想象一下，无线世界就像一条繁忙拥挤的高速公路，数十亿台设备正试图同时进行交流。几十年来，我们一直在建造更宽的车道（更多的频谱）和更智能的红绿灯（更好的信号处理），以保持这种流动。但现在出现了一个新的转折：如果高速公路上的汽车不仅能行驶，还能充当眼睛和耳朵，在不需要另一套视觉系统的情况下扫描环境，观察前方情况，会怎样呢？这就是“通信感知一体化”（ISAC）所承诺的前景。ISAC 不再是拥有一个用于交谈的系统（比如你的手机）和另一个用于观察的系统（比如雷达），而是尝试用同一个信号实现这两者，从而节省空间和能量。
为了实现这一点，工程师们使用了一种被称为大规模 MIMO（Massive MIMO）的技术，这就像是给无线电塔数百个微型天线，而不是仅仅几个。这使得无线电塔能够像激光束一样聚焦其信号，在同时与许多人交谈的同时，通过信号在物体上的反射来构建世界的图像。然而，这里有一个难点：为了创建清晰的图像（比如雷达图像），你通常需要持续发送大量数据。但如果你也试图与人们交谈，你就不能把所有的时间和频率都用于雷达；你必须停下来倾听他们的回复。这会在数据中产生“空洞”，使雷达图像看起来像是一个缺少碎片拼图。大问题在于：我们如何在不减慢对话速度的情况下填补这些缺失的部分，从而获得清晰的图像？
这篇论文正是针对这个难题展开研究的。作者提出了一种巧妙的系统，该系统由一个大规模天线塔发送双重功能的信号：它们既携带数据给用户，又通过反射目标来创建高分辨率的雷达图像（称为 ISAR）。由于无线电塔必须为通信而暂停，它收集到的雷达数据是“稀疏”的——这就像试图透过栅栏栏杆看清一张脸。为了解决这个问题，研究人员开发了一种全新的数学“擦除与重绘”工具（一种自适应算法），能够从这些不完整、零散的线索中重建出完整且清晰的图像。他们还创建了一个智能“交通控制器”（利用人工智能），负责精确决定信号的哪些部分用于交谈，哪些部分用于观察，以及如何分配功率。
研究结果发现，这种方法的效果出奇地好。通过使用他们的新型重建工具，即使在丢失了大量数据的情况下（模拟仅有 25% 通常信号样本的情景），系统仍能创建锐利、清晰的雷达图像。此外，他们的智能交通控制器比那些试图同时利用全部信号进行所有操作的旧方法，能挤出显著更多的通信速度。仿真结果表明，虽然两者之间总是存在权衡——获得更清晰的图像通常意味着稍慢的对话速度——但他们的方法找到了那个平衡点，即在获得非常好的图像效果的同时，不会牺牲互联网速度。这是一种“鱼与熊掌兼得”的方法，证明了通过正确的数学方法和一点人工智能，我们可以让无线网络以惊人的效率实现“视”与“听”。
技术摘要：面向稀疏 ISAR 成像的大规模 MIMO-OFDM ISAC
问题陈述
本文研究了在 Massive 多输入多输出（mMIMO）正交频分复用（OFDM）框架下，将高分辨率逆合成孔径雷达（ISAR）成像与下行链路通信集成的挑战。虽然集成感知与通信（ISAC）是 6G 的关键赋能技术，但现有研究主要侧重于点目标参数估计（距离、速度、角度），而非扩展目标成像。此外，传统 ISAC 系统中的 ISAR 成像通常依赖全带宽感知和固定资源分配，这限制了频谱效率（SE）和灵活性。
在处理 ISAC 系统中的稀疏孔径 ISAR 重建方面存在特定的研究空白。在时分双工（TDD）协议中，上行链路导频传输会在慢时间域产生间隙，且动态资源分配可能导致仅使用一部分子载波进行感知。这些因素导致测量数据不完整，使得传统的基于傅里叶变换的重建方法（如 2D-FFT）容易产生严重的伪影和混叠。此外，在这些稀疏条件下，优化通信服务质量（QoS）与维持感知性能（特别是 ISAR 成像质量）之间的权衡尚未得到系统性的表征。
方法论
作者提出了一个统一的 mMIMO-OFDM ISAC 框架，其特征是采用双功能架构，其中发射信号是通信预编码与专用感知波束赋形的加权组合。
