ISAC通信感知一体化学习记录

快把我骂醒

已于 2024-07-10 14:48:18 修改

阅读量2.3k

点赞数 4

文章标签：学习

于 2023-09-15 23:12:24 首次发布

本文链接：https://blog.csdn.net/qq_45542321/article/details/132911572

版权

写在前面

计划撰写该书的阅读笔记（本人比较菜，直接看英文很慢，基本准备把看到的翻译一遍，以通过这种方式加深自己的印象）
在这里插入图片描述

基础知识

克拉美罗界（Cramer-Rao Bound, CRB）

克拉美罗界（Cramer-Rao Bound, CRB）是参数估计理论中的一个重要概念，用于确定任何无偏估计量的方差下限。在统计分析和信号处理领域，参数估计是一个基本问题，它旨在从观测数据中估计未知参数的值。下面将详细解释克拉美罗界：

参数估计的背景
- 参数估计问题：参数估计是指根据含有噪声的观测数据来推断未知参数的值[¹]。
- 无偏估计量：一个无偏估计量是指其期望值等于真实参数值的估计量[²]。
- 估计量的性能评估：衡量估计量性能的标准包括无偏性、一致性和最小方差等性质[¹]。
克拉美罗界的定义
- CRB的概念：克拉美罗界定义了在无偏估计条件下，估计量的方差可以达到的最小界限[⁵]。
- 数学表达：对于参数θ的无偏估计量，其方差满足不等式D(θ^) >= [E(∂logp(x;θ)/∂θ)^2](-1)，其中p(x;θ)是似然函数[¹]。
CRB的直观理解
- 似然函数的尖锐性：似然函数的尖锐程度决定了参数估计的精度，而CRB正是似然函数尖锐程度的一种量化指标[²]。
- Fisher信息：CRB与Fisher信息有关，后者是对数似然函数曲率的度量，表示所含信息的多少[³]。
计算CRB
- 标量参数情况：当估计参数为标量时，CRB可以通过对对数似然函数求二阶导数并取倒数来计算[²]。
- 多参数情况：在有多个参数的情况下，CRB由Fisher信息的逆矩阵给出[³]。
CRB的重要性
- 性能基准：CRB提供了一个理论界限，用于判断实际估计方法的性能优劣[⁴]。
- 设计估计算法：了解CRB有助于设计更接近理论极限的估计算法[⁵]。

综上所述，在实际的参数估计问题中，了解和应用CRB是非常有价值的。这不仅可以帮助研究者评估不同估计策略的性能，还能指导设计更加高效的估计算法。尽管CRB给出了方差的下界，但在某些情况下，达到这个界限可能是不现实的，特别是在样本数量有限或噪声非高斯分布的情况下。因此，实际应用中需要在理论界限和实际可行性之间寻找平衡。

Fundamental Limits for ISAC: Information and Communication Theoretic Perspective

page （13-53）

集成传感与通信(ISAC)是未来无线系统的关键技术之一，它通过共享相同的频带和硬件来协同实现传感和通信功能。
虽然人们在不同的场景和系统架构下研究了各种技术，但这种集成系统的基本限制仍然是未知的。
在这一章中，我们旨在从信息理论的角度介绍一些最新的进展。
首先，我们为单用户信道提供了一个简单的信息论模型，并给出了通信和感知之间的基本折衷。
虽然简化了，但所提出的信息论模型捕捉到了一个相关的场景，即一个装有雷达接收机（单静态传感）的发射机希望在通过公共波形发送数据时使用后向散射信号进行传感。
然后，我们将我们的研究扩展到更实际的设置，从接收端的不完全信道状态信息，相关的信道状态到两用户广播和多址信道。
在存在多个用户的情况下，即使没有感知，对折衷区域的全面描述也是一个挑战。
因此，我们将注意力集中在突出新的编码策略，以适当地平衡通信和传感的不同工作点。
最后，我们讨论了一些有待解决的问题和未来的研究方向，如无记忆ISAC信道的更通用建模和更严格的边界，块变/马尔可夫ISAC信道的信息论边界，信息论和人工智能在ISAC中的相互作用。

