1. 项目概述与核心价值在6G网络的研究蓝图中集成感知与通信ISAC正从一个前沿概念迅速走向工程实践的核心。它不再仅仅是“用通信信号顺便做做感知”的附加功能而是旨在构建一个能同时“看得清”和“传得快”的智能无线网络基础设施。想象一下未来的自动驾驶车辆不仅需要毫秒级的低延迟通信来接收路况信息更需要厘米级的精准感知来识别盲区内的行人或障碍物智慧工厂的机械臂在高速协作时既要保证控制指令的可靠传输又要实时感知周围工人的位置以防碰撞。这些场景对网络的“感知-通信”一体化能力提出了前所未有的要求。然而理想很丰满现实却很骨感。当我们把ISAC从单基站的理论模型推向多小区、多用户的真实网络时一系列棘手的问题便浮出水面。最核心的矛盾在于感知和通信本质上在争夺同一块“蛋糕”——有限的无线资源包括发射功率、频谱和天线波束。在单小区内我们或许可以通过精巧的波形和波束设计来平衡二者。但在多小区网络中事情变得复杂得多。一个基站为了感知远处目标而发射的强信号很可能成为相邻小区用户通信时难以忍受的干扰。更麻烦的是感知本身也有“模式”之争是让每个基站自己发、自己收单站模式还是让A基站发射由B基站来接收目标反射的信号双站模式前者简单直接但感知范围有限且易受自身干扰后者能利用几何分集获得更好的感知性能却需要严格的基站间同步并引入复杂的协调开销。现有的很多研究要么固定使用单站模式要么固定使用双站模式这就像无论天气是晴是雨都只穿同一件衣服显然不是最优解。网络环境、目标位置、通信负载都在动态变化一套固定的“打法”无法适应所有情况。因此我们面临的核心挑战是在多小区ISAC网络中如何让每个基站都能根据实时情况智能地选择最合适的感知模式单站或双站并在保证通信服务质量的前提下联合优化波束成形使得整个网络的综合性能感知精度通信速率达到最优本文要探讨的正是这样一个充满工程挑战但极具价值的问题。我们将深入拆解一种自适应的感知模式选择与联合优化框架。这个框架的精髓在于“因地制宜”和“动态权衡”。它不追求让所有基站时刻保持全功率、全模式运行而是像一个经验丰富的指挥官根据粗略的目标距离信息例如利用通信过程中就能获取的往返时间RTT快速判断哪个基站适合扮演“发射者”哪个适合扮演“接收者”从而在单站和双站模式间灵活切换。同时它运用分数规划这一数学工具将非凸的、相互耦合的感知与通信优化问题转化为一系列可迭代求解的子问题最终设计出能同时“照顾”感知波束和通信波束的发射信号。对于通信算法工程师、无线系统架构师或是任何对6G使能技术感兴趣的从业者而言理解这套机制不仅有助于把握ISAC从理论走向落地的关键一步更能从中学习到如何在多目标、多约束的复杂系统中进行资源调度与性能折衷的工程思维。接下来我们将从系统模型开始逐步揭开这套自适应框架的设计细节与实现奥秘。2. 系统模型与问题定义要设计一个有效的优化框架首先必须为其建立一个精确的数学模型。这个模型需要同时刻画通信与感知两大功能在多小区多用户环境下的物理过程并清晰定义我们所要优化的目标与所受的约束。2.1 网络拓扑与信号模型我们考虑一个典型的多小区下行链路ISAC网络。假设网络中有 (L_B) 个基站每个基站都具备全双工能力装备有 (N_t) 根发射天线和 (N_r) 根接收天线这些天线以半波长间距排列成均匀线性阵列。每个基站同时服务其覆盖范围内的 (Q) 个用户设备。系统的核心创新点在于每个基站可以在不同的时隙动态地工作在两种感知模式下单站感知模式基站自己发射探测信号并接收来自目标的反射回波。这类似于传统的单站雷达信号路径是“基站-目标-同一基站”。双站感知模式基站A发射探测信号而由另一个地理位置不同的基站B接收来自目标的反射回波。信号路径是“基站A-目标-基站B”。通信方面每个基站通过空间复用技术同时服务多个用户。设第 (\ell) 个基站到其第 (q) 个用户的MIMO信道矩阵为 (\mathbf{H}{\ell q} \in \mathbb{C}^{M{\ell q} \times N_t})其中 (M_{\ell q}) 是用户的天线数。基站 (\ell) 的发射信号可以表示为 [ \mathbf{x}\ell(t) \sum{q1}^{Q} \mathbf{W}{\ell q} \mathbf{s}{\ell q}(t) ] 其中(\mathbf{s}{\ell q}(t)) 是发送给用户 ((\ell, q)) 的数据流向量满足 (\mathbb{E}[\mathbf{s}{\ell q}(t)\mathbf{s}{\ell q}^H(t)] \mathbf{I})。(\mathbf{W}{\ell q} \in \mathbb{C}^{N_t \times d_{\ell q}}) 就是我们需要设计的发射波束成形矩阵它决定了信号的能量在空间中的指向是同时影响通信速率和感知精度的关键变量。用户 ((\ell, q)) 接收到的信号包含三部分期望信号、小区内干扰、小区间干扰和噪声 [ \mathbf{y}{\ell q} \underbrace{\mathbf{H}{\ell q}\mathbf{W}{\ell q}\mathbf{s}{\ell q}}{\text{期望信号}} \underbrace{\sum{i \neq q}^{Q} \mathbf{H}{\ell q}\mathbf{W}{\ell i}\mathbf{s}{\ell i}}{\text{小区内干扰}} \underbrace{\sum_{j \neq \ell}^{L_B} \sum_{i1}^{Q} \mathbf{H}{j q}\mathbf{W}{ji}\mathbf{s}{ji}}{\text{小区间干扰}} \mathbf{n}{\ell q} ] 基于此该用户的可达速率Sum Rate, SR可以表示为 [ \text{SR}{\ell q} \log \det\left( \mathbf{I} \mathbf{W}{\ell q}^H \mathbf{H}{\ell q}^H \mathbf{R}n^{-1} \mathbf{H}{\ell q} \mathbf{W}_{\ell q} \right) ] 其中(\mathbf{R}_n) 是用户处的干扰加噪声协方差矩阵。我们的通信目标就是最大化所有用户的可达速率之和。2.2 统一感知模型感知模型的核心是描述信号从基站发出经目标反射再被基站接收的过程。无论是单站还是双站模式都可以用一个统一的表达式来概括。假设目标相对于基站的方向角为 (\theta)离开角和 (\varphi)到达角则发射和接收导向矢量分别为 [ \mathbf{a}t(\theta) [1, e^{-j\pi \sin\theta}, ..., e^{-j\pi (N_t-1)\sin\theta}]^T ] [ \mathbf{a}r(\varphi) [1, e^{-j\pi \sin\varphi}, ..., e^{-j\pi (N_r-1)\sin\varphi}]^T ] 对于单站模式基站 (\ell) 对自己发射信号的感知感知信道矩阵为 [ \mathbf{G}{\ell\ell} \beta\ell \mathbf{a}r(\theta\ell) \mathbf{a}t^T(\theta\ell) ] 其中 (\beta_\ell) 是包含路径损耗和目标反射系数的复增益。 对于双站模式基站 (\ell) 发射基站 (j) 接收感知信道矩阵为 [ \mathbf{G}{\ell j} \beta{\ell, j} \mathbf{a}r(\varphi_j) \mathbf{a}t^T(\theta\ell), \quad \ell \neq j ] 基站 (j) 接收到的感知信号可以统一写为 [ \mathbf{Y}{\ell j} \mathbf{G}{\ell j} \mathbf{X}\ell(t - \tau_{\ell, j}) \mathbf{Z}j ] 其中 (\tau{\ell, j}) 是传播时延(\mathbf{Z}_j) 是噪声。