这两年只要是在通信圈里开会ISACIntegrated Sensing and Communication通信-感知一体化这三个字母出现的频率高得吓人。它想干的事情说起来很直白让同一套 MIMO-OFDM 系统既把数据安安稳稳传出去又像雷达一样把周边环境测出来。这个方向为什么被反复提起底层原因就两条——频谱不够分了硬件也想省了。而一旦把通信和感知塞进同一套系统里设计联合优化和性能权衡就成了绕不开的主线。这篇文章我围绕 MIMO-OFDM 体制下的 ISAC把波形原理、优化建模、仿真参数和工程落地里那些坑完整梳理一遍给做预研的工程师和刚入手这个方向的研究生一份能直接上手的参考。1. 为什么ISAC会在5G-A和6G的讨论里突然变热1.1 频谱挤兑是底层驱动力先算一笔最朴素的账。移动通信从 4G 到 5G低频段早就被吃干抹净现在大家往毫米波、甚至太赫兹挤而这些频段里很大一部分原本是雷达、无源探测和各类感知系统在用。频率资源这个东西不是你做干扰管理就能凭空变出来的。过去几年大家提频谱共享、提认知无线电思路还是你发的时候我不发互相躲着走。这种共存coexistence方案的问题在于所有设备都在同一个频段里活动时干扰规避的代价会指数上升。到了 5G-A 和 6G 阶段车联网要求基站既要给车辆传数据、又要探测车辆位置工业场景要求同一个系统既要控制机械臂、又要识别工件缺陷继续靠分时、分频、分区这套老办法资源利用效率撑不住。ISAC 的思路是釜底抽薪既然通信信号本身就是一段携带信息的电磁波它在空间里传播的过程中天然会被目标反射那我们为什么不能把反射回波利用起来做感知这样一来同一段频谱、同一份发射功率既完成了通信任务又完成了感知任务不再存在谁的信号干扰谁的问题——因为它们是同一份信号。这个从共存到融合的思路转变是整个 ISAC 研究的逻辑起点。1.2 场景需求把技术路线逼了出来我接触到的实际项目里几个典型场景对 ISAC 的拉动特别明显。第一个是车联网V2X 通信和车载雷达如果分两套系统天线位置、功耗、成本都很难受而车和路侧设备最理想的状态就是一套系统既能跟邻居车辆交换意图又能测出周围障碍物的距离速度。第二个是智慧工厂机械臂、AGV 小车和基站之间既要通信又要高精度定位多装一套雷达在生产线上既不划算也不美观。第三个是低空经济相关的应用无人机既要和地面站通信地面站又需要对空域里的飞行器进行探测识别两套设备在小尺寸平台上很难同时塞下。这些需求有一个共同特征感知结果和通信数据要一起参与决策。比如一辆车接收前车的刹车信息同时也需要自己测得的前车距离来做双重校验。如果两种能力来自不同系统数据融合、时间同步、坐标系对齐都是麻烦事。合并到同一套 MIMO-OFDM 系统里天然共享时钟和天线坐标这个问题就简单了一大截。1.3 硬件账也算得过来通信系统发展到 5G 之后基站和终端上都攒下了大规模天线阵列。一个 64 通道的 Massive MIMO 阵列从感知的视角看就是一个现成的相控阵雷达孔径。如果只在通信的时候用它空闲的时频资源就浪费了。ISAC 的硬件复用逻辑很简单射频通道、基带处理、时钟参考、天线阵面全部共享只增加少量回波处理链路。这份成本增量摊到整个系统里非常小但换来的感知能力可能值好几台专用雷达的价值。这也是运营商和设备商愿意投入预研的根本原因——基站以后不只是通信基础设施还可能是城市级的感知基础设施。2. MIMO-OFDM能同时干这两件事靠的是什么2.1 OFDM回波处理距离和多普勒怎么被白嫖出来OFDM 能用来做感知核心原因是它的频域结构太适合测距测速了。一个 OFDM 信号由 N 个正交子载波组成每个子载波相当于一个单频探测信号。当它打到目标上反射回来接收端看到的是每个子载波都经历了一个与传播延迟成正比的相位旋转。假设目标距离为 R径向速度为 v发射信号在第 k 个子载波、第 m 个 OFDM 符号上的数据符号是 X[k,m]那么回波在频域可以写成Z[k,m] X[k,m] · exp(-j4πf_k·R/c) · exp(j4πf_c·v·m·T_sym/c) n[k,m]其中 f_k f_c k·Δf 是第 k 个子载波的频率T_sym 是一个 OFDM 符号的持续时间。这里关键的一步是因为是单站感知发射机完全知道自己发出去的 X[k,m]所以接收端直接把回波逐个子载波除以发射数据Y[k,m] Z[k,m] / X[k,m] ≈ exp(-j4πkΔf·R/c) · exp(j4πf_c·v·m·T_sym/c)第一项只跟子载波索引 k 有关它是一条以 R 为斜率的相位斜坡对它做 IFFT就会在某个距离门上出现峰值。第二项只跟符号索引 m 有关对它沿慢时间做 FFT就会在多普勒域出现峰值。所以一次二维 FFT距离和速度同时出来了。这就是 OFDM 感知最核心的机制——通信数据不但没有妨碍感知反而因为接收端已知数据可以被干净地剥离掉。两个关键的分辨率公式必须记住距离分辨率 ΔR c/(2B)只取决于信号总带宽 B速度分辨率 Δv λ/(2·T_CPI)T_CPI 是相干积累的总时长也就是说想要更高的距离分辨率就把带宽做大想要更细的速度分辨率就把感知处理时长拉长。这两条规律在后面讨论参数权衡时会反复用到。还有一个容易忽略的约束回波的往返时延必须落在循环前缀CP的窗口内。