1. 项目概述当通信与感知在近场相遇在6G网络向空天地一体化演进通信、感知与计算深度融合的大背景下集成感知与通信ISAC正成为未来智能无线系统的关键技术范式。其核心思想不再是通信与感知功能在频谱和硬件上的简单共存而是通过共享信号、硬件和信号处理资源实现“一体两面”的协同设计。这意味着同一个射频信号在完成高速数据传输的同时也能像雷达波一样“感知”环境获取目标的位置、速度甚至轮廓信息。这种深度融合带来的价值是革命性的它不仅能大幅提升频谱和能量效率更能为自动驾驶、工业物联网、低空经济等场景提供前所未有的“通信即感知”服务实现从“连接”到“理解”的跨越。然而当我们将目光投向6G可能广泛使用的高频段如毫米波、太赫兹和大规模天线阵列时一个关键挑战浮出水面近场效应。传统远场通信基于平面波假设信号波前近似平行波束赋形主要控制信号的方向。但在近场区域电磁波呈现球面波特性信号幅度和相位随距离的变化更为复杂。这既是挑战也是机遇。挑战在于阵列几何、传播距离与波束赋形设计之间产生了强耦合传统远场模型和优化方法不再适用。机遇则在于球面波特性使得我们能够实现真正的三维空间能量聚焦将信号能量精确地“汇聚”到目标点而非简单地“指向”某个方向这为实现厘米级甚至毫米级的高精度定位和超高速率通信提供了物理基础。为了驾驭近场我们需要更灵活的“画笔”。传统固定阵列天线一旦制造完成其几何结构便无法改变在应对动态变化的近场环境时显得力不从心。可重构智能表面RIS虽然能动态调控电磁波但其本质是无源反射存在“双路径损耗”的瓶颈。近年来一种名为“夹持天线系统”PASS的新型天线架构引起了广泛关注。想象一下将一个个微小的辐射粒子夹持天线像“夹子”一样灵活地夹持在低损耗的介质波导上。这些粒子的位置可以沿着波导动态调整从而形成一个几何结构可重构的大型孔径阵列。这种架构结合了波导低损耗传输的优势和天线位置灵活可调的灵活性能够主动建立更有利的视距链路抑制大尺度路径损耗并充分利用近场球面波特性进行精细的波束聚焦。本文要探讨的正是如何将这种创新的多波导夹持天线阵列Multi-Waveguide PASS应用于近场ISAC系统并通过一套智能的协同优化算法让通信与感知这对“双生子”在近场区域和谐共生发挥出“112”的效能。2. 系统核心多波导夹持天线阵列与近场信道建模2.1 多波导夹持天线阵列架构解析让我们先来拆解这个系统的硬件核心。如图1所示我们的系统由八根平行的介质波导构成它们沿着y轴方向等间距排列。每根波导的长度为30米架设在离地3米的高度上沿着x轴方向延伸。这才是PASS的“舞台”。在这个舞台上共有64位“演员”——夹持天线PA元件。它们被灵活地部署在这八根波导上通常每根波导部署8个。与传统阵列天线焊死在PCB板上不同每个PA都可以在所属波导的x轴方向上自由移动和锁定位置。这种“夹持”机制是PASS的灵魂它赋予了系统前所未有的几何可重构自由度。我们可以根据通信用户例如位于[15, 10, 0]米处的绿色方块和感知目标例如位于[15, -10, 0]米处的紫色三角的实时位置动态优化这64个PA的分布从而在三维空间中“雕刻”出最有利于ISAC联合性能的辐射图案。这种架构的优势是多方面的大孔径与低损耗介质波导本身对电磁波的传输损耗极低在28GHz下典型值约为0.17 dB/m使得信号可以沿着数十米长的波导传输而衰减很小。PA从波导中耦合能量并辐射出去相当于将一个大孔径天线的馈电网络“分布”在了波导上避免了传统大型相控阵复杂且损耗高的馈电网络。位置可重构性这是PASS区别于任何固定或有限可调阵列的核心。通过优化PA的位置我们实际上是在优化整个天线阵列的“形状”和“稀疏度”这为近场波束聚焦提供了远超传统相位调制的自由度。