无人机RIS辅助ISAC系统：天线选择与波束赋形优化

1. 项目概述与核心价值在6G无线网络的前沿探索中集成感知与通信ISAC正从一个充满潜力的概念迅速演变为一项能够重塑未来无线系统架构的关键技术。它的核心魅力在于“一体两面”——利用同一套频谱资源、同一套硬件设备同时完成对环境的“感知”如雷达探测、目标定位和对用户的“通信”如数据传输、视频回传。这听起来像是让一个设备同时扮演“眼睛”和“嘴巴”的角色其带来的频谱效率提升、硬件成本降低和系统能效优化是革命性的。然而当我们将这个宏大的构想搭载在无人机UAV这样的移动平台上时挑战便接踵而至。无人机有限的机载能量、苛刻的重量与空间限制以及复杂的动态飞行环境都对ISAC系统的硬件复杂度和功耗提出了近乎严苛的要求。正是在这种背景下可重构智能表面RIS和天线选择AS这两项技术的结合为我们打开了一扇极具吸引力的新窗口。RIS这个被誉为“无线环境编程师”的平面阵列本身不发射信号仅通过智能地调整成百上千个无源反射单元的相位就能像一面“智能镜子”一样重塑无线信号的传播路径。而天线选择技术则允许我们在拥有多根发射天线的情况下仅激活其中一部分对应少量的射频链从而在保持大部分空间分集增益的同时大幅削减了昂贵的射频前端数量。想象一下一架无人机它不必装备全套昂贵且耗电的射频链而是通过精心选择部分天线进行发射再借助地面或建筑物上部署的一块RIS面板来“查漏补缺”和“增强聚焦”这无疑为构建高效、轻量、低成本的机载ISAC系统提供了全新的思路。我最近深入研读并实践了文献中提出的“无人机RIS辅助ISAC系统天线选择与波束赋形优化”这一方案。这项工作的核心正是要解决上述构想中的核心优化问题如何为无人机动态地选择最优的天线子集、设计最佳的主动发射波束并协同优化RIS的被动反射波束从而在确保通信用户最低数据速率的前提下最大化无人机对特定方向目标的“感知”能力即波束赋形增益。这不仅仅是一个数学优化问题更是一个在资源约束、性能目标和动态环境之间寻找最佳平衡点的系统工程。本文将带你深入这套系统的设计肌理拆解其背后的交替优化算法并通过仿真结果揭示天线、RIS与功耗之间的精妙权衡关系。无论你是通信算法工程师、无人机系统开发者还是对6G使能技术感兴趣的研究者相信这些从理论推导到仿真落地的细节都能为你带来切实的参考。2. 系统模型与问题建模从场景到公式要优化一个系统首先必须清晰地定义它。我们面临的场景可以抽象为一个经典的“四节点”模型理解这个模型是后续所有算法设计和性能分析的基础。2.1 物理场景与信号流图系统包含四个关键实体双功能雷达通信无人机U这是系统的核心。它装备有 M 根天线但只有 N_RF 条射频链RF Chain且满足 N_RF ≤ M_t。其中M_t 根天线用于发射其余 M_a 根用于接收回波信号。这意味着无人机无法同时驱动所有天线必须进行“天线选择”。可重构智能表面R由 N 个无源反射单元组成每个单元可以独立调整其反射信号的相位。它通常部署在固定位置如建筑物墙面。通信用户C一个需要接收无人机数据的单天线设备。感知目标T一个需要被无人机探测的静止或慢动目标。信号流动是双工的但为了简化分析我们聚焦于下行链路无人机发射的感知与通信过程通信链路无人机发射的信号通过两条路径抵达用户一是直接路径U-C二是经过RIS反射的级联路径U-R-C。感知链路无人机发射的信号照射到目标其路径同样有两条直接路径U-T和RIS辅助的级联路径U-R-T。信号被目标反射后沿原路返回被无人机的接收天线捕获从而实现对目标的探测。注意在本文的优化问题中我们主要优化的是“发射波束赋形增益”即信号到达目标方向的强度这是感知性能如回波信噪比的关键前提。对于接收端的处理如自干扰消除、目标回波检测是另一个层面的问题在此优化框架中暂未显式考虑。2.2 核心数学模型与优化问题表述基于上述场景我们需要用数学语言描述关键变量和性能指标。关键变量定义天线选择子集 m从 M_t 根发射天线中选出的 N_RF 根天线的索引集合。所有可能子集的集合记为 M。主动波束赋形向量 w一个 N_RF × 1 的复向量决定了被选中的 N_RF 根天线各自的发射信号的幅度和相位。