OFDM 通信里 CP 是用来抗多径的在感知里它还得额外容纳感知目标的往返时延。5G NR 常规 CP 大约 0.9μs对应的往返距离只有 135m 左右扣除信道多径时延扩展实际可用感知距离还要再打个折扣。所以 ISAC 系统设计里CP 长度也是一个需要和通信需求联合考虑的参数。2.2 MIMO的虚拟孔径感知视角的阵列增益MIMO 在通信里的价值是空间复用和分集在感知里的价值则是虚拟孔径。规则是这样的如果有 N_Tx 个发射天线和 N_Rx 个接收天线发射端通过正交波形在 OFDM 里可以用不同的子载波或正交导频区分不同发射天线把各发射通道的信号区分开那么接收端实际上可以重构出 N_Tx·N_Rx 个收发通道的等效阵列响应。这个虚拟阵列的有效孔径远大于物理天线孔径测角精度大幅提升。举个例子8 发 8 收的半波长均匀线阵如果按 MIMO 雷达方式排布虚拟阵列的等效口径可以做到接近 64 个阵元的效果角度分辨率从单发多收的十几度提升到两三度。配合不同的天线排布方式还能把虚拟阵列构造成稀疏阵来压低旁瓣。这就是为什么 ISAC 系统普遍强调 MIMO——没有 MIMO感知的测角能力根本没法看。从另一个角度看通信里的波束赋形和感知里的波束指向实际上是同一件事大规模天线阵列把能量集中到某个方向。通信希望能量对准用户感知希望能量对准目标两者共用同一套波束成形装置只是优化目标不同。这个共用既是 ISAC 的方便之处也是后面一切权衡矛盾的来源。2.3 一个绕不开的问题通信数据是随机的上面的分析默认接收端能干净地剥离通信数据这在单站 ISAC 场景下成立因为感知接收机就在发射机旁边数据是自己给的。但一旦换成双站场景——比如用一个基站去感知另一个基站或某个终端发出的信号——接收端并不知道对方发的数据是什么就无法做逐符号的数据剥离。双站 ISAC 不是没有办法常见的是利用导频序列或者部分已知的参考信号做感知或者在接收端做盲估计。但盲估计的精度和鲁棒性都会差一截。另外即使在单站场景随机数据符号的幅度波动也会在距离-多普勒图上引起旁瓣起伏弱目标可能被强目标的旁瓣淹没。这就是为什么很多系统会在 OFDM 符号里掺入一部分专门的感知导频来压低旁瓣付出的代价是这部分资源不能传数据。这个数据资源换感知质量的折中在后文优化部分还会再展开。3. 联合优化的本质双目标约束下找折中点3.1 两个指标怎么放进同一个优化问题里联合优化的第一件事是把通信好和感知好翻译成数学语言。通信那边比较成熟信息论给了我们香农容量、中断概率、可达速率这些指标工程上最常用的还是 SINR——信号与干扰加噪声比因为发射端的波束成形直接决定了每个用户看到的 SINR。感知这边的指标就五花八门了。做参数估计理论的喜欢用克拉美-罗界CRB它给出的是测距、测速、测角误差的理论下界数学性质好适合放在优化目标里。做雷达工程的更关心波束方向图匹配误差、峰值旁瓣比PSLR、积分旁瓣比ISLR因为这些直接反映了能不能在强目标旁边发现弱目标。还有一派用互信息量来衡量感知系统从回波里提取了多少目标信息。指标选得不合适优化结果很可能在工程上没法用。比如只用 CRB 做优化算出来的波束可能旁瓣很高因为 CRB 只关心主瓣目标的估计精度不关心旁瓣会不会漏检别的目标。我建议在仿真阶段至少同时看两个指标一个估计精度的理论界一个检测层面的旁瓣指标。两者都达标方案才算是真的稳。有了指标之后联合优化的数学形式基本逃不出两类。第一类是加权和max_W [ μ·C(W) (1-μ)·S(W) ] s.t. tr(W·W^H) ≤ P_totalC(W) 是通信速率或 SINRS(W) 是感知指标μ 是权重W 是跨子载波、跨天线的预编码矩阵。第二类是带约束的单目标max_W S(W) s.t. C(W) ≥ C_mintr(W·W^H) ≤ P_total也就是先保住通信的底线剩下的资源全砸给感知或者反过来。这两类形式各有适用场景无线资源紧张时用带约束的形式比较直观因为运营商往往会明确说通信速率不能低于多少研究阶段画性能边界时用加权和更方便。3.2 波束设计单波束折中与双波束分工波束赋形是联合优化里最具体、也最能体现权衡的操作。假设一个单站 ISAC 基站一个通信用户在一个方向一个感知目标在另一个方向发射波束怎么打第一种做法是单波束折中。把发射加权向量设为通信方向导向矢量和感知方向导向矢量的加权和w α·v(θ_comm) β·v(θ_sense)其中 α 和 β 是归一化后的权重。取 α1 时波束完全对准用户感知目标方向只有很小的增益取 β1 时反过来。引入一个角度变量后波束会落在两个方向的中间某个位置两边都照顾一点。这种做法实现简单代价是两边都不是最优——用户侧 SINR 有损失目标侧感知信噪比也不够而且两个方向夹角越大损失越惨。第二种做法是双波束成形。用足够多的天线自由度在波束方向图上同时设计出两个主瓣一个对准用户、一个对准目标同时还可以在两个方向的间隙处压低旁瓣。这天线数量够多比如 32 通道以上时双主瓣是完全可行的而且两边的性能损失远小于折中波束。代价是部分阵列自由度被感知占用了通信可用的空间自由度变小多用户调度能力下降。实际系统里还可以再加一个维度——频域分工。