首页 › deep-tech › 多用户MIMO：一份频谱多人共享

多用户MIMO：一份频谱多人共享的空分魔法

一、从一张桌子说起：SU-MIMO 的天花板

想象一家餐厅里有张八人圆桌。在早期的"单用户 MIMO（SU-MIMO）"时代，这张桌子一次只招待一位客人，但允许他一个人用八副碗筷同时上八道菜——吃得快，但桌子永远只坐一个人，其余七个位置空着。这就是 SU-MIMO：基站把所有空间资源（多根天线）都倾注给一个终端，靠多流空间复用把这个用户的速率推到天花板。

可问题来了：单部手机的天线数有限（通常 2~4 根），再大的桌子它也"坐不满"。空分复用的流数受限于收发天线数的最小值 $\min(N_t, N_r)$。基站挂了 64 根天线，终端只有 2 根，能复用的流数也就 2 层——剩下 62 根天线的空间自由度全被浪费。

于是工程师们灵光一闪：既然一个用户吃不下，为什么不一张桌子同时招待好几位客人？

这就是 多用户 MIMO（MU-MIMO） 的核心思想：基站用同一块时频资源、同一个 64 天线阵列，同时为多位用户各发各的数据，靠"空间方向"把不同用户的信号区分开。与之对应的理论名称叫 空分多址（SDMA，Space Division Multiple Access）——频率、时间都不分，只用空间来区分用户。

维度 SU-MIMO MU-MIMO
同一时频服务的用户 1 个 多个
空间自由度去向 全给一个用户做多流 切分给多个用户各 1~2 流
主要收益 提升单用户峰值速率 提升小区总容量/频谱效率
关键挑战 单用户信道质量 用户间干扰（最重要）
受限于 $\min(N_t, N_r)$ 发射天线数 $N_t$、用户空间正交性

一句话总结两者的哲学差异：SU-MIMO 是"把蛋糕做得更大"，MU-MIMO 是"把一块蛋糕分给更多人吃"。 在用户密集的热点场景（体育场、商场），后者带来的容量增益远比前者重要——这就是为什么 MU-MIMO 被称作 Massive MIMO 时代的"杀手锏"。

二、空分多址的物理直觉：波束指向 + 零陷屏蔽

要理解 MU-MIMO 如何让多人"同频共桌"而不互相打扰，关键就两个动作：给目标用户发一个对准他的波束（聚光），给其他所有用户挖一个看不见的"零陷"（消音）。

打个更贴切的比方。你在一个嘈杂的大厅里，要同时给三个人各传一句悄悄话，又不能让任何一人听到给别人的话。怎么做？你站在大厅中央，手里有三个定向喇叭：

只要每只喇叭"主瓣对准、旁瓣屏蔽"做得足够好，三个人就仿佛各自拥有了一个私密的频道。波束赋形（Beamforming）做的就是这两件事：在该亮的地方亮，在不该亮的地方彻底黑掉。

下面这张架构图展示了基站如何用预编码矩阵同时服务多个用户：

flowchart TB
    subgraph BS["基站（N 根天线阵列）"]
        S1["用户1数据 s₁"]
        S2["用户2数据 s₂"]
        S3["用户3数据 s₃"]
        W["预编码矩阵 W<br/>（基于 CSI 计算）"]
        S1 --> W
        S2 --> W
        S3 --> W
        W --> TX["天线1 … 天线N<br/>同时发射叠加信号 x"]
    end
    TX -->|无线信道 H| U1["用户1：主瓣对准，零陷屏蔽2/3"]
    TX -->|无线信道 H| U2["用户2：主瓣对准，零陷屏蔽1/3"]
    TX -->|无线信道 H| U3["用户3：主瓣对准，零陷屏蔽1/2"]
    CSI["↑ 各用户上报 CSI<br/>（TDD互易性 / FDD反馈）"]
    CSI -.-> W
    style W fill:#bfe3b4,stroke:#2e7d32,stroke-width:2px
    style TX fill:#fff3cd,stroke:#856404

注意图里一个关键细节：基站的每根天线发射的，是所有用户信号的加权叠加。也就是说，天线并不是"一根天线专门对一个用户"，而是每根天线都在同时发"给1号+给2号+给3号"的混合信号，只不过靠精心设计的权重 W，让这个混合信号在空中传播后，在用户1那里自然"显形"成只有自己的数据。这是 MU-MIMO 与"一根波束对一个用户"的朴素理解最大的区别——它不是简单的转向，而是空间的线性投影。

