1-bit量化ISAC系统容量区域与功率控制策略研究

1. 项目概述当通信与感知在1-bit的极限下相遇最近和几个做无线通信和雷达信号处理的朋友聊天话题总绕不开一个词ISAC。这玩意儿学名叫“通信感知一体化”听起来高大上说白了就是想用同一套硬件、同一段频谱既能把数据传得又快又稳又能像雷达一样把周围环境看得清清楚楚。这无疑是未来6G、自动驾驶、智能物联网的基石。但理想很丰满现实往往骨感尤其是在硬件成本与功耗的紧箍咒下。于是一个更“极端”但极具诱惑力的思路浮出水面如果我们把系统的ADC模数转换器精度压到极限只用1-bit量化呢这意味着接收端只需要判断信号是正还是负硬件复杂度、功耗和成本都能断崖式下降。这个“1-bit量化ISAC系统”的项目就是深入这个看似疯狂实则精妙的领域。它要回答的核心问题是在这种极端简化的硬件约束下系统的能力边界即容量区域究竟在哪里以及为了在这个边界上跳舞我们该如何动态地分配有限的发射功率即最优功率控制策略这绝不是纸上谈兵它直接关系到下一代低成本、低功耗智能设备如无处不在的传感器、穿戴设备、车载单元能否真正实现高性能的感知与通信融合。我花了相当长时间啃论文、做仿真、调模型今天就把其中的门道、踩过的坑和那些仿真图背后隐藏的智慧掰开揉碎了和大家聊聊。2. 核心思路拆解为什么是1-bit为什么关注容量与功率在展开所有数学细节和仿真曲线之前我们必须先建立起最根本的认知框架。很多人一听到1-bit第一反应是“精度损失太大这还能用吗”。没错从高精度ADC比如12-bit, 14-bit切换到1-bit信号幅度信息几乎完全丢失只保留了符号信息。这就像从一幅高清彩色照片变成了一幅只有黑白两色的版画。但关键在于在通信与感知的某些场景下这幅“版画”所携带的信息可能已经足够我们完成核心任务而换取的是硬件实现上质的飞跃——更低的功耗、更小的芯片面积、更高的采样率因为比较器远比高精度ADC快。2.1 1-bit量化带来的根本性变革传统的通信或雷达系统分析大多建立在接收信号是高精度、连续的这一假设上。香农公式CB*log2(1SNR)深入人心。但1-bit量化粗暴地引入了非线性它不是一个简单的衰减而是一个符号函数sign function。这导致了一系列连锁反应信号模型剧变接收信号不再是发射信号的线性缩放加噪声而是发射信号经过非线性失真后的产物。加性高斯白噪声AWGN在经过1-bit量化后其统计特性变得异常复杂不再服从简单的高斯分布。互信息计算困难容量区域的核心是计算互信息。在1-bit下输入输出之间的互信息公式没有闭式解必须依赖数值积分、蒙特卡洛仿真或者一些巧妙的边界Bound来逼近。感知性能的独特表征对于感知比如目标参数估计性能指标通常是均方误差MSE或克拉美罗界CRB。1-bit量化会显著改变Fisher信息矩阵的计算使得传统的CRB公式不再直接适用需要重新推导。所以这个项目的起点就是抛弃那些基于高精度信号的优雅结论直面1-bit带来的“丑陋”但真实的数学模型。2.2 容量区域定义一体化系统的性能天花板在单纯的通信系统中我们谈“信道容量”一个标量值。但在ISAC系统中我们同时追求两个目标通信速率Rc和感知精度通常用感知速率Rs或与估计误差相关的逆指标来表征。这两个目标通常是相互竞争的功率用于发射通信数据就没法用于发射感知波形反之亦然。容量区域就是在给定的系统资源总功率、带宽、硬件约束如1-bit量化下所有可同时达到的通信速率与感知精度配对Rc, Rs所构成的集合。这个区域的外边界就是帕累托最优边界——你无法在不损害其中一个目标的情况下提升另一个目标。