1. 动态TDD无小区MIMO系统概述在6G通信系统中集成感知与通信(ISAC)技术正成为物理层设计的关键方向。这项技术通过共享硬件资源和频谱实现通信与感知功能的深度融合。无小区(CF)大规模MIMO系统作为分布式天线架构的典型代表与ISAC的结合能够显著提升系统性能。而动态时分双工(DTDD)技术的引入则为系统带来了更灵活的资源配置方式。传统TDD系统需要严格的上下行时隙划分而DTDD突破了这一限制。它允许系统在同一时频资源上同时服务上下行用户这是通过空间分离的半双工(HD)接入点(AP)实现的。具体来说系统将AP分为上行(UL)和下行(DL)两组UL AP负责接收用户数据和目标回波DL AP则同时发送下行数据流和目标探测信号。这种架构带来了几个显著优势首先它实现了真正的全双工功能而无需复杂的自干扰消除技术其次通过空间复用提高了频谱利用率最后分布式天线布局增强了系统的覆盖能力和感知精度。然而这种架构也引入了新的技术挑战特别是交叉链路干扰(CLI)问题包括AP间干扰(InAI)和用户间干扰(InUI)。2. 系统模型与信号处理框架2.1 系统架构设计考虑一个由M个半双工AP组成的分布式系统每个AP配备N根天线。系统同时服务Ku个上行单天线用户和Kd个下行单天线用户。AP被动态划分为上行组(Au)和下行组(Ad)满足Au∪AdA其中A表示所有AP的集合。这种动态划分可以根据实时业务需求进行优化调整。信道模型包含三个关键组成部分用户与AP间的通信信道hmk√βmkfmk其中βmk表示大尺度衰落fmk为小尺度衰落AP间的残余干扰信道˜Gmj考虑实际系统中的信道估计误差感知信道Rmjγmj˙Rmj包含目标雷达截面积(RCS)γmj和已知的双程路径信息˙Rmj2.2 信号传输模型下行AP的发射信号可表示为 xd,j√pd(∑n∈Ud√πd,jnpd,jnsd,n√πs,jps,jss)其中pd为总发射功率πd,jn和πs,j分别分配给用户和感知的功率比例sd,n和ss分别为用户数据和感知信号。上行AP接收的信号包含四个分量 ru,m∑k∈Uu√pu,khmksu,k∑j∈Adγmj˙Rmjxd,j∑j∈Ad˜Gmjxd,jwu,m分别对应上行用户信号、目标反射回波、AP间干扰和接收机噪声。这种信号模型反映了ISAC系统的本质特征——通信与感知信号的共存与相互作用。3. 目标检测与参数估计3.1 广义似然比测试(GLRT)针对上行AP接收的信号我们提出两种目标检测方案分布式处理 各AP本地计算对数似然比(LLR) TTUI_m(∑Tτ1¨RHm[τ]Σ-1s,m[τ]ru,m[τ])HˆγTUI_m CPU通过融合各AP的LLR做出全局决策集中式处理 CPU收集所有AP的原始接收信号计算全局LLR TTUI(∑Tτ1¨RH[τ]Σ-1s[τ]ru[τ])HˆγTUI理论分析表明在以下两种情况下分布式处理能达到集中式的性能用户信道呈现块对角特性(hkhHk≈Blkd[βmkIN]Mu m1)传统TDD多静态感知系统3.2 雷达截面积(RCS)估计RCS的贝叶斯估计采用以下形式集中式估计 ˆγTUI(∑Tτ1¨RH[τ]Σ-1s[τ]¨R[τ]Σ-1γ)-1(∑Tτ1¨RH[τ]Σ-1s[τ]ru[τ])分布式估计 各AP独立计算ˆγTUI_mCPU进行简单拼接通过推导贝叶斯克拉美罗下界(BCRLB)我们证明了集中式估计是最小方差无偏估计(MVUE)。分布式估计虽然计算复杂度低(O(M3d) vs 集中式的O(M3uM3d))但在一般情况下性能稍逊。4. 通信性能优化4.1 上行信号处理上行采用SINR最优合并器考虑目标反射干扰(TrI)的影响。接收信号模型为 ru,m∑k∈Uu√pu,khmksu,k∑j∈Adγmj˙Rmjxd,jws u,m其中等效噪声ws u,m包含AP间干扰和接收机噪声。最优合并器设计需要平衡用户信号检测和目标干扰抑制的需求。4.2 下行预编码设计下行采用正则化迫零(RZF)预编码服务用户并为目标信号设计两种预编码方案用户中心型完全消除目标信号对用户的干扰目标中心型基于目标与AP间复合信道的主特征向量这两种方案代表了通信与感知的不同折中前者优先保障通信质量后者优化感知性能。系统可根据实时需求动态选择或混合使用。5. 