5G MU-MIMO：同一时频资源如何同时服务多个用户

一个教室引发的技术思考

想象一位教授面对100人的大教室上课。如果教授一次只能面对一个学生讲解（SU-MIMO），那100个学生轮流提问，效率极低。但如果教授能同时"看到"每个学生，用不同方向的声音精准传递给不同的人，互不干扰——这正是 MU-MIMO（多用户MIMO） 的核心思想。

在5G网络中，基站的天线阵列就像这位教授的"多双眼睛"，能在同一时隙、同一频段上，向多个用户同时发送不同的数据流。这不是简单的"分时间"或"分频率"，而是在空间维度上把用户隔开。

这听起来像魔法，但背后是一套严密的数学和工程体系。本文将从直觉到公式，从原理到现网实践，系统拆解MU-MIMO的设计哲学。

一、从SU-MIMO到MU-MIMO：为什么要"共享"空间

1.1 SU-MIMO的天花板

SU-MIMO（单用户MIMO）的思路很简单：把所有天线资源集中给一个用户，用多个数据流（Layer）并行传输，提升单个用户的峰值速率。

但问题在于——手机的天然限制：

即使基站有64根天线，面对一个只有2根天线的手机，SU-MIMO最多只能传2层数据。剩下62根天线的空间自由度被浪费了。

关键洞察：SU-MIMO的瓶颈不在基站侧，而在终端侧。

1.2 MU-MIMO的破局思路

MU-MIMO换了一个角度：既然一个用户用不完所有天线资源，那就把剩余的空间自由度分配给其他用户。

graph LR
    subgraph SU-MIMO
        A[64T基站] -->|4层数据流| B[用户A<br/>4Rx手机]
        A -.->|60根天线闲置| C[未利用]
    end
    subgraph MU-MIMO
        D[64T基站] -->|2层| E[用户A<br/>2Rx]
        D -->|2层| F[用户B<br/>2Rx]
        D -->|2层| G[用户C<br/>2Rx]
        D -->|2层| H[用户D<br/>2Rx]
    end
    style C fill:#f99,stroke:#333
    style E fill:#9f9,stroke:#333
    style F fill:#9cf,stroke:#333
    style G fill:#fc9,stroke:#333
    style H fill:#c9f,stroke:#333

核心区别：SU-MIMO追求"一个人跑得快"，MU-MIMO追求"一群人一起跑"。

1.3 两者的定量对比

二、MU-MIMO的数学本质：空间正交

2.1 信道矩阵与空间自由度

假设基站有 $M$ 根天线，同时服务 $K$ 个用户，每个用户有 $N_k$ 根天线。整个下行信道可以写成一个矩阵：

$$H = \begin{bmatrix} h_1 \ h_2 \ \vdots \ h_K \end{bmatrix} \in \mathbb{C}^{(\sum N_k) \times M}$$

其中 $h_k$ 是用户 $k$ 的信道向量（或矩阵）。

类比理解：把每个用户的信道看作一个"空间方向"。如果两个用户的信道方向完全相同（平行），基站就无法区分他们；如果方向互相垂直（正交），基站就能精确地把不同数据送到不同用户。

2.2 正交性的直观解释

用二维空间来理解：

graph TD
    subgraph 好的配对：信道正交
        A1["用户A的信道方向 →"]
        A2["用户B的信道方向 ↑"]
        A3["互相垂直，干扰最小"]
    end
    subgraph 差的配对：信道平行
        B1["用户C的信道方向 →"]
        B2["用户D的信道方向 →"]
        B3["方向重合，互相干扰严重"]
    end
    style A3 fill:#9f9,stroke:#333
    style B3 fill:#f99,stroke:#333

两个信道向量的正交性可以用相关系数来衡量：

$$\rho_{ij} = \frac{|h_i^H h_j|}{|h_i| \cdot |h_j|}$$

• $\rho_{ij} = 0$：完全正交，最理想
• $\rho_{ij} = 1$：完全平行，最糟糕
• 实际网络中，通常要求 $\rho_{ij} < 0.3$ 才配对

