⚡ electrical engineering

Near-Field Integrated Sensing, Computing and Semantic Communication in Digital Twin-Assisted Vehicular Networks

本文提出了一种面向数字孪生辅助车联网的近场集成感知、计算与语义通信框架，通过联合优化语义传输率与感知精度，在有限资源下实现了比现有方案提升 20% 的传输速率并保持了高精度感知能力。

原作者： Yinchao Yang, Yahao Ding, Jiaxiang Wang, Zhaohui Yang, Chen Zhu, Zhaoyang Zhang, Dusit Niyato, Mohammad Shikh-Bahaei

发布于 2026-04-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yinchao Yang, Yahao Ding, Jiaxiang Wang, Zhaohui Yang, Chen Zhu, Zhaoyang Zhang, Dusit Niyato, Mohammad Shikh-Bahaei

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

这篇论文提出了一种非常聪明的新方案，旨在让未来的智能交通系统（比如自动驾驶汽车）变得更安全、更聪明、更高效。

为了让你轻松理解，我们可以把整个系统想象成一个繁忙的“数字交通指挥中心”，而这篇论文就是给这个中心设计的一套超级操作系统。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 核心背景：为什么要搞这个？

想象一下，未来的道路上跑满了自动驾驶汽车。为了安全，路边需要安装很多智能路侧单元（RSU）（你可以把它们想象成“超级路霸”或“智能路灯”）。

这些“智能路灯”有两个主要任务：

看（感知）： 像雷达一样，时刻盯着路上的车，知道它们在哪、跑多快、要去哪。
说（通信）： 把路况信息告诉汽车，或者把汽车的状况传给云端。
想（计算）： 在本地建立一个**“数字孪生”（Digital Twin）。这就像是在电脑里给每辆车和整条路建一个“虚拟分身”**。如果现实中的车撞了，虚拟分身也会“撞”，这样系统就能提前预测事故，指挥交通。

现在的痛点是：

太忙了： 既要看得准（雷达），又要传得快（通信），还要算得快（建立虚拟分身），资源（电力、算力）不够用。
距离太近： 未来的通信频率很高（像毫米波），导致信号不再是直线传播的平面波，而是像水波一样呈球面扩散（这叫“近场效应”）。传统的算法处理这种“水波”效果很差，就像用看直线的尺子去量弯曲的河流，容易出错。
废话太多： 传统通信会把所有数据（包括没用的）都传过去，浪费带宽。

2. 这篇论文的解决方案：ISCSC 框架

作者提出了一套名为 ISCSC（近场感知、计算与语义通信一体化）的框架。我们可以把它比作一个**“全能管家”**。

A. 语义通信：只传“干货”，不传“废话”

传统做法： 就像你给朋友发微信，把整张地图的像素点都发过去，不管朋友看不看得到路。
语义通信： 就像你直接发语音说：“前面路口红灯，请减速”。
比喻： 系统不再传输原始的海量数据，而是提取**“核心含义”**。比如，只告诉汽车“前面有车”，而不是把前车的雷达波数据全传过去。这大大节省了带宽和电量。

B. 近场感知：像“水波”一样精准探测

问题： 因为信号像水波（球面波），传统的算法会算错距离和角度。
解决： 作者设计了一种特殊的算法，专门处理这种“水波”效应，确保在几十米到几百米的范围内，雷达能像鹰眼一样精准锁定每一辆车的位置，哪怕它们离得很近。

C. 数字孪生与粒子滤波：给车辆装上“水晶球”

任务： 系统需要预测车辆下一秒在哪。
方法： 作者使用了粒子滤波（Particle Filter）。
比喻： 想象你在迷雾中猜一辆车的轨迹。
- 传统方法（如卡尔曼滤波）： 假设车只会走直线或简单的曲线，如果车突然急转弯，预测就错了。
- 粒子滤波： 想象你撒出一把**“小精灵”（粒子）**，每个小精灵都猜测车可能去的一个方向。系统根据雷达反馈，把那些猜错的小精灵“淘汰”掉，留下猜对的小精灵。
- 结果： 即使路况复杂、干扰多，系统也能像水晶球一样，精准预测车辆的真实轨迹，从而构建出高精度的“虚拟分身”。