RIS相移矩阵 Θ一个 N × N 的对角矩阵Θ diag(e^{jθ1}, e^{jθ2}, ..., e^{jθN})其中 θ_n 是第 n 个RIS单元的相移。其对角线元素模值为1这是RIS无源特性的体现。信道H_ur,m: 从无人机选中天线到RIS的 N_RF × N 维信道矩阵。h_uc,m: 从无人机到通信用户的 N_RF × 1 维信道向量。h_ut,m: 从无人机到目标的 N_RF × 1 维信道向量。h_rc: 从RIS到通信用户的 N × 1 维信道向量。h_rt: 从RIS到目标的 N × 1 维信道向量。通常假设为目标相对于RIS的导向矢量与角度 φ 相关h_rt √β_rt * [1, e^{-j2πd sin(φ)/λ}, ..., e^{-j2π(N-1)d sin(φ)/λ}]^T其中 d 为RIS单元间距λ 为波长。性能指标感知性能指标 - 波束赋形增益 (Bp)定义为发射信号在目标方向上的平均功率。Bp E[ | (h_ut,m^H (H_ur,m Θ h_rt)^H) w |^2 ] | (h_ut,m^H (H_ur,m Θ h_rt)^H) w |^2这个公式直观地体现了信号通过直接路径和RIS反射路径在目标处的相干叠加。通信性能指标 - 用户可达速率 (Rc)基于接收信号模型y_c (h_uc,m H_ur,m Θ h_rc)^H w * s n_c其中 s 是发射符号n_c 是噪声。其可达速率为Rc log2(1 | (h_uc,m H_ur,m Θ h_rc)^H w |^2 / σ^2)其中 σ^2 是接收噪声功率。联合优化问题 (P1) 我们的目标是在无人机的发射功率有限、且必须保障用户最低通信速率的约束下最大化感知性能。该优化问题可形式化表述为(P1): max_{m∈M, w, Θ} | (h_ut,m^H (H_ur,m Θ h_rt)^H) w |^2 subject to: (C1) ||w||^2 ≤ p, // 发射功率约束 (C2) Rc ≥ α, // 用户最低速率约束 (C3) |Θ_nn| 1, for n1,...,N. // RIS单元恒模约束这个问题非常棘手原因有三一是变量耦合w, Θ, m 相互影响二是约束(C3)是非凸的恒模约束三是天线选择变量 m 是离散的。直接求解是NP-hard问题。3. 算法核心交替优化框架的拆解与实现面对(P1)这样的复杂问题一个行之有效的策略是交替优化AO。其核心思想是“分而治之”固定一部分变量优化另一部分如此交替迭代直至收敛。我们为(P1)设计的AO算法框架如下算法1基于交替优化的联合优化算法初始化给定信道状态信息CSI、功率p、速率要求α等参数。初始化波束赋形向量w和RIS相移阵Θ例如w可设为最大比传输方向Θ可设为零相移矩阵。外层循环遍历天线子集对于每一个可能的天线选择子集 m ∈ M a.内层交替优化固定m i. 固定当前的Θ和m优化波束赋形w子问题P2/P3。 ii. 固定更新后的w和m优化RIS相移Θ子问题P4/P5。 iii. 重复步骤i和ii直到目标函数Bp的增益小于一个预设的极小阈值ε。 b. 记录该子集m下最终得到的最大Bp值以及对应的w和Θ。选择最优解遍历所有天线子集后选择能产生最大波束赋形增益Bp的那个子集m及其对应的w和Θ*作为全局最优解。这个框架将原问题分解为两个可以迭代求解的子问题。下面我们深入这两个子问题的求解细节这是算法实现的关键。3.1 子问题一给定RIS与天线子集优化无人机波束赋形当固定天线子集m和RIS相移Θ后问题(P1)简化为关于波束赋形向量w的优化问题(P2)。通过定义辅助向量h1 h_ut,m H_ur,m Θ h_rt和h2 h_uc,m H_ur,m Θ h_rc我们可以将目标函数和约束重写为w的二次型形式。然而速率约束|h2^H w|^2 ≥ (2^α - 1)σ^2仍然是非凸的。一个经典的处理技巧是引入矩阵变量W w w^H。此时目标函数和约束都变成了W的线性函数trace(BW)和trace(DW)其中B h1 h1^H,D h2 h2^H。