⚡ electrical engineering

Joint Range-Angle Estimation in Near-Field ISAC System using Uniform Circular Array

本文针对近场 ISAC 系统，建立了基于均匀圆阵的连续时信道模型并推导了联合测距测角克拉美罗下界，通过蒙特卡洛仿真揭示了阵列孔径与信噪比之间的根本权衡，指出半径为 0.5 米的配置能在保证高接收信噪比的同时实现最佳的联合估计与通信性能。

原作者： Lorenzo Zaniboni, Mark F. Flanagan

发布于 2026-04-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Lorenzo Zaniboni, Mark F. Flanagan

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

这篇论文探讨了一个非常前沿的通信技术：如何在 6G 网络中，让基站既能“聊天”（通信），又能“看路”（感知/雷达），而且是在离得很近的地方（近场）。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成**“在一个巨大的圆形广场上，用手电筒和回声定位来寻找并联系一个朋友”**的故事。

1. 背景：为什么要研究这个？

想象一下，未来的 6G 网络基站（BS）就像是一个拥有64 个发光点（天线）的超级大灯塔。

传统做法（远场）： 以前，我们假设朋友离得很远，光线是平行的。这时候，基站只能知道朋友在“哪个方向”（角度），但不知道“有多远”。
新挑战（近场）： 当朋友离基站很近时，光线不再是平行的，而是像球面波一样扩散。这时候，基站不仅能知道方向，还能通过光线的弯曲程度算出距离。这就叫“近场感知”。

问题出在哪？
以前的研究大多用直排天线（像一排士兵站成一列）。这有个大毛病：如果你站在队伍的侧面，这排士兵看起来就很“窄”，感知能力大打折扣；只有站在正前方才好用。而且，以前的模型太简单，忽略了声音/光波传播的时间差和多普勒效应（就像救护车经过时声音音调的变化）。

2. 主角登场：圆形阵列（UCA）

这篇论文提出用圆形阵列（UCA）来代替直排。

比喻： 想象这 64 个天线不是排成一排，而是围成一个完美的圆圈（像一个巨大的披萨边）。
优势： 无论你站在圆圈的哪个角度（360 度），这个圆圈的“宽度”看起来都是一样的。这意味着，无论朋友站在哪里，基站都能保持同样优秀的感知能力。这就像是一个全向雷达，没有死角。

3. 核心发现：一个有趣的“两难困境”

研究人员建立了一个非常复杂的数学模型，考虑了光波传播的每一个细节（时间延迟、频率变化、球面波形状）。然后，他们发现了一个反直觉的“跷跷板”现象：

圆圈越大（半径 R 越大）：
- 理论上的好处： 就像把耳朵张得更大，理论上能听得更清楚，定位误差的理论极限（CRLB）会变得非常非常小（比如从几厘米变成几毫米）。
- 实际上的坏处： 但是，天线分得太开了，每个天线接收到的信号能量就变弱了。就像你站在很远的地方看一个巨大的屏幕，虽然屏幕很大，但每个像素点都很暗。
- 结果： 因为信号太弱，基站根本“听不清”朋友的声音，导致定位完全失败，误差反而巨大。
圆圈越小（半径 R 越小）：
- 理论上的劣势： 理论上的定位极限没那么完美。
- 实际上的好处： 天线靠得近，信号能量集中，接收到的声音很响亮（信噪比高）。
- 结果： 虽然理论上限不高，但因为信号强，基站能稳稳地算出位置，实际表现反而最好。

结论： 在目前的条件下，半径 0.5 米的圆圈是“黄金尺寸”。它既不会让信号太弱导致“听不见”，又能提供不错的感知能力。而半径 5 米的圆圈虽然理论很完美，但实际因为信号太弱，完全没法用。

4. 他们是怎么做到的？（技术魔法）

为了解决这个问题，作者做了三件事：

造了一个超级模型： 把时间、距离、角度、信号强弱全部揉在一起，建立了一个最真实的“近场环境模拟器”。
设计了“最优手电筒”： 他们发明了一种算法（黎曼梯度下降），能自动调整那 64 个天线的发射方向，把能量精准地聚束到朋友身上，就像手电筒聚焦光束一样。
发明了“聪明侦探”： 他们设计了一个算法（最大似然估计），用来从杂乱的信号中猜出朋友的位置。为了防止猜错（陷入局部最优解），他们先用“网格搜索”粗略看一眼，再用“莱文贝格 - 马夸尔特算法”精细修正。