空间分集多波导布局在y方向提供了天然的空间分集。这对于感知尤其重要因为目标在x和y方向上的定位精度依赖于阵列在不同维度上的孔径。多波导结构能有效改善y方向的几何精度衰减因子GDOP从而提升整体定位性能。2.2 近场球面波信道模型从公式到物理意义在近场区域不能再把电磁波看成一束束平行光。信号从每个PA辐射出去是以球面波的形式传播到目标点的。因此信道响应必须精确刻画随距离变化的路径损耗和相位延迟。对于第i个位于pi [xi, yi, zi]^T的PA到空间某点q [x, y, z]^T的信道响应hi(q)我们建立如下模型hi(q) (η / di(q)) * exp(-α_wg * xi) * exp(-j * (2π/λ) * (n_eff * xi di(q)))这个公式虽然看起来复杂但每一项都有明确的物理意义di(q) ||pi - q||这是PA到目标点的直线距离决定了自由空间传播的相位延迟(2π/λ) * di(q)。η / di(q)这是自由空间路径损耗项其中η λ/(4π)是自由空间阻抗因子。它体现了信号功率随距离di(q)成反比衰减的基本规律是坡印廷矢量的直接体现。exp(-α_wg * xi)这是波导传播衰减项。α_wg是波导的衰减系数单位奈培/米。信号在到达位于xi位置的PA之前已经在波导内部传输了xi的距离这部分传输也会带来能量损耗。对于28GHz频段常用的聚合物介质波导如PTFE、聚乙烯α_wg的典型值在0.01到0.10 Np/m之间。本文采用α_wg 0.02 Np/m约0.17 dB/m这意味着信号在30米长的波导末端仅因波导传输就衰减了约7.8 dB。这项是PASS信道模型区别于传统自由空间信道的关键。exp(-j * (2π/λ) * n_eff * xi)这是波导内传播的相位延迟项。n_eff是波导的有效折射率本文设为1.4。由于电磁波在介质波导中的传播速度慢于真空波导内的传播路径xi也会贡献额外的相位延迟(2π/λ) * n_eff * xi。这一点至关重要PA的辐射相位不仅取决于它在空间中的位置pi还取决于它在波导上的位置xi。这为波束赋形增加了一个独特的调控维度。整个阵列到目标点的信道向量h(q)就是所有64个PA信道响应的叠加h(q) [h1(q), h2(q), ..., h64(q)]^T。这个模型精确捕捉了近场球面波传播的所有关键特征为后续的联合优化奠定了理论基础。实操心得模型参数的实际考量在实际仿真或系统设计中波导衰减系数α_wg和有效折射率n_eff需要根据所选波导材料的实测数据或精确仿真来确定。不同的材料如Rogers RO3003、Taconic RF-35和波导截面形状矩形、脊形会导致这些参数显著不同。建议在项目初期就通过矢量网络分析仪VNA测量一段已知长度的波导样品的S参数来反推这些关键参数而不是仅仅依赖文献中的典型值。2.3 性能度量通信速率与感知精度ISAC系统需要同时服务两个“客户”通信用户和感知目标。因此我们需要两个心指标来衡量系统性能。通信性能可达速率通信性能由香农公式定义的可达速率R来衡量R B * log2(1 (Pc * |h^H(qu) w|^2) / σ^2)其中B是系统带宽500 MHzPc是分配给通信的功率w是波束赋形向量满足||w||^2 1σ^2是噪声功率-90 dBm。|h^H(qu) w|^2项被称为等效波束赋形增益它衡量了经过波束赋形后在用户方向qu上的信号功率增强效果。最大化这个项就意味着将波束的主瓣精准地对准用户。感知性能克拉美-罗下界CRB感知的核心任务是估计目标的位置θ [xs, ys]^T。我们使用克拉美-罗下界CRB来衡量理论上无偏估计器所能达到的最佳定位精度。