我们的任务就是画出1-bit量化约束下这个区域的形状。它可能不再是高精度下的那种光滑凸曲线而可能呈现出拐点或平台。2.3 功率控制在边界上寻找最优工作点知道了“天花板”容量区域的形状还不够。对于一个实际系统我们需要一个明确的控制律告诉发射机在当前信道条件下为了达到某个特定的通信-感知权衡目标我应该把多少功率分配给通信波形多少分配给感知波形或者如何设计一个同时承载两者的统一波形这就是最优功率控制策略。这个策略通常表述为一个优化问题在满足总功率约束和1-bit量化接收模型下最大化一个加权和效用函数例如 α * Rc (1-α) * Rs其中α在0到1之间滑动代表了我们对通信和感知的侧重程度。解这个优化问题就能得到最优的功率分配系数。策略的“最优性”就体现在它能使系统工作点始终落在容量区域的边界上不浪费任何一点宝贵的功率资源。3. 系统建模与关键难点剖析理论说得再漂亮也得落到具体的数学模型上。这里我分享一套经过验证的、相对通用的建模思路也是我仿真实验的基础。3.1 发射信号模型分离式 vs 一体化波形主流有两种ISAC波形设计思路分离式通信信号和感知信号如雷达脉冲在时域或频域正交复用。这简化了分析但可能浪费资源。一体化波形设计一个统一的信号同时承载通信信息和满足感知需求如良好的自相关特性。这更高效但设计更复杂。在1-bit量化研究中为了聚焦核心矛盾——量化非线性对性能边界的影响我们通常从简单的分离式模型开始。假设发射信号为x √βP * s_c √(1-β)P * s_s。其中P是总功率β是分配给通信信号的功率比例0≤β≤1s_c和s_s分别是归一化的通信符号和感知波形例如线性调频信号。这个模型清晰地将功率控制变量β引入了问题。3.2 1-bit量化接收模型非线性失真之门这是整个模型的核心。假设接收到的模拟信号为y h * x n其中h是信道系数通信信道或感知回波信道n是AWGN。经过1-bit ADC后我们得到的离散信号是r Q(y) sign(Re(y)) j * sign(Im(y)) 对于复信号。 这个简单的sign函数就是所有分析复杂性的根源。它使得接收信号r的概率分布极度依赖于输入信号x的分布并且与噪声n的分布产生复杂的耦合。注意在实际建模时必须明确假设发射信号x的分布。对于通信信号s_c通常假设为复高斯分布符合香农理论的前提。对于感知信号s_s有时为了分析简便也假设为高斯但更实际的可能是恒模信号。不同的假设会导致最终容量区域表达式的不同。3.3 容量与感知互信息的计算数值方法成为主力在高精度量化下通信容量有香农公式。但在1-bit下通信互信息I(x; r | h)没有简洁表达式。我的做法是离散输入连续输出DMC如果发射符号来自一个离散星座如QPSK那么计算相对直接可以对所有可能的发射符号求和来计算I(x; r) Σ p(x) ∫ p(r|x) log2(p(r|x)/p(r)) dr。但这里p(r|x)不是高斯分布需要根据噪声分布和量化函数推导通常涉及Q函数高斯尾概率的积分。连续输入高斯这是分析性能上界的关键。此时需要计算I(x; r)其中x ~ CN(0, ρ)。这通常通过蒙特卡洛仿真来估计生成大量(x, y, r)样本用直方图或核密度估计来近似概率分布再代入互信息估计器如KNN-based方法。计算量很大但能给出理论边界。感知互信息对于感知我们常关注估计某个参数θ如目标时延、多普勒的精度。一个有用的信息论度量是感知互信息I(θ; r | x)它衡量了接收信号r中关于参数θ的信息量。在1-bit下它的计算同样棘手通常也需要借助数值方法或推导其下界如利用数据处理不等式。