RAA在OFDM-ISAC系统中的高精度感知与通信优化
1. RAA在OFDM-ISAC系统中的技术背景解析
在6G通信与感知一体化（ISAC）系统中，低空无人机群（UAV swarm）的精确感知与高效通信面临着前所未有的技术挑战。传统均匀线性阵列（ULA）在应对大角度入射信号时，其角分辨率会显著下降，导致密集无人机目标的识别困难。而旋转天线阵列（RAA）通过创新的阵列几何设计，实现了全角度范围内均匀的角分辨率分布，为这一难题提供了突破性的解决方案。
RAA的核心设计思想是将多个小型均匀线性子阵列（sULA）按照特定角度间隔排列成环形结构。每个sULA包含M=128个天线元素，相邻sULA之间的角度间隔为arcsin(2/M)。这种设计使得每个sULA只需负责一个狭窄的入射角度范围（约0.3π的3dB波束宽度），从而可以采用高方向性天线元件（峰值增益5.1335dB），相比传统ULA的全向覆盖（增益0dB）显著提高了波束成形增益。
在OFDM-ISAC系统中，RAA与正交频分复用技术的结合具有独特优势：
- OFDM信号固有的频域正交性为多目标参数估计提供了天然的分辨维度
- 循环前缀（CP）设计有效克服了多径时延扩展的影响（Tcp=0.67μs > max(τl)）
- 频域信号处理与空域波束成形的协同优化，实现了通信与感知的性能平衡
2. RAA系统模型与信号处理流程
2.1 系统参数配置
基于3GPP天线模型的系统关键参数配置如下表所示：
| 参数 | 符号 | 取值 |
|---|---|---|
| 载波频率 | fc | 39GHz |
| 系统带宽 | B | 61.44MHz |
| 子载波数 | Nsc | 512 |
| OFDM符号数 | Msym | 2048 |
| 子载波间隔 | Δf | 120kHz |
| 射频链数量 | NRF | 8 |
| sULA天线数 | M | 128 |
| sULA总数 | N | 201 |
2.2 接收信号处理流程
接收信号处理包含以下关键步骤：
信号分块与CP去除： 接收信号y(t)被分割为Msym个持续时间为Ts=9μs的块，第q个块的信号表示为：
y_q(t) = y(t + qT_s)\text{rect}(t/T_s)去除循环前缀后得到：
\bar{y}_q(t) = y_q(t + T_{cp})\text{rect}(t/T)频域变换与张量构建： 对每个符号进行Nsc=512点FFT，构建空间-频率-时间三维张量Y∈ℂ^(NRF×Nsc×Msym)，其元素表示为：
Y_{:,p,q} = S\sum_{l=0}^L \bar{\alpha}_l r(\theta_l)d_{pq}e^{-j2πpΔfτ_l}e^{j2πf_{D,l}qT_s} + SZ_{p,q}其中fD,l为多普勒频移，τl为时延，αl为路径衰减系数。
通信与感知信号分离：
- 通信信道估计：
h^c_{pq} = S\sum_{l=0}^L \bar{\alpha}_l r(\theta_l)e^{-j2πpΔfτ_l}e^{j2πf_{D,l}qT_s} - 感知信号通过数据去除得到：
\bar{Y}_{:,p,q} = Y_{:,p,q}/d_{pq} = \sum_{l=0}^L \bar{\alpha}_l h_s(θ_l)e^{jω^l_u p}e^{jω^l_v q} + n_s
- 通信信道估计：
3. 基于MUSIC的高精度AoA估计算法
3.1 信号子空间重构
将三维感知信号张量¯Y重组为NRF×NscMsym的矩阵Yθ：
Y_θ(:, n_{p,q}) = \bar{Y}_{:,p,q}, \quad n_{p,q} = p + qM_{sym}其协方差矩阵为：
C_Y = \frac{1}{N_{sc}M_{sym}}Y_θ^H Y_θ = E_sΣ_sE_s^H + E_nΣ_nE_n^H通过特征值分解，获得信号子空间Es和噪声子空间En。
3.2 空间谱估计
构建MUSIC空间谱：
