1. 项目概述从“一张卡片”到“一张超表面”第一次听到“SIM赋能的通感一体化系统发射波束成形设计”这个题目很多人会下意识想到手机里的SIM卡。实际上这里说的SIM是指智能超表面Smart/Reconfigurable Intelligent SurfaceRIS一种近年来在无线通信领域被反复提起的变革性技术。它的物理形态可以是一块平面阵列上面密密麻麻排布着大量可调单元每个单元都能对入射电磁波进行幅度或相位的调控。换句话说它像一面“可编程的镜子”能把电磁波反射到想要的方向甚至能同时完成通信和感知两种任务。这个项目来自北京理工大学核心是研究在**通感一体化Integrated Sensing and CommunicationISAC**系统中如何利用智能超表面辅助发射端进行波束成形设计。通感一体化简单说就是让一个系统同时干两件事既传输通信数据又探测周围环境比如测距、测速、成像。这在未来的自动驾驶、低空经济、智能家居里都有极强需求。而波束成形则是天线领域的老话题本质是通过调节各个天线单元的相位和幅度让信号在空间中形成特定方向的“波束”像手电筒的光束一样集中照射目标。这个项目适合谁看如果你是做无线通信、天线设计、电磁超表面相关研究的学生或工程师尤其是刚接触RIS和ISAC方向的人这篇文章能帮你把从问题建模到仿真验证的整条链路理清楚。如果你只是好奇“智能超表面到底怎么用”我也会尽量用大白话把原理讲透。从技术角度看这个方向天然有三个难点一是通感一体化本身存在通信与感知的性能折中二是智能超表面的离散相位调控如何优化三是发射端、超表面、用户/目标之间的级联信道如何建模。下面我会拆开来讲。2. 通感一体化系统的基本架构与核心需求2.1 通感一体化为什么值得做先聊背景。传统通信系统和雷达系统是分开部署的通信基站只管打电话、传数据雷达站只管探测目标。但未来的场景越来越复杂一辆自动驾驶汽车既要和路侧单元通信又要实时探测周围的行人和障碍物一架无人机既要传回高清视频又要感知空域里有没有其他飞行器。如果每个系统都单独建一套硬件成本、功耗、频谱占用都吃不消。于是通感一体化被提出来核心思路是一套波形、一套硬件、一个频谱同时完成通信和感知。听起来很美但实际做起来有个本质矛盾通信希望波束“宽”一点覆盖更多用户感知希望波束“窄”一点能量集中、角度分辨率高。这两个需求在同一个天线上其实是打架的。这时候智能超表面就能派上用场。它可以把发射端的信号经过一次“空间调制”后在通信方向和感知方向之间做出更精细的取舍。你可以把它理解成在基站和用户之间加了一块“可编程透镜”既能聚焦通信波束又能“漏”一部分能量给感知目标或者反过来。2.2 系统模型里有哪些关键角色这个项目里发射波束成形设计的系统模型大致包含四类角色基站/发射端配备多天线阵列负责生成初始波束。波束成形向量就是在这里设计的。智能超表面SIM部署在基站附近或者用户旁边由大量可调单元组成每个单元可以独立控制反射/透射系数的幅度和相位。它把基站的入射波“重定向”到期望区域。通信用户接收通信信号关注的是信噪比、速率、误码率。感知目标可以是人、车辆、无人机系统需要从回波中提取目标的距离、速度、角度信息关注的是回波信噪比、估计精度。从数学上看通信用户接收到的信号可以写成$$ y_c \mathbf{h}_c^H \mathbf{\Phi} \mathbf{G} \mathbf{f} s n $$其中 $\mathbf{G}$ 是基站到超表面的信道$\mathbf{\Phi}$ 是超表面的对角相移矩阵每个对角元素对应一个单元的反射系数$\mathbf{f}$ 是发射波束成形向量$s$ 是发送符号$n$ 是噪声。感知回波信号则类似只是经过目标反射路径多了一圈。这里要特别注意的是超表面的“对角相移矩阵”是理想化模型实际中每个单元的相位通常是离散可调的比如1比特、2比特或3比特量化这意味着优化问题从连续域变成了离散组合优化复杂度急剧上升。2.3 为什么说“发射端波束成形”是关键在整个系统里发射波束成形向量 $\mathbf{f}$ 是整个信号链路的“源头”。如果 $\mathbf{f}$ 设计得不好后面超表面再怎么调节都是事倍功半。原因在于超表面虽然能在空间上重定向信号但它本质上是一个无源反射面不放大信号。信号从基站到超表面这段路径上的能量损耗必须在 $\mathbf{f}$ 设计时提前考虑。