让一部分子载波的波束对准通信用户另一部分子载波的波束对准感知目标这就是空间频率的联合权衡。资源粒度更细优化空间更大但发射机需要针对不同子载波切换不同的波束权值对射频通道的带宽内一致性要求很高。工程上选择哪个方案取决于天线数量、通道能力和目标方向与用户方向的空间关系不是越花哨越好。3.3 实际用下来靠谱的优化手段这些优化问题写出来都不难真求解起来各有各的坑。最常用的几类工具我列一下半定松弛SDR。二次型约束下的发射波束设计直接把秩一约束丢掉的经典招数。问题松弛成 SDP 后用标准求解器能算算完再通过特征值分解或随机化恢复出可行解。优点是稳健缺点是天线规模一大SDP 的变量规模跟着平方增长64 天线往上就开始吃力了。连续凸逼近SCA。SINR 约束本身非凸但它可以写成凸项和凹项的组合形式迭代地把凹项线性化每步解一个凸子问题。适合同一类问题反复求解的场景因为求解速度快。黎曼流形优化。这个在混合波束成形里很常用。模拟波束部分每个移相器只有相移没有幅度变化也就是恒定模值约束这不是凸集但它是黎曼流形可以在流形上直接做梯度下降。工程上非常实用。交替优化。把联合问题拆成固定模拟波束优化数字波束和固定数字波束优化模拟波束两个子问题来回迭代。实现简单收敛稳定性也不错是我们团队最常用的基线方法。有一点必须提醒很多论文在 Pareto 曲线边上精雕细琢但你先确认一下自己的射频通道能不能做到逐天线连续幅度和相位调整。如果只能用码本里的有限几个波束方向那再精确的优化结果也只能取近似值不如一开始就把离散码本约束扔进问题里。4. 一次完整的仿真推演参数、计算、画曲线4.1 一套参考参数与性能初算光讲概念没用我给出一套我自己用过的仿真参数你可以直接拿去当基线。场景是 28GHz 毫米波单站 ISAC基站同时服务一个通信用户并探测一个运动目标。参数取值说明载波频率 f_c28 GHz波长约 10.7mm系统带宽 B100 MHz决定距离分辨率子载波间隔 Δf120 kHz5G NR 参数集FFT 点数 / 有效子载波1024 / 768部分边缘子载波留作保护OFDM 符号时长 T_sym9.26 μs含约 0.9μs CP相干处理符号数 N_sym140约 1.3ms 积累时长发射天线数8感知虚拟孔径用接收天线数8可扩展到 16/32先算通信硬件里的关键数字。距离分辨率 ΔR c/(2B) 3×10⁸/(2×10⁸) 1.5m。这意味着两个相距小于 1.5m 的目标在距离维上是分不开的。如果做的是车辆或行人级感知100MHz 带宽勉强够用想分辨同一辆车上的两个反射点带宽得加到 400MHz 以上。最大无模糊距离 R_max c/(2Δf) 3×10⁸/(2×120×10³) 1250m。120kHz 子载波间隔下1250m 以内目标没有距离模糊。再看不模糊速度v_max λ/(4T_sym) 0.0107/(4×9.26×10⁻⁶) ≈ 289m/s这个值覆盖绝大多数地面交通场景。速度分辨率呢相干处理 140 个符号总时长 T_CPI ≈ 1.3ms多普勒分辨率 Δf_d 1/T_CPI ≈ 770Hz换算成速度 Δv λ·Δf_d/2 ≈ 4.1m/s。这个值有点尴尬——能分辨出前方车辆在移动但分辨不出前方车辆在加速还是匀速。想做到 1m/s 级别积累时长要到 5ms 以上。这就是通信时延和感知精度之间的第一个直接冲突。4.2 子载波间隔的两面性选子载波间隔是 ISAC 系统设计里最有代表性的权衡。Δf 变大OFDM 符号变短CP 开销占比下降但更重要的是最大无模糊距离变大Δf 从 120kHz 翻倍到 240kHzR_max 从 1250m 缩到 625m反过来Δf 降到 30kHzR_max 能干到 5000m但符号时长变长多普勒模糊范围变窄高速目标会直接折叠。同时Δf 越小同样的积累时长内能放进更多符号慢时间采样更密、速度分辨率更好。但符号时长也不能无限拉长——信道的时间选择性会让子载波正交性受损这是 OFDM 通信最怕的东西。所以你看同一个参数通信从单载波间干扰的角度希望它大感知从无模糊距离和抗多径的角度希望它大但从多普勒模糊和时变信道鲁棒性的角度又希望它小。把这几个约束摆在一起同时满足是 ISAC 波形参数设计的第一个难题。实践中5G NR 的 param 集给了 15/30/60/120kHz 几档ISAC 系统一般根据目标场景选一档而不是单独定制。4.3 怎么把权衡曲线画出来有了参数和优化工具下一步是把性能权衡直观地画出来。标准做法是扫权重 μ 从 0 到 1每个 μ 解一次波束成形优化记录对应的通信速率和感知指标然后画成 Pareto 前沿曲线。伪代码大致是这样% 伪代码单目标、单用户、单站ISAC波束优化 for mu 0 : 0.05 : 1 % 求解加权目标max mu*C(w) (1-mu)*S(w) w solve_weighted_beamform(mu, h, a_theta, P_total); rate(mu) log2(1 abs(h*w)^2 / sigma2); crb(mu) compute_crb(w, H_target, a_theta, P_total); end plot(rate, crb, o-);我实际跑下来的经验是当天线数比较多、通信信道和感知目标方向不完全共线时Pareto 曲线是一段光滑的凹弧线两端翘中间凹——意思是通信和感知各让半分往往不是最优解把资源压向某一端反而总收益更高。