LISAC：基於 OFDM 的 ISAC 學習編碼波形設計

المفاهيم الأساسية

本文提出了一種基於深度學習的新方法 LISAC，用於設計具備感測和通訊雙重功能的 OFDM 編碼波形，並透過模擬驗證其在感測效能和通訊品質之間取得了比現有方法更好的平衡。

الملخص

論文概述

本論文提出了一種名為 LISAC 的深度學習演算法，旨在設計一種能夠同時滿足感測和通訊需求的 OFDM 波形。

研究背景

整合感測與通訊（ISAC）技術近年來備受關注，它有望解決頻譜短缺問題並降低硬體成本，為 6G 網路帶來新的應用和服務。然而，設計有效的 ISAC 波形極具挑戰性，因為感測和通訊的需求往往相互衝突。

LISAC 架構

LISAC 模型的編碼器和解碼器均由遞迴神經網路（RNN）構成。編碼器將輸入位元序列編碼成同時用於感測和通訊的傳輸波形，而解碼器則從接收到的訊號中解碼出資訊位元。

訓練方法

LISAC 模型的訓練採用交替優化策略，損失函數是感測的 outlier MSE 和原始位元序列與解碼器輸出之間的交叉熵損失的加權和。通過調整權重，可以實現不同的感測和通訊性能折衷。

實驗結果

數值實驗表明，LISAC 波形在感測效能和通訊品質之間取得了比現有方法更好的平衡。當通訊效能是優先考慮因素時，學習到的編碼會將傳輸訊號分散在整個 I/Q 平面上；而當感測效能變得重要時，它會收斂到 PSK 和幅度調變的混合。

主要貢獻

• 提出了一種基於深度學習的 ISAC 波形設計新方法 LISAC。
• 通過模擬驗證了 LISAC 在感測效能和通訊品質之間取得了比現有方法更好的平衡。

未來研究方向

• 將 LISAC 擴展到多目標感測場景。
• 研究 LISAC 在頻率選擇性通道中的效能。
• 探討 LISAC 與其他 ISAC 波形設計方法的結合。

الإحصائيات

LISAC 模型在通訊訊雜比為 4 dB、感測訊雜比為 -11 dB 的環境下進行訓練和評估。
研究人員測試了不同碼字長度（C = 16、128、256）對 LISAC 效能的影響。
結果顯示，碼字長度為 128 的 LISAC 模型在各種權重設置下都能取得較好的綜合效能。
相較於傳統的 QPSK 調變方法，LISAC 在感測均方誤差和位元錯誤率方面均表現更優。

اقتباسات

"Ideal ISAC waveform should balance the achieved communication capacity with the detection/estimation capacities for sensing."
"Designing an effective ISAC waveform is challenging due to the conflicting requirements of sensing and communications."
"Numerical experiments show that the learned code spreads the transmitted signals across the I/Q plane when communication performance is the priority, while it converges to a mixture between PSK and amplitude modulation when the sensing performance becomes important."

الرؤى الأساسية المستخلصة من

LISAC: Learned Coded Waveform Design for ISAC with OFDM

by Chenghong Bi... في arxiv.org 10-15-2024

https://arxiv.org/pdf/2410.10711.pdf

استفسارات أعمق

LISAC 如何應用於多用戶通訊系統中，並同時滿足不同用戶的感測和通訊需求？

在多用戶通訊系統中，LISAC 可以透過以下方式應用並滿足不同用戶的需求：

多用戶波束賦形： LISAC 編碼器可以與多用戶波束賦形技術相結合，例如多用戶MIMO (MU-MIMO) 或毫米波波束賦形，將訊號集中到不同用戶的方向，從而同時實現多用戶通訊和目標感測。

用戶特定的 LISAC 碼字： 可以為每個用戶設計專屬的 LISAC 碼字，根據其個別的通訊速率和感測需求進行優化。例如，需要高通訊速率的用戶可以使用更偏向通訊效能的 LISAC 碼字（λ 較小），而需要高感測精度的用戶可以使用更偏向感測效能的 LISAC 碼字（λ 較大）。

基於深度學習的資源分配： 可以訓練一個深度學習模型，根據用戶的 QoS 需求、通道狀況和感測目標，動態地為每個用戶分配資源（例如功率、頻率資源、LISAC 碼字等），以最大化系統整體效能。

