摘要作为6G的关键技术通感一体化Integrated Sensing and CommunicationsISAC通过融合雷达感知与无线通信功能能进一步有效提升资源使用效率已成为目前学术界和工业界的研究热点。无人机Unmanned Aerial VehicleUAV因其高机动、强视距、易部署等优势在无线通信领域一直受到广泛关注。基于UAV辅助的ISAC系统既能提升无人机与地面网络的协同效率还能够提供更加高效、快速和精准的服务满足多样化的移动通信需求。ISAC系统的发射波束的设计将同时影响通信用户的接收性能与感知目标的探测能力从而使波束成形成为通信感知协同设计中的关键问题。考虑到UAV的移动性本文聚集于UAV-ISAC系统中的波束成形与无人机的轨迹联合优化。通过建立了基于UAV辅助的ISAC的下行通信系统模型来研究用户平均和速率与平均传感信噪比之间的权衡。为了求解该非凸难题设计了基于交替优化和连续凸近似的迭代算法以获得原始非凸问题的高质量解。最后通过MATLAB仿真结果表明所提优化方案能够有效实现通信与感知的性能折中当通信优先级更高时系统会分配更多资源发射功率和UAV飞行时隙来服务通信用户验证了轨迹设计的有效性。关键词无人机通信通感一体化波束成形轨迹优化连续凸近似文章目录摘要1. 研究背景及意义2 理论基础2.1 ISAC 系统基础2.2 UAV通信基础3 本项目工作3.1 系统建模3.2 算法设计仿真结果5. 总结1. 研究背景及意义作为下一代无线网络的关键技术通感一体化通过融合雷达感知与无线通信功能能进一步有效提升资源使用效率已成为目前学术界和工业界的研究热点。无人机因其高机动、强视距、易部署等优势在无线通信领域一直受到广泛关注。将无人机与通感一体化技术结合可以提高无人机的通信和感知能力实现更加智能的无线组网[1]。具体来说将无人机与通信感知一体化技术结合即无人机通感一体化既可提升无人机与地面网络的协同效率还能够提供更加高效、快速和精准的服务满足多样化的移动通信需求。无人机通过对用户周围环境感知为地面用户提供更为稳定、高质量的通信保障。此外凭借无人机的灵活部署可以实现更广域的环境监测与目标识别从而提升系统整体性能与适应性[2]。本研究的意义如下资源高效利用通过设计统一的波束成形方案使得无人机发射的同一信号波形既能服务于地面用户通信又能完成对特定目标的探测、定位。这实现了频谱、硬件和能源的“一份投入双重收益”显著提升了系统整体的资源利用效率[3]。串联所学知识能把大学里学的几门核心课程知识综合运用起来如通信原理利用速率或者误码率衡量通信质量信号处理中从回波信号里提取目标距离速度等感知信息利用优化知识设计求解算法利用MATLAB仿真工具搭建一个完整的仿真链路实现一次系统级的仿真验证。2 理论基础2.1 ISAC 系统基础通信感知一体化Integrated Sensing and CommunicationsISAC是指在同一无线系统中同时实现信息传输与环境感知两类功能的技术体系。在 ISAC 系统中通信功能主要面向合法用户提供可靠的数据传输服务而感知功能则通过对无线信号与环境交互信息的分析实现目标检测、定位、测速或环境建模等任务。与传统通信系统或雷达系统相比ISAC 的核心思想在于将通信与感知功能进行统一设计与协同实现而非作为两个相互独立的系统分别部署[23]。ISAC 系统的一个显著特征是通信与感知功能共享无线资源。具体而言两类功能通常共用相同或高度相关的发射波形、频谱资源以及射频硬件平台从而避免了传统“通信系统 雷达系统”并行部署所带来的频谱浪费与硬件冗余问题。这种资源共享机制使无线系统在完成信息传输任务的同时能够额外获取对周围环境的感知能力显著提升了系统的整体资源利用效率。此外由于通信与感知功能在波形、硬件及信号处理层面存在紧密关联ISAC 系统中两类性能之间往往呈现出一定的耦合关系。例如为通信链路设计的调制方式、功率分配或波束策略可能会对感知性能产生直接影响反之亦然。因此如何在通信性能与感知性能之间实现合理权衡是 ISAC 系统设计中需要重点关注的问题之一[24]。基于上述特点ISAC 技术在车联网、智能交通系统、自动驾驶、无人机监测以及智慧城市等场景中具有广泛的应用前景。图 2-1 给出了通信感知一体化系统的基本概念示意图用于直观展示 ISAC 系统中通信功能与感知功能在同一物理平台上的统一关系。2.2 UAV通信基础UAV辅助通信作为未来无线网络的通信枢纽近年来一直是研究热点之一和业界宠儿。UAV辅助通信的诞生及发展源于传统地面蜂窝网络所固有的部分不足。例如在人口密集的城市地区基站容量过小会导致网络拥塞、容量受限、网络覆盖差在偏远地区、海岛山区部署和维护基站成本高要求网络覆盖面积大在突发事件地震、洪水发生时地面通信基础设施被破坏重要通信被切断需要快速展开的应急通信解决方案。这些都导致了UAV通信技术的兴起和飞速发展。在无线通信领域随着续航能力加强、飞控能力增强、自主导航能力增强、载荷集成能力加强UAV被视为空中移动智能体。