，第二阶段问题简化为标准的最大-最小公平波束成形问题，可通过二阶锥规划(SOCP)结合二分法求解：
- 初始化速率下界γlow和上界γup
- while γup - γlow > ε do
- γ = (γlow + γup)/2
- 求解SOCP可行性问题： |hHk wk|2 ≥ γ(Σ_{j≠k} |hHk wj|2 + σ2), ∀k Σk ∥wb,k∥2 ≤ √Pmax, ∀b
- 若可行则γlow = γ，否则γup = γ
- end while
4. 算法实现细节与复杂度分析
4.1 梯度计算加速
计算梯度∇˜fb,mU时，可利用信道稀疏性加速：
- 对于远距离用户，忽略其对该AP天线方向的影响
- 对于弱散射径，可近似处理或忽略
- 并行计算各AP的梯度分量
4.2 参数选择经验
- 初始步长ρ[0] = 0.5，采用Armijo回溯线搜索
- 对数效用中的ε取10^-3量级
- 二分法初始上下界：
- γlow = 当前最差用户速率
- γup = 单用户MRC速率下界
4.3 复杂度分析
算法整体复杂度为O(TFWKBMQ + Tbis(BMK)^3.5)：
- 阶段一每次迭代O(KBMQ)
- 阶段二每次二分O((BMK)^3.5)
- 典型值：TFW ≈ 50-100，Tbis ≈ 10-15
5. 仿真结果与工程启示
5.1 关键性能指标
在5个AP、每个AP 4天线、8用户的场景下：
- 最大仰角θmax = π/3时，最差用户速率提升24-53%
- 方向性系数p = 5时，相比固定方向提升约50%
- 增加AP数量B，性能增益更显著
5.2 实际部署建议
机械设计考虑：
- 选用步进电机或音圈电机实现精确旋转
- 最大仰角θmax建议设为π/3(60°)以平衡性能与复杂度
- 加入防抖动机制保证旋转稳定性
校准与维护：
- 定期校准旋转角度与实际波束方向的映射关系
- 监测电机磨损情况，建立预防性维护计划
算法实施：
- 阶段一优化周期建议为100-500ms量级
- 阶段二优化周期建议为10-50ms量级
- 可采用增量更新策略降低计算负载
6. 常见问题与解决方案
6.1 旋转延迟影响
问题：机械旋转存在惯性，无法瞬时到达目标方向。 解决方案：
- 在算法中引入旋转速度约束
- 采用预测机制，提前开始旋转
- 设计鲁棒波束成形，容忍小角度偏差
6.2 校准误差补偿
问题：实际旋转角度与理论值存在偏差。 解决方案：
- 加入闭环反馈校准机制
- 设计基于信道估计的在线校准算法
- 在优化目标中加入稳健性项
6.3 多用户干扰管理
问题：优化一个用户的方向可能恶化其他用户信道。 解决方案：
- 采用比例公平效用函数而非单纯最大最小
- 引入虚拟用户代表潜在干扰方向
- 实施部分协作，限制过度优化
在实际部署中，我们发现在室内场景将θmax设为45°、p=4，室外场景θmax=60°、p=5能取得较好的性价比平衡。对于时间关键型应用，可以牺牲部分最优性，采用更激进的步长和更少的迭代次数。
