⚡ electrical engineering

Input Distribution Design for Ranging-Oriented OFDM-ISAC Systems Under Frequency-Selective Fading

Dieser Beitrag schlägt eine rechnerisch effiziente Gestaltung der Eingangsverteilung für OFDM-basierte ISAC-Systeme unter frequenzselektiver Schwund vor, die den Kompromiss zwischen Kommunikationsrate und Sensingleistung durch eine strategische Zuordnung der Konstellationskurtosis über die Subträger hinweg auf Basis des Kapazitäts-Verzerrungs-Rahmens optimiert.

Ursprüngliche Autoren: Weijiang Zhao, Yifeng Xiong

Veröffentlicht 2026-04-30

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Weijiang Zhao, Yifeng Xiong

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

Stellen Sie sich vor, Sie betreiben einen geschäftigen Radiosender, der zwei Dinge gleichzeitig erledigen muss: Musik senden (Kommunikation) und nach Echos lauschen, um den Raum zu kartieren (Sensing/Entfernungsmessung). Dies ist die Kernidee einer neuen Technologie namens ISAC (Integrated Sensing and Communication), die als Schlüsselmerkmal zukünftiger 6G-Netze erwartet wird.

Der Artikel von Zhao und Xiong behandelt ein spezifisches Problem: Wie gestaltet man die „Form" der Funkwellen so, dass sie sowohl gut darin sind, Musik zu spielen, als auch nach Echos zu lauschen, insbesondere wenn die Funkwellen unruhig und holprig sind (frequenzselektives Fading)?

Hier ist die Aufschlüsselung ihrer Lösung unter Verwendung einfacher Analogien:

1. Der Kernkonflikt: Das Dilemma „Vorhersehbar vs. Zufällig"

Um nach Echos zu lauschen (Sensing), möchten Sie ein Signal, das vorhersehbar und strukturiert ist, wie ein perfekter Trommelschlag. Wenn das Signal zu zufällig ist, gehen die Echos im Rauschen unter.
Um Musik zu senden (Kommunikation), möchten Sie, dass das Signal zufällig und chaotisch ist, wie eine Jazz-Improvisation. Diese Zufälligkeit trägt mehr Informationen.

Dies erzeugt ein Tauziehen, das als Deterministic-Random Tradeoff (DRT) (Deterministisch-Zufälliger Kompromiss) bezeichnet wird. Wenn Sie das Signal zu stark für das Sensing strukturieren, verlieren Sie die Datengeschwindigkeit. Wenn Sie es zu zufällig für die Geschwindigkeit machen, wird Ihr Sensing unscharf.

2. Der geheime Bestandteil: „Kurtosis"

Die Autoren führen ein mathematisches Konzept namens Kurtosis (Kurtose) ein. Denken Sie an Kurtosis als die „Spitzigkeit" oder die „Form" der Energieverteilung des Signals.

Niedrige Kurtosis (Rund/Flach): Wie ein Phasenmodulationssignal (PSK). Es ist sehr strukturiert und großartig für das Sensing, trägt aber weniger Daten.
Hohe Kurtosis (Spitz): Wie ein Quadratur-Amplitudenmodulationssignal (QAM). Es ist sehr zufällig und trägt viele Daten, erzeugt aber „Unordnung" (Seitenkeulen), die das Sensing stören.

Die große Erkenntnis des Artikels: Anstatt nur eine Form für die gesamte Sendung zu wählen, können Sie die „Spitzigkeit" (Kurtosis) als eine Ressource behandeln, die Sie über verschiedene Teile des Funkspektrums unterschiedlich verteilen können.

3. Das Problem: Der „unordentliche Raum"

In einem realen Szenario (wie einer Stadt mit hohen Gebäuden) prallt das Funksignal herum. Dies wird als frequenzselektives Fading bezeichnet. Einige Teile des Funkspektrums (Subträger) sind klare Autobahnen, während andere holprige Schotterstraßen sind.

