【ISAC】6G低空经济新突破！协作式ISAC技术实现无人机精准感知与参数估计【附MATLAB代码】
代码获取：微信公众号 EW Frontier
6G低空经济新突破！协作式ISAC技术实现无人机精准感知与参数估计
论文题目
协作式感知通信一体化赋能低空经济
论文摘要
本文针对低空感知场景提出一种协作式感知通信一体化（ISAC）方案，旨在对无人机参数进行估计，并通过协作提升感知性能。该方案分为两个阶段：第一阶段借助张量分解模型构建单基地参数估计问题，利用因子矩阵的范德蒙结构提出空间平滑张量分解方案估计无人机参数，同时基于广义瑞利商设计降维到达角估计算法，进一步降低计算复杂度；第二阶段通过多基站间的数据融合确定无人机的位置与真实速度，先提出基于去伪最小生成树的数关联方法，实现基站参数估计结果与同一无人机的精准匹配，再分别设计帕累托最优方法和残差加权方案，完成无人机的位置和速度估计。本文还将该方法拓展至双极化系统，仿真结果验证了所提方案相较传统技术的有效性。
引言
在新一代5G-A和6G移动通信系统中，交通、旅游、农业、应急服务等领域的低空应用蓬勃发展，推动了低空经济的兴起，而无人机与基站间的交互是低空经济发展的关键。无人机需与基站通信完成数据传输，基站也需对无人机进行感知检测，防范非法入侵和碰撞风险，感知通信一体化（ISAC）由此成为极具潜力的解决方案，相较传统雷达部署，能同时实现优异的感知能力和高速的数据传输。
在低空感知场景中，ISAC架构按收发端空间部署分为单基地、双基地和多基地三类。双基地和多基地对基站部署位置与同步性要求较高，而单基地架构中基站同时发射感知符号并接收无人机反射的回波信号，简化了基站部署且提升了系统的异步容限，但传统单基地架构仍存在短板：远距离无人机感知性能因路径损耗变差，障碍物会大幅降低检测概率，且仅能从回波信号推导径向速度，无法完整获取无人机真实速度等综合状态。
为解决传统单基地架构的局限性，协作式ISAC框架应运而生。该框架中各基站先从回波信号估计目标参数，再将估计参数在云端融合，不仅能提升远距目标检测概率和网络覆盖，还能借助分布式基站的多方向感知获取更丰富的目标信息，降低估计误差并还原无人机三维真实速度。现有研究虽初步验证了协作式ISAC的潜力，但多聚焦单天线、单目标等特殊场景，缺乏适用于复杂实际场景的通用性：单基地参数估计的部分算法在多目标场景下，多维参数与同一目标的匹配问题尚未妥善解决；多基站协作中的数据关联问题，现有方法也仅适用于单天线架构。针对上述问题，本文为协作式ISAC框架下更通用的多天线、多目标感知场景，提出了一套完整的解决方案。
方法简介
本文提出的协作式ISAC方案为两阶段架构，同时设计了前期预处理步骤，并将方案拓展至双极化系统，核心方法围绕单基地参数估计和多基站数据融合定位测速两大核心展开，具体设计如下：
前期预处理步骤：为提升方案实用性，先通过波束扫描确定无人机大致位置，结合二元假设检验完成无人机检测；再利用最小描述长度准则，通过接收信号协方差矩阵的奇异值分解估计波束范围内的无人机数量；最后完成波束对准，将天线阵列分组并与无人机方向对准，为后续参数估计提供先验信息。
单基地参数估计（第一阶段）：首先构建三阶张量分解模型，将接收信号建模为空间、时间、频率维度的张量，结合无人机的到达角、多普勒频移、时延特性定义因子矩阵；其次利用因子矩阵的范德蒙结构，对张量进行空间平滑处理后通过截断奇异值分解、特征值分解恢复各因子矩阵；最后从恢复的因子矩阵中估计无人机的时延、距离、多普勒频移、径向速度等参数，针对到达角估计的高计算复杂度问题，基于广义瑞利商设计降维算法，将二维搜索转化为两次一维搜索，大幅降低复杂度。
多基站数据融合定位测速（第二阶段）：一是提出去伪最小生成树数关联方法，先由各基站的到达角和距离估计结果得到无人机粗略位置，构建无向加权图并去除虚假检测对应的孤立顶点，再通过最小生成树将多基站对同一无人机的估计结果聚类，实现精准数据匹配，相较穷举排列法复杂度更低且能排除虚假检测干扰；二是采用帕累托最优方法估计位置，定义距离损失函数和方向损失函数，以均值融合结果为粗略位置，在其周围构建格点并剔除劣解得到帕累托最优集，根据系统配置（子载波、天线数量）选择最优位置估计；三是提出残差加权方案估计真实速度，先将径向速度投影至三维空间构建方程，再通过基站分组、计算各组残差、按残差加权融合的步骤，得到鲁棒性更强的无人机真实速度估计，解决了传统加权最小二乘法对估计误差敏感的问题。
双极化系统拓展：将单极化下的三阶张量模型拓展为四阶张量，引入极化因子构建双极化感知信道矩阵，通过张量分解恢复融合了极化信息的因子矩阵，再通过奇异值分解实现极化因子与其他参数的解耦，最终完成参数估计，在天线阵列尺寸受限的情况下提升了估计精度。
此外，本文还对张量分解的唯一性进行分析，验证了所提方法能保证因子矩阵的正确恢复和参数的自动配对；同时完成了复杂度分析，量化了各步骤的计算量，证明了方法的工程可行性。
结论
本文针对低空感知场景提出了一套完整的协作式ISAC方案，涵盖单基地参数估计、多基站数据关联和多基站协作感知全流程。该方案先通过波束扫描、无人机检测、波束对准完成前期预处理，再利用张量分解模型实现单基地无人机多参数的精准估计，并设计降维算法降低计算复杂度；随后提出去伪最小生成树数关联方法，实现多基站估计结果与无人机的精准匹配，再分别通过帕累托最优方法和残差加权方案，提升无人机位置和真实速度的估计性能；同时将方案拓展至双极化系统，进一步提升了估计精度。
仿真结果充分验证了所提方案的优越性：单基地参数估计性能优于基于MUSIC和FFT的传统方法，计算效率更高；多基站数据关联方法在无人机数量较多时复杂度远低于穷举排列法；帕累托最优位置估计和残差加权速度估计，相较传统均值融合、加权最小二乘法，大幅提升了定位和测速精度；双极化系统的拓展设计在天线资源受限的情况下实现了性能提升。此外，将方案退化至单天线、单目标场景时，仍展现出优于现有先进方案的感知性能，且降低了云端传输开销和基站同步要求，证明了方案的通用性和工程应用价值。