⚡ electrical engineering

Integrated Sensing and Communication for Segmented Waveguide-Enabled Pinching Antenna Systems

本文提出了一种用于分段波导增强型捏合天线（SWAN）系统的集成感知与通信（ISAC）框架，该框架利用一种混合分段选择与复用协议以及一种基于分段滞后的强化学习算法，来联合优化波束成形、分段选择和天线定位，从而在满足感知约束的同时最大化通信速率并降低硬件成本。

原作者： Qian Gao, Ruikang Zhong, Hyundong Shin, Yuanwei Liu

发布于 2026-01-29

📖 1 分钟阅读☕ 轻松阅读

CC0 1.0

原作者： Qian Gao, Ruikang Zhong, Hyundong Shin, Yuanwei Liu

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 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

大局观：数据与雷达的智能、灵活“灯光秀”

想象一下，你正试图在一个巨大的黑暗房间里同时做两件事：

与朋友交谈（通信）：你需要向散落在房间各处的特定人群发送清晰的信息。
寻找丢失物品（感知）：你需要用光照亮某个区域，以看清哪里藏着物体或人。

在 6G 无线网络的世界里，如何高效地同时完成这两项任务是一个巨大的挑战。这篇论文提出了一种构建处理这项工作的“聚光灯”（天线）的新方法。他们将这个系统称为 SWAN-ISAC。

问题所在：“长软管”问题

传统上，这些天线就像一根长达数十米的巨大且连续的软管（波导）。为了发送信号，你必须将能量泵送到这根长长的软管中。

缺陷： 就像水在经过非常长的管道时会损失压力一样，信号在长距离波导传输过程中也会损失强度（能量）。
僵化性： 如果你想改变光照的方向，通常需要移动沉重的机械部件或使用昂贵且复杂的电子设备。这就像为了照亮房间的另一个角落，就不得不去移动一盏巨大的、沉重的吊灯。

解决方案：“模块化列车”（分段波导）

作者建议将那根巨大的软管分解成较小的、独立的分段。可以把它想象成一列火车，每一节车厢都是一个独立的聚光灯。

捏合天线（Pinching Antennas）： 你不需要移动整列火车，而是可以通过“捏合”（激活）任何一节车厢上的特定点来创造出一束光。这就像拥有一把灵活的尺子，你可以在线上的任何一点创造光源。
混合策略 (HSSM)： 该系统使用了一种名为“混合分段选择与复用”的智能协议。想象一位指挥家决定：“今天，我们只需要 1、3、5 号车厢运行。让我们关闭 2 号和 4 号车厢以节省燃料。”这在保持信号强大的同时，既节省了成本又节省了能源，因为光不需要在“管道”中传输那么远。

大脑：“滞后”教练 (SHRL)

最难的部分在于决定使用哪些火车车厢以及在哪里“捏合”光线，尤其是当人员（用户）和物体（目标）在移动时。这是一个极其复杂的数学难题，普通的计算机无法快速解决。

作者创建了一个全新的 AI 教练，称为 SHRL（分段滞后强化学习）。

它是如何学习的： 这个 AI 会尝试各种不同的车厢组合以及光线位置。如果某种组合效果很好（人们听得清晰，且能发现目标），它就会获得“奖励”。
秘诀（滞后性/Hysteresis）： 这是本文的核心创新。想象一位有点“固执”的教练。如果团队表现尚可，教练不会仅仅因为一个小错误就立即恐慌并更换整个阵容。
- 没有滞后性： 标准的 AI 可能会频繁跳变，每秒钟都在改变火车配置，这会让系统感到困惑。
- 有了滞后性： SHRL 教练会说：“等等，目前的设置已经足够好了。除非新方案能显著优于现状，否则我们还是维持原状。”这防止了系统产生震荡和抖动，使其学习得更快、更稳定。

结果：谁赢得了比赛？

作者通过模拟实验（计算机测试）来观察他们的系统与旧方法及其他 AI 算法的表现对比。

优于旧方法： 新的“模块化列车”系统（SWAN）表现远优于旧有的“巨大软管”系统（PASS）。它传输了更多的数据，并且探测目标的精度更高。
最强的教练： SHRL 算法（这位“固执”的教练）击败了其他流行的 AI 教练，如 A2C、PPO 以及随机猜测法。
- 在用户和目标分布较散（稀疏情况）的测试中，SHRL 是明显的赢家。
- 即使在房间拥挤且混乱（密集情况）的情况下，SHRL 仍能保持信号强度并维持雷达工作，而其他算法则显得力不从心。
应对长度： 当他们把“软管”做得非常长（100 米）时，信号自然会对所有人都会变弱。然而，SHRL 是最稳健的，它比其他算法能更好地应对这种损耗。

总结

这篇论文介绍了一种更智能、更灵活的 6G 天线构建方式。他们不再使用一根低效的长线，而是使用一个可以像火车车厢一样开启或关闭的模块化分段系统。为了控制这个复杂的系统，他们发明了一种新的 AI 方法，这种方法足够“固执”，能够避免不必要的频繁变动，从而实现了更快的学习速度以及对通话通信和环境感知更好的性能表现。

技术摘要：面向分段波导增强型挤压天线系统的集成传感与通信

1. 问题陈述

本文探讨了为第六代（6G）网络设计集成传感与通信（ISAC）系统所面临的挑战，这类网络需要同时实现高速率数据传输和精细的环境感知。虽然传统的相控阵和可重构天线提供了波束赋形能力，但它们往往面临硬件成本高、馈电网络复杂以及灵活性有限的问题。

