基于传感辅助的自适应信道估计技术，用于毫米波集成传感与通信系统

《Digital Signal Processing》：Sensing-aided Adaptive Channel Estimation for mmWave Integrated Sensing and Communication Systems

毫米波ISAC系统中，提出基于CPD分解的参数估计与自适应加权融合的信道估计方法，利用环境信息增强信道估计精度，通过粒子群优化选择最佳融合权重，提升系统在动态速度场景下的鲁棒性。

　　
该研究聚焦于毫米波集成感知与通信（ISAC）系统中基于环境感知信息优化的信道估计技术。随着5G向6G演进，ISAC系统通过共享硬件资源实现通信与感知的协同，其核心挑战在于如何有效利用环境感知数据提升信道估计精度。传统信道估计方法在毫米波频段面临显著挑战：高频段传播特性导致信号衰减剧烈，信道参数（如角度、时延、多普勒频移）估计误差较大，直接影响波束赋形、信号检测等关键通信任务。本研究通过构建感知信息与信道参数的关联模型，提出融合多维度环境信息的自适应信道估计框架，在理论方法与工程实践层面均取得突破性进展。

### 研究背景与问题分析
毫米波通信因其大带宽特性被视为6G核心技术，但高频段带来的传播损耗（典型值达30-40dB）和动态环境变化，导致传统基于导频的信道估计方法在复杂场景中性能急剧下降。当前ISAC系统多采用分离式架构，即先进行通信信道估计再执行环境感知，这种割裂式设计存在两大缺陷：其一，通信系统需频繁发射导频信号，导致能效比降低；其二，环境参数（如目标方位、速度）与信道参数（多径时延、多普勒频移）存在强耦合关系，未充分利用可获取的感知信息将造成系统性能冗余损失。

现有解决方案主要分为三类：基于压缩感知的联合估计方法（如文献[17]利用反射系数稀疏性）、深度学习驱动的端到端优化（如文献[24]的神经网路融合架构）、以及基于物理模型的参数化方法（如文献[18]的联合优化模型）。这些方法在特定场景下取得成效，但普遍存在两大局限：1）依赖高精度先验信息（如文献[27]需预先已知目标位置）；2）未能有效融合多维度感知数据（如角度信息与多普勒参数的协同优化）。

### 核心创新方法
#### 环境感知信息提取技术
研究团队创新性地引入张量分解理论（CPD模型），将接收信号重构为高阶张量。该模型通过共享预编码矩阵，将毫米波信道矩阵与目标散射矩阵联合建模，显著提升参数估计效率。具体实施中，采用时域-空域联合的频谱分割策略，有效分离出不同散射体对信道的影响权重。实验表明，相较于传统矩阵分解方法，CPD模型在低信噪比场景下目标方位估计误差降低约22%，时延估计精度提升17%。

#### 自适应融合增强机制
研究提出双域协同增强框架：在角度域采用卡尔曼滤波器，通过建立目标散射体运动模型（如匀速直线运动假设）实现时变信道参数的自适应补偿。在时延-多普勒域，创新性地将对称有限傅里叶变换（SFFT）与频域均衡技术结合，构建多径抑制算法。特别设计的动态加权融合模块，基于误码率指标实时调整角度域与时延-多普勒域的参数贡献度，有效平衡不同场景下的估计精度需求。

#### 系统鲁棒性优化策略
针对高速移动场景（典型速度范围10-100m/s），研究团队设计了具有自适应特性的加权融合算法。通过粒子群优化算法动态调整融合权重，使系统在以下三种典型场景中均保持优异性能：1）静止或低速移动（<20m/s），侧重角度域参数优化；2）中速移动（20-50m/s），采用双域均衡融合；3）高速移动（>50m/s），强化时延-多普勒域的频域补偿。实测数据显示，在峰值移动速度120km/h时，系统仍能保持98%以上的信道估计准确率，较传统LS算法提升41个百分点。

### 关键技术突破
1. **多维度感知信息融合**：首次实现目标散射角度、时延、多普勒频移的三参数联合估计，建立物理可解释的联合概率模型。该模型成功将目标散射特性与信道传播特性解耦，使参数估计误差降低至传统方法的1/3。

2. **动态自适应加权机制**：基于误码率的最优权重求解算法，实现不同传播环境下的智能切换。在密集城区场景（多径数>15），双域融合加权系数可达0.68±0.05，有效抑制多径干扰；在开阔高速场景（多普勒频移>200Hz），时延域权重提升至0.82，显著改善高速移动下的信道跟踪能力。

3. **计算效率优化方案**：通过张量降维技术将高阶张量分解复杂度从O(N^4)降至O(N^3)，配合GPU加速计算模块，使实时处理能力达到200ms以内（N=64）。实测表明，在8×8 MIMO系统中，计算效率较传统方法提升3.2倍。

### 系统性能验证
仿真平台构建了涵盖典型6G场景的测试环境，包括：
- 静态测试环境：模拟空旷场地，部署8T8R系统
- 高速移动测试场：配置车载终端（速度范围0-150km/h）
- 复杂城区环境：包含多建筑反射（最大视距>300m）

核心性能指标对比显示：
1. **角度估计精度**：在-110dBm SNR下，传统算法角度误差均值达±8.7°，本研究方法降至±3.2°（3σ水平）
2. **时延估计精度**：多径时延估计均方根误差从传统LS的4.8μs降至1.9μs
3. **多普勒频移估计**：最大可检测频移范围扩展至±15kHz（较基线方法提升60%）
4. **系统误码率**：在QPSK调制下，5G NR基准场景的BER从10^-3恶化到10^-4，性能提升达2个数量级

### 工程应用价值
该技术方案已在实际部署中取得显著成效：在某智慧城市试点项目中，集成该信道估计算法的5G-Advanced基站，其目标检测定位精度达到厘米级（误差<5cm），同时实现下行通信速率4.2Gbps（NR标准为3.5Gbps）。系统功耗较传统方案降低37%，验证了能效优化的理论预期。

### 技术演进路线
研究团队规划了三阶段技术迭代路径：
1. **基础模型验证期（2024-2025）**：重点突破张量分解算法的实时性瓶颈，目标实现200ms内完成全维度参数估计
2. **场景适配优化期（2025-2026）**：针对不同应用场景（车联网、工业物联网）开发定制化参数配置模板
3. **标准化推进期（2026-2028）**：主导相关国际标准制定，重点完善感知-通信协同接口协议

该研究为6G系统中通信与感知的深度融合提供了重要技术支撑，其创新性的双域协同增强机制和自适应加权策略，不仅解决了毫米波信道估计的核心难题，更为智能超表面（RIS）技术的工程化应用奠定了基础。未来研究将重点探索认知计算与物理模型融合的智能信道估计框架，进一步提升复杂动态环境下的系统鲁棒性。