Adaptive 5G Resource Allocation for Multistatic ISAC-Based UAV Detection and Tracking

技术摘要：面向多静态 ISAC 基无人机检测与跟踪的自适应 5G 资源分配

问题陈述
小型无人机（UAV）的激增给关键基础设施和限制空域带来了显著的安全风险，因此需要强大的检测与跟踪能力。虽然集成感知与通信（ISAC）为利用现有 5G 网络进行监视提供了路径，但实际部署面临两个主要挑战：

1. 资源竞争： 感知与通信功能必须竞争有限的无线电资源。静态感知分配在时变网络负载下效率低下，会导致在低流量期间资源浪费，或在拥塞期间感知性能下降。
2. 跟踪鲁棒性： 跟踪具有低雷达截面积（RCS）的高机动无人机非常困难，尤其是在网络资源受限的情况下。单模态系统（如单基雷达）在复杂环境中往往会出现覆盖盲区和定位精度下降的问题。

方法论
作者提出了一种运行在 5G 新空口（NR）接口上的负载感知、自适应多静态 ISAC 框架。该系统架构集成了一个活跃的 5G gNB（作为受控照明源）和一个分布式软件定义传感器（SDS）节点网络（作为被动接收器）。

关键方法论组成部分包括：

• 自适应波形设计： gNB 根据实时网络负载（$\eta$）和观测到的信噪比（SNR），动态调整 Zadoff-Chu（ZC）感知序列的长度（$N_{ZC}$）、感知传输速率和波束分配。较长的序列提供更高的相干处理增益和更好的距离分辨率，但会消耗更多的物理资源块（PRB）。
• 共享资源建模： 一个数学模型量化了通信吞吐量与感知开销之间的权衡。系统定义了四种资源分配策略：固定感知导向型、固定通信导向型、自适应 ISAC 以及带有机会信号（SoO）辅助的自适应 ISAC。
• SoO 辅助的多静态感知： 当网络资源过于紧张，无法支持主动 5G 感知需求时，该框架通过被动 SDS 节点利用外部机会信号（例如卫星、FM 广播或其他蜂窝传输）进行感知。这些节点捕获目标反射，而不消耗额外的 5G 资源。
• 性能指标：
  • 检测/跟踪： 使用 Marcum Q 函数分析检测概率，并使用 $M$-of-$N$ 模型分析跟踪连续性（要求在 $N$ 次机会中有 $M$ 次成功检测）。
  • 定位精度： 使用克拉美-罗下界（CRLB）评估单基（仅 gNB）与多静态（gNB + SDS）几何结构的差异。

核心贡献
本文对 5G ISAC 领域做出了四个具体的贡献：

1. 负载感知资源模型： 开发了一个模型，将感知开销量化为 ZC 波形长度、更新速率以及在共享 5G 资源下的波束数量的函数。
2. 权衡特征化： 证明了自适应波形缩放允许 5G 感知在保持跟踪能力的同时，随着通信负载的增加实现性能的平滑降级，避免了固定预留带来的僵化低效。
3. SoO 辅助架构： 引入了一种分布式感知架构，其中 SDS 节点利用外部 SoO 来维持跟踪连续性，特别是在主动 5G 资源匮乏时，这显著降低了高拥塞情况下的跟踪中断。
4. 多静态 CRLB 框架： 通过理论分析表明，与单基感知相比，多静态几何结构显著提高了定位精度和空间覆盖均匀度，尤其是在利用更长波形和更宽带宽时。

结果
基于 5G NR FR1 系统（3.5 GHz，50 MHz 带宽）的仿真结果表明：

• 吞吐量 vs. 感知： 自适应策略优于固定预留基准方案。虽然固定感知策略限制了吞吐量（例如，将其限制在提供负载的 85% 或 97%），但自适应策略能够紧密追踪提供的负载。
• 拥塞弹性： 在极端拥塞（归一化负载 $\eta \to 1.0$）情况下，“自适应 + SoO”策略在保持吞吐量等于提供负载的同时，能保持较低的跟踪中断概率。相比之下，纯自适应策略（无 SoO 辅助）由于资源被转向通信，会出现快速的跟踪失败。
• 波形缩放： 将 ZC 序列长度（$N_{ZC}$）从 71 增加到 1291，可使达到目标跟踪中断概率（$10^{-3}$）所需的输入 SNR 提高约 12.6 dB，从而将可靠跟踪扩展到更低 SNR 的条件下。
• 定位精度： CRLB 分析显示，多静态感知显著优于单基感知。对于长波形（$N_{ZC}=1291$），多静态感知的平均位置误差界（PEB）降至 0.85 m，而单基感知仍停留在约 6.9 m，凸显了分布式节点的几何优势。

意义
本文认为，协调的自适应感知结合分布式多静态支持，代表了未来无线网络中实现韧性无人机监视的切实路径。通过动态缩放感知资源并利用被动外部信号，所提出的框架解决了在拥塞的射频环境中维持高质量通信服务与确保持续、精确的无人机跟踪之间的关键矛盾。该工作验证了 ISAC 可以超越静态资源划分，转向一种能够充分利用现有及机会性无线基础设施的动态、负载感知范式。