⚡ electrical engineering

Beyond $λ/2$ : Can Arbitrary EMVS Arrays Achieve Unambiguous NLOS Localization?

本文提出了一种利用电磁矢量传感器（EMVS）多分量特性及重构智能表面（RIS）辅助的非视距（NLOS）双基站MIMO雷达定位框架，通过PARAFAC模型和相位解模糊技术，实现了在阵元间距超过半波长（ $\lambda/2$ ）的情况下，依然能够对二维离去角（DOD）、二维到达角（DOA）及极化参数进行无歧义的联合估计。

原作者： Hua Chen, Zhenhao Yu, Tuo Wu, Wei Liu, Maged Elkashlan, Hyundong Shin, Matthew C. Valenti, Robert Schober

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Hua Chen, Zhenhao Yu, Tuo Wu, Wei Liu, Maged Elkashlan, Hyundong Shin, Matthew C. Valenti, Robert Schober

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

这篇文章的研究成果非常硬核，我们可以把它想象成一场**“打破规则的视觉游戏”**。

为了让你轻松理解，我们先把论文里的专业术语转换成生活中的概念：

传统雷达阵列（ $\lambda/2$ 限制）： 就像是一个**“密集的排队人群”**。为了不让大家站错位置，规定每个人之间必须保持极其精准、很近的距离。如果站得太开，大家看起来就像“重影”了，你分不清谁是谁。
电磁矢量传感器 (EMVS)： 就像是一个**“全能观察员”**。普通的传感器只能看到光的“亮度”（标量），而这个观察员不仅能看亮度，还能看光的“颜色、方向、旋转方式”（矢量），信息量大得多。
RIS（可重构智能表面）： 就像是一面**“智能魔镜”**。在看不见目标的地方，它可以通过改变自己的反射角度，把信号“折射”过去，帮雷达照亮死角。
非视距 (NLOS) 定位： 就像是**“隔墙找人”**。目标躲在墙后面，雷达看不见，必须靠“魔镜”反射信号才能定位。

核心故事：打破“排队”的枷锁

1. 传统的困境：必须“挤在一起”

在传统的雷达设计里，有一个铁律：传感器之间的距离不能超过半个波长（ $\lambda/2$ ）。这就像是在拍合影，为了保证每个人脸都不重叠，摄影师要求所有人必须紧紧挨在一起。
缺点很明显： 既然大家挤在一起，能拍到的范围（孔径）就很小，看远处的物体就会很模糊，分辨率很低。

2. 这篇论文的“神操作”：不仅站得开，还能看清

这篇论文问了一个大胆的问题：“如果我们故意把传感器站得很开（超过 $\lambda/2$ ），会不会产生‘重影’（空间模糊），导致定位出错？”

作者给出了肯定的回答：不仅能行，而且效果更好！ 他们用了两招：

第一招：利用“全能观察员”的超能力（张量分解 + 旋转不变性）
虽然传感器站得远会产生“重影”（相位模糊），但因为每个传感器都是“全能观察员”（EMVS），它能同时捕捉到电场和磁场的多种信息。
比喻： 就像你在看一个旋转的舞者，虽然因为距离太远，你可能会把两个舞者看成一个（重影），但因为这个观察员能看到舞者衣服的纹理、旋转的方向、甚至裙摆的摆动细节，他可以通过这些**“独特的细节特征”**，像拼图一样把重影给拆解开，准确识别出谁是谁。
第二招：请出“智能魔镜”来助攻（RIS 优化）
在“隔墙找人”的情况下，信号很弱。作者设计了一套算法，让那面“智能魔镜”（RIS）自动调整自己的角度，把反射回来的信号能量汇聚到最强点。
比喻： 这就像是在黑暗的房间里，你不仅用了一台高级相机，还请了一群拿着反光板的助手。助手们会根据你的相机位置，自动调整反光板的角度，把光线精准地打在目标身上，让画面变得又亮又清晰。

总结一下：这篇论文牛在哪里？

如果把雷达比作眼睛，这篇论文相当于给眼睛做了两项升级：

升级了“视力”： 以前为了不看花眼，必须把眼睛凑得很近；现在通过复杂的数学算法，即使把“眼睛”（传感器）分得很开，也能看清远处的细节，且不会产生重影。
升级了“夜视仪”： 即使目标躲在障碍物后面，通过“智能魔镜”的配合，雷达也能在黑暗（NLOS环境）中精准定位。

一句话总结：
它证明了：通过让传感器“站得更开”并配合“智能反射镜”，我们可以在看不见目标的情况下，用更少的设备、更广的范围，实现更精准、更清晰的定位。

这是一篇发表在《IEEE Transactions on Signal Processing》上的前沿学术论文。以下是对该论文的详细技术总结：

1. 研究问题 (Problem Statement)