系统性能分析5.1 感知性能指标定义平均感知信杂噪比(SCNR) SCNRpd|γ|2∑j∈Adπs,j∥ps,j∥2˙RHj˙RjN0∑k∈Uupu,k∥hk∥2∑j∈Adζj∥xd,j∥2该指标综合反映了目标RCS、预编码选择、AP调度和干扰的影响。通过优化这些参数系统可以实现通信与感知性能的最佳平衡。5.2 通信频谱效率理论分析和数值结果表明GLRT对残余AP间干扰表现出良好的鲁棒性DTDD相比传统TDD可将90%可能性和速率提高一倍系统仅需半双工硬件即可实现全双工性能这种性能提升主要来自两方面更高效的频谱资源利用和分布式天线带来的空间分集增益。6. 实际部署考虑6.1 AP调度算法提出基于局部业务量和目标位置的低复杂度AP调度算法核心步骤包括初始化所有AP为待调度状态计算各AP到目标的路径损耗评估各AP服务的用户业务需求(上行/下行)求解优化问题 maxAu,Ad∑m∈AuηULm∑j∈AdηDLj s.t. Au∩Ad∅, Au∪AdA 其中ηULm和ηDLj为APm和APj的效用函数该算法将指数复杂度的组合问题转化为多项式时间可解问题适合实际系统实施。6.2 干扰管理策略针对系统特有的干扰问题提出三级处理方案空间隔离通过AP分组减少干扰源预编码优化抑制残余干扰联合检测在信号处理层面消除干扰影响这种分层方法在保证性能的同时有效控制了处理复杂度。在实际部署中我们发现系统性能对以下几个因素特别敏感AP间的同步精度、信道估计的准确性、业务负载的均衡程度。特别是在高密度用户场景下合理的AP分组和功率分配对维持系统稳定性至关重要。7. 技术挑战与未来方向尽管DTDD CF ISAC系统展现出优越性能但仍面临若干挑战大规模信道估计随着AP和用户数量增加信道估计开销呈指数增长动态资源分配需要实时适应时变的业务需求和信道条件硬件非理想性包括相位噪声、功率放大器非线性等实际因素影响未来研究方向可能包括基于深度学习的智能资源管理算法新型波形设计进一步优化通信感知一体化性能跨层优化框架实现端到端系统性能提升这个框架的一个关键优势在于其灵活性——通过软件定义的方式系统可以在通信容量和感知精度之间实现动态权衡适应多样化的应用场景需求。从自动驾驶的高精度环境感知到工业物联网的实时监控这种技术都能提供可靠的物理层解决方案。
6G动态TDD无小区MIMO系统设计与性能优化
发布时间：2026/5/30 5:43:00
1. 动态TDD无小区MIMO系统概述在6G通信系统中集成感知与通信(ISAC)技术正成为物理层设计的关键方向。这项技术通过共享硬件资源和频谱实现通信与感知功能的深度融合。无小区(CF)大规模MIMO系统作为分布式天线架构的典型代表与ISAC的结合能够显著提升系统性能。而动态时分双工(DTDD)技术的引入则为系统带来了更灵活的资源配置方式。传统TDD系统需要严格的上下行时隙划分而DTDD突破了这一限制。它允许系统在同一时频资源上同时服务上下行用户这是通过空间分离的半双工(HD)接入点(AP)实现的。具体来说系统将AP分为上行(UL)和下行(DL)两组UL AP负责接收用户数据和目标回波DL AP则同时发送下行数据流和目标探测信号。这种架构带来了几个显著优势首先它实现了真正的全双工功能而无需复杂的自干扰消除技术其次通过空间复用提高了频谱利用率最后分布式天线布局增强了系统的覆盖能力和感知精度。然而这种架构也引入了新的技术挑战特别是交叉链路干扰(CLI)问题包括AP间干扰(InAI)和用户间干扰(InUI)。2. 系统模型与信号处理框架2.1 系统架构设计考虑一个由M个半双工AP组成的分布式系统每个AP配备N根天线。系统同时服务Ku个上行单天线用户和Kd个下行单天线用户。AP被动态划分为上行组(Au)和下行组(Ad)满足Au∪AdA其中A表示所有AP的集合。这种动态划分可以根据实时业务需求进行优化调整。信道模型包含三个关键组成部分用户与AP间的通信信道hmk√βmkfmk其中βmk表示大尺度衰落fmk为小尺度衰落AP间的残余干扰信道˜Gmj考虑实际系统中的信道估计误差感知信道Rmjγmj˙Rmj包含目标雷达截面积(RCS)γmj和已知的双程路径信息˙Rmj2.2 信号传输模型下行AP的发射信号可表示为 xd,j√pd(∑n∈Ud√πd,jnpd,jnsd,n√πs,jps,jss)其中pd为总发射功率πd,jn和πs,j分别分配给用户和感知的功率比例sd,n和ss分别为用户数据和感知信号。