当前位置：首页 > news >正文

ISAC 4D Imaging System Based on 5G Downlink Millimeter Wave Signal

news 2025/10/12 17:38:48

文章目录

- - B. ISAC Sensing Signal Processing

摘要—通信感知一体化 (ISAC) 因其高频谱利用效率已成为第五代 (5G) 和第六代 (6G) 无线通信的关键技术。利用 5G 基站 (BS) 等基础设施实现环境成像和重建，对于推动智慧城市的建设至关重要。当前利用基于调频连续波 (FMCW) 的快速傅里叶变换 (FFT) 的 4D 成像方法，因其较高的带宽占用和较低的分辨率，并不适用于 ISAC 场景。我们提出了一种基于 2D-FFT 与 2D-MUSIC 的 4D（三维坐标，速度）成像方法，该方法利用标准的 5G 下行链路 (DL) 毫米波 (mmWave) 信号，具有更高的传感精度。

为了改善传感配置，我们还设计了一种基于 MIMO 虚拟孔径技术的收发信机天线阵元排列方案。我们进一步提出了一种基于多维恒虚警率 (CFAR) 检测的目标检测算法，该算法优化了 ISAC 成像信号处理流程，并降低了计算压力。仿真结果表明，我们提出的方法具有更好的成像效果。代码已在 https://github.com/MrHaobolu/ISAC_4D_Imaging.git 公开。

索引术语—ISAC, 2D-FFT 与 2D-MUSIC, 5G 毫米波, MIMO, 虚拟孔径, CFAR

B. ISAC Sensing Signal Processing

在本节中，我们首先介绍基于 2D-FFT 和 OSCA-CFAR 算法的距离和多普勒检测，然后介绍基于 2D-MUSIC 和 CA-CFAR 算法的 DoA 估计。

ISAC 成像距离和多普勒检测：(8) 式中的 $k⃗r\vec{k}_r$ 是由距离 $R$ 引起的沿快时间轴的线性相移矢量。因此，可以通过使用 (8) 式初步处理每个天线阵元的接收信号，然后沿子载波维度执行离散傅里叶逆变换 (IDFT) 来估计散射体的距离。
$R(α)=IDFT[kr(n)]=1Nc∑n=0Nc−1kr(n)ejnα2πNc=1Nc∑n=0Nc−1e−j2πnΔf2Rcejnα2πNc,α=0,…,Nc−1(10)\begin{aligned} R(\alpha) &= \text{IDFT}[k_r(n)] = \frac{1}{N_c} \sum_{n=0}^{N_c-1} k_r(n) e^{j n \alpha \frac{2\pi}{N_c}} \\ &= \frac{1}{N_c} \sum_{n=0}^{N_c-1} e^{-j2\pi n \Delta f \frac{2R}{c}} e^{j n \alpha \frac{2\pi}{N_c}}, \alpha = 0, \dots, N_c - 1 \end{aligned} \tag{10}$
其中当 $α=⌊2RΔfNcc⌋\alpha = \lfloor \frac{2R \Delta f N_c}{c} \rfloor$ 时， $R(α)R(\alpha)$ 获得峰值。(8) 式中的 $k⃗d\vec{k}_d$ 是由速度 $v_k$ 引起的沿慢时间轴的线性相移矢量。类似地，可以通过沿 OFDM 符号维度执行离散傅里叶变换 (DFT) 来估计 $v_k$ 。
$v(β)=DFT[kd(m)]=∑m=0Nsym−1kd(m)e−jmβ2πNsym=∑m=0Nsym−1ej2πmTOFDM2vkfcce−jmβ2πNsym,β=0,…,Nsym−1(11)\begin{aligned} v(\beta) &= \text{DFT}[k_d(m)] = \sum_{m=0}^{N_{sym}-1} k_d(m) e^{-j m \beta \frac{2\pi}{N_{sym}}} \\ &= \sum_{m=0}^{N_{sym}-1} e^{j2\pi m T_{OFDM} \frac{2v_k f_c}{c}} e^{-j m \beta \frac{2\pi}{N_{sym}}}, \beta = 0, \dots, N_{sym} - 1 \end{aligned} \tag{11}$
其中当 (11) 式中的 $β\beta$ 满足 $β=⌊2vkfcTOFDMNsymc⌋\beta = \lfloor \frac{2v_k f_c T_{OFDM} N_{sym}}{c} \rfloor$ 时， $v(β)v(\beta)$ 获得峰值。