注意这里我们假设了感知主要依赖于视距路径。在毫米波等高频段由于路径损耗大多径分量较弱这是一个合理且常用的假设。但在复杂环境中需要考虑多径和杂波的影响这会使模型和后续的信号处理如干扰协方差矩阵的计算变得更加复杂。2.3 感知性能度量费舍尔信息如何量化感知的“好坏”在参数估计理论中克拉美-罗下界CRB给出了无偏估计量方差的下限而CRB的逆正是费舍尔信息矩阵FIM。FIM越大意味着我们对目标参数如角度的估计潜在精度越高。对于单站模式我们主要估计目标的角度 (\theta_\ell)。其费舍尔信息 (J_{\ell,\ell}^{\text{MS}}) 与感知信道矩阵的导数 (\dot{\mathbf{G}}{\ell\ell} \partial \mathbf{G}{\ell\ell}/\partial \theta_\ell) 以及波束成形矩阵 (\mathbf{W}{\ell q}) 有关具体形式为 [ J{\ell,\ell}^{\text{MS}} 2T \sum_{q1}^{Q} \text{tr}\left( \dot{\mathbf{G}}{\ell\ell} \mathbf{W}{\ell q} \tilde{\boldsymbol{\eta}}\ell^{-1} \dot{\mathbf{G}}{\ell\ell} \mathbf{W}{\ell q} \right) ] 其中 (\tilde{\boldsymbol{\eta}}\ell) 是包含了其他基站信号干扰和噪声的协方差矩阵。这个公式直观地告诉我们感知精度不仅取决于信号本身的强度体现在 (\mathbf{W}{\ell q}) 上还严重受制于干扰体现在 (\tilde{\boldsymbol{\eta}}\ell^{-1}) 上。为了提升感知我们既需要把波束对准目标也需要抑制来自其他通信或感知链路的干扰。对于双站模式我们需要联合估计发射角 (\theta_\ell) 和接收角 (\varphi_j)其费舍尔信息 (J_{\ell j}^{\text{BS}}) 是一个2x2的矩阵其迹Trace代表了总的角信息量。2.4 联合优化问题形式化现在我们可以将核心挑战数学化。我们的目标是在满足每个基站总发射功率限制的前提下联合优化所有基站的波束成形矩阵 ({\mathbf{W}{\ell q}})以最大化一个加权和函数 [ \text{(P1)} \quad \max{{\mathbf{W}{\ell q}}} \sum{\ell1}^{L_B} \sum_{q1}^{Q} \alpha_{\ell q} \text{SR}{\ell q} \sum{\ell1}^{L_B} \beta_\ell \hat{J}{\ell, j} ] [ \text{s.t.} \quad \sum{q1}^{Q} |\mathbf{W}_{\ell q}|F^2 \leq P\ell, \quad \forall \ell ] 其中(\alpha_{\ell q}) 和 (\beta_\ell) 是权重因子分别代表我们对用户 ((\ell, q)) 的通信速率和对基站 (\ell) 感知精度的重视程度。通过调整这些权重网络运营商可以在“感知优先”和“通信优先”之间进行平滑的权衡。(\hat{J}_{\ell, j}) 是根据基站 (\ell) 当前选择的感知模式单站则 (j\ell)双站则 (j \neq \ell)计算出的费舍尔信息的迹。约束条件是每个基站的总发射功率不能超过其预算 (P_\ell)。这个优化问题P1是非凸的并且目标函数中通信速率对数行列式形式和费舍尔信息分式形式复杂地耦合在一起直接求解非常困难。这正是我们需要引入分数规划等优化工具的原因。3. 自适应感知模式选择机制在求解复杂的联合优化问题之前一个更前置且关键的问题是每个基站如何决定自己当前应该采用单站模式还是双站模式这个决策需要快速、低开销且能有效提升后续波束成形优化的“起跑线”。3.1 基于往返时间的粗粒度决策理想情况下我们需要精确知道目标的位置、反射特性等信息来做最优决策但这在实时系统中开销巨大。本文提出的机制巧妙地利用了现有通信系统中即可获取的往返时间Round-Trip Time, RTT信息作为决策依据。RTT是信号从发射到经目标反射再被接收所经历的总时间。在单站模式下RTT直接与基站到目标的距离成正比。在双站模式下虽然传播路径不同但通过基站间的同步也可以估算出一个等效的时延。核心思想是对于一个给定的目标如果某个基站估算出的RTT很短意味着目标离该基站很近此时该基站采用单站模式能获得很强的回波信号感知效果可能更好。反之如果RTT很长目标可能处于该基站感知范围的边缘此时让另一个位置更佳的基站来接收回波即该基站作为双站模式的发射方可能获得更好的几何分集增益。因此我们为每个基站设定一个RTT阈值 (\tau_{\text{th}})。决策流程非常简单时延估计每个基站 (\ell) 根据接收到的感知回波估算出RTT时延 (\tau_\ell)。阈值比较将 (\tau_\ell) 与预设阈值 (\tau_{\text{th}}) 进行比较。模式选择若 (\tau_\ell \leq \tau_{\text{th}})则判定目标在“近场”基站 (\ell) 采用单站感知模式。若 (\tau_\ell \tau_{\text{th}})则判定目标在“远场”基站 (\ell) 切换至双站感知模式通常需要网络指定一个接收基站。实操心得阈值设定的艺术阈值 (\tau_{\text{th}}) 不是随便设定的它与系统带宽 (B) 密切相关。为了保证双站模式下回波信号能进行相干处理两个基站接收信号的时延差必须小于信号带宽倒数的量级通常要求 (\tau_{\text{th}} \leq 1/(2B))。在实际部署中可以基于网络拓扑基站间距、典型目标速度以及信号带宽通过离线仿真或在线学习来确定一个稳健的阈值。仿真表明该机制对阈值在一定范围内如±10%的波动并不敏感这增强了其工程实用性。3.2 模式选择带来的优势这种自适应选择机制相比固定模式或全模式激活带来了显著的系统增益降低复杂度与开销全模式激活即所有基站同时进行单站和双站感知虽然能获取最多的信息但意味着每个基站都要处理来自所有其他基站的信号计算复杂度和基站间信令开销随基站数量呈平方增长。而选择性模式每次只激活一部分基站参与感知将复杂度控制在了与单模式相近的线性水平。抑制干扰不必要的感知信号发射是重要的干扰源。选择性模式避免了所有基站同时发射感知信号从而减少了网络中的总干扰这不仅有利于感知本身提升信干噪比也有利于通信用户。提升资源效率将感知任务动态分配给几何位置最有利的基站近场单站远场双站相当于将“好钢用在刀刃上”用更少的资源激活的节点数获得了接近全模式的感知性能。这种“先选择后优化”的框架实质上是将复杂的联合优化问题解耦成了两个层级低复杂度的模式选择基于RTT和高复杂度的资源分配波束成形优化。这符合实际系统的处理流程也大大降低了实时优化的难度。4. 基于分数规划的联合波束成形优化当每个基站的感知模式确定后我们就需要求解前面定义的联合优化问题P1。直接处理这个非凸问题非常棘手。这里我们采用分数规划Fractional Programming, FP这一强大工具来将其“驯服”。4.1 问题重构拉格朗日对偶变换分数规划的核心思想是通过引入辅助变量将目标函数中的分式项或对数行列式中的分式结构进行解耦。对于通信速率项 (\log \det(\mathbf{I} \mathbf{A}))其中 (\mathbf{A}) 是一个与波束成形矩阵相关的分式形式矩阵我们可以利用拉格朗日对偶变换。具体来说我们引入辅助变量 (\xi_{\ell q})。