P_{MUSIC}(θ) = \frac{1}{h_s^H(θ)E_nE_n^H h_s(θ)}通过搜索谱峰位置获取AoA估计值ˆθl。RAA的特殊结构使其在大角度入射时仍保持高分辨率，如图5所示，当目标AoA为16°-25°时，RAA能清晰分辨0.5°间隔的目标，而ULA已出现明显的角度模糊。
关键技巧：在实际实现中，建议采用3dB波束宽度先验信息缩小角度搜索范围，可降低75%以上的计算复杂度。对于θmax=π/2的RAA，搜索步长设置为0.1°即可满足大多数应用需求。
4. 时延-多普勒联合估计技术
4.1 零空间波束成形（ZF）
针对第k个目标，设计ZF波束成形向量：
h_{ZF}(ˆθ_k) = \frac{\hat{H}_k h_s(ˆθ_k)}{||\hat{H}_k h_s(ˆθ_k)||_2}其中ˆHk为排除ˆθk方向后的阵列流型矩阵。波束成形后信号：
Y^k_{p,q} ≈ h_{ZF}^H(ˆθ_k)h_s(θ_k)e^{jω^l_u p}e^{jω^l_v q} + h_{ZF}^H(ˆθ_k)n_s4.2 二维周期图算法
对波束成形后的信号执行(Nsc,Msym)点2D周期图计算：
\bar{Y}^l_{p',q'} = \text{FFT}_p\{\text{IFFT}_q\{Y^l_{p,q}\}\}通过搜索峰值位置(ˆp'l, ˆq'l)转换为时延和多普勒估计：
\hat{τ}_l = \frac{\hat{p}'_l}{N_{sc}Δf}, \quad \hat{f}_{D,l} = \frac{\hat{q}'_l}{M_{sym}T_s}图7展示了五个目标的时延-多普勒分布，经ZF波束成形后各目标信号被有效分离。实测表明，采用4倍过采样和零填充可将时延估计精度提升至纳秒级。
5. 性能优化与工程实现要点
5.1 计算复杂度优化
并行化架构设计：
- AoA估计与波束成形可并行处理不同角度区间
- 各子载波的FFT/IFFT运算可采用GPU加速
内存管理策略：
# 示例：分块处理大数据张量 block_size = 256 # 根据GPU内存调整 for i in range(0, N_sc, block_size): Y_block = Y[:, i:i+block_size, :] # 在GPU上处理当前块 process_on_gpu(Y_block)
5.2 参数选择建议
FFT点数权衡：
- 时延分辨率：Δτ=1/(NscΔf)≈16.3ns
- 多普勒分辨率：ΔfD=1/(MsymTs)≈54Hz
- 实际应用中可适当降低点数平衡性能与复杂度
抗干扰设计：
- 对强直达径信号进行空域对消
- 采用鲁棒性更强的root-MUSIC变种算法
6. 实测性能对比与分析
6.1 角度估计性能
图8的RMSE曲线显示，当AoA>60°时，ULA的估计误差急剧上升至0.1°以上，而RAA保持约0.01°的稳定精度。图9的漏检统计表明，在-100°至-80°区间，ULA平均漏检2.3个目标，RAA则保持全检测。
6.2 通信速率对比
图10的通信速率测试显示：
- RAA定向模式：峰值速率25.3bps/Hz
- RAA全向模式：18.7bps/Hz
- ULA定向模式：21.2bps/Hz
- ULA全向模式：15.0bps/Hz
RAA的速率优势源于其更高的波束成形增益和更精确的信道估计。
7. 实际部署考量
校准要求：
- 需定期进行阵列校准补偿sULA间的相位误差
- 建议采用内置校准信号源实现在线校准
硬件实现：
// 示例：波束成形权重实时计算模块 module zf_weights_calc ( input [15:0] theta_est, output [31:0] weight_real, output [31:0] weight_imag ); // 基于CORDIC算法实现复数权重计算 endmodule环境适应性：
- 针对雨衰效应加强39GHz频段的链路预算
- 采用自适应调制编码（AMC）应对信道波动
在无人机群跟踪场景中，RAA的均匀角度分辨率特性使其能持续保持对高速机动目标的稳定跟踪，而传统ULA在目标转向时容易出现跟踪丢失。实测数据显示，对于5架间距0.5°的无人机群，RAA的联合参数估计成功率达到98.7%，比ULA方案提升43个百分点。