利用卫星-地面融合技术对分布式ISAC网络进行协作信道估计

《Digital Signal Processing》：Cooperative Channel Estimation for Distributed ISAC Networks Using Satellite-Terrestrial Fusion

本文提出一种基于GEO卫星与多无人机协同的分层信号处理框架，解决UAV广域感知中的强弱目标干扰和计算复杂度问题。首先建立GEO传输-目标散射-无人机接收的多径传播模型，通过JADESA算法分离强目标的2D-DOA和Doppler参数，随后采用IWPB等Doppler域滤波技术抑制25dB以上的强干扰，最后基于J2D2AESA-II算法实现弱目标信道估计。创新性融合多UAV几何投影模型，完成混合信号环境下3D目标定位与运动参数（距离/速度）联合估计，仿真验证了方法的有效性。

　　本文探讨了一种先进的卫星-地面一体化感知与通信（ISAC）场景，该场景结合了地球同步轨道（GEO）卫星、主无人机、多个辅助无人机以及非合作无人机目标。该研究旨在解决无人机广泛感知应用中面临的挑战，包括有限的载荷容量和强弱目标之间的干扰问题。通过利用GEO卫星的传输特性，本文提出了一种新的卫星-地面协同信道估计方案，从而提升复杂多目标环境下的定位与运动参数估计能力。

卫星-无人机协同感知系统中的信号传播通常遵循“GEO传输 - 目标散射 - 无人机接收”的路径配置。这种结构使得GEO卫星在提供广泛覆盖的同时，能够与无人机协同工作，实现更高效的信号处理。然而，传统方法在处理混合强弱信号时存在诸多不足，例如计算复杂度高、对弱信号的估计能力有限，以及在多目标环境中难以实现精确的定位与运动参数估计。因此，本文提出了一种创新的解决方案，该方案结合了GEO卫星的覆盖优势与多无人机的灵活性，以应对复杂多目标环境下的挑战。

本文的核心贡献在于构建了一个三级处理框架，该框架依次为“强目标粗估计 - 多普勒域滤波 - 弱目标精估计”。这一框架通过创新的元素脉冲域和元素多普勒域建模，有效解决了混合信号干扰问题。首先，通过联合阵列-脉冲域估计与分离算法（JADESA），可以提取强目标的二维到达方向（2D-DOA）和多普勒参数。其次，采用三种先进的多普勒域滤波技术，包括改进的加权投影阻断（IWPB）方法，能够有效抑制功率差异超过25 dB的强干扰信号。这些技术在处理复杂多目标场景时表现出良好的性能，同时也避免了传统方法在二维空间滤波中遇到的计算复杂度问题。最后，通过增强的J2D2AESA-II算法，结合阵列-多普勒域建模，可以实现对弱目标的精确信道估计。该算法不仅考虑了非合作目标的多普勒参数和二维到达方向，还通过多无人机协同观测，进一步提升了定位精度。

在多目标与多参数信道估计方面，本文提出了一种基于阵列元素脉冲域和阵列元素多普勒域的联合估计算法。这些算法能够在混合强弱信号环境中实现对2D-DOA和多普勒参数的联合估计。相比于传统的单维空间滤波方法，本文提出的算法能够在二维空间中进行更精确的滤波，从而提升对弱信号的识别能力。同时，通过采用多普勒域滤波技术，可以避免在二维空间滤波过程中出现的计算复杂度和样本数量爆炸问题，这对于实际应用中的系统设计和运行具有重要意义。

本文还提出了一种基于几何关系的方法，用于3D目标定位和运动参数估计。该方法结合了非视距（NLOS）路径延迟、二维到达方向、多普勒参数以及多无人机协同观测，从而实现对复杂环境下的目标位置和运动状态的精确估计。这种方法在实际应用中具有良好的扩展性，能够适应不同的信号强度和多目标场景。同时，该方法在计算效率方面也表现出色，能够有效降低系统的整体复杂度，从而提升实际应用中的性能。

在处理混合强弱信号时，本文提出了一种创新的框架，该框架通过元素脉冲域和元素多普勒域建模，实现了对强弱信号的协同处理。这一框架能够有效降低计算复杂度，同时提升对弱信号的识别能力。具体来说，通过JADESA算法，可以在元素脉冲域中提取强目标的2D-DOA和多普勒参数，从而为后续的滤波处理提供基础。接着，通过采用多普勒域滤波技术，可以有效抑制强干扰信号，从而提升对弱信号的识别能力。最后，通过J2D2AESA-II算法，可以在元素多普勒域中实现对弱目标的精确信道估计，从而提升整体的定位与运动参数估计能力。

在多无人机协同观测方面，本文提出了一种基于内在参数关系的协同定位策略。该策略利用多无人机之间的协同观测，结合NLOS路径延迟、二维到达方向、多普勒参数等信息，实现对复杂环境下的目标位置和运动状态的精确估计。这一策略不仅提升了定位精度，还增强了系统在实际应用中的鲁棒性。通过多无人机的协同工作，可以有效减少单个无人机在复杂环境下的观测盲区，从而提升整体的感知能力。

