【ISAC】STARS Enabled Integrated Sensing and Communications: A CRB Optimization Perspective

【1】X. Liu, T. Huang, N. Shlezinger, Y. Liu, J. Zhou and Y. C. Eldar, “Joint Transmit Beamforming for Multiuser MIMO Communications and MIMO Radar,” in IEEE Transactions on Signal Processing, vol. 68, pp. 3929-3944, 2020

1-Introduction

1.1-RIS

dynamically adjusting its passive beamforming to enhance communication performance.
动态调整无源波束，以提升通信性能。
RIS可以通过建立或增强与目标之间的视距（LoS）连接，从而显著提升感知性能，特别是在复杂环境中。

RIS 需要传感目标或通信用户与基站（BS）位于同一侧 $\Rightarrow$ STARS可以360度。

2-系统模型

均匀线性阵列（uniform linear array，ULA）：$M$根天线.
均匀平面阵列（uniform planar array，UPA）: $N$个传输反射（T-R）元件， $\mathcal{N}$表示集合.
一个感知用户， $K$个单天线通信用户，$\mathcal{K}$.
Without loss of generality

2.1-感知模型

发射和反射系数矩阵：${\Theta }_t\in {\mathbb{C}}^{N\times N}$ \quad ${\Theta }_r\in {\mathbb{C}}^{N\times N}$

Θ i = d i a g ( β i , 1 e j φ i , 1 , … , β i , N e j φ i , N ) , ∀ i ∈ { t , r } . \boldsymbol{\Theta}_i=\mathrm{diag}\left(\beta_{i,1}e^{j\varphi_{i,1}},\ldots,\beta_{i,N}e^{j\varphi_{i,N}}\right),\quad\forall i\in\{t,r\}. Θi​=diag(βi,1​ejφi,1​,…,βi,N​ejφi,N​),∀i∈{ t,r}.

• ${\beta }_i,n\in [0,1]$ 和${\phi }_{i,n}\in [0,2\pi )$ 表示第n个传输反射（T-R）元件幅度和角度偏移.
• ${\beta }_{t,n}^2+{\beta }_{r,n}^2=1,0\le {\beta }_{t,n},{\beta }_{r,n}\le 1,\forall n\in \mathcal{N}.$表示能量守恒.

挑战：

• 感知信号的路径损耗. $\Rightarrow$ STARS部署了低成本传感器执行感知，而不是基站.
• 通信半空间的杂波干扰. $\Rightarrow$ 假设干扰被阻塞.

2.2-信号模型

The signal s(t) is the dedicated sensing signal for achieving the full DoFs of target sensing [9].

In such a dual-function system, the available degrees of freedom (DoF) for the MIMO radar waveform, which affects the resulting radar beam pattern, is equal to the number of communication users.【1】
系统资源是共享，雷达的自由度受到通信系统用户数量的限制，自由度即控制雷达波形的独立参数数量，雷达也需要为每个用户提供适当的信号质量，而这限制了雷达波形设计的灵活性。

the covariance matrix with general rank. 其中general rank是什么意思？

说“协方差矩阵具有一般秩 (general rank)”时，意味着这个矩阵的秩可以是任意的，即它不一定是满秩，也不一定是低秩。它可以具有不同的秩，具体取决于随机向量 $\mathbf{x}$ 的分布特性。

基站发射信号$\mathbf{x}(t)=\mathbf{Pc}(t)+\mathbf{s}(t)={\sum }_{k\in \mathcal{K}}{\mathbf{p}}_k{c}_k(t)+\mathbf{s}(t),$

• $\mathbf{P}=[{\mathbf{p}}_1,\dots ,{\mathbf{p}}_K]\in {\mathbb{C}}^{M\times K}$：波束赋形器.
• $\mathbf{c}(t)=[c_1(t),\dots ,c_K(t){]}^T\in {\mathbb{C}}^{K\times 1}$: 信息流.
• $s(t)$：感知信号. $\mathbf{s}(t)={\sum }_{i=1}^{{\mathcal{E}}_s}{\tilde{\mathbf{s}}}_i(t)$
• ${\mathbf{R}}_{\mathrm{S}}=\mathbb{E}[\mathbf{s}(t)\mathbf{s}(t{)}^H]$
• 两个假设：$\mathbb{E}[\mathbf{c}(t)\mathbf{c}(t{)}^H]={\mathbf{I}}_{K\times K}$ \quad $\mathbb{E}[\mathbf{c}(t)\mathbf{s}(t{)}^H]=0_{K\times M}.$
• ${\mathbf{R}}_{\mathrm{X}}=\mathbb{E}[\mathbf{x}(t)\mathbf{x}(t{)}^H]=\mathbf{P}{\mathbf{P}}^H+{\mathbf{R}}_{\mathrm{S}}.$
• $R_{\mathbf{X}}\approx \frac{1}{L}\mathbf{X}{\mathbf{X}}^H$, \quad X = [ x ( 1 ) , … , x ( L ) ] \mathbf{X}=[\mathbf{x}(1),\ldots,\mathbf{x}(L)]