⚡ electrical engineering

Synchronization and Localization in Ad-Hoc ICAS Networks Using a Two-Stage Kuramoto Method

本文提出了一种适用于自组织车载网络的分布式联合同步与定位方案，该方案基于两阶段 Kuramoto 方法，具有信号无关性并能有效缓解有限采样频率带来的性能退化问题。

原作者： Dominik Neudert-Schulz, Thomas Dallmann

发布于 2026-04-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Dominik Neudert-Schulz, Thomas Dallmann

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

这篇论文讲述了一个关于如何让一群“自动驾驶汽车”在没有指挥中心的情况下，自己“步调一致”地说话和“看清”彼此位置的故事。

想象一下，你身处一个没有红绿灯、没有交警指挥的繁忙十字路口。这里的每一辆车（我们称之为“主机”）都需要做两件事：

说话（通信）： 它们需要互相交换数据，比如“我要左转了”或“前面有障碍物”。
看路（感知）： 它们需要利用雷达信号互相探测，知道对方确切在哪里，距离多远。

如果大家的“说话节奏”（频率）和“说话时机”（相位）对不上，或者大家心里的“地图”（位置）是乱的，那就会乱成一锅粥，甚至发生碰撞。

这篇论文提出的解决方案，就像给这群车装上了一个神奇的“自我协调大脑”。

1. 核心难题：没有“总指挥”怎么办？

在传统的网络里，通常有一个基站（像交警一样）告诉所有车：“大家听我的，现在时间同步，频率统一。”
但在未来的自动驾驶网络中，车与车之间是**点对点（P2P）**的，没有总指挥。每辆车都有自己的时钟，有的快一点，有的慢一点，就像一群各自打着不同拍子跳舞的人。

2. 解决方案：两阶段“库拉莫托”舞步

作者借用了一个叫**“库拉莫托模型”（Kuramoto Model）**的数学概念。你可以把它想象成一群萤火虫，或者一群拍手的人。

第一阶段（频率同步）： 就像一群萤火虫，起初闪烁频率不同。但它们会互相观察，如果邻居闪得快，我就稍微快一点；如果邻居慢，我就慢一点。慢慢地，所有人的闪烁频率就趋同了。
第二阶段（相位同步）： 频率一样了，但大家可能还是“错开”的（比如你闪的时候我正好灭）。第二阶段就是调整“起步时间”，让大家在完全相同的瞬间闪烁。

这篇论文的突破点在于：
以前的方法只解决了“节奏”问题，但忽略了现实世界的一个大麻烦——“采样误差”。

3. 现实世界的麻烦：数字世界的“卡顿”

在真实的计算机里，信号不是连续流动的，而是像翻书一样，一页一页（离散采样）读取的。

比喻： 想象你在看一部电影，如果帧率不够高（采样频率低），动作就会显得卡顿、不连贯。
后果： 在论文中，这种“卡顿”会导致车辆之间的同步出现偏差，就像大家虽然都在跳舞，但因为看的时间点有细微差别，导致位置计算完全出错，车可能会误以为邻居在十米外，其实只有两米。

4. 作者的“魔法修正”：两阶段 + 漂移补偿

作者设计了一个**“两阶段 + 修正”**的算法：

步骤一：听与算（信号处理）
每辆车接收邻居的信号，不仅计算“我们现在的节奏差多少”，还要计算“因为我的时钟是数字的，所以我的读数可能偏了多少”。
步骤二：互相校正（矩阵分解）
作者把收集到的所有信息整理成一张大表格。利用数学技巧，把表格里的信息拆成两部分：
1. 真正的节奏差（我们要同步的部分）。
2. 传播延迟（信号在路上跑的时间，这直接对应距离）。
- 妙处： 以前只能同步节奏，现在通过分离出“传播延迟”，车辆不仅能同步，还能算出彼此的确切位置！这就实现了“同步”和“定位”一举两得。
步骤三：漂移补偿（防止跑偏）
针对前面提到的“数字采样卡顿”问题，作者加了一个小小的**“修正项”**（就像给跳舞的人加了一个隐形的节拍器修正器）。即使大家的时钟有微小的漂移，这个修正器也能把它们拉回正轨。