分層 LISAC 碼字設計： 可以設計分層的 LISAC 碼字，其中不同的層級對應不同的通訊速率和感測精度。用戶可以根據自身需求選擇合適的層級，從而實現更靈活的資源分配。

然而，將 LISAC 應用於多用戶系統也面臨著一些挑戰：

計算複雜度： 多用戶 LISAC 的編碼和解碼複雜度會隨著用戶數量和碼字長度的增加而顯著提高。
用戶間干擾： 在多用戶環境中，不同用戶的訊號之間會產生干擾，這會影響通訊和感測效能。
通道估計： 準確的通道狀態資訊對於 LISAC 的波束賦形和資源分配至關重要，但在多用戶環境中，通道估計變得更加困難。
總之，LISAC 在多用戶通訊系統中具有巨大的應用潛力，但需要進一步研究以克服上述挑戰。

如果將 LISAC 與其他波形設計方法（如概率星座 shaping）相結合，是否能進一步提升 ISAC 系統的整體效能？

是的，將 LISAC 與其他波形設計方法（如概率星座 shaping）相結合，有望進一步提升 ISAC 系統的整體效能。

概率星座 shaping (PCS): PCS 技術可以根據通道條件調整星座點的概率分佈，將更多的訊號能量分配給更可靠的星座點，從而提高通訊速率或降低誤碼率。

LISAC 與 PCS 的結合： 可以將 LISAC 與 PCS 技術結合，在 LISAC 編碼器的輸出端應用 PCS，根據通道條件和感測需求，進一步優化訊號的星座圖形狀。這種結合可以更有效地利用訊號能量，在保證感測效能的同時，進一步提升通訊速率或降低誤碼率。
例如，可以根據感測需求，設計一個偏向於特定相位分佈的 LISAC 碼字，然後利用 PCS 技術調整星座點的幅度分佈，以適應當前的通道條件。
此外，還可以探索 LISAC 與其他波形設計方法的結合，例如：

索引調變 (Index Modulation): 可以將 LISAC 碼字與索引調變技術結合，利用 OFDM 子載波的激活狀態來傳輸額外資訊，從而提高頻譜效率。
非正交多址 (NOMA): 可以將 LISAC 碼字與 NOMA 技術結合，讓多個用戶在相同的時間和頻率資源上同時傳輸訊號，從而提高系統容量。
總之，將 LISAC 與其他波形設計方法相結合，可以充分發揮各自的優勢，進一步提升 ISAC 系統的整體效能。

深度學習技術的引入為 ISAC 波形設計帶來了哪些新的挑戰和機遇？

深度學習技術的引入為 ISAC 波形設計帶來了新的機遇，同时也带来了一些挑战：
機遇：

突破傳統設計限制： 深度學習可以自動學習複雜的訊號特徵和通道模型，突破傳統波形設計方法的理論限制，設計出更優的 ISAC 波形。
適應動態環境： 深度學習模型可以根據實時通道狀態、感測目標和用戶需求，動態調整波形參數，適應複雜多變的無線環境。
簡化設計流程： 深度學習可以將複雜的波形設計問題轉化為數據驅動的模型訓練問題，簡化設計流程，降低開發成本。
端到端聯合優化： 深度學習可以實現 ISAC 系統的端到端聯合優化，例如聯合設計發射波形、接收濾波器和資源分配策略，最大化系統整體效能。
挑戰：

數據需求： 深度學習模型的訓練需要大量的數據，而獲取真實、高質量的 ISAC 數據集是一項挑戰。
模型可解釋性： 深度學習模型通常被視為黑盒子，難以解釋其決策過程，這對於理解和分析 ISAC 波形的設計原理造成困難。
模型泛化能力： 深度學習模型的泛化能力至關重要，需要確保模型在未見過的通道條件和感測場景下也能保持良好的效能。
計算複雜度： 深度學習模型的訓練和部署需要大量的計算資源，這對於資源受限的 ISAC 設備來說是一個挑戰。
總而言之，深度學習為 ISAC 波形設計帶來了前所未有的機遇，但也面臨著一些挑戰。克服這些挑戰，將進一步釋放深度學習在 ISAC 波形設計中的巨大潛力。