Introduction

未来的第五代(5G)和第六代(6G)无线系统有望提供高速率通信和高精度感知服务[1]。
针对这些新兴服务，已作出大量努力，在不同的情景和系统架构下研究各种ISAC技术（例如，见一些教程[2-5]和其中的参考资料）。
假设传感和数据通信都是通过公共资源和在同一设备上进行的，现有的ISAC工作可以大致分为两类。
- 第一类考虑资源共享方法，将时间、频率或空间资源分成传感或数据通信，并分别操作两个功能（参见例如[6]和其中的参考文献）。
- 第二类使用公共波形，通过适当的度量捕捉两个功能之间的张力或折衷来优化联合性能，有时称为协同设计。
  信息嵌入式雷达波形和标准通信波形都被广泛研究用于不同的ISAC目标（参见[2,6-12])。

虽然从雷达信号处理和通信的角度证明了ISAC系统的潜在收益（例如[3,4,13])，但这类系统的信息论局限性还远未得到很好的理解。

一方面，刻画与计算复杂性、待估计参数的选择或进一步的假设无关的基本极限是非常重要的。它们将作为任何实际ISAC战略的性能界限。
另一方面，统一的框架使我们能够洞察实际ISAC系统的系统设计和分析。

本章旨在从信息论的角度全面概述ISAC系统在简化但有代表性的通信场景中的基本限制。特别地，我们回顾了文献[14]中引入的信息论ISAC点到点信道，其中发射机希望将消息传递给它的（已经识别的）接收机，同时通过反馈估计信道状态。该信道模型采用状态相关无记忆信道，具有严格因果广义反馈，适合于通信设备配备单站雷达传感器，并通过后向散射信号估计信道参数的实际应用场景。利用该模型，我们评估了几个无记忆点到点信道实例的率失真折衷的基本极限。然后，我们将我们的模型扩展到多用户无记忆广播和多址信道。由于即使在没有感知的情况下，也很难完全描述多用户存在时的基本极限，我们强调了在权衡区域上适当地平衡各种操作点的新的可实现策略的基本思想[15,16]。最后，我们将讨论尚待解决的问题和潜在的研究方向。

performance metrics

ISAC系统的目标是在状态传感和通信之间实现良好的折衷。文献中提出了不同的性能度量。从信号处理的角度来看，已经有人试图通过一个人工统一的度量来优化ISAC系统[13,17-22]。最近，更严格的信息论度量捕捉两个函数之间的tension已经被提出[14-16,23-25]。本节概述了用于设计ISAC系统的几个性能指标，以及为解决ISAC系统的性能限制而提出的信息论指标。

Communication and Estimation Rates

Bell[17]提出了利用互信息设计雷达波形的方法。设 $S$ ， $Y$ 分别表示随机变量，表示待估计状态和雷达接收机处的观测量。估计速率定义为 $S$ 和 $Y$ 之间的互信息，用 $I (S; Y)$ [26]表示。对于均值为零且方差为 $\sigma^2_s$ 的实高斯分布状态变量的特殊情况，让我们进一步假定 $S=\hat{S}+\tilde{S}$ ，其中估计 $\hat{S}$ 与估计误差 $\tilde{S}$ 无关，并且满足 $\mathbb{E}[|\tilde{S}|^{2}]=D$