3.4 优化问题构建寻找那个最优的β模型建立后我们可以构建功率控制优化问题。一个典型形式是最大化 U(β) ω * R_c(β) (1-ω) * R_s(β) 约束条件 0 ≤ β ≤ 1其中R_c(β)是在功率分配β下可达的通信速率即互信息R_s(β)是感知性能指标可能是互信息也可能是CRB的倒数。ω是权重因子。难点在于R_c(β)和R_s(β)这两个函数由于1-bit量化的非线性往往没有闭合的解析表达式它们可能是通过数值计算得到的一系列离散点。因此这个优化问题通常无法用梯度下降等传统连续优化方法直接求解。4. 仿真实验设计与核心结果分析理论是灰色的仿真之树常青。下面我分享一下我的仿真设置、关键步骤以及从结果图中解读出的信息。4.1 仿真环境与参数设置我使用MATLAB进行仿真因为其强大的数值计算和绘图功能非常适合这类研究。信道模型为了简化先考虑加性高斯白噪声AWGN信道即h1。后续可扩展到瑞利衰落信道。信号通信信号s_c为复高斯随机变量。感知信号s_s假设为已知的确定性序列如线性调频但在计算互信息时有时也将其建模为高斯以获取上界。信噪比SNR范围定义接收端SNR为P / σ_n^2其中σ_n^2是噪声功率。仿真SNR从-20dB到20dB覆盖低噪到高噪区间。1-bit系统在低SNR下的性能相对损失较小这是重点观察区域。功率分配比β从0到1以0.05或0.1为步长进行遍历。4.2 核心仿真步骤函数封装编写一个核心函数[Rc, Rs] calculate_rates(beta, SNR)。这个函数内部 a. 根据给定的β和SNR计算等效的通信和感知链路信噪比。 b. 对于通信速率Rc采用蒙特卡洛法。生成数万个复高斯发射样本x计算对应的接收量化信号r利用p(r|x)的解析表达式涉及高斯CDF或直接基于样本估计概率计算互信息。 c. 对于感知速率Rs假设感知目标是估计目标反射系数一个复参数。推导在1-bit量化下的Fisher信息矩阵或CRB将CRB的倒数或对数形式作为Rs。或者更一般地计算感知互信息I(θ; r)。遍历β对每个固定的SNR遍历所有β值得到一组(Rc, Rs)点。生成容量区域对每个SNR将步骤2得到的所有点绘制在(Rc, Rs)平面上其凸包或外边界就是该SNR下的容量区域边界。求解最优β对于给定的权重ω在每条容量区域边界上即每个SNR下寻找使效用函数U(β)最大的β值。这可以通过直接搜索实现因为β是离散遍历的。4.3 结果分析与洞见运行仿真后我得到了几组关键的图表每一张都讲述着一个故事图1不同SNR下的容量区域对比这张图将-10dB, 0dB, 10dB SNR下的容量区域画在一起。可以清晰看到区域形状所有区域都大致呈“向右下凸”的形状验证了通信与感知的权衡关系。SNR的影响随着SNR增加整个区域向外扩张说明资源越多两者性能的上限都越高。但更重要的是区域的“胖瘦”在变化。在低SNR下区域更“扁”意味着即使牺牲很多感知性能也换不来通信速率的大幅提升反之亦然系统能力受限于底噪和量化失真。在高SNR下区域变得更“丰满”权衡的灵活性增加。与无限精度对比在同一张图上叠加高精度量化如8-bit以上的容量区域作为基准。可以明显看到1-bit的区域整体向内收缩尤其在高SNR区间收缩比例更大。这印证了1-bit量化在低SNR下相对高效在高SNR下损失严重的经典结论。图2最优功率分配比β随SNR和权重ω的变化* 这是一张三维图或一组二维曲线。它直观地展示了最优策略趋势当权重ω偏向通信ω→1时最优β趋近于1所有功率给通信当ω偏向感知时β趋近于0。这是符合直觉的。