⚡ electrical engineering

Indoor Statistical and Deterministic RCS Characterization for ISAC Channel Modeling

本文针对用于集成感知与通信（ISAC）信道建模的 25–28 GHz 频段下的多种目标，进行了全面的室内统计与确定性雷达散射截面（RCS）表征，证明了对数正态分布和伽马分布最符合实测数据，同时验证了适用于近场双基配置的新型确定性模型。

原作者： Ali Waqar Azim, Ahmad Bazzi, Roberto Bomfin, Nikolaos Giakoumidis, Theodore S. Rappaport, Marwa Chafii

发布于 2026-07-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Ali Waqar Azim, Ahmad Bazzi, Roberto Bomfin, Nikolaos Giakoumidis, Theodore S. Rappaport, Marwa Chafii

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

想象一下每天都围绕在我们身边的无线电波那无形的海洋。这就是无线通信的领域，是让你的手机能与基站通话，或让你的智能手表与笔记本电脑同步的神奇力量。但几十年来，这些波主要是一条“单行道”：它们传输你的声音或视频，但并不真正“观察”周围的世界。最近，科学家们开始构建一种被称为集成感知与通信（ISAC）的新型技术。把它想象成给你的 Wi-Fi 路由器装上一双眼睛。该系统不再仅仅是发送数据，而是通过波从物体上反射回来，从而判断它们的位置、大小以及材质，同时还能保持你的网络连接。

为了实现这一点，工程师需要了解不同物体是如何反射这些波的。这种“回声”强度被称为雷达截面积（RCS）。这就像是在问：“如果我对墙壁、云朵或鸟儿大喊，回声会有多响？”如果你想建立一个能在繁忙工厂中识别无人机或机器人的系统，你就需要一张关于这些不同物体如何产生回声的地图。但棘手之处在于：物体并不是静止的。无人机会旋转螺旋桨，机械臂会扭转关节，机器人狗会四处走动。这些运动不断改变着回声，使其难以预测。因此，科学家面临的大问题是：我们能否找到一条简单的数学规则，来描述这种混乱且变化的回声，以便计算机能够利用它来构建更强大、更智能的网络？

本论文通过在真实的室内工厂内设置一个巨大的“回声室”实验来探讨这个问题。由纽约大学阿布扎比分校和格拉斯哥大学研究团队领导的研究人员想要观察不同的目标——具体包括无人机、机械臂和机器人狗——是如何反射 25-28 GHz 频段（用于下一代互联网的超高速频段）的无线电波的。他们并没有原地不动，而是测量了来自不同角度的回声，模拟了网络从正面、侧面甚至从发射器与接收器位置不同的距离观察目标的场景。

团队将无线电波视为一场带有转折的“传声筒”游戏：他们想要了解这场游戏的统计学规则。他们测试了四种不同的数学“猜谜游戏”（称为分布），以观察哪一种最能描述他们收集到的杂乱的现实世界数据。他们发现，这些回声并非随机的混沌，而是遵循某种模式。具体而言，“对数正态分布”和“伽马分布”是最契合的。想象一下尝试猜测一袋弹珠的重量。如果你只是猜一个平均值，你会经常出错。但如果你使用一种特定的曲线，考虑到大多数袋子很轻而少数袋子出奇地重，你的猜测会更接近真实情况。这就是对数正态和伽马曲线对这些无线电回声所做的工作。它们证明了即使有旋转的无人机叶片和移动的机器人关节，回声的“响度”也遵循一种可预测的统计形状。

但研究人员并未止步于猜测回声的形状。他们还想为一种非常具体的简单物体建立一套“规则手册”：一块平坦的木板。在现实世界中，许多物体（如机器人的金属面板或门）在无线电波面前表现得就像平坦的镜子。团队设置了一个受控实验，通过移动这块木板来改变其距离，并测量随着角度变化回声的变化情况。他们发现，在“近场”（当物体相对较近，位于 2 到 10 米之间时），回声并不仅仅是简单地变弱，其表现方式非常复杂，取决于距离和角度。他们创建了一套新的公式，作为精确的地图，展示了随着移动木板，回声强度是如何变化的。

论文明确指出，这些发现是基于硬性的测量结果，而非仅仅是计算机模拟。他们亲手搭建了装置，使用了真实的无人机和机器人，并收集了数 GB 的数据。然而，他们也设定了界限。他们明确表示，他们的“统计学”规则适用于移动或改变姿态的目标，而他们的“确定性”（精确）规则仅适用于他们测试的那块特定平坦木板。他们并不声称拥有适用于宇宙中每种物体的普遍定律；相反，他们为现代工厂中发现的这类特定目标提供了坚实的、经过测量的基础。

最后，这项工作就像是为工程师提供了一套新工具。在此之前，他们可能不得不猜测无人机或机器人在雷达系统眼中是什么样子的。现在，他们拥有了一张针对这些特定机器的“回声景观”的验证地图。这意味着，当下一代 ISAC 网络建成时，它们可以被设计得更加精准，能够在繁忙、复杂的环境中识别和追踪物体，从而使我们的未来智能城市和自动化工厂变得更安全、更高效。这篇论文并不承诺一个能立即在任何地方发挥魔力的万能方案，但它提供了实现这一未来所需的关键且经过实测的步骤。

技术摘要：用于 ISAC 信道建模的室内统计与确定性 RCS 特征化研究

问题陈述
集成感知与通信（ISAC）需要能够反映目标散射特性（特别是雷达散射截面积，RCS）的精确信道建模。虽然 3GPP 已采用了统计 RCS 模型进行标准化（例如 TR 38.901），但现有文献主要侧重于无人机（UAV），缺乏针对其他常见室内工厂（InF）目标（如机械臂 [RA] 和自主移动机器人 [AMR]）的系统性统计特征化。此外，标准的统计模型通常假设距离无关的随机变量，这无法捕捉近场（NF）和受控几何结构中 RCS 对距离和双站角（bistatic angle）的系统性依赖关系。本研究旨在解决对多样化 InF 目标进行基于测量的统计分布建模的需求，并建立近场双站 RCS 的确定性框架。

