NVIDIA 开源工具如何助力研究者构建下一代 6G 网络

一年前，NVIDIA 开源了其 Aerial 无线软件，加入 Sionna 以及一套更广泛的开源工具，用于加速下一代 6G 网络的开发。这些工具共同为研究人员提供了测试想法、比较结果和在彼此工作基础上继续构建的基础——将仿真和 AI 训练与真实空中无线系统的实验连接起来。

如今，研究人员和开发者正在使用这些工具构建超越单纯数据传输的 6G 就绪网络——更有效地接收信号，在最关键的时刻保持机器人和自主系统的连接，并随着设备在世界中移动而实时适应。

过去一年，全球开发者对 NVIDIA AI Aerial 和 NVIDIA Sionna 软件的采用增长了 10 倍，NVIDIA 的开源 5G/6G 工具下载量已超过 100 万次。全球有超过 8,000 家研究和学术机构正在使用这些平台。 

如今涌现的项目展示了未来网络可能的样子。每个项目都应对不同的挑战，但它们共同指向一个更宏大的目标：构建 AI 原生的 6G 网络，通过一个融合的软件定义平台，为数十亿人、机器和智能体提供连接、计算和感知能力。

帮助机器人更快做出反应的网络

拾取物体的机器人需要理解周围环境，并在环境变化之前采取行动。当驱动决策的 AI 运行在附近的服务器或云端时，无线连接就成了响应时间的一部分。 

研究人员正在探索一种更高效的方法，称为面向目标的语义通信。机器人不再发送完整图像，而是传输物体、其位置及其相互关系的紧凑描述。只传输所需的信息量，可以让机器人更快速地做出响应，尤其是在工作场所和仓库等动态环境中。

在伦敦国王学院，研究人员将一台配备摄像头的机械臂连接到运行 NVIDIA Sionna 的 NVIDIA Jetson AGX Orin 上，该平台同时支持软件定义的 5G 网络和边缘 AI 处理。在故意引入故障的水果装箱和方块堆叠实验中，与定期发送图像相比，该方法将机器人任务完成时间缩短了多达 52.6%，并提高了任务成功率。

除了更快的响应和更少的处理开销之外，该系统还证明了更强的韧性——能够检测掉落的物体、从失败的动作中恢复，并且在使用数字孪生的配置中，在执行前检查计划动作是否存在潜在碰撞。 

学会更好地接收信号的网络

对于接收无人机实时画面的消防员，或搜寻失踪人员的救援队来说，及时的图像有助于指导紧急决策。但干扰和不断变化的无线电信道条件会使无线信号更难解码，导致错误和重传，从而延误来自现场的信息。

AI 接收机通过更有效地学习从传入信号中恢复信息来解决这一挑战。更好的接收效果可以帮助救援人员对火灾现场或搜救区域保持更清晰、更及时的掌握。

SoftBank 演示了这一点：他们将神经接收机集成到 NVIDIA Aerial CUDA-Accelerated RAN (ACAR) 中，并用一部商用 5G 智能手机进行测试。在受控的干扰测试中，在全部 15 个测试设置下，神经接收机的上行吞吐量都高于传统接收机，最大增益约为 60%。

另一种改进接收效果的方法是让接收机了解其运行的环境。使用 NVIDIA Aerial Testbed，ETH Zurich 的研究人员发现，与选定的预训练版本相比，利用本地测量数据对接收机进行调优可将块错误率降低三分之一以上。 

懂得何时省电的网络

随着 6G 连接更多设备并支持更多 AI 应用，管理能源需求将变得越来越重要。 

例如，网络可能需要足够的容量来服务一个拥挤的体育场，但当人群散去时需求就会变化。AI 可以帮助识别何时可以让闲置容量关机，以及何时需要重新上线，从而让运营商在不中断连接的情况下减少用电。

在 University of Leeds（利兹大学），研究人员开发了一套系统，可提前 10 分钟预测网络需求，并利用这些预测来指导基站的休眠决策。在关机之前，它会检查相邻的活跃基站能否继续服务受影响的设备，并监控需要恢复容量的变化。

该团队使用一台便携的、由 NVIDIA DGX Spark 驱动的 5G“网络盒”，配合数字孪生来对照真实无线设备验证决策，对他们的方法进行了测试。结果：研究人员报告，在保持设备连接的同时，RAN 功耗相对于满功率基线降低了 45.6%。

建成之前就能更快测试的网络

在部署网络之前，研究人员需要了解当数百台设备争夺连接或无线电信号遇到干扰时，网络的性能表现如何。模拟这些条件有助于团队在投入昂贵的设备和现场试验之前评估设计方案。但逼真的模拟可能需要数小时，限制了研究人员能够探索的想法数量。

The Centre Tecnològic de Telecomunicacions de Catalunya (CTTC) 正在加速这一过程：将在 ACAR 上运行的 GPU 加速无线电信道模型引入 CTTC 的开源 5G-LENA 网络模拟器。这些模型计算无线信号在天线与设备之间的传播方式——随着模拟网络规模增大，这一计算的需求也日益增长。

在一项早期评估中，该方法将模拟运行时间从大约三小时缩短到 10-20 分钟（取决于集成方式），同时保持了预期的统计行为和网络性能。

更快的仿真让研究人员可以比较更多设计方案、研究更高要求的场景，并更快地完善想法。随着行业开发 6G，这可以缩短从提出创新到得到经过充分评估的网络设计的路径——帮助团队在真实世界部署之前构建更好的连接。

在 NVIDIA GTC 华盛顿特区站，参加6G 开发者会议，研究人员和开发者将展示更多塑造无线网络未来的创新。 

NVIDIA AI Aerial 和 NVIDIA Sionna 已在 GitHub 上提供。