Cramér-Rao Bound Analysis for Cell-Free ISAC Systems with Fluid Intelligent Metasurfaces

技术摘要：具有流体智能超表面（FIM）的无小区（Cell-Free）ISAC 系统 Cramér-Rao 界限分析

问题陈述
集成感知与通信（ISAC）系统旨在将数据传输与目标感知统一在单一基础设施内。虽然无小区（Cell-Free, CF）网络通过分布式接入点（AP）提供宏分集并减少路径损耗，且流体智能超表面（FIM）能够实现天线阵列的实时物理重构，但现有研究在很大程度上将这些技术孤立看待，或将其置于同位置的单基站（BS）部署场景中。

本文解决的核心问题是当前 ISAC 架构中对 FIM 形态灵活性利用不足的问题。在单 AP 系统中，所有天线共享一个共同的目标方向。因此，FIM 通过改变阵列流形（manifold）来提供增益的能力微乎其微，因为其角度敏感度在整个阵列上是均匀的。相反，在无小区网络中，分布式 AP 从不同的角度观测目标。然而，标准的仅相位可重构智能表面（RIS）无法改变感知 Cramér-Rao 界限（CRB）中的几何分量，而该分量与物理单元位置的方差成反比。本文认为，需要一种 FIM 增强型无小区架构来利用“端射”（endfire）观测角（即传统均匀线性阵列失效的场景），通过物理重新定位每个 AP 的阵元，以最大化局部导向矢量的导数。

方法论
作者提出了一种 FIM 增强型无小区 ISAC 系统，其中 $M_t$ 个发射 AP 和 $M_r$ 个接收 AP 各配备 1D FIM 阵列，协作感知一个点目标。该方法包含三个主要技术组成部分：

1. 系统建模与 CRB 推导：

   • 系统对双站感知信道进行建模，每个 AP 从唯一的离去角（AoD）或到达角（AoA）观测目标。
   • 作者推导了用于联合角度估计的完整费雪信息矩阵（FIM）。与单 AP 系统不同，该矩阵包含了跨 AP 的信息耦合项以及乘性发射-接收（Tx–Rx）FIM 耦合项。
   • 利用雅可比变换（Jacobian transformation），他们推导出了闭式定位 CRB。该公式明确量化了“角度分集增益”，表明定位精度不仅取决于每个 AP 的费雪信息，还取决于 AP 之间的两两角度间隔。

2. 优化框架：

   • 构建了一个联合优化问题，旨在满足每个 AP 的功率约束和通信信噪比（SINR）要求的情况下最小化定位 CRB。
   • 由于该问题具有非凸性（波束赋形向量与 FIM 形状相互耦合），本文提出了一种交替优化（AO）算法。
   • 子问题 1 & 2（FIM 形状）： 通过梯度投影优化发射端和接收端的 FIM 形状。作者指出，对于仅感知场景，最优解通常位于变形范围的边界。
   • 子问题 3（波束赋形）： 使用半正定松弛（SDR）优化波束赋形向量。论文正式证明了该松弛的紧致性（命题 1），确保在特定条件（Slater 条件及活跃功率约束）下满足秩一约束。

3. 仿真设置：

   • 评估在 28 GHz 频率、100m $\times$ 100m 区域内进行，配置为 4 个发射 AP 和 4 个接收 AP，每个 AP 拥有 8 个 FIM 元件。
   • 将性能与具有等效总天线数且采用固定阵列的单 AP 同位置部署方案进行基准对比。

核心贡献

• 闭式定位 CRB： 本文首次为 FIM 增强型无小区 ISAC 系统提供了闭式定位 CRB，明确揭示了分布式角度分集如何放大 FIM 增益。
• 发现无小区特有现象： 分析揭示了三种在单 AP 系统中不存在的现象：
  1. 跨 AP 信息耦合： 非零波形互相关将不同 AP 之间的角度信息耦合在一起。
  2. 乘性 Tx–Rx FIM 耦合： 发射端 FIM 形状会同时缩放所有接收 AP 的 AoA 估计精度。
  3. 角度分集放大： 定位信息随观测角的几何间隔而缩放，使得分布式 AP 即使在端射体制下也能恢复感知性能。
• 优化算法： 开发了一个联合波束赋形与 FIM 形状优化的框架，通过具有形式化证明之 SDR 紧致性的 AO 算法进行求解。

结果
在 28 GHz 配置下的数值结果显示出显著的性能提升：

• FIM 变形增益： 在无小区部署中，优化 FIM 形状相比固定阵列可实现 15.8 dB 的角度估计 RMSE 降低。相比之下，具有相同总天线数的单 AP 部署仅显示出 0.4 dB 的增益，这突显了 FIM 的价值是由分布式角度分集所解锁的。
• 定位精度： 在 10 dB 感知信噪比（0.29 m vs. 0.49 m）下，所提出的“无小区 + 优化 FIM”架构比单 AP 固定阵列基准实现了 4.5 dB 的定位 RMSE 提升。
• ISAC 折衷： 在通信总速率与定位误差的整个帕累托前沿（Pareto frontier）上，所提架构始终优于固定阵列基准，在最小化感知误差的同时维持了通信服务质量（QoS）。
• 多目标潜力： 初步分析表明，FIM 变形可以提高多目标场景下的灵敏度，当目标角度间隔约为 60 度时，增益达到峰值（17.3%）。

意义与主张
本文声称，无小区网络与 FIM 的结合解决了 ISAC 中的一个关键空白：即相位仅型表面无法改善分布式网络中几何组成部分的感知精度。通过物理重新定位元件，FIM 将原本无效的端射 AP 转化为有用的感知节点。

作者断言，他们的工作证明了 ISAC 中的定位精度由角度估计质量和几何多样性共同决定。他们得出结论，分布式角度分集不仅仅是增加了独立的测量值，而是积极地放大了 FIM 的变形增益。这一发现挑战了传统的观点，即认为共位置的大规模阵列在感知方面更优，转而表明分布式、可自适应的架构为下一代 ISAC 系统提供了更优路径。论文对于多目标扩展保持了审慎态度，将其视为初步验证而非完全解决的问题，并指出使用硬件原型进行实验验证是未来的必要步骤。