Castle on a Cloud

在本文中, 我們預期從 5G NR 的 OFDM 通訊行為來分析通道與同步造成的收訊誤差與扭曲. 我們將以 SRS (Sound Reference Signal) 為例,  SRS 並不是未知的資料訊號, 而是一種已知的 reference signal. 系統會先透過高層或 PHY 層配置決定 SRS 的參數, 例如: numerology, 子載波間距, SRS bandwidth, comb factor, 傳送的 OFDM symbol 位置等. 這些參數決定了 SRS 會出現在 resource grid 的哪些 resource elements 上. 在頻域中, SRS 會先形成一串已知序列 (Z-C Sequence), 接著映射到指定的子載波上.  之後, OFDM transmitter 透過 IFFT 將頻域 resource grid 轉為 time-domain samples. 為了降低多路徑延遲造成的 inter-symbol interference,  系統會將 OFDM symbol 尾端的一小段複製到前方, 形成 cyclic prefix.  最後, 這段含有 CP 的時域訊號會經由 RF front-end 與天線送入無線通道. 接收端取得 time-domain IQ samples 後,  會先進行時間與頻率同步, 再移除 CP, 並透過 FFT 回到頻域. 由於接收端知道 SRS 的時頻位置與原始序列, 因此可以從接收到的頻域訊號中抽取 SRS RE, 並將接收值除以已知的 SRS 符號, 得到該子載波上的 channel frequency response, 也就是 CFR. 如果進一步對 CFR 做 IFFT, 則可以得到 delay-domain 的 channel impulse response, 也就是 CIR. 整體的資料傳輸流程如下圖所示: 在圖中顯示了以 SRS 為例的 OFDM 訊號流程: SRS 先在頻域產生與映射, 經 IFFT 與 CP insertion 形成時域 waveform, 經過無線通道後, 接收端再透過 FFT 回到頻域. 利用已知 SRS 估測 CFR, 並可進一步轉換為 CIR. 透過上述的通道模型,  雖然在頻域...

在上一篇文章中, 我們整理了 ARC-OTA → DataLake → CSI 的兩段式流程: 線上把 FH I/Q + FAPI 落到 DataLake DB 離線用 pyAerial 重跑 PUSCH receiver + channel estimator 取得 CSI/CFR 在這一篇文章中, 我們繼續跟隨論文的脈絡, 並嘗試說明以下兩點: 介紹 ARC-OTA 對 SRS 的支援, 以及為何此論文以 DMRS 進行實作  介紹使用 CFR 的三種應用, 以及每種應用的資料處理流程, 演算法, 與應用成果  我們先從第一點開始: 為何這篇論文用 DMRS (PUSCH) 而非 SRS 來進行 CFR 取值? 這並不是因為 ARC-OTA 不支持 SRS 取得 CFR 的功能, 而是因為這篇論文的主軸是在標準 5G NR 通訊鏈路上進行操作, 並把 sensing 當成副產品. 也因此, 它把資料源鎖定在 uplink 的 PUSCH,  並用 PUSCH 內建的 DMRS 做通道估測, 減少 Sensing (SRS) 對通訊資源的消耗. 這樣做的好處是: 不需要另外開一條量測信號: UE 只要照常送 uplink traffic, 就自然有 DMRS 可以估通道. CSI 更新率主要由 TDD pattern + SCS + scheduler 決定, 論文指出其配置下最密可到 2.5 ms,  時間尺度上也與 SCS=30 kHz (slot=0.5 ms) 及 3DSU 的週期性設定相符 同一個 PUSCH slot 內, 有 3 個 DMRS symbols, 可以觀察 CSI 在不同 OFDM symbol 的變化 如果根據 NVIDIA Aerial (ARC-OTA 底層堆疊) 的文件,  SRS 的支援是從 PHY 到 FAPI 一路打通的, 其實作的功能包含: PHY / pyAerial: 有 SRS Tx/Rx pipeline pyAerial 的 SRS 模組已經提供 SrsTx / SrsRx, 並且有官方 notebook 示範如何跑 SRS Tx/Rx. SCF FAPI：支援 UL_TTI.request 的 SRS PDU + SRS.indication Aerial cu...

