文章来源微信公众号 EW FrontierISAC波形设计新突破概率去噪增强的PDISAC兼顾感知与通信双性能在6G通信技术发展中一体化感知通信ISAC成为核心研究方向其核心挑战在于设计能同时满足高距离-多普勒分辨率感知需求和高吞吐量通信需求的波形而感知与通信的性能目标天然存在冲突传统方法始终难以实现最优平衡。近期有研究提出了一种全新的概率去噪增强参数化波形设计框架——PDISACProbabilistic Denoising ISAC完美解决了传统方法在非理想信道、多目标场景下的性能短板还为ISAC系统性能提供了理论保证在低信噪比SNR下表现远超经典匹配滤波和传统学习基方法。一、ISAC波形设计的传统痛点此前ISAC波形设计的两类主流方法均存在难以规避的问题传统匹配滤波依赖固定的波形参数在信道条件不理想、多目标感知的场景下性能表现次优无法灵活适配复杂场景学习基ISAC方法虽能通过模型学习适配复杂场景但缺乏严格的理论性能保证工程落地的可靠性存疑。针对这些问题PDISAC框架融合概率机器学习与参数化波形设计既通过理论推导刻画了系统性能极限又借助轻量级网络提升了实际场景下的感知与通信性能实现了“理论保证实际优化”的双重突破。二、PDISAC核心设计概率去噪参数化波形PDISAC的核心是构建了一套概率去噪增强的参数化波形设计体系围绕轻量级概率去噪网络PDNet展开同时完成了理论分析与工程化设计核心亮点体现在三方面1. 核心网络PDNet实现高质量RD热图生成PDNet是专为ISAC设计的轻量级概率去噪网络通过时频域对抗训练完成模型训练能有效生成高质量的距离-多普勒RD热图显著提升不同波形序列长度下的目标可分辨性让多目标场景下的感知更精准。同时PDNet采用“训练-推理分离”的架构设计训练架构包含编码器、提取器、解码器模块保证特征学习的完整性推理架构则移除编码器大幅降低计算成本、减少实时推理时延更适配工程实际部署。2. 理论支撑推导闭式解析表达式刻画性能极限研究团队推导了克拉美-罗下界CRLB和误码率BER的闭式解析表达式精准刻画了波形约束下ISAC系统的基础性能极限弥补了传统学习基方法缺乏理论保证的短板让PDISAC的性能优化有迹可循。3. 场景适配分析序列长度的感知-通信权衡影响PDISAC深入分析了波形序列长度对感知-通信性能权衡的影响验证了PDNet在不同序列长度下均能提升目标可分辨性解决了传统方法在序列长度调整时性能波动大的问题让波形设计能灵活适配不同感知/通信优先级的场景。三、PDISAC技术细节从系统模型到去噪流水线1. 系统模型与波形时频域设计PDISAC的系统模型包含雷达固定、用户设备UE、终端设备TE三个核心对象UE与TE均为移动目标贴合实际感知通信场景。其波形在时域完成传输设计分为快域和慢域两个核心维度分工明确快域用于估计目标距离分辨率由码片数量N p r b s N_{prbs}Nprbs决定慢域用于估计目标多普勒速度分辨率由符号数量N s y m N_{sym}Nsym决定。同时波形传输融合了PMCW波形与BPSK符号实现感知与通信的波形一体化传输。2. 三步式去噪流水线结合对抗训练优化PDISAC设计了一套完整的去噪流水线成为感知性能提升的关键整体分为预处理、训练/推理、后处理三步还引入对抗训练进一步优化去噪效果预处理将时频域观测值转化为RD热图作为PDNet的输入无需匹配滤波处理简化流程训练/推理通过PDNet的训练/推理架构完成去噪生成优化后的RD热图后处理从优化后的RD热图还原出时频域的匹配滤波输出为后续参数估计做准备。对抗训练则作为补充优化环节进一步提升去噪模型的性能让PDNet在低SNR下的去噪效果更优异。3. 双方法实现距离-多普勒参数估计PDISAC采用序贯估计器和恒虚警检测CFAR两种方法完成目标距离和速度的参数估计适配不同场景需求序贯估计器先检测距离峰值再基于距离峰值检测多普勒峰值分步完成参数估计CFAR直接基于RD热图标记潜在目标通过蓝色圈注完成UE、TE的目标识别更适合多目标快速检测。研究还验证了N p r b s N_{prbs}Nprbs和N s y m N_{sym}Nsym对分辨率的影响二者数值越大距离和速度的分辨率越高为波形参数调优提供了明确依据。四、PDISAC实验验证低SNR下性能全面领先为验证PDISAC的性能研究团队开展了地图基信道仿真将其与传统匹配滤波、经典学习基模型DnCNN进行多维度对比核心验证结果如下感知性能在低SNR下PDISAC的CRLB表现显著优于对比方法同时NMSE、MSE指标更优距离-速度参数估计的精度更高通信性能PDISAC在保证感知性能的同时实现了可靠的通信性能BER误码率和容量指标表现稳定无明显损耗鲁棒性在不同波形序列长度下PDISAC均能保持优异的目标可分辨性鲁棒性远超传统方法。实验中还通过RD热图可视化、去噪过程分布可视化直观验证了PDNet去噪对感知性能的提升CFAR处理后能精准标记移动目标UE和TE充分证明了PDISAC在多目标场景下的感知有效性。五、研究意义与未来展望PDISAC框架的提出为ISAC波形设计提供了一种全新的思路其创新点在于首次将概率机器学习与参数化波形设计深度融合既解决了传统匹配滤波的参数固定问题又弥补了学习基方法的理论短板实现了感知与通信性能的协同优化。同时PDNet的轻量化设计、推理时延的优化让该框架具备了工程落地的潜力而低SNR下的优异表现也让其能适配更复杂的实际通信感知场景。未来该研究方向可进一步围绕网络轻量化、超多目标场景适配、动态信道自适应展开优化让PDISAC更贴合6G ISAC的实际部署需求推动一体化感知通信技术的落地应用。