Distortion Is Not Noise: On the Limits of the Kappa Model for Monostatic ISAC

Die Arbeit widerlegt die Annahme, dass Verzerrungen im monostatischen ISAC als Rauschen modelliert werden müssen, und zeigt durch die Herleitung PA- und PN-bewusster Cramér-Rao-Schranken, dass die herkömmliche Kappa-Modellierung die Sensingleistung pessimistisch überschätzt, wobei Simulationen eine robuste Leistung trotz praktischer DPD-Fehler belegen.

Das Wesentliche

Hier ist eine einfache Erklärung der wissenschaftlichen Arbeit, übersetzt in eine Geschichte mit alltäglichen Vergleichen.

Das große Missverständnis: Wenn der Sender sein eigenes Echo kennt

Stellen Sie sich vor, Sie stehen in einer großen Halle und schreien etwas hinein, um zu messen, wie weit die Wand entfernt ist (das ist Radar/Sensoren). Gleichzeitig wollen Sie jemandem im Raum eine Nachricht zuflüstern (das ist Kommunikation).

Das Problem: Ihr Mund (der Sender) ist nicht perfekt. Wenn Sie laut schreien, verzerrt sich Ihre Stimme ein wenig (durch den Verstärker). Und Ihr Gehör ist nicht ganz ruhig; es zittert leicht (durch Phasenrauschen).

In der Welt der Funktechnik gab es bisher eine vereinfachte Regel (das sogenannte $\kappa$-Modell):

"Wenn das Signal verzerrt ist, behandeln wir die Verzerrung einfach als lautes, unbekanntes Rauschen, das wir nicht kontrollieren können."

Das ist wie bei einem Funkempfänger, der weit weg ist und nicht weiß, was Sie ursprünglich gesagt haben. Für ihn ist die Verzerrung tatsächlich nur störendes Rauschen.

Aber hier ist der Clou der neuen Studie:
Bei einem monostatischen System (wie einem Autolaser oder einer Basisstation, die sendet und empfängt) sitzt der Sender und der Empfänger am gleichen Ort. Der Sender weiß genau, was er gesendet hat – auch in seiner verzerrten Form!

Die Forscher sagen: "Warum behandeln wir die Verzerrung als böses Rauschen, wenn wir genau wissen, wie sie aussieht? Wir können sie einfach 'herausrechnen'!"

---

Die zwei Hauptakteure: Der laute Schreier und der zitternde Kopf

Die Studie untersucht zwei Arten von "Fehlern" im System und zeigt, dass sie völlig unterschiedliche Probleme verursachen:

1. Der laute Schreier (Der Leistungsverstärker / PA)

Stellen Sie sich einen Lautsprecher vor, der bei hoher Lautstärke verzerrt.

• Das alte Modell ($\kappa$): Sagte: "Oh nein, bei hoher Lautstärke ist das Signal so verzerrt, dass wir gar nichts mehr messen können. Wir müssen die Lautstärke drosseln."
• Die neue Erkenntnis: Da der Sender weiß, wie der Lautsprecher verzerrt, kann er das Echo trotzdem perfekt analysieren. Die Verzerrung ist kein Rauschen, sondern ein bekannter Teil des Signals.
• Das Ergebnis: Für das Radar (das Messen) macht die Verzerrung fast nichts aus (weniger als 1 dB Verlust). Aber für die Kommunikation (den Empfänger, der nicht weiß, wie der Lautsprecher verzerrt) ist es ein echtes Problem.
• Vergleich: Es ist wie ein Sänger, der sich selbst hört. Wenn er schief singt, weiß er, dass er schief singt und kann es korrigieren. Ein Zuschauer im Publikum (der Kommunikationsempfänger) hört nur das Schiefgesang und findet es schrecklich.

2. Der zitternde Kopf (Das Phasenrauschen / PN)

Stellen Sie sich vor, Sie versuchen, eine Uhrzeit zu lesen, aber Ihr Kopf zittert unkontrolliert.

• Das Problem: Dieses Zittern (Phasenrauschen) vermischt sich mit der Geschwindigkeit des Ziels. Wenn Sie messen wollen, wie schnell ein Auto fährt, verdeckt Ihr eigenes Zittern die wahre Geschwindigkeit.
• Die neue Erkenntnis: Es gibt eine unvermeidbare Grenze. Egal wie laut Sie schreien (wie viel Signalstärke Sie haben), irgendwann hilft das nur noch nicht mehr. Das Zittern Ihres Kopfes setzt eine "Bodenplatte" für die Genauigkeit.
• Das Ergebnis: Bei sehr hoher Signalstärke stößt die Geschwindigkeitsmessung an eine Wand. Man kann nicht unendlich genau werden, solange der "Kopf" (der Oszillator) zittert.

