🔢 mathematics

Environment-Aware Near-Field Channel Estimation Leveraging CKM and ISAC

本文提出了一种面向超大规模天线阵列 ISAC 系统的环境感知近场信道估计框架，通过构建虚拟对象图（VOM）表征静态环境特征并结合 ISAC 感知的动态目标信息，实现了对静态与动态多径分量的联合估计，显著提升了信道估计精度与系统可达速率。

原作者： Yuan Guo, Yilong Chen, Zixiang Ren, Jie Xu

发布于 2026-04-07

📖 1 分钟阅读🧠 深度阅读

原作者： Yuan Guo, Yilong Chen, Zixiang Ren, Jie Xu

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

这篇论文介绍了一种让 6G 网络（特别是使用超大天线阵列的系统）变得更聪明、更高效的新技术。我们可以把它想象成给基站装上了一双“透视眼”和一本“记忆地图”。

为了让你更容易理解，我们把整个通信过程想象成在一个巨大的、回声缭绕的洞穴里喊话。

1. 背景：为什么现在的通信“喊话”很费劲？

传统方法（盲目喊话）：
想象基站（BS）是一个站在洞穴入口的人，用户（UE）是洞穴深处的人。基站需要知道声音怎么传到用户耳朵里（也就是“信道”）。
以前，基站只能不停地对着洞穴喊“喂？听得见吗？”，然后听回声来猜测地形。如果洞穴很大（天线很多），这种“喊话”测试（导频训练）需要耗费大量的时间和能量，效率很低。而且，如果洞穴里有人走动（动态物体），回声就会乱套，基站得重新猜。
新挑战（近场效应）：
现在的 6G 天线阵列非常大，就像把麦克风贴得离嘴巴很近。这时候，声音的传播不再是简单的直线，而是像球面波一样扩散，情况变得更复杂，传统的“猜地形”方法更不管用了。

2. 核心创新：两大法宝

为了解决这个问题，作者提出了两个绝招：CKM（环境知识地图） 和 ISAC（通感一体化）。

法宝一：虚拟物体地图 (VOM) —— 基站的“记忆地图”

是什么： 想象基站手里有一本超级详细的“洞穴记忆地图”。这本地图不是画现在的实时情况，而是记录了洞穴里那些永远不动的石头、墙壁（静态环境）的大致位置。
怎么工作：
- 以前，基站每次都要重新去探测墙壁在哪。
- 现在，基站直接查地图：“哦，我知道左边 5 米处有一堵墙，右边 10 米处有个柱子。”
- 这就叫虚拟物体地图 (VOM)。它把那些固定的墙壁抽象成地图上的几个“虚拟点”。
- 好处： 基站不需要再费力去探测那些不动的墙壁了，直接利用地图信息，大大减少了需要猜测的未知数。

法宝二：通感一体化 (ISAC) —— 基站的“雷达眼”

是什么： 基站不仅能“喊话”（通信），还能像雷达一样“看”东西（感知）。
怎么工作：
- 在发送信号的同时，基站会接收从洞穴里反弹回来的回声。
- 利用刚才提到的“记忆地图”，基站可以先把那些固定墙壁的回声过滤掉（就像戴了降噪耳机，只听人声，不听背景噪音）。
- 剩下的回声，就是洞穴里走动的人或动物（动态目标）发出的。
- 好处： 基站能实时知道谁在动、动到哪了，从而调整信号，避开干扰或增强信号。

3. 整个流程：一场精彩的“猜谜游戏”

想象一下，基站和用户正在玩一个猜谜游戏，目标是让基站猜出声音传播的完整路径。

准备阶段（查地图）：
基站先打开它的“记忆地图”（VOM），确认了洞穴里所有不动的墙壁大概在哪。这解决了大部分问题（静态部分）。
行动阶段（喊话 + 听回声）：
- 基站喊话： 发送一段特定的测试信号（导频）。
- 用户反馈： 用户听到声音后，简单地说一句“我听到了大概这样的声音”（量化反馈），告诉基站信号强度。
- 基站听回声： 同时，基站自己也在听回声。它利用“记忆地图”把墙壁的回声屏蔽掉，只留下走动的人（动态目标）的回声。
解题阶段（拼图）：
基站现在手里有三块拼图：
- 地图信息： 知道墙壁在哪（静态部分）。
- 回声信息： 知道谁在动（动态部分）。
- 用户反馈： 知道信号最终的效果。
基站把这三块拼在一起，就能非常精准地算出声音传播的完整路径，而不需要像以前那样盲目地试错。

4. 结果：为什么这很牛？

论文通过计算机模拟证明了这套方法非常有效：

更准： 猜出的路径（信道估计）比传统方法准得多，就像用高清地图导航比闭着眼乱撞要准得多。
更快： 因为不需要花那么多时间去“喊话”测试，省下来的时间可以用来传输真正的数据（比如看高清视频、打游戏）。
更省： 即使测试信号（导频）很短，也能猜得很准，特别适合资源紧张的时候。

总结

这篇论文的核心思想就是：不要每次都从零开始猜，要利用“老经验”（环境地图）和“新观察”（实时雷达感知）结合起来。

这就好比一个老练的导游（基站），他手里有景区的地图（VOM），知道哪些路是固定的；同时他眼睛很尖，能看到游客（动态目标）在哪里走动。这样，他就能瞬间规划出最佳路线，让游客（数据）以最快速度、最清晰的声音到达目的地，而不需要每次都重新去探路。

这就是未来 6G 网络变得“聪明”和“高效”的关键所在。

这是一份关于论文《Environment-Aware Near-Field Channel Estimation Leveraging CKM and ISAC》（利用 CKM 和 ISAC 的环境感知近场信道估计）的详细技术总结。

