💻 computer science

Integrated Sensing and Communications for Unsourced Random Access: Fundamental Limits

本文针对大规模非协调用户场景下的集成感知与通信问题，提出了无需调度的非授权 ISAC 系统（UNISAC）模型，在推导其近似可实现性能的同时，证明了该方法在解码通信消息、检测感知用户及估计到达角方面显著优于传统方案。

原作者： Mohammad Javad Ahmadi, Rafael F. Schaefer, H. Vincent Poor

发布于 2026-04-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohammad Javad Ahmadi, Rafael F. Schaefer, H. Vincent Poor

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文探讨了一个非常前沿且充满挑战的通信问题：如何在成千上万个“匿名”用户同时乱糟糟地发送信号时，既把他们的信息收回来，又能顺便“看”到他们在哪里。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成一场**“超级混乱的鸡尾酒会”**。

1. 场景设定：混乱的鸡尾酒会 (Unsourced Random Access)

想象一个巨大的宴会厅（基站），里面挤满了成千上万个客人（用户）。

传统做法（TDMA/ALOHA）： 就像老师点名。老师（基站）必须一个个喊：“张三，现在你说话；李四，现在你说话。”或者大家抽签，抽到几号桌的几号人才能说话。
- 缺点： 如果人太多，点名太慢，抽签太乱，效率极低，而且每个人都要等很久。
这篇论文的做法（UNISAC）： 大家同时说话！没有点名，没有抽签，也没有人知道谁是谁（这就是“无源”或“匿名”的意思）。
- 挑战： 所有人的声音混在一起，像一锅大杂烩。基站的任务是：
  1. 听清内容： 把那些想聊天的人（通信用户）说的话听懂。
  2. 看清位置： 把那些只是站在那里、没说话但反射了声音的人（感知用户，比如雷达探测的物体）找出来，并算出他们站在房间的哪个角度。

2. 核心难题：一锅粥怎么分？

当所有人同时说话时，信号会互相干扰。这就好比你在听一场交响乐，但所有乐器都在乱奏，而且你还要分辨出哪些是“说话的人”，哪些是“反射声音的墙壁”。

通信用户：手里拿着写满字的纸条（数据），想塞给主持人。
感知用户：手里没字，但他们像镜子一样，把主持人的声音反射回来。主持人需要知道这些“镜子”在哪里（角度），以及它们是不是真的存在。

传统的办法（比如把大家分开说话，或者把干扰当成噪音忽略）在人数极多时完全行不通，因为干扰太严重，根本听不清。

3. 论文的解决方案：UNISAC 系统

作者提出了一种名为 UNISAC（无源集成感知与通信）的新系统。你可以把它想象成一位拥有“超级听力”和“超级眼力”的调音师。

不区分身份，只看特征： 调音师不关心“这是张三还是李四”，他只关心“这堆声音里有没有我要找的模式”。
同时做两件事：
1. 解码： 从混乱的噪音中，把那些想传递信息的“纸条”拼凑完整。
2. 定位： 利用声音反射的微小时间差和角度差，像雷达一样画出那些“镜子”（感知用户）的位置图。

4. 为什么它很厉害？（实验结果）

论文通过数学推导和电脑模拟证明，UNISAC 比老办法强得多：

对比 ALOHA（随机乱撞）： 就像大家乱撞，经常撞在一起（冲突），什么都听不见。UNISAC 能处理这种混乱。
对比 TDMA（轮流说话）： 就像排队，人太多时，每个人分到的时间太短，根本说不完。UNISAC 让大家同时说，效率极高。
对比 TIN（把干扰当噪音）： 就像在嘈杂的菜市场里，你试图忽略背景音，只听一个人说话。人多了根本做不到。UNISAC 是主动把背景音也利用起来。
对比 MUSIC（传统雷达算法）： 传统雷达在用户超过天线数量时就“瞎”了。UNISAC 在用户极多时依然能工作。

比喻总结：
如果传统方法是在一个拥挤的房间里，试图通过“点名”或“轮流发言”来交流，那么 UNISAC 就像是给房间装上了智能降噪耳机和 3D 声呐。即使几百人同时在大喊大叫，它也能瞬间把想说话的人的话整理出来，同时还能告诉你房间里每个人（包括那些没说话的人）具体站在哪个角落。

5. 这对未来意味着什么？

随着 6G 时代的到来，我们会有数以亿计的设备（手机、传感器、自动驾驶汽车、智能家居）连接在一起。

如果还用老办法，网络会瞬间瘫痪。
UNISAC 提供了一种可能：让海量设备无需排队、无需预约，就能同时完成数据传输（发微信、传视频）和环境感知（探测障碍物、定位）。

一句话总结：
这篇论文设计了一套“超级聪明的接收器”，它能在成千上万个设备同时“大合唱”的混乱中，不仅听懂了谁在说什么，还能精准地画出谁站在哪里，为未来的 6G 万物互联时代铺平了道路。

这是一份关于论文《Integrated Sensing and Communications for Unsourced Random Access: Fundamental Limits》（无源随机接入中的集成感知与通信：基本极限）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：随着第六代移动通信（6G）的发展，网络不仅需要传输信息，还需要具备感知（Sensing）、计算和安全等功能。传统的无源随机接入（Unsourced Random Access, URA）主要关注从大量未调度用户中恢复通信信息，而忽略了感知功能。
核心问题：本文提出了**无源集成感知与通信（UNISAC）**系统模型。在该模型中：
- 用户场景：存在海量通信用户（发送消息）和感知用户（作为待检测物体/目标），它们无需与基站（BS）进行预先调度，随机且稀疏地接入网络。
- 挑战：所有活跃用户同时共享一个短帧传输信号。由于用户数量巨大且未协调，接收端面临严重的多用户干扰（MUI）。
- 双重目标：基站需要在不识别发送者身份的前提下，同时完成两项任务：
  1. 通信：解码活跃通信用户的消息序列。
  2. 感知：检测活跃感知用户的存在，并估计其到达角（Angle of Arrival, AOA）。
- 难点：如何在强干扰环境下，同时实现低误码率的解码和高精度的角度估计。