CRB是费舍尔信息矩阵FIM的逆矩阵的对角线元素。对于我们的单目标定位问题在已知探测波形的前提下可以推导出FIM第(i, j)项的闭合形式表达式[F(θ)]_ij (2 * L * Ps / σ^2) * Σ_n |h_n(qs)|^2 * (1/d_n^2 4π^2/λ^2) * (Δ_n,i * Δ_n,j / d_n^2)这里L是感知信号快拍数Ps是感知功率求和遍历所有PA。Δ_n,x xs - x_nΔ_n,y ys - y_n是目标与第n个PA在x和y方向上的坐标差。这个公式的物理意义非常深刻信道增益权重|h_n(qs)|^2项表明距离目标越近的PAd_n小其信道增益越大对FIM的贡献也越大。近场曲率因子(1/d_n^2 4π^2/λ^2)项是近场特有的。在远场d_n λ1/d_n^2可忽略只剩下4π^2/λ^2即传统的相位梯度主导。而在近场1/d_n^2代表的幅度梯度不可忽略它源于球面波幅度随距离1/d衰减的特性。正是这个幅度梯度项使得近场定位能够突破远场的“角度分辨率”限制实现基于距离差的高精度定位。几何投影因子(Δ_n,i * Δ_n,j / d_n^2)项反映了PA与目标之间的几何关系。当PA围绕目标分布越开空间分集越好FIM矩阵的行列式越大CRB就越小定位精度越高。最终我们用一个聚合的位置CRB度量CRB_pos(θ) 0.5 * (sqrt(CRB(qx)) sqrt(CRB(qy)))它直观地代表了目标位置估计的理论均方根误差RMSE下界。注意事项CRB的适用条件CRB给出了理论上的最佳精度实际算法如最大似然估计的性能可能接近但无法超越它。CRB的成立依赖于一些假设如信号模型准确、噪声是加性高斯白噪声、参数可辨识等。在实际系统中多径、时钟同步误差、硬件非线性等因素都会使实际性能劣于CRB。因此CRB更多地是作为系统设计和优化时的理论基准和性能潜力评估工具。3. 联合优化问题构建与求解挑战3.1 问题数学表述多目标下的资源博弈ISAC的本质是通信与感知功能对有限资源主要是功率和空间自由度的竞争。我们的目标不是单纯最大化通信速率或最小化定位误差而是在两者之间寻找一个最优的权衡点。因此我们构建了一个加权和形式的优化问题max_{x, Pc, Ps, w} [ α * R(x, Pc, w) - β * CRB(x, Ps, w) ]其中α和β是权重系数α β 1, α, β 0反映了我们对通信和感知性能的偏好。x代表所有PA的位置向量Pc和Ps是通信与感知功率w是波束赋形向量。这个问题受到一系列物理和硬件约束总功率约束Pc Ps ≤ Pt总功率预算例如20 dBm。最小功率约束Pc ≥ Pc_min,Ps ≥ Ps_min保证基本功能。最小间距约束||pi - pj|| ≥ d_min例如λ/2 ≈ 5.36mm防止PA之间距离过近导致互耦效应恶化。波束赋形归一化||w||^2 1。离散相位约束波束赋形向量w的每个元素的相位只能从有限集合中选取例如6比特量化对应64个均匀相位点。3.2 求解的难点高维、非凸、混合整数这个优化问题极其复杂是典型的“硬骨头”问题原因如下高维优化变量包括64个PA的x坐标连续、2个功率值连续和64个复波束赋形权值的相位离散。即使只考虑相位在6比特量化下也有64^64种可能组合是天文数字。非凸目标函数中通信速率R是关于w和x的非凸函数因为|h^H w|^2是w的二次型但h本身是x的复杂函数。CRB也是关于x和w的非凸函数。整个问题是高度非凸的存在大量局部最优解。混合整数变量类型混合了连续变量位置、功率和离散变量量化相位。强耦合PA的位置x决定了信道h而h又直接影响最优的波束赋形w和功率分配(Pc, Ps)。