– Vision, Wegbereiter, Schlüsseltechnologien und Anwendungen
6G ist das kommende drahtlose Kommunikationsnetzwerk der sechsten Generation, das voraussichtlich um das Jahr 2030 eingeführt wird und darauf ausgelegt ist, die wichtigsten Leistungsanforderungen (KPIs) für neue Dienste und Anwendungen zu erfüllen. Derzeit werden in der Wissenschaft verschiedene Szenarien, Wegbereiter, Schlüsseltechnologien und Herausforderungen für 6G diskutiert.
Abbildung 1 gibt einen Überblick über die wesentlichen Säulen und Themen der laufenden wissenschaftlichen Diskussionen zu 6G.
Zahlreiche neue Technologien werden entwickelt, um die kommenden Funktionen von 6G zu ermöglichen. Ein Merkmal ist die Integration von Radarfunktionen in drahtlose Kommunikationssysteme mithilfe eines gemeinsamen Wellenform- und Hardwaredesigns in Form von Joint Communication and Sensing (JCAS). Radio Sensing ist neben den Kommunikations- und Lokalisierungsfunktionen eine völlig neue Funktion für drahtlose Systeme. Der Trend zur künstlichen Intelligenz (KI) treibt weiterhin Fortschritte in der drahtlosen Kommunikation auf nahezu allen Kommunikationsebenen voran, Mobile Edge Computing (MEC) ermöglicht rechnerisches Offloading und nicht-terrestrische Netzwerke (NTN) ermöglichen die globale Abdeckung von 6G.
Eine Technologie, die diese KPIs ermöglicht, ist die Erweiterung des Raum- und Frequenzbereichs, um höhere Bandbreiten und Datenraten zu ermöglichen. Antennen mit massiven Arrays verbessern die räumliche Auflösung und den Durchsatz, indem sie dedizierte Strahlen für einzelne Benutzer oder Gruppen einrichten. Die Verwendung höherer Frequenzen, die von Millimeterwellen (mmWave, 30 GHz bis 300 GHz) über Terahertz (THz, 300 GHz bis 3 THz) bis hin zu optischer drahtloser Kommunikation (Li-Fi) reichen, erweitert die Möglichkeiten zusätzlich. Um mehr Benutzer aufzunehmen und die Kommunikationsraten zu verbessern, stellen intelligente reflektierende Oberflächen (IRS) eine weitere vielversprechende Technologie für 6G dar. IRS ermöglicht eine intelligente Echtzeitanpassung der drahtlosen Ausbreitungsumgebung durch die Verwendung rekonfigurierbarer passiver Elemente und ermöglicht beispielsweise Reflexionen in schattigen Bereichen zur Verbesserung der Abdeckung.
Der Trend zur KI, insbesondere zum Deep Learning (DL), stellt einen völlig neuen Kommunikationsansatz dar. Shannons Informationstheorie beleuchtet drei Hauptprobleme der Kommunikation: das technische Problem, das semantische Problem und das Effektivitätsproblem. In der Vergangenheit konzentrierte sich die Forschung vor allem auf das technische Problem der Kommunikation, also auf die Art und Weise, wie Symbole übertragen werden. Mit KI ist es nun möglich, semantische Kommunikation zu ermöglichen, indem die Semantik von Informationen mithilfe tiefer neuronaler Netze (DNNs) kodiert und dekodiert wird. Dadurch könnten die erforderliche Datenrate und Kapazität auf dem physischen Kanal erheblich gesenkt werden. Anstatt beispielsweise den Pixelfarbwert jedes Pixels in einem Bild zu übertragen, überträgt die semantische Kommunikation nur die Semantik des Bildes, die in Form von Text oder Tags beschrieben wird. Diese Informationen werden dann am Empfänger dekodiert, um das Originalbild zu erhalten. Compressed Sensing spielt in diesem Zusammenhang auch eine Rolle, da es sich um eine Signalverarbeitungstechnik handelt, die Signale effizient erfasst und rekonstruiert, indem sie die Signalsparsität ausnutzt und so eine Wiederherstellung aus weit weniger Proben ermöglicht, als nach dem Nyquist-Shannon-Abtasttheorem erforderlich ist.
Aus diesen neuen Funktionen und Technologien ergeben sich auch mehrere Herausforderungen, darunter die genaue dynamische Strahlverfolgung mit Benutzerbewegungen, der Trend zu heterogenen Geräten wie Smartphones, IoT-Geräten, Wearables, Sensoren, AR/VR usw. sowie die Notwendigkeit verbesserte Energieeffizienz. Für Verbesserungen der Funkerfassung und Kommunikation ist die Kanalmodellierung mit deterministischen Raytracing-Ansätzen aufgrund der räumlichen Konsistenz solcher Modelle von entscheidender Bedeutung.
6G eröffnet spannende Möglichkeiten für verschiedene Branchen, darunter Transport, Gesundheit, Industrie, Landwirtschaft, Robotik und unbemannte Luftfahrzeuge (UAVs) und andere. Beispielsweise könnte autonomes und kooperatives Fahren von der rechnerischen Auslagerung der Objekterkennung in die Randwolke profitieren, was den Austausch von Ergebnissen zwischen Fahrzeugen ermöglichen würde, um deren Sichtfeld zu erweitern. Um solch große Mengen an Kamera-, Radar- und LIDAR-Daten zu übertragen, sind jedoch neue Konzepte erforderlich, um die KPIs für solche Anwendungsfälle zu erfüllen. Die Lösung könnte semantische Kommunikation und zielorientierte Kommunikation sowie höhere Frequenzen für die lokale Abdeckung und eine verbesserte Kommunikationsleistung umfassen. Darüber hinaus könnten Automotive-Radarfunktionen mit JCAS in 6G integriert werden, wodurch dedizierte Radarsensoren überflüssig werden.
- https://www.rfwireless-world.com/Terminology/5G-KPIs-vs-6G-KPIs.html
- M. Noor-A-Rahim u. a., „6G for Vehicle-to-Everything (V2X) Communications: Enabling Technologies, Challenges, and Opportunities“, arXiv:2012.07753 [cs, math], Dez. 2020, Zugegriffen: 24. November 2021. [Online]. Verfügbar unter: http://arxiv.org/abs/2012.07753
- Z. Zhang u. a., „6G Wireless Networks: Vision, Requirements, Architecture, and Key Technologies“, IEEE Vehicular Technology Magazine, Bd. 14, Nr. 3, S. 28–41, Sep. 2019, doi: 10/gf6r62.
- P. Yang, Y. Xiao, M. Xiao, und S. Li, „6G Wireless Communications: Vision and Potential Techniques“, IEEE Network, Bd. 33, Nr. 4, S. 70–75, Juli 2019, doi: 10/ggjdtp.
- D. Pérez-Adán, Ó. Fresnedo, J. P. González-Coma, und L. Castedo, „Intelligent Reflective Surfaces for Wireless Networks: An Overview of Applications, Approached Issues, and Open Problems“, Electronics, Bd. 10, Nr. 19, Art. Nr. 19, Jan. 2021, doi: 10.3390/electronics10192345.
- Q. Lan u. a., „What is Semantic Communication? A View on Conveying Meaning in the Era of Machine Intelligence“, arXiv:2110.00196 [cs, eess, math], Sep. 2021, Zugegriffen: 8. April 2022. [Online]. Verfügbar unter: http://arxiv.org/abs/2110.00196