通感一体化的目标通常是通信速率最大化和感知精度最小化的多目标优化。$\mathbf{f}$ 的功率分配和相位设计直接影响这两个目标的可行域。在实际系统中基站可能同时服务多个用户、感知多个目标$\mathbf{f}$ 的维度设计和超表面单元数量之间需要协调。因此这个项目选择“发射波束成形”入手本质上是在找一条通感性能折中的最优曲线而超表面的作用则是在这条曲线上找到一个更优的全局最优。3. SIM辅助波束成形的原理拆解与数学建模3.1 智能超表面的电磁调控原理智能超表面的核心工作原理可以用“惠更斯-菲涅尔原理”来理解当电磁波照射到一个平面上时平面上每个点都可以看作一个新的次级波源次级波在空间中相互干涉形成总场。传统平面上这些次级波是自然产生的干涉结果也“听天由命”而智能超表面通过在单元上加载变容二极管、PIN二极管或MEMS开关可以主动控制每个单元的反射相位从而对次级波进行“编程”实现对反射波束方向的定制。具体到系统层面超表面相当于在基站和用户之间插入了一个可编程的虚拟天线阵列。它不需要大功率放大器不需要射频链路功耗几乎可以忽略这正是它被称为“绿色技术”的原因。3.2 级联信道的建模方式基站→超表面→用户的信道是两级链路的乘积也就是所谓的级联信道。假设基站有 $N_t$ 根天线超表面有 $M$ 个单元用户有 $N_r$ 根天线那么基站到超表面的信道 $\mathbf{G} \in \mathbb{C}^{M \times N_t}$超表面到用户的信道 $\mathbf{h}_r \in \mathbb{C}^{M \times 1}$等效的信道就是 $\mathbf{h}_r^H \mathbf{\Phi} \mathbf{G}$这里有一个在实际研究中常见的坑虽然级联信道把两步压缩成一步看起来简单但 $\mathbf{G}$ 和 $\mathbf{h}_r$ 的统计特性、空间相关性、以及超表面单元之间的互耦效应都会显著影响系统性能。在做仿真的时候如果直接用独立同分布的瑞利信道来近似很可能高估系统性能。建议至少用带空间相关性的信道模型或者用电磁仿真软件导出的信道矩阵。3.3 发射波束成形与超表面相位联合优化的目标函数这个项目的核心优化问题可以写成一个通用的形式$$ \max_{\mathbf{f}, \mathbf{\Phi}} ; R_c(\mathbf{f}, \mathbf{\Phi}) \quad \text{s.t.} \quad \text{感知指标} \geq \gamma, ; |\mathbf{f}|^2 \leq P_t, ; \phi_m \in \mathcal{F} $$其中$R_c$ 是通信速率常用香农公式 $R_c \log_2(1 \text{SINR})$感知指标可以是回波信噪比、克拉美-罗界CRB或者互信息$\mathcal{F}$ 是离散相位的可行集合比如 ${0, \pi/2, \pi, 3\pi/2}$ 对应2比特量化这种联合优化问题通常是非凸的原因有两个一是目标函数是 $\mathbf{f}$ 和 $\mathbf{\Phi}$ 的耦合函数二是离散相位约束破坏了凸性。4. 算法设计从凸优化到智能算法的对比与实战4.1 交替优化思路把大问题拆成两个小问题面对联合优化问题最先想到的是交替优化Alternating OptimizationAO。具体做法是固定 $\mathbf{\Phi}$优化 $\mathbf{f}$。此时问题退化为传统的波束成形设计可以用最大比发射MRT、追零ZF或者基于半正定松弛SDR的方法求解。固定 $\mathbf{f}$优化 $\mathbf{\Phi}$。此时问题变成离散相位下的相移设计可以用坐标下降法、分支定界法或者把离散约束松弛为连续约束再加量化。交替优化的问题在于它只能保证收敛到局部最优解而且收敛速度高度依赖初始值。如果你的初始相位选得不好很容易掉进性能很差的局部极值点。我自己的经验是先用连续松弛法把相位当成连续的求解一遍得到一个相位初始值再做离散量化最后用坐标下降微调。这样比直接随机初始化稳定得多。4.2 深层次思考感知与通信的折中如何量化通感一体化最迷人的地方在于它让“感知”和“通信”不再是两个割裂的性能指标而是可以在同一个系统中进行交换。比如要让通信速率从10 bps/Hz提升到12 bps/Hz代价可能是感知的CRB从0.1恶化到0.3。