D. 智能分配：聪明的“交通指挥员”

挑战： 路上有 5 辆车，路边有 2 个“智能路灯”，谁管哪辆车？管多了算不过来，管少了有盲区。
算法： 作者设计了一个**“混合启发式算法”**。
- 比喻： 这就像是一个经验丰富的交警。他先快速看一眼，把离得近的车分给最近的路灯（贪婪算法）；然后他再稍微“动点脑筋”，尝试交换一下分配方案，看看能不能让整体效率更高（模拟退火算法）。
- 目的： 确保每辆车都能被最好的“管家”服务，既不浪费电力，又能保证所有人都安全。

3. 最终效果：为什么它很牛？

作者通过模拟实验证明，这套系统：

传得更快： 在同样的资源下，信息传输速度提升了 20%。
看得更准： 即使车辆很多、很拥挤，对车辆位置和速度的判断依然非常精准（误差很小）。
算得更省： 它懂得在“看得准”和“算得快”之间找平衡。如果雷达看清楚了，就不需要电脑花大力气去猜，从而节省了电力。

总结

简单来说，这篇论文就是给未来的自动驾驶网络设计了一套**“精算师 + 神探 + 翻译官”**三位一体的系统：

神探（近场感知）： 在近距离内看得极准，不受干扰。
翻译官（语义通信）： 把海量数据翻译成“人话”，只传关键信息，省流量省电。
精算师（计算优化）： 聪明地分配任务，让有限的算力和电力发挥最大作用，构建出完美的“数字世界”来指导现实交通。

这套方案让未来的智能交通系统不仅能“看见”世界，还能“理解”世界，并“预测”未来，大大提升了行车安全和效率。

这是一篇关于数字孪生（Digital Twin, DT）辅助的近场集成感知、计算与语义通信（ISCSC）框架在车联网中应用的学术论文。文章针对第六代移动通信（6G）高频段（如毫米波）带来的近场效应，提出了一种创新的系统架构，旨在解决动态车联网环境中感知、通信和计算资源之间的复杂权衡问题。

以下是该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

背景： 数字孪生技术通过构建车辆和基础设施的高保真虚拟模型，能显著提升车联网的安全性、效率和自动化水平。然而，在动态车联网环境中实现无缝的 DT 同步面临巨大挑战。
核心挑战：
1. 近场效应（Near-Field Effect）： 6G 使用高频段（如 50 GHz）和大孔径天线阵列，使得瑞利距离（Rayleigh distance）显著增加（可达数百米）。在此区域内，电磁波呈球面波传播而非平面波，传统的远场模型不再适用，必须考虑近场信道特性。
2. 资源竞争与冲突： 感知（需要高分辨率）、通信（需要高数据率、低时延）和计算（构建 DT 模型）三者争夺有限的功率、频谱和计算资源。
3. 数据冗余与效率： 传统通信传输大量冗余数据，导致带宽浪费和时延增加，难以满足 DT 实时更新的需求。
4. 感知误差与计算负载的耦合： 现有的研究往往忽略了感知精度（如角度、距离估计误差）对构建 DT 模型所需计算资源的直接影响。

2. 方法论与系统模型 (Methodology)

文章提出了一个**近场集成感知、计算与语义通信（NF-ISCSC）**框架，主要包含以下技术模块：

A. 系统架构

场景： 多路边单元（RSU）和多车辆（MU-MIMO）配置。RSU 位于道路两侧，配备均匀线性阵列（ULA）。
工作流程：
1. 数据获取： RSU 发射联合信号（通信 + 感知），利用毫米波雷达检测覆盖范围内所有车辆，同时通过语义通信与部分车辆交互。
2. 数据处理与跟踪： 利用**粒子滤波（Particle Filter, PF）**算法对车辆状态（位置、速度、角度）进行高精度跟踪，优于传统的扩展卡尔曼滤波（EKF）。
3. DT 建模： 基于处理后的数据构建/更新数字孪生模型。
4. 决策与更新： 基于 DT 模型生成控制指令，并通过语义通信反馈给车辆。

B. 关键模型

信号模型： 采用球面波近场信道模型，包含路径损耗矩阵和 steering 矩阵，考虑了角度和距离的耦合效应。
语义通信模型： 引入语义提取率（Semantic Extraction Ratio, $\rho$ ）。通过编码器提取关键语义信息，减少传输比特数。传输速率与 $\rho$ 成反比，但提取语义需要消耗计算功率。
感知模型： 利用克拉美 - 罗下界（CRB）作为感知精度指标（角度、距离、路径损耗）。
计算模型（创新点）： 建立了一个感知精度与计算负载的直接映射关系。
- 提出公式： $\Delta T = L / f$ ，其中额外处理延迟 $\Delta T$ 取决于感知误差（由 RCRB 量化）。
- 感知误差越大，构建 DT 模型所需的额外计算工作量 $L$ 越大，进而需要更高的 CPU 频率或导致更长的时延。

