1. 亚太赫兹ISAC技术概述在6G通信系统中集成感知与通信(ISAC)技术正成为支撑智能交通、低空经济等新兴应用的核心基础设施。亚太赫兹频段(100-300GHz)因其超大带宽特性能够同时实现100Gbps级通信速率和亚毫米级感知精度成为ISAC系统的理想工作频段。然而该频段独特的传播特性也给系统设计带来三大核心挑战硬件限制与传播损耗亚太赫兹信号易受大气吸收和雨衰影响路径损耗比毫米波高20dB以上。传统混合预编码架构中模拟部分的移相器(PS)无法补偿频率选择性衰落导致严重的波束斜视(Beam Squint)效应——不同子载波的波束指向发生偏移阵列增益最高可损失15dB。三维动态拓扑适配空天地网络中地面车辆与低空无人机(UAV)呈现高度动态的三维分布。以城市交叉路口场景为例基站需要同时服务高度1.4m的车辆用户(水平方位角变化率30°/s)和高度45m的无人机目标(垂直俯仰角变化率10°/s)传统线性阵列的波束管理方案完全失效。多模态数据融合现有系统依赖射频测量进行信道估计在256天线配置下需消耗超过5ms的导频开销。而视觉传感器虽能提供瞬时空间信息但RGB-D相机在100米距离的测角误差达±3°无法满足亚太赫兹波束的精确指向需求(要求0.5°)。2. SoM增强的ISAC系统架构2.1 机器联觉(SoM)原理机器联觉(Synesthesia of Machines)受生物神经交叉感知启发通过异构传感器的数据融合建立跨模态关联。在我们的框架中通过联合优化三个维度的自由度(DoF)硬件DoF在传统PS网络后引入真时延线(TTD)每个TTD单元连接16×16的子阵列通过纳秒级延迟补偿实现频率相关相位调整。实测表明该结构可将128天线系统的波束斜视效应降低82%。信道DoF建立通信-感知信道相关性(C-S Correlation)指标Cor(H,G) 1/KL(ħb_c,ħb_s)其中KL散度量化波束域功率分布的差异。当Cor(H,G)从0.3提升至0.9时系统频谱效率(SE)可提高2.8倍同时感知CRB降低67%。数据DoF视觉数据提供LoS路径的几何先验而稀疏射频测量捕捉多径分量。通过跨模态特征融合将信道估计开销从传统256导频降至16个。2.2 斜视感知波束管理针对UPA的波束斜视问题提出SA-CP-BT(Squint-Aware Cross-Pattern Beam Tracking)算法视觉粗定位采用改进的YOLOv5-s模型处理三目RGB-D数据在55m高度基站下实现车辆检测精度mAP0.592.4%水平角度初始估计误差5°处理延迟仅8.3ms/帧射频精跟踪将视觉提供的角度范围划分为满足Δθ≤4fc/(NthfM)的网格(对100GHz载频、16水平天线Δθ≤0.25°)。通过控制TTD产生斜视波束使各子载波沿十字轨迹扫描# TTD延迟矩阵计算 T[qh,qv] (f1/(2Bfc))*(sinθ0sinφ0(nth-1)cosθ0(ntv-1)) - (fM/(2Bfc))*(sinθ1sinφ1(nth-1)cosθ1(ntv-1))实测显示该方法仅需1ms即可将角度误差收敛至0.1°以内比传统分层训练快20倍。3. 多模态混合预编码设计3.1 ViR-Net网络架构提出的视觉-射频融合网络(Vision-RF Network)包含四部分频谱编码器(SpE)将用户/目标的极坐标(φ,θ,d)转换为3D定位谱通过残差卷积提取空间特征。在256维特征空间实现定位误差0.3m。视觉编码器(ViE)采用三路ConvNeXt块处理多视角RGB-D数据通过自注意力机制融合。预训练阶段采用MSE损失在AirSim仿真数据上达到PSNR38.6dB。特征融合Transformer将256×512的特征序列输入两层Transformer编码器关键改进包括相对位置编码适配三维空间关系动态注意力门控增强跨模态关联预编码头分阶段预测TTD、PS和数字预编码参数。