这种折中关系在论文里通常用帕累托前沿Pareto Frontier来描述。在我做仿真的时候最直观的感受是仅仅调节发射波束成形的功率分配比例就可以画出不同工作点的帕累托曲线。超表面的存在相当于把这条曲线整体往外推或者说“增大可行域”。如果你在做相关研究我会建议你在仿真中画一条帕累托曲线而不仅仅给出一个孤立的最优解。因为论文审稿人或者项目验收方往往更关心“你比基线方法强多少”帕累托曲线是说服力最强的呈现方式。具体的画法不算复杂设定一个加权因子 $\alpha \in [0,1]$目标函数改为 $\alpha R_c (1-\alpha) R_s$$R_s$ 是感知速率或者负CRB遍历 $\alpha$ 就能得到前沿点集。4.3 代码框架示例MATLAB风格这里给一段核心的交替优化伪代码方便你理解整体流程% 参数初始化 Nt 16; % 基站天线数 M 64; % 超表面单元数 P 30; % 发射功率(dBm) % 信道生成简化模型 G (randn(M, Nt) 1i*randn(M, Nt))/sqrt(2); hr (randn(M, 1) 1i*randn(M, 1))/sqrt(2); % 初始化相位连续松弛后量化 phi exp(1i*2*pi*rand(M,1)); phi quantize_phase(phi, 2); % 2比特量化 % 初始化波束成形向量 f ones(Nt,1)/sqrt(Nt); for iter 1:20 % 步骤1固定Phi优化fMRT h_eff hr * (diag(phi) * G); f h_eff / norm(h_eff) * sqrt(P); % 步骤2固定f优化phi坐标上升 for m 1:M % 搜索四个离散相位选择使SINR最大的 best_phi 0; best_value -inf; for k 0:3 phi_candidate phi; phi_candidate(m) exp(1i*k*pi/2); value compute_sinr(phi_candidate, f, G, hr); if value best_value best_value value; best_phi phi_candidate(m); end end phi(m) best_phi; end end这段代码为了可读性做了很多简化实际中你还需要考虑噪声功率、信道估计误差、回波信道建模等。但整体框架是通用的你可以在这个基础上替换成更高效的相位搜索算法比如分支定界。5. 仿真设置与关键参数选择5.1 系统级仿真参数表以下是我在做类似项目时常用的一组参数供参考参数名称符号数值基站天线数$N_t$16超表面单元数$M$64 ~ 256用户天线数$N_r$2 ~ 4载波频率$f_c$28 GHz毫米波带宽$B$100 MHz超表面单元间距$d$半波长相位量化位数$b$1 / 2 / 3 bit发射功率$P_t$30 dBm噪声功率谱密度$N_0$-174 dBm/Hz基站-超表面距离$d_1$50 m超表面-用户距离$d_2$10 m超表面-目标距离$d_3$30 m毫米波选择28 GHz是业界共识因为该频段带宽充足、天线尺寸小适合部署超表面阵列。半波长单元间距保证了无栅瓣这是超表面设计中最基础也必须满足的条件。5.2 信道模型的选择从简单到贴近真实刚开始做验证时我建议用自由空间路径损耗加莱斯衰落Rician fading的混合模型。超表面和用户之间通常存在较强的视距LOS路径莱斯因子 $K$ 设为5~15 dB比较合理。基站和超表面之间一般也有一定视距概率但为了保守可以把莱斯因子调低。不要一上来就用纯瑞利信道。那样会把超表面的波束增益优势抹平因为瑞利信道没有明显的角度域稀疏性超表面的“聚焦”作用体现不出来。审稿人看到你用独立瑞利信道大概率会质疑你的结论实用性。5.3 性能指标与对比基线算法好不好对比基线很重要。我在做这个项目时会设置四组基线无超表面直接通信只有基站波束成形信道就是 $\mathbf{h}_d$直射信道。这是最基础的参照说明超表面带来的增益。随机相位超表面超表面相位随机设置基站做最优波束成形。这能说明相位优化的必要性。连续相位超表面上界假设相位连续可调得到性能上界。实际离散量化方案越接近这个上界说明量化损失控制得越好。交替优化本项目方案展示实际可实现的性能。