⚡ electrical engineering

A Tutorial on AI-Empowered Integrated Sensing and Communications

本文综述了人工智能在赋能一体化感知与通信（ISAC）中的应用，重点探讨了利用深度学习优化统一波形、波束成形及星座设计以平衡感知与通信性能，并通过三个案例研究展示了其在降低复杂度与提升效率方面的实际潜力。

原作者： Mojtaba Vaezi, Gayan Aruma Baduge, Esa Ollila, Sergiy A. Vorobyov

发布于 2026-02-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Mojtaba Vaezi, Gayan Aruma Baduge, Esa Ollila, Sergiy A. Vorobyov

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

这篇论文就像是一份**“给 6G 网络设计的智能说明书”**，它探讨了一个非常酷的概念：如何让无线电波“一鱼两吃”。

想象一下，你现在的手机和家里的 Wi-Fi 路由器，它们主要做两件事：

传话（通信）： 给你发微信、刷视频。
看路（感知/雷达）： 就像汽车的雷达，用来探测周围有没有障碍物、车在哪里。

以前，这两件事是分开干的，就像你家里既有收音机（传话）又有手电筒（看路），它们各用各的频道，既占地方又费电。

这篇论文的核心思想是：能不能让同一个信号，既把话传清楚，又把路看清楚？ 这就是**“通感一体化”（ISAC）**。

但是，这里有个大难题：

传话喜欢信号像**“乱糟糟的噪音”**（随机性越强，信息量越大，像白噪音一样）。
看路喜欢信号像**“整齐的节拍”**（确定性越强，回波越清晰，像敲击鼓点一样）。

这就好比你想让一个人**“一边即兴爵士乐演奏（传话），一边精准地走钢丝（看路）”**，这两者的要求是打架的。

这篇论文做了什么？

作者们说：“别再用老办法（复杂的数学公式）去硬算怎么平衡了，太慢太复杂。让我们请**人工智能（AI）**来帮忙！”

他们把 AI 比作一个**“超级调音师”**，通过三个精彩的“实验案例”展示了 AI 如何搞定这个难题：

案例一：AI 设计的“万能波形”（Unsupervised Learning）

比喻： 想象你要设计一种**“万能语言”**。这种语言既要让朋友听得懂（通信），又要让远处的回声能帮你定位（雷达）。
AI 的做法： 传统的数学方法就像是用尺子去量，算出完美的角度，但算得太慢，稍微有点风吹草动（环境变了）就算不出来了。
AI 的绝招： 它不背公式，而是通过“试错”来学习。它像一个**“练功的武僧”**，不断调整信号的形状，直到找到一个既能传话又快、又能看路又准的“完美姿势”。
结果： AI 设计的信号，效果几乎和数学算出来的“完美答案”一样好，但速度快了成千上万倍，而且更灵活，环境变了它也能马上适应。

案例二：AI 优化的“智能波束”（Hybrid Beamforming）

比喻： 想象你手里有一束**“光”**（信号），你想把它精准地照向你的朋友（通信），同时又要照向远处的墙壁去探测有没有人（雷达）。
AI 的做法： 以前调整这束光的方向，需要像**“老式手电筒”**一样，慢慢旋转齿轮（传统算法），步骤繁琐。
AI 的绝招： 作者把调整过程变成了一张**“神经网络地图”。AI 就像是一个“经验丰富的老向导”**，它把复杂的调整步骤“压缩”成几个简单的动作。它不需要一步步算，而是直接“看”一眼环境，就知道下一步该怎么转。
结果： 找路的速度极快，而且能避开死胡同（局部最优解），找到更好的路线。

案例三：AI 设计的“新字母表”（Constellation Design）

比喻： 通信就像是用**“字母”**写信。传统的字母表（比如 QAM 或 PSK）是固定的。
- 有的字母表适合写信（通信好），但用来当雷达回波就不清晰。
- 有的字母表适合当雷达，但写信效率低。
AI 的绝招： AI 决定**“重新发明字母表”！它创造了一种“混合字母”**（比如多环星座）。
- 当它想多传点数据时，字母长得像**“复杂的迷宫”**（QAM 风格）。
- 当它想多探测点东西时，字母长得像**“整齐的圆圈”**（PSK 风格）。
- 当它想两者兼顾时，它创造出了**“既像迷宫又像圆圈”的全新形状**。
结果： 这种 AI 发明的新“字母”，比人类设计的传统字母表更聪明，能在传话和看路之间找到完美的平衡点。