---

Die große Entdeckung: Zwei getrennte Welten

Die Forscher haben eine Art "Bauplan" für die Zukunft entwickelt. Sie zeigen, dass man zwei Dinge unabhängig voneinander optimieren kann:

1. Für die Kommunikation brauchen Sie einen perfekten Lautsprecher (linearen Verstärker). Wenn der Lautsprecher verzerrt, ist die Nachricht für den Empfänger unlesbar.
2. Für das Radar brauchen Sie einen ruhigen Kopf (stabilen Oszillator). Wenn der Kopf zittert, können Sie die Geschwindigkeit nicht messen.

Die Analogie:
Stellen Sie sich vor, Sie bauen ein Auto.

• Früher dachte man: "Wir müssen den Motor perfekt machen, damit sowohl die Fahrt als auch die Navigation funktionieren."
• Die Studie sagt: "Nein! Der Motor (Verstärker) ist nur wichtig, damit der Fahrer (Kommunikation) die Musik gut hört. Die Navigation (Radar) braucht aber eine ruhige Hand (Oszillator), damit der Kompass nicht verrückt spielt."

Man kann also den Motor etwas "schlaffer" laufen lassen (um Energie zu sparen), solange die Navigation stabil ist. Und man kann die Navigation perfekt machen, auch wenn der Motor etwas knattert.

Zusammenfassung in einem Satz

Die Studie beweist, dass die alten Modelle zu pessimistisch waren: Weil der Sender sein eigenes Signal kennt, ist die Verzerrung für das Radar kein Problem, sondern nur für die Kommunikation. Und das wahre Problem für das Radar ist nicht die Verzerrung, sondern das Zittern der Hardware, das eine absolute Grenze für die Genauigkeit setzt.

Das Gute daran: Ingenieure können jetzt Hardware sparen und Systeme effizienter bauen, indem sie wissen, welche Komponente für welche Aufgabe wirklich wichtig ist.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Distortion Is Not Noise: On the Limits of the Kappa Model for Monostatic ISAC" auf Deutsch:

1. Problemstellung

Integrierte Sensorik und Kommunikation (ISAC) ist ein Schlüsselkonzept für zukünftige drahtlose Systeme. Ein zentrales praktisches Hindernis sind Hardware-Imperfektionen (HWI), insbesondere die Nichtlinearität von Leistungsverstärkern (PA) und Phasenrauschen (PN) von Oszillatoren.

Bisherige Arbeiten modellieren diese Imperfektionen meist durch das aggregierte $\kappa$-Verzerrungsmodell (Bussgang-Decomposition). Dieses Modell behandelt die Verzerrungen als additives, unbekanntes Rauschen ($z = \sqrt{1-\kappa^2}x + \eta$).

• Das Kernproblem: Dieses Modell ist für die Kommunikation angemessen, da der Empfänger die ursprüngliche gesendete Nachricht nicht kennt. Für monostatische ISAC-Sensoren (bei denen Sender und Empfänger am selben Ort sind) ist dieses Modell jedoch zu pessimistisch und physikalisch inkorrekt. Der Sender kennt seine eigene verzerrte Wellenform $Z[k,m]$ (durch digitale Vorverzerrung oder Rückkopplung), kann diese also als deterministische Größe nutzen, anstatt sie als unbekanntes Rauschen zu behandeln.
• Folge: Die Anwendung des $\kappa$-Modells auf die Sensorik führt zu einer massiven Überschätzung der Leistungsverschlechterung und ignoriert physikalische Grenzen wie einen irreduziblen Geschwindigkeitsfehler.

2. Methodik

Die Autoren entwickeln einen physikbasierten Ansatz, der die bekannten Eigenschaften der verzerrten Wellenform explizit in die Cramér-Rao-Schranken (CRB) integriert.

• Systemmodell: Ein monostatisches OFDM-ISAC-System mit PA-Nichtlinearität (modelliert durch das Rapp-Modell) und Phasenrauschen (Wiener-Prozess).
• PA-Analyse: Da die verzerrte Wellenform $Z[k,m]$ am Empfänger bekannt ist, wird die Fisher-Information (FI) unter Verwendung des Slepian-Bangs-Formalismus berechnet, wobei $Z$ statt $x$ als bekannte Signalform dient.
• Phasenrauschen-Analyse: Es wird ein erweiterter FI-Ansatz (Augmented FIM) verwendet, um den Einfluss des Phasenrauschens auf die Doppler-Schätzung zu modellieren. Dabei wird das Phasenrauschen als Zufallsvariable mit einer A-priori-Verteilung behandelt.
• Vergleich: Die neuen physikbasierten Schranken werden direkt mit den Schranken verglichen, die unter der Annahme des $\kappa$-Modells (Verzerrung als Rauschen) berechnet werden.
• Validierung: Die theoretischen Ergebnisse werden durch Monte-Carlo-Simulationen (Grid-Search-Schätzung) validiert.