研究方法
本研究分为两个不同的阶段进行：统计特征化与确定性建模。

统计 RCS 特征化：
- 环境与目标： 测量在纽约阿布扎比大学（NYU Abu Dhabi）的室内工厂（InF）环境下进行，覆盖 25–28 GHz 频段。测试目标包括两款无人机（DJI Mavic 2 Pro 和 Matrice 300 RTK）、一台机械臂（KUKA LBR iiwa 14 R820）和一台四足机器人（Boston Dynamics Spot）。
- 设置： 采用了准单站配置（ $\theta_b \approx 10^\circ$ ）和三种双站配置（ $\theta_b \in \{20^\circ, 40^\circ, 60^\circ\}$ ）。目标经过预设的运动/姿态协议进行处理，以产生方位多样性，同时保持在高度定向天线（10° HPBW）的主波束内实现视距（LoS）传输。
- 分析： 研究将四种参数分布——正态分布、对数正态分布、Gamma 分布和 Weibull 分布——拟合至测量的 RCS 数据中。使用 Kolmogorov-Smirnov (KS) 统计量和经验累积分布函数（CDF）与拟合 CDF 之间的均方误差（MSE）来评估优度拟合（GoF）。
确定性 RCS 框架：
- 目标： 使用一块层压木质矩形板（1.84 m $\times$ 1.2 m）作为室内热点（InH）走廊中的典型平面反射器。
- 设置： 目标遍历了九个位置（2 m 至 10 m），以系统地改变双站角 ( $\theta_b$ ) 和距离 ( $d$ )。
- 建模： 作者通过将测量的双向路径损耗（PL）与修正的浮动截距（FI）和紧凑（CI）模型相结合，推导出了一个确定性近场双站 RCS 模型。提出了三种包含 $d, \lambda, \theta_b$ 依赖性的候选 RCS 模型 ( $\sigma_1, \sigma_2, \sigma_3$ )，并使用平均拟合误差（MFE）进行了评估。

核心贡献

多样化目标的统计分布： 本研究提供了首个针对 InF 环境下机械臂和 AMR 目标的系统性统计 RCS 特征化，同时也涵盖了无人机。研究发现，在不同频率和双站角下，对数正态分布和 Gamma 分布最符合经验 RCS 数据。
用于标准化的参数提取： 提取的分布参数（例如对数正态分布的 $\mu, \sigma$ ）针对通用目标类别进行了报告，为 3GPP TR 38.901 风格的 ISAC 仿真器提供了基于测量的输入。
确定性近场 RCS 模型： 提出了一种用于评估近场内矩形板有效双站 RCS 的新颖框架。该模型明确捕捉了对双站角和发射机-目标间距的依赖性，并通过路径损耗（PL）测量进行了验证。
统一分析： 本文汇总了所有目标和配置的“胜出计数”（win counts），以确定哪些分布族对于特定的目标形态（例如：对于具有间歇性散射中心的敏捷目标，使用对数正态/Weibull 分布；对于具有多样化散射体的复杂平台，使用 Gamma 分布）最为稳健。

结果

统计发现：
- 最佳拟合分布： 对于无人机，Gamma 分布在 32 个案例中有 12 个表现最佳，其次是 Weibull（11 个）和对数正态分布（9 个）。对于机械臂，Gamma 和 Weibull 分布占主导地位。对于四足机器人，对数正态分布在 16 个案例中有 7 个表现最佳。
- 趋势： 随着双站角 ( $\theta_b$ ) 的增加，RCS 通常会降低。由于物理尺寸更大且电池组存在强镜面反射，Matrice 300 RTK 的 RCS 一致高于 Mavic 2 Pro。由于金属成分，机械臂的 RCS 显著高于无人机。
- 频率依赖性： 在固定的 $\theta_b$ 下，观察到随着频率增加，RCS 略有上升。
确定性发现：
- 三阶 RCS 模型 ( $\sigma_3$ )（包含高达 $\lambda^2 d^4$ 的项）始终具有最低的平均拟合误差（MFE），表明高阶项对于准确的近场表征是必要的。
- 角度指数 $m$ 显示出明显的频率依赖性，对于 $\sigma_3$ 模型，从 25 GHz 时的约 -8.26 变化到 28 GHz 时的 -6.69。
- 研究表明，目标几何形状的变化（例如板材大小）会引入与距离 ( $d$ ) 和波长 ( $\lambda$ ) 相关的路径损耗修正，而非简单的常数偏移。

意义与声明
本文声称提供了首个基于测量的室内工厂环境下机械臂和移动机器人的统计 RCS 分布，填补了当前 ISAC 信道建模文献中的空白。通过验证对数正态分布和 Gamma 分布，本工作提供了可直接用于系统级仿真器和标准化信道模型（如 3GPP TR 38.901）的紧凑且可重复的参数。

关于确定性框架，作者声称建立了一个具备配置感知能力且具有物理可解释性的近场双站 RCS 模型。他们强调，该模型专门用于评估受控几何结构下平面面的镜面主导反射，并不旨在作为针对任意非镜面角的通用多站散射模型。研究谦虚地指出，确定性系数是针对所测试的板材尺寸特定的，且该框架对于变化目标尺寸的有效性仍需进一步研究。最终，这项工作为将目标依赖的幅度统计特性和确定性距离/角度特征集成到未来的 ISAC 信道建模标准中奠定了基础。

类似论文