ISAC波束成形优化：通信与感知协同设计

1. ISAC波束成形优化：通信与感知的协同设计

在自动驾驶、智能工厂等新兴应用中，无线通信系统不仅需要传输数据，还需具备环境感知能力。传统方案采用独立的通信和雷达系统，导致频谱利用率低下且硬件成本高昂。集成感知与通信(ISAC)技术通过共享射频信号、硬件平台和频谱资源，实现了两种功能的深度协同。

波束成形作为多天线系统的核心技术，在ISAC中面临独特挑战：需要同时优化通信速率（Sum Rate）和感知精度（CRLB）。这两个指标都是高度非凸的函数，传统优化方法难以处理。更复杂的是，通信用户与雷达目标往往位于不同空间方向，波束图案需要动态平衡两者的需求。

我们团队提出的结构化优化方法，通过逐次凸近似(SCA)框架将原问题分解为可高效求解的凸子问题序列。关键在于发现了CRLB优化的最优波束成形结构，使得在不损失性能的前提下，可将雷达信号流维度从N_t降低到N_s（N_s ≤ N_t），计算复杂度从O(N_t^3)降至O(N_s^3)。实测表明，在64天线基站服务8个用户、检测5个目标的场景中，算法耗时仅为传统SDR方法的1/7。

2. 系统建模与问题构建

2.1 信号传输模型

考虑配备N_t发射天线和N_r接收天线的单站ISAC系统，采用均匀平面阵列(UPA)布局。基站同时向K个单天线用户发送通信信号，并利用回波信号检测M个目标。第l个时隙的发射信号为：

x[l] = W_c*s_c[l] + W_s*s_s[l]

其中W_c∈C^{N_t×K}和W_s∈C^{N_t×N_s}分别是通信和感知的波束成形矩阵，s_c[l]和s_s[l]为对应的信号流。与传统MIMO雷达不同，我们允许N_s ≤ N_t，通过降低雷达流维度来减少计算开销。

2.2 通信性能度量

用户k接收到的信号为：

y_k[l] = h_k^H*w_ck*s_ck[l] + Σ_{j≠k}h_k^H*w_cj*s_cj[l] + h_k^H*W_s*s_s[l] + n_k[l]

其中h_k∈C^{N_t×1}是信道向量，n_k[l]∼CN(0,σ_ck^2)为加性噪声。通信性能采用和速率(SR)衡量：

SR = Σ_{k=1}^K log(1 + |h_k^H*w_ck|^2 / (Σ_{j≠k}|h_k^H*w_cj|^2 + ||h_k^H*W_s||_F^2 + σ_ck^2))

2.3 感知性能度量

雷达回波信号包含目标方位角θ_m、俯仰角φ_m和雷达截面积α_m等信息。采用克拉美罗下界(CRLB)作为感知精度的理论极限，其Fisher信息矩阵(FIM)为：

F = 2L/σ_s^2 * [ℜ{F11} ℜ{F12} ℜ{F13} -ℑ{F13}; ℜ{F12}^T ℜ{F22} ℜ{F23} -ℑ{F23}; ℜ{F13}^T ℜ{F23}^T ℜ{F33} -ℑ{F33}; -ℑ{F13}^T -ℑ{F23}^T -ℑ{F33}^T ℜ{F33}]

其中各子矩阵F11-F33的表达式涉及阵列导向向量a(θ,φ)、b(θ,φ)及其导数（详见原文(9)式）。最终感知性能指标取tr(F^{-1})。

2.4 优化问题构建

建立通信-感知权衡优化问题：

max_W δ_c*SR - δ_s*tr(F^{-1}) s.t. tr(WW^H) ≤ P_t

其中δ_c和δ_s为权重因子，P_t为发射功率预算。该问题的挑战在于：

1. SR和CRLB都是非凸函数
2. FIM具有复杂的块矩阵结构
3. 需处理高维波束成形矩阵W=[W_c,W_s]

3. 基于SCA的两层优化框架

3.1 全功率传输特性

命题1：问题(11)的任何局部最优解都满足tr(WW^H)=P_t。因此可将不等式约束转化为等式约束。

这一特性源于目标函数对功率的单调性，允许我们后续在球面约束上直接进行投影操作。

3.2 第一层SCA：目标函数凸近似

针对非凸的SR和CRLB项，分别构建替代函数：

1. 通信项处理（基于Lemma 2）：

r_k^[t] = log(1+ξ_k^[t]) + 2ℜ{h_k^H*w_ck*η_k^[t]} - ξ_k^[t] - β_k^[t]*(Σ|h_k^H*w_cj^[t]|^2 + ||h_k^H*W_s^[t]||_F^2 + σ_ck^2)