5. 实验结果：从“乱舞”到“整齐划一”

作者做了三个模拟实验：

完美世界（无误差）： 大家很快就能跳得整齐，位置也算得准。
现实世界（有采样误差，无修正）： 大家虽然努力同步，但因为“卡顿”导致越跳越偏，位置算出来也是飘忽不定的（就像喝醉了跳舞）。
现实世界（有采样误差，有修正）： 加上作者的“修正项”后，即使有“卡顿”，大家依然能跳得非常整齐，位置也能算得很稳。

总结

这篇论文就像是为未来的自动驾驶车队设计了一套**“去中心化的自我协调系统”**。

它告诉我们要想让车与车之间既能精准通信（像合唱团一样整齐），又能精准定位（像盲人摸象一样准确知道彼此在哪），就必须：

利用**“两阶段库拉莫托”**方法让大家互相模仿、调整节奏。
特别小心处理数字采样带来的微小误差，并加入修正机制。

只有这样，未来的自动驾驶汽车才能在没有任何交警指挥的情况下，像一群训练有素的舞者一样，在复杂的城市交通中安全、流畅地穿梭。

这是一份关于论文《Synchronization and Localization in Ad-Hoc ICAS Networks Using a Two-Stage Kuramoto Method》（基于两阶段 Kuramoto 方法的自组网 ICAS 网络同步与定位）的详细技术总结。

1. 研究背景与问题 (Problem)

背景：
集成通信与感知（ICAS）是车联网（V2X）的关键技术，旨在利用同一信号同时实现数据传输和雷达感知功能。在去中心化的点对点（P2P）车辆网络中，没有中央协调单元，各节点（Hosts）必须协同工作。

核心挑战：

精确同步需求： 为了实现相干信号处理（Coherent Signal Processing）以支持高精度雷达应用，网络中的通信实体必须在频率和相位上实现精确同步。
定位需求： 自动驾驶汽车需要周围车辆的高精度位置估计。然而，在城市环境中，低成本全球导航卫星系统（GNSS）往往无法提供精确的位置信息。
现有方法的局限：
- 现有的基于共识（Consensus-based）的同步算法（如基于 Kuramoto 模型的方法）通常忽略传播时延，或者无法同时提供位置估计。
- 现有研究往往假设理想条件，忽略了有限采样频率带来的影响。在实际应用中，有限的采样率会导致同步和定位性能严重下降（产生频率漂移）。

目标：
提出一种联合的、分布式的同步与定位方案，适用于广泛的 ICAS 信号，并能有效缓解有限采样频率带来的负面影响。

2. 方法论 (Methodology)

该论文提出了一种基于两阶段 Kuramoto 模型的分布式算法，主要包含信号模型定义、相位差估计、矩阵分解以及同步与定位算法。

A. 信号模型与相位定义

信号模型： 假设 $P$ 个主机同时收发信号。每个主机发送由多个基信号（Base Signals）拼接而成的信号 $x_p(t)$ 。基信号具有因果性且单位时长为 1（归一化后）。
广义相位定义： 为了避免宽带信号中希尔伯特变换带来的相位突变问题，作者定义了一种基于基信号索引和相对时间的“传输相位”和“接收相位”：
- 传输相位 $\phi_{T,q}(t)$ 基于当前发送的基信号索引 $n$ 和相对于该信号起始时间的偏移。
- 接收相位 $\phi_{R,p,q}(t)$ 基于接收到的来自主机 $p$ 的视距（LOS）信号。
相位差： 定义主机 $q$ 与主机 $p$ 之间的相位差 $\psi_{p,q}(t)$ ，该差值包含了信号起始时间差和传播时延 $\delta_{p,q,0}$ 。

B. 两阶段 Kuramoto 方法扩展

该方法分为两个阶段，用于同步频率和相位：

第一阶段（频率共识）： 使用共识滤波器更新基础频率 $f_{b,q}$ $f_{b, q}$ ，使所有节点的频率趋于一致。
- 创新点： 引入了漂移补偿项（Penalty term），用于防止由于有限采样频率导致的整体频率漂移。通过引入锚定频率（Anchor Frequency）和惩罚系数 $\alpha_a$ ，强制系统频率回归到初始平均值附近。
第二阶段（相位同步）： 类似于标准 Kuramoto 模型，利用相位差的正弦项调整瞬时频率 $f_q(t)$ ，从而同步基信号的起始时间 $\tau$ 。

