⚡ electrical engineering

A Novel Stripe-based RIS Optimization for UAV Communications and Sensing in Low-Altitude Wireless Networks

本文提出了一种针对低空无线网络的低复杂度、基于条纹的可重构智能表面（RIS）优化框架，该框架通过利用结构相位梯度来减少计算搜索空间，从而在增强无人机通信可靠性的同时实现被动感知，并通过仿真和实际户外实验验证了其有效性。

原作者： Burak Ahmet Celebi, Sefa Kayraklik, Onur Salan, Ibrahim Hokelek, Ali Emre Pusane, Ali Gorcin

发布于 2026-06-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Burak Ahmet Celebi, Sefa Kayraklik, Onur Salan, Ibrahim Hokelek, Ali Emre Pusane, Ali Gorcin

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，你正试图与一架在高空飞行的无人机通话，但一栋高楼挡住了你的直接视线。你喊得不够大声，无法穿透障碍；信号也向错误的方向反射了。这就是这篇论文要解决的问题：即使在有障碍物阻挡的情况下，如何与无人机（UAV）保持清晰、强劲的连接，同时还能利用这种连接来“感知”无人机的移动位置。

作者提出的解决方案是一个被称为**可重构智能表面（RIS）**的高科技“智能镜子”。把这个 RIS 想象成一面由成千上万个可调节微小瓷砖组成的巨型墙壁。每一块瓷砖都可以捕捉来自地面站的无线电信号，并将其反射向无人机。通过调整每块瓷砖的角度，这面墙可以将信号像放大镜聚焦阳光一样进行聚焦。

以下是作者如何使用简单的类比来拆解这项创新的：

1. 问题所在：“逐像素”的噩梦

通常，为了让这面智能镜子完美工作，你必须单独调整每一个微小的瓷砖，以找到完美的角度。

旧方法： 想象一下，你要通过转动巨大镜子上的一颗微小螺丝来尝试对焦，检查光线是否变亮了，然后移动到下一个螺丝，以此类推。如果镜子有 576 块瓷砖（如其实验所示），你必须检查成千上万种组合。如果无人机在移动，你必须立即重新进行这一切。这非常缓慢，计算量巨大，而且如果信号很弱（就像暴风雨中的低语），你根本无法判断一次微小的调整是否真的带来了帮助。

2. 解决方案：“条纹”策略

作者提出了一个聪明的捷径。他们意识到，在开阔空间（远场）中，与其将每一块瓷砖视为独立的个体，不如意识到实现完美反射的最佳方式看起来像是一种条纹模式。

类比： 想象镜子上的瓷砖就像体育场里正在做“人浪”的观众。你不需要告诉每一个人具体什么时候站起来，你只需要告诉第一排，“站起来”，然后告诉下一排，“晚一瞬间再站起来”，以此类推。波浪会在体育场内平滑地移动。
运作原理： 系统只需要计算出波浪的“斜率”或“梯度”（即从左到右以及从上到下角度变化的速率）。与其搜索 576 块瓷砖的最佳设置，它只需要搜索两个数字：X 方向的斜率和 Y 方向的斜率。
益处： 这将搜索空间从一个巨大的迷宫缩减为一个微小且易于处理的网格。这就像是通过先寻找干草堆的形状，而不是去戳每一根干草，从而在干草堆中找到针头。

3. 处理移动目标：追踪无人机

无人机不会停在原地，它们会四处飞行。如果镜子是为静止的无人机设置的，一旦无人机移动，信号就会错过目标。

挑战： 你需要不断更新“条纹模式”，而不能每次都停下来进行完整的搜索。
论文中的工具： 作者开发了三种“智能追踪器”来保持镜子的聚焦：
1. 简单追踪： 就像狗追球一样，它只是在上次信号最强的区域附近观察一小圈，并进行微调。
2. 卡尔曼辅助追踪： 这就像 GPS 预测汽车的位置。它利用数学根据当前的移动速度和方向来预测无人机的下一步动作，以便在无人机到达之前，镜子就能完成预调整。
3. 极值搜索（ESC）： 这就像盲人摸索着上坡。他们向不同方向迈出细小的、扭动的步子，去感受哪里的地面变得更陡峭（信号更强），并朝着那个方向继续行走。

