💻 computer science

Integrated Sensing and Communications for Unsourced Random Access: Fundamental Limits

Diese Arbeit leitet fundamentale Grenzen für ein integriertes Sensing-und-Kommunikationssystem (UNISAC) mit einer großen Anzahl unkoordinierter Nutzer ab, das es ermöglicht, Nachrichten zu dekodieren und gleichzeitig aktive Sensornutzer sowie deren Einfallsrichtungen zu detektieren, und zeigt dabei die Überlegenheit gegenüber herkömmlichen Zugriffsverfahren auf.

Ursprüngliche Autoren: Mohammad Javad Ahmadi, Rafael F. Schaefer, H. Vincent Poor

Veröffentlicht 2026-04-21

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Mohammad Javad Ahmadi, Rafael F. Schaefer, H. Vincent Poor

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

📡 Das große Chaos im Funkverkehr: Eine neue Lösung für 6G

Stellen Sie sich vor, Sie stehen auf einem riesigen, überfüllten Marktplatz. Tausende von Menschen (die Nutzer) wollen gleichzeitig etwas tun:

Einige wollen einem Freund eine Nachricht schicken (Kommunikation).
Andere wollen nur ihre Position bekannt geben, damit man weiß, wo sie stehen, aber sie wollen keine Nachricht senden (Sensoren/Objekte).

Das Problem: Alle schreien gleichzeitig in die gleiche Richtung. Niemand hat einen Terminplan (keine Scheduling), und niemand weiß, wer genau wer ist. Das ist wie ein riesiges Durcheinander, bei dem man kaum noch etwas versteht. Das ist das Szenario, das diese Wissenschaftler untersuchen: Massive Ungeordnete Zufallszugriffe (Unsourced Random Access).

🚦 Die alten Methoden (und warum sie scheitern)

In der Vergangenheit gab es drei Hauptversuche, dieses Chaos zu ordnen:

Der „Terminplan"-Ansatz (TDMA): Jeder bekommt eine eigene Minute Zeit.
- Das Problem: Wenn 10.000 Leute auf dem Platz sind, dauert es ewig, bis jeder dran ist. Es ist zu langsam.
Der „Jeder schreit einfach"-Ansatz (ALOHA): Jeder redet, wann er will.
- Das Problem: Wenn zwei Leute gleichzeitig reden, versteht man gar nichts mehr (Kollision). Bei vielen Leuten ist das Chaos perfekt.
Der „Ignorier-anschein"-Ansatz (TIN): Man hört zu, aber alles, was nicht von deinem Freund kommt, wird als Lärm behandelt.
- Das Problem: Bei so vielen Leuten ist der Lärm so laut, dass man den Freund gar nicht mehr hört.

🎩 Die neue Zaubertrick-Lösung: UNISAC

Die Autoren (Ahmadi, Schaefer und Poor) schlagen eine neue Methode vor, die sie UNISAC nennen. Stellen Sie sich das wie einen genialen Detektiv vor, der auf dem Marktplatz steht.

Wie funktioniert der Trick?

Ein gemeinsames Buch (Der Code): Alle Teilnehmer haben Zugriff auf ein riesiges Buch mit tausenden von Seiten.
- Die Leute, die eine Nachricht senden wollen, wählen zufällig eine Seite aus dem ersten Teil des Buches.
- Die Sensoren (die nur ihre Position melden) wählen eine Seite aus dem zweiten Teil.
- Wichtig: Niemand meldet sich vorher an. Sie wählen einfach eine Seite und schreien ihren „Code" heraus.
Der Detektiv am Empfang (Die Basisstation):
- Der Detektiv hört nur ein riesiges Gemurmel. Aber er hat ein Super-Ohr (eine Antennen-Array mit vielen Elementen, wie ein großes Netz).
- Er weiß: „Wenn ich dieses spezifische Muster höre, kommt es von Person A. Wenn ich jenes Muster höre, ist es Person B."
- Das Geniale: Er muss nicht wissen, wer Person A ist (Name, Adresse). Er muss nur wissen, dass Person A da ist und was sie gesagt hat. Das spart enorm viel Zeit und Energie.
Zwei Aufgaben gleichzeitig:
- Nachrichten entziffern: Der Detektiv filtert die Nachrichten der Kommunikationsnutzer heraus.
- Positionen finden: Gleichzeitig nutzt er die Richtung, aus der die Signale kommen (wie ein Radar), um zu berechnen, wo die Sensoren stehen. Er kann also sehen, wo die Leute sind, während er liest, was sie sagen.