关键发现在中等SNR约0dB附近和中等权衡权重ω≈0.5时最优β*对SNR和ω的变化最为敏感。曲线斜率最大。这意味着在此区域功率分配策略需要非常精细的调整微小的环境变化或需求变化都可能导致最优工作点的显著偏移。相反在极低或极高SNR下最优策略往往趋向极端全通信或全感知调整不那么敏感。与高精度系统的差异对比高精度系统的最优β*曲线1-bit系统的曲线通常更“陡峭”过渡更剧烈。这说明1-bit系统对资源分配的错误更不宽容策略设计需要更精确。图3性能损失分解图为了深入理解1-bit量化带来的损失源自何处我做了分解分析纯通信损失比较1-bit和高精度下纯通信β1的容量随SNR的变化。损失主要来自幅度信息的丢失。纯感知损失比较1-bit和高精度下纯感知β0的CRB或感知互信息。损失来自量化对信号相位的非线性扭曲。一体化损失比较在最优权衡点某个ω上的综合效用U。发现一体化损失不等于纯通信损失与纯感知损失的简单加权平均。在部分权衡点上由于两种信号在1-bit量化下的非线性干扰存在某种“抵消”或“耦合”效应一体化损失甚至可能小于单独损失的加权平均。这是一个反直觉但非常重要的发现意味着在一体化设计中1-bit的缺陷可能被部分弥补。5. 实现策略、算法选择与工程化思考理论仿真给出了最优解但如何实时地、自适应地实现这个最优功率控制策略呢5.1 策略实现的两条路径查表法Look-Up Table, LUT思路离线完成上述仿真将不同SNR估计值和不同业务权重ω下的最优功率分配比β*预先计算出来存储在设备的内存中。实时操作系统运行时实时估计信道SNR并根据上层应用指示的当前ω值例如自动驾驶汽车在巡航时可能ω0.5在紧急避障时ω0.1偏向感知通过查表可能需要二维插值快速获取β*并配置发射机。优点计算复杂度极低延迟小适合资源受限的终端设备。缺点表格占用存储空间表格的精度和粒度SNR和ω的采样间隔需要权衡难以适应未在表格中建模的新场景。在线优化法思路设备内置一个轻量级的优化算法。实时测量当前信道条件并基于简化的、可快速计算的性能模型例如使用闭式下界近似真实的互信息在线求解优化问题得到β*。算法选择由于目标函数U(β)通常是关于β的单峰函数先增后减或单调且变量只有一个β黄金分割搜索或二分法是极其高效且鲁棒的选择。它们不需要梯度信息只需要函数值比较非常适合处理数值计算得到的Rc(β)和Rs(β)。步骤 a. 初始化搜索区间 [β_low0, β_high1]。 b. 在区间内选择两个试点计算效用函数U。 c. 比较U值舍弃不可能包含最优解的子区间。 d. 迭代直至区间长度小于预设精度。优点自适应性强精度高不依赖预存表格。缺点每次决策需要数次~10-20次效用函数评估而每次评估可能涉及复杂的数值积分或蒙特卡洛平均计算负担比查表法大。5.2 工程化中的关键挑战与应对SNR的实时估计在1-bit量化下传统的基于二阶矩的SNR估计方法严重失效。因为信号幅度信息丢失E[|r|^2]恒为常数对于复信号I/Q两路各为1。必须开发新的估计算法。一种可行思路是利用信号的高阶统计量或者利用已知的导频序列通过最大似然估计等方法在量化域直接估计信道增益和噪声功率。模型失配与鲁棒性我们的理论模型基于高斯信号假设和AWGN信道。实际环境中干扰可能非高斯信道可能多径衰落。最优策略需要具备一定的鲁棒性。在仿真中我尝试了在非高斯干扰如脉冲干扰下测试策略性能发现基于高斯假设设计的策略虽然性能下降但相比固定功率分配如β0.5仍有显著增益。可以考虑在优化目标中加入鲁棒项或采用最小最大化Min-Max准则来设计保守策略。