Fundamental Limits for ISAC: Radar Perspective

针对多输入多输出（MIMO）集成感知与通信（ISAC）系统的目标参数估计进行了研究，其中所有感知/雷达和通信站点可能相距较远且以合作的方式工作。局部传感器将量化的测量结果发送给融合中心（FC），由其完成雷达参数估计。考虑了两种分布式参数估计方法，一种直接在每个雷达传感器处对接收信号进行量化，并将它们发送给FC进行参数估计，而另一种首先在每个接收器处估计相应的时间延迟，并在量化后发送给FC进行参数估计。我们首先直接分析了当量化器输出表示为离散随机变量时每种方法的参数估计性能。然后，为了便于计算，分析了高斯信号情况下的量化近似描述，并得到了克拉美罗界（CRB）的更简洁表达式。利用得到的CRB的更简洁表达式，可以分析参数估计的可实现性能极限。进一步比较了这两种方法的性能，发现这两种方法适用于不同的设置。例如，当接收样本数量足够大时，基于时间延迟量化的方法可以优于基于接收信号量化的方法，而当样本数量足够小时，基于接收信号量化的方法具有更好的性能。
雷达感知和无线通信是两个独立的研究领域，其中雷达感知主要完成目标检测、参数估计、目标跟踪和识别等任务，而通信的主要任务是实现信息的传输和交换。随着无线技术的普及和应用需求的升级，集成感知与通信（ISAC）系统的发展成为不可避免的趋势[1-3]。通过适当的处理，集成系统可以很好地完成感知和通信任务，而且感知系统和通信系统的性能都可以得到极大的提升。

ISAC系统的研究始于19世纪70年代[4]，它可以减轻系统的重量、功耗、经济成本和电磁干扰。感知与通信的集成被用来优化最近流行的智能交通系统的性能，通过感知和车对车及车对路边基站的通信提高了交通安全[5-7]。在未来的6G通信标准中也将考虑ISAC系统，通信与感知的两种功能将被结合，使得未来的通信系统在传输信息的同时，也能实现通信和感知系统的功能。在传输信息时，感知周围环境的特征，从而提升了通信和感知能力[8-10]。

另一方面，随着物联网技术的进步，通信和感知设备的快速扩张将在未来导致频谱资源的竞争更加激烈。ISAC系统可以减轻有限频谱资源的影响，并提高频谱资源的利用率。因此，针对新兴应用需求而言，ISAC系统的研究极具价值。

总体而言，ISAC系统不仅可以优化无线设备的设计，降低能耗和经济成本，还能提高频谱效率，适应未来通信和感知技术的融合趋势，特别是在智能交通、物联网等领域，其研究和应用前景广阔。

在各种潜在的集成感知与通信场景中，例如汽车系统或6G通信网络，通常有大量的移动或固定传感器部署在广阔的地理区域。在这样的场景下，为了使本地接收器能够以更经济、便捷和高效的方式处理其本地测量数据，接收器可以将本地测量数据发送给融合中心（FC）进行信号处理，其中本地测量数据在被发送到FC之前由每个本地接收器进行量化，以允许数字通信。因此，有必要讨论量化对ISAC系统性能的影响，因为数字通信需要量化。增强量化的预处理也成为一个选项。因此，本章分析了我们称之为分布式处理途径的两种量化和预处理选项。在我们的数值结果中，我们比较了这些方法与集中式性能的表现，后者假设没有使用量化。

在[11]中研究了1位量化对雷达感知克拉美罗界（CRB）和毫米波ISAC系统中通信数据速率的影响。基于低精度量化，为ISAC系统设计了一种能效通信信号检测策略[12]。在[13]中，设计了双功能系统中比特受限的通信接收器，以从量化样本中恢复通信消息。使用1位量化的双功能雷达感知和通信系统的目标参数估计已在[14]中进行了研究。通过最大化通信总速率和最小化雷达感知波束方向图误差，介绍了一种多天线联合雷达感知和通信系统的设计，该系统配备了低分辨率的数字到模拟转换器单元[15]。在[16]中，基于雷达感知目标定位性能，研究了配备1位量化的双功能感知通信系统的发射序列设计。在ISAC系统量化的现有文献中，关于采用多比特量化测量的雷达感知参数估计的工作有限。本研究讨论了利用多比特量化测量的ISAC系统的目标参数估计。

