简介：3GPP TR 38.901-e30 是面向5G NR研究与标准制定人员的信道模型技术报告，聚焦0.5至100 GHz频段内信号传播特性的建模方法，为无线通信系统仿真、链路预算与设备研发提供统一参考框架。报告系统梳理了城市、郊区、农村及室内外等场景下的信道分类，并深入讨论多径传播、空间衰落、多普勒效应与信道状态信息获取等关键议题，同时给出测量与仿真验证方法，适合通信工程师、标准研究者及高校相关方向师生查阅。资源包共1个doc文件，约5.88MB，内容为报告正文文档，便于离线阅读与检索。目前已有1613人学习下载，可作为理解5G毫米波信道特性、开展系统级仿真与标准对齐的实用参考资料。
1. 一份“不应被用于实施”的报告，为什么成了 5G 物理层仿真的地基
翻开 3GPP TR 38.901 的扉页，有一句让不少人心里打鼓的话：本报告未经组织伙伴正式批准，不应被用于实施。可现实是，几乎所有做 5G NR 链路级仿真的团队，第一件事就是把它打印出来或者塞进阅读器。这份文档覆盖 0.5 到 100 GHz 的信道模型，把毫米波频段里信号怎么衰减、怎么反射、怎么被人体和车辆挡住，全部写成了可复现的数学流程。它解决的不是“标准怎么规定”，而是“在标准落地之前，我们怎么用一套公认的模型去比较不同物理层方案的优劣”。搞懂它的底层机制，你才能明白仿真里那些看起来玄学的参数到底从哪来，也才能在结果翻车时知道该去查哪一节。
2. 从坐标系到天线端口：信道模型的第一层抽象
2.1 为什么先讲坐标系，而不是先讲路径损耗
很多人拿到这份报告直接翻到路径损耗那一节，抄几个公式就开始跑仿真，结果天线阵列的方向图怎么都对不上。问题往往出在最前面：坐标系没统一。TR 38.901 在第 7.1 节花了大量篇幅定义全局坐标系（GCS）和局部坐标系（LCS），以及两者之间的变换。这不是数学洁癖，而是因为信道模型里的角度参数——方位角、俯仰角——必须有一个共同的参考系，否则基站和终端各自算出来的到达角根本不在一个空间里。
常见的实现思路是：每个天线阵列先在自己的 LCS 里定义阵元位置和极化方向，然后通过一个旋转矩阵变换到 GCS。报告里给出的变换包括仅俯仰角倾斜的情况，这对应实际部署中天线 downtilt 的调整。如果你在仿真里忽略了这一步，天线增益的方向性就会错位，MIMO 容量曲线会莫名其妙地偏低。我一般会这么理解：坐标系变换是信道模型的“地基”，地基歪了，上面盖的簇、射线、多普勒全是歪的。
2.2 天线建模：端口映射与极化，决定了 MIMO 仿真的自由度
第 7.3 节把天线建模拆成两块：天线端口映射和极化天线建模。端口映射解决的是“逻辑端口到物理阵元”的对应关系，极化建模解决的是“两个正交极化分量怎么合成”。在 NR 里，基站侧常用双极化天线阵列，每个极化方向对应一组端口。报告给出的极化模型用一个角度参数描述两个极化分支之间的功率分配和相位关系，这个参数直接影响了交叉极化比。
为什么这件事值得单独拎出来说？因为很多仿真代码把天线简化为全向辐射，然后抱怨信道模型跑出来的空间相关性不对。实际上，TR 38.901 的 fast fading 模型里，簇的出发角和到达角是跟天线阵列几何强耦合的。你用什么极化、阵元间距多少、downtilt 几度，都会改变最终合成的信道矩阵。报告没有规定你必须用哪种天线，但它给了你一套描述方法，让你在比较不同天线配置时有一个共同的基准。这就是“模型”和“实现”的区别：模型定义描述语言，实现决定具体参数。
2.3 路径损耗与穿透损耗：分段建模背后的工程妥协
第 7.4 节是整份报告里被引用最多的部分之一。路径损耗模型按场景分成了 UMa、UMi、RMa、Indoor 等几类，每一类又区分 LOS 和 NLOS。频率范围从 0.5 GHz 一直延伸到 100 GHz，公式里出现了频率项的幂次修正。这里有一个容易被忽略的设计动机：高频段的大气吸收和穿透损耗不能用低频段的经验公式外推，所以报告单独定义了 O2I（室外到室内）的建筑穿透损耗和车辆穿透损耗。
建筑穿透损耗模型把墙体损耗和室内损耗分开，还引入了入射角的影响。车辆穿透损耗则考虑了车窗和车体的不同衰减。这些分段不是拍脑袋，而是基于测量数据的拟合。常见的实现思路是：先根据场景选对应的路径损耗公式，再叠加阴影衰落（对数正态分布），最后根据是否 O2I 决定要不要加穿透损耗。如果你在仿真里把 O2I 损耗当成一个常数加进去，忽略了角度依赖性，那么在高频段、大入射角的情况下，你的链路预算会偏乐观。血泪经验是：路径损耗这一节一定要对着场景表逐项核对，别拿一个公式套所有情况。