2.3 系统容量公式

MU-MIMO的下行和容量（Sum Capacity）由下式给出：

$$C_{\text{sum}} = \log_2 \det \left( I + \frac{P}{M} H H^H \right)$$

其中 $P$ 是总发射功率。当用户数 $K$ 增加且信道足够正交时，容量近似为：

$$C_{\text{sum}} \approx \min(M, \sum N_k) \cdot \log_2(1 + \text{SNR})$$

这意味着：基站天线越多、配对用户越多（且信道越正交），总容量越大。这就是Massive MIMO + MU-MIMO的数学基础。

三、预编码：MU-MIMO的核心引擎

3.1 为什么需要预编码

没有预编码时，基站给用户A发信号，用户B也会收到（用户间干扰，IUI）。预编码的作用是：在发射端就把信号"加工"好，让每个用户只收到属于自己的信号。

flowchart LR
    A[原始数据流<br/>用户A的数据<br/>用户B的数据<br/>用户C的数据] --> B[预编码矩阵W]
    B --> C[加权后的信号<br/>s₁ s₂ ... s_M]
    C --> D[64根天线<br/>同时发射]
    D --> E[无线信道H]
    E --> F[用户A收到<br/>自己的数据]
    E --> G[用户B收到<br/>自己的数据]
    E --> H[用户C收到<br/>自己的数据]

    style B fill:#ff9,stroke:#333

3.2 四种主流预编码方案

（1）最大比发射（MRT）

$$W_{\text{MRT}} = H^H$$

思路：每个用户的信号沿着自己信道最强的方向发射，最大化信号功率。

• 优点：实现最简单，计算量小
• 缺点：完全不管用户间干扰，用户多了性能急剧恶化
• 适用：用户数远小于天线数时

（2）迫零预编码（ZF）

$$W_{\text{ZF}} = H^H (H H^H)^{-1}$$

思路：强制消除所有用户间干扰（数学上"迫零"），让每个用户完全不受其他用户影响。

• 优点：零干扰（理论上）
• 缺点：当信道接近奇异时（用户信道几乎平行），求逆运算会导致噪声放大
• 适用：高信噪比、信道正交性好的场景

（3）正则化迫零（RZF/MMSE）

$$W_{\text{RZF}} = H^H (H H^H + \alpha I)^{-1}$$

其中 $\alpha$ 是正则化参数，通常与噪声方差相关。

思路：在消除干扰和避免噪声放大之间取折中。$\alpha \to 0$ 退化为ZF；$\alpha \to \infty$ 退化为MRT。

• 优点：实际性能最均衡
• 缺点：需要选择合适的 $\alpha$
• 适用：大多数实际5G系统的首选方案

（4）块对角化（BD）

当每个用户有多根天线时，BD将预编码矩阵分解为块对角形式，使每个用户的信号投影到其他用户信道的零空间中。

$$W_{\text{BD}} = [\tilde{V}_1^{(0)}, \tilde{V}_2^{(0)}, \ldots, \tilde{V}_K^{(0)}]$$