C. 传播时延与定位估计

矩阵分解： 作者利用相位差矩阵 $\Psi$ $Ψ$ 的对称性进行分解：
- $\Psi_\tau$ （仅与起始时间有关）是反对称矩阵（ $\Psi_\tau = -\Psi_\tau^T$ ）。
- $\Psi_\delta$ （包含传播时延）是对称矩阵（ $\Psi_\delta = \Psi_\delta^T$ ）。
- 通过公式 $\Psi_\tau \approx \frac{1}{2}(\Psi - \Psi^T)$ 和 $\Psi_\delta \approx \frac{1}{2}(\Psi + \Psi^T)$ 将两者分离。
定位： 分离出的 $\Psi_\delta$ 包含了视距传播时延，进而可以计算节点间的距离。利用**多维缩放（MDS）**技术，从距离矩阵中恢复出各节点的相对位置。

D. 算法流程

每个节点估计并广播相位差向量。
接收节点更新相位差矩阵。
利用矩阵分解分离出传播时延部分。
利用 MDS 进行相对定位。
利用两阶段 Kuramoto 算法调整下一帧信号的持续时间和起始时间，实现同步。

3. 关键贡献 (Key Contributions)

联合同步与定位： 首次将两阶段 Kuramoto 方法扩展，使其不仅能实现频率和相位的同步，还能同时估计节点间的传播时延，从而实现分布式相对定位。
信号无关性（Signal-Agnostic）： 提出的方案对基信号的具体波形不敏感，只要满足因果性和可检测性约束，即可应用于 OFDM、FMCW 等多种 ICAS 信号。
有限采样频率的缓解机制： 识别并解决了有限采样频率导致的频率漂移问题。通过引入漂移补偿项（Drift Compensation），显著提高了在非理想采样条件下的同步稳定性。
相位定义的改进： 提出了一种适用于宽带信号的广义相位定义，避免了传统解析信号方法在宽带信号下的相位跳变问题。

4. 实验结果 (Results)

作者通过仿真实验验证了算法在三种场景下的表现（4 个节点，不同初始频率和位置）：

场景 A（理想情况，无限采样率）：
- 瞬时频率迅速收敛到共同值。
- 传输起始时间误差趋近于零。
- 定位误差趋近于零。
- 结论：算法在理想条件下完全有效。
场景 B（有限采样率，无漂移补偿）：
- 频率虽然趋于接近，但出现了明显的联合漂移（Joint Drift），无法稳定在参考频率。
- 起始时间存在振荡，无法完全同步。
- 定位结果不稳定，误差较大。
- 结论：有限采样率会严重破坏同步和定位性能。
场景 C（有限采样率，有漂移补偿）：
- 引入微小的漂移补偿（ $\alpha_a = 0.05$ ）后，瞬时频率再次收敛到稳定值。
- 起始时间同步精度显著优于场景 B，虽然略低于场景 A，但已非常接近。
- 定位误差虽然未完全归零，但变得稳定且可靠，大幅优于场景 B。
- 结论：提出的补偿机制有效克服了有限采样带来的负面影响。

5. 意义与总结 (Significance)

理论价值： 该工作填补了 Kuramoto 同步模型在实际物理层应用中的空白，特别是解决了传播时延估计与同步解耦的问题，并量化了采样率对分布式同步的影响。
应用价值： 为未来的自动驾驶和车联网（V2X）提供了一种无需 GNSS 辅助、无需中央控制器的自组网（Ad-Hoc）同步与定位解决方案。这对于城市峡谷等 GNSS 信号受限环境下的协同感知至关重要。
鲁棒性： 提出的漂移补偿机制使得该算法在硬件实现（受限于 ADC 采样率）时具有更高的实用性和鲁棒性，确保了系统在非理想条件下的可用性。

综上所述，这篇论文提出了一种高效、分布式的联合同步与定位框架，通过改进 Kuramoto 模型并引入针对采样误差的补偿机制，成功解决了自组网 ICAS 系统中的关键同步与定位难题。