⚡ electrical engineering

Toward Integrated Sensing, Communications, and Edge Intelligence Networks

本文提出了融合感知、通信与边缘智能的三重功能网络概念，通过显式考虑计算资源与 AI 模型可用性来优化资源分配，从而解决多服务共存中的冲突并提升系统性能。

原作者： Mattia Merluzzi, Miltiadis C. Filippou, Paolo Di Lorenzo, George C. Alexandropoulos

发布于 2026-03-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Mattia Merluzzi, Miltiadis C. Filippou, Paolo Di Lorenzo, George C. Alexandropoulos

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

这篇论文探讨的是未来无线网络（6G）的一个非常酷的概念：如何让同一套网络基础设施，同时干三件大事，而且还能互相配合，而不是互相抢地盘。

我们可以把未来的无线网络想象成一个超级繁忙的“全能交通枢纽”。

1. 这个枢纽要同时做三件事

在这个枢纽里，有三类不同的“乘客”需要服务：

通信（Communications）： 就像送快递。比如你用手机看高清视频，数据需要从基站传到你手里。
感知（Sensing）： 就像雷达或监控。基站发射信号，信号碰到物体（比如车或人）弹回来，基站就能知道物体在哪里、有多快。这就像蝙蝠用回声定位。
边缘智能（Edge Intelligence, EI）： 就像云端大脑。比如你的摄像头拍了一张照片，需要上传到基站旁边的服务器，让 AI 识别出照片里是不是有“违规车辆”。

以前的做法： 这三件事通常分开干。送快递的占一条路，雷达占一条路，上传照片的占一条路。大家互不干扰，但资源浪费，效率低。

这篇论文的想法： 我们要让它们**“三合一”**。用同一套天线、同一块时间、同一种无线电波，同时完成这三件事。但这就像让一个人同时做饭、开车和写代码，如果安排不好，就会手忙脚乱。

2. 核心难题：资源不够分，还要看“大脑”的算力

这里有一个很关键的矛盾：

上传照片（通信）： 照片越清晰（数据量越大），AI 识别得越准，但上传需要的时间就越长，占用的网络资源就越多。
压缩照片（通信）： 如果把照片压缩得很小，上传很快，省了网络资源，但 AI 可能因为看不清而识别错误。
AI 模型（计算）： 识别照片需要一个“大脑”（AI 模型）。
- 小脑（轻量级模型）： 算得快，省电，但可能识别不准。
- 大脑（重型模型）： 算得准，但慢，需要很多电和时间。

以前的做法（割裂策略）： 网络工程师只管分配网络带宽，不管 AI 用的是什么模型。比如，不管 AI 需要多久算完，网络都按最坏情况分配时间，结果要么浪费，要么不够用。

这篇论文的做法（计算感知策略）： 网络分配资源时，会先问 AI 大脑：“你打算用哪个模型？需要多久算完？”

如果 AI 说：“我用个轻量级模型，算得很快。” -> 网络就会想：“太好了，那我多留点时间给雷达去探测物体，或者多给点带宽给看视频的人。”
如果 AI 说：“我要用个超级复杂的模型，算得很慢。” -> 网络就会想：“那上传照片的时间必须缩短，压缩一下数据，不然总时间会超时。”

3. 一个生动的比喻：餐厅的“智能调度”

想象一家超级餐厅（基站）：

服务员（通信）： 负责把菜（数据）端给顾客（用户）。
后厨（边缘智能）： 负责把菜切好、摆盘（AI 推理）。
保安（感知）： 负责在门口盯着有没有小偷（雷达探测）。

传统模式：
服务员、后厨和保安各自为政。服务员不管后厨切菜多慢，只管把菜端出去；保安不管服务员多忙，只管盯着门口。结果可能是：后厨切菜切太慢，服务员把菜端出去等半天，顾客饿死了（延迟高）；或者保安为了盯着门口，把服务员的路堵死了（资源冲突）。

这篇论文的模式（计算感知）：
餐厅经理（优化算法）会实时沟通：

如果后厨说：“今天用个简单的切法，3 分钟就好。”
经理就会对服务员说：“那你把菜端慢点，多留点时间让保安去门口多转几圈，把小偷抓得更准。”
如果后厨说：“今天要搞个精细雕刻，得 30 分钟。”
经理就会对服务员说：“那你必须把菜切得碎一点（压缩数据），快点端出去，不然保安就没时间干活了，而且顾客等太久会生气。”