📉 Warum ist das besser?

Die Autoren haben mathematisch bewiesen (und am Computer simuliert), dass dieser neue Detektiv-Trick viel besser funktioniert als die alten Methoden, besonders wenn sehr viele Leute gleichzeitig aktiv sind.

Weniger Kollisionen: Weil die Codes so clever gewählt sind, überlagern sie sich nicht so stark wie beim alten „Jeder schreit"-Ansatz.
Bessere Ortung: Durch die vielen Antennen kann der Detektiv die Richtung der Signale viel genauer bestimmen als bei den alten Methoden.
Effizienz: Es wird keine Zeit für Terminpläne verschwendet. Die Leute senden einfach los, und der Detektiv sortiert es im Nachhinein.

🎯 Das Fazit in einem Satz

Statt zu versuchen, jeden einzelnen Schreier auf dem Marktplatz einzeln zu beruhigen und zu terminieren, baut man einen intelligenten Filter, der aus dem riesigen Lärm genau die richtigen Botschaften und Positionen herausfiltert – und das alles gleichzeitig, ohne dass sich die Leute vorher abstimmen müssen.

Das ist der Schlüssel für das 6G-Netz der Zukunft, wo Millionen von kleinen Geräten (von Smartwatches bis zu autonomen Autos) gleichzeitig kommunizieren und ihre Umgebung „fühlen" müssen, ohne das System zu überlasten.

1. Problemstellung

Das Paper adressiert die Herausforderung, Integrierte Sensorik und Kommunikation (ISAC) in Szenarien mit einer massiven Anzahl von unadressierten (unsourced) und unkoordinierten Benutzern zu realisieren.

Kontext: Im herkömmlichen Unsourced Random Access (URA) senden eine große Anzahl von Geräten sporadisch Daten an eine Basisstation (BS), ohne vorherige Terminierung oder Scheduling. Die BS muss die übertragenen Nachrichten decodieren, ohne die Identität des Senders zu kennen.
Erweiterung: Mit dem Aufkommen von 6G-Netzen wird die gleichzeitige Durchführung von Sensorik (z. B. Objekterkennung, Winkelbestimmung) neben der Kommunikation gefordert.
Herausforderung: Da alle aktiven Kommunikations- und Sensing-Benutzer gleichzeitig dasselbe kurze Rahmenformat (Frame) nutzen, entsteht eine massive Interferenz. Die Aufgabe besteht darin, die Nachrichten der Kommunikationsnutzer zu decodieren und gleichzeitig die Anwesenheit sowie die Ankunftsrichtung (Angle of Arrival, AOA) der Sensing-Nutzer zu schätzen, ohne deren Identität zu kennen.

2. Methodik und Systemmodell

Die Autoren schlagen ein neues Modell namens UNISAC (Unsourced Integrated Sensing and Communications) vor.

Systemaufbau:
- Eine Basisstation mit einem Uniform Linear Array (ULA) aus $M$ Antennenelementen.
- Zwei Arten von Nutzern: Kommunikationsnutzer (senden Bitsequenzen) und Sensing-Nutzer (Objekte, die Signale reflektieren oder senden, aber keine Nutzdaten übertragen).
- Beide nutzen denselben Codebook-basierten Rahmen der Länge $n$ .
- Kommunikationsnutzer wählen Zeilen aus dem ersten Teil des Codebooks ( $2^{B_c}$ Optionen), Sensing-Nutzer aus dem zweiten Teil ( $2^{B_s}$ Optionen).
Signalmodell: Das empfangene Signal $Y$ ist eine Überlagerung aller aktiven Signale (gesteuert durch steering-Vektoren $\mathbf{b}_{\theta_j}$ , die von der AOA $\theta_j$ abhängen) plus Gaußsches Rauschen.
Ziele des Empfängers:
1. Decodierung der Bitsequenzen aktiver Kommunikationsnutzer.
2. Detektion der Anwesenheit aktiver Sensing-Nutzer und Schätzung ihrer AOAs.
Fehlermetriken:
- Per-User Probability of Error (PUPE, $\epsilon$ ): Kombiniert Fehler durch Nichterkennung (Misdetection), Kollisionen (Collision) und falsche Decodierung.
- Mittlerer quadratischer Fehler der AOA-Schätzung (MSE $_{AOA}$ , $\Delta$ ): Für erfolgreich detektierte Sensing-Nutzer.

