报告概述
本白皮书聚焦6G关键技术从研究到标准化的路径，重点介绍VIAVI 6G Test Bed的架构与能力，覆盖通信感知一体化（ISAC）、AI/ML集成、数字孪生、沉浸式扩展现实等方向。报告详细阐述了基于射线追踪的网络数字孪生、AI辅助波束管理、神经形态接收机以及目标导向与语义通信系统的设计与测试方法。读者可了解3GPP 6G研究的主要议题及VIAVI在其中的创新解决方案，为评估6G技术趋势和测试需求提供参考。
报告的核心结论
6G将实现通信与感知一体化
报告指出，ISAC是6G新功能的核心，通过共享频谱和硬件，通信网络可同时进行目标检测、定位和速度估计。基于射线追踪的信道建模能精确模拟环境杂波与目标反射，为感知算法提供真实测试条件。
AI/ML集成是6G系统的中心话题
3GPP正在探索全系统AI/ML管理框架，报告展示了AI辅助波束管理可减少信令开销并提升预测精度，神经形态接收机在降低能耗的同时保持性能，以及AI优化调制提高频谱效率。
数字孪生成为6G网络测试与优化的关键使能技术
VIAVI的近实时射线追踪技术结合数字孪生，可实现高保真射频仿真、实时波束预测和现场到实验室的闭环测试，用于网络规划、AI模型训练和策略验证，降低部署风险。
目标导向与语义通信可大幅降低XR带宽需求
通过仅传输虚拟形象骨骼、背景描述等语义信息，而非完整比特流，该技术能在不牺牲用户体验的前提下，将传输延迟降低99.95%，显著提升XR和Metaverse应用的效率。
报告回答的关键问题
6G通信感知一体化如何工作？
ISAC利用同一频谱和硬件同时进行通信与感知。发射信号经目标反射后，接收机通过估计信道抽头的路径增益、延迟、多普勒频移等参数，检测目标位置和速度。射线追踪技术可精确模拟环境中的反射和杂波，为ISAC算法提供真实测试环境。
AI如何辅助6G波束管理？
传统波束管理需全波束扫描，开销大。AI辅助方案利用神经网络基于少量测量值预测最佳波束，并结合UE传感器（如相机、激光雷达）获取的位置信息，进一步提升精度。实验表明，该方案在低信噪比下仍能接近最佳吞吐量，降低信令和能耗。
数字孪生对6G网络测试有何作用？
数字孪生通过高保真射频仿真创建虚拟网络环境，用于在实验室中重现现场问题、验证软件升级和优化策略。结合实时数据采集，可实现闭环校准，确保数字孪生与现实同步，降低部署后风险并加速AI模型训练。
神经形态接收机如何实现节能？
神经形态接收机基于脉冲神经网络（SNN），使用离散1位时间尖峰编码数据，每尖峰仅耗皮焦级能量。相比传统人工神经网络，它能大幅降低能耗，同时保持与5G接收机相当的误码率性能，适合6G可持续性要求。
报告中的代表性数据
XR传输延迟降低比例
2025年演示，目标导向与语义通信方案在Metaverse天气预报视频传输中，相比传统方法实现延迟降低99.95%。
射线追踪计算时间与UE采样时间比
测试场景，在高通圣地亚哥园区数字孪生波束选择演示中，UE移动490毫秒，射线追踪计算耗时不到该时间的四分之一，实现实时预测。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- VIAVI 6G Test Bed的硬件和软件架构详解，包括T-1和T-2两个版本，支持最高7.2 GHz载波频率和400 MHz带宽，集成GPU用于AI加速。
- 近实时射线追踪技术的算法细节与GPU加速方法，以及如何构建高保真射频数字孪生，用于网络规划、主动资源管理和移动性预测。
- 基于射线追踪的感知信道建模方法，包括RCS估计、速度估计、微多普勒分析等目标识别技术，以及单站和双站ISAC测试方案。
- AI辅助波束管理的完整测试流程，包括全波束扫描、部分扫描和AI预测方案的对比，以及位置增强AI-BM在FR3频段的实验验证。
- 神经形态接收机（基于脉冲神经网络）的设计原理、与人工神经网络的能耗对比，以及针对AI优化高阶调制的解码性能测试。
- 适用于RAN的AI关键性能指标（KPI）框架，涵盖以通信为中心、以AI为中心和能效相关的指标，如BLER、吞吐量、模型延迟、可解释性等。
- 目标导向与语义通信系统的发射机和接收机架构，包括虚拟形象骨骼提取、背景描述、基于RSMA的多用户传输，以及与伦敦国王学院、Nokia Bell实验室的合作演示。
- 多个现场演示视频链接，涵盖AI调制、神经形态接收机、波束管理、数字孪生、ISAC等主题，提供直观的技术验证。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