三、把直觉写成公式：预编码如何"分流"信号

下面用最精简的信号模型，把上面那段"加权叠加 + 空中显形"的过程写清楚。设基站有 $N_t$ 根天线，同时服务 $K$ 个单天线用户（为简化，每个用户一根天线）。

基站要发送的 $K$ 个用户数据记为向量 $\mathbf{s} = [s_1, s_2, \dots, s_K]^T$。预编码矩阵 $\mathbf{W}$ 是 $N_t \times K$ 的，第 $k$ 列 $\mathbf{w}_k$ 就是给用户 $k$ 的那根"定向喇叭"的权重向量。基站在 $N_t$ 根天线上实际发射的信号是它们的加权求和：

$$ \mathbf{x} = \mathbf{W}\mathbf{s} = \mathbf{w}_1 s_1 + \mathbf{w}_2 s_2 + \cdots + \mathbf{w}_K s_K $$

用户 $k$ 收到的信号（$\mathbf{h}_k$ 是基站到用户 $k$ 的 $1 \times N_t$ 信道向量）：

$$ y_k = \underbrace{\mathbf{h}k \mathbf{w}_k s_k}}} + \sum_{j \neq k}\underbrace{\mathbf{hk \mathbf{w}_j s_j} + n_k $$}

这个公式揭示了 MU-MIMO 全部的痛苦与快乐：

把所有用户的信道堆成矩阵 $\mathbf{H} \in \mathbb{C}^{K \times N_t}$（每行是一个用户的信道），最常见的三种线性预编码准则如下表。注意它们的取舍是"信号强度 vs 干扰抑制 vs 噪声放大"的三方博弈：

预编码准则 数学形式 设计目标 副作用
MRT 最大比发射（匹配滤波） $\mathbf{W} = \mathbf{H}^H$ 让每个用户信号最强 完全不抑制用户间干扰
ZF 迫零 $\mathbf{W} = \mathbf{H}^H(\mathbf{H}\mathbf{H}^H)^{-1}$ 干扰精确归零 信道相关时噪声被放大
MMSE / 正则化 ZF $\mathbf{W} = \mathbf{H}^H(\mathbf{H}\mathbf{H}^H + \alpha\mathbf{I})^{-1}$ 信号、干扰、噪声折中最优 留少量干扰，换取噪声不放大

其中 ZF 的直觉最直白：$\mathbf{W} = \mathbf{H}^\dagger$（信道矩阵的伪逆），目的是让 $\mathbf{H}\mathbf{W} \approx \mathbf{I}$（单位矩阵）——也就是说，叠加信号经过信道后，用户 $k$ 只会"显形"出自己的 $s_k$，别人的分量被矩阵相乘清零了。这正是前文"零陷"的数学化身。

但 ZF 有个致命软肋：当两个用户的信道方向很接近（空间相关性高，几乎线性相关）时，$(\mathbf{H}\mathbf{H}^H)^{-1}$ 里会出现很大的数值，导致权重 $\mathbf{w}_k$ 变得极大，于是发送功率被无谓地放大，最终被噪声淹没——这叫噪声增强（noise enhancement）。这正是下一节"用户配对"要解决的问题：别把方向太接近的两个用户放一起。

工程视角：现网中几乎不会用纯 ZF，普遍采用 正则化 ZF（RZF），即表格第三行的 MMSE 形式。那个 $\alpha$ 就是个"松紧旋钮"：$\alpha$ 小→偏 ZF（干扰压得狠、噪声放大）；$\alpha$ 大→偏 MRT（信号强、干扰多）。很多厂商基站有个等效的"SINR-功率权衡"参数，调的就是它。

四、用户配对：让谁来同桌是一门大学问

理解了"信道相关时 ZF 会噪声放大"，你就立刻明白 MU-MIMO 里一个被低估却至关重要的环节——用户配对（User Pairing / Scheduling）。不是任意 $K$ 个用户都能塞进同一时频资源，调度器必须挑选空间方向彼此远离、信道近似正交的用户组合，MU-MIMO 才能真正发挥威力。

