目录第一站黑盒初探——为什么6G基站需要精神分裂第二站频谱共享的四幕剧——从老死不相往来到同吃同住第三站通信信号的兼职人生——中观解剖第四站资源分配的水箱模型——用Toy Example建立直觉第五站感知QoS的三兄弟 vs 通信QoS的硬指标第六站联合优化的数学心脏——从标量到矩阵第一步标量层面的直觉第二步矩阵层面的真实规模第三步求解算法——分而治之的多头怪兽第七站从实验室到真实世界——多基站、移动性与AI介入场景1多基站协作Cooperative ISAC场景2可移动天线Movable Antenna与RIS场景3AI驱动的动态分配闭环收尾这在训练与实际使用中意味着什么对训练算法设计意味着什么对实际使用工程部署意味着什么延伸阅读推荐阅读地图我们先站在景区门口看看感知即服务SaaS这栋大楼的全貌然后坐电梯到中间层解剖通信信号是怎么兼职做雷达的最后钻进地下室看看那个叫联合优化的水泵阀门到底在拧什么。别急我们一步一步来。第一站黑盒初探——为什么6G基站需要精神分裂想象一下你手里有一部6G手机。你正在给好友发一条4K视频通信任务同时你所在的基站正在用同一套无线电波扫描附近有没有无人机闯入禁飞区感知任务。问题来了同一座基站、同一批频谱、同一根天线它怎么知道此刻该把力气往哪边使听起来抽象对吧在5G时代通信和雷达感知是两个完全独立的部门——通信基站只管吞吐量雷达系统只管回波质量彼此像两个互不串门的老邻居。但6G提出了一种叫通感算一体化ISCC, Integrated Sensing, Communication and Computing的架构把感知当成一种像云存储一样的服务对外提供也就是Sensing as a ServiceSaaS。在这个架构里基站不再是单纯的信号快递员它还得兼任环境侦察兵。如果画成图整个系统的宏观结构就像一家复合餐厅后厨物理层有功率、带宽、波束这些食材调度员中间层根据菜单QoS需求决定怎么配菜最终端上桌的是三种感知服务——检测有没有目标、估计目标在哪、识别目标是谁。Mermaid现在我们已经了解了SaaS大楼的外观接下来我们要走进电梯看看通信和感知这两个房客是怎么从分居走向合租的。第二站频谱共享的四幕剧——从老死不相往来到同吃同住我们先把时间轴拨回二十年前。那时候频谱资源就像一条马路通信系统和雷达系统各占一半车道中间有护栏隔开——这叫资源分离Resource Separated阶段。好处是不打架坏处是路修得宽利用率却极低。到了5G后期大家开始尝试分时限行周一三五通信走二四六雷达走。这在ISAC里被称为资源正交Resource Orthogonal阶段比如在OFDM帧里专门切出10%~20%的时频资源给感知用。听起来公平但就像你家的Wi-Fi每十分钟要断一次让给微波炉总有点别扭。再往后工程师们想能不能让同一辆车既载人又拉货于是进入资源融合Resource Converged阶段通信和感知共用同一套波形同一帧数据既携带QAM符号又携带雷达啁啾。这相当于把两趟列车合并成一列双层高铁。但6G的野心不止于此。我们现在要聊的是第四幕——资源协作Resource Collaborative阶段。在这个阶段通信不仅不抢感知的资源反而主动帮忙通信信号照到目标上产生的回波被基站捡起来做环境感知。这就是本文的主角通信辅助感知Communication-Assisted Sensing。Mermaid 阶段1资源分离各修各的路 阶段2资源正交分时限行 阶段3资源融合双层高铁 阶段4资源协作通信辅助感知在继续之前你可能会问通信信号明明是发给手机的怎么突然就能当雷达用了好问题这正是我们下一站要拆解的中观结构。第三站通信信号的兼职人生——中观解剖想象基站是一个巨大的全连接层Fully Connected Layer。它的输入不是单一的通信数据流而是叠加态一部分神经元连接着通信用户另一部分连接着感知目标。输出端则有两个损失函数——一个叫通信误码率一个叫感知 CRLB克拉美罗界。具体怎么运作我们来看一个典型的上行场景多个用户同时给基站发数据这是他们的本职工作而空间中的无人机目标把这些信号反射了一部分回基站这是兼职收入。基站侧的接收机就像一位精明的会计它把收到的叠加信号送进两个并行的处理流水线通信流水线解码用户数据追求香农容量感知流水线做波束成形、匹配滤波从回波里提取目标的角度、距离、速度。