仿真结果通常呈现这样几个规律超表面单元数 $M$ 从64增加到256时阵列增益大约提高 6 dB理想情况下每4倍单元数多6 dB。相位从1比特量化到2比特量化性能增益明显从2比特到3比特则增益渐趋饱和。所以实际系统中2比特往往是性价比最高的选择。感知目标角度与用户角度越接近通信和感知的波束方向冲突越严重帕累托曲线往里凹得越厉害。这在你设计仿真场景时要有数。6. 实际部署中的那些坑与经验谈6.1 相位量化与互耦效应理论模型里超表面每个单元的相位是独立控制的。但实际布板时相邻单元之间会因为电磁耦合产生相位偏移你控制的是单元的理想相位实际反射相位却会发生偏差。这个偏差在小相位间隔小于半波长时尤其严重。解决思路有两个一是增大单元间距到半波长虽然牺牲了一点单元密度但互耦更可控二是在设计相移查找表时提前用全波仿真软件如CST、HFSS标定每个单元在不同控制电压下的实际反射相位用实测值替代理论值。6.2 信道状态信息CSI获取难度所有波束成形算法都依赖信道状态信息。在通感一体化系统中基站到超表面的信道 $\mathbf{G}$ 相对好估因为可以放导频但超表面到感知目标的信道很难直接估计因为目标可能移动、散射体复杂。我在实践中发现一个“曲线救国”的思路利用感知回波本身来联合估计信道和目标参数。也就是说让感知功能先探测目标位置再用探测到的信息反向推算信道参数然后更新波束成形。这种“感知辅助通信”的思路在论文中已经有不少但从仿真到工程落地还有距离。6.3 计算复杂度与实时性权衡超表面单元数动辄成百上千交替优化每轮都需要遍历每个相位组合计算复杂度不可忽视。如果你做的是实时波束跟踪必须用更快的算法。我自己尝试过一个方案用深度强化学习离线训练一个“相位-波束映射网络”在线推理时只需毫秒级前向传播。效果在静态场景下能达到交替优化的95%左右但动态场景还需要进一步验证。当然从工程角度看更朴素的加速方式是分块优化把超表面按区域分成若干子块每个子块只在自己的网格里搜索最优相位避免全维度穷举。这个策略牺牲一点全局最优性但计算时间可以从分钟级降到秒级。6.4 一组速查避坑清单下面是可以直接“抄作业”的经验清单信道建模务必包含视距分量不要用纯瑞利信道做RIS研究。相位量化位数选2比特起步1比特容易在通感折中中失去太多性能。仿真时必须画出帕累托前沿单点对比说服力不足。基站波束成形初始值用MRT不要用全1向量否则交替优化很容易卡在次优解。超表面的“阵列增益”和“路径损耗补偿”是两个不同概念别混着讲。回波信道基站→超表面→目标→超表面→基站一定要包含双程路径损耗这比通信链路的单程损耗大得多。如果发现仿真结果中通感性能随 $M$ 增大但增益趋于平缓大概率是相位量化误差主导了性能而不是阵列增益不够。7. 扩展方向与个人实操体会这个项目做完之后我最深的感触是通感一体化不是简单地把两种功能塞进一个系统而是要从波形、硬件、算法三个层面重新审视设计空间。智能超表面在这里扮演的角色不是锦上添花而是真正把“通信”和“感知”在空间维度上解耦出来让它们各自拥有独立的调控维度。后续可以扩展的方向不少。一是从反射式超表面扩展到透射式这样基站和用户可以分别在超表面的两侧部署更灵活。二是引入可重构智能表面与非正交多址NOMA的结合进一步提升频谱效率。三是把超表面的控制从“无源反射”升级为“有源放大”在反射的同时补偿路径损耗——不过这会带来功耗问题需要考虑能量效率约束。如果你打算在仿真环境里复现类似系统可以参考开源的Wireless Insite或者基于Python的RIS仿真库。MATLAB的话可以用Phased Array System Toolbox做波束成形部分再用自编脚本处理超表面相位优化。工程落地阶段可以关注毫米波原型验证平台比如用Xilinx RFSoC加超表面阵列做实时控制。最后分享一个小技巧在写论文或做汇报时不要只放“性能提升百分之多少”的曲线可以把波束方向图直接画出来。一张彩色方向图能直观展示超表面怎样把能量“掰”到通信和感知两个方向这种视觉冲击力远超数字表格。很多评审专家其实对数学公式未必有耐心但对方向图的印象会非常深刻。我自己踩过最大的坑就是一开始仿真时把所有信道都设为独立瑞利分布结果显示超表面几乎没有增益一度怀疑算法写错了。后来把信道改成莱斯衰落并加入角度域相关性性能立刻正常。如果你在复现类似项目时发现性能不理想先检查信道模型再检查相位量化最后才考虑算法本身的问题。
