⚡ electrical engineering

Full Duplex ISAC with Cluster Ray Targets: Parameter Estimation and Beamforming

本文提出了一种用于空间分布系统的全双工感知通信一体化（ISAC）框架，该框架采用两阶段快速傅里叶变换（FFT）和高斯-牛顿估计器来克服传统方法在定位分布式目标方面的局限性，并结合一种能够同时满足感知分辨率和多用户通信需求的自适应波束赋形器。

原作者： Muhammad Talha, Besma Smida, David González G

发布于 2026-06-23

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Muhammad Talha, Besma Smida, David González G

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

想象一下这样一个未来：你的汽车收音机不仅仅是播放音乐，它还能同时充当一个超强力的手电筒和一个声呐系统。这就是 ISAC（通信感知一体化）的世界。你提供的这篇论文探讨了这项技术中一个特定且棘手的难题：如何去“看见”那些不仅仅是单个点，而是实际上是模糊、弥散云团（例如一整组车辆或一座大型建筑）的物体，同时还能同时与许多人进行通信。

以下是使用日常类比对该论文思想进行的拆解。

1. 问题所在：“模糊云团” vs. “定点”

目前大多数雷达和通信系统旨在将目标视为单个点，就像地图上的一个光点。这对于远处的单辆汽车非常有效。

然而，在现实世界中（特别是对于自动驾驶汽车），目标通常是分布式的集群。不要把目标想象成一个单一的针尖，而要把它想象成一个雾状云团或是一群蜜蜂。

问题在于： 传统的尖端数学工具（如文中提到的“MUSIC”算法）就像是在干草堆里寻找一根针。当目标是一个整个“云团”的射线时，这些工具会感到困惑，因为信号看起来是“充实”且杂乱的，而不是锐利的。它们无法告诉你云团的中心在哪里，或者云团扩散得有多宽。
目标： 作者希望建立一个能够准确测量这个“云团”的中心以及它的宽度（弥散度）的系统，即使在信号微弱（低电量/低信号强度）的情况下也是如此。

2. 解决方案：两阶段侦探

为了解决这个问题，作者构建了一个两步估计过程。这就像一名侦探试图在拥挤的房间里识别嫌疑人。

第一阶段：广角搜索（“粗略”估计）
- 工具： 他们使用了快速傅里叶变换 (FFT)。
- 类比： 想象用一个广角手电筒扫描黑暗的房间。你还看不清细节，但你可以快速察觉到运动大致发生在哪里。这一阶段使用了一种聪明的数学技巧（称为“流形分离”），将一个复杂的、弯曲的问题转化为一条直线，从而使计算机能够使用一种非常快速的“搜索灯”算法来找到目标的概略方向和扩散程度。
- 结果： 它给出了一个关于“云团”位置和范围的快速、粗略的猜测。
第二阶段：放大镜（“精细”估计）
- 工具： 他们使用了 高斯-牛顿法 (Gauss-Newton method)。
- 类比： 一旦广角手电筒锁定了大致区域，侦探就会掏出放大镜。这一步利用第一阶段的粗略猜测来进行“微调”。它通过微调数值来获得精确的中心位置和精确的云团宽度。
- 结果： 这一步显著提高了准确性，尤其是在信号微弱（比如在浓雾中观察）的情况下。论文声称，在信号微弱时，该方法在测量目标的“宽度”方面比旧方法强三倍。

3. 波束成形器： “智能聚光灯”

该系统不仅仅是一个被动的观察者；它必须发送信号来进行感知。这就是波束成形 (Beamforming) 发挥作用的地方。

挑战： 系统必须同时做两件事：
1. 通话：与多个用户通信（例如向你的手机发送数据）。
2. 感知：感知分布式的目标（例如照亮整个停车场，而不只是单辆车）。
3. 避免自干扰：由于系统是“全双工”的（同时进行发送和接收），发射器巨大的声音可能会“震聋”自己的耳朵。
解决方案： 作者设计了一个自适应波束成形器。
- 类比： 想象一名舞台聚光灯操作员，他必须同时完成三件事：
  1. 将一道紧凑、明亮的强光照射在特定的演员（通信用户）身上。
  2. 将一道宽阔、弥散的泛光灯投射在整个舞台上，以观察布景（分布式目标）。
  3. 佩戴降噪耳机，以免响亮的聚光灯声震聋自己。
- 论文中的数学模型创建了一个“智能聚光灯”，能够完美地塑造波束，既能覆盖整个目标的“云团”，又能同时向用户交付高速数据，并防止系统被自身的噪声所淹没。

4. 结果：为什么这很重要

作者通过计算机仿真测试了他们的新型“两阶段侦探”和“智能聚光灯”。

速度与效率： 他们的这种方法比旧方法快得多。旧方法必须为每一个可能的角度进行沉重、缓慢的数学运算，而他们的方法使用“查找表”（类似于预先计算好的“小抄”）几乎可以瞬间找到答案。
准确性：
- 在低信号条件下（如暴风雨之夜），他们在测量目标“扩散程度”方面比次优方法强三倍。
- 即使对于非常紧凑（窄云团）的目标，他们的准确度也提高了一倍。
平衡： 该系统成功地实现了在向用户发送数据的同时进行目标感知的目标，且没有让系统“致盲”。

总结

简单来说，这篇论文提出了一种新的无线系统方式，使其能够看见“模糊”物体（如车辆群或建筑物），而不仅仅是单个点。它通过使用两步过程（快速扫描结合精确调整）和一种智能波束塑造技术来实现，使得系统可以在与人通信的同时扫描环境，而不会感到困惑或不堪重负。其结果是一个比现有技术更快、更准确，且在处理微弱信号方面表现更好的系统。