3. Fast fading 模型：簇、射线与空间一致性怎么串起来
3.1 簇和射线：从统计信道到确定性几何的折中
第 7.5 节的 fast fading 模型是整个报告的核心。它的基本结构是：信道由若干个簇（cluster）组成，每个簇里又包含若干条射线（ray），每条射线有自己的时延、功率、出发角和到达角。簇的数量、时延扩展、角度扩展都是按场景统计出来的随机变量。这种“簇-射线”结构是一种折中：纯统计模型（比如相关矩阵模型）计算量小但缺乏空间分辨率，纯射线追踪模型精度高但计算量大且依赖环境数据库。TR 38.901 选择在两者之间取一个平衡点，用统计方法生成簇和射线的参数，再用几何方法合成信道冲激响应。
报告里给出了详细的生成流程：先根据场景确定 LOS/NLOS 状态，再生成路径损耗和大尺度参数，然后生成簇的时延和功率，接着生成每个簇内射线的角度，最后合成信道系数。这个流程里每一步都有对应的随机变量和分布假设。如果你只抄了最后的合成公式，跳过了前面的随机过程，跑出来的信道会缺乏真实的统计特性。我一般会这么理解：fast fading 模型的精髓不在那个求和公式，而在前面那一串随机变量的生成顺序和相关性。
3.2 空间一致性：为什么相邻位置的信道不能独立生成
第 7.6.3 节的空间一致性是这份报告里比较容易被低估的部分。简单说，它要求信道在空间上是连续的：两个靠得很近的终端，它们的信道参数不应该完全独立，而应该有一定的相关性。这个特性在仿真里很重要，因为很多物理层技术（比如大规模 MIMO 的预编码、移动性管理）依赖于信道在时间和空间上的平滑变化。如果每个 drop 都独立生成信道，仿真结果会过于乐观或过于悲观。
报告给出的空间一致性流程包括：定义一致性区域、在区域内生成相关的簇参数、处理 LOS/NLOS 状态和 O2I 参数的平滑过渡。常见的实现思路是用一个相关距离来控制参数的插值。这里有一个坑：空间一致性不是简单地对最终信道矩阵做滤波，而是要对生成信道的随机变量做相关处理。如果你在信道系数层面做平滑，可能会破坏功率归一化。踩坑记录里经常看到的现象是：加了空间一致性之后，平均接收功率偏离了路径损耗模型的预期值，原因就是平滑操作没有保持功率守恒。
3.3 阻塞模型：人体和车辆遮挡的两种建模思路
第 7.6.4 节给出了两种阻塞模型。模型 A 基于随机几何，用一组随机分布的阻塞物（比如人体、车辆）来计算遮挡概率和衰减。模型 B 则更简化，用统计方法直接给出阻塞导致的额外损耗。两种模型的选择取决于仿真精度和计算量的权衡。模型 A 适合需要精细空间一致性的场景，模型 B 适合大规模系统级仿真。
这里的设计动机很实际：在毫米波频段，人体和车辆遮挡是链路中断的主要原因之一。如果仿真里不考虑阻塞，你会高估覆盖范围。但精确建模每个阻塞物的位置和运动又太贵。报告给出两种模型，实际上是给了你一个旋钮：往左拧是精度，往右拧是速度。我一般会这么理解：阻塞模型的选择应该跟你的仿真目标匹配，做链路级评估用模型 A，做系统级覆盖分析用模型 B，别拿一个模型打天下。
4. CDL 与 TDL：链路级仿真的轻量级入口
4.1 为什么需要 CDL 和 TDL，而不是直接用 fast fading 模型
第 7.7 节给出了 clustered delay line（CDL）和 tapped delay line（TDL）模型。这两个模型可以理解为 fast fading 模型的“降维版本”。CDL 预设了若干组固定的簇参数（时延、功率、角度），你直接拿来用就行，不需要每次生成随机簇。TDL 则进一步简化，只保留时延和功率，不包含角度信息。为什么需要它们？因为链路级仿真往往要跑成千上万次，每次都用完整的 fast fading 生成流程太慢。CDL 和 TDL 提供了一种可复现、计算量小的替代方案，适合做算法性能的快速对比。
报告里给出了 CDL-A 到 CDL-E 以及 TDL-A 到 TDL-E 的具体参数表。这些字母代号对应不同的时延扩展和角度扩展组合。常见的实现思路是：先用 CDL 做初步验证，确认算法在典型信道下的性能，再用完整的 fast fading 模型做精细评估。如果你直接用 CDL 的结论去推断实际部署性能，可能会忽略空间一致性、阻塞等效应。CDL 是入口，不是终点。
4.2 角度缩放与相关矩阵：CDL/TDL 的扩展用法
