Cooperative ISAC: An End-to-End Perspective - 教程

摘要集成感知与通信（Integrated Sensing and Communication, ISAC）自被确定为第六代（6G）移动通信的关键应用场景以来，引起了广泛关注。而协作式 ISAC 凭借大规模蜂窝基础设施的优势，以及无需全双工收发器的特性，受到移动运营商的青睐。

• 本文开始从链路层面出发，介绍了协作式 ISAC 环境的信道建模与关键技术，包括同步、波束管理以及先进感知算法。

• 从网络视角出发，文章探讨了优化的基站（BS）部署、接收节点选择以及网络干扰管理策略，以提升系统性能。

随后，引入了由新型多输入多输出（Multiple-Input Multiple-Output, MIMO）天线技术增强的协作式 ISAC。最终，分别展示了在 Sub-7 GHz 和毫米波频段下协作式 ISAC 系统的原型设计。户外环境下的实验结果验证了：仅需占用 3.5% 的通信容量和 200 MHz 带宽，即可在 500 米范围内实现 0.2 米的距离估计精度。

索引术语协作式，集成感知与通信（ISAC），多输入多输出（MIMO），原型。

文章目录

• • • Beam Management
    • AI Sensing Algorithm
  • PROTOTYPE DESIGN AND EXPERIMENTAL RESULTS
  • • Prototype at Millimeter Wave Band
    • • Synchronization Method Trial
    • Preliminary Prototype at Sub-7 GHz Band
    • • Hardware and Deployment
      • Frame Structure and Signal Design
      • Performance Evaluation

Beam Management

在实际场景中，当缺乏目标方向的先验知识时，需要进行波束扫描。波束成形器具有高方向性，意味着每个波束的空间覆盖范围较窄，要实现完整的空间覆盖需启用大量波束。每个波束都需专用的参考信号资源和测量上报（例如，接收信号参考功率（RSRP）/信干噪比（SINR）），从而带来显著的资源和信令开销。而波束密度不足则可能导致无法对准目标，造成反射信号弱、感知精度下降。此种权衡促使我们寻求优化的波束配置策略。

为了平衡开销与性能，大家采用一种包含波束过采样的两阶段波束管理方案。该方案在第一阶段确定粗略的目标范围，在第二阶段确定精细的波束方向。

1. Phase 1—Coarse Detection

• a) 节点 A 通过不同的模拟波束发送信号。

• b) 节点 B 测量不同波束下的 RSRP/SINR，并报告给节点 A。

• c) 节点 A 识别满足以下条件的相邻波束：
  $$|{\mathrm{RSRP}}_i-{\mathrm{RSRP}}_j|<T\text{且}\arg \underset{k}{\max }({\mathrm{RSRP}}_k)\in \{i,j\},\text{\hspace{1em}(15)}$$
  其中 $T$是预设阈值，$i$、$j$表示相邻波束索引。若条件满足，则进入 Phase 2；否则，节点 A 选择节点 B 报告的 RSRP/SINR 值最大的波束。

2. Phase 2—Refined Beamforming

• a) 节点 A 在合格的相邻波束（oversampled beams）之间生成过采样波束。
• b) 节点 B 评估并报告最优的过采样波束索引。

波束管理的一个重要方面是过采样波束的生成（generation of oversampled beams）。过采样波束的生成过程如下所述。假设最强的两个波束在水平方向上相邻，如图 2 中蓝色圆圈所示，对应波束索引$(k,l)$ 和 $(k,l+1)$。

• 对于波束 $(k,l)$，天线单元的垂直和水平相位分别为${\varphi }_{v,k}=2\pi k\cdot m/M$ 和 ${\varphi }_{h,l}=2\pi l\cdot n/N$。

• 类似地，对于波束$(k,l+1)$，天线单元的垂直和水平相位分别为${\varphi }_{v,k}=2\pi k\cdot m/M$ 和 ${\varphi }_{h,l+1}=2\pi (l+1)\cdot n/N$。

这里，利用增加过采样因子$O_v$ 和 $O_h$来细化波束方向。例如，如果垂直和水平方向均被细化为两倍的波束数量，则对应的过采样因子$O_v$ 和 $O_h$均为 2。在这种情况下，原始波束$(k,l)$对应的垂直和水平相位分别为$2{\varphi }_{v,k}/O_v$ 和 $2{\varphi }_{h,l}/O_h$，而原始波束$(k,l+1)$对应的垂直和水平相位分别为$2{\varphi }_{v,k}/O_v$ 和 $2{\varphi }_{h,l+1}/O_h$。