Mermaid这个机制在文献里有个更酷的名字叫机会式ISACOpportunistic ISAC——通信信号顺便把感知给做了。但顺便二字听起来轻松背后却藏着一个棘手的资源分配问题如果通信用户离基站很近信号很强那反射到目标上的能量可能就不够感知精度会下降反之如果把太多功率拨给感知用户的下载速率就会哭晕在厕所。这就像训练一个多任务神经网络时两个任务的损失函数在抢显存。我们需要一个学习率调节器在通信和感知之间找到动态平衡。而这个调节器就是下一节要讲的联合优化。第四站资源分配的水箱模型——用Toy Example建立直觉别急在扔出满屏的数学符号之前我们先玩一个极度简化的玩具模型Toy Example。假设只有一个基站就像只有一个GPU只有一个通信用户任务A只有一个感知目标任务B总功率水箱里有升水。基站手里有两个阀门阀门C把水功率拨给通信用户水越多用户的信噪比越高速率越大阀门S把水拨给感知波束水越多目标回波的信噪比越高估计精度越好CRB越低。但两个阀门不是独立的——它们从同一个水箱取水。如果我们用一个旋钮 η 0到1之间来控制总阀那么通信分到感知分到。这个 η 在文献里常被称为偏好系数或权重因子。Mermaid听起来像深度学习里的多任务损失加权对吧没错如果你熟悉Loss_total λ₁·Loss_cls λ₂·Loss_reg那这里的 η 就对应 λ 的角色。只不过在ISAC里损失不是梯度下降而是通信速率和感知误差的联合效用函数。现在我们已经了解了单基站、单用户的直觉接下来我们要看看当系统放大到真实规模时这个水箱会变得多复杂。第五站感知QoS的三兄弟 vs 通信QoS的硬指标在继续拧阀门之前我们得先认识一下QoS服务质量家族的两派势力。通信QoS我们很熟悉速率Rate、时延Latency、误码率BER、信干噪比SINR。这些是硬指标就像你点外卖时的送达承诺——晚了就差评。但感知QoS是个相对陌生的概念。文献把它优雅地分为三兄弟检测类QoSDetection用检测概率Pd​ 和虚警概率 Pfa​ 衡量。就像二分类问题里的精确率和召回率基站要回答这空域到底有没有无人机估计类QoSEstimation用克拉美罗界CRB衡量。这是参数估计的理论下界好比全连接层回归任务的MSE下界——CRB越小定位越准。识别/跟踪类QoSTracking用后验CRBPosterior CRB或互信息Mutual Information衡量。对应时序任务就像RNN跟踪一个运动轨迹时的累积误差。问题来了这两大家族住在同一个屋檐下却经常吵架。通信部门说我的视频通话需要至少10 Mbps少1比特就卡顿感知部门说我的CRB必须低于0.1米否则无人机定位偏差太大。基站这个物业经理怎么办答案就是联合优化Joint Optimization不是先满足通信再 leftovers 给感知也不是反过来而是同时把两个家族的诉求写进同一个数学问题里找一个帕累托最优的折中点。第六站联合优化的数学心脏——从标量到矩阵好现在我们要揭开那个水泵阀门的真面目了。先从标量直觉推广到矩阵实现。第一步标量层面的直觉回到我们的Toy Example。假设基站要最大化一个加权效用函数这个优化问题在文献里被形式化为\max_{\{P_k, B_k, \mathbf{w}_k\}}} \quad \eta \cdot \sum_{k} R_k (1-\eta) \cdot \sum_{m} \mathcal{Q}_m^{\text{sense}}subject to 功率、带宽、QoS阈值等一堆约束。第二步矩阵层面的真实规模但在真实6G网络里一切变成了矩阵和向量功率从标量 P 变成波束成形向量信道从标量 h 变成MIMO信道矩阵感知回波从标量 α 变成雷达散射截面RCS和导向矢量a(θ) 。这时候的优化问题不再是简单的一元函数求极值而是一个非凸的、多变量耦合的、有时还是混合整数的大规模问题。就像你要同时优化Transformer里所有层的注意力权重、前馈维度和学习率还不能让显存爆掉。