基于深度学习的综合感知与通信系统中的目标-用户关联

在集成传感和通信 （ISAC） 系统中，将雷达目标与通信用户设备 （UE） 相匹配可用于多种通信任务，例如主动切换和波束预测。在本文中，我们考虑了一种雷达辅助通信系统，其中基站（BS）配备了具有双重目标的多输入多输出（MIMO）雷达：（i）将车载雷达目标与通信波束空间中的车载设备（VE）相关联，以及（ii）根据雷达数据预测每个VE的波束成形矢量。建议的目标用户 （T2U） 关联包括两个阶段。首先，从距角图像中检测车辆雷达目标，并估计每个目标的波束成形矢量。然后，将推断出的每目标波束成形矢量与BS上用于通信的波束成形矢量进行匹配，以执行目标到用户（T2U）关联。通过修改“只看一次”（YOLO）模型，在模拟的距离角度雷达图像上进行训练，从而获得联合多目标检测和波束推理。不同城市车辆出行情景下的仿真结果表明，所提T2U方法提供了随BS天线阵列尺寸增加而增加的正确关联概率，突出了波束空间中VE可分离性的相应增加。此外，我们表明，改进后的YOLO架构可以有效地进行波束预测和雷达目标检测，在不同天线阵列尺寸下，后者的平均精度相似。 ### 基于深度学习的综合感知与通信系统中的目标-用户关联 #### 一、研究背景及意义 随着5G技术的发展以及6G技术的探索，集成传感和通信（ISAC）系统作为未来无线通信的重要组成部分，越来越受到研究者们的关注。在ISAC系统中，雷达与通信系统的融合不仅能够提高频谱效率，还能提供更全面的服务。其中，如何准确地将雷达探测到的目标与通信用户设备（UE）进行匹配，是实现如主动切换、波束预测等关键通信任务的基础。 #### 二、研究方法与框架 ##### A. 研究对象与环境 - **系统架构**：本文探讨的是一种雷达辅助的通信系统，其中基站（BS）配备有多输入多输出（MIMO）雷达。 - **主要功能**： - **目标关联**：将车载雷达目标与车载设备（VE）相关联。 - **波束预测**：根据雷达数据预测每个VE的波束成形矢量。 ##### B. 方法论 - **两阶段目标用户（T2U）关联方法**： - **第一阶段**：从距离-角度图像中检测车辆雷达目标，并为每个目标估计波束成形矢量。 - **第二阶段**：将第一阶段得到的波束成形矢量与BS上的通信波束成形矢量进行匹配，完成目标到用户的关联。 - **模型训练与优化**： - 采用“只看一次”（YOLO）模型的修改版，该模型经过对模拟的距离-角度雷达图像的训练，实现了联合多目标检测和波束推理。 #### 三、关键技术与实施细节 ##### A. YOLO模型的改进与应用 - **YOLO模型的修改**：通过对YOLO模型进行必要的修改，使其适用于本研究中的特定需求。具体来说，这些修改使得模型能够在雷达图像中同时检测多个目标并推断它们的波束成形矢量。 - **模型训练过程**：模型被训练以识别并定位雷达图像中的目标，同时估算出每个目标的波束成形矢量。 ##### B. 目标用户关联算法 - **波束成形矢量匹配**：通过比较雷达目标的波束成形矢量与通信用户设备的波束成形矢量，实现准确的目标用户关联。 - **算法优化**：为了提高关联准确性，算法需要考虑到雷达图像的质量、通信环境等因素的影响。 #### 四、实验验证与结果分析 - **实验设置**：在不同的城市车辆出行场景下进行了模拟实验，以验证提出的T2U方法的有效性。 - **结果分析**： - 随着BS天线阵列尺寸的增加，正确关联的概率也显著提高，这表明了VE在波束空间中的可分离性随之增加。 - 改进后的YOLO架构能够有效地进行波束预测和雷达目标检测，在不同的天线阵列尺寸下，其在雷达目标检测方面的平均精度表现相似。 #### 五、结论与展望 本文提出了一种基于深度学习的目标用户（T2U）关联方法，该方法利用雷达辅助的通信系统来关联车载雷达目标与车载设备。通过两阶段的方法，实现了雷达目标的准确检测与波束成形矢量的预测，进而完成了目标到用户的高效关联。实验结果表明，随着BS天线阵列尺寸的增大，该方法能有效提高关联的准确性，证明了其在未来ISAC系统中的潜在价值。 基于深度学习的目标用户关联方法为集成传感和通信系统提供了一个有效的解决方案，对于实现未来的智能通信系统具有重要的理论和实践意义。