⚡ electrical engineering

Radar Operating Metrics and Network Throughput for Integrated Sensing and Communications in Millimeter-wave Urban Environments

本文利用随机几何数学框架，分析了毫米波城市环境下集成感知与通信（ISAC）系统中雷达运行指标与网络吞吐量之间的关系，并探讨了雷达参数对通信性能的影响。

原作者： Akanksha Sneh, Shobha Sundar Ram

发布于 2026-02-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Akanksha Sneh, Shobha Sundar Ram

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

这篇文章研究的是未来智能交通系统（比如自动驾驶汽车）中一种非常酷的技术：“感知与通信一体化”（ISAC）。

为了让你轻松理解，我们可以把这个复杂的科研课题想象成一个**“带手电筒的侦察兵”**的故事。

1. 核心背景：侦察兵的难题

想象你是一个在黑夜森林里巡逻的侦察兵（这就是我们的毫米波基站/车载雷达）。你的任务有两个：

任务 A（雷达感知）： 用手电筒扫射四周，寻找森林里移动的目标（比如行人或车辆），防止撞到他们。
任务 B（通信传输）： 一旦找到了目标，就要赶紧把重要情报（数据）通过无线电传达给他们。

现在的矛盾点在于： 你只有一个手电筒，而且你的精力（时间/频谱资源）是有限的。

2. 论文研究的“两难困境” (The Trade-off)

论文的核心就在于讨论如何分配你的“精力”（即占空比 Duty Cycle）：

方案一：如果你是个“细心派” (高占空比 $\xi$ )
你花很长时间拿着手电筒慢慢地、一寸一寸地细细扫描。
- 好处： 你能用非常细的光束（高增益）看清很远、很小的东西，不容易漏掉目标（检测概率 $P_d$ 高）。
- 坏处： 你扫射的时间太长了，留给“传情报”（通信）的时间就变得非常短。即使你找到了目标，也来不及说太多话（网络吞吐量 $\gamma$ 下降）。
方案二：如果你是个“粗犷派” (低占空比 $\xi$ )
你挥动手电筒，大范围地快速扫射。
- 好处： 扫射很快，剩下的时间可以大口大口地传情报（通信时间长）。
- 坏处： 因为光束太宽、太散，光线不够集中，你可能会把树影误认为是人（虚警率 $P_{fa}$ 升高），或者因为光太弱而根本看不见真正的目标（漏检）。

3. 论文做了什么？（数学工具与模拟）

作者并没有拍脑袋瞎猜，他们用了两个厉害的工具：

随机几何 (Stochastic Geometry)： 这就像是给森林里的树木和行人建立了一个“概率地图”。他们不确定树在哪，但他们知道森林里树木分布的规律（用数学模型叫“泊松点过程”）。
蒙特卡洛模拟 (Monte Carlo Simulation)： 这相当于在电脑里进行成千上万次的“虚拟演习”，模拟各种天气、各种干扰，看看侦察兵到底表现如何。

4. 实验结论：哪些因素会影响表现？

通过模拟，作者发现了一些有趣的规律：

功率越大越好吗？ 功率大确实能让你看得更清（提高吞吐量），但也会让森林里的杂乱树影（杂波）看起来更亮，导致你产生更多的“幻觉”（虚警率上升）。
带宽的影响： 增加带宽就像是换了一个更清晰的镜头，但如果带宽太宽，背景噪音也会变大，反而可能让你“看花眼”。
黄金平衡点： 吞吐量（效率）并不是越高越好。如果侦察时间太长，通信就没时间；如果侦察太快，目标又找不全。存在一个“甜点区”（Sweet Spot），在这个点上，侦察的准确度和通信的时间能达到完美的平衡。

总结

这篇文章其实就是在为未来的自动驾驶系统寻找一套**“时间管理方案”**：如何通过数学计算，告诉雷达应该花多少时间去“看”，花多少时间去“说”，才能既保证开车安全（看得准），又能让车联网信息传输飞快（说得快）。