经过变换后原问题P1可以等价地重构为P2 [ \text{(P2)} \quad \max_{\mathbf{W}, \boldsymbol{\xi}} \Phi(\mathbf{W}, \boldsymbol{\xi}) \sum_{\ell1}^{L_B} \beta_\ell \hat{J}{\ell, j} ] [ \text{s.t.} \quad \sum{q1}^{Q} |\mathbf{W}{\ell q}|F^2 \leq P\ell, \quad \forall \ell ] 其中 (\Phi(\mathbf{W}, \boldsymbol{\xi})) 是一个关于 (\mathbf{W}) 和 (\boldsymbol{\xi}) 的新函数它不再包含复杂的对数行列式。妙处在于当固定波束成形矩阵 (\mathbf{W}) 时关于 (\boldsymbol{\xi}) 的子问题是凸的其最优解有闭式表达式 [ \xi{\ell q}^\star \mathbf{W}{\ell q}^H \mathbf{H}{\ell q}^H \mathbf{R}n^{-1} \mathbf{H}{\ell q} \mathbf{W}_{\ell q} ] 这实际上就是该用户链路的信号与干扰加噪声比SINR矩阵。4.2 二次变换与迭代优化接下来我们处理重构后目标函数中仍然存在的分式耦合项主要出现在费舍尔信息项中。这里使用二次变换。我们引入另一组辅助变量 (\mathbf{Y}{\ell q}) 和 (\mathbf{Y}{e,\ell q})分别对应于通信和感知目标。经过一系列数学推导详细过程涉及矩阵求导和整理此处略去原目标函数可以转化为关于波束成形矩阵 (\mathbf{W}{\ell q}) 的如下形式 [ \min{\mathbf{W}{\ell q}} \left| \mathbf{L}\ell^{1/2} ( \mathbf{W}{\ell q} - \boldsymbol{\Psi}\ell^{-1} \boldsymbol{\Theta}_{\ell q} ) \right|_F^2 ] 其中(\boldsymbol{\Theta}{\ell q}) 是一个梯度方向矩阵它同时包含了来自通信速率最大化通过 (\mathbf{H}{\ell q}) 和 (\xi_{\ell q})和感知精度最大化通过 (\dot{\mathbf{G}}_{\ell,j})的“拉力”。(\boldsymbol{\Psi}_\ell) 是一个加权矩阵它囊括了所有其他用户和感知链路对当前基站 (\ell) 的波束成形向量造成的“干扰压力”和“耦合影响”。(\mathbf{L}_\ell) 与功率约束相关。这个形式具有非常直观的物理意义我们试图找到一组波束成形矩阵 (\mathbf{W}{\ell q})使得它们尽可能接近一个“理想方向” (\boldsymbol{\Psi}\ell^{-1} \boldsymbol{\Theta}{\ell q})。这个理想方向是通信信道增益和感知信道敏感度导数在考虑了当前网络干扰环境后的一个综合最优指向。而权重矩阵 (\mathbf{L}\ell) 和 (\boldsymbol{\Psi}_\ell) 确保了在追求这个理想方向时不会过度放大干扰。此时关于 (\mathbf{W}{\ell q}) 的最优解有了近乎闭式的表达式 [ \mathbf{W}{\ell q}^* \epsilon_\ell (\mathbf{I}{N_t} \boldsymbol{\Psi}\ell)^{-1} \boldsymbol{\Theta}{\ell q} ] 其中 (\epsilon\ell 0) 是一个拉格朗日乘子用于确保基站 (\ell) 的总发射功率满足约束 (\sum_q |\mathbf{W}_{\ell q}^*|F^2 \leq P\ell)。这个乘子可以通过简单的二分法快速确定。4.3 迭代算法流程基于上述推导我们可以得到一个高效的迭代算法算法1来求解联合优化问题初始化随机生成或根据信道状态信息CSI初始化波束成形矩阵 (\mathbf{W}_{\ell q}^{(0)})使其满足功率约束。模式选择根据3.1节的RTT机制确定每个基站当前应工作的感知模式单站/双站。迭代更新 a.固定 (\mathbf{W})更新辅助变量 (\boldsymbol{\xi})利用公式 (\xi_{\ell q}^\star \mathbf{W}{\ell q}^H \mathbf{H}{\ell q}^H \mathbf{R}n^{-1} \mathbf{H}{\ell q} \mathbf{W}{\ell q}) 更新。 b. **固定 (\mathbf{W}) 和 (\boldsymbol{\xi})更新辅助变量 (\mathbf{Y}{\ell q}, \mathbf{Y}{e,\ell q})**利用公式 (39) 和 (40) 更新。 c.固定辅助变量更新波束成形 (\mathbf{W})利用公式 (\mathbf{W}{\ell q}^* \epsilon_\ell (\mathbf{I}{N_t} \boldsymbol{\Psi}\ell)^{-1} \boldsymbol{\Theta}{\ell q}) 更新并通过二分法确定 (\epsilon\ell) 以满足功率约束。 d.计算当前目标函数值根据更新的 (\mathbf{W}) 和选择的感知模式计算通信总速率和总费舍尔信息。判断收敛如果目标函数值的变化小于某个阈值或达到最大迭代次数则停止否则返回步骤3a继续迭代。注意事项算法实现的细节信道信息算法需要每个基站知道其到所有服务用户的信道 (\mathbf{H}{\ell q})以及参与感知的基站之间的感知信道 (\mathbf{G}{\ell j})或其导数。这需要通过信道估计来获取是系统的主要开销之一。中心化与分布式上述更新公式中计算 (\boldsymbol{\Psi}_\ell) 需要其他基站的信息因此通常需要一个中心节点如云化集中单元进行协调计算或将部分计算分布式进行并通过基站间回传链路交换必要信息。收敛性由于每一步更新都在最大化原目标函数的一个下界或等价形式该算法通常能保证收敛到一个局部最优解。在实际中5-10次迭代往往就能达到令人满意的性能。5. 性能评估与结果分析理论再完美也需要实验的验证。我们通过蒙特卡洛仿真在多种网络配置下评估了所提方案的有效性。仿真的核心是比较四种策略纯单站所有基站只进行单站感知。纯双站指定一个基站作为接收机其他基站作为发射机进行双站感知。混合模式所有基站同时进行单站和双站感知性能上界但复杂度最高。所提选择性模式每个基站基于RTT自适应选择单站或双站模式。5.1 感知-通信权衡与收敛性我们首先关注算法是否能有效收敛以及权重因子 (\beta_\ell)感知权重和 (\alpha_{\ell q})通信权重如何影响最终性能。仿真设置10个小区基站间距600米每个基站128根发射/接收天线发射功率45 dBm。结果分析对应原文图4收敛性无论感知权重高(\beta_\ell 10^{-4})还是低(\beta_\ell 10^{-14})所提算法通常在5-10次迭代内就能稳定收敛证明了迭代优化框架的可行性。感知优先场景(\beta_\ell) 大此时优化器倾向于将更多资源分配给感知。选择性模式通过将基站分配给几何位置更有利的感知模式近场单站远场双站获得了比纯单站高60%、比纯双站高30%的费舍尔信息感知精度度量。但这是以略微降低通信总速率为代价的因为部分功率和波束自由度分配给了感知。通信优先场景(\beta_\ell) 小此时优化器会抑制可能带来干扰的感知活动将更多基站切换到通信优先模式。即便如此选择性模式仍能通过智能的模式选择在保证通信速率的同时获得比固定模式高30%-40%的感知性能。核心结论所提方案在感知和通信之间实现了一种帕累托优化。