量化输出自然呈现离散值[11-16]，其分布由概率质量函数（pmf）表示。由于融合中心的估计统计量是众多本地接收器的量化输出的函数，其分布通常非常复杂且难以分析。包括均匀量化器在内的某些特定量化器的输出可以描述为输入加上量化噪声[17-21]。在[17]中提出了一个必要且充分的条件，以将标量均匀量化器的输出表示为输入加上附加的均匀和白色量化噪声。还表明，当量化间隔足够小的时候，零均值高斯输入信号的量化误差可以近似为均匀分布的噪声。使用输入向量加上高斯噪声向量来描述最优向量量化器的量化输出[18, 19]。

在本研究中，我们分析了对均匀量化器的高斯输入，并将讨论扩展到非零均值的情况。通过分析量化器的输出，我们展示了对于非零均值的高斯输入，当量化间隔相对于高斯输入的标准差足够小的时候，量化器输出近似遵循高斯分布，并且方差由高斯输入的方差和量化符号的数量决定。这样的高斯近似可以应用于ISAC系统以简化分析。

接下来，我们讨论了基于分布式处理的有限容量MIMO ISAC系统的雷达感知性能。我们首先研究了本地接收器在将信号传输到融合中心之前直接对接收信号进行量化的情况。然后，讨论了第二种情况，即本地接收器采用量化和另一种数据压缩方法的组合。在第二种情况下，本地接收器估计时间延迟，并将其传输到融合中心。为了用封闭形式的表达式表征性能，我们基于离散量化输出计算了每种情况的克拉美罗界（CRB），并展示了最大似然（ML）估计器与CRBs非常接近。然后使用高斯近似来表征量化输出，从而得到简化的CRB表达式。通过简化的CRB表达式显示了量化对ISAC系统雷达感知参数估计性能的影响，并比较了基于接收信号量化方法和基于时间延迟量化方法的性能。最后，使用模拟来验证理论分析的正确性。本章的其余部分组织如下：第2节建立了ISAC系统的感知接收信号模型。第3节讨论了量化和分布式感知参数估计。第4节考虑了量化输出的近似。在第5节中推导了量化近似下的参数估计CRB。第6节呈现了性能分析，第7节展示了数值示例。最后，在第8节中得出结论。

信号模型

PHY Tradeoff and Resource Allocation for ISAC

Abstract:
在即将到来的下一代(5G-Advanced和6G)无线网络中，感知即服务将扮演比以往任何时候都重要的角色。本章从不同的感知任务出发，提出了感知服务质量（QoS）的概念，并提出了一个用于集成感知和通信(ISAC)资源分配的统一框架。具体来说，我们采用传统的雷达检测概率、Crámer-Rao界(CRB)和后验Crámerrao界(PCRB)等指标来度量感知QoS，分别用于检测、定位和跟踪。然后，针对上述感知业务，考虑了基于公平性和全面性准则的资源分配方案，该方案能够根据感知和通信(S&C)两种QOSS灵活地分配有限的功率和带宽资源。通过数值仿真来评估S&C服务之间的性能权衡。

background

在过去的几十年里，无线蜂窝网络主要关注通信服务质量（QoS）作为关键指标。然而，随着5G-Advanced和6G网络的到来，感知服务将发挥比以往任何时候都更加重要的作用。目前蜂窝网络提供的传感功能由于以下缺点而不适用于未来的应用。（1）基于GPS的定位由于分辨率和精度相对较低，无法满足6G传感的要求，因此需要发展基于雷达的蜂窝网络本身的传感功能；（2）现有的蜂窝网络所提供的感知功能大多需要无线设备的支持，这对无设备的目标感知如区域和障碍物监测具有挑战性。基于此，文[1,2]正式提出了集成传感与通信(ISAC)技术的概念和范围，引起了工业界和学术界的广泛关注。与专用传感或通信功能相比，ISAC设计方法具有集成增益和协调增益。前者是指通过共享频谱、能量和硬件平台等有限资源来提高传感和通信的效率。对于后者，S&C互助有望进一步提振双创业绩。由于ISAC所提供的众多优势，它被设想为许多未来应用的关键推动者，包括物联网、智能互联车辆等[3]。

