<!-- title: 5G MU-MIMO：同一时频的多用户秘密 -->

# 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**：

| 约束因素 | 典型值 | 影响 |
|----------|--------|------|
| 手机天线数 | 2~4根 | 最多只能接收2~4个数据流 |
| 手机体积 | 有限 | 无法装太多天线 |
| 功耗限制 | 电池供电 | 接收天线越多越费电 |
| 传播环境 | 城市多径 | 实际可用的空间自由度有限 |

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**。

```mermaid
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

| 维度 | SU-MIMO | MU-MIMO |
|------|---------|---------|
| 服务对象 | 单个用户 | 多个用户（2~16） |
| 资源使用 | 独占时频资源 | 共享同一时频资源 |
| 系统容量 | 受限于终端天线数 | 随基站天线数线性增长 |
| 峰值速率（单用户） | 高（所有层给一个用户） | 中（层被多个用户分摊） |
| 小区总吞吐量 | 中等 | 显著提升（2~4倍） |
| CSI需求 | 较低（只需一个用户的信道） | 高（需要所有配对用户的精确信道） |
| 实现复杂度 | 低 | 高（需预编码、用户配对） |

---

## 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：

```text
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**。

```mermaid
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

| 预编码方案 | 干扰消除 | 噪声放大 | 计算复杂度 | 实际性能 | 现网使用 |
|-----------|---------|---------|-----------|---------|---------|
| MRT | 不消除 | 无 | 低 $O(KM)$ | 低SNR时好 | 很少单独用 |
| ZF | 完全消除 | 严重 | 中 $O(K^2M)$ | 高SNR时好 | 较少 |
| RZF/MMSE | 部分消除 | 可控 | 中 $O(K^2M)$ | 综合最优 | **主流方案** |
| BD | 完全消除 | 较轻 | 高 $O(K^3)$ | 多天线用户好 | 理论研究多 |

---

## 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：

```mermaid
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**

| 配对方法 | 信息来源 | 适用场景 | 准确度 |
|---------|---------|---------|-------|
| SUS | 完美CSI | TDD（互易性） | 高 |
| PMI配对 | CSI反馈 | FDD | 中 |
| 随机配对 | 无 | 简单实现 | 低 |

### 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

```mermaid
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：

| 参数 | 含义 | 典型配置 |
|------|------|---------|
| 天线端口数 | 基站逻辑端口 | 16/32/64 |
| CSI-RS端口数 | 用于信道测量的端口 | 8/16/32 |
| 最大层数（每UE） | 单用户最大数据流 | 2~4 |
| 最大层数（小区） | 小区总层数上限 | 16~32 |
| NZP CSI-RS | 非零功率参考信号 | 用于信道测量 |
| ZP CSI-RS | 零功率参考信号 | 避免干扰测量 |
| TPMI | 发射预编码矩阵指示 | 指示UE使用的预编码 |

### 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：

| 维度 | 下行MU-MIMO | 上行MU-MIMO |
|------|------------|------------|
| 预编码位置 | 基站发射端 | 基站接收端（等效） |
| CSI获取 | 依赖UE反馈 | 依赖SRS探测 |
| 配对控制 | 基站调度器 | 基站调度器 |
| 最大配对UE数 | 取决于基站天线 | 取决于基站天线 |
| 主要增益 | 小区容量提升 | 上行容量+吞吐量提升 |

**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

| 场景 | 为什么有效 | 预期增益 |
|------|-----------|---------|
| 密集城区 | 用户多，位置分散，正交性好 | 小区容量提升2~4倍 |
| 体育场馆 | 大量用户同时在线 | 容量提升最显著 |
| TDD网络 | 互易性提供精确CSI | 预编码精度高 |
| Massive MIMO（64T以上） | 天线数远大于用户数 | 空间自由度充裕 |

### 6.2 受限场景

| 场景 | 为什么受限 | 应对策略 |
|------|-----------|---------|
| 用户位置相近 | 信道相关性高，正交性差 | 降配对数或切SU-MIMO |
| FDD网络 | 互易性差，CSI不准确 | 增加CSI反馈频率/精度 |
| 高速移动 | 信道快变，CSI过期 | 缩短CSI反馈周期 |
| 室内深覆盖 | 多径丰富但信道相关 | 结合室内分布式天线 |

### 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：

| 活跃用户数 | 推荐策略 | 原因 |
|-----------|---------|------|
| 1~2 | SU-MIMO | 单用户体验最优 |
| 3~8 | 2~4用户MU-MIMO | 兼顾容量和体验 |
| 8~32 | 多用户MU-MIMO | 最大化小区容量 |
| >32 | 结合调度和MU-MIMO | 用户过多需调度优化 |

---

## 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

| 问题现象 | 可能原因 | 排查方法 |
|---------|---------|---------|
| MU-MIMO增益不明显 | 用户正交性差 | 检查用户地理位置分布 |
| 配对成功率低 | CSI反馈不准确 | 检查CSI-RS配置和反馈周期 |
| 用户体验下降 | 预编码不准确导致残余干扰 | 检查SRS/CSI-RS功率配置 |
| 边缘用户被排除 | 边缘用户信道质量差 | 调整配对算法的门限参数 |
| CQI异常偏低 | 残余干扰被UE测到 | 检查干扰抑制能力 |

### 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

| 技术方向 | 核心思想 | 对MU-MIMO的影响 |
|---------|---------|---------------|
| 超大规模MIMO（ELMM） | 天线数达256~1024 | 配对用户数大幅增加 |
| 可重构智能表面（RIS） | 通过反射面改变信道 | 主动创造信道正交性 |
| AI辅助调度 | 深度学习预测用户配对 | 提升配对效率和准确性 |
| 全息MIMO | 连续孔径天线 | 突破离散天线限制 |

---

## 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](https://images.samsung.com/is/content/samsung/assets/global/business/networks/insights/white-paper/5g-multi-user-mimo-it-isnt-just-for-downlink-anymore/srg_samsung_mu_mimo_study_final.pdf) — 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](https://www.analog.com/en/resources/analog-dialogue/articles/massive-mimo-and-beamforming-the-signal-processing-behind-the-5g-buzzwords.html) — 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](https://www.c114.com.cn/topic/5671/a1114287.html) — 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](https://www.sharetechnote.com/html/5G/5G_MassiveMIMO_MU_MIMO.html) — MU-MIMO与SU-MIMO的工程化对比说明

5. [Semi-Orthogonal User Selection (SUS) - TelecomTrainer](https://www.telecomtrainer.com/sus-semi-orthogonal-user-selection/) — 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。

![51学通信知识星球海报-扫码加入](https://wiki.500nian.com/images/zhixingqiu_qrcode.png)