特别地数字部分采用复数矩阵的实虚部分解表示通过功率归一化层满足约束。3.2 无监督损失函数设计兼顾C-S相关性和性能平衡的损失项L -1/Nb Σ[Cor(H,G)/Cor* × (CRBmin/CRB - ηcReLU(Γ-R))]其中ηc0.7调节通信阈值Γ的惩罚强度。在NVIDIA RTX4060Ti上训练时采用Adam优化器(学习率4e-3)经过20轮收敛。4. 实测性能分析4.1 实验配置硬件平台256元UPA(16×16)6个RF链TTD最大延迟1ns信道环境100GHz载频8GHz带宽SUMO生成动态交通流对比方案SA-Opt-ISAC基于完美CSI的优化上界BCD-ISAC传统坐标下降法Vi-ISAC纯视觉方案4.2 关键结果ISAC性能边界在10dB SNR下本方案实现通信SE31.23bps/Hz (达理论最优的90.8%)感知CRB2.94×10⁻³rad² (比BCD-ISAC低11.2%)效率提升考虑帧结构开销后时间平均效率SE28.7bps/Hz (比射频方案高3.2倍)CRB3.1×10⁻³rad² (降低62%)鲁棒性测试当用户-目标角度间隔(MSIA)从0增至0.5rad时传统方案SE下降64%而本方案仅降17%得益于TTD对C-S相关性的主动调控5. 工程实现建议TTD单元选型推荐采用MEMS光延迟线其优势包括延迟精度±0.1ps切换速度10ns功耗仅3.2mW/通道视觉-射频同步需保证时空对齐时间同步采用PTPv2协议误差1μs空间标定基于棋盘格的联合标定残差0.1像素部署优化实测发现TTD数量Qt64时性价比最优(性能达Qt256的95%)相机间距应大于4.8m以避免视场重叠实际部署中发现雨雾天气下视觉性能下降时可动态增加射频导频比例至30%此时仍能保持SE25bps/Hz。这种跨模态的弹性容错机制是传统方案无法实现的。
亚太赫兹ISAC技术：机器联觉与多模态融合的6G通信
发布时间：2026/5/25 3:59:11
1. 亚太赫兹ISAC技术概述在6G通信系统中集成感知与通信(ISAC)技术正成为支撑智能交通、低空经济等新兴应用的核心基础设施。亚太赫兹频段(100-300GHz)因其超大带宽特性能够同时实现100Gbps级通信速率和亚毫米级感知精度成为ISAC系统的理想工作频段。然而该频段独特的传播特性也给系统设计带来三大核心挑战硬件限制与传播损耗亚太赫兹信号易受大气吸收和雨衰影响路径损耗比毫米波高20dB以上。传统混合预编码架构中模拟部分的移相器(PS)无法补偿频率选择性衰落导致严重的波束斜视(Beam Squint)效应——不同子载波的波束指向发生偏移阵列增益最高可损失15dB。三维动态拓扑适配空天地网络中地面车辆与低空无人机(UAV)呈现高度动态的三维分布。以城市交叉路口场景为例基站需要同时服务高度1.4m的车辆用户(水平方位角变化率30°/s)和高度45m的无人机目标(垂直俯仰角变化率10°/s)传统线性阵列的波束管理方案完全失效。多模态数据融合现有系统依赖射频测量进行信道估计在256天线配置下需消耗超过5ms的导频开销。而视觉传感器虽能提供瞬时空间信息但RGB-D相机在100米距离的测角误差达±3°无法满足亚太赫兹波束的精确指向需求(要求0.5°)。2. SoM增强的ISAC系统架构2.1 机器联觉(SoM)原理机器联觉(Synesthesia of Machines)受生物神经交叉感知启发通过异构传感器的数据融合建立跨模态关联。在我们的框架中通过联合优化三个维度的自由度(DoF)硬件DoF在传统PS网络后引入真时延线(TTD)每个TTD单元连接16×16的子阵列通过纳秒级延迟补偿实现频率相关相位调整。实测表明该结构可将128天线系统的波束斜视效应降低82%。信道DoF建立通信-感知信道相关性(C-S Correlation)指标Cor(H,G) 1/KL(ħb_c,ħb_s)其中KL散度量化波束域功率分布的差异。