通过调整权重 (\alpha) 和 (\beta)网络运营商可以在一条性能边界曲线上灵活选择工作点满足不同业务如自动驾驶需要高感知高清视频需要高速率的差异化需求。5.2 复杂度与可扩展性分析复杂度是决定方案能否落地应用的关键。我们分析了不同模式下计算复杂度随接收天线数 (N_r) 和基站数 (L_B) 的增长情况。结果分析对应原文图5纯单站/纯双站复杂度与 (L_B \cdot N_r) 或 ((L_B-1) \cdot N_r) 成正比呈线性增长。混合模式复杂度约为 (O((2L_B - 1) \cdot N_r))几乎是单模式的两倍因为每个基站要处理两套数据流。所提选择性模式复杂度约为 (O((L_B - 1) \cdot N_r))与单模式处于同一量级但显著低于混合模式。这意味着什么假设一个密集部署区域有50个基站(L_B50)每个基站64根天线(N_r64)。混合模式的处理负担约是单模式的2倍。而所提选择性模式在获得接近混合模式感知性能如下文所示的同时保持了与单模式相近的低复杂度。这对于硬件处理能力和基站间信令带宽都是极大的节约。5.3 关键参数影响发射功率 (P_t) 的影响对应原文图6随着发射功率增加所有模式的感知性能费舍尔信息都随之提升因为回波信号更强。所提选择性模式始终优于两种固定单模式并且性能最接近作为上界的混合模式。例如在某个目标位置其费舍尔信息比纯单站高60%比纯双站高48%。天线数 (N_t) 的影响对应原文图7增加发射天线数能带来感知性能的指数级提升因为更大的天线阵列能形成更窄、更精确的波束。所提方案能充分利用这一优势其性能曲线紧贴混合模式再次验证了模式选择的有效性。基站数量 (L_B) 的影响对应原文图9, 10, 11感知性能随着基站数增加几何分集增益显现所有模式的费舍尔信息都大幅提升。所提方案的增长斜率与混合模式最为接近当 (L_B10) 时其性能能达到混合模式的83%远超纯单站59%和纯双站56%。这说明在密集网络中自适应选择的价值更大。通信性能基站数增加也带来了更多的协作波束成形增益通信总速率随之上升。所提方案通过抑制不必要的感知干扰在通信权重(\alpha_L)增大时能获得比固定模式更高的速率。5.4 空间性能分布我们通过热力图对应原文图12直观展示了不同模式下费舍尔信息在网络空间中的分布。纯单站感知性能在基站附近形成“热点”但随着距离增加而迅速衰减边缘区域性能差。纯双站性能分布相对均匀尤其在小区边缘因为可以利用其他基站的视角进行感知。所提选择性模式其热力图 pattern 与混合模式高度相似在大部分区域都保持了高感知性能。它综合了单站在近场的优势和双站在远场的优势实现了网络级感知覆盖的优化。6. 工程实践中的挑战与应对策略将上述理论框架部署到实际的6G网络中还会面临诸多工程挑战。这里分享一些从研究和初步实践中获得的思考。6.1 同步与定时误差双站感知模式的核心前提是发射基站和接收基站之间需要高精度的时间同步。纳秒级的同步误差就可能导致米级的测距误差。虽然3GPP等标准组织正在定义基于网络的同步方案如IEEE 1588 PTP但在复杂的无线环境中同步误差不可避免。应对策略联合估计与补偿在信号处理层面可以将同步误差作为一个待估计的参数与目标位置参数进行联合估计。虽然这会增加算法复杂度但能有效对抗定时误差。使用稳健波形设计对定时误差不敏感的感知波形例如采用具有良好自相关特性的序列即使存在一定同步误差也能通过相关峰检测实现粗同步和感知。分层处理先利用RTT等鲁棒性较强的度量进行粗粒度的模式选择和目标发现再在选定的模式和链路上进行高精度的参数如角度估计。6.2 信道状态信息获取无论是通信波束成形还是感知费舍尔信息的计算都依赖于准确的信道状态信息CSI。对于感知信道 (\mathbf{G}_{\ell j})尤其是双站模式下的跨基站信道其获取比通信信道更困难。应对策略利用通信信道互易性在TDD系统中可以利用上下行信道的互易性来推断部分感知信道信息。基于几何模型的预测在已知基站位置和目标粗略位置例如从RTT估计的情况下可以利用几何关系和大尺度信道模型如路径损耗、莱斯因子来构建感知信道的估计用于模式选择和初始波束成形。联合通信与感知的导频设计设计新型的导频信号使其既能用于通信信道估计也能用于感知信道探测减少专门用于感知的信令开销。6.3 动态环境与模式切换开销网络环境和目标状态是动态变化的。频繁的模式切换虽然能跟踪最优性能但会带来信令开销和处理延迟。例如从单站切换到双站模式可能需要重新建立基站间的协调链路、交换同步信息等。应对策略引入切换迟滞类似于蜂窝网络中的切换迟滞可以设置两个阈值(\tau_{\text{th, up}}) 和 (\tau_{\text{th, down}})。只有当RTT持续超过上限阈值时才切换到双站持续低于下限阈值时才切换回单站避免在阈值附近频繁抖动。预测性切换对于车辆等运动目标可以利用其历史轨迹和运动模型如匀速或恒加速度模型预测其下一时刻的位置提前触发模式切换减少切换延迟对感知连续性的影响。轻量级信令设计设计高效的控制信令将模式切换指令、必要的同步参数和资源分配信息压缩在最小的数据包内通过现有的回传网络或空口信令快速传递。6.4 干扰管理与资源分配本文的优化框架已经将干扰纳入了问题建模通过干扰协方差矩阵 (\mathbf{R}n) 和 (\tilde{\boldsymbol{\eta}}\ell)。但在实际中干扰可能来自网络外部的其他系统或者感知目标本身是分布式的多个目标会产生多目标间的互干扰。应对策略空间域滤波利用大规模天线阵列的空间自由度在波束成形设计时不仅将主瓣对准期望用户或目标同时将零陷对准已知的强干扰源。时频资源调度在更宏观的资源管理层面可以为感知任务分配专用的时隙或频段与通信业务进行正交复用从根本上避免感知与通信的互干扰。但这会牺牲一定的频谱效率需要在系统级进行权衡。多目标感知的波形优化当存在多个目标时可以优化发射波形使其自相关和互相关特性更适合多目标分辨从而减轻目标间的互干扰。7. 未来演进与扩展方向自适应感知模式选择与联合优化框架为多小区ISAC网络提供了一个强大的基础。随着技术发展以下几个方向值得深入探索与人工智能/机器学习融合当前的模式选择基于固定的RTT阈值波束成形优化基于迭代数值算法。未来可以引入深度学习例如用神经网络来学习复杂环境下的最优模式切换策略或者用深度强化学习来在线调整波束成形权重以应对更动态、更复杂的场景。面向移动性增强本文主要考虑相对静止或慢速目标。对于高速移动目标如高铁、无人机需要研究预测性波束跟踪与快速模式切换的结合。如何利用感知获得的目标速度信息来预测其未来位置并提前调整波束和感知模式是保证连续高精度感知的关键。跨层设计与网络化感知将感知功能从物理层提升到网络层。例如多个基站感知到的原始数据或特征信息可以在边缘服务器或云中心进行融合处理生成比单点感知更精确、更鲁棒的环境地图。这需要定义新的网络协议和接口来支持感知数据的传输与融合。非理想因素建模将更实际的非理想因素如信道估计误差、硬件损伤相位噪声、非线性、量化误差等纳入联合优化的建模中设计出对这些不完美性具有鲁棒性的算法。绿色节能设计在优化目标中引入能量效率指标研究如何在保证感知与通信性能的前提下最小化整个网络的能耗。这可能涉及更精细的基站睡眠机制、感知任务的动态卸载等。我个人在实际的仿真和算法实现中发现这套框架最吸引人的地方在于其“模块化”和“可扩展性”。感知模式选择模块可以独立改进例如用更复杂的机器学习模型替代简单的阈值比较波束成形优化模块也可以替换为其他更高效的算法如基于深度展开的网络。而它们通过费舍尔信息和速率这两个关键指标紧密耦合在一起。这种设计哲学使得它不仅仅是一个具体的算法更是一个可以持续演进和适配未来需求的系统架构蓝图。从实验室仿真走向外场试验下一步的关键是将这些算法模块嵌入到真实的基站基带处理单元中并在复杂的无线信道和真实的业务流量下验证其增益这将是通向6G ISAC商用的必经之路。
6G ISAC多小区网络：自适应感知模式选择与联合波束成形优化