2. 系统模型与方法论 (Methodology)

系统架构：
- 基站配备 $M$ 元均匀线性阵列（ULA）。
- 通信用户和感知用户共享一个长度为 $n$ 的码本 $A$ 。通信用户从码本的前 $2^{B_c}$ 行中选择，感知用户从后 $2^{B_s}$ 行中随机选择。
- 接收信号模型为 $Y = \sum b_{\theta_j} a_j + Z$ ，其中 $b_{\theta_j}$ 是导向矢量， $a_j$ 是码字， $Z$ 是高斯噪声。
性能指标：
- 每用户错误概率 (PUPE, $\epsilon$ )：综合衡量通信解码错误、感知漏检（Misdetection）以及碰撞（Collision）的概率。
- AOA 估计均方误差 (MSE $_{AOA}$ , $\Delta$ )：衡量成功检测到的感知用户角度估计的精度。
理论推导方法：
- 随机码本分析：假设使用随机高斯码本，推导了 PUPE 和 MSE $_{AOA}$ 的近似可达界。
- 误差来源分解：将总错误概率分解为三个部分：
  1. 功率约束违反概率 ( $P_{cons}$ )：用户发射功率超过限制的概率。
  2. 碰撞概率 ( $P_{coll}$ )：多个用户选择相同码字导致的冲突。
  3. 漏检概率 ( $P_{md}$ )：由于干扰导致无法正确检测活跃用户或解码错误的概率。
- 检测与估计策略：
  - 采用基于投影最小二乘的联合检测策略，通过最小化投影后的接收信号能量来识别活跃用户的码字组合。
  - 利用最小二乘（LS）估计器获取导向矢量的软估计，进而通过相位差分法估计 AOA。
- 数学工具：使用了 Chernoff 界（Chernoff bound）、大数定律以及卡方分布性质来推导误码率和 MSE 的上界。

3. 主要贡献 (Key Contributions)

提出 UNISAC 模型：首次将无源随机接入（URA）与集成感知通信（ISAC）相结合，定义了同时处理通信解码和感知检测（AOA 估计）的统一框架。
推导基本极限（Fundamental Limits）：
- 推导了 UNISAC 系统在有限块长度下的近似可达性能界（公式 5 和 6）。
- 给出了 PUPE 和 MSE $_{AOA}$ 的解析表达式，明确了系统参数（如天线数 $M$ 、码长 $n$ 、用户数、功率等）对性能的影响。
性能对比分析：
- 将 UNISAC 与多种传统多址接入方案进行了理论对比，包括：
  - ALOHA：随机接入，易受碰撞影响。
  - TDMA：时分多址，资源利用率低，时延大。
  - TIN (Treat Interference as Noise)：将干扰视为噪声，在用户密集时性能急剧下降。
  - MUSIC：传统的多信号分类算法，通常假设用户已调度或数量受限。
数值验证：通过仿真验证了理论推导的有效性，并展示了 UNISAC 在大规模用户场景下的优越性。

4. 实验结果 (Results)

能效对比 (Fig. 3)：
- 在目标 PUPE ( $\epsilon_0 = 0.1$ ) 和目标 MSE $_{AOA}$ ( $\Delta_0 = 5 \times 10^{-4}$ ) 下，UNISAC 所需的每用户信噪比（ $E/N_0$ ）显著低于 ALOHA、TDMA、TIN 和 TDMA-MUSIC 方案。
- 原因分析：
  - TDMA-MUSIC 性能较差是因为当感知用户数超过天线数时，其无法有效分辨。
  - ALOHA/TDMA/TIN 在用户密集时，分别受限于严重的碰撞、资源碎片化（短信号长度）和高干扰水平。
  - UNISAC 通过联合处理，有效缓解了碰撞和干扰，并允许分配更长的信号长度，从而提升了性能。
AOA 估计精度 (Fig. 4)：
- 随着天线数量 $M$ 的增加，UNISAC 的 MSE $_{AOA}$ 显著降低。
- 推导的“可达界”与“乐观界”（假设无漏检和碰撞）非常接近，表明 UNISAC 在 AOA 估计方面具有紧致的容量区域，理论推导非常准确。

5. 意义与价值 (Significance)

理论突破：为 6G 时代海量连接场景下的 ISAC 系统提供了首个针对“无源”（Unsourced）场景的基本极限分析，填补了 URA 与 ISAC 交叉领域的理论空白。
系统效率：证明了在不进行复杂调度和用户身份识别的情况下，系统仍能同时高效完成通信和感知任务。这对于物联网（IoT）中数以百万计的低成本、稀疏活跃设备至关重要。
指导实践：推导的公式为未来 ISAC 系统的参数设计（如天线数量、帧长、功率分配）提供了理论依据，表明在大规模用户场景下，集成处理比分离处理（如先通信后感知）更具优势。
未来方向：该研究为设计支持超大规模机器类通信（mMTC）和感知一体化的 6G 网络奠定了理论基础。

总结：本文通过建立 UNISAC 模型并推导其理论极限，证明了在大规模无源用户场景下，集成感知与通信能够显著优于传统的多址接入方案，特别是在抗干扰能力和频谱/能量效率方面，为 6G 网络设计提供了重要的理论支撑。