《Digital Communications and Networks》：Joint beam focusing and localization for extremely large-scale RIS in near-field
编辑推荐：
专业摘要翻译：
本研究提出了一种联合用户设备（UE）定位与无码本波束聚焦框架，用于超大规模可重构智能表面（XL-RIS）辅助的近场通信系统。研究人员采用单一损失函数，即位置均方误差（MSE），同时驱动UE定位与无码本波束聚焦，实现时隙级更新，消除了两级流水线中
专业摘要翻译：
本研究提出了一种联合用户设备（UE）定位与无码本波束聚焦框架，用于超大规模可重构智能表面（XL-RIS）辅助的近场通信系统。研究人员采用单一损失函数，即位置均方误差（MSE），同时驱动UE定位与无码本波束聚焦，实现时隙级更新，消除了两级流水线中的误差级联问题。研究人员开发了一种混合近场/远场级联信道模型，利用逐元素球面相位；该框架复用第五代（5G）新无线电（NR）参考信号（RS），且不增加额外时频开销。研究人员实现了一种轻量级卷积神经网络（CNN）与Transformer相结合的架构，以捕获物理资源块（PRB）结构和长程依赖关系，在相同RS预算下相较于基线方法取得了显著的精度提升。
论文解读文章
一、研究背景与问题提出
随着自动驾驶和智慧城市等新兴应用的快速发展，移动通信技术对高精度定位的需求日益迫切。通过通信基础设施实现用户设备（UE）定位已成为通感一体化（ISAC）研究中的关键方向。传统基站（BS）定位方法通常依赖接收信号强度（RSS）、到达角（AoA）、离开角（AoD）或飞行时间（ToF）等参数，但在复杂信道环境中，这些方法常因显著干扰和安全隐患而难以实现高精度定位。
可重构智能表面（RIS）作为一种经济高效的解决方案，通过动态调整入射信号的相位，以低功耗实现高效信号反射和波束赋形能力。然而，为实现足够的路径增益，RIS的物理或电气尺寸必须足够大，这推动了系统向超大规模RIS（XL-RIS）场景发展。XL-RIS引入了新的挑战：高载频和大天线孔径会产生显著的近场效应，使原有的平面波假设失效。球面波前特性使信道估计和定位更加复杂，但也带来了新机遇——收发天线间的相位差同时依赖于到达角和收发端距离，从而支持联合提取角度和距离信息，实现高分辨率波束聚焦。
此外，UE移动性带来了另一关键挑战。在XL-RIS系统中，单个移动UE在不同RIS单元上会产生不同的多普勒效应，且高速移动要求实时定位，对算法执行时间提出了严格要求。传统两级处理方法（先定位后波束赋形）存在误差传播风险：定位误差导致波束失准，降低接收信噪比（SNR），进一步恶化后续定位，形成自我强化的负反馈循环。
二、研究内容与主要结论
针对上述挑战，研究人员提出了一个统一的时隙级联合定位与波束控制框架。该框架以定位MSE作为主要跟踪目标，同时通过延迟波束评估机制为优化下一时隙BS/RIS相位输出提供可微反馈。研究人员开发了混合近场/远场级联信道模型，利用逐元素球面波前实现距离-角度联合跟踪，同时无缝复用标准5G NR RS，不增加额外时频开销。研究人员实现了轻量级CNN与Transformer相结合的架构（TCN），以捕获PRB结构和长程依赖关系，在相同RS开销下实现了显著的定位精度提升和通信性能增强。据研究人员所知，这是首个联合解决近场XL-RIS定位与波束聚焦问题的研究工作。
三、关键技术方法
研究人员采用了以下主要技术方法：第一，构建混合近/远场级联信道模型，采用逐元素球面相位建模UE-RIS-BS级联信道，结合莱斯衰落模型和逐元素多普勒效应；第二，设计CNN与Transformer相结合的轻量级神经网络架构（TCN），其中CNN提取局部二维时频结构，注意力机制聚合跨资源元素的远程相关性，深度可分离卷积投影降低计算开销；第三，引入注意力令牌实现UE位置和下一时隙相位的联合解码；第四，采用离线预训练与在线跟踪两阶段部署策略，通过延迟波束评估器提供可微反馈，优化波束控制输出。
四、研究结果
4.1 目标函数消融研究
研究人员通过消融实验研究了损失函数中权重参数λ的影响。实验结果表明，当λ=0（即仅使用定位MSE作为目标函数）时，系统获得最佳性能，平均SNR为20.8±0.61 dB，MMSE为1.03±0.21 m。相比之下，λ=0.5（SNR聚焦）时MMSE为5.42±1.35 m，λ=0.1时MMSE为3.61±0.92 m。这表明以定位精度为主要优化目标能同时获得良好的通信性能和定位性能。
4.2 网络架构对比研究
研究人员对比了纯CNN、纯Transformer和提出的TCN架构。实验结果显示，纯CNN的平均SNR为18.5±1.15 dB，MMSE为4.82±1.25 m；纯Transformer的平均SNR为19.2±0.92 dB，MMSE为3.15±0.86 m；而提出的TCN架构在平均SNR为20.8±0.61 dB的条件下，MMSE仅为1.03±0.21 m，显著优于两种基线架构，验证了CNN与Transformer结合的有效性。
4.3 网络规模研究
研究人员通过调整Transformer块重复次数研究了网络规模的影响。浅层网络[1,1,2]的MMSE为2.54±0.68 m，提出的[1,2,10]配置MMSE为1.03±0.21 m，而更深层网络[2,4,20]的MMSE为1.01±0.20 m。结果表明，提出的中等规模配置在性能与计算复杂度之间取得了良好平衡，进一步增加深度带来的性能提升有限。
五、讨论与结论
研究人员的讨论指出，与现有方法相比，本工作的独特之处在于：形成了时隙级闭环，在最小化定位误差的同时联合输出下一时隙BS/RIS相位（无码本）；利用逐元素球面相位实现距离-角度编码，实现与定位紧密关联的近场波束聚焦；复用标准NR RS而不增加额外开销，支持移动UE的实时跟踪。
研究结论表明，所提出的联合定位与波束聚焦框架通过单一MSE损失驱动UE定位和无码本波束聚焦，消除了两级流水线的误差级联问题。混合近/远场级联信道模型结合逐元素球面相位，实现了距离-角度联合跟踪，同时复用5G NR RS实现零额外时频开销。轻量级TCN架构在相同RS预算下，相较于基线方法取得了显著的定位精度提升和通信性能增强，为XL-RIS近场系统中的通感一体化应用提供了有效的解决方案。