配对的本质是最大化"和速率"（sum rate），同时避开信道近线性相关导致的噪声爆炸。常见的配对准则可以归纳为几种思路：

flowchart TD
    A["候选用户池<br/>（待调度队列）"] --> B{"调度器<br/>配对评估"}
    B -->|"正交性准则"| C1["挑信道夹角大的用户<br/>（半正交选择）"]
    B -->|"和速率最大化"| C2["遍历组合估算总吞吐<br/>选最优子集"]
    B -->|"比例公平"| C3["兼顾正交性与<br/>用户长期公平性"]
    C1 --> D["输出配对组<br/>{用户1, 用户2, … 用户K}"]
    C2 --> D
    C3 --> D
    D --> E["应用 RZF 预编码<br/>同频同时发射"]
    E --> F{"用户移动/CSI老化"}
    F -->|"是"| B
    F -->|"否"| E
    style C1 fill:#e1f5fe,stroke:#0277bd
    style C2 fill:#e1f5fe,stroke:#0277bd
    style C3 fill:#e1f5fe,stroke:#0277bd
    style D fill:#bfe3b4,stroke:#2e7d32,stroke-width:2px

几个工程上要记住的点：

  1. 正交是稀缺资源。同一小区里物理位置相近、传播环境相似的用户，信道方向天然接近，把它们配对 MU-MIMO 收益极小甚至为负。这就是为什么 MU-MIMO 在用户分散的场景（大楼各楼层、广场四面八方）才神勇，在用户挤成一团（看台同排观众）时反而难配出好对子。
  2. 半正交用户选择（SUS 等算法） 是经典做法：先选一个用户，再依次挑与已选用户信道夹角足够大的下一个，直到凑够 $K$ 个或正交性跌破门限。它把配对从"组合爆炸"降到可接受复杂度。
  3. 配对是动态的。用户一动、信道一变，上一子帧的好对子可能瞬间变差。所以调度器每个 TTI（传输时间间隔）都在重新评估配对，配对增益是"时变"的，不是配好一次就完事。

一句话：MU-MIMO 的容量增益，一半来自预编码算法，另一半来自会挑用户的调度器。 配对选错了，再先进的 ZF 也救不回来。

五、Massive MIMO：让空分多址近乎完美

如果说 MU-MIMO 是思想，那 Massive MIMO（大规模天线，64/128/192 根）就是让这个思想"近乎完美落地"的硬件基础。天线数 $N_t$ 越大，空分多址越香，原因有二：

第一，零陷更锐利、更鲁棒。 天线越多，能挖的"零陷"就越深、越窄，对 CSI 误差越不敏感。当 $N_t \gg K$（天线数远多于用户数）时，即便用户信道有轻微相关性，ZF 的噪声放大效应也大幅缓解——因为空间自由度富余，"对准自己 + 避开别人"这两件事不再争抢有限的维度。

第二，信道硬化（Channel Hardening）。 这是 Massive MIMO 最奇妙的统计现象。当 $N_t$ 很大时，每个用户的等效信道增益 $|\mathbf{h}_k|^2 / N_t$ 会趋近于一个确定值（大数定律），随机起伏被"熨平"了。对用户而言，原本忽强忽弱的衰落信道变得像一条稳定的"有线链路"。

$$ \frac{1}{N_t}|\mathbf{h}_k|^2 \xrightarrow{N_t \to \infty} \text{常数（确定性）} $$

信道硬化的工程意义巨大：等效信道波动小，意味着 CSI 反馈可以更粗、调度更简单、链路自适应（AMC）更省心。这也是为什么 Massive MIMO 不只是"天线更多"，而是从根本上改变了 MU-MIMO 的可行性边界。

天线规模 MU-MIMO 可配对用户数 零陷锐度 对 CSI 精度敏感度 典型增益
2~8 根（早期） 2~4 较钝 高 中等
32 根（LTE 中后期） 4~8 中等 中 较好
64~128 根（5G Massive MIMO） 8~16+ 锐利 较低 显著
192+（5G 增强型） 16+ 极锐利 低 极高

注意一个反直觉的结论：天线越多，单个用户峰值速率未必提升，但小区能同时服务的用户数（空分层数）大幅增加。这正是 MU-MIMO "提升总容量而非单点峰值"的体现——也是网优工程师理解 5G 高容量场景的关键。

六、CSI：MU-MIMO 的命脉

前面所有美妙的原理，都建立在一个前提上：基站必须准确知道每个用户的下行信道 $\mathbf{H}$（CSIT，Channel State Information at Transmitter）。 预编码矩阵 W 是用 $\mathbf{H}$ 算出来的，$\mathbf{H}$ 错了，零陷就对不准别人、主瓣也对不准自己——MU-MIMO 瞬间退化成"互相制造干扰的灾难"。