但随之而来的是一个额外的非凸约束rank(W) 1。这里我们使用了半定松弛SDR技术。具体做法是暂时忽略这个秩为1的约束只要求W是半正定矩阵W ≽ 0。于是我们得到了一个凸的半定规划SDP问题(P3)(P3): max_W trace(BW) s.t. trace(W) ≤ p, trace(DW) ≥ (2^α - 1)σ^2, W ≽ 0.这个问题可以使用CVX、MOSEK等凸优化工具高效求解。求解得到的最优解W通常不是秩1的。此时我们采用高斯随机化或特征值分解来获取一个高质量的秩1近似解。具体来说对W进行特征值分解取其最大特征值对应的特征向量并进行适当的功率缩放即可得到近似的波束赋形向量w*。在实际仿真中由于问题结构W*的最大特征值往往远大于其他特征值因此这种近似效果很好。实操心得使用CVX求解SDP时对于大规模问题天线数或RIS单元数很多计算复杂度会急剧上升。在实际代码实现中需要密切关注矩阵维度并利用cvx_solver命令选择高效的求解器如SDPT3或Mosek。此外由于SDR放松了约束得到W*后一定要检查trace(DW*)是否严格满足速率约束有时因数值精度问题可能需要微调。3.2 子问题二给定波束赋形与天线子集优化RIS相移固定w和m后问题转化为优化RIS的相移向量即Θ的对角线元素。令e [e^(jθ1), ..., e^(jθN)]^T。通过巧妙的数学变换我们可以将目标函数和约束都转化为关于e的二次型形式并引入辅助变量e_tilde [e^T, 1]^T和矩阵E e_tilde * e_tilde^H。同样地恒模约束|e_n| 1等价于E_{nn} 1但这与E需要是秩1矩阵的约束共同构成了非凸性。我们再次应用SDR技术忽略秩1约束只保留E ≽ 0和E_{nn} 1从而得到一个关于E的凸SDP问题(P5)。求解(P5)得到最优的E*后由于RIS单元数N较大E*的秩通常大于1且所有特征值都可能比较显著不能像处理w那样简单取主特征向量。此时必须采用更精细的高斯随机化过程来从E*恢复e对E*进行特征值分解E* V Σ V^H。生成大量随机向量f ~ CN(0, I_{N1})。构造候选解e_tilde_candidate V Σ^{1/2} f / (V Σ^{1/2} f)_{N1}。这里分母的归一化是为了保证最后一个元素为1。从e_tilde_candidate中提取前N个元素得到候选的e_candidate。在所有随机生成的候选解中选择那个满足速率约束且使目标函数Bp最大的e_candidate进而得到Θ。注意事项高斯随机化的次数通常几百到上千次直接影响最终解的质量和计算时间。需要在性能和时间之间做折衷。此外由于恒模约束从e_candidate提取相位时直接取每个元素的辐角即可θ_n angle(e_candidate[n])。3.3 复杂度分析与收敛性保障该AO算法的复杂度主要来源于两部分一是遍历所有天线子集C(M_t, N_RF)二是每个子集内迭代求解两个SDP问题。SDP问题的复杂度与变量维度的立方或更高次幂相关。具体来说优化W的复杂度约为O((N_RF)^6)优化E的复杂度约为O((N1)^6)。因此总复杂度可粗略估计为O(|M| * L * ((N_RF)^6 (N1)^6))其中L是AO内部迭代次数。这意味着当M_t、N_RF或N较大时计算负担会非常重可能难以实时运行。关于收敛性由于在每一步交替优化中我们都是在固定其他变量时求解一个子问题的最优解或次优解从而保证目标函数Bp的值不会下降。同时目标函数有上界受限于发射功率p。因此该AO算法保证能收敛到一个局部最优解或稳定点。4. 仿真结果深度解读与工程启示理论算法需要仿真验证。我们基于表I的典型参数进行蒙特卡洛仿真得到了许多揭示系统内在规律的结论。这些结论不仅仅是曲线更是指导系统设计的宝贵经验。