发布时间：2026/6/4 13:06:28
1. 项目概述与核心价值在6G网络的研究蓝图中集成感知与通信ISAC正从一个前沿概念迅速走向工程实践的核心。它不再仅仅是“用通信信号顺便做做感知”的附加功能而是旨在构建一个能同时“看得清”和“传得快”的智能无线网络基础设施。想象一下未来的自动驾驶车辆不仅需要毫秒级的低延迟通信来接收路况信息更需要厘米级的精准感知来识别盲区内的行人或障碍物智慧工厂的机械臂在高速协作时既要保证控制指令的可靠传输又要实时感知周围工人的位置以防碰撞。这些场景对网络的“感知-通信”一体化能力提出了前所未有的要求。然而理想很丰满现实却很骨感。当我们把ISAC从单基站的理论模型推向多小区、多用户的真实网络时一系列棘手的问题便浮出水面。最核心的矛盾在于感知和通信本质上在争夺同一块“蛋糕”——有限的无线资源包括发射功率、频谱和天线波束。在单小区内我们或许可以通过精巧的波形和波束设计来平衡二者。但在多小区网络中事情变得复杂得多。一个基站为了感知远处目标而发射的强信号很可能成为相邻小区用户通信时难以忍受的干扰。更麻烦的是感知本身也有“模式”之争是让每个基站自己发、自己收单站模式还是让A基站发射由B基站来接收目标反射的信号双站模式前者简单直接但感知范围有限且易受自身干扰后者能利用几何分集获得更好的感知性能却需要严格的基站间同步并引入复杂的协调开销。现有的很多研究要么固定使用单站模式要么固定使用双站模式这就像无论天气是晴是雨都只穿同一件衣服显然不是最优解。网络环境、目标位置、通信负载都在动态变化一套固定的“打法”无法适应所有情况。因此我们面临的核心挑战是在多小区ISAC网络中如何让每个基站都能根据实时情况智能地选择最合适的感知模式单站或双站并在保证通信服务质量的前提下联合优化波束成形使得整个网络的综合性能感知精度通信速率达到最优本文要探讨的正是这样一个充满工程挑战但极具价值的问题。我们将深入拆解一种自适应的感知模式选择与联合优化框架。这个框架的精髓在于“因地制宜”和“动态权衡”。它不追求让所有基站时刻保持全功率、全模式运行而是像一个经验丰富的指挥官根据粗略的目标距离信息例如利用通信过程中就能获取的往返时间RTT快速判断哪个基站适合扮演“发射者”哪个适合扮演“接收者”从而在单站和双站模式间灵活切换。同时它运用分数规划这一数学工具将非凸的、相互耦合的感知与通信优化问题转化为一系列可迭代求解的子问题最终设计出能同时“照顾”感知波束和通信波束的发射信号。对于通信算法工程师、无线系统架构师或是任何对6G使能技术感兴趣的从业者而言理解这套机制不仅有助于把握ISAC从理论走向落地的关键一步更能从中学习到如何在多目标、多约束的复杂系统中进行资源调度与性能折衷的工程思维。接下来我们将从系统模型开始逐步揭开这套自适应框架的设计细节与实现奥秘。2. 系统模型与问题定义要设计一个有效的优化框架首先必须为其建立一个精确的数学模型。这个模型需要同时刻画通信与感知两大功能在多小区多用户环境下的物理过程并清晰定义我们所要优化的目标与所受的约束。2.1 网络拓扑与信号模型我们考虑一个典型的多小区下行链路ISAC网络。假设网络中有 (L_B) 个基站每个基站都具备全双工能力装备有 (N_t) 根发射天线和 (N_r) 根接收天线这些天线以半波长间距排列成均匀线性阵列。每个基站同时服务其覆盖范围内的 (Q) 个用户设备。系统的核心创新点在于每个基站可以在不同的时隙动态地工作在两种感知模式下单站感知模式基站自己发射探测信号并接收来自目标的反射回波。这类似于传统的单站雷达信号路径是“基站-目标-同一基站”。双站感知模式基站A发射探测信号而由另一个地理位置不同的基站B接收来自目标的反射回波。信号路径是“基站A-目标-基站B”。通信方面每个基站通过空间复用技术同时服务多个用户。设第 (\ell) 个基站到其第 (q) 个用户的MIMO信道矩阵为 (\mathbf{H}{\ell q} \in \mathbb{C}^{M{\ell q} \times N_t})其中 (M_{\ell q}) 是用户的天线数。基站 (\ell) 的发射信号可以表示为 [ \mathbf{x}\ell(t) \sum{q1}^{Q} \mathbf{W}{\ell q} \mathbf{s}{\ell q}(t) ] 其中(\mathbf{s}{\ell q}(t)) 是发送给用户 ((\ell, q)) 的数据流向量满足 (\mathbb{E}[\mathbf{s}{\ell q}(t)\mathbf{s}{\ell q}^H(t)] \mathbf{I})。(\mathbf{W}{\ell q} \in \mathbb{C}^{N_t \times d_{\ell q}}) 就是我们需要设计的发射波束成形矩阵它决定了信号的能量在空间中的指向是同时影响通信速率和感知精度的关键变量。用户 ((\ell, q)) 接收到的信号包含三部分期望信号、小区内干扰、小区间干扰和噪声 [ \mathbf{y}{\ell q} \underbrace{\mathbf{H}{\ell q}\mathbf{W}{\ell q}\mathbf{s}{\ell q}}{\text{期望信号}} \underbrace{\sum{i \neq q}^{Q} \mathbf{H}{\ell q}\mathbf{W}{\ell i}\mathbf{s}{\ell i}}{\text{小区内干扰}} \underbrace{\sum_{j \neq \ell}^{L_B} \sum_{i1}^{Q} \mathbf{H}{j q}\mathbf{W}{ji}\mathbf{s}{ji}}{\text{小区间干扰}} \mathbf{n}{\ell q} ] 基于此该用户的可达速率Sum Rate, SR可以表示为 [ \text{SR}{\ell q} \log \det\left( \mathbf{I} \mathbf{W}{\ell q}^H \mathbf{H}{\ell q}^H \mathbf{R}n^{-1} \mathbf{H}{\ell q} \mathbf{W}_{\ell q} \right) ] 其中(\mathbf{R}_n) 是用户处的干扰加噪声协方差矩阵。我们的通信目标就是最大化所有用户的可达速率之和。2.2 统一感知模型感知模型的核心是描述信号从基站发出经目标反射再被基站接收的过程。无论是单站还是双站模式都可以用一个统一的表达式来概括。假设目标相对于基站的方向角为 (\theta)离开角和 (\varphi)到达角则发射和接收导向矢量分别为 [ \mathbf{a}t(\theta) [1, e^{-j\pi \sin\theta}, ..., e^{-j\pi (N_t-1)\sin\theta}]^T ] [ \mathbf{a}r(\varphi) [1, e^{-j\pi \sin\varphi}, ..., e^{-j\pi (N_r-1)\sin\varphi}]^T ] 对于单站模式基站 (\ell) 对自己发射信号的感知感知信道矩阵为 [ \mathbf{G}{\ell\ell} \beta\ell \mathbf{a}r(\theta\ell) \mathbf{a}t^T(\theta\ell) ] 其中 (\beta_\ell) 是包含路径损耗和目标反射系数的复增益。 对于双站模式基站 (\ell) 发射基站 (j) 接收感知信道矩阵为 [ \mathbf{G}{\ell j} \beta{\ell, j} \mathbf{a}r(\varphi_j) \mathbf{a}t^T(\theta\ell), \quad \ell \neq j ] 基站 (j) 接收到的感知信号可以统一写为 [ \mathbf{Y}{\ell j} \mathbf{G}{\ell j} \mathbf{X}\ell(t - \tau_{\ell, j}) \mathbf{Z}j ] 其中 (\tau{\ell, j}) 是传播时延(\mathbf{Z}_j) 是噪声。