网联自动驾驶车辆中智能反射面辅助的ISAC联合波束成形设计

《Vehicular Communications》：Joint beamforming design for IRS-assisted ISAC in connected and automated vehicles

　　

摘要

融合感知与通信（ISAC）为支持网联自动驾驶车辆（CAV）的高速率数据传输和环境感知提供了一种有效的解决方案。然而，在城市环境中，建筑物经常阻碍基站（BS）与车辆之间的信号传播，从而降低链路可靠性并削弱基于雷达的感知效果。为缓解这些挑战，智能反射面（IRS）技术被提出，以改善信号传播环境从而增强CAV运行能力。本研究关注IRS辅助CAV场景下的ISAC系统。在该系统中，IRS促进通信信号和雷达信号的同步传输。通过联合优化基站处的主动波束成形矩阵和IRS处的被动波束成形矩阵，在满足基站功率预算、保持所需雷达检测质量以及遵循IRS相移配置限制的同时，最大化车辆用户可达到的总速率。鉴于上述考虑，提出了一种自适应感知与成形优化（AOSF）方法，该方法采用半定松弛（SDR）和逐次凸逼近（SCA）算法优化基站处的主动波束成形矩阵，并采用分式规划算法优化IRS处的被动波束成形矩阵。该方法将非凸优化问题分解为一系列可管理的子问题，并采用迭代求解方法逐步优化结果，收敛至满意解。仿真结果表明，所提出的方法显著提高了可达总速率性能，并揭示了通信与感知之间的权衡关系。

引言

未来移动通信网络预计将在满足智能交通系统（ITS）大量数据需求方面发挥关键作用[1]。配备自动驾驶能力的网联自动驾驶车辆（CAV）能够无线地与其他车辆及基础设施进行通信。通过实时的车车（V2V）和车路（V2I）数据交换，这些系统提升了道路安全、交通效率和驾驶体验[2]。在ITS框架下，CAV被设想将超越其当前作为单纯交通工具的角色，演变为类似于手机的服务平台，为乘客提供快速可靠的数据服务。为实现这一愿景，车辆必须拥有两项基本能力：感知和通信[3]。车辆必须配备雷达感知系统以感知周围环境并收集关键信息，如前车距离和速度，确保安全并实现自动驾驶。同时，车辆必须通过车载收发器与其他车辆、乘客和基础设施通信，以获取网络信息，包括超高清地图和实时更新，从而辅助导航并缓解交通拥堵[4]、[5]。

需要注意的是，V2V和V2I是使CAV与交通网络中其他实体进行信息交换的特定通信范式。V2V侧重于车辆之间的直接通信以协调机动动作和避免碰撞，而V2I则将这种连接性扩展到路侧单元和基础设施，提供接入更广泛的交通管理系统和云服务的能力。相比之下，CAV的概念不仅涵盖这些通信功能，还包括先进的自动驾驶、环境感知和决策能力，将多种感知和计算技术整合到单一智能车辆平台中。然而，在当前的车载系统中，通信和感知功能传统上被设计为独立模块，在不同频段运行并独立发展。这种设计范式导致硬件资源和无线频谱的利用效率低下[6]。

移动通信网络必须不仅提供高质量、无处不在的无线连接，还需具备高精度和鲁棒的感知能力[7]。近年来，毫米波（mmWave）、太赫兹（THz）和大规模多输入多输出（MIMO）等关键技术的广泛采用促进了通信和雷达频段的融合。这一发展为未来移动通信网络同时支持通信和感知任务铺平了道路[8]、[9]。融合感知与通信（ISAC）是一项新兴技术，旨在通过利用共享的频谱和硬件基础设施来统一感知与通信功能。该方法解决了雷达和通信模块之间的频谱竞争问题，从而提高了频谱利用率并降低了硬件成本[10]。此外，精确感知的能力为提升通信服务质量开辟了新途径。例如，利用通过感知获得的信道结构数据，可以在动态信道波动情况下快速重新对齐和优化波束成形，从而提高波束成形效率并增强通信质量。

通过共享硬件和频谱资源，ISAC使CAV能够同时支持高速通信和障碍物感知[11]。因此，关于ISAC辅助CAV的研究引起了学术界的广泛关注[12]。CAV的主要目标是实现更便捷、实时、智能的连接系统，以提高交通安全和效率[13]。车联网的发展需要建立与基站（BS）以及互联网之间的高带宽V2I连接，从而实现自动驾驶、交通管理和车路协同等具有前景的应用[14]、[15]。上述应用对吞吐量提升、延迟降低和广泛连接性提出了严格要求[16]。然而，车联网中的传播环境复杂，特别是在城市环境中建筑物会阻挡信号，从而降低车辆通信链路质量[17]。因此，提供高质量、无处不在的无线连接并改善车辆通信的服务质量（QoS）是一项重大挑战。为此，未来移动通信网络旨在利用IRS建立可控无线信道，从而同时支持无线通信和雷达感知。