这些变量相互纠缠无法轻易解耦。传统的凸优化或基于梯度的方法对此类问题束手无策。我们需要一种能够全局搜索、同时处理连续和离散变量的智能优化框架。4. 协同优化算法PSO与GA的“双剑合璧”为了攻克上述难题我们设计了一种协同交替粒子群优化-遗传算法PSO-GA框架。其核心思想是“分而治之交替优化”将耦合的联合优化问题分解为两个相对容易处理的子问题通过外层循环交替迭代让PSO和GA这两种算法优势互补协同寻找高性能解。4.1 算法框架总览整个算法的流程如算法1所示是一个清晰的交替优化循环初始化随机或按规则初始化PA位置、波束赋形如最大比传输MRT和功率分配。外层循环重复以下步骤直到收敛 a.阶段一PSO优化固定波束赋形w使用粒子群优化PSO来优化连续变量——PA位置x和通信/感知功率Pc, Ps。 b.阶段二GA优化固定位置和功率使用遗传算法GA来优化离散变量——量化相位波束赋形向量w。 c.收敛判断检查目标函数加权和的提升是否小于阈值或达到最大迭代次数。4.2 粒子群优化PSO驾驭连续空间PSO模拟鸟群觅食行为非常适合在连续空间中进行搜索。每个“粒子”代表系统的一个候选解即一个66维的向量[x1, x2, ..., x64, Pc, Ps]。粒子如何“飞” 每个粒子根据以下公式更新自己的速度和位置速度更新v_i^{t1} ω * v_i^t c1 * r1 * (pbest_i - x_i^t) c2 * r2 * (gbest - x_i^t)位置更新x_i^{t1} x_i^t v_i^{t1}ω是惯性权重控制粒子保持之前速度的趋势。我们通常采用线性递减策略如从0.9到0.4前期鼓励探索后期鼓励挖掘。c1和c2是学习因子通常设为2.0分别代表粒子向自身历史最佳位置pbest和群体历史最佳位置gbest学习的倾向。r1,r2是[0,1]间的随机数引入随机性。适应度函数飞行的“指南针”粒子飞向哪里由适应度函数引导即我们的优化目标f_PSO κ(Ps) * [α * R - β * CRB] γ * Penalty其中κ(Ps)是一个感知功率的轻微加权因子用于避免极低感知功率下的数值不稳定。Penalty是惩罚项用于处理违反约束如功率超限、PA间距过小的解迫使粒子在可行域内搜索。约束处理投影法对于PSO产生的不满足最小间距约束的PA位置我们采用投影法进行修正如果两个PA的距离小于d_min则将它们沿着连线方向推开直到刚好等于d_min。对于功率约束则先保证最小功率再按比例缩放以满足总功率预算。这种方法计算简单能有效保证解的可行性。4.3 遗传算法GA探索离散组合空间GA模仿生物进化过程适用于像波束赋形相位这种离散组合优化问题。编码与解码我们将一个波束赋形向量w编码成一条“染色体”。由于w是归一化的我们只关心其相位。采用6比特二进制编码每个PA的相位用6位二进制数表示对应64个均匀分布的相位值分辨率约5.6°。这样一条染色体就是64 * 6 384比特的二进制串。解码时将每6位转换为整数d_i再映射为相位φ_i (2π / (2^6 - 1)) * d_i最后得到w_i (1/√64) * exp(j * φ_i)。遗传操作选择、交叉、变异选择轮盘赌适应度高的个体染色体有更高概率被选中进入“交配池”。交叉单点交叉随机选取一个交叉点以一定概率如80%交换两个父代个体交叉点后的基因段产生两个子代。这是产生新解的主要方式。变异位翻转以较小概率如1%随机翻转染色体上的某些比特位引入新的基因材料维持种群多样性避免早熟收敛。精英保留每一代中适应度最高的个体直接保留到下一代防止优秀基因丢失。4.4 关键加速策略物理信息引导的初始化随机初始化GA种群虽然能保证多样性但往往起点质量低在高维空间中收敛缓慢。