⚡ electrical engineering

Sparse Fluid Antenna Arrays: Continuous Position Design Beyond Classical DOF Limits

本文奠定了理论基础，并提出了一种针对稀疏流体天线阵列的两阶段 FAS-MUSIC 算法，证明了连续位置优化能够突破经典自由度限制，从而实现相较于传统网格约束设计显著更优的到达方向估计性能。

原作者： Tuo Wu, Jie Tang, Ye Tian, Cheng Zeng, Matthew C. Valenti, Hing Cheung So

发布于 2026-05-20

📖 1 分钟阅读☕ 轻松阅读

原作者： Tuo Wu, Jie Tang, Ye Tian, Cheng Zeng, Matthew C. Valenti, Hing Cheung So

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

想象一下，你正试图在一间嘈杂的房间里，利用一组麦克风来聆听对话。在信号处理领域，目标就是精确找出不同声源来自何处（即到达方向，简称 DOA）。

几十年来，工程师们一直使用稀疏阵列来实现这一目标。你可以把它们想象成散布在大面积区域里的一小组麦克风。通过非均匀地布置它们，可以创建一个比物理阵列大得多的“虚拟”麦克风阵列，从而让它们能够分辨出比实际拥有的麦克风数量更多的不同声音。

然而，这些旧设计存在一个重大缺陷：它们被束缚在网格上。想象一下，你只能将麦克风放置在棋盘格子的方格上。无论房间有多大，你只能将它们放在那些特定的方格上。这限制了你的听辨能力以及麦克风可以分散开的距离。

本文介绍了一种革命性的新方法，使用流体天线系统（FAS）。与其被束缚在棋盘上，不如想象你的麦克风像是长而光滑导线上的滑动珠子。你可以将它们移动到导线上的任何位置，而不仅仅是网格方格。

以下是本文声称这种新的“滑动珠子”系统能够做到的事情，通过简单的类比进行解释：

1. 打破“网格”天花板

旧方法（棋盘）： 如果你们在棋盘上有 6 个麦克风，最好的情况是创建一个相当于约 19 个步长的虚拟听音范围。即使房间巨大，你也无法利用额外的空间，因为你被迫只能停留在网格方格上。
新方法（滑动珠子）： 使用流体天线，你可以将 3 个麦克风滑到巨大房间的最左墙，另外 3 个滑到最右墙。这瞬间创建了一个虚拟听音范围，其宽度是最佳旧设计的两倍，仅仅因为你利用了房间的全长。
结果： 系统能够更清晰地区分声源。本文声称，仅用 4 个滑动天线，这种新系统的性能就优于拥有 8 个天线的旧式系统。

2. “栅瓣”问题及其解决方案

问题： 当你将麦克风 spread 得非常远（例如位于巨大房间的两端）时，标准的听音算法会感到困惑。它们会听到“鬼声”（称为栅瓣），并误以为声音来自错误的方向。这就像在镜厅里看自己，看到多个倒影，却分不清哪一个是真实的。
解决方案： 本文提出了一种两阶段“侦探”算法（FAS-MUSIC）：
- 第一阶段（粗略草图）： 首先，系统利用一种数学技巧，创建一个排列完美的“虚拟”麦克风线。这部分就像画一张粗略的草图，以找到声音的大致方向，而不会被镜子欺骗。它是安全的，但不够精确。
- 第二阶段（精细调整）： 一旦大致方向已知，系统就会切换到完整的、巨大的滑动天线阵列。因为它已经大致知道该往哪里看，所以它可以极度精确地聚焦，忽略那些“鬼声”。
结果： 这种两步过程允许系统利用房间的庞大尺寸来实现高精度，而不会被“鬼声”搞糊涂。

3. 为什么设计起来更容易

旧方法： 寻找旧式“棋盘”麦克风的最佳位置是一场噩梦。这就像试图解决一个复杂的拼图，你需要检查数十亿种组合。对于大量麦克风而言，找到完美的排列在实际操作中几乎是不可能的。
新方法： 由于天线可以平滑滑动，寻找最佳位置变成了一个计算机可以快速高效解决的数学问题。这就像滑动拼图块直到它完美契合，而不是试图强行将其塞入网格槽中。

4. 现实世界的实用性

本文还检查了这是否真的可行。他们发现：

精度： 天线不需要以微观级别的完美度放置；精确到约 1/8 个波长就足够了。
速度： 移动天线只需几毫秒，这对于大多数静止或缓慢移动的物体（如室内追踪或雷达）来说已经足够快。
鲁棒性： 即使天线靠得太近，或者它们之间存在一些电气干扰，系统仍然能良好工作。

本文主张的总结

作者声称，通过让天线在空间中自由滑动（而不是被束缚在网格上），他们可以：

用更少的天线听到更多的声源。
以更高的精度定位（在他们的模拟中，比标准方法高出 17.5 倍）。
利用新的两步算法避免来自“鬼”信号的混淆。
利用高效的计算机数学更快地设计系统。

简而言之，他们将一个僵化、受网格束缚的系统转变为一个灵活、流动的系统，释放出了以前认为用相同数量的传感器无法达到的性能水平。

技术摘要：稀疏流体天线阵列：超越经典自由度限制的连续位置设计

1. 问题陈述

经典的稀疏阵列设计（例如嵌套阵列、互质阵列和最小冗余阵列 - MRAs）旨在利用有限数量的传感器（ $N$ ）最大化用于波达方向（DOA）估计的空间自由度（DOFs）。这些设计依赖于限制在半波长网格（ $d_0 = \lambda/2$ ）上的非均匀间距。虽然它们实现了 $O(N^2)$ 的自由度，但面临一个根本性的瓶颈：