Alte Methode: Der Standardweg zur Lösung dieses Problems beinhaltet komplexe Mathematik, die das Berechnen von Milliarden von Möglichkeiten gleichzeitig erfordert. Es ist, als würde man versuchen, einen Rubik's-Würfel in der Größe einer Stadt zu lösen, während man einen Marathon läuft. Es ist zu langsam für die Echtzeitnutzung.
Die Lösung der Autoren: Sie fanden einen Weg, das riesige Problem in kleinere, handhabbare Teile zu zerlegen. Sie bewiesen, dass Sie das Signal für jede „Spur" der Autobahn unabhängig voneinander entwerfen können, anstatt zu versuchen, die gesamte Autobahn auf einmal zu lösen.

4. Die Strategie: „Einheitliche Leistung, intelligente Spitzigkeit"

Die Autoren entwickelten einen schnellen, effizienten Algorithmus (eine „Gradientenprojektions"-Methode), um das perfekte Gleichgewicht zu finden. Ihre Ergebnisse enthüllen eine kontraintuitive Strategie:

Leistungsverteilung (Wie laut zu spielen): Wenn die Sensing-Anforderungen streng sind (Sie müssen sehr schwache Echos hören), ist die beste Strategie, auf allen Spuren gleich laut zu spielen (Einheitliche Leistung). Überraschenderweise schadet es in diesem spezifischen Kontext der Sensing-Leistung tatsächlich, auf den „guten" Spuren lauter zu spielen.
Kurtosis-Verteilung (Wie spitz das Signal zu machen): Während die Lautstärke einheitlich ist, ändert sich die Form des Signals.
- Auf den klaren Spuren (gute Signalqualität) weisen sie eine höhere Kurtosis (mehr spitz/zufällig) zu. Dies maximiert die Datengeschwindigkeit, da die klare Spur das „Rauschen" des zufälligen Signals bewältigen kann.
- Auf den holprigen Spuren (schlechte Signalqualität) weisen sie eine niedrigere Kurtosis (mehr rund/strukturiert) zu. Dies hält das Signal sauber, damit die Sensing-Echos nicht verloren gehen.

Die Analogie: Stellen Sie sich einen Chor vor, der in einer großen Halle singt.

Alte Art: Alle singen denselben Ton mit derselben Lautstärke und demselben Stil.
Neue Art: Alle singen mit der gleichen Lautstärke (Einheitliche Leistung), aber die Sänger in der vorderen Reihe (gute Spuren) singen mit einem wilden, improvisierten Jazz-Stil (Hohe Kurtosis), um eine komplexe Geschichte zu erzählen, während die Sänger in der hinteren Reihe (schlechte Spuren) ein einfaches, stetiges Summen (Niedrige Kurtosis) singen, damit der Dirigent das Echo ihrer Stimmen noch klar hören kann.

5. Warum dies wichtig ist

Der Artikel behauptet, dass sie durch die Anwendung dieser Methode eine höhere Datenrate (schnelleres Internet) erreichen können, ohne die Fähigkeit zur Objekterkennung (Sensing) zu opfern, selbst in schwierigen Umgebungen. Sie zeigten, dass ihre neue Mathematik schnell genug für den Echtzeiteinsatz ist, im Gegensatz zu den alten, langsamen Methoden.

Zusammenfassend: Der Artikel liefert ein schnelles, intelligentes Rezept für 6G-Funkwellen. Er sagt Ingenieuren, dass sie die Lautstärke landesweit konstant halten, aber die „Textur" des Signals je nach Qualität des Pfades ändern sollen, um sicherzustellen, dass das System sowohl eine schnelle Datenleitung als auch ein scharfes Radar ist.

1. Problemstellung

Das Papier behandelt das Design von Integrated Sensing and Communication (ISAC)-Systemen im Rahmen der Orthogonal Frequency Division Multiplexing (OFDM)-Technologie, speziell für 6G-Netze. Die Kernherausforderung ist der Deterministic-Random Tradeoff (DRT):

Sensing: Optimales Sensing (insbesondere Entfernungsmessung) erfordert deterministische, sorgfältig gestaltete Wellenformen, um die Nebenkeulenniveaus in der Autokorrelationsfunktion zu minimieren.
Communication: Die Informationsübertragung basiert auf zufälligen Datenlasten, die die Sensingleistung inhärent verschlechtern.