与以通信为中心的系统类似，ISAC系统中的用户也可能需要不同的感测QoS。例如，重要/敏感目标（如行人、快速行驶的车辆等）通常需要高的感知QoS来防止潜在的交通事故和保护人类生命安全。相反，低感知QoS可以容忍静止和无生命的物体。通常，实现的S&C QoS依赖于为多个用户服务的系统资源，如发射功率、信号带宽、阵列大小（空间资源）、驻留时间等。因此，在系统资源有限的实际应用中，需要高效的资源分配(RA)方案，以实现用户之间的最优性能折衷，提高资源利用率。为此，本章致力于为ISAC系统建立一个统一的(Resource allocation)RA框架，并为包括检测、定位和运动目标跟踪在内的各种感知任务设计相关的RA方案。

The Related Works

在通信和雷达领域，RA问题得到了广泛的研究。一方面，通信功能只关注于高效可靠地传递信息。相比之下，传感任务多种多样，大致可分为四类，即检测、定位与跟踪、成像和识别。不同的感知任务需要不同的性能指标来保证感知QoS。在接下来的内容中，我们将重点讨论基本的传感功能，包括检测、定位和跟踪对象的能力。

根据Shannon定理[4-7]，在通信系统中，功率和带宽资源的分配受到了广泛的研究，因为可达到的速率依赖于这些资源。特别地，文[4]针对正交频分复用(OFDM)系统提出了一种逆信道增益的注水算法，其中系统功率和速率在子载波之间进行了最优分配。在文献[5]中，考虑了比例公平性约束来保证用户之间不同的重要程度。在此基础上，提出了一种功率分配和子信道分配的联合算法，以最大限度地提高系统的总容量。此外，RA问题已经扩展到许多特定的场景，包括LTE-Advanced网络中的设备间通信[6]和基于5G的切片网络[7]等。

对于雷达系统，文献[8]将系统功率和多输入多输出(MIMO)技术形成的多波束作为系统资源进行分配。考虑的系统模型包括一个用于跟踪多个目标的同位MIMO雷达，其中波束数假设小于辐射单元数。通过适当的RA方案，提高了最坏情况下的跟踪性能。另外，作者在[9]中提出了一种相控阵雷达网中的时间资源（驻留时间）分配方案，以提高雷达系统的速度估计精度。作为文献[8]的推广，本文将功率和带宽资源联合分配，使多目标跟踪策略的PCRB最小化。

相对于雷达和通信界对RA问题的广泛研究，关于ISAC系统RA问题的文献相对较少。具体来说，作者在[11]中考虑了一种同时支持通信和雷达接收机的DFRC发射机。提出了一种雷达波形与信息信号之间的功率分配方案，在满足信息速率要求的前提下，使检测概率最大。在文献[12]中，随机目标脉冲响应和接收信号之间的条件互信息(MI)被用来作为所有传感任务的统一性能度量。针对OFDM ISAC系统，提出了一种加权MI和信息率最大化的功率分配方案。尽管条件MI与数据信息率有着相似的表达式，但MI与传统雷达指标之间的相关性尚不清楚，从而限制了其实际应用。此外，针对ISAC系统和网络的联合RA方案（例如功率和带宽）仍然没有得到广泛的探索。

与传统的单个雷达和通信系统的RA方案不同，基于ISAC的网络需要同时考虑通信用户、雷达目标和S&C业务之间的性能权衡。此外，同一资源的重要性和动机在不同的服务之间可能有很大的不同。这给ISAC支持的下一代无线网络的设计带来了独特的挑战和机遇。为了填补这一研究空白，我们在单小区ISAC系统中考虑了一种联合功率和带宽分配的统一框架，以提供针对用户特定QoS需求的S&C服务，其中Amulti Input Multi-Output(MIMO)BS同时提供通信和无设备感知服务。在阐述本章的主要内容之前，我们简要介绍了S&C服务中广泛使用的性能度量。