我们引入了一种物理信息引导的初始化策略将通信和感知领域已知的高性能波束赋形方案经过量化后作为“精英种子”注入初始种群。最大比传输MRT波束赋形对于固定阵列最大化通信速率的全局最优波束赋形是w_MRT h_u* / ||h_u||即信道共轭。我们计算当前PA布局下的h_u得到w_MRT再将其相位量化后编码为染色体。加权ISAC闭式解波束赋形对于一个权衡参数μ最大化μ * |h_u^H w|^2 (1-μ) * w^H G_s w的全局最优解是矩阵[μ * h_u h_u^H (1-μ) * G_s]的主特征向量。这里G_s是感知增益矩阵。通过扫描μ从0到1我们可以得到一系列从纯感知最优到纯通信最优的帕累托最优波束赋形。将这些解量化后注入种群。这样做的妙处初始种群不再是“盲人摸象”而是包含了分布在帕累托前沿Pareto Frontier附近的高质量解。这相当于给进化算法提供了“地图”和“路标”极大地加速了收敛过程并提高了找到全局更优解的概率。4.5 算法特性分析复杂度主要来自PSO和GA的迭代计算。PSO部分复杂度约为O(N_PSO * I_PSO * D)其中D66是连续变量维度。GA部分复杂度约为O(N_GA * I_GA * L)其中L384是染色体长度。虽然混合策略增加了计算量但其互补性带来的收敛加速效果对于此类高维非凸问题总体效率更高尤其适合离线规划场景。收敛性PSO利用社会学习快速导向有希望的区域GA通过交叉变异进行全局探索和局部精炼。两者交替既能避免PSO早熟收敛于局部最优又能弥补GA在连续变量优化上的不足。实验表明PSO-GA的收敛速度比单独使用PSO或GA快10%-25%。稳定性精英保留策略确保了历史最优解不会丢失。GA的随机性帮助跳出局部最优。在动态环境中PSO模块可以实时调整资源分配GA模块自适应优化波束赋形展现了较强的鲁棒性。5. 仿真结果与深度分析我们基于表1的系统参数进行了大量仿真验证所提方案的有效性。核心场景是8波导、64 PA工作在28GHz带宽500MHz。5.1 优化结果可视化图2展示了优化后的PA位置和波束相位分布。从位置图可以看到PA在靠近通信用户y10m侧的波导上分布更密集这有利于增强通信链路增益。同时阵列整体布局仍然能有效“照亮”感知目标y-10m侧体现了ISAC的联合设计思想。相位图则显示64个PA的相位在[-180°, 180°]区间内连续平滑变化与优化后的阵列几何结构相匹配能够合成同时指向用户和目标的波束并抑制旁瓣干扰。5.2 算法收敛性与性能对比图3和图4清晰地展示了PSO-GA混合算法的优越性。在收敛曲线中PSO-GA能够快速将目标函数值提升至5.6约20代内并最终稳定在6.1左右性能最佳。相比之下单独的PSO虽然稳定但容易早熟性能次之单独的GA则波动剧烈稳定性差随机搜索性能最差。这证明了PSO处理连续变量和GA处理离散变量的协同效应是有效的。5.3 通信-感知权衡与帕累托前沿图5展示了优化后的资源分配结果总功率20 dBm中15.0 dBm分配给通信4.7 dBm分配给感知。这反映了在权重系数α和β的设置下系统优先保障通信性能同时将感知功率维持在有效范围内。最终系统实现了约6.10 Gbps的通信速率和约0.01米的定位精度展现了近场ISAC的巨大潜力。图8和图9则从理论层面揭示了通信与感知之间的根本性权衡。通过变化权衡参数μ可以得到一系列帕累托最优解形成一条帕累托前沿曲线。曲线上的每一个点都代表在给定资源下通信速率和感知精度CRB所能达到的最佳折衷。靠近μ1MRT的点速率高但定位差靠近μ0感知最优的点定位准但速率低。