这跟直觉不太一样很多人以为折中就是 50/50实际上由于阵列自由度足够时双波束能同时兼顾曲线中间区域通常存在一个白赚平台两边指标都可以保持较高水平。跑通这个基线之后再逐个改参数天线数减半会怎么移动曲线、目标方向从 10° 挪到 60° 曲线会不会劣化、带宽翻倍后感知变好多少、通信速率掉多少。这些敏感性分析才是真正对项目决策有用的东西比追求一个高大上的算法有意义得多。5. 工程落地和仿真不一样的那些坑5.1 自干扰单站感知躲不掉的第一关仿真里经常默认收发完全隔离但真实单站 ISAC 最大的工程难题就是发射信号泄到接收机里。算个数你就知道有多严重基站发射功率 23dBm目标在 50m 外回波经过双程路径损耗加上目标反射损耗回到接收机时大约只有 -100dBm 量级。而发射机和接收机在同一个平台上哪怕天线做了物理隔离、加了环形器收发之间也会有 30~50dB 的直通泄漏。也就是说泄漏信号比有用回波高出五六十甚至七八十个 dB。这个差距意味着什么呢接收链路的前端必须先把泄漏压掉否则 ADC 直接饱和回波信号连量化都过不了。工程上一般分三级处理第一级是空间隔离收发天线分开放、用不同极化运气好能拿到 30~40dB 的隔离第二级是模拟对消在射频或中频把参考发射信号耦合过来反相叠加再消 20~30dB第三级是数字对消在基带再做一步自适应滤波。三级加在一起才勉强把泄漏压到噪声底附近。这个问题的另一个解法是避免同时收发——分时隙做感知、分时隙做通信把 ISAC 活活做成 TDD 双工。代价是感知占用的时隙不能传数据等于把性能权衡从波束域搬到了时域。哪种方案更好取决于场景对时延不敏感的慢速感知场景分时完全够用对实时性要求高的车联网还是得咬牙上同时同频全双工。5.2 PAPR与功放效率的扯皮OFDM 的高峰均比PAPR在纯通信系统里就是老大难到了 ISAC 里问题更突出。OFDM 的 PAPR 通常在 10~12dB功放为了不失真只能大功率回退回退意味着平均发射功率降低。通信那边可能还能忍感知这边就惨了——探测距离和发射平均功率的四次方根成正比平均功率掉 3dB感知距离直接缩水约 16%。所以做 ISAC 波形设计的人经常在两条路之间纠结保 OFDM 的灵活性和兼容性忍受 PAPR 问题或者降低峰均比比如用 DFT-s-OFDM5G NR 上行用的单载波波形代替纯 OFDM但它把频域的独立调制能力砍掉了感知的灵活度随之下降。还有一派在尝试恒包络波形或调相波形感知性能不错但跟 LTE/NR 体制差的太远兼容性完全为零。我个人比较推荐的工程对策是如果系统必须兼容现有通信体制优先做基于 OFDM 的 ISAC通过削峰、加窗、预留子载波等通信系统已经成熟的 PAPR 抑制手段把峰均比压到 8dB 以内如果是从零开始设计专用 ISAC 系统再考虑非 OFDM 波形。先定体制再谈优化顺序不能反。5.3 用真实数据还是专用导频第三个坑是感知资源到底用通信数据本身还是专门划出感知导频。用真实数据的最大好处是零额外开销频谱效率高前面说的数据剥离机制在单站场景下完全成立。但真实数据的随机性会带来两个问题一是旁瓣起伏弱目标容易被强目标旁瓣盖住二是如果调制方式是高阶 QAM幅度波动大频域剥离之后的残余误差会变多。用专用感知导频比如每隔若干个子载波插入已知序列的好处是感知质量稳定可靠可以针对感知需求专门设计自相关性能良好的序列旁瓣压得很低。缺点是这些子载波不传数据频谱效率降低。工程上的折中方案是部分导频在一帧里保留绝对多数的数据子载波用于通信只在少量子载波和少量符号上插入感知专用序列用来做距离维的旁瓣校准和双站场景的感知参考。比例怎么定取决于系统对通信速率和感知质量的相对优先级——这又是一个量化了就能直接画曲线的权衡。另一个实战细节是相位噪声和时钟同步。OFDM 通信本身对相位噪声有一定容忍度因为解调是针对单个子载波的但感知要做跨子载波的相位拼接和跨符号慢时间积累相位噪声会直接污染距离维和多普勒维的估计。所以 ISAC 系统对本振的相噪指标要求往往比同级通信系统高一档采购时千万别在振荡器上省钱。6. 我的一点体会做 ISAC 这两年多我最大的体会是千万别一上来就扑向复杂的优化算法。先把最简单的单站、单目标、单用户场景跑通把 OFDM 的数据剥离、二维 FFT、CFAR 检测这条链路完整走一遍你才会真正理解哪些性能损失来自波形、哪些来自处理、哪些来自射频前端。很多所谓的联合优化难题追到根子上就是几个物理参数在互相拉扯带宽决定距离分辨率积累时间决定速度分辨率CP 决定最大感知距离天线数决定角度分辨率和波束自由度。把这几个参数的权衡曲线画出来方案的框架基本就定了剩下的优化只是在框架里抠细节。另外我建议所有刚入方向的人养成一个习惯任何优化结果都必须同时汇报通信指标和感知指标缺一个就不算完整方案。ISAC 的难点恰恰在于两个指标之间的此消彼长如果只汇报单边增益方案很容易在评审会上被一句话问住。最后仿真做得再漂亮也记得留一版带相位噪声、带 ADC 量化、带功放非线性的丑仿真那才是离真实系统最近的一条路。