Die Autoren konzentrieren sich auf frequenzselektive Fading-Kanäle, ein praktisches Szenario, bei dem die Kanalverstärkung über die Subträger variiert. Das Ziel ist es, die Eingangsverteilung (Konstellationsdesign) der übertragenen Symbole so zu gestalten, dass die kommunikative gegenseitige Information (Rate) maximiert wird, während eine Einschränkung bezüglich des Expected Integrated Sidelobe Level (EISL), einer Metrik für die Genauigkeit der Entfernungsmessung, eingehalten wird.

2. Methodik

Die Autoren schlagen ein rechnerisch effizientes Framework vor, um dieses Optimierungsproblem zu lösen, und weichen dabei von traditionellen Algorithmen mit hoher Komplexität ab.

A. Mathematische Formulierung

Ziel: Maximierung der gegenseitigen Information $I(x; y)$ unter einer Gesamtleistungsbeschränkung ( $P$ ) und einer EISL-Beschränkung ( $D$ ).
Schlüsseleinsicht: Der EISL ist analytisch mit der Kurtosis ( $\kappa$ ) der Signal-Konstellationen verknüpft. Insbesondere reduziert eine niedrigere Kurtosis (näher an Phasenmodulation, PSK) die Nebenkeulen, während eine höhere Kurtosis (näher an Gauß/Quadratur-Amplitudenmodulation, QAM) die Kapazität erhöht.
Faktorisierung: Die Autoren beweisen, dass unter unabhängigen Subträgern die optimale Eingangsverteilung über die Subträger faktorisiert ( $p_x(x) = \prod p_{x_i}(x_i)$ ). Dies ermöglicht die Zerlegung des hochdimensionalen Optimierungsproblems in Probleme pro Subträger.

B. Algorithmische Ansätze

Das Papier stellt zwei algorithmische Stufen vor:

Faktorisierte modifizierte Blahut-Arimoto (BA) Algorithmus:
- Passt den klassischen BA-Algorithmus für ISAC an, indem er die Faktorisierungseigenschaft nutzt.
- Reduziert die rechnerische Komplexität von exponentiell (in Bezug auf die Anzahl der Subträger $N$ ) auf linear ( $O(N)$ ), indem Integrale nur über 4-dimensionale Räume (Real-/Imaginärteile zweier komplexer Variablen) statt über den gesamten $2N$ -dimensionalen Raum berechnet werden.
- Einschränkung: Erfordert immer noch numerische Integration und die Suche nach dualen Variablen, was ihn für die Echtzeit-Implementierung zu langsam macht.
Gradientenprojektionsbasierter Ansatz (Echtzeit-Lösung):
- Approximation: Anstatt die exakte Maximierung der gegenseitigen Information zu lösen, approximieren die Autoren das Problem durch die Maximierung der differentiellen Entropie unter Momentenbeschränkungen (zweite und vierte Momente).
- Geschlossene Form-Lösung: Sie leiten die Form der optimalen Verteilung als $p(z) \propto \exp(-c|z|^4 + a|z|^2)$ her, wobei $a$ und $c$ natürliche Parameter sind.
- Gradientenberechnung: Sie leiten geschlossene Ausdrücke für den Gradienten der Entropie bezüglich dieser Parameter her.
- Optimierung: Das Problem wird mit einer Gradientenprojektionsmethode gelöst. Dies umfasst:
  - Aktualisierung der Parameter mittels Gradientenanstieg.
  - Projektion der aktualisierten Leistung ( $p$ ) und der überschüssigen Kurtosis ( $d$ ) zurück auf den zulässigen Bereich, der durch die Leistungs- und EISL-Beschränkungen definiert ist.
  - Der Projektionsschritt wird effizient unter Verwendung der Karush-Kuhn-Tucker (KKT)-Bedingungen und 1D-Suchen gelöst, wodurch komplexe numerische Integrationen vermieden werden.