3. Wichtige Beiträge

Das Paper liefert drei wesentliche theoretische und praktische Beiträge:

1. PA-bewusste Sensing-CRB (Theorem 1):

   • Herleitung einer CRB für Verzögerung und Doppler unter Berücksichtigung der PA-Nichtlinearität, bei der die Verzerrung als bekannt gilt.
   • Ergebnis: Die Verschlechterung gegenüber dem idealen Fall ist gering (< 1,1 dB) und unabhängig vom SNR. Dies steht im starken Kontrast zum $\kappa$-Modell.
   • Beweis: Das $\kappa$-Modell überschätzt die Degradation um einen Faktor, der linear mit dem SNR wächst (Theorem 2), was zu einem falschen „Sensing Floor" führt.

2. PN-bewusste Doppler-CRB (Theorem 3):

   • Herleitung einer CRB für die Doppler-Schätzung unter Phasenrauschen.
   • Ergebnis: Es wird ein irreduzibler Geschwindigkeitsfehler (Velocity Floor) identifiziert, der bei hohem SNR auftritt und nur von der spektralen Breite des Phasenrauschens ($\beta$) abhängt. Dieser Floor ist im $\kappa$-Modell unsichtbar, da dieses annimmt, dass mehr Sendeleistung (höheres SNR) die Schätzung unbegrenzt verbessert.

3. Trennbarkeit des Designraums (Korollar 1):

   • Es wird bewiesen, dass sich die kombinierte CRB für PA und PN in einen orthogonalen Designraum aufspaltet:
     • Die Verzögerungsschätzung wird fast ausschließlich durch die PA-Linearität (IBO - Input Back-Off) bestimmt.
     • Der Doppler-Geschwindigkeitsfloor wird fast ausschließlich durch die Oszillatorqualität (Phasenrauschen $\beta$) bestimmt.
   • Dies ermöglicht eine unabhängige Optimierung von Kommunikationsrate (via PA) und Sensorleistung (via Oszillator).

4. Ergebnisse und Simulationen

Die Simulationen bestätigen die theoretischen Analysen:

• Überschätzung durch das $\kappa$-Modell: Bei einem typischen IBO von 5 dB und einem SNR von 30 dB überschätzt das $\kappa$-Modell die Sensor-Degradation um bis zu 12 dB. Der physikbasierte Ansatz zeigt, dass die tatsächliche Degradation vernachlässigbar klein bleibt.
• Velocity Floor: Für ein Phasenrauschen von $\beta = 100$ Hz wird ein irreduzibler Geschwindigkeitsfehler von ca. 1,36 m/s erreicht. Dies liegt über der typischen Anforderung für Automotive-Anwendungen (0,5 m/s). Eine weitere Erhöhung der Sendeleistung bringt hier keine Verbesserung mehr.
• Robustheit: Die Annahme, dass die verzerrte Wellenform bekannt ist, bleibt selbst bei typischen Fehlern in der DPD-Vorverzerrung (Template Error NMSE von -25 dB) robust (Overhead < 1 dB).
• Asymmetrie: Es zeigt sich eine bidirektionale Asymmetrie:
  • PA-Nichtlinearität degradiert primär die Kommunikation, hat aber nur geringen Einfluss auf die Sensorik.
  • Phasenrauschen degradiert primär die Sensorik (Doppler), hat aber kaum Einfluss auf die Kommunikation.

5. Bedeutung und Schlussfolgerung

Die Arbeit widerlegt die gängige Annahme, dass Hardware-Verzerrungen in monostatischen ISAC-Systemen einfach als Rauschen behandelt werden können.

• Paradigmenwechsel: Statt das $\kappa$-Modell zu verwenden, sollten Systemdesigner auf physikbasierte Modelle zurückgreifen, die die Kenntnis der gesendeten Wellenform ausnutzen.
• Design-Implikationen: Die Ergebnisse ermöglichen ein effizientes Ressourcenmanagement. Da PA-Linearität und Oszillatorqualität unterschiedliche Aspekte des Systems dominieren, können diese Komponenten unabhängig voneinander optimiert werden.
  • Für hohe Kommunikationsraten ist eine gute PA-Linearität (niedriger IBO) entscheidend.
  • Für präzise Geschwindigkeitsschätzung ist ein hochwertiger Oszillator (niedriges $\beta$) entscheidend.
• Zukunft: Die Autoren schlagen vor, diese Erkenntnisse auf MIMO-Systeme, PA mit Gedächtniseffekten und Mehrziel-Szenarien zu erweitern.

Zusammenfassend zeigt das Paper, dass monostatische ISAC-Systeme robuster gegenüber Hardware-Imperfektionen sind als bisher angenommen, solange die physikalische Natur der Verzerrungen korrekt modelliert wird.