- 系统模型： 基站（BS）为 K 个单天线用户提供服务，同时照向一个扩展目标。系统采用 CP-OFDM 波形。感知是在子载波集合 (Ωsen) 上进行的，由于 TDD 导频开销，只有部分 OFDM 符号可用于感知，从而创建了一个二维稀疏测量网格。
- 稀疏 ISAR 重建： 为了从不完整的测量数据中恢复高分辨率图像，作者将该问题建模为距离-多普勒域中的稀疏重建任务。他们开发了一种**自适应重加权二维交替方向乘子法（ADMM）**算法。与传统的固定参数 ADMM 不同，该方法：
- 根据初步的匹配滤波器图像（利用基于间隙的方法和噪声估计）动态估计稀疏阈值。
- 采用重加权 ℓ1 惩罚项，以更好地抑制旁瓣和背景噪声。
- 根据原始残差和对偶残差调整 ADMM 惩罚参数，以确保平衡收敛。
- 性能指标与分析基准： 作者利用信道硬化和统计信道状态信息（CSI），推导了通信信干噪比（SINR）和感知主瓣-平均旁瓣比（MASR）的可处理表达式。他们建立了基于最大比（MR）和迫零（ZF）预编码的分析全带宽基准，作为对比基准。
- 联合资源分配： 为了解决联合优化子载波分配、感知子载波选择和功率分配的混合整数非凸问题，作者提出了一个使用**软行为者-评论家（SAC）算法的深度强化学习（DRL）**框架。SAC 智能体学习一种策略，旨在最大化总频谱效率，同时满足通信 QoS 约束和 MASR 感知约束。
核心贡献
- 统一框架： 提出了一种实用的 mMIMO-OFDM ISAC 架构，通过双功能发射信号支持同时进行下行通信和 ISAR 成像。
- 先进重建算法： 开发了一种自适应重加权 2D-ADMM 算法，能够有效从稀疏慢时间采样和稀疏子载波测量中恢复 ISAR 图像，其性能优于零填充 FFT 和固定参数 λ 的 2D-ADMM 方法。
- 分析基准： 推导了 MR 和 ZF 预编码下的通信 SINR 和感知 MASR 的闭式表达式，从而能够制定分析性的全带宽资源分配方案。
- 基于 DRL 的优化： 引入了基于 SAC 的框架，动态优化资源分配（子载波和功率），以权衡通信吞吐量与感知精度，其表现显著优于静态全带宽基准。
结果
数值仿真验证了所提方法的有效性：
- 成像质量： 自适应 2D-ADMM 算法实现了最低的归一化均方误差（NMSE），优于零填充 2D-FFT 和固定 λ 2D-ADMM。它能有效抑制由稀疏采样引起的伪影，并能适应变化的信噪比（SNR）。
- 频谱效率： 基于 SAC 的稀疏感知策略相比于分析性的全带宽基准，在总频谱效率（SSE）方面取得了实质性增益。通过减少感知子载波比例（例如从 50% 降至 25%），可以将更多资源用于通信，在满足感知约束的同时提高 SSE。
- 预编码性能： 由于具有更优的干扰抑制能力，ZF 预编码在 SSE 方面始终优于 MR 预编码，但在面临严格的感知约束（高 MASR 阈值）时，两者的差距会缩小。
- 权衡表征： 结果量化了 ISAR 重建精度（NMSE）与通信 SE 之间的权衡关系。增加感知采样率或提高 MASR 阈值可以提升图像质量，但会降低 SSE。作者确定了一个适中的 MASR 阈值（例如 20 dB）作为平衡这两个目标的理想运行点。
意义
本文声称其工作填补了关键的研究空白，即研究了在 mMIMO-OFDM ISAC 框架下的稀疏 ISAR 成像，这一场景在现有文献中鲜有探讨。研究表明，当结合先进的重建算法和智能资源分配时，稀疏感知可以在不损害高分辨率目标成像能力的前提下，显著增强通信频谱效率。该研究对感知精度与通信性能之间的权衡进行了系统性的表征，为未来 6G 网络中高效共享频谱和硬件资源提供了切实可行的路径。
每周获取最佳 electrical engineering 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。