⚡ electrical engineering

Microwave Linear Analog Computer (MiLAC)-Aided MIMO Radar Sensing: Transmit Beamforming Design and DoA Estimation

本文提出了一种微波线性模拟计算机（MiLAC）辅助的 MIMO 雷达框架，该框架通过将线性运算移至模拟域，在显著降低硬件成本和功耗的同时，实现了达到全数字水平的发射波束成形与到达方向估计性能。

原作者： Ziang Liu, Zheyu Wu, Bruno Clerckx

发布于 2026-05-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Ziang Liu, Zheyu Wu, Bruno Clerckx

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

以下是用简单语言和创意类比对该论文的解读。

全景图：雷达的“模拟计算机”

想象一下，你正试图用一台拥有数百个镜头的巨型相机，在夜间拍摄一条繁忙的城市街道的高分辨率照片。为了获得完美的画面，你需要协调每一个镜头（这就是波束成形），然后处理数据以精确确定每辆车和每个人的位置（这就是到达方向或 DoA 估计）。

在传统的雷达系统中，这就像在相机后方配备了一台超级计算机。每个镜头都将信号发送给计算机，计算机执行数十亿次计算来合并这些信号并定位目标。这需要大量的电力、昂贵的硬件，并且耗时。

本文介绍了一种名为MiLAC（微波线性模拟计算机）的新装置。请将 MiLAC 想象成一台不计算数字的计算机，而是一个智能的物理滤波器或魔法透镜，它在信号穿过它的同时完成数学运算。它将繁重的计算任务从数字大脑（软件）转移到了物理硬件（模拟波）上。

问题：镜头太多，功耗过大

作者解释说，现代雷达希望使用“大规模阵列”（数百个天线）来观察微小细节。但这带来了两个大问题：

成本与功耗：你需要为每个天线配备专用的电子链路来转换信号。如果你有 256 个天线，就需要 256 个昂贵且耗电的转换器。这就像需要 256 位独立的厨师来烹饪一顿饭；效率极低。
复杂性：以数字方式处理来自所有这些天线的数据极其缓慢且复杂。这就像在跑马拉松的同时，试图在脑海中解决一个巨大的拼图。

解决方案：“魔法滤波器”（MiLAC）

本文提出利用 MiLAC 在雷达的发送端和接收端解决这些问题。

1. 发射端：无需大脑即可塑造波束

目标：雷达需要向特定目标发射聚焦的能量波束（就像将手电筒的光精确地照在一辆车上）。
旧方法：数字计算机计算完美的模式，然后向每个天线发送指令。
MiLAC 方法：本文表明，你可以将 MiLAC 用作物理“整形器”。你输入信号，MiLAC 的内部结构（一个由可调电子元件组成的网络）会在信号穿过时自然地将其塑造成完美的波束。

核心主张：作者证明了一个令人惊讶的数学事实：尽管 MiLAC 是一个具有严格规则的物理“模拟”设备（它不能损失能量，且必须双向工作方式相同），但它塑造波束的能力与超级计算机一样完美。它实现了与全数字版本完全相同的“感知精度”（通过称为克拉美 - 罗下界的指标衡量），但所需的硬件要少得多。

类比：想象试图将一张纸折叠成特定的折纸鹤。数字方式是计算每一次折叠，然后使用机械臂进行折叠。而 MiLAC 方式是将纸放入一个特殊的模具中，当你按下它时，纸张会自动折叠成完美的鹤形。结果完全相同，但模具更便宜、更快。

2. 接收端：无需计算机即可读取地图

目标：信号从目标反射回来之后，雷达需要确定目标的角度。标准方法是执行一种称为二维离散傅里叶变换（2D-DFT）的数学运算。
旧方法：雷达收集所有信号，将它们发送到数字处理器，并运行复杂的算法（就像进行巨大的电子表格计算）来找出角度。
MiLAC 方法：作者表明，MiLAC 可以被构建为充当物理 2D-DFT 机器。当信号在接收端进入 MiLAC 时，该设备会物理地重新排列波，使得输出就是答案。

核心主张：你不再需要数字计算机来做数学运算。数学运算发生在空气和导线中。

类比：想象你有一个房间，里面挤满了大喊不同音符的人。为了找出房间的“音调”，数字计算机需要录制每个人的声音，记下音符，然后计算平均值。而 MiLAC 就像一个装有特殊声学面板的房间，它能自然地整理声波，使得最响亮的声音从一扇特定的门中传出，瞬间告诉你音调，而无需任何人进行任何计算。

为什么这很重要（根据论文）

论文运行了模拟来证明其理论，结果显示：

性能相同：MiLAC 雷达观察目标的清晰度和准确度与昂贵、全数字的雷达一样。
硬件更少：由于 MiLAC 承担了工作，你不需要为每个天线配备数字处理器。你可以使用更便宜、分辨率更低的部件。
零数字运算：接收端无需运行繁重的"2D-DFT"算法。硬件瞬间完成。
速度：由于处理是在模拟域（物理上）进行的，因此速度极快，这对于需要瞬间反应的自动驾驶汽车等应用来说非常理想。