第 7.7.5 节给出了 CDL 和 TDL 的扩展方法。CDL 扩展是角度缩放，通过一个缩放因子调整簇的角度扩展，用来匹配不同的天线配置。TDL 扩展是施加相关矩阵，把空间相关性注入到原本没有角度信息的 TDL 模型里。这两个扩展的设计动机是：CDL 和 TDL 本身是“固定”的，但实际仿真需要一定的灵活性。角度缩放让你在不改变簇结构的前提下调整空间特性，相关矩阵让你在 TDL 上模拟 MIMO 效果。
这里有一个参数说明值得注意：角度缩放因子不是越大越好。缩放过度会导致角度扩展超出物理合理范围，合成信道的空间相关性会失真。我一般会这么理解：CDL/TDL 的扩展是“调味料”，不是“主菜”。主菜还是第 7.5 节的完整模型，扩展只是让你在快速仿真时有一点调整空间。
5. 避坑与排查：信道模型仿真里最容易翻车的几件事
5.1 现象：仿真得到的路径损耗比链路预算低很多
原因：场景选错了，或者 LOS/NLOS 状态判断逻辑有误。TR 38.901 的路径损耗公式对场景和 LOS 状态非常敏感，UMa 的 LOS 和 NLOS 公式差异很大。另外，O2I 穿透损耗如果漏加，室内用户的接收功率会虚高。
解决：先打印出每次 drop 的场景标签和 LOS 状态，跟报告第 7.4 节的场景表逐项核对。O2I 场景要确认穿透损耗是否按入射角计算，而不是用一个常数。
5.2 现象：MIMO 容量曲线在高频段异常偏高
原因：天线极化建模被简化成了全向辐射，或者交叉极化比参数没设对。高频段的天线阵列通常尺寸小、阵元多，极化效应对空间相关性影响很大。忽略极化会导致信道矩阵的条件数偏小，容量被高估。
解决：检查天线端口映射和极化模型是否按第 7.3 节实现。确认交叉极化比参数与你的天线配置匹配。如果用的是 CDL 模型，检查角度缩放因子是否合理。
5.3 现象：加了空间一致性之后，接收功率不守恒
原因：在信道系数层面做平滑，而不是在随机变量层面做相关处理。平滑操作改变了信道系数的幅度分布，导致平均功率偏离路径损耗模型的预期。
解决：按第 7.6.3 节的流程，在簇参数生成阶段引入空间相关性，而不是对最终信道矩阵做滤波。平滑前后要检查功率归一化，确保每个 drop 的总功率与路径损耗一致。
5.4 现象：阻塞模型跑出来的中断概率跟实测对不上
原因：阻塞物的密度或尺寸参数设置不合理，或者模型 A 和模型 B 混用。模型 A 的阻塞物分布是随机的，参数需要根据场景校准。模型 B 的统计参数也有适用范围。
解决：先确认你的仿真目标适合哪种模型。链路级评估用模型 A，系统级用模型 B。参数校准要参考报告给出的典型值，不要随意放大或缩小阻塞物密度。
5.5 现象：CDL 模型的仿真结果跟完整模型差异很大
原因：CDL 是固定簇参数，缺乏随机性和空间一致性。如果你的算法依赖信道的随机变化或空间平滑性，CDL 会给出误导性的结论。
解决：把 CDL 当作快速验证工具，最终结论要用第 7.5 节的完整 fast fading 模型确认。如果必须用 CDL，至少用角度缩放和相关矩阵扩展来增加一点灵活性，并在结论里注明模型限制。
6. 设计取舍：为什么这份报告选择“统计+几何”的混合路线
走到这里，可以回头看看 TR 38.901 的整体设计哲学。它没有选择纯射线追踪，因为射线追踪需要精确的环境数据库，而 3GPP 的评估场景是统计意义上的典型环境，不是某个具体城市。它也没有选择纯统计模型，因为纯统计模型无法描述大规模 MIMO 和毫米波频段的空间特性。最终它选择了一条混合路线：用统计方法生成簇和射线的参数，用几何方法合成信道。这个取舍的代价是模型复杂度高、参数多，但换来的是在广泛场景下的可复现性和可比性。
一个值得思考的验证方法是：拿同一组参数分别跑 CDL 和完整 fast fading 模型，比较两者的二阶统计量（时延扩展、角度扩展、空间相关性）。如果差异在可接受范围内，说明你的完整模型实现没有大问题。另一个方法是做链路预算的闭环验证：用路径损耗模型算出的平均接收功率，应该跟 fast fading 模型跑出来的长时间平均功率吻合。如果不吻合，大概率是功率归一化或穿透损耗出了问题。
我自己的习惯是：每次搭一个新的仿真链路，先跑一遍第 7.4 节的路径损耗和阴影衰落，确认大尺度特性对得上，再往上叠 fast fading 和天线模型。这个顺序不能反，反了就会在细节里迷失。从那以后我每次改信道模型参数，都强制走一遍“路径损耗→LOS 状态→簇参数→天线合成”的检查链，少一步都可能埋雷。希望帮到你。
本文还有配套的精品资源，点击获取