IRS作为一种新兴技术，因其具有实现高频谱和能效、增强信道容量和扩展覆盖范围的潜力而受到学术界的广泛关注[18]。IRS系统由多个被动且低成本的反射元件组成，显著降低了硬件成本和能耗。每个反射元件可以独立调节入射电磁波的相移，从而实现对无线传播环境的主动控制。这代表了通信网络的一种范式转变，将信道从被动介质转变为可主动修改的介质[19]。得益于其紧凑的尺寸，IRS可以灵活部署在车辆附近的建筑物表面上，有助于降低实施成本[20]。当视距（LOS）链路被遮挡时，IRS可以通过调整反射相移重建虚拟视距路径，确保信号准确指向车辆用户，从而提高信干噪比（SINR）并支持高数据速率的车辆应用[21]。此外，IRS可以通过改变传播环境来增强目标回波信号强度并抑制干扰，从而改善现有视距链路中的感知性能，并为ISAC系统提供额外的反射路径。通过这些能力，IRS使雷达能够检测到无法直接观测到的阴影区域中的目标，从而提升整体感知性能[22]。

在IRS辅助的ISAC系统中，通常考察两种主要场景[23]。第一种场景主要利用IRS辅助通信，而感知依赖于发射机到目标的直连链路。第二种场景充分利用IRS来增强通信和感知，通过创建虚拟视距链路改善雷达检测性能，特别是在遮挡环境中。在第一种场景中，IRS仅用于促进通信，从而增强整体性能，而直接发射机到目标的链路则用于感知目的。例如，文献[24]研究了IRS辅助的ISAC框架，其中多天线基站在IRS的支持下为多个单天线用户提供通信服务，同时独立进行目标检测。在该配置中，IRS位于用户附近以增强下行多用户通信。由于IRS距离感知目标较远，经IRS反射的雷达回波信号足够弱可被忽略。通过联合优化基站的主动波束成形和IRS的被动波束成形，在考虑雷达波束图相似度、IRS反射系数和基站功率限制等约束的情况下，可实现最优系统性能。第二种场景在文献[25]中有所描述，该文考察了IRS辅助的MIMO ISAC系统，其中IRS仅负责下行通信。该研究提出了一种块坐标下降（BCD）算法，用于波形和被动波束成形的联合设计，以同时最大化雷达的信干噪比并最小化通信中的多用户干扰。此外，文献[26]研究了IRS辅助的双功能雷达通信（DFRC）系统，其中IRS支持下行通信但也会给目标感知带来干扰。目标是满足通信和雷达检测功能所需的最低SINR阈值的前提下，最小化基站的辐射功率。这通过联合设计基站的主动波束成形和IRS的被动波束成形矩阵来实现。

第二种场景充分利用了IRS的潜力，IRS不仅增强通信性能，还在基站与感知目标之间建立虚拟视距链路，旨在改善雷达感知性能。例如，文献[27]研究了IRS支持的ISAC框架，该框架促进了基站与单天线用户之间的无线通信，同时创建虚拟视距连接以检测遮挡区域中的目标。优化问题涉及同时调整基站和IRS处的波束成形矩阵，以最大化IRS波束图朝向目标感知方向的最低方向性增益。这是在基站峰值发射功率限制、通信用户所需最低信噪比以及IRS相移配置约束的条件下实现的。在文献[28]中，研究聚焦于IRS增强的ISAC设置，其中基站执行多目标检测同时进行多用户通信。基站发射波束成形和IRS反射波束成形矩阵的协调设计旨在优化目标检测信噪比的加权和，同时满足通信SINR目标、遵循基站总功率约束以及满足IRS单位模相移要求。类似地，Han等人[29]利用模糊函数工程处理ISAC系统中的感知安全问题。该框架通过向窃听者的距离像中引入虚假幽灵目标，确保合法系统的鲁棒目标检测同时妨碍未经授权的被动感知。总之，目前大多数IRS启用的ISAC方案集中在开发和求解针对性的优化问题，优先最大化通信或感知性能，同时保证另一项功能的基准要求。这种平衡通过微调与各项功能相关的约束阈值来实现。

与通用的IRS辅助ISAC波束成形框架不同，本文聚焦于受遮挡且时变的城市CAV环境。在这些环境中，城市遮挡使基站-IRS-车辆用户级联信道成为重建可靠V2I链路的关键可控传播路径，而车辆移动性导致与遮挡相关的通信信道。相应地，主动和被动波束成形变量针对每个多普勒补偿的准静态信道实现进行优化。此外，基站同时支持V2I传输和车辆目标雷达感知。这些特征决定了所考虑联合波束成形问题的信道模型、时域操作以及通信-感知约束。

鉴于上述分析，本文研究了IRS辅助ISAC系统在CAV中的潜力。在该配置中，IRS辅助基站联合传输通信信号和雷达信号，实现向用户同时提供通信服务并对目标进行跟踪。初始目标是通过协调设计基站的主动波束成形和IRS的被动波束成形矩阵来最大化车辆用户的可达总速率。这是在遵循基站峰值发射功率限制、最差情况雷达SINR以及IRS单位模相移约束的条件下完成的。随后，提出AOSF算法迭代优化基站的主动波束成形和IRS的被动波束成形。具体而言，采用SDR和SCA来求解给定IRS被动波束成形矩阵时的基站主动波束成形子问题，而采用分式规划（FP）来更新给定基站主动波束成形矩阵时的IRS被动波束成形矩阵。本文的主要贡献如下：