其余七个波束（绿色圆圈）的垂直和水平相位分别为$2\pi a\cdot m/(M\cdot O_v)$ 和 $2\pi b\cdot n/(N\cdot O_h)$，其中 $(a,b)$ 的组合值为 $(2k-1,2l)$、$(2k-1,2l+1)$、$(2k-1,2l+2)$、$(2k,2l+1)$、$(2k+1,2l)$、$(2k+1,2l+1)$ 和 $(2k+1,2l+2)$。生成的垂直和水平预编码矩阵如下：

$${\mathbf{W}}_v=\left[1,e^{j2\pi a/(M\cdot O_v)},\cdots ,e^{j2\pi a(M-1)/(M\cdot O_v)}\right]\text{\hspace{1em}(16)}$$

$${\mathbf{W}}_h=\left[1,e^{j2\pi b/(N\cdot O_h)},\cdots ,e^{j2\pi b(N-1)/(N\cdot O_h)}\right]\text{\hspace{1em}(17)}$$

最终合成的预编码矩阵如下：

$$\mathbf{W}=\left[{\mathbf{W}}_h,e^{j2\pi a/(M\cdot O_v)}{\mathbf{W}}_h,\cdots ,{\mathbf{W}}_h{e}^{j2\pi a(M-1)/(M\cdot O_v)}\right]\text{\hspace{1em}(18)}$$

多目标感知可借助时分（time division）或多个面板（multipanel）搭建（每个面板生成一个波束）。此外，若两个目标彼此靠近且由一个模拟波束服务，则在混合波束成形结构下，也可生成具有更精细波束的不同数字预编码器，从而在空间维度上区分不同目标。

AI Sensing Algorithm

在三维场景中，常常存在多个散射中心。这些散射相互作用使得电磁（EM）逆问题高度非线性且严重不适定，导致传统人工智能模型无法有效捕捉电磁属性的完整空间变化 [28]。就是前几节已探讨了在视距（LOS）或稀疏多径条件下感知算法和波束管理策略。然而，对于现实且艰难的目标，独特

传统的AI模型，如卷积神经网络（CNNs）[29]、循环神经网络（RNNs）以及基于标准Transformer的架构 [30]，在应用于高维逆散射问题时通常表现出有限的泛化能力。即使使用大规模训练数据集，这些模型也通常作为黑箱回归器进行训练，而没有显式地融入电磁传播的基本物理原理 [31], [32], [33], [34]。因此，它们对噪声高度敏感，对未知几何结构的鲁棒性较差，并且在推理过程中计算成本过高 [35], [36]。

在多重散射条件下。就是相比之下，模型辅助或物理信息神经网络（model-assisted or physics-informed neural networks，PINNs）[35] 已被提出，用于将物理约束集成到神经网络架构中。尽管这些技巧展现出潜力，但它们往往难以捕捉逆电磁问题中固有的多模态后验分布，尤其

为克服这些局限性，大家提出使用扩散模型，这是一种生成模型，旨在借助序列去噪过程学习复杂数据的后验分布（posterior distribution of complex data） [37]。近期研究 [38], [39] 表明，扩散模型在测量噪声下具有更强的鲁棒性，能更好捕捉逆预测中的不确定性，并且即使在低素材条件下也能提供具有竞争力的性能。这些特性对于电磁属性感知尤为有利，因为在从背向散射场观测到介电常数剖面的逆映射过程中，系统是病态的且对扰动敏感。

本工作中选择扩散模型的关键动机总结如下：

1. 对噪声的鲁棒性：扩散模型通过迭代去噪实现重建，因此在低信噪比（SNR）条件下仍能给予稳定的重构结果。
2. 概率推理能力：与确定性人工智能模型不同，扩散模型从学习到的概率分布中采样，从而产生更可靠的结果，并可量化不确定性。
3. 跨场景泛化能力：训练好的扩散模型能够更好地推广到未见过的目标配置和测量域中。

PROTOTYPE DESIGN AND EXPERIMENTAL RESULTS

在本节中，我们展示了三种原型设计，用于实验性地验证我们 ISAC 框架的关键理论。

• 毫米波原型展示了同步误差抑制方法，通过我们的参考路径同步方法实现了亚米级精度。

• sub-7 GHz 原型利用现有的 5G 基础设施验证了多节点协作式 ISAC 的构建，

• 而伪 MIMO 原型则在与具有相似硬件成本的混合 MIMO 相比的情况下，验证了更高的感知精度。

Prototype at Millimeter Wave Band

毫米波频段的 ISAC 原型设计用于利用一系列操作处理接收到的 OFDM 信号，包括信号采样、解调和数字信号处理。高速模数转换器（ADCs）捕获入射的毫米波信号，确保对接收的 OFDM 波形进行准确采样。采样信号经过快速傅里叶变换（FFT），以提取频域子载波。应用信道估计和均衡技术以完成鲁棒的信号恢复，随后进行数字信号处理（DSP）操作，以高精度估计目标参数。

该原型的中心频率为 26 GHz。感知带宽和通信带宽均为 200 MHz。系统配备一个 16×16 的天线阵列，共 256 根天线，等效全向辐射功率（EIRP）为 58 dBm。感知和通信均采用 OFDM 波形。对于 6G 帧结构，感知符号可在时间时隙中的任意位置配置，感知与通信功能采用时分方案，感知资源分配比为$1/28$。