4. 加分功能：“被动感知”

当镜子调整自身以捕捉信号时，它会“无意中”（或者说是有意地）学习无人机的位置。

神奇之处： 因为“条纹模式”完全取决于无人机的角度，一旦系统找到了最佳模式，它就可以通过数学手段反向推导出无人机的位置。这就像仅仅通过观察投射在墙上的影子，就能准确知道手电筒正对着哪里。系统无需额外的摄像头或传感器，就获得了“免费”的追踪能力。

5. 现实世界验证

作者不仅进行了计算机模拟，还制作了一个真实的原型。

实验： 他们在一个大学校园内搭建了一个真实的智能镜子（由 24x24 块瓷砖组成）。他们使用真实的无线电设备，将信号从地面站发送到接收器，并使其经过镜子反射。
结果： “条纹”方法比传统的“逐像素”方法更有效、更快。即使在环境嘈杂的情况下，它也能保持强劲的信号，并成功在现实世界中追踪信号路径，证明了这些数学理论在计算机之外也是行之有效的。

总结

简而言之，这篇论文介绍了一种用于控制智能无线电镜子的低复杂度、高速度的方法。它不再微观管理每一块瓷砖，而是利用条纹模式来控制反射的“流动”。这使得它能够：

连接无人机更加快速可靠，即使在信号微弱的情况下也是如此。
利用智能预测算法实时追踪移动中的无人机。
作为连接过程的副作用，自动定位无人机的位置。

作者通过计算机模拟和真实的户外实验验证了这一点，表明这是未来低空无人机网络的一个切实可行的解决方案。

技术摘要：一种用于低空无线网络中无人机通信与感知的创新型条纹式（Stripe-based）RIS 优化方法

问题陈述
低空无线网络（LAWN）旨在通过整合空中与地面节点的通信、感知与控制，来支持关键性的空中作业。然而，无人机（UAV）作业的高度动态性，结合信号遮挡和快速波动的无线信道，对这些系统的可靠性和延迟要求提出了挑战。虽然可重构智能表面（RIS）通过控制无线传播环境，为增强覆盖范围和可靠性提供了一种极具前景的解决方案，但现有的优化方法往往面临计算复杂度过高的难题。此外，许多现有方法在低信噪比（SNR）机制下或出现相位估计误差时，尤其是在 RIS 单元数量增加的情况下，难以维持性能。因此，需要一种低复杂度的优化框架，能够在不进行穷举搜索空间的情况下，同时确保可靠通信并为移动无人机提供被动感知（跟踪）能力。

方法论
本文提出了一种针对静态和移动无人机场景设计的基于条纹的 RIS 相位偏移优化框架。该核心方法论利用了远场区域内相邻 RIS 单元固有的结构化相位梯度，而非对每个单元进行单独优化。