以下的內容主要來自於此篇文章: CSI-Based User Positioning, Channel Charting, and Device Classification with an NVIDIA 5G Testbed ArXiv:  https://arxiv.org/abs/2512.10809v1 針對此篇文章的內容預計分成兩篇來撰寫, 在第一篇文章中, 我們將介紹在 Nvidia 系統中, 如何取的 CSI 的資訊, 以及取得 CSI 資訊的格式, 方法, 以及對應的實驗量測環境. 在第二篇文章中, 則會說明 CSI 資訊的應用. 首先, 先說明一下, CSI 有兩種方法可以取得, 除了之前說的 SRS 之外, 另一個則是透過 DMRS 來取得. DMRS 全稱為 Demodulation Reference Signal,  是在 5G 通訊中, 用以進行通道估測與輔助解調 OFDM 的參考訊號, 在上行的 PUSCH (Physical Uplink Shared Channel) 中, UE 裝置可以每 7/14 OFDM symbol 發送一組基礎的 DMRS 參考, 當然, DMRS 訊號可以有類似 comb 的編排機制 (在頻域上間隔出現), 我們在此先以基礎的設定 (使用所有 3276 個 sub-carrier 傳輸) 作為當前設定. 考慮到 DMRS 在 PUSCH 中的配置和 SRS 頗為一致, 在此就不贅述. 在 5G NR 系統中, DMRS 也是由基站通知手機端發送, 因此 DMRS 的回報間隔來自於基站的排程時間. 在這篇論文中, 他們的系統配置讓 CSI sample 至少每 10 ms 或 20 ms 進行回報, 最短的回報時間則是 2.5 ms (TDD pattern=3DSU, 因此, 0.5*5=2.5ms). 同時, 在此系統中, DMRS 在同一個 PUSCH slot 裡被配置 3 次, 換句話說, 在系統配置中, 可以看不同 OFDM symbol 的 CSI 變化. 比較可惜的是, 論文中並未明說這三個 OFDM symbol 配置的順序, 因此, 對於 OFDM RADAR 等應用會缺乏一些資訊. 基於上述的設定, 我們可以整理此系統的時序設定如下所述...

今天是 1/11, 遲到的說一聲新年快樂, 在過去的一年中, 這個部落格約略是以每月兩篇的速度更新. 在撰寫文章的同時, 不免俗的, 我也藉助了越來越多大語言模型的幫助, 不論是資料的收集, 文章的邏輯脈絡, 論點組織, 等,  都藉立了許多大語言模型 (主要是 GPT) 的幫助, 雖然, 可以保證的是, 最後文章中每個字詞都是自己審閱/寫作, 但是, 現在的寫作越來越接近事與 GPT 協作的成果, 初擬, 討論, 意見回饋, 修改, 最後產生一篇文章. 必須說明的是, 在這過程中, 也逐漸發現大型語言模型的進步, 從一開始, 較小段落的輔助, 同時必須要給予資料提示, 到最後, 常常可以提出超出我知識範圍內的內容與資料, 都讓自己反思, 自己部落格的存在價值: 假如面對疑惑, 使用 GPT 半小時就可以有一篇深入完全的研究, 那麼技術部落格的價值是甚麼呢? 時到如今, 我可能還能夠提供幫助的大概是論點的組織, 資料方向上的取捨, 以及資料不一致時的重新釐清, 不過, 搞不好在 2027 年的此時, 也都將被 GPT 所超越. 考慮到這樣的殘酷現實, 因此, 我們也提早做出一些改變, 首先是介紹的內容目標, 我們將轉以有趣的論文發表為主, 一方面, 針對舊有習知的技術,  GPT 可以以其搜索能力提供完整的資料論述與組織, 另一方面, 針對提問者的面向, 提供更即時與客製化的回應, 這是靜態部落格所比不上的. 既然如此, 也只有往深度與新穎興去做比較吧? 第二, 是更新頻率部分, 可能會減緩到每個月一篇, 不過, 這也是為了上述深度問題所做的取捨. Stackoverflow 的貼文 (Post) 數量, 以及 GPT 的出現 來自:  https://medium.com/tech-ai-chat/did-ai-kill-stack-overflow-i-hope-it-survives-798f66d9a6da 以上, 就是 2026 年的部落格轉型與規劃, 根據網站後台統計, 多數的連入都來自於搜尋, 換句話說, 也就是關鍵字式的詢問與反響, 也因此, 預期這篇文章也不會有多少讀者真的看到. 不過, 也是記錄下一個文字工作者 (?) 面臨科技的掙扎與轉型, 回顧初心, 當初希望為台灣的環境留下更多技術內容的整理, 然而, 看到 st...