智能超表面辅助通感一体化系统的发射波束成形设计
1. 项目概述从“一张卡片”到“一张超表面”第一次听到“SIM赋能的通感一体化系统发射波束成形设计”这个题目很多人会下意识想到手机里的SIM卡。实际上这里说的SIM是指智能超表面Smart/Reconfigurable Intelligent SurfaceRIS一种近年来在无线通信领域被反复提起的变革性技术。它的物理形态可以是一块平面阵列上面密密麻麻排布着大量可调单元每个单元都能对入射电磁波进行幅度或相位的调控。换句话说它像一面“可编程的镜子”能把电磁波反射到想要的方向甚至能同时完成通信和感知两种任务。这个项目来自北京理工大学核心是研究在**通感一体化Integrated Sensing and CommunicationISAC**系统中如何利用智能超表面辅助发射端进行波束成形设计。通感一体化简单说就是让一个系统同时干两件事既传输通信数据又探测周围环境比如测距、测速、成像。这在未来的自动驾驶、低空经济、智能家居里都有极强需求。而波束成形则是天线领域的老话题本质是通过调节各个天线单元的相位和幅度让信号在空间中形成特定方向的“波束”像手电筒的光束一样集中照射目标。这个项目适合谁看如果你是做无线通信、天线设计、电磁超表面相关研究的学生或工程师尤其是刚接触RIS和ISAC方向的人这篇文章能帮你把从问题建模到仿真验证的整条链路理清楚。如果你只是好奇“智能超表面到底怎么用”我也会尽量用大白话把原理讲透。从技术角度看这个方向天然有三个难点一是通感一体化本身存在通信与感知的性能折中二是智能超表面的离散相位调控如何优化三是发射端、超表面、用户/目标之间的级联信道如何建模。下面我会拆开来讲。2. 通感一体化系统的基本架构与核心需求2.1 通感一体化为什么值得做先聊背景。传统通信系统和雷达系统是分开部署的通信基站只管打电话、传数据雷达站只管探测目标。但未来的场景越来越复杂一辆自动驾驶汽车既要和路侧单元通信又要实时探测周围的行人和障碍物一架无人机既要传回高清视频又要感知空域里有没有其他飞行器。如果每个系统都单独建一套硬件成本、功耗、频谱占用都吃不消。于是通感一体化被提出来核心思路是一套波形、一套硬件、一个频谱同时完成通信和感知。听起来很美但实际做起来有个本质矛盾通信希望波束“宽”一点覆盖更多用户感知希望波束“窄”一点能量集中、角度分辨率高。这两个需求在同一个天线上其实是打架的。这时候智能超表面就能派上用场。它可以把发射端的信号经过一次“空间调制”后在通信方向和感知方向之间做出更精细的取舍。你可以把它理解成在基站和用户之间加了一块“可编程透镜”既能聚焦通信波束又能“漏”一部分能量给感知目标或者反过来。2.2 系统模型里有哪些关键角色这个项目里发射波束成形设计的系统模型大致包含四类角色基站/发射端配备多天线阵列负责生成初始波束。波束成形向量就是在这里设计的。智能超表面SIM部署在基站附近或者用户旁边由大量可调单元组成每个单元可以独立控制反射/透射系数的幅度和相位。它把基站的入射波“重定向”到期望区域。通信用户接收通信信号关注的是信噪比、速率、误码率。感知目标可以是人、车辆、无人机系统需要从回波中提取目标的距离、速度、角度信息关注的是回波信噪比、估计精度。从数学上看通信用户接收到的信号可以写成$$ y_c \mathbf{h}_c^H \mathbf{\Phi} \mathbf{G} \mathbf{f} s n $$其中 $\mathbf{G}$ 是基站到超表面的信道$\mathbf{\Phi}$ 是超表面的对角相移矩阵每个对角元素对应一个单元的反射系数$\mathbf{f}$ 是发射波束成形向量$s$ 是发送符号$n$ 是噪声。感知回波信号则类似只是经过目标反射路径多了一圈。这里要特别注意的是超表面的“对角相移矩阵”是理想化模型实际中每个单元的相位通常是离散可调的比如1比特、2比特或3比特量化这意味着优化问题从连续域变成了离散组合优化复杂度急剧上升。2.3 为什么说“发射端波束成形”是关键在整个系统里发射波束成形向量 $\mathbf{f}$ 是整个信号链路的“源头”。如果 $\mathbf{f}$ 设计得不好后面超表面再怎么调节都是事倍功半。原因在于超表面虽然能在空间上重定向信号但它本质上是一个无源反射面不放大信号。信号从基站到超表面这段路径上的能量损耗必须在 $\mathbf{f}$ 设计时提前考虑。