1. 研究背景与问题 (Problem)

随着第六代（6G）无线网络的发展，**极大规模天线阵列（ELAAs）成为关键技术。ELAAs 工作在近场（Near-field）**区域，能提供更高的波束成形增益和空间复用率。然而，近场信道估计面临巨大挑战：

高维信道开销大：传统基于导频的训练方法需要大量的导频符号来估计高维信道状态信息（CSI），导致频谱效率低下。
环境信息未利用：传统方法通常忽略环境中的静态结构和动态目标信息，未能利用先验知识来降低估计的不确定性。
静态与动态混合：无线信道由静态分量（由建筑物、墙壁等持久结构引起）和动态分量（由移动物体引起）组成，传统方法难以高效分离和估计这两部分。

2. 核心方法论 (Methodology)

本文提出了一种环境感知的近场信道估计框架，通过联合利用**信道知识图（CKM）和通感一体化（ISAC）**技术来解决上述问题。

A. 系统模型

场景：配备 ELAA 的 ISAC 基站（BS）服务单天线用户（UE）。
信道分解：下行链路信道被建模为多径分量（MPCs）的叠加，分为三类交互点：
1. Type-1 EOs：静态紧凑物体（反射、散射或衍射）。
2. Type-2 EOs：静态大平滑表面（如墙面，产生镜面反射）。
3. STs (Sensing Targets)：动态目标物体。
ISAC 机制：BS 在下行发送导频的同时，利用单站回波（Monostatic echoes）感知环境中的动态目标。UE 反馈量化后的导频观测值。

B. 关键创新：虚拟物体图 (Virtual Object Map, VOM)

为了将 CKM 应用于近场信道，作者提出了一种新的 CKM 表示形式——虚拟物体图（VOM）：

定义：VOM 不直接存储物理环境对象，而是存储由静态环境对象（Type-1 和 Type-2 EOs）诱导的**虚拟交互位置（Virtual Objects）**的集合。
映射机制：
- 对于给定的 UE 位置，VOM 映射出贡献最大的 $J$ 个静态虚拟物体索引。
- 对于基站（单站感知），VOM 映射出贡献最大的 $K$ 个静态背景虚拟物体索引。
作用：VOM 提供了可复用的、环境相关的静态先验信息，将静态信道分量限制在一个紧凑的、位置相关的基上。

C. 联合估计协议与算法

整个流程分为两个时隙：训练时隙和数据传输时隙。

动态信息提取（基于感知）：
- BS 利用 VOM 识别主导的静态回波。
- 通过正交投影（Static Clutter Suppression）从单站回波中抑制静态杂波。
- 对剩余信号进行奇异值分解（SVD），提取低维的动态子空间，以捕捉动态目标（STs）引起的信道变化。
下行信道估计（基于量化反馈）：
- 利用 UE 反馈的量化导频观测值。
- 构建信道模型： $\hat{h}(u) \approx A_{sta}(u)\alpha + \tilde{U}_e\xi$ $\hat{h} (u) \approx A_{s t a} (u) α + \tilde{U}_{e} ξ$ 。
  - $A_{sta}(u)$ ：由 VOM 确定的静态虚拟物体响应矩阵。
  - $\tilde{U}_e$ ：从感知回波中提取的动态子空间基。
- 通过正则化最小二乘法联合估计静态系数 $\alpha$ 和动态系数 $\xi$ 。

3. 主要贡献 (Key Contributions)

提出虚拟物体图（VOM）：创新性地定义了基于虚拟交互位置的 CKM 表示，有效表征了近场环境中的主导静态多径分量，解决了传统 CKM 难以直接应用于近场阵列响应的问题。
设计通感协同训练协议：提出了一种新的训练框架，基站同时利用下行导频进行通信信道估计，并利用单站回波感知动态目标，实现了静态先验与动态实时信息的融合。
结构化信道估计算法：开发了一种基于 VOM 先验和感知动态子空间的联合估计算法。该方法将高维信道估计转化为低维系数估计，显著降低了导频开销。
性能验证：通过数值仿真证明了该方案在信道估计精度和可达速率上均优于传统方案。

4. 仿真结果 (Results)

仿真设置：64 天线 ULA，2.4 GHz，UE 位于近场区域。

信道估计精度 (NMSE)：
- 提出的“VOM + 感知”联合方案在所有导频长度（ $T_p$ ）下均取得了最低的归一化均方误差（NMSE）。
- 在短导频（资源受限）场景下，性能提升尤为显著。
- 仅使用 VOM（无感知）的方案优于无 VOM 无感知的传统方案，证明了静态先验的有效性。
可达下行速率：
- 联合方案在中等和大导频长度下，最接近完美 CSI 的上限。
- 随着导频长度增加，速率呈现先升后降的趋势（导频开销增加抵消了估计精度的提升），但联合方案始终表现最优。

5. 意义与价值 (Significance)

解决 6G 近场信道难题：为 ELAA 近场通信提供了一种低开销、高精度的信道估计新范式，克服了高维信道带来的导频瓶颈。
深化通感一体化（ISAC）应用：展示了如何利用感知回波中的动态信息来辅助通信信道估计，实现了“感知辅助通信”的闭环。
环境感知通信（Environment-Aware Communication）：证明了利用环境先验知识（CKM/VOM）可以显著降低对实时导频的依赖，为未来 6G 网络的高效资源管理提供了理论依据和技术路径。
未来展望：该框架为自适应 VOM 构建和动态环境下的在线地图更新奠定了基础。

总结：该论文通过引入“虚拟物体图”这一新颖的 CKM 表示，并结合 ISAC 的实时感知能力，成功实现了对 ELAA 近场信道的结构化、低开销估计，显著提升了 6G 系统的频谱效率和传输可靠性。