5. 最终结果

通过大量的计算机模拟（蒙特卡洛仿真），他们发现：

理论很丰满，现实很骨感： 虽然大圆圈的理论精度极高，但在低信号强度下，大圆圈的表现甚至不如小圆圈。
最佳选择： 0.5 米半径的圆形阵列在实际应用中表现最好。它能保证在很远的距离（400 米内）依然保持高信号强度，从而让定位和通信都达到最佳平衡。

总结

这篇论文告诉我们：在 6G 的近场世界里，“大”不一定“好”。
就像在嘈杂的房间里找人，如果你把耳朵（天线）分得太开，虽然理论上能听得更准，但因为每个耳朵听到的声音都太轻，反而什么都听不清。相反，把耳朵凑得近一点（0.5 米半径），虽然视野范围小一点，但声音够大，反而能最快地找到人。

这项研究为未来 6G 基站的设计提供了重要的指导：不要盲目追求巨大的天线阵列，要找到信号强度和感知精度的最佳平衡点。

这是一份关于论文《基于均匀圆形阵列的近场 ISAC 系统联合距离 - 角度估计》（Joint Range-Angle Estimation in Near-Field ISAC System using Uniform Circular Array）的详细技术总结。

1. 研究背景与问题 (Problem)

随着 6G 网络的发展，集成感知与通信（ISAC）成为关键技术。在极大规模天线阵列（ELAA）和毫米波频段下，无线系统进入**近场（Near-Field, NF）**区域，此时信号波前呈球面状，而非远场（Far-Field, FF）的平面波。

现有局限：
- 大多数现有近场 ISAC 研究基于均匀线性阵列（ULA）。ULA 存在根本性缺陷：其有效孔径和近场区域随目标偏离法线方向而急剧缩小，导致覆盖范围内大部分区域无法享受近场优势。
- 现有模型多采用窄带或离散时间信道模型，忽略了宽带传播中的时延（Delay）和多普勒频移（Doppler shifts）变化，无法捕捉球面波前带来的强角度 - 时延相关性。
- 缺乏针对**均匀圆形阵列（UCA）**的宽带 ISAC 联合估计框架。虽然 UCA 具有旋转对称性，能提供角度不变的近场区域，但此前缺乏结合宽带 OFDM、球面波几何、CRLB 最优波束成形及最大似然（ML）估计的统一框架。
核心挑战：
在近场 ISAC 中，如何平衡**阵列孔径（Aperture）与接收信噪比（SNR）**之间的权衡。增大阵列半径（ $R$ ）理论上能提高估计精度（收紧 CRLB），但会导致单元增益分散，降低接收 SNR，进而使 ML 估计器陷入“阈值效应”（Threshold Effect），导致实际性能恶化。

2. 方法论 (Methodology)

本文提出了一种基于 UCA 的连续时间宽带近场 ISAC 框架，主要包含以下技术环节：

A. 系统模型与信道建模

几何结构： 基站（BS）配备半径为 $R$ 的 UCA，用户设备（UE）位于近场区域（距离 $d <$ 瑞利距离）。
连续时间宽带信道模型：
- 考虑了球面波前几何：每个天线单元到目标的距离 $r_k$ 不同，导致不同的相位和幅度增益（ $g_k(r_k) = \lambda / 4\pi r_k$ ）。
- 包含时延与多普勒：推导了包含每单元时延 $\tau_0$ 和多普勒频移 $\nu_0$ 的通信信道向量 $h_{comms}$ 和感知信道矩阵 $H_{sens}$ 。
- OFDM 信号： 信号模型包含导频和数据，明确区分了单程（通信）和双程（感知）传播路径。

B. 理论推导：克拉美 - 罗下界 (CRLB)

推导了联合估计距离 $d$ 和角度 $\theta$ 的闭式 CRLB 表达式。
构建了费雪信息矩阵（FIM），分析了阵列几何参数（如半径 $R$ ）对估计方差的影响。
揭示了孔径与 SNR 的内在权衡机制：增大 $R$ 虽然能增加孔径项（降低理论方差），但会因单元增益下降而降低 SNR，从而在低信噪比下恶化实际性能。