硬件非理想因素真实的1-bit ADC存在比较器失调、时钟抖动等问题。在建模和仿真后期我引入了这些非理想因素。发现比较器失调会等效为在量化前增加了一个直流偏置这会严重破坏系统性能尤其是对相位敏感的感知任务。因此在实际系统中必须包含失调校准电路或数字校准算法。6. 常见问题、调试心得与扩展方向6.1 仿真中踩过的坑与解决方案互信息计算不准特别是低概率区域问题使用蒙特卡洛和直方图估计概率p(r|x)时对于某些低概率事件样本数不足导致估计方差极大严重影响互信息计算的准确性。解决对于离散输入、1-bit输出的情况p(r|x)有解析表达式涉及高斯CDF即Q函数。务必使用解析表达式来计算条件概率蒙特卡洛只用于对输入分布求平均。对于连续高斯输入可以使用更高级的估计器如基于k近邻k-NN的互信息估计器它在低概率区域相对更稳定。容量区域边界不光滑问题绘制的点云外边界呈锯齿状不便于观察和分析。解决首先确保蒙特卡洛仿真有足够的样本通常需要10^6以上以减少随机波动。其次在绘制边界时不要简单取所有点的外轮廓而是计算这些点的凸包取凸包的上边界作为容量区域边界这样能得到光滑的折线。优化搜索陷入局部最优问题β在[0,1]区间搜索时由于数值计算有噪声效用函数U(β)的曲线可能不是严格单峰的存在微小波动导致搜索算法卡在局部最优点。解决首先用较粗的步长如0.1全局扫描一遍找到函数值的大致峰值区间。然后在该区间内再用精细的搜索算法如黄金分割。同时可以多次运行蒙特卡洛评估并取平均以平滑目标函数。6.2 对实际系统设计的启示1-bit ADC的适用场景我们的分析强烈表明1-bit ISAC系统在低SNR、对成本功耗极度敏感、且对绝对感知精度要求不极端的场景下具有巨大优势。例如大规模物联网传感器网络、低功耗穿戴设备的环境感知与数据回传。波形设计的重要性本项目假设了简单的分离式波形。实际上针对1-bit量化的特性设计联合优化的ISAC波形能进一步提升容量区域。例如设计通信序列使其在1-bit量化后对感知干扰最小或者设计感知波形使其对通信解码的影响可控。这将是下一步研究的重点。跨层设计最优功率控制策略需要实时的SNR和业务权重ω信息。这需要物理层与上层MAC层、应用层紧密互动。例如应用层根据当前任务导航、避障、数据传输生成ω参数物理层根据估计的SNR执行功率分配。这是一个典型的跨层优化问题。6.3 未来可探索的方向多用户与多天线MIMO扩展当前模型是单输入单输出SISO。将研究扩展到多用户ISAC和MIMO ISAC是自然的下一步。1-bit量化下的多用户干扰、波束成形设计将是极具挑战性的新问题。更先进的量化器除了简单的1-bit量化还可以考虑少量比特的量化如2-bit, 3-bit或者非均匀量化。研究性能随量化比特数增加的提升曲线能为系统设计提供“性价比”最优的量化精度选择。与AI的结合由于1-bit系统模型高度非线性传统优化方法有时很吃力。可以探索使用深度学习例如用神经网络直接映射信道状态和业务需求到最优功率分配策略或者用神经网络来近似计算复杂的互信息函数从而加速在线优化。硬件原型验证理论仿真最终需要硬件验证。可以使用软件无线电平台如USRP搭配高速比较器搭建1-bit接收机原型在实际无线环境中测试理论策略的有效性并验证对硬件损伤的鲁棒性。这个项目就像是在极限约束下探索通信与感知融合的新大陆。1-bit量化是一把双刃剑它粗暴地砍掉了信息的细节却也为我们打开了超低功耗设计的大门。理解其容量边界掌握其资源调配策略就是在这片新大陆上绘制精确地图和制定生存法则。希望我的这些拆解和心得能给同样对前沿通信感知技术感兴趣的你带来一些切实的启发和参考。