这是一篇关于毫米波城市环境下集成传感与通信（ISAC）系统研究的学术论文。以下是对该论文的详细技术总结：

1. 研究问题 (Problem Statement)

随着自动驾驶和智能交通系统（ITS）的发展，传统的雷达、激光雷达和摄像头等传感器在恶劣天气或低能见度下存在局限性。毫米波（mmW）雷达因其高带宽和高距离分辨率成为理想选择。然而，为了解决频谱拥塞和硬件成本问题，研究人员提出了**集成传感与通信（ISAC）技术，即在同一平台、同一频谱上通过时分复用（Time-multiplexing）**的方式同时实现雷达探测和通信功能。

核心矛盾点在于： 雷达的工作周期（Duty Cycle, $\xi$ ）的选择是一个权衡过程。

长雷达周期： 可以使用更窄的波束（高增益），从而提高探测弱目标的能力（提高探测概率 $P_d$ ），但会压缩通信时间，降低网络吞吐量。
短雷达周期： 通信时间更长，但雷达必须使用更宽的波束（低增益）来扫描搜索空间，这会导致探测能力下降，漏检目标增多。

2. 研究方法 (Methodology)

本文采用**随机几何（Stochastic Geometry, SG）**作为数学框架，通过建模空间随机过程来分析系统性能，避免了高复杂度的系统级仿真。

信号模型： 建立单站雷达模型，考虑目标信号（基于Swerling-1模型）和离散杂波信号。杂波被建模为泊松点过程（PPP），并考虑了瑞利衰落（Rayleigh fading）和逆 $\alpha$ 幂律路径损耗模型。
雷达指标评估：
- 利用Gil-Pelaez反演定理，通过杂波的特征函数（Characteristic Function）来推导杂波累积分布函数（CDF）。
- 推导出虚警概率 ( $P_{fa}$ ) 和 检测概率 ( $P_d$ ) 的解析表达式，并采用数值积分进行求解。
吞吐量建模： 将网络吞吐量 $\gamma$ 定义为检测到的目标平均数量 $\beta(\xi)$ 与剩余通信时间 $(1-\xi)$ 及数据速率 $D$ 的乘积。

3. 主要贡献 (Key Contributions)

数学框架扩展： 在噪声和杂波受限（Noise and Clutter-limited）的复杂传播环境下，利用随机几何工具对ISAC系统的雷达运行指标进行了建模。
参数耦合分析： 深入探讨了雷达占空比、波束宽度、目标雷达散射截面（RCS）、杂波密度以及路径损耗指数等参数对系统性能的耦合影响。
性能权衡量化： 量化了雷达探测性能（ $P_d$ ）与通信网络吞吐量（ $\gamma$ ）之间的内在矛盾，为ISAC系统的参数优化提供了理论基础。

4. 研究结果 (Results)

通过蒙特卡洛模拟验证，得出以下结论：

发射功率 ( $P_{tx}$ ): 增加功率会提高虚警概率（因为杂波回波也增强了），但会显著提高网络吞吐量（因为目标探测概率提高）。
带宽 (BW): 增加带宽在一定范围内能降低虚警概率（减小了杂波区域），但过大的带宽会引入过高的噪声功率，导致吞吐量下降。
占空比 ( $\xi$ ): 吞吐量 $\gamma$ 随 $\xi$ 呈现先增后减的趋势。初期增加 $\xi$ 提升了探测到的目标数，但当 $\xi$ 过大时，通信时间被过度压缩，导致总吞吐量下降。
杂波系数 ( $\sigma_o$ ) 与目标RCS ( $\sigma_t$ ): 增加杂波系数会显著提升虚警率；增加目标RCS则会提升探测概率，进而提升吞吐量。

5. 研究意义 (Significance)

该研究为下一代智能交通系统中的毫米波ISAC设计提供了重要的理论指导。通过建立雷达探测指标与通信吞吐量之间的数学联系，工程师可以根据应用场景（例如是侧重于高精度感知还是高带宽通信）来优化雷达波束宽度和时间分配策略，从而在复杂的城市环境中实现感知与通信性能的最优平衡。