深度学习辅助的毫米波集成传感与通信中的波束选择

《Digital Signal Processing》：Deep-Learning Assisted Beam Selection for Millimeter Wave Integrated Sensing and Communication

针对集成感知与通信系统中由传感波束干扰导致的通信波束对齐精度下降问题，本文提出基于深度神经网络的多分类波束选择方法，结合遗传算法优化波束代码书和广义似然比检验的自适应训练机制，有效抑制干扰，显著提升不同信道条件下的波束对齐性能。

　　

柴文琪|郭曼青|刘春山|赵楼

中国杭州电子科技大学通信工程学院

摘要

在毫米波车对基础设施（V2I）网络中，集成感知与通信（ISAC）的性能受到感知波束干扰的影响，这种干扰会降低通信波束对准的准确性。传统的波束选择方法在这种场景下表现不佳，尤其是在通信目标位于感知角度附近时。本文通过将波束选择问题表述为一个多分类问题来解决这一挑战，并利用深度神经网络来准确确定波束成形方向，从而克服干扰。为了提高性能，我们采用了遗传算法来优化发射波束码本，以增强波束模式的区分度；同时开发了一种基于广义似然比测试（GLRT）的自适应训练方案，以确保在不同信道条件下的鲁棒性。仿真结果表明，所提出的方法显著优于传统方法，为ISAC系统中的高精度波束对准提供了可靠的解决方案。

引言

未来的无线通信网络预计将支持自动驾驶等先进应用，其中车对基础设施（V2I）通信发挥着重要作用[1]、[2]、[3]。这些未来网络的一个关键特点是基础设施能够感知物理环境[2]。为此，集成感知与通信（ISAC）成为一个有前景的研究方向，因为它允许通信和感知功能共享单一硬件平台，从而降低成本并提高频谱效率[4]。毫米波（mmWave）大规模多输入多输出（mMIMO）技术是ISAC的关键推动力，它提供了丰富的频谱，以实现超高速数据和高分辨率感知[5]、[6]。然而，由于毫米波信号的严重传播损耗，需要波束成形来提供方向增益以确保足够的覆盖范围[7]。实现这一增益的基础是将波束与主导信道路径对齐，这一过程称为波束对准[8]、[9]、[10]。

在ISAC系统中，大量研究集中在资源分配上，以平衡感知和通信性能之间的权衡[11]。这些研究通常旨在在通信服务质量（QoS）约束下优化雷达波束成形[12]、[13]，在保证一定通信速率的同时最大化感知QoS[14]、[15]，或在满足通信信噪加干扰比（SINR）要求的同时最小化雷达估计误差[16]、[17]。尽管这些贡献对优化系统性能很有价值，但它们都有一个共同且关键的局限性：它们都假设已经与用户建立了稳定的通信链接。然而，在实践中，通过波束对准最初建立这一链接是一个非平凡的挑战，必须首先解决。

基于感知的辅助通信被提出，通过利用从感知功能获得的信息来进行信道估计和波束成形来促进链接建立[18]。例如，已经开发了使用雷达进行信道角度估计的方法[19]，或者利用车辆位置估计直接生成波束成形向量以节省资源[20]、[21]、[22]。深度学习技术也被用来根据预测的车辆状态进一步细化波束成形和跟踪[23]、[24]、[25]。虽然这些方法有效地利用了感知数据来加速通信设置，但它们的主要优势仅在于感知目标和通信用户是同一实体的情况。对于更普遍和实际的情况，即路边单元（RSU）必须在与不同用户建立通信链接的同时感知一个目标，目前讨论较少。

在这种感知目标和通信目标不同的场景中，引入了一个独特且重大的挑战：感知波束在通信波束训练过程中成为强烈的、不可忽视的干扰源[26]、[27]。当通信用户位于感知方向附近时，这种干扰尤为明显。因此，依赖从空间扫描中识别最强接收信号的传统波束选择方法[28]、[29]、[30]可能会失败，导致波束对准精度严重下降。

