ISAC端到端学习框架：硬件损伤下的通信感知协同优化

1. 项目概述：硬件损伤下的ISAC端到端学习框架

在无线通信与感知一体化（ISAC）系统中，硬件损伤一直是影响性能的关键瓶颈。传统方法通常采用基于通信性能优化的阵列校准技术，但这种方法往往忽视了硬件缺陷对感知功能的残余影响。我们提出的基于模型的端到端学习框架，通过创新性地结合可微分信号处理与参数化硬件损伤建模，实现了通信与感知性能的协同优化。

这个框架的核心价值在于解决了三个行业痛点：

1. 硬件损伤的联合补偿：传统系统对发射机和接收机的硬件损伤采取分离处理，而我们实现了端到端的联合优化
2. 多目标感知的精度提升：通过可微分正交匹配追踪（OMP）算法，在存在硬件损伤时仍能保持高精度的多目标检测与定位
3. 通信-感知的智能权衡：创新的ISAC波束成形器设计，通过可学习参数动态调整通信与感知的资源分配

2. 系统模型与问题建模

2.1 硬件损伤下的ISAC系统架构

我们考虑一个共址的ISAC收发机系统，其核心组件包括：

• 天线阵列：K单元均匀线性阵列(ULA)，工作频率fc
• 波形设计：采用S子载波的OFDM信号，带宽B=SΔf
• 硬件损伤模型：

  # 结构化损伤建模示例（天线间距误差） def perturbed_steering_vector(theta, d, K, lambda_): return np.array([np.exp(-1j*2*np.pi*(k-(K-1)/2)*d[k]*np.sin(theta)/lambda_) for k in range(K)])

硬件损伤主要影响天线阵列的导向矢量，表现为：

1. 非结构化损伤：导向矢量整体失真，需K×Nθ个参数描述
2. 结构化损伤：如天线位置误差，仅需K个实数参数描述

2.2 信号模型关键方程

传感信道模型： Y_r = Σ(ψ_t a(θ_t)aᵀ(θ_t)f[x(m)⊙ρ(τ_t)]ᵀ) + W

通信信道模型： y_c = Σ(ψ̃_t aᵀ(θ̃_t)f[x(m)⊙ρ(τ̃_t)]) + n

其中关键参数：

• ψ_t：目标反射系数（含RCS模型）
• ρ(τ)=[exp(-j2πsΔfτ)]：时延相位项
• f：ISAC波束成形向量

3. 核心算法设计

3.1 可微分OMP算法

传统OMP算法在硬件损伤下性能受限，我们提出改进方案：

def diff_OMP(Y_r, Phi_a, Phi_d, max_iter): residual = Y_r support = [] for iter in range(max_iter): # 可微分峰值检测 L = abs(Phi_a.H @ residual @ Phi_d.conj())**2 idx = differentiable_argmax(L) # 使用soft-argmax # 凸组合估计 theta_est = weighted_sum(angle_grid, softmax(L[window])) tau_est = weighted_sum(delay_grid, softmax(L[window])) # 残差更新 atom = Phi_a[:,theta_idx] @ Phi_d[:,tau_idx].H residual -= (residual, atom) * atom return estimates

创新点包括：

1. 可微分峰值检测：替换传统argmax为soft-argmax
2. 非网格估计：通过凸组合获得超分辨率估计
3. 梯度传播：保持整个计算图的微分特性

3.2 双模波束成形设计

ISAC波束成形器采用加权组合方案： f(η,φ) = √P (√η f_r + √(1-η)e^{jφ}f_c)/||·||

其中可学习参数包括：

• 字典学习：直接优化Φ_a ∈ C^{K×Nθ}
• 损伤学习：优化硬件参数d ∈ R^K

4. 端到端训练策略

4.1 多任务损失函数

class ISACLoss(nn.Module): def __init__(self, gamma, mu, p, omega_r): super().__init__() self.gamma = gamma # 截断距离 self.mu = mu # 基数惩罚权重 self.p = p # 范数阶数 self.omega_r = omega_r # 传感权重 def gospa(self, pred, truth): # 实现GOSPA度量 ... def forward(self, sense_pred, comm_pred, sense_truth, comm_truth): sense_loss = self.gospa(sense_pred, sense_truth) comm_loss = F.cross_entropy(comm_pred, comm_truth) return self.omega_r*sense_loss + (1-self.omega_r)*comm_loss

4.2 训练流程关键步骤

1. 数据生成：模拟不同硬件损伤下的信道条件
2. 前向传播：
   • 通过可微分ISAC发射机生成信号
   • 模拟信道传播与硬件损伤效应
   • 可微分接收机处理
3. 反向传播：梯度通过整个信号链回传
4. 参数更新：同时优化波束成形和损伤参数

关键提示：训练初期应使用较大的ω_r值（如0.8），优先保证传感性能收敛，再逐步平衡通信性能

5. 实现细节与性能优化

5.1 复杂度分析

实测表明，在K=64，Nθ=180时：

• 字典学习：11,520参数
• 损伤学习：64参数
• 传统深度学习方法：>100,000参数

5.2 实际部署考量

1. 硬件校准：

   • 定期采集实际阵列响应
   • 与模型预测结果比对
   • 更新损伤参数d

2. 在线适应：

def online_adaptation(rx_signal, model, lr=1e-4): optimizer = torch.optim.Adam(model.parameters(), lr=lr) for _ in range(adapt_steps): pred = model(rx_signal) loss = compute_loss(pred, reference) loss.backward() optimizer.step() return updated_model

3. 联合优化策略：
   • 固定其他参数，单独优化相位φ
   • 交替优化传感与通信权重η
   • 采用课程学习策略逐步增加损伤强度

6. 性能评估与对比

6.1 基准测试结果

在T=5目标场景下，与传统方法对比：

6.2 典型问题排查

1. 梯度消失问题：

   • 症状：训练早期loss不下降
   • 解决方案：在softmax前加入温度系数τ

   softmax = nn.Softmax(dim=-1) logits = logits / tau # 初始τ=10，逐步降至1

2. 过拟合问题：

   • 症状：训练集性能远优于测试集
   • 解决方案：
     • 在Φ_a上施加低秩约束
     • 添加硬件损伤的随机扰动

3. 收敛不稳定：

   • 症状：loss剧烈震荡
   • 调整策略：
     • 采用梯度裁剪(max_norm=1.0)
     • 使用学习率warmup

7. 扩展应用与未来方向

本框架可扩展至以下场景：

1. 毫米波系统：通过替换导向矢量模型
2. 移动终端：增加多普勒估计模块
3. 分布式ISAC：协同多节点参数学习

实际部署中发现，将损伤参数d初始化为小随机值（σ=0.01λ）比零初始化收敛更快。对于关键任务场景，建议采用集成方法，组合多个损伤模型的预测结果。