上行AP接收的信号包含四个分量 ru,m∑k∈Uu√pu,khmksu,k∑j∈Adγmj˙Rmjxd,j∑j∈Ad˜Gmjxd,jwu,m分别对应上行用户信号、目标反射回波、AP间干扰和接收机噪声。这种信号模型反映了ISAC系统的本质特征——通信与感知信号的共存与相互作用。3. 目标检测与参数估计3.1 广义似然比测试(GLRT)针对上行AP接收的信号我们提出两种目标检测方案分布式处理 各AP本地计算对数似然比(LLR) TTUI_m(∑Tτ1¨RHm[τ]Σ-1s,m[τ]ru,m[τ])HˆγTUI_m CPU通过融合各AP的LLR做出全局决策集中式处理 CPU收集所有AP的原始接收信号计算全局LLR TTUI(∑Tτ1¨RH[τ]Σ-1s[τ]ru[τ])HˆγTUI理论分析表明在以下两种情况下分布式处理能达到集中式的性能用户信道呈现块对角特性(hkhHk≈Blkd[βmkIN]Mu m1)传统TDD多静态感知系统3.2 雷达截面积(RCS)估计RCS的贝叶斯估计采用以下形式集中式估计 ˆγTUI(∑Tτ1¨RH[τ]Σ-1s[τ]¨R[τ]Σ-1γ)-1(∑Tτ1¨RH[τ]Σ-1s[τ]ru[τ])分布式估计 各AP独立计算ˆγTUI_mCPU进行简单拼接通过推导贝叶斯克拉美罗下界(BCRLB)我们证明了集中式估计是最小方差无偏估计(MVUE)。分布式估计虽然计算复杂度低(O(M3d) vs 集中式的O(M3uM3d))但在一般情况下性能稍逊。4. 通信性能优化4.1 上行信号处理上行采用SINR最优合并器考虑目标反射干扰(TrI)的影响。接收信号模型为 ru,m∑k∈Uu√pu,khmksu,k∑j∈Adγmj˙Rmjxd,jws u,m其中等效噪声ws u,m包含AP间干扰和接收机噪声。最优合并器设计需要平衡用户信号检测和目标干扰抑制的需求。4.2 下行预编码设计下行采用正则化迫零(RZF)预编码服务用户并为目标信号设计两种预编码方案用户中心型完全消除目标信号对用户的干扰目标中心型基于目标与AP间复合信道的主特征向量这两种方案代表了通信与感知的不同折中前者优先保障通信质量后者优化感知性能。系统可根据实时需求动态选择或混合使用。5. 系统性能分析5.1 感知性能指标定义平均感知信杂噪比(SCNR) SCNRpd|γ|2∑j∈Adπs,j∥ps,j∥2˙RHj˙RjN0∑k∈Uupu,k∥hk∥2∑j∈Adζj∥xd,j∥2该指标综合反映了目标RCS、预编码选择、AP调度和干扰的影响。通过优化这些参数系统可以实现通信与感知性能的最佳平衡。5.2 通信频谱效率理论分析和数值结果表明GLRT对残余AP间干扰表现出良好的鲁棒性DTDD相比传统TDD可将90%可能性和速率提高一倍系统仅需半双工硬件即可实现全双工性能这种性能提升主要来自两方面更高效的频谱资源利用和分布式天线带来的空间分集增益。6. 实际部署考虑6.1 AP调度算法提出基于局部业务量和目标位置的低复杂度AP调度算法核心步骤包括初始化所有AP为待调度状态计算各AP到目标的路径损耗评估各AP服务的用户业务需求(上行/下行)求解优化问题 maxAu,Ad∑m∈AuηULm∑j∈AdηDLj s.t. Au∩Ad∅, Au∪AdA 其中ηULm和ηDLj为APm和APj的效用函数该算法将指数复杂度的组合问题转化为多项式时间可解问题适合实际系统实施。6.2 干扰管理策略针对系统特有的干扰问题提出三级处理方案空间隔离通过AP分组减少干扰源预编码优化抑制残余干扰联合检测在信号处理层面消除干扰影响这种分层方法在保证性能的同时有效控制了处理复杂度。在实际部署中我们发现系统性能对以下几个因素特别敏感AP间的同步精度、信道估计的准确性、业务负载的均衡程度。特别是在高密度用户场景下合理的AP分组和功率分配对维持系统稳定性至关重要。7. 技术挑战与未来方向尽管DTDD CF ISAC系统展现出优越性能但仍面临若干挑战大规模信道估计随着AP和用户数量增加信道估计开销呈指数增长动态资源分配需要实时适应时变的业务需求和信道条件硬件非理想性包括相位噪声、功率放大器非线性等实际因素影响未来研究方向可能包括基于深度学习的智能资源管理算法新型波形设计进一步优化通信感知一体化性能跨层优化框架实现端到端系统性能提升这个框架的一个关键优势在于其灵活性——通过软件定义的方式系统可以在通信容量和感知精度之间实现动态权衡适应多样化的应用场景需求。从自动驾驶的高精度环境感知到工业物联网的实时监控这种技术都能提供可靠的物理层解决方案。