在实验中，两个基站通过光纤连接（fiber connection）建立同步。协作式感知系统的架构级测试床架构如图 11 所示。该系统的硬件由射频前端和基带板组成，用于生成和处理反射信号。经过信号处理后，可获得无人机（UAV）的距离、角度和速度信息。

在实地实验中，无人机路径的传播距离约为 500 m。测试场景如图 12(a) 所示。目标位于发射机正上方，高度为 500 m。所获得的距离估计结果的示例测量结果如图 12(b) 所示，其中显示了对无人机高度的估计值。通过多次试验，我们实现了亚米级的距离估计精度，验证了所提出原型的有效性 [11]。

Synchronization Method Trial

同步方案验证装置如图 13 所示。该原型包括发射机、接收机、UE 和处理单元。在实验中，两个基站通过“同步”部分所述的参考路径同步办法进行同步，目标感知则通过“同步”部分中的 DFT 处理实现。通过发送通信参考信号，接收机捕获由目标反射的回波信号，其处理单元应用“同步”部分所述的技术达成同步。与此同时，UE 接收通信信号并测量传输速率。

为了评估同步技巧的性能，实验在 4 到 6 m 的测试范围内进行。目标将被放置在此范围内，以评估同步精度和距离估计性能。发射机与接收机之间的同步通过光纤直连和空中接口两种方式实现，分别用于校准和评估。同步完成后，将测量目标的距离，并分析估计误差。实验结果表明，在空中接口同步情况下，距离估计精度为 0.2 m；在直接光纤连接情况下，精度为 0.16 m。

通信性能也进行了测试。一个角形天线作为用户设备（UE），用于接收和处理通信信号。体系采用 16-正交幅度调制（QAM）传输数据流，在无导频信号开销的情况下，实现了约 683.78 Mbps 的传输速率。

此外，基于该同步方案的协作感知预商用产品（precommercial products）已研发完成。在多个城市的 4.9 GHz 频段试验中，系统展示了 10 m 的定位精度，角度估计误差为$1^{\circ }$。

Preliminary Prototype at Sub-7 GHz Band

Hardware and Deployment

此外，基于现有的 5G 网络基础设施，开发了一个 sub-7 GHz 原型，旨在利用多节点协作式 ISAC 体系。该原型由多个在 sub-7 GHz 频段运行的有源天线单元（AAUs）组成，每个 AAU 调整为双极化均匀平面阵列（dual-polarized uniform planar array，UPA）。UPA 元素在方位角和俯仰维度上均进行了排列，从而支持灵活的波束成形，以提升感知和通信性能。

对于 UPA 配置，方位角方向上的元素数量等同于射频链的数量，而在俯仰方向上，多个天线元件共享一个射频链。部署场景包括多个基站作为发射和接收节点，形成协作式感知网络。

sub-7 GHz 原型接收节点（receiving node for sensing）的框图如图 14 所示。该 sub-7 GHz 原型主要由一个 AAU、一个建筑基带单元（BBU）和一个感知功能（SF）组件构成。AAU 包括一个射频（RF）单元和一个 FPGA，主要用于接收 RF 信号并获取 ISAC 信息。随后，它通过通用公共无线电接口（common public radio interface，CPRI）将这些数据传输到 BBU。

• BBU 包括一个 FPGA、第一层（L1）和第二层（L2）。对于在感知方面，FPGA 对采样数据执行信号预处理。L1 层代表物理层，利用感知集成处理单元来估计目标的距离、速度和角度。所得测量结果通过前传应用编程接口（FAPI）传输至 L2 层。L2 层代表高层，负责计算目标的位置。

• SF 组件负责多节点信号融合，整合来自多个节点的数据以获得更精确的感知结果。在通信方面，FPGA 对通信信息进行预处理，继而将其发送至 L1–L2 层进行解码。

Frame Structure and Signal Design

无线帧结构遵循 5G 标准中规定的原则，以确保与现有网络的兼容性。发射窗口和接收窗口的调整与协作感知需求对齐，为回波信号的采集预留了充足的时间。该原型支持在帧结构内动态分配感知资源，从而便于建立自适应感知操作。时分双工（TDD）帧结构如图 15 所示，其中发射节点与接收节点采用不同的配置。

关于参考信号设计，原型采用优化的信号模式和基础序列，包括Gold序列和Zadoff-Chu（ZC）序列，以实现高分辨率感知，同时保持与通信信号的兼容性。在以通信为中心的ISAC中，原型复用5G参考信号，以最大化频谱效率并最小化网络修改。

Performance Evaluation

原型计划部署于真实环境中，以在实际条件下评估感知性能。关键性能指标将包括检测概率和定位精度。评估旨在研究协作式感知相较于单节点感知如何提升目标检测能力，专门是在困难传播环境中。

这些实验验证将为未来6G协作感知系统设计提供关键洞见，突出利用现有5G基础设施开展ISAC应用的优势。