近期的研究引入了“挤压天线”（Pinching Antennas, PAs），通过挤压波导来产生辐射点，从而提供高空间灵活性和更低的复杂度。然而，现有的 PA 设计通常依赖于单根或长连续波导（数十米），这会导致在大范围区域内的性能退化（由于传播损耗）并增加维护成本。为了解决这些局限性，本文研究了**分段波导增强型挤压天线（Segmented Waveguide-Enabled Pinching Antenna, SWAN）**系统。其核心挑战在于如何联合优化发射波束赋形、分段选择以及挤压天线的位置，以在满足感知性能约束的同时最大化总通信速率，这是一个具有非凸性和非线性特征的问题。

2. 方法论

系统模型

作者提出了一个下行链路 SWAN-ISAC 系统，该系统配备了 $M$ 个分段波导，每个波导包含 $N$ 个挤压天线。该系统服务于 $K_c$ 个通信用户并检测 $K_s$ 个感知目标。

信号模型： 系统采用了**混合分段选择与复用（Hybrid Segment Selection and Multiplexing, HSSM）**协议。每个波导分段连接到一个专用的射频（RF）链路。信号被馈入波导，PA 辐射出经过相位偏移的信号，并考虑了波导内的传播损耗。
指标： 目标是在满足感知目标最小照明功率阈值（ $\tilde{\Gamma}$ ）的前提下，最大化总通信速率（ $R_{kc}$ ）。约束条件包括总发射功率限制以及相邻挤压天线之间的最小间距。

提出的解决方案：分段滞后强化学习（SHRL）

为了解决非凸的联合优化问题，作者提出了**基于分段滞后的强化学习（Segment Hysteresis Reinforcement Learning, SHRL）**算法。

MDP 建模： 该问题被建模为一个马尔可夫决策过程（MDP）。状态空间包括信道状态信息（CSI）、前一次天线位置以及前一次分段分配。动作空间涉及天线位置、分段选择逻辑值（logits）和波束赋形权重的连续更新。
滞后机制： 不同于在每一步都独立更新分段选择的传统强化学习（RL），SHRL 引入了一个概率滞后门（probabilistic hysteresis gate）。该机制防止了天线-分段映射关系的剧烈变化。只有当新的分段决策能提供足够的改进或超过特定阈值时，才会被接受；否则，将保留之前的选择。这减少了结构性方差，并缓解了由快速切换引起的非平稳性问题。
训练： 该算法利用优势演员-评论家（Advantage Actor-Critic, A2C）框架。演员（Actor）输出波束赋形参数和原始分段逻辑值，而滞后门在执行前对分段选择进行精炼。评论家（Critic）评估状态价值以指导策略更新。

3. 主要贡献

SWAN-ISAC 框架： 本文提出了一种利用分段波导的 ISAC 设计，与连续波导设计相比，该设计降低了波导内的传播损耗，并增强了空间资源分配的灵活性。
HSSM 协议： 实现了一种混合分段选择与复用协议，将分段连接到专用射频链路，在平衡性能的同时降低了硬件成本。
SHRL 算法： 开发了一种新型强化学习算法，该算法结合了基于滞后的更新机制。这专门解决了在连续控制环境中优化离散结构选择时的稳定性问题，确保了策略探索的时间一致性。
联合优化： 构建并求解了一个复杂的联合优化问题，涉及发射波束赋形、分段选择以及感知约束下的物理天线定位。

4. 仿真结果

作者在 50m $\times$ 60m 区域内进行了仿真，设置 6 个用户和 1 个目标，工作频率为 28 GHz。

协议对比： 所提出的 SWAN-HSSM 方案在稀疏和密集用户/目标场景下，其表现均显著优于 SWAN-SM（单路复用）和传统的 PASS（周期性天线选择方案）基准。SWAN-HSSM 通过有效地选择活跃分段来减少功率扩散并减轻干扰，从而获得了最高的奖励。
算法性能： 与 SPRL（周期性选择）、A2C、PPO 和随机方案相比，SHRL 展示了卓越的收敛稳定性，并获得了最高的最终奖励。滞后机制防止了不必要的分段切换，从而实现了更稳定的学习。
配置敏感性：
- 波导长度： 随着总波导长度增加（最高达 80m），性能随之提升，因为空间孔径变大。然而，在极长长度（100m）下，传播损耗导致所有算法的性能均出现下降，其中 SHRL 表现最为稳健。
- 分段数量： 增加分段数量（ $M$ ）会提高感知信噪比（由于每段衰减降低），但会降低通信速率（由于每个分段的天线数量减少以及阵列增益降低）。SHRL 在这些相互竞争的指标之间始终保持着最佳的权衡。

5. 重要性与主张

本文声称，所提出的 SWAN-ISAC 架构结合 SHRL 算法，为高性能、受功率限制的 ISAC 部署提供了一种可行的解决方案。其重要性在于：

硬件效率： 利用分段波导和挤压天线，与传统的相控阵相比降低了硬件复杂度和维护成本，同时比单根连续波导提供了更大的灵活性。
稳定优化： 在强化学习中引入滞后机制，为在具有离散结构变化（分段选择）的系统中稳定学习过程提供了一种方法，这正是 A2C 或 PPO 等标准强化学习算法经常面临的挑战。
性能增益： 该系统实现了通信吞吐量与感知精度之间的卓越平衡，在保持感知信噪比接近运行阈值的同时，显著提升了数据速率，优于基准方案。

作者总结道，分段波导天线系统是未来 6G ISAC 应用中极具前景的赋能技术，特别是在需要灵活波束赋形以及高效分离通信与感知功能的情况下。