- 本文针对受遮挡的城市V2I场景构建了面向CAV的IRS辅助ISAC波束成形问题。

通过联合设计基站主动波束赋形矩阵 W 和智能反射面被动波束赋形矩阵 Θ，在满足基站发射功率预算、雷达信干比要求以及智能反射面单位模相移约束的前提下，最大化车辆用户设备的可达和速率。所考虑的优化问题显式地反映了城区中基站到车辆用户设备直连链路的遮挡、基于智能反射面辅助的虚拟视距链路重构以实现车路通信、车辆目标感知以及基于区域的车辆信道变化。

为求解原始优化问题，本文提出了自适应感知与赋形（AOSF）算法，将其分解为两个子问题：一个与基站主动波束赋形相关，另一个涉及智能反射面被动波束赋形。具体而言，给定智能反射面被动波束赋形矩阵 Θ，使用半定松弛和逐次凸近似算法优化基站主动波束赋形矩阵 W。随后，在固定 W 的情况下，利用交替方向乘子法优化智能反射面被动波束赋形矩阵 Θ。

仿真结果凸显了在面向网联汽车的通感一体化系统中集成智能反射面的优势。所提算法相较于无智能反射面方案可提供更高的可达和速率性能，强调了通信效率与感知精度之间的平衡。

本文其余部分组织如下：第 2 节介绍系统模型；第 3 节阐述目标函数；第 4 节提出交替优化算法以解决非凸联合波束赋形优化问题；第 5 节给出仿真结果；最后，第 6 节总结全文。

## 系统模型

如图 1 所示，考虑一个智能反射面辅助的下行多入单出通感一体化系统，系统包含一个配备 NT 根发射天线和 NR 根接收天线的基站，以及一个由 N 个无源反射单元组成的智能反射面。系统同时向 L 个雷达感知车辆目标和 M 个车辆用户设备发送统计独立的雷达信号和通信信号。通过车路链路通信的 M 个单天线车辆集合表示为 ?。

## 问题建模

本文旨在联合优化基站的发射波束赋形矩阵 W 和智能反射面的反射系数矩阵 Θ。优化过程在基站总发射功率预算、雷达最小信干比要求以及智能反射面相移限制等约束条件下进行。主要目标是最小化所有车辆用户的聚合通信速率。相应地，该问题可数学表达为：

$$\mathcal{P}(1): \max_{W, \Theta} R = \sum_{m \in \mathcal{M}} \log_2(1 + \text{SINR}_m)$$

## 交替优化算法

由于基站发射波束赋形矩阵 W 与智能反射面反射系数 Θ 之间存在相互依赖关系，最优求解问题 P(1) 较为困难。因此，本节通过将该问题划分为两个子问题（分别记为 P(2) 和 P(3)）来逼近求解。随后，应用自适应感知与赋形算法迭代联合优化 W 和 Θ。相应地，该算法框架结合了半定松弛、逐次凸近似和交替方向乘子法来解决该问题。

## 性能评估

本节提供仿真结果，以验证所提联合波束赋形策略在智能反射面辅助的车辆通感一体化框架中的有效性。

系统参数设置如下：车辆用户设备的三维坐标在半径为 10 米的圆形区域内随机生成，圆心位于 (dx 米, 0 米, 1.5 米)。按照文献 [28] 中指定的参数，雷达截面积赋值为 1，感知性能阈值配置为……

## 结论

本文研究了面向网联汽车的智能反射面辅助通感一体化系统中主动与被动波束赋形的联合优化问题。目标是确定最优解，在满足基站功率预算、雷达最小信干比约束以及智能反射面单位模相移约束的条件下，最大化车辆用户设备的可达和速率。为实现此目标，我们提出了自适应感知与赋形算法，该算法采用半定松弛和逐次凸近似算法来优化……

## CRediT 作者贡献声明

崔亚平：撰写—审阅与编辑，撰写—初稿，监督指导。谷建军：撰写—初稿。吴大鹏：验证，资源获取，调查研究。何鹏：监督指导，资源获取，数据整理，概念构思。王如岩：验证，调查研究，经费获取，数据整理。王公寻：可视化，验证，软件开发。

## 利益冲突声明

作者声明不存在可能影响本文工作的已知的竞争性财务利益或个人关系。

崔亚平于 2011 年和 2017 年分别在中国成都西南交通大学获得通信与信息系统硕士学历和交通信息工程与控制专业博士学位。2011 年至 2012 年，他在中国深圳中兴通讯股份有限公司担任基带算法工程师。2017 年，他加入中国重庆邮电大学通信与信息工程学院，目前任职于该学院。

**崔亚平 | 谷建军 | 吴大鹏 | 何鹏 | 王如岩 | 王公寻**

重庆邮电大学通信与信息工程学院，中国重庆，400065，重庆市