在前幾篇 PRS 文章中ㄝ,  我們把 PRS 當成由 TRP/gNB 下行發送, 由 UE 量測的定位參考訊號, 並整理了 PRS 相較 SRS 的幾個差異, 例如: muting, 較高功率, 彈性的 comb/symbol, 可做 burst, 同步要求更高等, 以及 PRS 在實作上 (OAI / STARE) 目前的實作成果. 接著, 我們把問題延伸一些, 也就是利用 NTN 衛星網路來進行定位, 為什麼要用 NR-NTN 來進行定位呢? 從標準來說, 3GPP 在 Rel-18 開了方向為 network verified UE location for NR-NTN (TR 38.882), 在需求與 use case 層面把位置驗證當成一個 NTN 會面對的議題. 這代表, 以 NTN 進行定位, 的確被列入未來 5G NR 網路發展的需求, 那麼, 就技術面來說, 為何 NTN 會是一個定位的好選擇呢? 相較於 GPS 系統, 雖然 NTN 時間精準度 (振盪器) 不比 GPS,  但是, NTN 對應的低軌衛星在數量與高度上都更有優勢,  有機會做到更好的定位誤差. 來自:  https://www.ultrontek.com/news_detail/5g-ntn-challenges-architecture-overview 如果比較對象是一般的基站或是地面通訊,  考慮到 NTN 衛星網路的特徵, 會為定位帶來以下問題: 1. 傳播延遲大很多 以 LEO 衛星常見高度範圍 (例如 300–1500 km) 來看,  就算只考慮高度, 單程傳播時間就是毫秒等級,  用 𝑡=𝑑/𝑐 粗估：300 km 約 1.0 ms, 而實際斜距會更長. 2. Doppler 會非常明顯 LEO 相對速度很大，所以 f_d≈(v/c)f_c, 粗估若 𝑣≈7.5 km/s, 在 2 GHz 約 50 kHz, 4.7 GHz 約 118 kHz (只是量級, 實際看軌道與仰角) 這會直接影響 matched filter / delay estimation 時的搜尋範圍與 tracking 難度. 3. 多衛星/多 beam 同頻干擾更容易變成主因 地面 OTDOA 的 PRS 已...

在前兩篇中, 不論是 SRS 或是 PRS 的定位框架, 我們主要討論的是以時間為基礎 (time-based) 的定位方法, 例如: OTDOA, RTT,  在這些方法中, 其核心概念都是將距離差轉換成時間差, 再由時間差 (多點或是單點) 推回裝置的位置資訊, 這類方法在遇到一個根本限制: 時間解析度直接受限於系統可用頻寬. 以 5G NR 的系統而言, 我們可以簡單估算一下: 假設系統頻寬為 100 MHz, 對應的時間解析度約為: 10 ns 乘上光速後, 我們可以得到距離的解析度為 3 公尺, 換句話說, 這種方法在原理上即不可能達成公尺內的定位誤差. 考慮到這樣的限制, PRS 在 Release 18 中, 加入了以相位 (phase) 的定位量測, 此方法稱為: Phase-based Measurement, 此量測包含了: Carrier Phase measurement Phase Difference between TRPs 其核心轉變在於, 我們不只是關心什麼時候收到 PRS 訊號, 也開始關心收到 PRS 的載波是什麼相位. 這個轉變, 使得定位精度的上限, 從頻寬 (e.g., 100 MHz) 轉向載波波長, 以 4.7 GHz 為例, 波長為 6.38 公分, 在此範圍內我們皆可看到相位的變化, 然而, 使用相位資訊進行定位也會有對應的問題, 考慮到相位變化隨波長周期性變化, 單一觀察到的相位將產生大量的重複解, 也因此, 在進行定位時, 實際上需要同時考慮時間, 相位, 甚至是強度資訊, 我們以下圖表示:   來自:  https://arxiv.org/abs/2209.01183 這張圖說明 Carrier Phase 在不同定位解法中所扮演的角色差異: 左側示意在角度式定位架構下, 來自同一 gNB 的多天線訊號. 其接收相位差可與到達角度 (AoA) 結合, 用以提升角度估計的解析度. 此時相位資訊主要作為空間量測的輔助維度. 右側則示意在時間式定位架構中, 多個 gNB 的到達時間 (ToA) 仍構成主要的定位幾何, 而載波相位則可用於細化距離估計, 降低時間量測受限於頻寬所帶來的誤差. 需要特別強調的是, Carrier Phase 本身並非獨立的定位方法, 而是一種高解析度...