而随着5G的商用和6G通信的飞速发展对通信网络的高可靠、超低时延、超广覆盖率的需求进一步加剧对通信网络弹性化、智能化的要求日益迫切。在这样的情况下将无人机和通信技术进行结合构建出“空-天-地-海”网络是克服地面通信局限性的关键技术之一。3 本项目工作3.1 系统建模优化问题在传统的通信场景下由于基站部署需要固定位置以及移动变化环境、视距链路的长距离和宽范围会影响通信覆盖范围和通信速率从而导致通信系统需要更大的能量和通信部署开销。得益于UAV的可移动性UAV-ISAC通信系统部署更加灵活可以应用于无线通信环境中移动可变的场景。为了实现UAV-ISAC系统更好的通信质量。本文通过联合优化UAV-RIS系统中用户的波束成形矩阵 无人机的轨迹 来探索用户平均和速率与平均传感信噪比之间的权衡。注意到问题(包含多个变量联合优化且优化变量 之间相互耦合导致目标函数和约束是非凸的且难以求解的。为了克服该困难本文提出了基于交替优化的连续近似算法通过分别固定基站的波束成形向量和UAV位置的轨迹以获得原始问题的高质量局部最优解。3.2 算法设计算法主要参考sca基础理论使用辅助变量和凸优化进行设计sca基础理论如下首先固定无人机的轨迹变量专注于UAV基站的波束成形设计基于sca算法接着固定UAV基站的波束成形求解其轨迹通过迭代求解两个子问题将获得原问题的一个次优解。仿真结果参数取值衰落因子2小尺度路径损耗3莱斯因子10dBUAV飞行高度100mUAV飞行区域300m×300m距离为1m时的参考距离损耗-50dB用户处噪声-114dBm算法收敛精度10-5UAV最大发射功率36dBmUAV基站天线个数!25最低通信速率要求2.5bis/s/Hz最低感知门限8dB可以看到当在以感知目标为主要目标的场景中无人机在保证最低感知门限的要求下近乎不主动靠近通信用户而当 通信和感知都有权重时无人机开始有像通信用户靠近的趋势而当以通信目标为主要目标的场景中无人机刚开始的轨迹朝向就指向通信用户且悬停部分时间在用户上方。这表明通过调节 可灵活控制无人机的飞行策略从而适配不同的通信与感知任务需求。增大 通信权重会提升通信用户的平均和速率但是会降低平均感知信噪比。这是因为当通信优先级更高时系统会分配更多资源包括发射功率和飞行上的时隙来服务通信用户因此实际应用中需选取适当的 以实现通信与感知性能之间的最优权衡。因此需要通过合理设计无人机飞行路径并调节通信权重因子所提方案能够在通信与感知之间获得灵活且优越的性能折中。部分代码function[q_opt, s_k_opt, W_k_opt, phi_opt]ao_algorithm(params, initial_q, initial_s_k, initial_W_k)% AO_ALGORITHM 交替优化算法求解无人机轨迹、用户调度和波束成形 % % 输入: % params - 结构体包含所有系统参数和算法超参数 % initial_q - 无人机初始轨迹(2D 或 3D 坐标点序列)% initial_s_k - 初始用户调度矩阵(K × N)% initial_W_k - 初始波束成形矩阵(N 个时隙的各用户波束向量)% % 输出: % q_opt - 优化后的无人机轨迹 % s_k_opt - 优化后的用户调度指示矩阵 % W_k_opt - 优化后的波束成形矩阵 % phi_opt - 优化后的 RIS 相位偏移量基于最终轨迹计算 % % 算法核心: % 采用块坐标下降(BCD)/ 交替优化(AO)思想固定部分变量求解剩余变量 % 依次更新调度/波束成形、无人机轨迹直至目标函数收敛或达到最大迭代次数。 % 其中非凸子问题通过连续凸近似(SCA)或其它凸优化方法求解调用外部函数实现。 %参数读取Nparams.N;% 时隙总数 Kparams.K;% 用户数量 epsilon_aoparams.epsilon_ao;% AO 收敛阈值 I_maxparams.I_max_ao;% 最大 AO 迭代次数 %变量初始化q_currentinitial_q;% 当前轨迹 s_k_currentinitial_s_k;% 当前调度矩阵(K×N)通常为二值或连续松弛变量 W_k_currentinitial_W_k;% 当前波束成形矩阵 % 注原代码中计算了 phi_current 但未使用此处省略以避免歧义 % 最终相位偏移在算法结束后基于最优轨迹重新计算 obj_values[];% 记录每次迭代后的目标函数值 iter1;% 迭代计数器 fprintf(Starting AO Algorithm for beta_C %.2f\n, params.beta_C);%交替优化主循环whileiterI_max fprintf( AO Iteration %d\n, iter);% ----- 子问题1: 固定轨迹 q优化调度 s_k 和波束成形 W_k ----- % 