当Cor(H,G)从0.3提升至0.9时系统频谱效率(SE)可提高2.8倍同时感知CRB降低67%。数据DoF视觉数据提供LoS路径的几何先验而稀疏射频测量捕捉多径分量。通过跨模态特征融合将信道估计开销从传统256导频降至16个。2.2 斜视感知波束管理针对UPA的波束斜视问题提出SA-CP-BT(Squint-Aware Cross-Pattern Beam Tracking)算法视觉粗定位采用改进的YOLOv5-s模型处理三目RGB-D数据在55m高度基站下实现车辆检测精度mAP0.592.4%水平角度初始估计误差5°处理延迟仅8.3ms/帧射频精跟踪将视觉提供的角度范围划分为满足Δθ≤4fc/(NthfM)的网格(对100GHz载频、16水平天线Δθ≤0.25°)。通过控制TTD产生斜视波束使各子载波沿十字轨迹扫描# TTD延迟矩阵计算 T[qh,qv] (f1/(2Bfc))*(sinθ0sinφ0(nth-1)cosθ0(ntv-1)) - (fM/(2Bfc))*(sinθ1sinφ1(nth-1)cosθ1(ntv-1))实测显示该方法仅需1ms即可将角度误差收敛至0.1°以内比传统分层训练快20倍。3. 多模态混合预编码设计3.1 ViR-Net网络架构提出的视觉-射频融合网络(Vision-RF Network)包含四部分频谱编码器(SpE)将用户/目标的极坐标(φ,θ,d)转换为3D定位谱通过残差卷积提取空间特征。在256维特征空间实现定位误差0.3m。视觉编码器(ViE)采用三路ConvNeXt块处理多视角RGB-D数据通过自注意力机制融合。预训练阶段采用MSE损失在AirSim仿真数据上达到PSNR38.6dB。特征融合Transformer将256×512的特征序列输入两层Transformer编码器关键改进包括相对位置编码适配三维空间关系动态注意力门控增强跨模态关联预编码头分阶段预测TTD、PS和数字预编码参数。特别地数字部分采用复数矩阵的实虚部分解表示通过功率归一化层满足约束。3.2 无监督损失函数设计兼顾C-S相关性和性能平衡的损失项L -1/Nb Σ[Cor(H,G)/Cor* × (CRBmin/CRB - ηcReLU(Γ-R))]其中ηc0.7调节通信阈值Γ的惩罚强度。在NVIDIA RTX4060Ti上训练时采用Adam优化器(学习率4e-3)经过20轮收敛。4. 实测性能分析4.1 实验配置硬件平台256元UPA(16×16)6个RF链TTD最大延迟1ns信道环境100GHz载频8GHz带宽SUMO生成动态交通流对比方案SA-Opt-ISAC基于完美CSI的优化上界BCD-ISAC传统坐标下降法Vi-ISAC纯视觉方案4.2 关键结果ISAC性能边界在10dB SNR下本方案实现通信SE31.23bps/Hz (达理论最优的90.8%)感知CRB2.94×10⁻³rad² (比BCD-ISAC低11.2%)效率提升考虑帧结构开销后时间平均效率SE28.7bps/Hz (比射频方案高3.2倍)CRB3.1×10⁻³rad² (降低62%)鲁棒性测试当用户-目标角度间隔(MSIA)从0增至0.5rad时传统方案SE下降64%而本方案仅降17%得益于TTD对C-S相关性的主动调控5. 工程实现建议TTD单元选型推荐采用MEMS光延迟线其优势包括延迟精度±0.1ps切换速度10ns功耗仅3.2mW/通道视觉-射频同步需保证时空对齐时间同步采用PTPv2协议误差1μs空间标定基于棋盘格的联合标定残差0.1像素部署优化实测发现TTD数量Qt64时性价比最优(性能达Qt256的95%)相机间距应大于4.8m以避免视场重叠实际部署中发现雨雾天气下视觉性能下降时可动态增加射频导频比例至30%此时仍能保持SE25bps/Hz。这种跨模态的弹性容错机制是传统方案无法实现的。