我们将 (8) 式中 $s_g$ 的 2D-FFT 处理结果表示为 $s_g^{R,v}$ ，这被称为距离多普勒矩阵（Range-Doppler Map，RDM），然后我们使用 2D OSCA-CFAR 检测来估计 $s_g^{R,v}$ 中散射点的距离和速度。如图 7 (a) 所示，我们在 RDM 中选择一个大小为 $\times 9$ 的参考窗。

首先，将 1D OS-CFAR 按列应用于滑动参考窗，并选择每列的第 $γ\gamma$ 个值作为该滑动窗的噪声估计。我们取 $γ=⌊0.75N⌋\gamma = \lfloor 0.75 N \rfloor$ ，其中 $N$ 是参考单元的数量。
然后，如 (12) 式所示，按行对上述噪声估计值进行平均，作为参考窗中中心检测单元 (CUT) 的噪声阈值。
$μˉ(γ)=1N∑n=1NX(γ),n(12)\bar{\mu}_{(\gamma)} = \frac{1}{N} \sum_{n=1}^{N} X_{(\gamma), n} \tag{12}$
其中 $X(γ),nX_{(\gamma), n}$ 代表由 OS-CFAR 选择的噪声参考值， $N = 9$ 。

如 (13) 式所示，该 CUT 的检测阈值因子 $T_f$ 仅与参考单元数 $N$ 和指定的虚警概率 $P_{fa}$ 有关。最后，单个 CUT 的检测阈值 $T_f \times \bar{\mu}_{(\gamma)}$ ，并且通过将上述操作应用于 RDM 中的所有 CUT，可以获得 2D 自适应检测阈值，如图 7 (d)-(e) 所示。

$Tf=(Pfa)−1N−1(13)T_f = (P_{fa})^{-\frac{1}{N}} - 1 \tag{13}$

在这里插入图片描述

ISAC 成像 DoA 估计：RDM 的峰值表示存在速度为 $v$ 和距离为 $R$ 的目标，但 2D 角度是未知的。如 (14) 式所示，我们将所有接收天线单元由 OSCA-CFAR 检测到的 RDM 峰值组合成 $k_m$ ( $k_m < k$ ) 流形，用于基于 MUSIC 的 DoA 估计。
$Akm(pv_r,qv_r)=∑tGtAt=∑tGtΔϕv_r(pv_r,qv_r)(θt,φt)(14)\mathbf{A}_{k_m}(p_{v\_r}, q_{v\_r}) = \sum_t \mathbf{G}_t \mathbf{A}_t = \sum_t \mathbf{G}_t \Delta \phi_{v\_r}(p_{v\_r}, q_{v\_r})_{(\theta_t, \varphi_t)} \tag{14}$
我们取 $(Akm)1,:(\mathbf{A}_{k_m})_{1,:}$ （参考单元所在的行）和 $(Akm):,1(\mathbf{A}_{k_m})_{:,1}$ （参考单元所在的列）来构造与目标 2D 角度 $p=(θ,φ)\mathbf{p} = (\theta, \varphi)$ 同时相关的搜索流形，并最终将两个搜索结果相乘以获得 $t$ 个目标的 2D 角度信息。以 $(Akm):,1(\mathbf{A}_{k_m})_{:,1}$ 为例介绍角度搜索过程。由于接收信号具有强相关性，因此有必要使用基于空间平滑的 MUSIC 算法。如图 8 所示，我们可以定义前向空间平滑矩阵 $Rf=1L∑i=1LRif\mathbf{R}_f = \frac{1}{L} \sum_{i=1}^{L} \mathbf{R}_i^f$ ，同样地