获取 CSIT 的两条技术路线，差别巨大：

sequenceDiagram
    participant UE as 终端 UE
    participant BS as 基站 gNB
    Note over BS,UE: TDD 互易性路线
    UE->>BS: 上行 SRS 探测信号
    BS->>BS: 估计上行信道 H_UL
    BS->>BS: 射频校准（补偿收发硬件差异）
    BS->>BS: H_DL ≈ H_UL（互易）
    BS->>BS: 计算 RZF 预编码 W
    BS->>UE: 下行数据（已预编码 x=Ws）
    Note over BS,UE: ── 对比：FDD 反馈路线 ──
    BS->>UE: 下行 CSI-RS 参考信号
    UE->>UE: 测量下行信道并量化
    UE->>BS: 反馈 PMI/CQI/RI（量化码本）
    BS->>BS: 由码本重建 H_DL（有损失）
    BS->>UE: 下行数据（预编码 x=Ws）

CSI 不准的后果是灾难性的、且不对称的：在 SU-MIMO 里，CSI 错了顶多 MCS 选得不合适、速率降一档；而在 MU-MIMO 里，CSI 错了意味着零陷失准，用户间干扰直接爆表，多个用户互相伤害，总容量不升反降。这就是为什么工程界有句话："MU-MIMO 的性能上限由 CSI 决定，不是由天线数决定。"

实战陷阱：现网排查 MU-MIMO 增益不达标，第一反应不应是查天线，而应查 SRS 质量（TDD）或 CSI-RS/PMI 反馈（FDD）。终端移动太快、SRS 功率不足、射频校准漂移、码本分辨率不够，都会让"看似开了 MU-MIMO"的小区实际退化为 SU-MIMO 甚至更差。

七、实战连接：现网工程师视角

把上面的原理翻译成现网调试语言，MU-MIMO 主要体现在以下环节：

  1. 调度日志里的"配对层数"。基站侧统计每个 TTI 实际配对的用户数和总层数。如果 64T64R 小区这个值长期卡在 1~2，说明 MU-MIMO 几乎没生效——要么用户太少/太集中配不出对，要么 CSI 太差被调度器放弃配对。

  2. CSI 与 SRS 质量监控。TDD 网络重点看 SRS SINR、SRS 覆盖；FDD 看码本反馈的 CQI/PMI 一致性。这是 MU-MIMO 能否工作的"体检指标"。

  3. 终端能力与天线数。终端的接收天线数限制了 SU 层数，但 MU-MIMO 的多用户配对主要看基站侧；不过终端是否支持多流接收、是否上报正确的 RI，仍影响配对策略。

  4. 场景匹配。MU-MIMO 收益最大的场景是中高负载、用户空间分散的区域（密集城区、室内热点、体育场）。低负载小区或用户稀疏场景，SU-MIMO 反而更划算——硬开 MU-MIMO 是徒增复杂度。这也是为什么很多厂商的 MU-MIMO 开关带有"负载门限"：用户少时自动退回 SU-MIMO。

  5. 常见误解修正： - 误解 A："开了 MU-MIMO，我手机网速就翻倍。" —— 错。MU-MIMO 提升的是小区总容量，单个用户未必更快，尤其在配对对象是别人时。 - 误解 B："天线越多，单用户越快。" —— 不一定。天线多主要让更多用户同时共频，单用户峰值受自身天线数和调制阶数限制。 - 误解 C："MU-MIMO 就是波束赋形。" —— 波束赋形是手段，MU-MIMO 是"用波束赋形同时服务多用户"的应用模式；SU-MIMO 也会用波束赋形，区别在是否多用户共频。

八、把整条链路串起来

最后用一张图把 MU-MIMO 从"获取 CSI"到"同频多发"的完整闭环串起来，帮助形成系统观：

flowchart TB
    A["① 获取 CSIT<br/>TDD: SRS+互易校准 / FDD: CSI-RS+码本反馈"] --> B["② 调度器评估候选用户<br/>估计各用户信道方向"]
    B --> C["③ 用户配对<br/>挑选空间正交的 K 个用户"]
    C --> D["④ 预编码矩阵计算<br/>RZF: W = Hᴴ(HHᴴ+αI)⁻¹"]
    D --> E["⑤ 多天线加权叠加发射<br/>x = Ws，同频同时"]
    E --> F["⑥ 空中传播<br/>主瓣对准 + 零陷屏蔽"]
    F --> G["⑦ 各用户解调<br/>仅收到自己的数据流"]
    G --> H{"信道是否老化"}
    H -->|"是，下个 TTI"| A
    H -->|"否"| E
    style A fill:#fff3cd,stroke:#856404
    style C fill:#e1f5fe,stroke:#0277bd
    style D fill:#bfe3b4,stroke:#2e7d32,stroke-width:2px
    style G fill:#f3e5f5,stroke:#6a1b9a

