Hybrid RIS-Assisted MIMO Dual-Function Radar-Communication System

本文提出了一种混合智能反射面（HRIS）辅助的 MIMO 双功能雷达通信系统，通过联合优化基站波束成形与 HRIS 参数配置，在满足通信信干噪比要求的前提下最大化雷达探测性能，并利用交替优化算法有效解决了非凸设计问题。

要点

这篇论文讲述了一个关于**“未来无线通信与雷达如何‘一鱼两吃’"的聪明方案。为了让你轻松理解，我们可以把这项技术想象成在一个繁忙的十字路口，同时管理交通指挥（雷达）和快递配送（通信）**。

以下是用大白话和生动比喻对这篇论文的解读：

1. 核心难题：既要马儿跑，又要马儿不吃草？

想象一下，现在的基站（BS）就像是一个全能但有点笨拙的交警。

• 它既要发射信号给手机用户（送快递），又要发射信号去探测周围的车辆和行人（指挥交通/雷达）。
• 痛点：
  • 如果用户被高楼挡住了（没有直视路径），信号就传不过去，快递送不到。
  • 如果要探测很近的物体，雷达和通信信号容易“打架”（干扰），而且基站很难同时做到“一边大声喊话一边仔细听回声”。
  • 传统的智能反射面（RIS）就像一面普通的镜子，它只能把信号反射过去，自己却是个“哑巴”，听不到雷达的回声，所以雷达还得自己带个耳朵去听，很麻烦。

2. 主角登场：混合智能表面（HRIS）——“会听也会说的魔法墙”

这篇论文提出了一种新设备，叫混合智能表面（HRIS）。

• 比喻：它不像普通镜子那样只会反射，也不像普通窗户那样只会透光。它像是一面**“智能魔法墙”，墙上的每一个小格子（元原子）都装了一个“微型对讲机”**。
• 它的超能力：
  • 反射（送快递）：它能把基站发出的信号，像镜子一样精准地反射给被高楼挡住的手机用户。
  • 接收（听回声）：它还能同时“偷听”一部分信号。当雷达波碰到目标（比如车）反弹回来时，这面墙能直接接收到这些微弱的回声，并传给控制中心。
  • 灵活分身：墙上的每个小格子可以决定：“这一半能量用来反射给手机，那一半能量用来接收雷达回声”。就像切蛋糕一样，想怎么切就怎么切。

3. 他们做了什么？（核心工作）

作者设计了一套**“双人舞”算法**，让基站（交警）和魔法墙（HRIS）完美配合。

• 目标：在确保手机用户能收到信号（通信质量）的前提下，让雷达看得最清楚（雷达性能最强）。
• 难点：这就像在走钢丝。如果墙把太多能量用来反射给手机，雷达就听不清回声；如果用来听回声，手机就收不到信号。这是一个**“零和博弈”**的平衡问题。
• 解决方案（交替优化算法）：
  1. 第一步（定墙）：先假设基站的信号怎么发是固定的，然后让魔法墙调整自己的“切蛋糕”比例（哪个格子反射多，哪个接收多），找到让雷达听得最清楚的最佳配置。
     • 创新点：作者用了一种叫**“快速网格搜索 + 自动梯度下降”**的方法。想象成先粗粗地扫一遍所有可能的切法（网格搜索），找到大概方向，再用超级计算器（自动梯度）微调，既快又准。
  2. 第二步（定基站）：墙的配置定好后，再反过来调整基站发射信号的“姿势”（波束成形），让信号配合这面墙，达到最好的效果。
  3. 循环：墙和基站互相配合，跳几次舞，直到找到完美的平衡点。

4. 结果怎么样？（实验数据）

作者通过计算机模拟发现，这套方案效果惊人：

• 比“单干”强：相比只有基站没有魔法墙的系统，雷达探测能力提升了3 分贝（相当于信号强度翻倍）。
• 比“乱切”强：相比随机配置魔法墙的系统，雷达性能提升了6 分贝（信号强度翻了四倍！）。
• 双赢：在满足手机通信需求的同时，雷达看得更清了，而且还能帮基站“看见”被遮挡的用户。

5. 总结：这有什么意义？

这就好比给未来的 6G 网络装上了一双**“透视眼”和“顺风耳”**。

• 自动驾驶：车能更清楚地看到拐角处的行人（雷达），同时也能流畅地接收导航指令（通信）。
• 室内覆盖：在复杂的城市高楼里，信号不再被挡死，魔法墙能把信号“拐个弯”送进去，同时还能监测周围的环境。

一句话总结：
这篇论文发明了一种**“会听也会说的智能墙”，并通过一套聪明的“双人舞算法”，让它在送快递（通信）和当哨兵（雷达）**之间找到了完美的平衡，让未来的无线网络既快又准，还能看穿障碍物。

技术摘要

这是一篇关于混合可重构智能表面（Hybrid RIS, HRIS）辅助的 MIMO 双功能雷达通信（DFRC）系统的学术论文总结。

1. 研究背景与问题 (Problem)

• 背景：双功能雷达通信（DFRC）技术通过共享硬件平台实现雷达感知与通信功能的融合，是下一代无线系统的关键技术。然而，传统 DFRC 系统面临信号遮挡（如建筑物、树木）、短距离探测时的收发信号耦合（需全双工模式）以及信道测量困难等挑战。
• 现有局限：
  • 传统的无源 RIS（Passive RIS）虽然能改善通信视距，但其反射特性会导致信号级联衰落，且无法直接接收雷达回波，通常需要额外的雷达接收机。
  • 现有的混合 RIS（如 STAR-RIS）主要侧重于透射和反射，缺乏同时接收信号的能力。
• 核心问题：如何设计一种系统架构，既能利用 RIS 扩展通信覆盖范围，又能利用 RIS 接收雷达回波以辅助探测，同时解决雷达感知与通信性能之间的**权衡（Trade-off）**问题？具体而言，如何在保证通信信干噪比（SINR）的前提下，最大化雷达探测的 SINR？