其中 $\tilde{V}_k^{(0)}$ 是"去掉其他所有用户信道"后剩余空间的奇异向量。

3.3 四种方案对比

四、用户配对：不是谁都能做搭档

4.1 配对的重要性

MU-MIMO的性能不只取决于预编码，用户配对（User Pairing） 同样关键。选错了搭档，正交性差，预编码再好也白搭。

生活类比：合唱比赛选队员。两个声线完全不同的人（正交性好）可以轻松和声；两个声线一样的人合唱，互相串音，谁也听不清。

4.2 配对算法

算法1：穷举法

遍历所有可能的用户组合，选容量最大的。

• 时间复杂度：$O(2^K)$，$K$ 为候选用户数
• 实际不可行（候选用户可能有50个）

算法2：半正交用户选择（SUS）

这是最经典的实用算法，核心步骤：

flowchart TD
    A[开始：候选用户集合<br/>U = 所有待调度用户] --> B[选信道质量最好的用户<br/>u₁ = argmax ‖h_k‖]
    B --> C[计算剩余用户与u₁的正交性<br/>ρ_k = ‖h_k^H h₁‖ / ‖h_k‖‖h₁‖]
    C --> D[筛选：保留 ρ_k < α 的用户<br/>α 为正交性阈值]
    D --> E{候选集是否为空？}
    E -->|否| F[从筛选后的集合中<br/>选信道最好的用户 u₂]
    F --> G[更新正交性条件<br/>与所有已选用户都正交]
    G --> H{达到最大配对数？}
    H -->|否| E
    H -->|是| I[输出配对用户组<br/>u₁, u₂, ..., u_K]
    E -->|是| I
    style D fill:#ff9,stroke:#333

• $\alpha$ 的典型取值：0.3~0.5
• 复杂度：$O(KM)$，实用高效

算法3：基于PMI的配对

在FDD系统中，基站通过UE上报的PMI（预编码矩阵指示）间接判断信道方向：

• 两个UE选择相同PMI → 信道方向相似 → 不应该配对
• 两个UE选择不同PMI → 信道方向差异大 → 适合配对

4.3 配对数的确定

最大配对用户数受限于：

$$K_{\max} = \lfloor M / N_{\text{layer}} \rfloor$$

其中 $M$ 是基站天线数，$N_{\text{layer}}$ 是每个用户分配的层数。

例如，64T基站、每个用户2层时：$K_{\max} = 64/2 = 32$ 个用户。但实际中由于正交性限制，通常只配对4~8个用户。

五、MU-MIMO在5G NR中的实现

5.1 下行MU-MIMO的信令流程

sequenceDiagram
    participant UE1 as 用户1
    participant gNB as 基站(gNB)
    participant UE2 as 用户2

    Note over gNB: 1. 基站决定MU-MIMO配对
    Note over gNB: 基站选择UE1和UE2配对<br/>计算预编码矩阵W

    gNB->>UE1: CSI-RS（信道测量参考信号）
    gNB->>UE2: CSI-RS

    UE1->>gNB: CSI反馈（RI/PMI/CQI）
    UE2->>gNB: CSI反馈（RI/PMI/CQI）

    Note over gNB: 2. 根据CSI计算预编码<br/>生成DCI调度信息

    gNB->>UE1: DCI 1_1（包含RI/TPMI信息）
    gNB->>UE2: DCI 1_1（包含RI/TPMI信息）

    Note over gNB: 3. 同一时频资源上<br/>用不同预编码发送数据

    gNB->>UE1: PDSCH（预编码后的数据）
    gNB->>UE2: PDSCH（预编码后的数据）

    Note over UE1,UE2: UE1收到自己信号+UE2干扰<br/>预编码使UE2干扰趋近于0

5.2 关键参数配置

5G NR中与MU-MIMO相关的关键参数：

5.3 上行MU-MIMO

上行MU-MIMO的原理与下行类似，但有几个关键差异：

上行MU-MIMO在5G中的实际表现：Samsung/Signals Research Group在2024年的一项外场测试中，使用8部Galaxy S23手机，在商用5G网络上测试了上行MU-MIMO：

• 2用户配对：上行吞吐量提升约 80%~95%
• 4用户配对：上行吞吐量提升约 200%~280%
• 8用户配对：上行吞吐量提升约 400%~500%

六、MU-MIMO的性能边界：什么时候有效，什么时候失效

6.1 有效场景

6.2 受限场景

6.3 一个容易忽视的陷阱

误以为MU-MIMO总是优于SU-MIMO。实际上，当小区只有1~2个活跃用户时，SU-MIMO给单用户更多层，单用户体验更好。MU-MIMO的优势在多用户同时在线时才显现。

典型的小区吞吐量随用户数变化曲线：

七、现网调试：工程师的实战手册

7.1 判断MU-MIMO是否生效

方法1：看日志中的配对信息

基站日志通常会记录每个TTI（1ms）的调度信息： - 配对用户数（MU pairing count） - 每个用户的层数（Rank/RI） - 使用的预编码方案