Preliminaries of the Performance Metrics for S&C

为了评价感知网络的性能，测量感知网络服务质量的性能指标对感知网络服务和感知网络服务都是必要的。虽然从效率（频谱效率和能量效率）和可靠性（比特和符号错误率）两个方面对通信QoS进行了深入的研究，但据我们所知，感知QoS仍然没有得到广泛的研究。接下来，我们分别介绍了各种应用的感知QoS和通信QoS的初步研究。

Target Detection

目标检测意味着确定给定的雷达测量是来自目标的回波的结果还是仅仅代表干扰（如杂波）的影响，这一过程在统计假设检验中是一个问题。对于任何雷达测量，可以假定下列两个假设之一为真[14]

$\mathcal{H}_{0}$ : 测量仅仅是干扰/噪声的结果。
$\mathcal{H}_{1}$ : 测量是干扰/噪声和目标的综合结果。

第一个假设称为零假设，第二个假设称为非零假设。为了衡量决策的正确性，在雷达探测中引入了两个重要的感兴趣概率。其中之一是检测概率 $\bm{P}_D$ ，即当目标实际上存在时宣布目标的概率。另一个是虚警概率 $\bm{P}_{FA}$ ，即宣布了目标但实际上没有目标的概率。

有了 $\bm{P}_D$ 和 $\bm{P}_{FA}$ 的定义，下一步是如何选择一个适当的规则来决定什么构成两个假设之间的最优选择。雷达应用中常用的判决规则称为Neyman-Pearson准则，其中虚警概率 $\bm{P}_{FA}$ 必须保持在预先指定的阈值以下，同时使检测概率 $\bm{P}_D$ 最大。要说明的是，每个向量的观测值 $\mathbf{y}$ 都必须分配给两个允许的判决中的一个，即 $\mathcal{H}_{0}$ 或 $\mathcal{H}_{1}$ 。设 $\mathcal{S}$ 表示所有观测值 $\mathbf{y}$ 的集合，其中 $\mathcal{H}_{1}$ 将被选择。因此，检测和虚警的概率可以写成以下一般表达式

$P_\mathrm{D}=\int_{\mathcal{S}}p_\mathrm{y}(\mathbf{y}|\mathcal{H}_1)d\mathbf{y},\quad P_\mathrm{FA}=\int_{\mathcal{S}}p_\mathrm{y}(\mathbf{y}|\mathcal{H}_0)d\mathbf{y}.$
Page 154 of the book

The General Framework and System Model

Page 158
在这里插入图片描述
如图1所示，我们考虑了一个并列配置的MIMO，BS配备Nt发射和Nr接收天线，在一个单一的小区设置，在多波束模式，同时提供S & C服务。在下文中，讨论了感测目标和服务的定义，随后是基本系统模型和统一的资源分配框架。

感知服务的定义和目标

BS总共服务M个对象，可以分为以下三种类型。

传感目标：需要感测的目标，例如，人、监视区域等，其可以是无设备的或基于设备的。
通信用户：仅需要高质量通信服务的智能手机等终端。
ISAC用户：需要S&C服务的用户，即，感知目标和通信用户的交集。ISAC用户可以是具有通信设备的人、车辆和无人机，即基于设备的目标。

直观地说，感知服务只能为基于设备的用户提供，这些用户可以分为以下两种类型，如图2所示。

需要自感测(selfsensing information)信息（SI）的用户：在这种情况下，要感测的目标是感测服务用户本身，其中典型的应用是定位。
需要其他目标的SI的用户：在这种情况下，BS获取其他对象的状态信息并且通过通信功能发送SI。一个典型的用例是车辆到一切vehicle-to-everything（V2X），其中车辆可以通过这样的ISAC系统感测视线之外的障碍物。