技术摘要：具有簇射线目标的双工全双工 ISAC

问题陈述
本研究解决了集成感知与通信（ISAC）系统中的关键局限性，特别是在下一代 6G 无线网络背景下。传统的高分辨率估计方法（如 MUSIC）无法准确定位分布式目标，因为即使在单目标场景下，信号子空间也会变为满秩。此外，现有文献通常将雷达目标建模为远场点目标，这一假设对于通信用户是成立的，但对于具有空间延展性的车辆到基础设施（V2I）和车辆到一切（V2X）感知场景则并不适用。此外，现有的扩展目标模型（例如截断傅里叶级数）往往会产生极高的计算成本，并依赖于忽略雷达信道随机性的确定性假设。最后，先前的波束赋形设计往往忽略了全双工（FD）系统中自干扰（SI）的约束，以及同时照亮分布式目标并满足用户数据速率的要求。

方法论
作者提出了一个运行在毫米波频段并使用 OFDM 波形的双工（FD）MIMO ISAC 框架。该系统在为多个下行链路通信用户提供服务的同时，感知 $K$ 个分布式的簇射线（Cluster Ray, CR）目标，每个目标被建模为具有特定角度和距离扩展的射线簇，符合 3GPP 标准。

所提方案的核心由两个主要部分组成：

两阶段参数估计器：
- 第一阶段（粗略估计）： 作者采用流形分离技术（MST）将阵列响应向量中的非线性方向相位分量转换为线性相位分量。这使得通过快速傅里叶变换（FFT）构建目标谱成为可能。通过将空间流形与阵列维度解耦，该方法通过 1D 和 2D FFT 操作构建 2D 查找表。这使得通过移动平均滤波器在角度和角度扩展的网格上快速评估空间谱成为可能，从而规避了在每个网格点进行昂贵矩阵乘法的需求。
- 第二阶段（精细估计）： 为了优化粗略估计结果，应用了高斯-牛顿优化法。此阶段通过最小化基于理论协方差矩阵与估计协方差矩阵之间差异的加权最小二乘目标函数来进行。利用解析导数迭代更新参数向量（平均角度、角度扩展和信号功率）。
自适应波束赋形优化：
论文提出了一个优化框架来设计发射波束赋形器（ $V$ ）。其目标是最小化设计的波束赋形器与能够完全照亮所有目标空间范围的“理想”波束赋形器之间的加权距离。该优化受三个约束条件的限制：
- 数据速率： 满足所有通信用户的最低数据速率要求。
- 自干扰： 限制接收端射频链（在模拟抵消后）的残余 SI 功率，以防止饱和。
- 功率： 符合总发射功率限制。
  非凸的数据速率约束被重新表述为二阶锥（SOC）约束，使得整个问题变为凸问题，并可通过 CVX 等标准工具求解。

核心贡献

分布式目标建模： 本工作首次在 ISAC 背景下研究了空间扩展或聚集的目标，使用了计算效率极高的分布式 CR 模型（由 3GPP 提出），超越了点目标假设。
低复杂度估计： 所提出的两阶段估计器成功解决了多个分布式目标问题。它实现了这一点，而无需承担传统基于子空间的方法（如 Zoubir、DISPARE 或广义 Capon）在每个网格点产生的 $O(N_A^3)$ 计算负担，而是利用基于 FFT 的操作显著降低了复杂度。
联合感知与通信波束赋形： 作者引入了一个优化框架，该框架可以合成自适应波束，这些波束能够在严格维持用户服务质量（QoS）并管理全双工系统中自干扰的同时，覆盖分布式目标的完整范围。

结果
仿真结果证明了所提框架的有效性：

扩展估计： 在低信噪比（SNR）条件下，与基准子空间方案相比，所提方法在估计角度扩展方面实现了三倍的提升。对于低扩展目标，观察到两倍的提升。
角度估计： 虽然所提估计器在低 SNR 机制下追踪基准方法的性能，但在 SNR 超过 10 dB 后，其表现显著优于基准方法。
鲁棒性： 精细调整阶段对角度扩展（ $\sigma_\theta$ ）的精度提升比对平均角度（ $\theta$ ）的提升更为显著。该方法在不同目标扩展下均保持稳健，即使在色散加宽时仍保持优越性能，而一些基准方法（如广义 Capon）在极端扩展下会出现性能下降或偏差。
波束赋形： 设计的波束图密切匹配了照亮目标所需的理想感知模式，同时满足了用户数据速率约束，并将 SI 功率控制在射频饱和阈值以下。

意义
该论文声称其主要意义在于解决了处理分布式目标的 ISAC 系统的计算和建模瓶颈。通过利用基于 MST 的方法，作者提供了一种可扩展的解决方案，避免了大规模 MIMO 阵列传统网格搜索估计器带来的高昂复杂度。此外，这项工作通过将目标照亮需求直接集成到波束赋形优化中，弥合了理论目标建模与实际系统设计之间的差距，确保感知性能不会受到通信需求或诸如自干扰等硬件限制的影响。结果表明，该框架为实现能够处理现实世界扩展目标复杂性和随机性的高分辨率、全双工 ISAC 系统提供了一条可行路径。

1. 问题所在：“模糊云团” vs. “定点”

2. 解决方案：两阶段侦探

3. 波束成形器： “智能聚光灯”

4. 结果：为什么这很重要

总结

类似论文