4. 论文发现了什么？

作者通过数学计算和模拟实验发现：

互相牵制： 通信、感知和计算是紧紧绑在一起的。你为了追求 AI 识别更准（用大模型），可能会牺牲雷达的精度；反之亦然。
聪明调度更省钱： 如果网络能“知道”AI 用了什么模型，就能动态调整资源。
- 结果： 在同样的电力消耗下，他们的方案能让 AI 识别更准，或者让雷达看更清楚。
- 对比： 如果像以前那样“瞎指挥”（不管 AI 模型，固定分配资源），要么浪费电，要么效果差。

总结

这篇论文的核心思想就是：未来的网络不能只当“管道”，还要当“管家”。

它不再只是机械地传输数据，而是能理解数据是用来干什么的（是看视频？还是给 AI 做推理？），并且知道AI 大脑有多快。通过这种“懂行”的调度，让有限的网络资源（时间、电量、带宽）在“送快递”、“看监控”和“做计算”这三者之间找到最佳平衡点，让大家都满意。

这就好比从“各自为战”变成了“团队配合”，用同样的力气，干出了更多的活。

这是一份关于论文《Toward Integrated Sensing, Communications, and Edge Intelligence Networks》（迈向集成感知、通信与边缘智能网络）的详细技术总结。

1. 研究背景与问题 (Problem)

随着第六代移动通信（6G）的发展，无线网络正从单纯连接人与物，向连接智能及利用射频信号感知环境转变。目前，**集成感知与通信（ISAC）和面向目标的语义通信（SemCom）**被视为 6G 的关键使能技术。

ISAC：利用通信信号进行环境感知（如雷达目标参数估计）。
SemCom/边缘智能（EI）：利用人工智能（AI）在边缘服务器处理数据，仅传输任务相关的信息。

核心挑战：
现有的研究通常将 ISAC 与 EI 分开处理，或者仅关注两者之间的资源竞争。然而，当**感知（Sensing）、通信（Communications）和边缘推理（Edge Inference, EI）**三种服务共享同一基础设施和资源时，它们之间存在复杂的耦合关系：

资源竞争：感知和通信共享频谱和功率；EI 需要上传数据（占用上行资源）并在边缘服务器进行计算（占用计算资源）。
跨层耦合：EI 的性能（如推理延迟和准确率）取决于数据压缩率（影响上行传输时间）和所选 AI 模型的复杂度（影响计算时间）。而计算时间的长短直接决定了留给 ISAC（下行通信 + 感知）的时间资源，进而影响感知精度和通信速率。
决策空间复杂：如何联合优化资源分配（功率、时间）、数据表示格式（压缩率）以及 AI 模型选择，以在满足各自服务质量（QoS）的前提下实现整体效能最优，是一个尚未被充分解决的难题。

2. 方法论 (Methodology)

本文提出了一种计算感知（Computation-Aware）的资源共享方案，旨在联合优化 ISAC 和 EI 服务的性能。

系统模型

场景：基站（BS）配备全双工（FD）MIMO 架构。
- 上行（UL）：摄像头设备上传图像数据至边缘服务器（ES）进行推理（如目标分类）。
- 下行（DL）：同时服务于下行用户（视频流）和单站感知（利用下行信号的回波估计目标参数）。
时隙结构：时间被划分为帧。每帧中，一部分时间 $\rho_{ul}$ 用于上行数据上传，剩余部分 $\rho_{dl}$ 用于 ISAC（下行通信 + 感知）。
关键约束：由于上行数据信号强度远大于微弱的雷达回波，上行传输与 ISAC 在时间上是正交的（半双工模式），而 ISAC 内部利用全双工能力同时通信和感知。

性能指标 (KPIs)

EI 服务：
- 推理延迟 ( $L_{tot}$ )：包含上传延迟（取决于数据压缩率和上行速率）和计算延迟（取决于 AI 模型复杂度）。
- 目标有效性 ( $E_g$ )：定义为在最大允许延迟内，推理质量（如分类准确率）达到最低要求的概率。
ISAC 服务：
- 下行速率 ( $R_{dl}$ )：通信服务质量。
- 克拉美 - 罗界 (CRB)：目标角度估计的精度下限，取决于分配给 ISAC 的时间资源和发射功率。