在所考虑的ISAC系统中，雷达信号、ISAC信号和通信信号由BS分别发送到 $Q$ 个感测目标、 $L$ 个ISAC用户和 $K$ 个通信用户。因此，有 $M_s=Q+L$ 个待感测目标被收集到集合 $\mathcal{I}_{s}$ 中。同样，用 $M_c=L+K$ 元表示 $\mathcal{I}_{c}$ 为需要通信服务的用户。此外，我们假设所有用户在空间上分开良好，以便波束到所需方向的主瓣不会重叠。
在这里插入图片描述

基本模型

在这里插入图片描述

统一的资源分配框架

在这里插入图片描述

A Novel ISAC Transmission Framework Based on Spatially-Spread Orthogonal Time Frequency Space Modulation

考虑到严重的频谱拥塞，未来无线通信网络预计将在更高频段运行[2]，例如毫米波（mmWave）频段。然而，这些频段的大部分频谱资源已初步分配给雷达系统。例如，汽车雷达和高分辨率成像雷达通常分别在 76-81 GHz 和 200 GHz 的毫米波频段上运行 [3]。因此，未来无线网络与雷达系统的和谐共存以实现超高吞吐量要求至关重要[2]、[4]-[6]。实现无线通信网络与雷达系统共存的方法主要有两种。一是设计有效的干扰管理算法，通过抑制彼此产生的干扰来维持雷达传感和通信的功能[2]、[7]。另一种是考虑集成传感和通信 (ISAC) 系统，其中传输精心设计的波形以用于雷达传感和通信 [4]、[5]。与干扰管理设计相比，ISAC 传输允许两种功能之间的有效合作，并且还显示出各种新兴应用的巨大潜力[4]、[5]、[8]。更有趣的是，据报道，雷达传感和通信之间的联合设计可能会提高这两种功能的性能[9]。因此，ISAC 传输最近引起了广泛关注。

ISAC 传输设计的一个关键动机是雷达传感和通信自然具有相似的可以利用的信道特性。例如，让我们考虑移动网络中常见的下行链路场景，其中用于雷达传感和通信的天线位于基站（BS）处。不难注意到，尽管雷达感测是基于往返后在 BS 处接收到的回波进行操作，但对于雷达感测和通信而言，BS 和用户设备 (UE) 之间的物理信道是相同的信号传播，而通信的信号检测基于从 BS 到 UE 的单向传输。请注意，雷达已知所有传输信号，可用于相关传感目的。因此，与通信系统中实现的信道估计算法相比，雷达感测通常具有更高的参数估计匹配滤波增益[5]。因此，明智的做法是利用从雷达感测中获得的信道状态信息（CSI）来促进有效的通信设计。此外，还值得注意的是，雷达感测基于与可解析路径相关的延迟、多普勒和角度特征来进行参数估计，其核心思想与最近提出的用于通信目的的正交时频空间（OTFS）调制完美契合在未来的无线网络中[10]-[12]。具体来说，OTFS调制依赖于对延迟多普勒（DD）域符号复用和DD域信道特性的探索，这与正交频分复用中采用的传统时频（TF）域符号复用不同。正交频分复用）调制。 DD域符号复用使得信息符号和DD域信道之间能够直接交互，其信道响应可以从实践中的雷达估计中推断出来[5]。通信和雷达传感需求建立的协同生态系统促使我们考虑基于OTFS调制的ISAC传输设计。