为了说明这些局限性，我们在表1中总结了ISAC波束对准领域的最新方法。如表所示，现有文献主要集中在资源优化或感知和通信目标相同的场景上，而强干扰下的初始波束对准这一具体挑战基本上没有得到解决。受此启发，我们解决了ISAC系统中在感知波束强干扰下的通信波束选择问题。我们提出了一种基于深度学习的辅助方法，旨在通过学习区分受感知干扰影响的测量值来克服现有方法的局限性。

本文的主要贡献总结如下：

•

我们将感知干扰下的波束选择问题表述为一个多分类任务，并提出了一种基于深度神经网络（DNN）的解决方案，以准确确定受干扰波束测量值中的最佳波束成形方向。

•

为了提高分类准确性，我们开发了一种基于遗传算法（GA）的新型波束合成方法，用于设计具有低模式相似性的发射波束码本，从而在干扰下增强波束的区分度。

•

为了确保在不同信道条件下的鲁棒性，我们引入了一种基于广义似然比测试（GLRT）的自适应波束训练机制，该机制动态调整训练持续时间以满足目标信号质量。

•

我们进行了广泛的仿真，验证了我们提出方法的有效性，在视距（LOS）和非视距（NLOS）场景中均显示出比传统方法显著的性能提升。

本文的其余部分组织如下。第2节描述了系统模型，包括通信信道模型、ISAC系统的传统波束分割技术和传统波束选择方法。第3节介绍了我们提出的方法，包括基于GA的波束合成方法、基于DNN的波束选择模型以及基于GLRT的自适应波束训练。第4节展示了数值结果。最后，第5节总结了结论。

符号说明：矩阵和向量用粗体表示，(?·?)^T和(?·?)^H表示转置和厄米特转置操作。$C{}^{M\times N}$表示具有复数元素的M?×?N矩阵空间。E{?·?}表示统计期望操作。$CN(u,{\sigma }^2)$表示均值为u、协方差为σ²的圆对称高斯噪声。

部分内容摘要

系统模型

我们考虑了一个V2I场景，其中RSU的任务是感知目标车辆，同时为另一个用户车辆提供通信服务，如图1所示。在这个双功能系统中，RSU将其大部分资源用于感知，以确保高质量的数据采集，剩余资源用于通信。我们假设RSU和用户车辆都配备了均匀线阵（ULAs）。

提出的方法

在本节中，我们详细介绍了我们提出的基于深度学习的辅助波束选择框架。如第2.3节所述，感知干扰下接收信号之间的高相关性是传统方法的主要瓶颈。为了解决这个问题，我们首先引入了一种基于GA的新型波束合成方法来设计码本，以减轻这一限制。

数值结果

在本节中，我们评估了本工作中考虑的ISAC场景中的通信波束对准性能。在仿真中，RSU配备了ULA，该ULA分为通信模块和感知模块，用于感知和通信的天线数量分别为和。通信目标采用单天线，同时考虑了视距（LOS）和非视距（NLOS）场景。为了适应不同的通信场景，我们

结论

在这项工作中，我们提出了一种基于深度学习的辅助波束选择框架，用于ISAC系统，有效减轻了感知目标和通信目标不同时的干扰。通过将问题表述为一个多分类任务，并采用遗传算法（GA）优化的码本和基于广义似然比测试（GLRT）的自适应训练方案，我们的方法在不同信道条件下实现了鲁棒且资源高效的波束对准。虽然这项研究

CRediT作者贡献声明

柴文琪：撰写——原始草稿、可视化、软件、方法论、概念化。郭曼青：撰写——审稿与编辑、撰写——原始草稿、可视化、验证、监督、方法论、概念化。刘春山：撰写——审稿与编辑、撰写——原始草稿、可视化、监督、方法论、资金获取、概念化。赵楼：撰写——审稿与编辑、可视化、方法论、概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。