MIMO-OFDM通信感知一体化：从波形原理到工程落地的完整指南
这两年只要是在通信圈里开会ISACIntegrated Sensing and Communication通信-感知一体化这三个字母出现的频率高得吓人。它想干的事情说起来很直白让同一套 MIMO-OFDM 系统既把数据安安稳稳传出去又像雷达一样把周边环境测出来。这个方向为什么被反复提起底层原因就两条——频谱不够分了硬件也想省了。而一旦把通信和感知塞进同一套系统里设计联合优化和性能权衡就成了绕不开的主线。这篇文章我围绕 MIMO-OFDM 体制下的 ISAC把波形原理、优化建模、仿真参数和工程落地里那些坑完整梳理一遍给做预研的工程师和刚入手这个方向的研究生一份能直接上手的参考。1. 为什么ISAC会在5G-A和6G的讨论里突然变热1.1 频谱挤兑是底层驱动力先算一笔最朴素的账。移动通信从 4G 到 5G低频段早就被吃干抹净现在大家往毫米波、甚至太赫兹挤而这些频段里很大一部分原本是雷达、无源探测和各类感知系统在用。频率资源这个东西不是你做干扰管理就能凭空变出来的。过去几年大家提频谱共享、提认知无线电思路还是你发的时候我不发互相躲着走。这种共存coexistence方案的问题在于所有设备都在同一个频段里活动时干扰规避的代价会指数上升。到了 5G-A 和 6G 阶段车联网要求基站既要给车辆传数据、又要探测车辆位置工业场景要求同一个系统既要控制机械臂、又要识别工件缺陷继续靠分时、分频、分区这套老办法资源利用效率撑不住。ISAC 的思路是釜底抽薪既然通信信号本身就是一段携带信息的电磁波它在空间里传播的过程中天然会被目标反射那我们为什么不能把反射回波利用起来做感知这样一来同一段频谱、同一份发射功率既完成了通信任务又完成了感知任务不再存在谁的信号干扰谁的问题——因为它们是同一份信号。这个从共存到融合的思路转变是整个 ISAC 研究的逻辑起点。1.2 场景需求把技术路线逼了出来我接触到的实际项目里几个典型场景对 ISAC 的拉动特别明显。第一个是车联网V2X 通信和车载雷达如果分两套系统天线位置、功耗、成本都很难受而车和路侧设备最理想的状态就是一套系统既能跟邻居车辆交换意图又能测出周围障碍物的距离速度。第二个是智慧工厂机械臂、AGV 小车和基站之间既要通信又要高精度定位多装一套雷达在生产线上既不划算也不美观。第三个是低空经济相关的应用无人机既要和地面站通信地面站又需要对空域里的飞行器进行探测识别两套设备在小尺寸平台上很难同时塞下。这些需求有一个共同特征感知结果和通信数据要一起参与决策。比如一辆车接收前车的刹车信息同时也需要自己测得的前车距离来做双重校验。如果两种能力来自不同系统数据融合、时间同步、坐标系对齐都是麻烦事。合并到同一套 MIMO-OFDM 系统里天然共享时钟和天线坐标这个问题就简单了一大截。1.3 硬件账也算得过来通信系统发展到 5G 之后基站和终端上都攒下了大规模天线阵列。一个 64 通道的 Massive MIMO 阵列从感知的视角看就是一个现成的相控阵雷达孔径。如果只在通信的时候用它空闲的时频资源就浪费了。ISAC 的硬件复用逻辑很简单射频通道、基带处理、时钟参考、天线阵面全部共享只增加少量回波处理链路。这份成本增量摊到整个系统里非常小但换来的感知能力可能值好几台专用雷达的价值。这也是运营商和设备商愿意投入预研的根本原因——基站以后不只是通信基础设施还可能是城市级的感知基础设施。2. MIMO-OFDM能同时干这两件事靠的是什么2.1 OFDM回波处理距离和多普勒怎么被白嫖出来OFDM 能用来做感知核心原因是它的频域结构太适合测距测速了。一个 OFDM 信号由 N 个正交子载波组成每个子载波相当于一个单频探测信号。当它打到目标上反射回来接收端看到的是每个子载波都经历了一个与传播延迟成正比的相位旋转。假设目标距离为 R径向速度为 v发射信号在第 k 个子载波、第 m 个 OFDM 符号上的数据符号是 X[k,m]那么回波在频域可以写成Z[k,m] X[k,m] · exp(-j4πf_k·R/c) · exp(j4πf_c·v·m·T_sym/c) n[k,m]其中 f_k f_c k·Δf 是第 k 个子载波的频率T_sym 是一个 OFDM 符号的持续时间。这里关键的一步是因为是单站感知发射机完全知道自己发出去的 X[k,m]所以接收端直接把回波逐个子载波除以发射数据Y[k,m] Z[k,m] / X[k,m] ≈ exp(-j4πkΔf·R/c) · exp(j4πf_c·v·m·T_sym/c)第一项只跟子载波索引 k 有关它是一条以 R 为斜率的相位斜坡对它做 IFFT就会在某个距离门上出现峰值。第二项只跟符号索引 m 有关对它沿慢时间做 FFT就会在多普勒域出现峰值。所以一次二维 FFT距离和速度同时出来了。这就是 OFDM 感知最核心的机制——通信数据不但没有妨碍感知反而因为接收端已知数据可以被干净地剥离掉。两个关键的分辨率公式必须记住距离分辨率 ΔR c/(2B)只取决于信号总带宽 B速度分辨率 Δv λ/(2·T_CPI)T_CPI 是相干积累的总时长也就是说想要更高的距离分辨率就把带宽做大想要更细的速度分辨率就把感知处理时长拉长。这两条规律在后面讨论参数权衡时会反复用到。