优化问题构建

作者发现，所选的 AI 模型决定了计算延迟，进而限制了可用于 EI 上传的时间，最终决定了留给 ISAC 的时间资源 $\rho_{dl}$ 。这导致了通信、计算和感知三者之间的三元耦合。

作者构建了一个混合整数非线性规划（MINLP）问题：

目标函数：最小化加权后的 ISAC 发射功率和 EI 数据表示的比特数（即最大化数据丰富度/准确率）。
决策变量：下行各子载波的发射功率 $\{P_{dl,f}\}$ 和上传数据的比特数 $n_b$ （对应不同的压缩率/数据表示）。
约束条件：
- 感知精度约束（CRB $\le$ 阈值）。
- 通信速率约束（ $R_{dl} \ge$ 阈值）。
- 功率约束。
- 推理延迟约束（隐含在时间分配中）。

求解策略：
由于 $n_b$ 的可选集合（不同压缩级别）基数较小，该问题可以转化为求解多个凸优化子问题。对于每一个固定的 $n_b$ ，问题关于功率是凸的，可以使用 CVXPY 求解，最后选择全局最优解。

3. 主要贡献 (Key Contributions)

概念创新：首次明确提出了“三重功能网络”（Triple-functional networks）的概念，即在同一基础设施上共享资源以同时支持集成感知、通信和边缘 AI 推理。
理论耦合分析：揭示了感知、通信和计算三者性能指标之间的自然耦合关系。证明了计算资源（AI 模型选择）的决策会直接通过时间资源分配影响感知精度和通信速率。
计算感知的优化框架：提出了一种联合优化方案，将 AI 模型的可用性及其计算成本显式地纳入资源分配决策中。
性能验证：通过数值仿真，证明了该方案优于传统的“非计算感知”（Disjoint/Computation-unaware）策略，即在满足相同感知和通信要求下，能以更低的功耗实现更高的任务有效性。

4. 实验结果 (Results)

仿真设置基于 CIFAR-100 图像分类任务，对比了三种不同复杂度的 AI 模型（MobileNet-v3-small, ResNet-50, ViT-B-16）。

目标有效性 vs. 发射功率：
- 随着下行发射功率增加，目标有效性（Goal Effectiveness）呈非递减趋势。这是因为更高的功率允许在满足 ISAC 约束的同时，分配更多时间给 EI 服务。
- 计算感知的优势：提出的“计算感知”策略（实线）显著优于“非计算感知”基准（虚线）。例如，在使用 8.18 GFLOPs 的模型时，提出的方法仅需基准方法约一半的下行发射功率即可达到相同的目标有效性。
- 模型选择的影响：使用更复杂的模型（如 33.7 GFLOPs）通常能获得更高的目标有效性，但代价是更高的计算能耗。然而，如果感知要求（CRB 阈值）放宽，即使是轻量级模型也能在较低功率下满足高有效性要求。
感知约束的影响：
- 当放宽感知精度要求（CRB 阈值从 0.3 度增加到 1.0 度）时，系统可以在更低的发射功率下实现更高的目标有效性，展示了感知与通信/计算之间的权衡灵活性。

5. 意义与展望 (Significance)

理论意义：打破了传统通信、感知和计算独立优化的思维定式，建立了跨层（物理层到应用层）的联合优化理论框架。
实际应用价值：为 6G 网络设计提供了新的思路，即在资源受限的场景下，通过智能地选择 AI 模型和动态调整资源分配，可以在不增加硬件成本的前提下，显著提升网络的整体服务效能（如降低能耗、提高任务成功率）。
未来方向：
- 开发适应环境变化（如目标行为、信道状态）的动态优化算法。
- 探索感知数据与边缘智能的协同（Synergistic coexistence），例如利用感知数据辅助增强 EI 性能，而非仅仅将其视为竞争服务。

总结：该论文通过数学建模和仿真，有力地证明了在 6G 网络中，将计算资源（AI 模型选择）纳入资源分配决策的核心地位，是实现感知、通信与边缘智能高效共存的关键。