调用外部凸优化求解器返回连续松弛后的调度变量和波束成形矩阵[s_k_next_cont, W_k_next]solve_subproblem1_S_W(q_current, s_k_current, W_k_current, params);% 将连续调度变量离散化为0/1 二值指示每个时隙最多一个用户 % 方法对每个时隙选择权重最大的用户赋值为1其余为0 s_k_nextzeros(K, N);forn1:N[max_val, idx]max(s_k_next_cont(:, n));ifmax_val0.5% 阈值可根据实际情况调整 s_k_next(idx, n)1;end end % ----- 子问题2: 固定调度 s_k 和波束成形 W_k优化轨迹 q ----- q_nextq_current;% 默认保持原轨迹若轨迹固定模式开启 % 检查是否启用了轨迹优化模式例如“固定轨迹”基线对比if~(isfield(params,trajectory_mode)strcmp(params.trajectory_mode,fixed))q_nextsolve_subproblem2_Q(params, s_k_next, W_k_next, q_current);elsefprintf( Trajectory q fixed for SF baseline.\n);end % ----- 计算当前迭代下的目标函数值用于收敛判断----- current_obj_valcalculate_objective_value(params, q_next, s_k_next, W_k_next);obj_values[obj_values, current_obj_val];fprintf( Current Solver Objective Value: %.4f\n, current_obj_val);% ----- 收敛检测基于目标函数的相对变化-----ifiter1delta_objabs(obj_values(end)- obj_values(end-1));rel_changedelta_obj /(abs(obj_values(end-1)) 1e-9);ifrel_changeepsilon_ao fprintf( AO Algorithm converged at iteration %d.\n, iter);break;end end % ----- 更新所有变量进入下一轮迭代 ----- q_currentq_next;s_k_currents_k_next;W_k_currentW_k_next;iteriter 1;end %算法结束输出最优结果ifiterI_max fprintf(AO Algorithm reached max iterations (%d).\n, I_max);end fprintf(AO Algorithm finished.\n);q_optq_current;s_k_opts_k_current;W_k_optW_k_current;% 基于最终优化后的轨迹计算 RIS 相位偏移假设 RIS 相位依赖于无人机位置 phi_optcalculate_ris_phase_shifts(params, q_opt);end5. 总结随着第六代移动通信技术的不断发展ISAC作为一种能够深度融合雷达感知与无线通信功能的关键使能技术受到了学术界与工业界的广泛关注。ISAC通过共享频谱与硬件资源显著提升了系统的频谱效率和能量利用率。与此同时无人机凭借其高机动性、强视距链路以及灵活部署等优势成为承载ISAC系统的理想空中平台。将UAV与ISAC相结合不仅可以增强地面网络的覆盖能力还能在复杂城市环境或应急场景中提供按需、高效、精准的通信与感知服务。本文聚焦于UAV辅助的ISAC下行通信系统重点研究了波束成形与无人机轨迹的联合优化问题。考虑到UAV的移动性系统模型中通信用户的接收性能与感知目标的探测能力同时受到发射波束方向与无人机飞行路径的影响二者之间存在内在的权衡关系。为此本文以最大化用户平均和速率与平均感知信噪比之间的帕累托最优为目标构建了一个非凸的联合优化问题。为求解该难题本文设计了基于交替优化与SCA的迭代算法将原问题分解为若干个可处理的子问题并逐步逼近高质量解。通过MATLAB平台进行的仿真结果表明所提优化方案能够有效实现通信与感知性能之间的灵活折中当通信优先级更高时系统会分配更多资源发射功率和UAV飞行时隙来服务通信用户验证了轨迹设计的有效性。参考文献Yu Y, Liu X, Liu Z, et al. Joint trajectory and resource optimization for RIS assisted UAV cognitive radio[J]. IEEE Transactions on Vehicular Technology, 2023, 72(10): 13643- 13648.源代码出图所见即所得代码获取方式见VX公众号