通感一体化的目标通常是通信速率最大化和感知精度最小化的多目标优化。$\mathbf{f}$ 的功率分配和相位设计直接影响这两个目标的可行域。在实际系统中基站可能同时服务多个用户、感知多个目标$\mathbf{f}$ 的维度设计和超表面单元数量之间需要协调。因此这个项目选择“发射波束成形”入手本质上是在找一条通感性能折中的最优曲线而超表面的作用则是在这条曲线上找到一个更优的全局最优。3. SIM辅助波束成形的原理拆解与数学建模3.1 智能超表面的电磁调控原理智能超表面的核心工作原理可以用“惠更斯-菲涅尔原理”来理解当电磁波照射到一个平面上时平面上每个点都可以看作一个新的次级波源次级波在空间中相互干涉形成总场。传统平面上这些次级波是自然产生的干涉结果也“听天由命”而智能超表面通过在单元上加载变容二极管、PIN二极管或MEMS开关可以主动控制每个单元的反射相位从而对次级波进行“编程”实现对反射波束方向的定制。具体到系统层面超表面相当于在基站和用户之间插入了一个可编程的虚拟天线阵列。它不需要大功率放大器不需要射频链路功耗几乎可以忽略这正是它被称为“绿色技术”的原因。3.2 级联信道的建模方式基站→超表面→用户的信道是两级链路的乘积也就是所谓的级联信道。假设基站有 $N_t$ 根天线超表面有 $M$ 个单元用户有 $N_r$ 根天线那么基站到超表面的信道 $\mathbf{G} \in \mathbb{C}^{M \times N_t}$超表面到用户的信道 $\mathbf{h}_r \in \mathbb{C}^{M \times 1}$等效的信道就是 $\mathbf{h}_r^H \mathbf{\Phi} \mathbf{G}$这里有一个在实际研究中常见的坑虽然级联信道把两步压缩成一步看起来简单但 $\mathbf{G}$ 和 $\mathbf{h}_r$ 的统计特性、空间相关性、以及超表面单元之间的互耦效应都会显著影响系统性能。在做仿真的时候如果直接用独立同分布的瑞利信道来近似很可能高估系统性能。建议至少用带空间相关性的信道模型或者用电磁仿真软件导出的信道矩阵。3.3 发射波束成形与超表面相位联合优化的目标函数这个项目的核心优化问题可以写成一个通用的形式$$ \max_{\mathbf{f}, \mathbf{\Phi}} ; R_c(\mathbf{f}, \mathbf{\Phi}) \quad \text{s.t.} \quad \text{感知指标} \geq \gamma, ; |\mathbf{f}|^2 \leq P_t, ; \phi_m \in \mathcal{F} $$其中$R_c$ 是通信速率常用香农公式 $R_c \log_2(1 \text{SINR})$感知指标可以是回波信噪比、克拉美-罗界CRB或者互信息$\mathcal{F}$ 是离散相位的可行集合比如 ${0, \pi/2, \pi, 3\pi/2}$ 对应2比特量化这种联合优化问题通常是非凸的原因有两个一是目标函数是 $\mathbf{f}$ 和 $\mathbf{\Phi}$ 的耦合函数二是离散相位约束破坏了凸性。4. 算法设计从凸优化到智能算法的对比与实战4.1 交替优化思路把大问题拆成两个小问题面对联合优化问题最先想到的是交替优化Alternating OptimizationAO。具体做法是固定 $\mathbf{\Phi}$优化 $\mathbf{f}$。此时问题退化为传统的波束成形设计可以用最大比发射MRT、追零ZF或者基于半正定松弛SDR的方法求解。固定 $\mathbf{f}$优化 $\mathbf{\Phi}$。此时问题变成离散相位下的相移设计可以用坐标下降法、分支定界法或者把离散约束松弛为连续约束再加量化。交替优化的问题在于它只能保证收敛到局部最优解而且收敛速度高度依赖初始值。如果你的初始相位选得不好很容易掉进性能很差的局部极值点。我自己的经验是先用连续松弛法把相位当成连续的求解一遍得到一个相位初始值再做离散量化最后用坐标下降微调。这样比直接随机初始化稳定得多。4.2 深层次思考感知与通信的折中如何量化通感一体化最迷人的地方在于它让“感知”和“通信”不再是两个割裂的性能指标而是可以在同一个系统中进行交换。比如要让通信速率从10 bps/Hz提升到12 bps/Hz代价可能是感知的CRB从0.1恶化到0.3。