网格约束：可实现孔径和自由度严格耦合于天线数量 $N$ 。在不增加天线的情况下扩大部署区域 $D$ 会产生“共阵列空洞”，从而消除自由度优势。
性能限制：对于 $L$ 个源，克拉美 - 罗界（CRB）按 $O(1/(N^2 d_0)^{2L})$ 缩放，意味着精度受限于 $N$ ，而非物理部署尺寸。
栅瓣：大孔径非均匀阵列在标准 MUSIC 算法中会遭受栅瓣影响，导致估计模糊。
计算复杂度：在网格上寻找 MRAs 的最优位置是一个 NP 难的组合问题。

本文探讨的问题是：能否将天线位置从离散网格解放到连续部署区域 $[0, D]$ 以打破这些经典限制，以及应如何设计此类位置？

2. 方法论

本文引入了**稀疏流体天线系统（FAS）**设计，其中 $N$ 个天线可在区域 $[0, D]$ 内连续重定位。方法论分为三个理论层面和一个实用算法框架：

A. 理论基础

双重自由度界：作者推导了 $[0, D]$ 中任意 $N$ 元阵列的共阵列自由度的通用上界：
$\text{DOF} \leq \min(N^2 - N + 1, \, 2\lfloor D/d_0 \rfloor + 1)$
这确立了虽然经典阵列受限于组合项（ $N^2$ ），但当 $D$ 较大时，FAS 可以逼近几何项（ $D/\lambda$ ），从而有效地将孔径与天线数量解耦。
费雪信息主导性：本文分析了 DOA 估计的费雪信息矩阵（FIM）。它证明了连续位置的可行矩空间严格包含网格约束位置的空间。因此，FAS 实现了更低的 CRB，其缩放比例为 $O(1/D^{2L})$ ，而经典阵列则为 $O(1/(N^2 d_0)^{2L})$ 。
可解性：与 NP 难的网格搜索不同，FAS 位置设计被表述为可在多项式时间内求解的平滑连续优化问题。

B. 位置优化算法

单源：推导出了闭式全局最优解，将天线放置在部署区域的两端（$0 $和$ D$）以最大化位置方差。
多源：对于 $L > 1$ ，作者提出了一种基于连续测度的Frank-Wolfe 算法，以最大化 FIM 的行列式（D-最优性）。该算法迭代更新 $[0, D]$ 上的概率测度，以找到最优支撑点（天线位置）。
共阵列感知细化：为了确保差值共阵列包含连续段（MUSIC 算法所必需），对 D-最优设计进行了细化，以平衡费雪信息与共阵列连续性。

C. 两阶段估计算法（FAS-MUSIC）

为了克服大孔径非均匀阵列固有的栅瓣模糊问题，提出了一种两阶段估计器：

第一阶段（去模糊）：利用差值共阵列形成具有半波长间距的虚拟均匀线性阵列（ULA）。在此应用标准空间平滑 MUSIC 以获得无模糊的粗略 DOA 估计。
第二阶段（细化）：利用 FAS 阵列的全物理孔径。局部最大似然（ML）估计器在小搜索区域内细化粗略估计，利用全孔径 $D$ 逼近 CRB。

自适应变体：还开发了一种迭代算法，根据初始 DOA 估计重新优化位置，从而在无需预先知道源位置的情况下实现性能提升。

3. 关键结果

大量的蒙特卡洛仿真（ $N=6$ , $D=40d_0$ , $L=2$ ）验证了理论主张：

CRB 降低：在 $D=40d_0$ 时，FAS 实现的 CRB 比最佳经典 MRA 设计低约 10.4 dB。CRB 随 $D$ 单调递减，而经典阵列则保持恒定。
RMSE 性能：提出的 FAS-MUSIC 算法在所有信噪比（SNR）水平下均跟踪理论 CRB。相比之下，直接应用于 FAS 的标准 MUSIC 因栅瓣而饱和。
- 在 SNR = 25 dB 时，FAS-MUSIC 实现了 0.0009° 的 RMSE，比标准 FAS-MUSIC 好 11 倍，比 MRA-MUSIC 好 12 倍，比 ULA-MUSIC 好 18 倍。
硬件效率：仅含 4 个天线 的稀疏 FAS 优于含 8 个天线 的 MRA，证明了位置自由度可以替代硬件数量。
超分辨率：FAS-MUSIC 能够分辨间隔小至 0.5° 的源，显著优于 ULA 的约 1.5° 限制和 MRA 的约 1° 限制。
鲁棒性：该系统对最小间距约束、互耦（由于间距更宽而自然减少）以及有限位置精度（仅需约 0.13 $\lambda$ 的精度即可实现 <1 dB 的 SNR 损失）保持鲁棒。

4. 意义与主张

本文声称建立了用于 DOA 估计的稀疏 FAS 设计的理论基础，从根本上将范式从“天线数量”转变为“部署区域”作为性能的主要驱动力。

打破经典限制：该工作证明了连续位置自由度解锁了三个复合优势：孔径缩放的自由度、孔径缩放的 CRB 以及通过设计实现的无栅瓣估计。
理论与实际：通过提供可解的优化算法（Frank-Wolfe）和稳健的两阶段估计器（FAS-MUSIC），该研究弥合了理论界限与实际实现之间的差距，后者实际上达到了理论 CRB。
范式转变：作者断言，FAS 提供了比任何网格约束设计更大的设计空间，允许实现“任何网格约束设计都无法达到”的性能提升。

本文结论指出，虽然信号模型假设单个流体天线合成虚拟阵列，但结果广泛适用于能够实现等效空间采样的 FAS 架构。未来的工作被确定为将这些概念扩展到近场、宽带和二维平面场景，以及进行实验验证。