面向车联网感知与通信增强的混合波束成形深度学习预测方法

《Digital Signal Processing》：Enhancing sensing and communication in vehicular networks: A DL approach for predictive hybrid beamforming

　　

混合波束成形(Hybrid Beamforming, HBF)是实现集成感知与通信(Integrated Sensing and Communication, ISAC)系统的关键技术之一，可在支持大规模多输入多输出(Massive Multiple-Input Multiple-Output, Massive MIMO)的同时兼顾高吞吐量通信与高精度感知。然而，由于需要准确的信道状态信息、目标参数及复杂的联合优化，HBF设计在实际部署中面临挑战。为此，研究人员提出了一种基于深度学习(Deep Learning, DL)的预测式HBF设计框架，利用历史反向散射信息进行波束预测，从而避免了实时信道估计与目标跟踪的需求。首先，研究人员设计了预测式HBF协议，基于过去观测数据指导未来波束成形；随后对感知估计性能进行了理论分析，并以克拉美-罗界(Cramér-Rao Bound, CRB)为目标函数，在满足通信总速率、发射功率及硬件约束条件下构建了优化问题。该问题因感知与通信任务的动态耦合而具有高复杂度。为解决此问题，研究人员提出了PreHBFNet框架，结合Transformer模块与卷积神经网络(Convolutional Neural Network, CNN)，从历史数据中同时提取时空特征。数值仿真验证了该方法的有效性，并在感知与通信两方面均优于现有方法。

该研究发表于《Digital Signal Processing》，针对车联网环境下集成感知与通信(ISAC)系统中的混合波束成形(HBF)设计难题展开。当前，智能车联网(IVNs)服务对低时延、高可靠通信和高精度雷达感知的需求不断增长，传统分离式通信与雷达系统在频谱与硬件资源上效率较低，ISAC技术因此受到关注。然而，HBF设计需同时满足数字与模拟波束成形的耦合优化、相位偏移器的恒模约束以及高速移动环境下的实时性要求，现有基于估计再优化的方法存在信令开销大、计算耗时长等问题，难以适应动态车联网场景。

研究人员提出了一种端到端的深度学习预测式HBF协议，无需显式信道估计和目标跟踪，直接利用历史反向散射信息预测未来波束成形矩阵。为此，他们构建了PreHBFNet网络架构，结合Transformer与CNN提取时空特征，并分别设置模拟与数字波束成形生成分支，确保硬件约束的严格满足。仿真结果表明，该方法在到达角(AoA)和距离估计精度上优于现有基于DL的方案，同时保持了令人满意的通信性能。

主要关键技术方法

研究采用毫米波(Millimeter-Wave, mmWave)大规模MIMO系统模型，路侧单元(RSU)配备均匀线性阵列(ULA)收发天线，同时为多个车辆提供服务。研究人员构建了车辆运动学状态模型，将感知性能指标定义为AoA与距离的克拉美-罗界(CRB)，通信性能指标定义为可达总速率。通过引入PreHBFNet深度学习框架，将恒模约束与功率预算嵌入网络结构中，实现感知与通信性能的联合优化。训练与测试数据基于动态车联网仿真环境生成，涵盖多种车速与位置变化场景。

研究结果

系统模型

研究人员建立了典型ISAC车联网模型，RSU采用HBF架构，同时完成通信与雷达感知任务。模型明确天线数、用户数及信号传播特性，为后续优化问题构建奠定基础。

问题构建

基于车辆运动状态方程，研究人员将预测HBF设计转化为非凸非线性优化问题，目标为最小化AoA与距离估计的CRB，同时满足通信总速率、发射功率及硬件限制。该问题具有感知与通信紧密耦合、动态变化的特点。

基于DL的预测HBF设计

PreHBFNet采用CNN提取空间特征，Transformer捕获时间序列依赖，两个并行分支分别生成模拟和数字波束成形矩阵。网络结构直接嵌入硬件约束，避免了后处理投影步骤，提高了推理速度。

性能评估

仿真结果显示，在不同信噪比条件下，PreHBFNet的AoA与距离估计误差显著低于对比方法，通信总速率保持稳定，验证了其在动态车联网环境中的鲁棒性。

讨论与结论

研究人员指出，所提出的预测式HBF方法有效绕过了实时信道估计与目标跟踪环节，大幅降低信令与计算开销，适合高速移动环境。PreHBFNet的专用结构设计兼顾了硬件可行性与性能优化，为未来车联网ISAC系统的实时部署提供了可行方案。研究结论表明，结合深度学习与时序建模的混合波束成形方法能够显著提升车联网的感知与通信性能，具有重要的工程应用价值。