还有一个容易忽略的约束回波的往返时延必须落在循环前缀CP的窗口内。OFDM 通信里 CP 是用来抗多径的在感知里它还得额外容纳感知目标的往返时延。5G NR 常规 CP 大约 0.9μs对应的往返距离只有 135m 左右扣除信道多径时延扩展实际可用感知距离还要再打个折扣。所以 ISAC 系统设计里CP 长度也是一个需要和通信需求联合考虑的参数。2.2 MIMO的虚拟孔径感知视角的阵列增益MIMO 在通信里的价值是空间复用和分集在感知里的价值则是虚拟孔径。规则是这样的如果有 N_Tx 个发射天线和 N_Rx 个接收天线发射端通过正交波形在 OFDM 里可以用不同的子载波或正交导频区分不同发射天线把各发射通道的信号区分开那么接收端实际上可以重构出 N_Tx·N_Rx 个收发通道的等效阵列响应。这个虚拟阵列的有效孔径远大于物理天线孔径测角精度大幅提升。举个例子8 发 8 收的半波长均匀线阵如果按 MIMO 雷达方式排布虚拟阵列的等效口径可以做到接近 64 个阵元的效果角度分辨率从单发多收的十几度提升到两三度。配合不同的天线排布方式还能把虚拟阵列构造成稀疏阵来压低旁瓣。这就是为什么 ISAC 系统普遍强调 MIMO——没有 MIMO感知的测角能力根本没法看。从另一个角度看通信里的波束赋形和感知里的波束指向实际上是同一件事大规模天线阵列把能量集中到某个方向。通信希望能量对准用户感知希望能量对准目标两者共用同一套波束成形装置只是优化目标不同。这个共用既是 ISAC 的方便之处也是后面一切权衡矛盾的来源。2.3 一个绕不开的问题通信数据是随机的上面的分析默认接收端能干净地剥离通信数据这在单站 ISAC 场景下成立因为感知接收机就在发射机旁边数据是自己给的。但一旦换成双站场景——比如用一个基站去感知另一个基站或某个终端发出的信号——接收端并不知道对方发的数据是什么就无法做逐符号的数据剥离。双站 ISAC 不是没有办法常见的是利用导频序列或者部分已知的参考信号做感知或者在接收端做盲估计。但盲估计的精度和鲁棒性都会差一截。另外即使在单站场景随机数据符号的幅度波动也会在距离-多普勒图上引起旁瓣起伏弱目标可能被强目标的旁瓣淹没。这就是为什么很多系统会在 OFDM 符号里掺入一部分专门的感知导频来压低旁瓣付出的代价是这部分资源不能传数据。这个数据资源换感知质量的折中在后文优化部分还会再展开。3. 联合优化的本质双目标约束下找折中点3.1 两个指标怎么放进同一个优化问题里联合优化的第一件事是把通信好和感知好翻译成数学语言。通信那边比较成熟信息论给了我们香农容量、中断概率、可达速率这些指标工程上最常用的还是 SINR——信号与干扰加噪声比因为发射端的波束成形直接决定了每个用户看到的 SINR。感知这边的指标就五花八门了。做参数估计理论的喜欢用克拉美-罗界CRB它给出的是测距、测速、测角误差的理论下界数学性质好适合放在优化目标里。做雷达工程的更关心波束方向图匹配误差、峰值旁瓣比PSLR、积分旁瓣比ISLR因为这些直接反映了能不能在强目标旁边发现弱目标。还有一派用互信息量来衡量感知系统从回波里提取了多少目标信息。指标选得不合适优化结果很可能在工程上没法用。比如只用 CRB 做优化算出来的波束可能旁瓣很高因为 CRB 只关心主瓣目标的估计精度不关心旁瓣会不会漏检别的目标。我建议在仿真阶段至少同时看两个指标一个估计精度的理论界一个检测层面的旁瓣指标。两者都达标方案才算是真的稳。有了指标之后联合优化的数学形式基本逃不出两类。第一类是加权和max_W [ μ·C(W) (1-μ)·S(W) ] s.t. tr(W·W^H) ≤ P_totalC(W) 是通信速率或 SINRS(W) 是感知指标μ 是权重W 是跨子载波、跨天线的预编码矩阵。第二类是带约束的单目标max_W S(W) s.t. C(W) ≥ C_mintr(W·W^H) ≤ P_total也就是先保住通信的底线剩下的资源全砸给感知或者反过来。这两类形式各有适用场景无线资源紧张时用带约束的形式比较直观因为运营商往往会明确说通信速率不能低于多少研究阶段画性能边界时用加权和更方便。3.2 波束设计单波束折中与双波束分工波束赋形是联合优化里最具体、也最能体现权衡的操作。假设一个单站 ISAC 基站一个通信用户在一个方向一个感知目标在另一个方向发射波束怎么打第一种做法是单波束折中。把发射加权向量设为通信方向导向矢量和感知方向导向矢量的加权和w α·v(θ_comm) β·v(θ_sense)其中 α 和 β 是归一化后的权重。取 α1 时波束完全对准用户感知目标方向只有很小的增益取 β1 时反过来。引入一个角度变量后波束会落在两个方向的中间某个位置两边都照顾一点。这种做法实现简单代价是两边都不是最优——用户侧 SINR 有损失目标侧感知信噪比也不够而且两个方向夹角越大损失越惨。第二种做法是双波束成形。用足够多的天线自由度在波束方向图上同时设计出两个主瓣一个对准用户、一个对准目标同时还可以在两个方向的间隙处压低旁瓣。这天线数量够多比如 32 通道以上时双主瓣是完全可行的而且两边的性能损失远小于折中波束。代价是部分阵列自由度被感知占用了通信可用的空间自由度变小多用户调度能力下降。实际系统里还可以再加一个维度——频域分工。