本文还通过数值模拟验证了所提出算法的有效性，并分析了算法的复杂度、多普勒滤波性能以及参数估计精度。这些模拟结果表明，所提出的算法在混合强弱信号环境中表现出良好的性能，能够有效抑制干扰信号，提升对弱信号的识别能力。同时，所提出的算法在计算效率方面也表现出色，能够有效降低系统的整体复杂度，从而提升实际应用中的性能。

在多目标定位和运动参数估计方面，本文提出了一种基于几何关系的方法，该方法能够有效提升定位精度。通过结合非视距路径延迟、二维到达方向、多普勒参数等信息，该方法能够在复杂环境中实现对目标位置和运动状态的精确估计。这一方法在实际应用中具有良好的扩展性，能够适应不同的信号强度和多目标场景。同时，该方法在计算效率方面也表现出色，能够有效降低系统的整体复杂度，从而提升实际应用中的性能。

在算法设计方面，本文提出了一种新的多普勒域滤波框架，该框架能够有效抑制强干扰信号。通过采用改进的加权投影阻断（IWPB）方法，可以实现对强干扰信号的高效滤波，从而提升对弱信号的识别能力。此外，本文还提出了一种基于元素脉冲域的联合估计算法，该算法能够在混合强弱信号环境中实现对2D-DOA和多普勒参数的联合估计。这些算法在计算效率和定位精度方面均表现出良好的性能，能够有效应对复杂多目标环境下的挑战。

在多无人机协同观测方面，本文提出了一种新的协同定位策略，该策略能够有效提升定位精度。通过结合多无人机之间的协同观测，可以实现对复杂环境下的目标位置和运动状态的精确估计。这一策略不仅提升了定位精度，还增强了系统在实际应用中的鲁棒性。通过多无人机的协同工作，可以有效减少单个无人机在复杂环境下的观测盲区，从而提升整体的感知能力。

本文的研究还涵盖了对现有文献的综述，从信道参数估计和卫星-无人机协同框架两个方面进行了分析。在信道参数估计方面，本文总结了近年来的研究进展，包括基于压缩感知的联合2D-DOA和多普勒估计方法、基于调频连续波（FMCW）的联合距离-速度估计方法、基于空间相关性的DOA估计方法等。这些方法在不同场景下表现出一定的优势，但同时也存在一些局限性，例如对弱信号的估计能力不足、计算复杂度较高、依赖于视距（LOS）环境等。

在卫星-无人机协同框架方面，本文总结了近年来的研究进展，包括基于多模多端口天线（MPA）的2D-DOA估计方法、基于机器学习的协同信道估计神经网络架构（CoCENet）等。这些方法在不同场景下表现出一定的优势，但同时也存在一些局限性，例如对混合强弱信号环境的处理能力不足、依赖于特定的硬件配置等。因此，本文提出了一种新的解决方案，该方案结合了GEO卫星的覆盖优势与多无人机的灵活性，从而提升复杂多目标环境下的信道估计能力。

本文的研究还涉及对现有技术的改进，包括对多普勒域滤波方法的优化、对联合估计算法的改进等。这些改进使得所提出的算法在处理混合强弱信号环境时表现出良好的性能，能够有效抑制干扰信号，提升对弱信号的识别能力。同时，这些改进也使得所提出的算法在计算效率方面表现出色，能够有效降低系统的整体复杂度，从而提升实际应用中的性能。

在多无人机协同观测方面，本文提出了一种新的协同定位策略，该策略能够有效提升定位精度。通过结合多无人机之间的协同观测，可以实现对复杂环境下的目标位置和运动状态的精确估计。这一策略不仅提升了定位精度，还增强了系统在实际应用中的鲁棒性。通过多无人机的协同工作，可以有效减少单个无人机在复杂环境下的观测盲区，从而提升整体的感知能力。

本文的研究还涉及对现有技术的改进，包括对多普勒域滤波方法的优化、对联合估计算法的改进等。这些改进使得所提出的算法在处理混合强弱信号环境时表现出良好的性能，能够有效抑制干扰信号，提升对弱信号的识别能力。同时，这些改进也使得所提出的算法在计算效率方面表现出色，能够有效降低系统的整体复杂度，从而提升实际应用中的性能。

此外，本文还提出了基于几何关系的3D目标定位方法，该方法能够有效提升定位精度。通过结合非视距路径延迟、二维到达方向、多普勒参等信息，该方法能够在复杂环境中实现对目标位置和运动状态的精确估计。这一方法在实际应用中具有良好的扩展性，能够适应不同的信号强度和多目标场景。同时，该方法在计算效率方面也表现出色，能够有效降低系统的整体复杂度，从而提升实际应用中的性能。

综上所述，本文提出了一种新的卫星-地面协同信道估计方案，该方案能够有效解决无人机广泛感知应用中面临的挑战。通过构建三级处理框架，结合GEO卫星的覆盖优势与多无人机的灵活性，本文实现了对混合强弱信号环境下的精确信道估计，同时提升了定位精度和计算效率。这些研究成果为未来6G集成空间-空中-地面网络的发展提供了重要的理论支持和技术方案，具有广泛的应用前景。