总结

这篇论文是关于构建一种雷达，它使用智能物理滤波器（MiLAC）而不是数字超级计算机来塑造信号并定位目标。作者证明，这种“模拟”方法的准确度与数字方法一样，但成本更低、功耗更小、速度更快，因为它完全跳过了繁重的数字计算。

技术摘要：微波线性模拟计算机（MiLAC）辅助的 MIMO 雷达感知

问题陈述
多输入多输出（MIMO）雷达通过波形分集和巨大的空间自由度（DoFs）提供高分辨率感知。然而，将这些系统扩展至大规模阵列会引入显著的瓶颈：

硬件成本与功耗：全数字架构要求每根天线配备一条射频链（包括高分辨率数模转换器 DAC 和模数转换器 ADC）。对于大型阵列（例如 256 根天线），功耗变得难以承受（例如，12 位 ADC 约为 256 瓦）。
计算复杂度：用于发射波束成形和接收端参数估计（例如通过离散傅里叶变换 DFT 进行到达方向 DoA 估计）的数字处理随阵列规模扩展而表现不佳。子空间方法（如 MUSIC）需要 $O(N^3)$ 的复杂度，这为汽车雷达等实时应用带来了延迟问题。

现有的解决方案，如低分辨率 ADC/DAC 或混合波束成形，往往会导致不可逆的信息损失或波形分集降低。虽然模拟处理（例如堆叠智能超表面）已被提出，但缺乏一个既能保持数字波束成形灵活性又能在模拟域运行的统一框架。

方法论
本文提出了一种统一的 MiLAC 辅助 MIMO 雷达框架，在损耗无性和互易性等实际物理约束下，将线性操作从数字域移至模拟域。

系统模型：该系统采用共置均匀平面阵列（UPA）。发射端利用 MiLAC 执行波束成形，接收端利用第二个 MiLAC 执行二维 DFT 以进行 DoA 估计。
发射波束成形设计：
- 作者针对多目标二维角度估计，构建了一个加权克拉美 - 罗界（CRB）最小化问题。
- 该优化问题受限于总发射功率约束以及 MiLAC 阻抗网络的具体约束（无损耗和互易性）。
- 为了解决由此产生的非凸问题（由于波束成形矩阵 $W$ 与协方差矩阵 $R_x = WW^H$ 之间的耦合），开发了一种基于**惩罚对偶分解（PDD）**的迭代算法。该算法在更新波束成形矩阵、功率分配和辅助变量之间交替进行。
接收端处理：
- 本文证明，无损耗互易的 MiLAC 可以以闭式形式精确实现二维 DFT 矩阵。
- 这使得无需数字优化或每符号数字处理即可在模拟域进行 DoA 估计。
- 为了增强分辨率，提出了一种分数二维 DFT方法，其中 MiLAC 在时隙间重新配置以生成更精细的空间频率 bin。

主要贡献

首个 MiLAC 雷达框架：这是第一项在实际无损耗和互易约束下研究 MiLAC 辅助 MIMO 雷达感知的工作，涵盖了发射端和接收端。
理论等价性：作者证明，MiLAC 辅助的波束成形实现了与全数字波束成形相同的最佳 CRB。关键见解在于，CRB 仅通过发射协方差矩阵（ $R_x$ ）依赖于波束成形矩阵，而在给定约束下，两种架构可实现的协方差矩阵集合是相同的。
算法开发：提出了一种基于 PDD 的迭代算法来解决非凸发射波束成形问题，收敛性分析表明该算法能达到 KKT 点。
模拟二维 DFT 实现：推导出了闭式解，表明无损耗互易的 MiLAC 可以精确实现二维 DFT，从而消除了接收端对数字 DFT 操作的需求。
性能验证：数值结果证实，所提出的方法在匹配全数字基准的 CRB 和均方误差（MSE）的同时，大幅降低了硬件和计算成本。

结果

感知性能： $N=64$ 根天线的仿真表明，MiLAC 辅助设计生成的波束图与全数字设计完全相同，并在各种信噪比（SNR）水平和目标数量下实现了相同的 CRB。
DoA 估计：MiLAC 辅助接收端成功实现了二维 DFT，产生的角度谱和 MSE 性能与全数字二维 DFT 处理相当。
复杂度与硬件：
- 发射端：仅需低分辨率 DAC，因为射频链直接承载雷达调制信号。
- 接收端：完全消除了射频链和 ADC，因为信号处理在模拟域中进行。
- 计算：二维 DFT 的模拟实现将计算复杂度从 $O(LN \log N)$ （数字）降低为变换所需的数字操作实际上为零，提供了超低延迟。

意义
本文声称，MiLAC 辅助的 MIMO 雷达提供了一种有前景的硬件架构，解决了大规模阵列系统中性能与效率之间的权衡。通过利用模拟域进行线性操作，该系统实现了：

性能对等：其感知性能（CRB 和 DoA 精度）与全数字系统相匹配。
资源效率：通过移除接收端的高分辨率 ADC/射频链并在发射端使用低分辨率 DAC，显著降低了硬件成本和功耗。
延迟降低：消除了数字 DFT 操作和每符号数字处理，使其特别适用于汽车雷达等实时、对延迟敏感的应用。

作者总结道，虽然当前结果侧重于基于 DFT 的估计，但该框架为未来在 MiLAC 架构内探索高分辨率算法（例如 MUSIC）打开了大门。