我们提出的PSO-GA算法通过联合优化位置、功率和波束赋形找到的操作点能够逼近甚至超越固定阵列几何下的连续相位帕累托边界这凸显了联合优化相对于仅优化波束赋形的优势。5.4 鲁棒性分析不完美CSI与硬件限制实际系统总是不完美的。图15分析了在不完美信道状态信息CSI下的性能。我们建模估计信道为ĥ h Δh其中Δh为估计误差。结果显示即使在中等误差水平NMSE -10 dB下所提PSO-GA方案的通信速率保持率仍接近100%定位误差仅从0.02米增加到约0.4米且远低于2米的设计门限。这得益于联合优化的PA布局和波束赋形提供了固有的空间分集对个别信道误差不敏感。图12和图13考察了硬件限制的影响。图12对比了连续位置优化和两态激活/关闭二进制激活模式下的近场波束图案。二进制模式下PA只能从预定义的离散网格点中选择激活波束聚焦区域略有展宽旁瓣电平轻微升高但基本保留了连续模式的空间能量聚焦特性。性能损失通信速率约3-8%定位CRB略有增加在可接受范围内证明了离散化实施的可行性。图13进一步分析了激活比例对性能的影响。一个关键发现是激活约50%-75%的PA即可恢复90%-95%的全阵列性能。通信性能在激活50%的PA时出现一个峰值这是因为适度的稀疏化有时反而能优化波束模式减少互耦。感知性能则随着激活PA数量的增加单调提升因为更多的空间采样点直接提升了费舍尔信息。这为实际系统设计提供了重要指导无需激活全部PA通过智能选择激活子集就能以更低的硬件成本、功耗和控制复杂度获得接近最优的性能。5.5 波导-天线配置的权衡图14探讨了一个根本性的系统设计问题在总PA数固定为64个的前提下应该用少量长波导每根波导上PA多还是多用几根短波导每根波导上PA少通信速率倾向于“少波导多PA/波导”。当所有64个PA集中在一根波导上时通信速率最高6.83 Gbps。因为通信依赖于相干波束赋形增益这增益与同波导上的PA数量成正比。将PA分散到多根波导会降低每根波导的孔从而降低波束赋形增益。定位精度倾向于“多波导少PA/波导”。当所有PA在一根波导上时定位误差最差0.26米因为所有观测都来自同一个线性方向几何多样性差导致FIM病态。增加到2根波导误差急剧下降46%。超过4根后改善趋于平缓。这揭示了ISAC系统内在的通信-感知架构权衡通信追求集中式的相干增益感知需要分布式的空间分集。在实际部署中需要根据业务需求是更看重速率还是精度来折中选择波导数量和每波导PA数。6. 总结与工程化思考这项研究通过将多波导夹持天线阵列PASS与近场ISAC相结合并设计PSO-GA协同优化框架进行联合资源调配成功展示了在28GHz频段下同时实现6Gbps高速通信和厘米级高精度感知的潜力。仿真验证了该方案在通信-感知权衡、算法收敛性和实际约束离散化、CSI误差、波导衰减下的鲁棒性。从工程实践角度有几点延伸思考实时性挑战本文的PSO-GA算法属于计算密集型离线优化。对于动态场景需要研究低复杂度的在线算法例如基于深度学习代理模型的优化、或利用上次优化结果进行热启动的增量式算法。扩展场景当前工作是单用户单目标。未来的方向包括多用户通信、多目标感知、以及考虑非视距NLOS多径环境的更复杂信道模型。系统校准PASS的效能高度依赖于对每个PA位置、波导特性α_wg,n_eff的精确已知。这需要一套高精度的实时定位与校准系统可能是实际部署中的主要挑战之一。硬件实现如何设计低损耗、可快速精确移动并锁止PA的机械/电子结构是实现PASS概念的关键。压电马达、微机电系统MEMS或液晶调相器可能是潜在的技术路径。这项研究为6G时代实现通感一体化的近场高精度服务提供了一种富有潜力的硬件架构和系统设计思路。它告诉我们通过软硬件协同创新我们确实有可能在频谱和硬件资源受限的条件下同时“看得清”也“传得快”。