注意这里我们假设了感知主要依赖于视距路径。在毫米波等高频段由于路径损耗大多径分量较弱这是一个合理且常用的假设。但在复杂环境中需要考虑多径和杂波的影响这会使模型和后续的信号处理如干扰协方差矩阵的计算变得更加复杂。2.3 感知性能度量费舍尔信息如何量化感知的“好坏”在参数估计理论中克拉美-罗下界CRB给出了无偏估计量方差的下限而CRB的逆正是费舍尔信息矩阵FIM。FIM越大意味着我们对目标参数如角度的估计潜在精度越高。对于单站模式我们主要估计目标的角度 (\theta_\ell)。其费舍尔信息 (J_{\ell,\ell}^{\text{MS}}) 与感知信道矩阵的导数 (\dot{\mathbf{G}}{\ell\ell} \partial \mathbf{G}{\ell\ell}/\partial \theta_\ell) 以及波束成形矩阵 (\mathbf{W}{\ell q}) 有关具体形式为 [ J{\ell,\ell}^{\text{MS}} 2T \sum_{q1}^{Q} \text{tr}\left( \dot{\mathbf{G}}{\ell\ell} \mathbf{W}{\ell q} \tilde{\boldsymbol{\eta}}\ell^{-1} \dot{\mathbf{G}}{\ell\ell} \mathbf{W}{\ell q} \right) ] 其中 (\tilde{\boldsymbol{\eta}}\ell) 是包含了其他基站信号干扰和噪声的协方差矩阵。这个公式直观地告诉我们感知精度不仅取决于信号本身的强度体现在 (\mathbf{W}{\ell q}) 上还严重受制于干扰体现在 (\tilde{\boldsymbol{\eta}}\ell^{-1}) 上。为了提升感知我们既需要把波束对准目标也需要抑制来自其他通信或感知链路的干扰。对于双站模式我们需要联合估计发射角 (\theta_\ell) 和接收角 (\varphi_j)其费舍尔信息 (J_{\ell j}^{\text{BS}}) 是一个2x2的矩阵其迹Trace代表了总的角信息量。2.4 联合优化问题形式化现在我们可以将核心挑战数学化。我们的目标是在满足每个基站总发射功率限制的前提下联合优化所有基站的波束成形矩阵 ({\mathbf{W}{\ell q}})以最大化一个加权和函数 [ \text{(P1)} \quad \max{{\mathbf{W}{\ell q}}} \sum{\ell1}^{L_B} \sum_{q1}^{Q} \alpha_{\ell q} \text{SR}{\ell q} \sum{\ell1}^{L_B} \beta_\ell \hat{J}{\ell, j} ] [ \text{s.t.} \quad \sum{q1}^{Q} |\mathbf{W}_{\ell q}|F^2 \leq P\ell, \quad \forall \ell ] 其中(\alpha_{\ell q}) 和 (\beta_\ell) 是权重因子分别代表我们对用户 ((\ell, q)) 的通信速率和对基站 (\ell) 感知精度的重视程度。通过调整这些权重网络运营商可以在“感知优先”和“通信优先”之间进行平滑的权衡。(\hat{J}_{\ell, j}) 是根据基站 (\ell) 当前选择的感知模式单站则 (j\ell)双站则 (j \neq \ell)计算出的费舍尔信息的迹。约束条件是每个基站的总发射功率不能超过其预算 (P_\ell)。这个优化问题P1是非凸的并且目标函数中通信速率对数行列式形式和费舍尔信息分式形式复杂地耦合在一起直接求解非常困难。这正是我们需要引入分数规划等优化工具的原因。3. 自适应感知模式选择机制在求解复杂的联合优化问题之前一个更前置且关键的问题是每个基站如何决定自己当前应该采用单站模式还是双站模式这个决策需要快速、低开销且能有效提升后续波束成形优化的“起跑线”。3.1 基于往返时间的粗粒度决策理想情况下我们需要精确知道目标的位置、反射特性等信息来做最优决策但这在实时系统中开销巨大。本文提出的机制巧妙地利用了现有通信系统中即可获取的往返时间Round-Trip Time, RTT信息作为决策依据。RTT是信号从发射到经目标反射再被接收所经历的总时间。在单站模式下RTT直接与基站到目标的距离成正比。在双站模式下虽然传播路径不同但通过基站间的同步也可以估算出一个等效的时延。核心思想是对于一个给定的目标如果某个基站估算出的RTT很短意味着目标离该基站很近此时该基站采用单站模式能获得很强的回波信号感知效果可能更好。反之如果RTT很长目标可能处于该基站感知范围的边缘此时让另一个位置更佳的基站来接收回波即该基站作为双站模式的发射方可能获得更好的几何分集增益。因此我们为每个基站设定一个RTT阈值 (\tau_{\text{th}})。决策流程非常简单时延估计每个基站 (\ell) 根据接收到的感知回波估算出RTT时延 (\tau_\ell)。阈值比较将 (\tau_\ell) 与预设阈值 (\tau_{\text{th}}) 进行比较。模式选择若 (\tau_\ell \leq \tau_{\text{th}})则判定目标在“近场”基站 (\ell) 采用单站感知模式。若 (\tau_\ell \tau_{\text{th}})则判定目标在“远场”基站 (\ell) 切换至双站感知模式通常需要网络指定一个接收基站。实操心得阈值设定的艺术阈值 (\tau_{\text{th}}) 不是随便设定的它与系统带宽 (B) 密切相关。为了保证双站模式下回波信号能进行相干处理两个基站接收信号的时延差必须小于信号带宽倒数的量级通常要求 (\tau_{\text{th}} \leq 1/(2B))。在实际部署中可以基于网络拓扑基站间距、典型目标速度以及信号带宽通过离线仿真或在线学习来确定一个稳健的阈值。仿真表明该机制对阈值在一定范围内如±10%的波动并不敏感这增强了其工程实用性。3.2 模式选择带来的优势这种自适应选择机制相比固定模式或全模式激活带来了显著的系统增益降低复杂度与开销全模式激活即所有基站同时进行单站和双站感知虽然能获取最多的信息但意味着每个基站都要处理来自所有其他基站的信号计算复杂度和基站间信令开销随基站数量呈平方增长。而选择性模式每次只激活一部分基站参与感知将复杂度控制在了与单模式相近的线性水平。抑制干扰不必要的感知信号发射是重要的干扰源。选择性模式避免了所有基站同时发射感知信号从而减少了网络中的总干扰这不仅有利于感知本身提升信干噪比也有利于通信用户。提升资源效率将感知任务动态分配给几何位置最有利的基站近场单站远场双站相当于将“好钢用在刀刃上”用更少的资源激活的节点数获得了接近全模式的感知性能。这种“先选择后优化”的框架实质上是将复杂的联合优化问题解耦成了两个层级低复杂度的模式选择基于RTT和高复杂度的资源分配波束成形优化。这符合实际系统的处理流程也大大降低了实时优化的难度。4. 基于分数规划的联合波束成形优化当每个基站的感知模式确定后我们就需要求解前面定义的联合优化问题P1。直接处理这个非凸问题非常棘手。这里我们采用分数规划Fractional Programming, FP这一强大工具来将其“驯服”。4.1 问题重构拉格朗日对偶变换分数规划的核心思想是通过引入辅助变量将目标函数中的分式项或对数行列式中的分式结构进行解耦。对于通信速率项 (\log \det(\mathbf{I} \mathbf{A}))其中 (\mathbf{A}) 是一个与波束成形矩阵相关的分式形式矩阵我们可以利用拉格朗日对偶变换。具体来说我们引入辅助变量 (\xi_{\ell q})。