这种折中关系在论文里通常用帕累托前沿Pareto Frontier来描述。在我做仿真的时候最直观的感受是仅仅调节发射波束成形的功率分配比例就可以画出不同工作点的帕累托曲线。超表面的存在相当于把这条曲线整体往外推或者说“增大可行域”。如果你在做相关研究我会建议你在仿真中画一条帕累托曲线而不仅仅给出一个孤立的最优解。因为论文审稿人或者项目验收方往往更关心“你比基线方法强多少”帕累托曲线是说服力最强的呈现方式。具体的画法不算复杂设定一个加权因子 $\alpha \in [0,1]$目标函数改为 $\alpha R_c (1-\alpha) R_s$$R_s$ 是感知速率或者负CRB遍历 $\alpha$ 就能得到前沿点集。4.3 代码框架示例MATLAB风格这里给一段核心的交替优化伪代码方便你理解整体流程% 参数初始化 Nt 16; % 基站天线数 M 64; % 超表面单元数 P 30; % 发射功率(dBm) % 信道生成简化模型 G (randn(M, Nt) 1i*randn(M, Nt))/sqrt(2); hr (randn(M, 1) 1i*randn(M, 1))/sqrt(2); % 初始化相位连续松弛后量化 phi exp(1i*2*pi*rand(M,1)); phi quantize_phase(phi, 2); % 2比特量化 % 初始化波束成形向量 f ones(Nt,1)/sqrt(Nt); for iter 1:20 % 步骤1固定Phi优化fMRT h_eff hr * (diag(phi) * G); f h_eff / norm(h_eff) * sqrt(P); % 步骤2固定f优化phi坐标上升 for m 1:M % 搜索四个离散相位选择使SINR最大的 best_phi 0; best_value -inf; for k 0:3 phi_candidate phi; phi_candidate(m) exp(1i*k*pi/2); value compute_sinr(phi_candidate, f, G, hr); if value best_value best_value value; best_phi phi_candidate(m); end end phi(m) best_phi; end end这段代码为了可读性做了很多简化实际中你还需要考虑噪声功率、信道估计误差、回波信道建模等。但整体框架是通用的你可以在这个基础上替换成更高效的相位搜索算法比如分支定界。5. 仿真设置与关键参数选择5.1 系统级仿真参数表以下是我在做类似项目时常用的一组参数供参考参数名称符号数值基站天线数$N_t$16超表面单元数$M$64 ~ 256用户天线数$N_r$2 ~ 4载波频率$f_c$28 GHz毫米波带宽$B$100 MHz超表面单元间距$d$半波长相位量化位数$b$1 / 2 / 3 bit发射功率$P_t$30 dBm噪声功率谱密度$N_0$-174 dBm/Hz基站-超表面距离$d_1$50 m超表面-用户距离$d_2$10 m超表面-目标距离$d_3$30 m毫米波选择28 GHz是业界共识因为该频段带宽充足、天线尺寸小适合部署超表面阵列。半波长单元间距保证了无栅瓣这是超表面设计中最基础也必须满足的条件。5.2 信道模型的选择从简单到贴近真实刚开始做验证时我建议用自由空间路径损耗加莱斯衰落Rician fading的混合模型。超表面和用户之间通常存在较强的视距LOS路径莱斯因子 $K$ 设为5~15 dB比较合理。基站和超表面之间一般也有一定视距概率但为了保守可以把莱斯因子调低。不要一上来就用纯瑞利信道。那样会把超表面的波束增益优势抹平因为瑞利信道没有明显的角度域稀疏性超表面的“聚焦”作用体现不出来。审稿人看到你用独立瑞利信道大概率会质疑你的结论实用性。5.3 性能指标与对比基线算法好不好对比基线很重要。我在做这个项目时会设置四组基线无超表面直接通信只有基站波束成形信道就是 $\mathbf{h}_d$直射信道。这是最基础的参照说明超表面带来的增益。随机相位超表面超表面相位随机设置基站做最优波束成形。这能说明相位优化的必要性。连续相位超表面上界假设相位连续可调得到性能上界。实际离散量化方案越接近这个上界说明量化损失控制得越好。交替优化本项目方案展示实际可实现的性能。