系统模型： 系统模型包含一个基站（BS）、一个 RIS（均匀平面阵列）和一个无人机（UAV）。在远场条件下，RIS 上的最优相位剖面是线性的，由两个参数定义：沿 x 轴和 y 轴的相位梯度 $\Delta_x$ 和 $\Delta_y$ 。
静态优化（基于条纹的搜索）： 该算法不再搜索 $N$ $N$ 个独立单元的相位，而是搜索最优对 $(\Delta_x, \Delta_y)$ $(Δ_{x}, Δ_{y})$ 。这显著缩小了搜索空间。采用两阶段分层搜索：
- 粗搜索： 对梯度空间进行均匀离散化以找到局部窗口。
- 精搜索： 在识别出的窗口内细化搜索。
- 量化： 该方法支持 1-bit RIS 架构（相位偏移为 0 或 $\pi$ ），其中线性相位剖面由于相位缠绕表现为“条纹”模式。
误差分析： 文中提供了系统对相位估计误差敏感性的数学分析。研究表明，结构化梯度误差（影响条纹模式）导致的 SNR 损失明显低于随机、不相关的单元级误差，即使在 1-bit 量化系统中也是如此。
移动无人机跟踪： 对于移动中的无人机，该框架通过三种策略扩展到实时跟踪，以更新相位梯度：
- 简单跟踪： 在前一个最优值附近进行重复的精细网格搜索。
- 卡尔曼辅助跟踪： 利用卡尔曼滤波器根据无人机速度预测相位梯度的演变，从而缩小搜索窗口。
- 极值搜索控制（ESC）辅助跟踪： 对梯度施加连续的、低幅度的扰动，以跟踪 SNR 最大值，从而无需离散网格搜索，最大限度地降低延迟。
被动感知： 估计出的相位梯度可以通过数学变换转换为相对于 RIS 的无人机仰角和方位角，从而将角度定位作为通信优化的副产品。

核心贡献

低复杂度算法： 本文开发了一种基于条纹的优化算法，将计算复杂度从相对于 RIS 单元数量的线性阶 $O(N)$ 降低到次线性阶 $O(\sqrt{N})$ ，使其能够扩展到大规模阵列。
鲁棒性分析： 通过解析推导和仿真证明了该方法在相位估计误差和低 SNR 条件下仍能保持稳健的高 SNR 连接，解决了迭代式单元级方法失效的问题。
集成跟踪与感知： 该框架通过卡尔曼辅助和 ESC 辅助跟踪方法扩展到了移动无人机场景。至关重要的是，文中推导了一种数学变换，可将 RIS 相位偏移优化转化为连续的无人机跟踪机制，从而实现无需专用感知信号的被动角度定位。
实验验证： 研究使用一个真实的 RIS 原型（24 $\times$ 24 单元）和软件定义无线电（SDR）在室外校园环境中进行了验证，证明了其在理论仿真之外的实际可行性。

结果

SNR 性能： 仿真表明，在不同的无人机距离下，基于条纹的方法始终能获得高 SNR，并紧密贴合理论上限。相比之下，传统的迭代方法（例如 1 $\times$ 1 单元更新）在较长距离或低 SNR 时性能迅速下降，因为单个单元的相位变化在噪声中变得难以辨别。
计算效率： 运行时分析显示，虽然迭代方法的规模随 RIS 单元数量线性增长，但基于条纹的方法随单元数量的平方根增长，为大规模阵列提供了显著的时间节省。
跟踪精度： 在移动场景中，ESC 辅助跟踪实现的平均 SNR 损失最低（约 0.31 dB），优于实际最优配置，并且优于简单跟踪器和卡尔曼辅助跟踪器，因为它减少了更新延迟和失配。
实验验证： 室外测量确认，在各种发射距离下，基于条纹的方法比迭代基准（1 $\times$ 1 和 4 $\times$ 4）产生更高的接收功率。测得的辐射图谱验证了 RIS 成功地将反射信号导向接收器。

意义
本文声称这项工作弥合了理论 RIS 优化与低空无线网络中实际部署之间的鸿沟。通过利用 RIS 的结构化相位梯度，所提出的方法提供了一种计算高效且对硬件缺陷及低 SNR 条件具有鲁棒性的解决方案。其能够同时优化通信链路并提供被动无人机跟踪（角度定位）的能力，使其成为下一代感知型 3D 无线网络的有力赋能技术。在真实原型上进行的成功室外演示，强调了部署此类低复杂度、基于条纹的策略在现实环境中的实际可行性。

1. 问题所在：“逐像素”的噩梦

2. 解决方案：“条纹”策略

3. 处理移动目标：追踪无人机

4. 加分功能：“被动感知”

5. 现实世界验证

总结

类似论文