经过变换后原问题P1可以等价地重构为P2 [ \text{(P2)} \quad \max_{\mathbf{W}, \boldsymbol{\xi}} \Phi(\mathbf{W}, \boldsymbol{\xi}) \sum_{\ell1}^{L_B} \beta_\ell \hat{J}{\ell, j} ] [ \text{s.t.} \quad \sum{q1}^{Q} |\mathbf{W}{\ell q}|F^2 \leq P\ell, \quad \forall \ell ] 其中 (\Phi(\mathbf{W}, \boldsymbol{\xi})) 是一个关于 (\mathbf{W}) 和 (\boldsymbol{\xi}) 的新函数它不再包含复杂的对数行列式。妙处在于当固定波束成形矩阵 (\mathbf{W}) 时关于 (\boldsymbol{\xi}) 的子问题是凸的其最优解有闭式表达式 [ \xi{\ell q}^\star \mathbf{W}{\ell q}^H \mathbf{H}{\ell q}^H \mathbf{R}n^{-1} \mathbf{H}{\ell q} \mathbf{W}_{\ell q} ] 这实际上就是该用户链路的信号与干扰加噪声比SINR矩阵。4.2 二次变换与迭代优化接下来我们处理重构后目标函数中仍然存在的分式耦合项主要出现在费舍尔信息项中。这里使用二次变换。我们引入另一组辅助变量 (\mathbf{Y}{\ell q}) 和 (\mathbf{Y}{e,\ell q})分别对应于通信和感知目标。经过一系列数学推导详细过程涉及矩阵求导和整理此处略去原目标函数可以转化为关于波束成形矩阵 (\mathbf{W}{\ell q}) 的如下形式 [ \min{\mathbf{W}{\ell q}} \left| \mathbf{L}\ell^{1/2} ( \mathbf{W}{\ell q} - \boldsymbol{\Psi}\ell^{-1} \boldsymbol{\Theta}_{\ell q} ) \right|_F^2 ] 其中(\boldsymbol{\Theta}{\ell q}) 是一个梯度方向矩阵它同时包含了来自通信速率最大化通过 (\mathbf{H}{\ell q}) 和 (\xi_{\ell q})和感知精度最大化通过 (\dot{\mathbf{G}}_{\ell,j})的“拉力”。(\boldsymbol{\Psi}_\ell) 是一个加权矩阵它囊括了所有其他用户和感知链路对当前基站 (\ell) 的波束成形向量造成的“干扰压力”和“耦合影响”。(\mathbf{L}_\ell) 与功率约束相关。这个形式具有非常直观的物理意义我们试图找到一组波束成形矩阵 (\mathbf{W}{\ell q})使得它们尽可能接近一个“理想方向” (\boldsymbol{\Psi}\ell^{-1} \boldsymbol{\Theta}{\ell q})。这个理想方向是通信信道增益和感知信道敏感度导数在考虑了当前网络干扰环境后的一个综合最优指向。而权重矩阵 (\mathbf{L}\ell) 和 (\boldsymbol{\Psi}_\ell) 确保了在追求这个理想方向时不会过度放大干扰。此时关于 (\mathbf{W}{\ell q}) 的最优解有了近乎闭式的表达式 [ \mathbf{W}{\ell q}^* \epsilon_\ell (\mathbf{I}{N_t} \boldsymbol{\Psi}\ell)^{-1} \boldsymbol{\Theta}{\ell q} ] 其中 (\epsilon\ell 0) 是一个拉格朗日乘子用于确保基站 (\ell) 的总发射功率满足约束 (\sum_q |\mathbf{W}_{\ell q}^*|F^2 \leq P\ell)。这个乘子可以通过简单的二分法快速确定。4.3 迭代算法流程基于上述推导我们可以得到一个高效的迭代算法算法1来求解联合优化问题初始化随机生成或根据信道状态信息CSI初始化波束成形矩阵 (\mathbf{W}_{\ell q}^{(0)})使其满足功率约束。模式选择根据3.1节的RTT机制确定每个基站当前应工作的感知模式单站/双站。迭代更新 a.固定 (\mathbf{W})更新辅助变量 (\boldsymbol{\xi})利用公式 (\xi_{\ell q}^\star \mathbf{W}{\ell q}^H \mathbf{H}{\ell q}^H \mathbf{R}n^{-1} \mathbf{H}{\ell q} \mathbf{W}{\ell q}) 更新。 b. **固定 (\mathbf{W}) 和 (\boldsymbol{\xi})更新辅助变量 (\mathbf{Y}{\ell q}, \mathbf{Y}{e,\ell q})**利用公式 (39) 和 (40) 更新。 c.固定辅助变量更新波束成形 (\mathbf{W})利用公式 (\mathbf{W}{\ell q}^* \epsilon_\ell (\mathbf{I}{N_t} \boldsymbol{\Psi}\ell)^{-1} \boldsymbol{\Theta}{\ell q}) 更新并通过二分法确定 (\epsilon\ell) 以满足功率约束。 d.计算当前目标函数值根据更新的 (\mathbf{W}) 和选择的感知模式计算通信总速率和总费舍尔信息。判断收敛如果目标函数值的变化小于某个阈值或达到最大迭代次数则停止否则返回步骤3a继续迭代。注意事项算法实现的细节信道信息算法需要每个基站知道其到所有服务用户的信道 (\mathbf{H}{\ell q})以及参与感知的基站之间的感知信道 (\mathbf{G}{\ell j})或其导数。这需要通过信道估计来获取是系统的主要开销之一。中心化与分布式上述更新公式中计算 (\boldsymbol{\Psi}_\ell) 需要其他基站的信息因此通常需要一个中心节点如云化集中单元进行协调计算或将部分计算分布式进行并通过基站间回传链路交换必要信息。收敛性由于每一步更新都在最大化原目标函数的一个下界或等价形式该算法通常能保证收敛到一个局部最优解。在实际中5-10次迭代往往就能达到令人满意的性能。5. 性能评估与结果分析理论再完美也需要实验的验证。我们通过蒙特卡洛仿真在多种网络配置下评估了所提方案的有效性。仿真的核心是比较四种策略纯单站所有基站只进行单站感知。纯双站指定一个基站作为接收机其他基站作为发射机进行双站感知。混合模式所有基站同时进行单站和双站感知性能上界但复杂度最高。所提选择性模式每个基站基于RTT自适应选择单站或双站模式。5.1 感知-通信权衡与收敛性我们首先关注算法是否能有效收敛以及权重因子 (\beta_\ell)感知权重和 (\alpha_{\ell q})通信权重如何影响最终性能。仿真设置10个小区基站间距600米每个基站128根发射/接收天线发射功率45 dBm。结果分析对应原文图4收敛性无论感知权重高(\beta_\ell 10^{-4})还是低(\beta_\ell 10^{-14})所提算法通常在5-10次迭代内就能稳定收敛证明了迭代优化框架的可行性。感知优先场景(\beta_\ell) 大此时优化器倾向于将更多资源分配给感知。选择性模式通过将基站分配给几何位置更有利的感知模式近场单站远场双站获得了比纯单站高60%、比纯双站高30%的费舍尔信息感知精度度量。但这是以略微降低通信总速率为代价的因为部分功率和波束自由度分配给了感知。通信优先场景(\beta_\ell) 小此时优化器会抑制可能带来干扰的感知活动将更多基站切换到通信优先模式。即便如此选择性模式仍能通过智能的模式选择在保证通信速率的同时获得比固定模式高30%-40%的感知性能。核心结论所提方案在感知和通信之间实现了一种帕累托优化。