仿真结果通常呈现这样几个规律超表面单元数 $M$ 从64增加到256时阵列增益大约提高 6 dB理想情况下每4倍单元数多6 dB。相位从1比特量化到2比特量化性能增益明显从2比特到3比特则增益渐趋饱和。所以实际系统中2比特往往是性价比最高的选择。感知目标角度与用户角度越接近通信和感知的波束方向冲突越严重帕累托曲线往里凹得越厉害。这在你设计仿真场景时要有数。6. 实际部署中的那些坑与经验谈6.1 相位量化与互耦效应理论模型里超表面每个单元的相位是独立控制的。但实际布板时相邻单元之间会因为电磁耦合产生相位偏移你控制的是单元的理想相位实际反射相位却会发生偏差。这个偏差在小相位间隔小于半波长时尤其严重。解决思路有两个一是增大单元间距到半波长虽然牺牲了一点单元密度但互耦更可控二是在设计相移查找表时提前用全波仿真软件如CST、HFSS标定每个单元在不同控制电压下的实际反射相位用实测值替代理论值。6.2 信道状态信息CSI获取难度所有波束成形算法都依赖信道状态信息。在通感一体化系统中基站到超表面的信道 $\mathbf{G}$ 相对好估因为可以放导频但超表面到感知目标的信道很难直接估计因为目标可能移动、散射体复杂。我在实践中发现一个“曲线救国”的思路利用感知回波本身来联合估计信道和目标参数。也就是说让感知功能先探测目标位置再用探测到的信息反向推算信道参数然后更新波束成形。这种“感知辅助通信”的思路在论文中已经有不少但从仿真到工程落地还有距离。6.3 计算复杂度与实时性权衡超表面单元数动辄成百上千交替优化每轮都需要遍历每个相位组合计算复杂度不可忽视。如果你做的是实时波束跟踪必须用更快的算法。我自己尝试过一个方案用深度强化学习离线训练一个“相位-波束映射网络”在线推理时只需毫秒级前向传播。效果在静态场景下能达到交替优化的95%左右但动态场景还需要进一步验证。当然从工程角度看更朴素的加速方式是分块优化把超表面按区域分成若干子块每个子块只在自己的网格里搜索最优相位避免全维度穷举。这个策略牺牲一点全局最优性但计算时间可以从分钟级降到秒级。6.4 一组速查避坑清单下面是可以直接“抄作业”的经验清单信道建模务必包含视距分量不要用纯瑞利信道做RIS研究。相位量化位数选2比特起步1比特容易在通感折中中失去太多性能。仿真时必须画出帕累托前沿单点对比说服力不足。基站波束成形初始值用MRT不要用全1向量否则交替优化很容易卡在次优解。超表面的“阵列增益”和“路径损耗补偿”是两个不同概念别混着讲。回波信道基站→超表面→目标→超表面→基站一定要包含双程路径损耗这比通信链路的单程损耗大得多。如果发现仿真结果中通感性能随 $M$ 增大但增益趋于平缓大概率是相位量化误差主导了性能而不是阵列增益不够。7. 扩展方向与个人实操体会这个项目做完之后我最深的感触是通感一体化不是简单地把两种功能塞进一个系统而是要从波形、硬件、算法三个层面重新审视设计空间。智能超表面在这里扮演的角色不是锦上添花而是真正把“通信”和“感知”在空间维度上解耦出来让它们各自拥有独立的调控维度。后续可以扩展的方向不少。一是从反射式超表面扩展到透射式这样基站和用户可以分别在超表面的两侧部署更灵活。二是引入可重构智能表面与非正交多址NOMA的结合进一步提升频谱效率。三是把超表面的控制从“无源反射”升级为“有源放大”在反射的同时补偿路径损耗——不过这会带来功耗问题需要考虑能量效率约束。如果你打算在仿真环境里复现类似系统可以参考开源的Wireless Insite或者基于Python的RIS仿真库。MATLAB的话可以用Phased Array System Toolbox做波束成形部分再用自编脚本处理超表面相位优化。工程落地阶段可以关注毫米波原型验证平台比如用Xilinx RFSoC加超表面阵列做实时控制。最后分享一个小技巧在写论文或做汇报时不要只放“性能提升百分之多少”的曲线可以把波束方向图直接画出来。一张彩色方向图能直观展示超表面怎样把能量“掰”到通信和感知两个方向这种视觉冲击力远超数字表格。很多评审专家其实对数学公式未必有耐心但对方向图的印象会非常深刻。我自己踩过最大的坑就是一开始仿真时把所有信道都设为独立瑞利分布结果显示超表面几乎没有增益一度怀疑算法写错了。后来把信道改成莱斯衰落并加入角度域相关性性能立刻正常。如果你在复现类似项目时发现性能不理想先检查信道模型再检查相位量化最后才考虑算法本身的问题。