总结：这篇论文告诉我们什么？

老方法太慢太死板： 以前靠数学公式硬算，不仅算得慢，而且一旦环境变了（比如车开得快了，或者信号干扰多了），公式就失效了。
AI 是“数据驱动”的魔术师： AI 不需要知道背后的物理公式，它只要看大量的数据，就能自己学会怎么设计信号。它更像是一个**“直觉敏锐的艺术家”，而不是一个“死板的计算器”**。
未来的 6G 是“智能”的： 未来的网络（6G）将不再只是传数据的管道，它本身就是一个**“巨大的雷达”。AI 将负责设计这些信号，让网络既能“眼观六路”（感知环境），又能“耳听八方”**（高速通信）。

一句话总结：
这篇论文告诉我们，为了让未来的网络既聪明又高效，我们不再需要拿着计算器死磕公式，而是应该训练 AI 去“悟”出最好的信号设计方法，让无线电波真正变成“一鱼两吃”的超级工具。

这是一篇关于**人工智能赋能的集成感知与通信（AI-Empowered ISAC）**的教程论文。该论文深入探讨了如何利用人工智能（特别是深度学习）来解决集成感知与通信系统中的核心挑战，即如何在有限的频谱和硬件资源下，平衡感知（雷达）与通信性能之间的固有矛盾。

以下是对该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

背景：6G 网络旨在实现“万物感知、万物互联、万物智能”。集成感知与通信（ISAC）通过共享频谱和硬件资源，能够显著降低系统成本并提高能效。然而，雷达（感知）和通信系统具有截然不同的优化目标：
- 通信：追求高数据速率、低误码率（BER），通常偏好高斯输入或高阶调制（如 QAM）。
- 感知：追求高精度的参数估计（如距离、速度），通常偏好确定性结构或恒模信号（如 PSK），以最小化均方误差（MSE）或克拉美 - 罗下界（CRLB）。
核心矛盾：在加性高斯白噪声（AWGN）信道中，最大化互信息（通信性能）的输入分布（高斯分布）会导致感知误差（MMSE）最大化。这种根本性的权衡使得传统的基于模型的解析设计方法面临巨大挑战。
现有挑战：
- 模型不完善：实际信道环境复杂多变，硬件存在损伤，传统模型往往无法准确描述。
- 计算复杂度高：求解多目标优化问题（如联合波束成形、波形设计）通常需要复杂的凸优化或迭代算法，难以满足实时性要求。
- 设计僵化：传统方法难以灵活适应动态环境。

2. 方法论 (Methodology)

论文系统性地对比了传统优化方法与基于学习的方法，并重点介绍了多种 AI 技术在 ISAC 中的应用框架：

优化范式对比：
- 传统方法：加权求和法（Weighted Sum）、 $\epsilon$ -约束法、帕累托优化。这些方法在处理非凸问题或模型不匹配时往往次优或计算量过大。
- 基于学习的方法：
  - 多任务学习 (MTL)：共享底层特征，同时优化感知和通信任务。
  - 多目标学习 (MOL)：在单一任务中平衡多个冲突目标（如速率 vs. 检测概率）。
  - 端到端学习 (End-to-End)：利用自编码器（Autoencoder）将发射机、信道和接收机视为一个整体神经网络进行联合优化。
  - 模型驱动学习 (Model-Based Learning)：
    - 即插即用 (Plug-and-Play, PnP)：将优化算法中的复杂步骤替换为神经网络。
    - 算法展开 (Algorithm Unrolling)：将迭代优化算法（如投影梯度上升）展开为神经网络层，通过数据训练学习超参数（如步长），从而加速收敛并跳出局部最优。

3. 主要贡献与案例研究 (Key Contributions & Case Studies)