通过调整权重 (\alpha) 和 (\beta)网络运营商可以在一条性能边界曲线上灵活选择工作点满足不同业务如自动驾驶需要高感知高清视频需要高速率的差异化需求。5.2 复杂度与可扩展性分析复杂度是决定方案能否落地应用的关键。我们分析了不同模式下计算复杂度随接收天线数 (N_r) 和基站数 (L_B) 的增长情况。结果分析对应原文图5纯单站/纯双站复杂度与 (L_B \cdot N_r) 或 ((L_B-1) \cdot N_r) 成正比呈线性增长。混合模式复杂度约为 (O((2L_B - 1) \cdot N_r))几乎是单模式的两倍因为每个基站要处理两套数据流。所提选择性模式复杂度约为 (O((L_B - 1) \cdot N_r))与单模式处于同一量级但显著低于混合模式。这意味着什么假设一个密集部署区域有50个基站(L_B50)每个基站64根天线(N_r64)。混合模式的处理负担约是单模式的2倍。而所提选择性模式在获得接近混合模式感知性能如下文所示的同时保持了与单模式相近的低复杂度。这对于硬件处理能力和基站间信令带宽都是极大的节约。5.3 关键参数影响发射功率 (P_t) 的影响对应原文图6随着发射功率增加所有模式的感知性能费舍尔信息都随之提升因为回波信号更强。所提选择性模式始终优于两种固定单模式并且性能最接近作为上界的混合模式。例如在某个目标位置其费舍尔信息比纯单站高60%比纯双站高48%。天线数 (N_t) 的影响对应原文图7增加发射天线数能带来感知性能的指数级提升因为更大的天线阵列能形成更窄、更精确的波束。所提方案能充分利用这一优势其性能曲线紧贴混合模式再次验证了模式选择的有效性。基站数量 (L_B) 的影响对应原文图9, 10, 11感知性能随着基站数增加几何分集增益显现所有模式的费舍尔信息都大幅提升。所提方案的增长斜率与混合模式最为接近当 (L_B10) 时其性能能达到混合模式的83%远超纯单站59%和纯双站56%。这说明在密集网络中自适应选择的价值更大。通信性能基站数增加也带来了更多的协作波束成形增益通信总速率随之上升。所提方案通过抑制不必要的感知干扰在通信权重(\alpha_L)增大时能获得比固定模式更高的速率。5.4 空间性能分布我们通过热力图对应原文图12直观展示了不同模式下费舍尔信息在网络空间中的分布。纯单站感知性能在基站附近形成“热点”但随着距离增加而迅速衰减边缘区域性能差。纯双站性能分布相对均匀尤其在小区边缘因为可以利用其他基站的视角进行感知。所提选择性模式其热力图 pattern 与混合模式高度相似在大部分区域都保持了高感知性能。它综合了单站在近场的优势和双站在远场的优势实现了网络级感知覆盖的优化。6. 工程实践中的挑战与应对策略将上述理论框架部署到实际的6G网络中还会面临诸多工程挑战。这里分享一些从研究和初步实践中获得的思考。6.1 同步与定时误差双站感知模式的核心前提是发射基站和接收基站之间需要高精度的时间同步。纳秒级的同步误差就可能导致米级的测距误差。虽然3GPP等标准组织正在定义基于网络的同步方案如IEEE 1588 PTP但在复杂的无线环境中同步误差不可避免。应对策略联合估计与补偿在信号处理层面可以将同步误差作为一个待估计的参数与目标位置参数进行联合估计。虽然这会增加算法复杂度但能有效对抗定时误差。使用稳健波形设计对定时误差不敏感的感知波形例如采用具有良好自相关特性的序列即使存在一定同步误差也能通过相关峰检测实现粗同步和感知。分层处理先利用RTT等鲁棒性较强的度量进行粗粒度的模式选择和目标发现再在选定的模式和链路上进行高精度的参数如角度估计。6.2 信道状态信息获取无论是通信波束成形还是感知费舍尔信息的计算都依赖于准确的信道状态信息CSI。对于感知信道 (\mathbf{G}_{\ell j})尤其是双站模式下的跨基站信道其获取比通信信道更困难。应对策略利用通信信道互易性在TDD系统中可以利用上下行信道的互易性来推断部分感知信道信息。基于几何模型的预测在已知基站位置和目标粗略位置例如从RTT估计的情况下可以利用几何关系和大尺度信道模型如路径损耗、莱斯因子来构建感知信道的估计用于模式选择和初始波束成形。联合通信与感知的导频设计设计新型的导频信号使其既能用于通信信道估计也能用于感知信道探测减少专门用于感知的信令开销。6.3 动态环境与模式切换开销网络环境和目标状态是动态变化的。频繁的模式切换虽然能跟踪最优性能但会带来信令开销和处理延迟。例如从单站切换到双站模式可能需要重新建立基站间的协调链路、交换同步信息等。应对策略引入切换迟滞类似于蜂窝网络中的切换迟滞可以设置两个阈值(\tau_{\text{th, up}}) 和 (\tau_{\text{th, down}})。只有当RTT持续超过上限阈值时才切换到双站持续低于下限阈值时才切换回单站避免在阈值附近频繁抖动。预测性切换对于车辆等运动目标可以利用其历史轨迹和运动模型如匀速或恒加速度模型预测其下一时刻的位置提前触发模式切换减少切换延迟对感知连续性的影响。轻量级信令设计设计高效的控制信令将模式切换指令、必要的同步参数和资源分配信息压缩在最小的数据包内通过现有的回传网络或空口信令快速传递。6.4 干扰管理与资源分配本文的优化框架已经将干扰纳入了问题建模通过干扰协方差矩阵 (\mathbf{R}n) 和 (\tilde{\boldsymbol{\eta}}\ell)。但在实际中干扰可能来自网络外部的其他系统或者感知目标本身是分布式的多个目标会产生多目标间的互干扰。应对策略空间域滤波利用大规模天线阵列的空间自由度在波束成形设计时不仅将主瓣对准期望用户或目标同时将零陷对准已知的强干扰源。时频资源调度在更宏观的资源管理层面可以为感知任务分配专用的时隙或频段与通信业务进行正交复用从根本上避免感知与通信的互干扰。但这会牺牲一定的频谱效率需要在系统级进行权衡。多目标感知的波形优化当存在多个目标时可以优化发射波形使其自相关和互相关特性更适合多目标分辨从而减轻目标间的互干扰。7. 未来演进与扩展方向自适应感知模式选择与联合优化框架为多小区ISAC网络提供了一个强大的基础。随着技术发展以下几个方向值得深入探索与人工智能/机器学习融合当前的模式选择基于固定的RTT阈值波束成形优化基于迭代数值算法。未来可以引入深度学习例如用神经网络来学习复杂环境下的最优模式切换策略或者用深度强化学习来在线调整波束成形权重以应对更动态、更复杂的场景。面向移动性增强本文主要考虑相对静止或慢速目标。对于高速移动目标如高铁、无人机需要研究预测性波束跟踪与快速模式切换的结合。如何利用感知获得的目标速度信息来预测其未来位置并提前调整波束和感知模式是保证连续高精度感知的关键。跨层设计与网络化感知将感知功能从物理层提升到网络层。例如多个基站感知到的原始数据或特征信息可以在边缘服务器或云中心进行融合处理生成比单点感知更精确、更鲁棒的环境地图。这需要定义新的网络协议和接口来支持感知数据的传输与融合。非理想因素建模将更实际的非理想因素如信道估计误差、硬件损伤相位噪声、非线性、量化误差等纳入联合优化的建模中设计出对这些不完美性具有鲁棒性的算法。绿色节能设计在优化目标中引入能量效率指标研究如何在保证感知与通信性能的前提下最小化整个网络的能耗。这可能涉及更精细的基站睡眠机制、感知任务的动态卸载等。我个人在实际的仿真和算法实现中发现这套框架最吸引人的地方在于其“模块化”和“可扩展性”。感知模式选择模块可以独立改进例如用更复杂的机器学习模型替代简单的阈值比较波束成形优化模块也可以替换为其他更高效的算法如基于深度展开的网络。而它们通过费舍尔信息和速率这两个关键指标紧密耦合在一起。这种设计哲学使得它不仅仅是一个具体的算法更是一个可以持续演进和适配未来需求的系统架构蓝图。从实验室仿真走向外场试验下一步的关键是将这些算法模块嵌入到真实的基站基带处理单元中并在复杂的无线信道和真实的业务流量下验证其增益这将是通向6G ISAC商用的必经之路。
)