核心挑战：打破 $\lambda/2$ 间距限制。
在传统的雷达阵列设计中，为了避免空间模糊（Spatial Ambiguity），阵元间距通常被限制在半波长（ $\lambda/2$ ）以内。这一约束虽然保证了角度估计的唯一性，但严重限制了阵列的有效孔径（Aperture）和角度分辨率。

本文提出的科学问题是： 当使用任意几何结构的**电磁矢量传感器（EMVS）阵列时，即使阵元间距超过 $\lambda/2$ ，能否在可重构智能表面（RIS）辅助的非视距（NLOS）**双基站 MIMO 雷达场景下，实现无模糊的目标定位？

2. 核心方法论 (Methodology)

为了解决上述问题，论文提出了一种协同估计与优化的框架，主要包含以下三个关键技术环节：

A. 基于张量分解的参数解耦 (PARAFAC-based Estimation)

由于 RIS 的引入使得观测模型变成了目标参数与 RIS 相位调制之间的双线性耦合关系，传统的估计方法会失效。

张量构建： 论文将接收到的信号重构为一个三阶（或四阶）**并行因子（PARAFAC）**张量。
自然解耦： 利用 PARAFAC 分解的唯一性，将接收信号在空间、极化和传播效应三个维度上进行自然分离。通过**三线性交替最小二乘（TALS）**算法，将 RIS 的相位调制效应从目标的空-极化特征中解耦出来。

B. 基于旋转不变性的相位解模糊 (Phase Disambiguation via Rotational Invariance)

这是打破 $\lambda/2$ 限制的关键。

多分量利用： EMVS 传感器相比标量传感器，能同时测量电场（E）和磁场（M）的 6 个正交分量。
旋转不变性： 论文利用 EMVS 内部电场与磁场分量之间固有的**旋转不变性（Rotational Invariance）**关系，构建了一种新型的解模糊机制。该机制能够利用极化维度的冗余信息，在任意几何结构下解决 $2\pi$ 相位缠绕问题，从而实现无模糊的二维离去角（DOD）、二维到达角（DOA）及极化参数的联合估计。

C. 基于半正定松弛（SDP）的 RIS 相位优化

为了在 NLOS 环境下增强信号强度并进一步抑制模糊：

目标函数： 将 RIS 相位设计建模为接收信号功率最大化问题。
凸优化转化： 由于原始问题具有单位模约束（Unit-modulus constraint）且是非凸的，论文采用了**半正定松弛（SDP）**技术，将其转化为一个可处理的凸优化问题。
迭代精炼： 通过估计出的目标参数指导 RIS 相位设计，形成“估计-优化-再估计”的迭代循环，提升信噪比（SNR）并塑造信道结构以抑制空间模糊。

3. 主要贡献 (Key Contributions)

理论突破： 首次从理论和实验上证明了任意几何结构的 EMVS 阵列可以在间距超过 $\lambda/2$ 的情况下，通过 RIS 辅助实现无模糊的 NLOS 定位。
新算法： 开发了一种利用 EMVS 旋转不变性进行相位解模糊的新流程，解决了非均匀阵列的相位缠绕难题。
协同框架： 提出了一种将张量分解（用于参数分离）与凸优化（用于 RIS 赋形）相结合的完整闭环框架。
性能边界： 推导了该系统的最大可识别目标数（ $K=N$ ）以及克拉美-罗界（CRB），为性能评估提供了基准。

4. 实验结果 (Results)

精度表现： 仿真结果表明，即使阵元间距显著大于 $\lambda/2$ ，所提算法的均方根误差（RMSE）仍能接近理论 CRB 极限。
对比优势： 相比于仅利用矢量叉乘（VCP）的粗略估计方法，本文提出的“精细估计（Refined Estimate）”在角度分辨率上提升了 40%-60%。
多目标能力： 在高 SNR 条件下，系统能够成功分辨出多达 $N$ 个目标（ $N$ 为接收阵元数），验证了其在密集目标环境下的鲁棒性。
RIS 增益： 引入 SDP 优化的 RIS 相位后，系统性能（RMSE）较随机相位配置提升了 5-8 dB。

5. 研究意义 (Significance)

该研究为下一代雷达系统设计提供了全新的思路：

硬件减负： 通过利用 EMVS 的多维信息和超越 $\lambda/2$ 的间距，可以用更少的物理阵元实现更大的有效孔径，从而降低雷达系统的成本和体积。
应用扩展： 解决了 NLOS 环境下的定位难题，为无人机、隐身目标探测及复杂城市环境下的感知提供了技术支撑。
设计范式转移： 将雷达设计从单纯的“阵列几何设计”转向了“阵列几何 + 极化维度 + 智能表面赋形”的三位一体协同设计。