C. 优化与估计算法

最优发射波束成形：
- 目标：最小化 CRLB 的迹（Trace），即最小化联合估计误差。
- 方法：采用**黎曼梯度下降法（Riemannian Gradient Descent）**在单位球流形上优化波束成形向量 $f$ ，以处理非凸约束。
联合距离 - 角度最大似然（ML）估计：
- 构建了对数似然函数，转化为最小化残差范数问题。
- 求解策略： 由于目标函数高度非凸且存在多个局部极小值，采用两阶段策略：
  1. 粗搜索： 使用 2D 网格搜索（Grid Search）识别最可能的 $N_b=15$ 个吸引盆（Basins）。
  2. 精修： 对每个吸引盆使用Levenberg-Marquardt (LM) 算法进行局部优化，选取最佳解。

3. 主要贡献 (Key Contributions)

模型创新： 建立了首个针对 UCA 的连续时间宽带近场 ISAC 信道模型，完整纳入了时延、多普勒频移和球面波前几何，弥补了现有窄带/ULA 模型的不足。
理论突破： 推导了联合距离 - 角度估计的闭式 CRLB，从理论上量化了 UCA 半径对估计精度的影响，并揭示了“孔径 -SNR"权衡机制。
算法设计： 设计了基于黎曼流形优化的波束成形器，以及结合网格搜索与 LM 算法的鲁棒 ML 估计器。
发现关键权衡： 通过仿真证明，在近场 ISAC 系统中，较大的阵列半径并不总是带来更好的实际性能。在低 SNR 或阈值效应显著的区域，较小的半径（如 $R=0.5$ m）因能维持更高的接收 SNR，反而表现出优于大半径阵列的实际估计精度和通信速率。

4. 实验结果 (Results)

仿真参数：60 GHz 频段，64 个天线单元，带宽 1 GHz，距离范围 10m - 400m。

CRLB 与 RMSE 对比：
- 理论界（CRLB）： 随着半径 $R$ 增大（0.5m $\to$ 5.0m），理论 CRLB 显著降低（例如在 10m 处，距离误差界从 16.5mm 降至 0.16mm），体现了大孔径的理论优势。
- 实际误差（RMSE）： 所有配置均处于阈值效应区（Threshold Regime）。由于大半径导致接收 SNR 降低，ML 估计器频繁陷入局部极小值，导致实际 RMSE 远超 CRLB。
- 最佳配置： $R=0.5$ m 的配置在所有距离下均取得了最低的 RMSE。这是因为其保持了最高的接收 SNR，避免了阈值失效，尽管其理论 CRLB 最差。 $R=5.0$ m 的配置虽然理论精度高，但因 SNR 过低，实际误差比 $R=0.5$ m 高出数千倍。
通信性能（可达速率）：
- 最优速率（ $C_{opt}$ ，假设完美估计）随 $R$ 增大而单调增加。
- 实际可达速率（ $C_{est}$ ）在大部分 SNR 范围内接近于零，因为波束对准失败（估计错误）。
- $R=0.5$ m 保持了最高的实际通信速率，而 $R=5.0$ m 由于估计误差导致的波束失准，造成了巨大的性能损失（ $C_{est}$ 与 $C_{opt}$ 差距最大）。
收敛性： $R=0.5$ m 的算法收敛率最高（在 10m 处>95%），而大半径阵列在远距离处收敛率显著下降。

5. 意义与结论 (Significance & Conclusion)

重新定义近场阵列设计原则： 本文挑战了“阵列越大越好”的传统直觉。在近场 ISAC 系统中，必须同时考虑孔径增益和接收 SNR 损失。在低信噪比或阈值效应主导的场景下，过大的阵列半径会导致系统性能崩溃。
UCA 的优势验证： 证实了 UCA 相比 ULA 具有角度不变的近场区域，且通过合理的半径选择（如 0.5m），可以在 60GHz 频段实现约 400m 的有效近场覆盖（是同等硬件 ULA 的 40 倍）。
工程指导： 为 6G 近场 ISAC 系统的部署提供了关键指导：在设计时，不应盲目追求大孔径，而应根据预期的工作 SNR 和距离范围，寻找孔径与 SNR 的最佳平衡点，以确保估计器能稳定收敛。

总结： 该论文通过严谨的数学建模和仿真，揭示了近场 ISAC 系统中物理层参数（孔径、SNR）与估计算法性能（阈值效应）之间的深刻联系，并证明了在特定条件下，较小的 UCA 半径能实现更优的联合感知与通信性能。