C. 优化问题与算法设计

目标： 最大化系统语义传输速率，同时最小化感知误差（CRB），在功率、时延和计算资源约束下求解。
问题性质： 非凸优化问题，涉及波束成形矩阵、车辆分配、语义提取率和 CPU 频率的联合优化。
求解算法：
1. 混合启发式算法（Hybrid Heuristic, HH）： 用于解决车辆到 RSU 的分配问题。结合贪心算法（基于距离初始化）和模拟退火（Simulated Annealing, SA）（跳出局部最优），并引入禁忌列表（Tabu List）处理不可行解。
2. 交替优化（Alternating Optimization, AO）： 在固定车辆分配后，交替优化波束成形矩阵、语义提取率和计算资源分配。利用凸优化技巧（如引入辅助变量、Schur 补、低信噪比近似）将非凸约束转化为凸约束。

3. 主要贡献 (Key Contributions)

首创 NF-ISCSC 框架： 首次将集成感知与通信（ISAC）、语义通信（SC）、近场效应（NF）和数字孪生（DT）统一在车联网框架中，特别是针对多 RSU 和多车辆的 MU-MIMO 场景。
感知 - 计算耦合模型： 提出了一个新颖的计算模型，量化了感知误差（RCRB）对 DT 建模所需计算资源的直接影响，填补了现有研究在动态环境下感知精度与计算负载关系的空白。
高效算法设计： 设计了混合启发式（HH）算法解决车辆分配问题，并结合交替优化算法求解复杂的非凸联合优化问题，有效平衡了通信速率、感知精度和计算开销。
性能提升： 证明了在资源受限条件下，该框架能显著提升系统性能。

4. 仿真结果 (Results)

通过数值仿真验证了所提方案的有效性：

跟踪性能： 粒子滤波（PF）在角度、距离和速度估计的均方根误差（RMSE）上均显著优于 EKF 和 UKF，特别是在车辆密度较高（非线性强）的场景下。PF 在 500 个粒子时即可达到极低的误差（距离 RMSE < 0.5m），且计算时间满足实时性要求。
语义通信速率： 提出的 HH 算法在车辆数量增加时，语义传输速率下降最慢。相比传统贪婪算法，HH 算法在 20 辆车时仍能保持约 2.8 bps/Hz 的速率，而贪婪算法降至 1.0 bps/Hz 以下。
感知精度（RCRB）：
- 角度估计： HH 算法的 RCRB 从 5 辆车时的 $10^{-3}$ 度缓慢增加到 20 辆车时的 $10^{-2}$ 度，而贪婪算法在 20 辆车时恶化至 $10^1$ 度。
- 距离估计： HH 算法将距离估计误差控制在 0.5m 以内（20 辆车时），而贪婪算法误差激增至近 10m。
计算性能： 仿真表明，感知误差的增加会显著增加所需的 CPU 频率。若忽略感知误差对计算负载的影响，可能导致系统无法满足时延约束。

5. 意义与展望 (Significance)

理论意义： 该研究打破了感知、通信和计算独立设计的传统，通过引入语义通信和近场模型，重新定义了 6G 车联网的资源管理范式。特别是感知精度与计算负载的耦合建模，为未来的资源调度提供了新的理论依据。
应用价值： 提出的框架能够显著提升车联网的频谱效率和感知精度，同时降低传输时延和计算能耗，对于实现高精度的数字孪生交通系统、自动驾驶协同和智能交通管理具有重要的实用价值。
未来方向： 文章建议未来可研究多 RSU 协同感知、多模态数据（雷达 + 视觉）的语义融合、基于实测数据的 DT 计算延迟校准，以及全双工语义通信等方向。

总结： 这篇论文通过引入近场效应、语义通信和数字孪生，构建了一个高度集成的车联网系统模型，并设计了高效的联合优化算法。仿真结果证明，该方法在资源受限的复杂动态环境下，能够同时实现高可靠通信、高精度感知和高效的计算资源利用，是迈向 6G 智能车联网的重要一步。