考虑到雷达传感和通信之间潜在的不匹配，我们提出了一种基于空间扩展OTFS（SS-OTFS）调制的新型ISAC传输框架。为了促进 ISAC 设计，我们在文献中首次引入 SS-OTFS 调制的概念，以进一步利用延迟多普勒角（DDA）域信道特性。与传统的MIMO-OTFS调制相比，SS-OTFS在发射机和接收机处分别应用所谓的**“空间扩频”和“空间解扩”模块**。应用这些模块的关键新颖之处在于角域的离散化，这为雷达传感和通信带来了简单而富有洞察力的输入输出关系。这些关系中最有趣的特征是，每个天线（对）根据角度分辨率对应于一个特定的角度（对）。因此，可以极大地减轻多径效应，从而实现高效的系统设计，该设计仅基于雷达感测的延迟、多普勒、偏离角 (AoD) 和雷达反射系数的估计，而无需先验知识通信信道的衰落系数。值得强调的是，文献中大多数现有的 ISAC 工作都假设通信衰落系数可在 BS 处用于系统设计 [2]、[4]。相反，所提出的框架不需要通信衰落系数的先验知识。特别是，我们提出了一种实用的预编码方案和功率分配策略，以仅基于估计的 AoD 以及前一时刻雷达感测的延迟和多普勒频移来提高通信性能。本文的主要贡献可概括如下。

· 我们推导出支持 SS-OTFS 的 ISAC 传输的通信和雷达模型。特别是，我们表明，空间复用的干扰可以通过使用足够多的天线进行空间扩展和解扩展来近似消除，从而为雷达传感和通信提供简单而富有洞察力的有效信道矩阵。 · 基于雷达传感模型，我们利用有效雷达传感矩阵的特殊结构，开发了简单的波束跟踪和到达角（AoA）估计算法。我们表明，传输波束宽度可以通过天线之间的功率分配轻松控制，这与预编码设计无关。此外，由于角域的离散化，可以通过检查不同天线之间的接收功率来直接实现 AoA 估计。此外，我们还介绍了雷达传感的功率分配，旨在最大化接收回波的最小功率。 · 基于导出的通信模型，我们分析揭示了预编码矩阵和功率分配对成对错误概率（PEP）的影响。特别地，我们表明，当码字差矩阵具有对角结构并且与相应路径相关的分配功率的几何平均值最大化时，PEP 最小。基于这一发现，我们通过引入虚拟延迟和多普勒指数来形成码字差异矩阵来开发预编码设计，同时我们证明等功率分配可以最大化几何平均值。 · 我们注意到雷达传感和通信需要不同的功率分配。因此，我们讨论不同功率分配下的雷达传感和通信性能。根据我们的讨论和仿真结果，我们表明功率分配的设计应倾向于实际场景中的雷达传感。同时，我们的仿真结果也验证了所提出的 ISAC 框架的有效性。

系统模型

不失一般性，让我们考虑移动网络中的ISAC系统，其中一个BS向服务覆盖范围内的K个随机分布的UE广播公共消息，并基于接收到的回波感测UE的雷达相关信息。特别地，我们考虑多输入单输出（MISO）情况，其中BS配备 $N_{BS}$ 天线，而每个UE只有一根天线。我们假设系统运行在如图1所示的开放区域，其中BS和每个UE之间有 $P$ 条独立的可解析路径。1

在这里插入图片描述

发射机结构

不失一般性，让我们考虑如图 2 所示的支持 SS-OTFS 的 ISAC 发射机结构。令 $\mathbf{X} \in \mathbb{A}^{M \times N}$ 为大小为 M × N 的 DD 域传输符号矩阵（广播信息消息），其中 M 分别表示正交子载波的数量，N表示时隙的数量。令Δf和T分别为子载波间隔和时隙持续时间。根据OTFS调制原理[10]，通过对X进行逆辛有限傅里叶变换（ISFFT）和IFFT，可以得到大小为M×N的时延（TD）域传输符号矩阵V ∈ AM×N 为简单起见，我们根据[18]考虑 OTFS 传输的向量形式表示。令xΔ=vec(X)和vΔ=vec(V)分别为DD域和TD域传输的长度为MN 的符号向量。根据[18]、[19]，我们有