让一部分子载波的波束对准通信用户另一部分子载波的波束对准感知目标这就是空间频率的联合权衡。资源粒度更细优化空间更大但发射机需要针对不同子载波切换不同的波束权值对射频通道的带宽内一致性要求很高。工程上选择哪个方案取决于天线数量、通道能力和目标方向与用户方向的空间关系不是越花哨越好。3.3 实际用下来靠谱的优化手段这些优化问题写出来都不难真求解起来各有各的坑。最常用的几类工具我列一下半定松弛SDR。二次型约束下的发射波束设计直接把秩一约束丢掉的经典招数。问题松弛成 SDP 后用标准求解器能算算完再通过特征值分解或随机化恢复出可行解。优点是稳健缺点是天线规模一大SDP 的变量规模跟着平方增长64 天线往上就开始吃力了。连续凸逼近SCA。SINR 约束本身非凸但它可以写成凸项和凹项的组合形式迭代地把凹项线性化每步解一个凸子问题。适合同一类问题反复求解的场景因为求解速度快。黎曼流形优化。这个在混合波束成形里很常用。模拟波束部分每个移相器只有相移没有幅度变化也就是恒定模值约束这不是凸集但它是黎曼流形可以在流形上直接做梯度下降。工程上非常实用。交替优化。把联合问题拆成固定模拟波束优化数字波束和固定数字波束优化模拟波束两个子问题来回迭代。实现简单收敛稳定性也不错是我们团队最常用的基线方法。有一点必须提醒很多论文在 Pareto 曲线边上精雕细琢但你先确认一下自己的射频通道能不能做到逐天线连续幅度和相位调整。如果只能用码本里的有限几个波束方向那再精确的优化结果也只能取近似值不如一开始就把离散码本约束扔进问题里。4. 一次完整的仿真推演参数、计算、画曲线4.1 一套参考参数与性能初算光讲概念没用我给出一套我自己用过的仿真参数你可以直接拿去当基线。场景是 28GHz 毫米波单站 ISAC基站同时服务一个通信用户并探测一个运动目标。参数取值说明载波频率 f_c28 GHz波长约 10.7mm系统带宽 B100 MHz决定距离分辨率子载波间隔 Δf120 kHz5G NR 参数集FFT 点数 / 有效子载波1024 / 768部分边缘子载波留作保护OFDM 符号时长 T_sym9.26 μs含约 0.9μs CP相干处理符号数 N_sym140约 1.3ms 积累时长发射天线数8感知虚拟孔径用接收天线数8可扩展到 16/32先算通信硬件里的关键数字。距离分辨率 ΔR c/(2B) 3×10⁸/(2×10⁸) 1.5m。这意味着两个相距小于 1.5m 的目标在距离维上是分不开的。如果做的是车辆或行人级感知100MHz 带宽勉强够用想分辨同一辆车上的两个反射点带宽得加到 400MHz 以上。最大无模糊距离 R_max c/(2Δf) 3×10⁸/(2×120×10³) 1250m。120kHz 子载波间隔下1250m 以内目标没有距离模糊。再看不模糊速度v_max λ/(4T_sym) 0.0107/(4×9.26×10⁻⁶) ≈ 289m/s这个值覆盖绝大多数地面交通场景。速度分辨率呢相干处理 140 个符号总时长 T_CPI ≈ 1.3ms多普勒分辨率 Δf_d 1/T_CPI ≈ 770Hz换算成速度 Δv λ·Δf_d/2 ≈ 4.1m/s。这个值有点尴尬——能分辨出前方车辆在移动但分辨不出前方车辆在加速还是匀速。想做到 1m/s 级别积累时长要到 5ms 以上。这就是通信时延和感知精度之间的第一个直接冲突。4.2 子载波间隔的两面性选子载波间隔是 ISAC 系统设计里最有代表性的权衡。Δf 变大OFDM 符号变短CP 开销占比下降但更重要的是最大无模糊距离变大Δf 从 120kHz 翻倍到 240kHzR_max 从 1250m 缩到 625m反过来Δf 降到 30kHzR_max 能干到 5000m但符号时长变长多普勒模糊范围变窄高速目标会直接折叠。同时Δf 越小同样的积累时长内能放进更多符号慢时间采样更密、速度分辨率更好。但符号时长也不能无限拉长——信道的时间选择性会让子载波正交性受损这是 OFDM 通信最怕的东西。所以你看同一个参数通信从单载波间干扰的角度希望它大感知从无模糊距离和抗多径的角度希望它大但从多普勒模糊和时变信道鲁棒性的角度又希望它小。把这几个约束摆在一起同时满足是 ISAC 波形参数设计的第一个难题。实践中5G NR 的 param 集给了 15/30/60/120kHz 几档ISAC 系统一般根据目标场景选一档而不是单独定制。4.3 怎么把权衡曲线画出来有了参数和优化工具下一步是把性能权衡直观地画出来。标准做法是扫权重 μ 从 0 到 1每个 μ 解一次波束成形优化记录对应的通信速率和感知指标然后画成 Pareto 前沿曲线。伪代码大致是这样% 伪代码单目标、单用户、单站ISAC波束优化 for mu 0 : 0.05 : 1 % 求解加权目标max mu*C(w) (1-mu)*S(w) w solve_weighted_beamform(mu, h, a_theta, P_total); rate(mu) log2(1 abs(h*w)^2 / sigma2); crb(mu) compute_crb(w, H_target, a_theta, P_total); end plot(rate, crb, o-);我实际跑下来的经验是当天线数比较多、通信信道和感知目标方向不完全共线时Pareto 曲线是一段光滑的凹弧线两端翘中间凹——意思是通信和感知各让半分往往不是最优解把资源压向某一端反而总收益更高。