方法2：看UE的DCI

DCI Format 1_1中包含： - Rank Indicator：如果同一时频资源上多个UE被调度，且各自RI不同，说明可能在做MU-MIMO - TPMI（Transmit Precoding Matrix Indicator）：指示基站为该UE选择的预编码矩阵

方法3：看小区吞吐量

对比开启/关闭MU-MIMO时的小区总吞吐量。如果多用户场景下吞吐量显著提升，说明配对生效。

7.2 常见问题与排查

7.3 优化建议

1. TDD网络：充分利用信道互易性，通过SRS获取精确CSI，MU-MIMO效果最佳
2. FDD网络：增大CSI反馈开销（更多频域粒度、更短周期），牺牲部分开销换取精度
3. 天线配置：确保天线校准准确，否则互易性失效
4. 用户分布：在用户密集区域适当增加天线数或部署更多小区
5. 参数调优：正交性阈值 $\alpha$ 需要根据实际场景调整，不是越小越好

八、MU-MIMO的演进：从5G到6G

8.1 5G Release 18增强

• Multi-TRP MU-MIMO：多个传输接收点协同服务多用户
• 增强的CSI反馈：更精细的信道信息反馈，提升预编码精度
• URLLC场景的MU-MIMO：在保证可靠性的前提下做空间复用

8.2 6G展望

常见问题

Q1: MU-MIMO和SU-MIMO能同时工作吗？

A: 可以。在5G NR中，基站可以在不同的时频资源上灵活切换MU-MIMO和SU-MIMO。甚至在同一时隙内，不同频域资源块可以做不同模式的MIMO。调度器会根据当前用户的信道状态和业务需求动态决定。

Q2: 为什么TDD比FDD更适合MU-MIMO？

A: TDD系统上下行使用同一频率，基站通过接收UE发送的SRS信号就能精确估计下行信道（信道互易性）。而FDD上下行频率不同，基站只能依赖UE通过CSI反馈间接获取下行信道信息，精度和实时性都打折。这就是为什么中国（TDD为主）的5G Massive MIMO效果优于很多FDD为主的海外网络。

Q3: MU-MIMO对终端有什么要求？

A: 终端需要支持：①多天线接收（至少2Rx）；②CSI-RS测量和CSI反馈能力；③正确解读DCI中的TPMI信息。好消息是，目前主流5G手机都满足这些要求，MU-MIMO对终端是"透明"的——用户不需要知道自己在被配对。

Q4: 实际网络中MU-MIMO的配对数是多少？

A: 大多数商用5G网络中，下行MU-MIMO典型配对2~4个用户（每个用户1~2层），上行MU-MIMO配对2~8个用户。理论上的32用户配对在实际中很少见到，因为很难同时找到这么多正交性好的用户。

Q5: 用户间干扰（IUI）能被完全消除吗？

A: 理论上，在完美CSI条件下，ZF预编码可以完全消除IUI。但实际中CSI总有误差（量化误差、反馈延迟、信道估计噪声），所以残余干扰永远存在。MMSE预编码的策略是"与其追求零干扰不如在干扰和噪声之间找平衡"，实际效果比ZF更稳定。

参考来源

1. Samsung/Signals Research Group - 5G Multi-User MIMO Study — 5G MU-MIMO外场测试基准报告，包含上行/下行多用户配对的实测吞吐量增益数据

2. Analog Devices - Massive MIMO and Beamforming: The Signal Processing Behind the 5G Buzzwords — 详述ZF、MMSE预编码原理及Massive MIMO信号处理架构

3. 5G MU-MIMO关键技术和性能研究 - C114通信网 — 中国联通学术论文，系统分析MU-MIMO系统模型、预编码技术和用户配对算法

4. ShareTechnote - 5G/NR MU MIMO — MU-MIMO与SU-MIMO的工程化对比说明

5. Semi-Orthogonal User Selection (SUS) - TelecomTrainer — SUS用户选择算法的原理和实现细节

本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。

[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。