2. 系统模型与架构 (System Model)

• 系统组成：论文提出了一种由基站（BS）、混合 RIS（HRIS）和控制中心组成的 MIMO DFRC 系统。
  • 基站 (BS)：配备均匀线性阵列（ULA），发送包含雷达波形和通信符号的联合波束成形信号。
  • 混合 RIS (HRIS)：这是本文的核心创新点。HRIS 的每个单元不仅具备反射功能（将 BS 信号反射给用户），还具备接收功能（通过射频链接收目标散射的回波）。
  • 工作机制：HRIS 通过功率分配因子 $\beta$ 控制每个单元的能量分配：一部分能量用于反射（$\beta$），另一部分用于接收（$1-\beta$）。
• 信号模型：
  • 通信：BS 信号经 HRIS 反射到达用户。
  • 雷达：BS 信号照射目标，目标散射回波被 HRIS 接收（同时 HRIS 也接收 BS 直接照射目标的信号）。
  • 优化目标：联合优化 BS 的波束成形向量（$W$）和 HRIS 的功率分配及相位配置（$\beta, \psi, \gamma$），以最大化雷达 SINR，同时满足通信 SINR 约束。

3. 方法论 (Methodology)

由于联合优化问题是非凸且复杂的，作者提出了一种**交替优化（Alternating Optimization, AO）**算法，将问题分解为两个子问题迭代求解：

1. 固定 BS 波束成形，优化 HRIS 配置：

   • 问题难点：HRIS 配置优化涉及大量离散/连续变量，且目标函数非凸。
   • 解决方案：提出了一种**快速网格搜索辅助的自动梯度下降（FGS-AGD）**算法。
     • FGS (Fast Grid Search)：用于生成高质量的初始点，通过离散化搜索空间避免陷入局部最优。
     • AGD (Auto Gradient Descent)：利用 PyTorch 的自动微分（Auto-differentiation）技术，结合拉格朗日算子将约束转化为惩罚项，高效求解非凸无约束优化问题。

2. 固定 HRIS 配置，优化 BS 波束成形：

   • 问题难点：涉及秩一约束（Rank-one constraint）的非凸问题。
   • 解决方案：采用半定松弛（Semidefinite Relaxation, SDR）结合二分搜索（Bisection Search）。
     • 将最大化雷达 SINR 的问题转化为可行性问题。
     • 通过二分搜索寻找最大的雷达 SINR 阈值。
     • 利用 SDR 技术松弛秩一约束，使用 CVX 求解凸优化问题，并证明在特定条件下解满足秩一性质，可直接提取波束成形向量。

4. 主要贡献 (Key Contributions)

1. 系统架构创新：首次提出了 HRIS 辅助的 MIMO DFRC 系统架构。与现有的 STAR-RIS 不同，该系统的 HRIS 单元能同时执行反射（通信）和接收（雷达回波）功能，无需基站全双工工作，且能直接利用 RIS 接收回波。
2. 联合优化框架：建立了包含 BS 波束成形和 HRIS 参数配置的联合优化数学模型，量化了雷达与通信性能之间的权衡关系。
3. 高效算法设计：
   • 设计了FGS-AGD算法解决高维 HRIS 配置优化问题，克服了传统梯度下降对初始值敏感和收敛慢的问题。
   • 结合 SDR 和二分搜索解决了 BS 波束成形的非凸优化问题。
4. 理论证明：证明了所提 AO 算法的收敛性，并分析了计算复杂度。

5. 实验结果 (Results)

通过数值仿真，将提出的系统与传统方案进行了对比：

• 对比方案：
  1. 仅基站系统（BS-only）。
  2. 随机配置 HRIS 的系统。
  3. 使用遗传算法（GA）优化的系统。
• 性能提升：
  • 在相同的通信阈值和发射功率下，提出的 HRIS 辅助系统相比仅基站系统，雷达性能提升了约 3 dB。
  • 相比随机配置 HRIS 系统，雷达性能提升了约 6 dB。
  • 相比传统 GA 算法，FGS-AGD 算法收敛更快且性能更优。
• 波束图分析：仿真显示，优化的 HRIS 配置能够灵活调整波束方向图，在增强通信用户侧瓣功率的同时，抑制雷达探测区的干扰，实现了空间分集。
• 鲁棒性：在存在杂波和信道状态信息（CSI）误差的情况下，系统仍表现出良好的性能，但在 CSI 误差过大（>6°）时通信性能会下降。

6. 意义与展望 (Significance)

• 技术意义：该研究证明了利用具有接收功能的混合 RIS 可以显著增强 DFRC 系统的性能，解决了传统 DFRC 在遮挡环境和全双工实现上的难题。
• 应用前景：适用于自动驾驶、虚拟现实等需要高可靠感知与通信的场景，特别是在非视距（NLOS）环境下。
• 未来工作：
  • 研究部分信道状态信息（Partial CSI）下的鲁棒设计。
  • 探索复杂杂波环境下的自适应雷达波束成形。
  • 降低大规模 SDR 问题的计算复杂度。

总结：这篇论文通过引入具备接收功能的混合 RIS，提出了一种创新的 DFRC 架构，并设计了一套高效的联合优化算法，成功实现了雷达感知与通信性能的协同提升，为 6G 智能无线环境下的感知通信一体化提供了重要的理论依据和技术方案。