3. Hauptbeiträge und theoretische Ergebnisse

Das Paper leitet approximierbare erreichbare Grenzen (Achievable Bounds) für die Leistung des UNISAC-Systems ab.

Fehlerwahrscheinlichkeit (Proposition 1):
Es wird eine obere Schranke für die Gesamtfehlerwahrscheinlichkeit $\epsilon$ hergeleitet, die sich aus drei Komponenten zusammensetzt:
1. $P_{cons}$ : Wahrscheinlichkeit, dass die Leistungsgrenzen verletzt werden.
2. $P_{coll}$ : Wahrscheinlichkeit von Kollisionen (wenn mehrere Nutzer dasselbe Codewort wählen).
3. $P_{md}$ : Wahrscheinlichkeit des Nichterkennens (Misdetection).
  Die Analyse nutzt randomisierte Codebücher und die Chernoff-Schranke, um die Wahrscheinlichkeit zu begrenzen, dass ein falscher Signalvektor als korrekt erkannt wird.
AOA-Schätzung:
Die Autoren verwenden einen Least-Squares (LS)-Schätzer für die steering-Vektoren und leiten eine obere Schranke für den MSE $_{AOA}$ ab. Die Schätzung basiert auf der Analyse des Rauschanteils nach der Projektion auf den Nullraum der detektierten Signale.
Vergleichsmodelle:
Die Leistung von UNISAC wird gegen konventionelle Ansätze verglichen:
- TDMA: Zeitliche Trennung der Nutzer.
- TIN (Treat Interference as Noise): Interferenz wird als Rauschen behandelt.
- MUSIC: Ein klassischer Algorithmus zur Richtungsfindung, hier in einem TDMA-Kontext angewendet.
- ALOHA: Zufällige Zugriffsverfahren.

4. Numerische Ergebnisse

Die Simulationen wurden unter folgenden Bedingungen durchgeführt: $B_c = 100$ Bit, $M = 5$ Antennen, $n = 5000$ Kanalnutzung. Zielwerte waren $\epsilon_0 = 0.1$ und $\Delta_0 = 5 \times 10^{-4}$ .

Energieeffizienz (Fig. 3):
UNISAC benötigt bei einer hohen Anzahl aktiver Nutzer signifikant weniger Energie pro Bit ( $E/N_0$ ) als TDMA, TIN, ALOHA oder TDMA-MUSIC, um die Ziel-Qualität zu erreichen.
- Gründe für das Versagen der anderen Modelle: TDMA-MUSIC scheitert, wenn die Anzahl der Sensing-Nutzer die Anzahl der Antennen übersteigt. ALOHA und TIN leiden unter massiven Kollisionen und hoher Interferenz.
- Vorteil von UNISAC: Durch die gemeinsame Nutzung des Rahmens und die spezielle Decodierstrategie werden Kollisionen besser bewältigt und Interferenz reduziert.
AOA-Schätzung (Fig. 4):
Die erzielbare Genauigkeit der AOA-Schätzung (MSE $_{AOA}$ ) verbessert sich mit der Anzahl der Antennenelemente $M$ . Die Differenz zwischen der theoretisch erreichbaren Grenze und der optimistischen Untergrenze ist gering, was auf einen engen Kapazitätsbereich für die Schätzung hindeutet.

5. Bedeutung und Fazit

Skalierbarkeit: UNISAC bietet eine Lösung für massive IoT-Netze, in denen Scheduling und Identifikation zu viel Overhead verursachen würden.
Synergie: Das Paper zeigt, dass Sensorik und Kommunikation nicht nur koexistieren, sondern sich in einem unadressierten Random-Access-Szenario gegenseitig unterstützen können, ohne die Leistung zu beeinträchtigen.
Fundamentale Grenzen: Die hergeleiteten Grenzen dienen als Benchmark für zukünftige Algorithmen im Bereich 6G und ISAC.
Praktische Relevanz: Die Ergebnisse belegen, dass ein gemeinsames Design von Sensorik und Kommunikation in unkoordinierten Umgebungen effizienter ist als die getrennte Behandlung dieser Aufgaben.

Zusammenfassend demonstriert das Paper, dass das UNISAC-Modell durch die gemeinsame Verarbeitung von Kommunikations- und Sensing-Signalen in einem unadressierten Zugriffsszenario eine überlegene Energieeffizienz und Zuverlässigkeit bietet, insbesondere bei einer hohen Dichte an aktiven Nutzern.