整个闭环里，CSI 是输入命脉，配对是增益放大器，预编码是执行机构，Massive MIMO 是硬件底座。任何一环掉链子，MU-MIMO 的"一份频谱多人共享"就退化回老老实实的"一份频谱一人独占"。

常见问题

Q1：MU-MIMO 和 SU-MIMO 到底能不能同时存在？ A：能，而且现网就是混用的。基站每个 TTI 根据用户数、信道正交性、负载情况动态决定这一帧是给某用户做 SU-MIMO（多流），还是把多个用户配成 MU-MIMO（共频各一流）。两者不是非此即彼，而是调度器手里的两种工具，按场景择优。

Q2：ZF 迫零预编码为什么在低 SNR 下表现差？ A：因为 ZF 的伪逆运算会把噪声放大（噪声增强效应），尤其当用户信道相关时放大更严重。低 SNR 本身信噪比就吃紧，再被放大一截，有用信号就淹没在噪声里了。所以低 SNR 区 MMSE/RZF 更优，它宁可留一点干扰也要保住噪声不被放大。这也是"正则化"存在的全部意义。

Q3：TDD 的信道互易性"天然成立"吗？为什么还要射频校准？ A：互易性的物理前提（上下行同频、同一路径）在 TDD 里成立，但硬件前提不成立——基站的发射射频链和接收射频链是两套独立硬件（滤波器、放大器特性不同），终端同理。这个硬件不对称会破坏测量到的信道一致性。射频校准（RF Calibration）就是专门补偿这个硬件差异的步骤，没做或漂移了，互易性就是假的，MU-MIMO 性能直接塌方。

Q4：FDD 为什么很难做大规模 MU-MIMO？ A：FDD 上下行频率差得远，物理上没有互易性，只能靠终端测 CSI-RS 后量化反馈码本。天线越多，需要反馈的信道维度越大，反馈开销指数级增长，且量化误差天然存在。在 64 根以上天线的 FDD 系统里，光反馈信道就把上行资源吃光，得不偿失。所以 Massive MIMO + MU-MIMO 的黄金组合基本都跑在 TDD 上。

Q5：用户配对做不好，最直接的后果是什么？ A：最直接的就是用户间干扰失控——配对信道相关的用户，ZF 为压制干扰而放大权重，发射功率被无谓消耗，叠加噪声增强，所有配对用户的 SINR 集体下滑。表现就是：明明开了 MU-MIMO，小区总吞吐量不升反降，且各用户 CQI 报得很低、重传率高。遇到这种"开了不如不开"的现象，优先排查的就是配对算法与 CSI 质量。

参考来源

  1. 第15章：多用户MIMO — 系统讲解 MU-MIMO 信道模型、预编码（ZF/MMSE/SVD）推导与 MATLAB 实现，理论扎实，适合工程师深入数学细节。
  2. 5G Massive MIMO 白皮书（中兴通讯） — 厂商视角阐释 SU-MIMO/MU-MIMO 与多用户多流配对算法在 5G 中的工程实现，含波束赋形与场景化算法说明。
  3. 5G核心技术MU-MIMO工作原理优势应用挑战（阿里云开发者社区） — 梳理 MU-MIMO 原理、CSI 获取挑战与现网应用要点，覆盖预编码与配对的实际问题。
  4. 5G中的多用户MIMO：赋予无线通信更高效率（华为云社区） — 从系统效率角度解读 MU-MIMO 与 Massive MIMO 演进趋势，含未来更高阶 MIMO 展望。
  5. 给忙碌者的5G基础知识课（六）——Massive MIMO：5G真正的大杀器 — 通俗讲解 Massive MIMO 如何通过大规模阵列天线增强空间维度解析能力，适合建立 SU-MIMO/MU-MIMO 直觉。

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

📎 本分类最新文章