3. Hauptbeiträge

Theoretisches Framework: Formulierung des ISAC-Eingangsverteilungsdesigns als Problem der Maximierung der gegenseitigen Information unter EISL-Beschränkungen, wobei der EISL explizit mit der Konstellations-Kurtosis verknüpft wird.
Algorithmische Effizienz: Entwicklung eines faktorisierter modifizierter BA-Algorithmus, der die Komplexität in Bezug auf die Anzahl der Subträger von exponentiell auf linear reduziert.
Echtzeit-Implementierung: Vorschlag einer Gradientenprojektionsmethode, die ausschließlich auf geschlossenen Ausdrücken und 1D-Suchen basiert und damit ein Echtzeit-Signdesign für OFDM-Systeme mit vielen Subträgern ermöglicht.
Entdeckung optimaler Strategien: Nachweis, dass unter strengen Sensing-Beschränkungen (niedriger EISL) die optimale Strategie von der traditionellen „Wasserfüllungs"-Leistungsallokation abweicht. Stattdessen wird eine uniforme Leistungsallokation über alle Subträger bevorzugt, während die Kurtosis (Formung der Konstellation) Subträgern mit besseren Kanalbedingungen (höheres SNR) zugewiesen wird.

4. Numerische Ergebnisse

Die Autoren validierten ihre Methode an einem OFDM-System mit $N=64$ Subträgern über einen 4-Pfad-Rician-Kanal:

Rate-Kurtosis Tradeoff: Die vorgeschlagene Methode (Kurtosis-Allokation mit uniformer Leistung) erzielte im Vergleich zu einer „uniformen Kurtosis"-Strategie (bei der alle Subträger die gleiche Konstellationsform verwenden) einen Rategewinn von bis zu 0,1 Bit pro Subträger.
SNR-Abhängigkeit: Der Leistungsgewinn war bei niedrigeren durchschnittlichen SNRs signifikanter, wo die Unterschiede in der Kanalqualität ausgeprägter sind.
Kurtosis-Allokation: Die Ergebnisse zeigten ein „wasserfüllungs"-ähnliches Verhalten für die Kurtosis: Subträgern mit niedrigen Kanalverstärkungen wurde die minimal mögliche Kurtosis (nahe 1, ähnlich wie PSK) zugewiesen, um die Nebenkeulen zu minimieren, während Subträgern mit hohen Verstärkungen eine höhere Kurtosis zugewiesen wurde, um die Kommunikationsraten zu steigern.
Nebenkeulen-Leistung: Die vorgeschlagene Methode behielt auf allen Subträgern identische Nebenkeulenniveaus bei und stellte somit eine konsistente Genauigkeit der Entfernungsmessung sicher.

5. Bedeutung

Diese Arbeit ist aus mehreren Gründen für die praktische Einführung von 6G-ISAC-Systemen von Bedeutung:

Brücke zwischen Theorie und Praxis: Sie geht über theoretische Kapazitätsgrenzen hinaus und bietet eine rechnerisch effiziente Designmethode, die für die Echtzeit-Hardware-Implementierung geeignet ist.
Ressourcenoptimierung: Sie führt ein neues Paradigma ein, bei dem Kurtosis als eine neben der Leistung allozierbare Ressource behandelt wird. Dies ermöglicht Systemen, Sensing- und Kommunikationsbedürfnisse dynamisch auszugleichen, ohne die Wellenformstruktur grundlegend zu ändern.
Skalierbarkeit: Durch die Reduzierung der Komplexität von exponentiell auf linear (und weiter durch Gradientenprojektion) macht die Methode das ISAC-Design für großskalige OFDM-Systeme (z. B. Massive MIMO oder breitbandiges 6G) machbar, bei denen traditionelle Optimierungsmethoden versagen.
Design-Erkenntnis: Sie stellt die konventionelle Weisheit der „Wasserfüllungs"-Leistungsallokation im ISAC-Kontext in Frage und zeigt, dass unter strengen Sensing-Beschränkungen eine uniforme Leistung mit adaptiver Konstellationsformung überlegen ist.