第三步求解算法——分而治之的多头怪兽面对这种多头怪兽文献里常用的策略是交替优化Alternating Optimization, AO配合几种小弟算法SCASuccessive Convex Approximation把非凸问题在当前点局部线性化就像Adam优化器里用一阶矩估计近似真实梯度PDDPenalty Dual Decomposition处理耦合约束像Lagrangian乘子法把硬约束软化进目标函数Dinkelbach方法当目标函数是分数形式比如能效EE时把它转化成等价的参数化问题。Mermaid现在我们已经了解了联合优化的数学心脏接下来要看看当这个心脏被移植到真实6G躯体里时会遇到哪些排异反应。第七站从实验室到真实世界——多基站、移动性与AI介入在实验室的Toy Example里信道是静态的用户是乖巧的目标是不动的。但真实的6G网络呢用户开着车以120km/h掠过无人机在楼宇间乱窜基站之间还要搞协作感知Cooperative Sensing。场景1多基站协作Cooperative ISAC想象三个基站同时盯着一架无人机。每个基站看到的RCS角度不同回波质量也不同。这时候资源分配不再是一个水箱而是一个水管网络——基站1可能把功率拨给通信基站2把带宽拨给感知它们还要通过回程链路Backhaul交换信息。文献提出了一个叫CBARA的框架联合优化基站指派Base Station Assignment和资源分配。结果显示当感知目标飞离网络中心时它的信道条件恶化系统会自动把更多带宽倾斜给这个目标哪怕这意味着通信用户要少吃一点资源。场景2可移动天线Movable Antenna与RIS更进一步基站的天线本身也会动。文献研究了可移动天线MA辅助的ISAC天线位置可以在几个预设点之间切换就像CNN里的可变形卷积Deformable Convolution根据目标位置动态调整感受野。配合智能超表面RIS后还能在环境中凭空造出一条反射路径绕过遮挡物。场景3AI驱动的动态分配当解析方法跟不上环境的瞬息万变深度强化学习DRL就登场了。文献综述了AI驱动的ISAC资源分配把基站当成智能体Agent把信道状态当成环境Environment把资源分配动作当成策略Policy。通过MADDPG、PPO等算法网络可以在毫秒级做出功率、波束和带宽的联合决策。闭环收尾这在训练与实际使用中意味着什么好我们已经从宏观的SaaS架构一路钻到了微观的联合优化算法。在结束这趟导游之前让我们把散落的珠子串成闭环。对训练算法设计意味着什么收敛性 vs 实时性AOSCA这类传统方法保证收敛但计算量大DRL方法响应快但训练成本高、泛化性待验证。实际部署往往是离线训练DRL策略在线用AO做微调的混合模式。公平性在多目标场景中最大化最小感知SINRMax-Min Fairness比单纯最大化总和更重要这能防止系统偏心只照顾离基站近的目标。鲁棒性真实信道有估计误差、RCS有波动、硬件有非线性失真。联合优化必须留出安全余量就像深度学习里的Dropout和Label Smoothing用来对抗不确定性。对实际使用工程部署意味着什么车联网V2X基站通过通信辅助感知实时扫描盲区行人但通信QoS不能掉因为自动驾驶需要毫秒级时延。低空经济无人机物流网络中多架无人机既是通信节点又是被感知目标频谱共享从二选一变成多选一复杂度指数级上升。6G IoT网络切片通过端到端切片把通信和感知服务打包成独立的虚拟网络每个切片有自己的QoS SLA。延伸阅读推荐如果你还想继续深挖这几条路值得一走最优传输理论Optimal Transport在ISAC中的应用文献用AIBOT算法把混合整数非凸问题转化成了概率分布的推土机距离问题提升了12%的速率和29%的定位精度。网络切片ISAC文献把ISAC和E2E Network Slicing结合用DQN做资源调度适合对6G IoT感兴趣的读者。安全与能效如果你担心一心二用会导致信息泄露文献探讨了物理层安全PLS与ISAC的联合设计让通信信号在照亮目标的同时对窃听者施加破坏性干扰。写在最后通信辅助感知本质上是一个关于妥协的艺术的故事。6G基站就像一个经验丰富的项目经理手头的预算功率、带宽、天线永远不够而通信和感知两个部门永远在提需求。联合优化的价值不在于让任何一方100%满意而在于让系统整体效用最大化——这正是SaaS和ISCC的终极愿景。现在当你再看到基站天线时不妨想象它正一边和你的手机聊天一边用余光扫视着天空中的无人机。它很忙但它乐在其中。我们下篇见。