这跟直觉不太一样很多人以为折中就是 50/50实际上由于阵列自由度足够时双波束能同时兼顾曲线中间区域通常存在一个白赚平台两边指标都可以保持较高水平。跑通这个基线之后再逐个改参数天线数减半会怎么移动曲线、目标方向从 10° 挪到 60° 曲线会不会劣化、带宽翻倍后感知变好多少、通信速率掉多少。这些敏感性分析才是真正对项目决策有用的东西比追求一个高大上的算法有意义得多。5. 工程落地和仿真不一样的那些坑5.1 自干扰单站感知躲不掉的第一关仿真里经常默认收发完全隔离但真实单站 ISAC 最大的工程难题就是发射信号泄到接收机里。算个数你就知道有多严重基站发射功率 23dBm目标在 50m 外回波经过双程路径损耗加上目标反射损耗回到接收机时大约只有 -100dBm 量级。而发射机和接收机在同一个平台上哪怕天线做了物理隔离、加了环形器收发之间也会有 30~50dB 的直通泄漏。也就是说泄漏信号比有用回波高出五六十甚至七八十个 dB。这个差距意味着什么呢接收链路的前端必须先把泄漏压掉否则 ADC 直接饱和回波信号连量化都过不了。工程上一般分三级处理第一级是空间隔离收发天线分开放、用不同极化运气好能拿到 30~40dB 的隔离第二级是模拟对消在射频或中频把参考发射信号耦合过来反相叠加再消 20~30dB第三级是数字对消在基带再做一步自适应滤波。三级加在一起才勉强把泄漏压到噪声底附近。这个问题的另一个解法是避免同时收发——分时隙做感知、分时隙做通信把 ISAC 活活做成 TDD 双工。代价是感知占用的时隙不能传数据等于把性能权衡从波束域搬到了时域。哪种方案更好取决于场景对时延不敏感的慢速感知场景分时完全够用对实时性要求高的车联网还是得咬牙上同时同频全双工。5.2 PAPR与功放效率的扯皮OFDM 的高峰均比PAPR在纯通信系统里就是老大难到了 ISAC 里问题更突出。OFDM 的 PAPR 通常在 10~12dB功放为了不失真只能大功率回退回退意味着平均发射功率降低。通信那边可能还能忍感知这边就惨了——探测距离和发射平均功率的四次方根成正比平均功率掉 3dB感知距离直接缩水约 16%。所以做 ISAC 波形设计的人经常在两条路之间纠结保 OFDM 的灵活性和兼容性忍受 PAPR 问题或者降低峰均比比如用 DFT-s-OFDM5G NR 上行用的单载波波形代替纯 OFDM但它把频域的独立调制能力砍掉了感知的灵活度随之下降。还有一派在尝试恒包络波形或调相波形感知性能不错但跟 LTE/NR 体制差的太远兼容性完全为零。我个人比较推荐的工程对策是如果系统必须兼容现有通信体制优先做基于 OFDM 的 ISAC通过削峰、加窗、预留子载波等通信系统已经成熟的 PAPR 抑制手段把峰均比压到 8dB 以内如果是从零开始设计专用 ISAC 系统再考虑非 OFDM 波形。先定体制再谈优化顺序不能反。5.3 用真实数据还是专用导频第三个坑是感知资源到底用通信数据本身还是专门划出感知导频。用真实数据的最大好处是零额外开销频谱效率高前面说的数据剥离机制在单站场景下完全成立。但真实数据的随机性会带来两个问题一是旁瓣起伏弱目标容易被强目标旁瓣盖住二是如果调制方式是高阶 QAM幅度波动大频域剥离之后的残余误差会变多。用专用感知导频比如每隔若干个子载波插入已知序列的好处是感知质量稳定可靠可以针对感知需求专门设计自相关性能良好的序列旁瓣压得很低。缺点是这些子载波不传数据频谱效率降低。工程上的折中方案是部分导频在一帧里保留绝对多数的数据子载波用于通信只在少量子载波和少量符号上插入感知专用序列用来做距离维的旁瓣校准和双站场景的感知参考。比例怎么定取决于系统对通信速率和感知质量的相对优先级——这又是一个量化了就能直接画曲线的权衡。另一个实战细节是相位噪声和时钟同步。OFDM 通信本身对相位噪声有一定容忍度因为解调是针对单个子载波的但感知要做跨子载波的相位拼接和跨符号慢时间积累相位噪声会直接污染距离维和多普勒维的估计。所以 ISAC 系统对本振的相噪指标要求往往比同级通信系统高一档采购时千万别在振荡器上省钱。6. 我的一点体会做 ISAC 这两年多我最大的体会是千万别一上来就扑向复杂的优化算法。先把最简单的单站、单目标、单用户场景跑通把 OFDM 的数据剥离、二维 FFT、CFAR 检测这条链路完整走一遍你才会真正理解哪些性能损失来自波形、哪些来自处理、哪些来自射频前端。很多所谓的联合优化难题追到根子上就是几个物理参数在互相拉扯带宽决定距离分辨率积累时间决定速度分辨率CP 决定最大感知距离天线数决定角度分辨率和波束自由度。把这几个参数的权衡曲线画出来方案的框架基本就定了剩下的优化只是在框架里抠细节。另外我建议所有刚入方向的人养成一个习惯任何优化结果都必须同时汇报通信指标和感知指标缺一个就不算完整方案。ISAC 的难点恰恰在于两个指标之间的此消彼长如果只汇报单边增益方案很容易在评审会上被一句话问住。最后仿真做得再漂亮也记得留一版带相位噪声、带 ADC 量化、带功放非线性的丑仿真那才是离真实系统最近的一条路。