其中辅助变量ξ_k、η_k、β_k按(16)式更新。

2. 感知项处理（基于Lemma 3）：

-tr(F^{-1}) ≤ tr(FΦ^[t]) - 2tr(F^[t]), Φ^[t]=F^[t]^{-2}

得到凸近似子问题：

max_W δ_c*Σr_k^[t] + δ_s*(tr(FΦ^[t])-2tr(F^[t])) s.t. tr(WW^H)=P_t

3.3 第二层SCA：QCQP问题求解

将子问题转化为矩阵形式：

max_W 2δ_cℜ{tr(W_cΣ1^[t]H^H)} + δ_sℜ{tr(WW^HQ^[t])} -δ_ctr(WW^HHΣ2^[t]H^H)

其中Q^[t]由(23)-(24)式计算，包含FIM各子块的加权组合。

通过引入参数λ，构造等效TRP问题：

max_W 2ℜ{tr(W^HC1^[t])} + tr(WW^HC2^[t])

其中C2^[t] = λI + 1/2δ_s(Q^[t]+Q^[t]H) - δ_cHΣ2^[t]H^H。选择λ为δ_cHΣ2^[t]H^H - 1/2δ_s(Q^[t]+Q^[t]H)的主特征值绝对值，确保C2^[t]半正定。

最终采用投影梯度法更新：

W^[t+1] = Π_B(C1^[t] + C2^[t]W^[t]) Π_B(X) = sqrt(P_t/tr(XX^H)) * X

4. 最优波束成形结构分析

4.1 结构推导

利用拉格朗日对偶理论，我们推导出CRLB优化的最优波束成形具有如下结构：

W_s^* = U_s * Diag(sqrt(p_s)) * V^H

其中U_s∈C^{N_t×N_s}包含信道矩阵H的零空间基，p_s为功率分配向量，V为酉矩阵。这表明：

1. 雷达信号应分布在通信信道的零空间
2. 所需雷达流维度N_s可远小于天线数N_t
3. 剩余自由度用于干扰消除和速率最大化

4.2 维度缩减原理

传统MIMO雷达需要N_s=N_t以保证自由度，而ISAC中：

• 当N_s ≥ M（目标数）时，CRLB性能趋于饱和
• 实际可取N_s=2M（方位+俯仰估计） 在仿真中，当N_t=64、M=5时，N_s从64降至10仅引起CRLB轻微恶化(0.2dB)，但计算复杂度降低约85%。

5. 实现细节与性能验证

5.1 算法流程

完整的两层SCA算法如Algorithm 1所示：

1. 初始化：随机生成满足功率约束的W^[0]
2. 第一层更新：计算SR和CRLB的替代函数参数
3. 第二层更新：求解凸近似子问题，投影到功率约束球面
4. 收敛判断：目标函数变化量<1e-4或迭代超限

5.2 复杂度分析

每轮迭代主要开销来自：

1. FIM计算：O(M^2N_t^2)
2. 矩阵求逆：O(M^3)（因FIM块稀疏，可加速）
3. 特征值分解：O(N_t^3)（仅需主特征值） 总复杂度O(T(N_t^3 + M^2N_t^2))，T为迭代次数（典型值20-30）

相比SDR的O(N_t^6.5)和FP的O(TN_t^4)，本方法在大规模系统中优势明显。

5.3 仿真结果

在N_t=64, K=8, M=5的UPA系统中测试：

• 和速率：相比SDR仅损失3%，但计算时间从7.2s降至1.1s
• CRLB：在δ_s/δ_c=1时优于FP方案0.5dB
• 收敛性：通常15-20次迭代可达稳定

6. 工程实践中的关键考量

6.1 信道估计误差影响

实测表明，当信道估计误差<-10dB时，性能损失可忽略。建议：

1. 采用鲁棒波束成形设计
2. 增加导频开销至15%-20%
3. 引入误差补偿项到FIM计算

6.2 硬件非理想因素

实际部署需考虑：

1. 相位噪声：需校准至≤1° RMS
2. 放大器非线性：建议采用DPD预失真
3. 天线耦合：UPA中需保证隔离度>25dB

6.3 参数选择指南

1. 雷达流维度：N_s=2M~3M
2. 权重因子：δ_s/δ_c=0.5~2（视应用场景）
3. 迭代停止阈值：1e-4（性能与耗时折衷）

我们在某汽车试验场采用4×8 UPA（f_c=28GHz）实测，成功在100Mbps通信速率下实现0.1°角度估计精度，验证了方案的实用性。