论文通过三个具体的案例研究，展示了 AI 在 ISAC 波形、波束成形和星座设计中的实际应用：

案例研究 I：基于无监督学习的 ISAC 波形设计

方法：设计了一个全连接深度神经网络（DNN），采用无监督学习框架。
机制：
- 输入：信道状态信息（CSI）、目标符号矩阵、参考雷达波形。
- 损失函数：自定义损失函数，结合了通信的多用户干扰（MUI）功率最小化和雷达波形的自相关/互相关特性（与参考波形的匹配度）。
- 约束处理：利用 Lambda 层（自定义层）在输出端强制满足功率约束。
结果：
- 在通信可达和速率和感知检测概率（ROC）方面，其性能与基于凸优化（如半定松弛 SDR）的解析解非常接近（差距小于 1.5%）。
- 显著优势：计算复杂度大幅降低（从 $O((M\tau_d)^{3.5})$ 降至线性级别），适合大规模天线阵列的实时部署。
- 局限性：在信道老化（用户移动）或系统拓扑变化（用户数量改变）时，泛化能力下降，性能会有所退化。

案例研究 II：基于学习优化器的混合波束成形

方法：采用**算法展开（Algorithm Unrolling）**技术，将投影梯度上升（PGA）算法展开为神经网络。
机制：
- 将 PGA 的每次迭代映射为网络的一层。
- 将迭代中的步长（超参数）作为可学习参数，通过数据训练进行优化。
- 损失函数考虑了所有中间层的输出，旨在最大化可达和速率。
结果：
- 收敛速度：展开的 PGA 比传统 PGA 收敛快得多。
- 性能：在低信噪比（SNR）下表现优于传统 PGA，能够更有效地跳出局部最优解，达到接近最优数字波束成形的性能。

案例研究 III：基于自编码器的 ISAC 星座设计

方法：结合端到端学习（通信）和 supervised learning（感知），设计联合优化的调制星座。
机制：
- 架构：共享编码器（Encoder），分别连接通信解码器和雷达目标检测器。
- 损失函数：加权组合通信的交叉熵损失（最小化 BER）和感知的交叉熵损失（最大化检测概率）。
- 训练：通过调整权重参数 $\eta$ ，在通信主导、感知主导和平衡模式之间切换。
结果：
- 神经网络能够自动学习出新型星座结构（如多环星座），在感知和通信之间取得比传统 QAM 或 PSK 更好的平衡。
- 在感知主导模式下，星座趋向于 PSK 结构；在通信主导模式下，趋向于 QAM 结构；在平衡模式下，呈现出独特的非均匀分布，有效平衡了误码率和检测概率。

4. 关键结果与性能评估 (Results)

性能权衡：AI 方法能够在不显著牺牲一方性能的情况下，灵活调整感知与通信的权衡点（Pareto 前沿）。
复杂度降低：案例 I 和 II 表明，AI 方法将原本需要复杂迭代求解的问题转化为前向推理，显著降低了计算延迟，适合实时应用。
鲁棒性：虽然 AI 模型在训练分布内表现优异，但论文也指出了其在信道老化和拓扑变化下的泛化局限性，强调了重新训练或在线学习的重要性。
新星座设计：案例 III 证明了 AI 可以突破传统调制格式的限制，设计出适应特定 ISAC 场景的最优星座。

5. 意义与未来展望 (Significance & Future Directions)

理论意义：该论文确立了 AI 作为解决 ISAC 多目标优化问题的有力工具，特别是在模型未知、算法过于复杂或实时性要求高的场景下。
实践意义：为 6G 网络中智能、自适应的波形和波束成形设计提供了具体的实现路径和基准。
未来研究方向：
- 端到端 ISAC：扩展到多小区、多用户场景，并解决自干扰和互干扰问题。
- Transformer 网络：利用 Transformer 的自注意力机制处理多模态数据（雷达、视觉、LiDAR），建模长距离依赖和全局协作。
- 数字孪生 (Digital Twin)：利用数字孪生构建虚拟环境，加速 AI 模型的训练和策略优化。
- FR3 频段 (7-24 GHz)：针对中频段特有的传播特性（如近场效应、中等稀疏性）开发专用的学习算法。

总结：
这篇论文不仅全面梳理了 AI 在 ISAC 领域的应用现状，还通过三个详实的案例研究，从波形、波束成形到星座设计，实证了深度学习在降低计算复杂度、提升系统性能平衡性以及解决非凸优化问题方面的巨大潜力。它指出，虽然 AI 方法存在泛化性和可解释性的挑战，但在 6G 时代，它是实现高效、智能集成感知与通信系统的必由之路。