表I关键仿真参数表参数值说明发射功率 p1 W无人机总发射功率通信速率约束 α2 bps/Hz用户最低频谱效率噪声功率 σ²-120 dBW接收机噪声底RIS单元间距 dλ/2常见半波长间距目标角度 φ0°目标位于RIS法线方向路径损耗模型β_ab -30 - 10γ log10(d_ab) dB对数距离模型直连路径损耗指数 γ_uc, γ_ut3.5典型NLOS场景级联路径损耗指数 γ_ur, γ_rc, γ_rt2.5假设RIS部署改善传播信道模型莱斯衰落Rician因子K5包含直射径节点坐标 (米)U:(0,0), R:(20,5), C:(25,0), T:(20,-5)初始布局4.1 核心发现一RIS与天线数量的性能杠杆效应仿真最直观的结论是无论是增加RIS单元数N还是增加无人机发射天线数M_t或射频链数N_RF都能显著提升平均波束赋形增益并改善中断性能。RIS的“无源放大器”作用图3清晰地显示随着N从10增加到90所有配置下的波束增益都提升了近两个数量级。RIS通过相干叠加将分散的信号能量“聚焦”到目标方向相当于一个无源波束赋形器。增加RIS单元等同于增加了这个“透镜”的孔径和调控自由度聚焦能力自然更强。天线选择的“性价比”图3和图4对比了不同配置G(N_RF, M_t)。一个关键发现是即使射频链数较少低成本通过配备更多的物理天线M_t N_RF并采用天线选择系统性能也能逼近甚至通过增加RIS单元数来超越全复杂度系统N_RF M_t。例如G(2,4)的系统在N80时能达到G(4,4)系统在N50时的性能。这意味着我们可以用便宜的被动RIS元件来替代昂贵且耗电的射频链实现系统性能与成本的折衷。4.2 核心发现二功率-性能权衡与RIS的节能潜力图5揭示了一个对无人机设计至关重要的关系在保持相同感知性能固定波束增益的前提下增加RIS单元可以降低对无人机发射功率的需求。例如对于G(3,4)配置要达到10^{-7}W的波束增益当N100时所需的发射功率比N50时节省了约2 dB。这2 dB的功率节省对于续航时间敏感的无人机来说意义重大。RIS通过改善信道环境降低了达成相同性能所需的“发射成本”直接提升了系统的能量效率。这完美印证了引入RIS和AS的初衷——在资源受限的平台上实现高效能。4.3 核心发现三无人机轨迹对性能的动态影响无人机不是静止的。图6、7、8模拟了无人机沿一条特定轨迹飞行时感知性能的变化。结果非常符合直觉远离RIS/目标时性能下降当无人机从初始位置L1向用户方向移动如L2-L4虽然离用户更近有利于通信但远离了RIS和目标导致感知性能下降。靠近RIS/目标时性能提升当无人机改变航向飞近RIS和目标区域时如L9-L14感知性能显著提升并在L14最靠近RIS和目标附近达到峰值。RIS的增益在远距离时更显著对比有/无RIS的曲线可以发现当无人机远离目标时RIS带来的性能提升差距非常大而当无人机非常靠近目标时直接路径已很强RIS的额外增益相对变小。这说明RIS在弥补远距离或非视距链路损耗方面作用巨大。工程启示这项分析强烈提示我们在规划无人机执行ISAC任务的轨迹时不能只考虑通信链路质量必须将感知目标与RIS的相对位置作为关键优化因素。一个理想的轨迹应该在通信、感知和能量消耗之间取得平衡可能需要在目标区域盘旋以获取高质量感知同时定期飞近用户或中继节点进行高效数据回传。4.4 核心发现四感知与通信的固有矛盾与折衷图9和图10研究了通信速率约束α对感知性能的影响。结论是在低速率区域提高速率要求对感知性能影响甚微但在高速率区域两者存在明显的竞争关系。当α较小时如4 bps/Hz满足用户速率所需功率占比很小大部分功率可用于增强感知波束因此Bp几乎不变。但当α要求很高时如6 bps/Hz系统必须将大量甚至全部功率用于形成指向用户的通信波束导致能用于感知的功率锐减Bp急剧下降。图中甚至显示对于某些配置存在一个不可实现的速率上限如G(3,4), N50时α8即无法满足。这揭示了ISAC系统设计的根本矛盾资源功率、自由度是共享且有限的。我们的优化算法本质就是在帕累托边界上寻找最佳操作点。这也说明了为什么联合优化波束赋形至关重要——它智能地在感知波束和通信波束之间分配能量和空间自由度。4.5 算法收敛性与实时性挑战图11验证了AO算法的收敛性通常经过3-5次迭代即可稳定。然而正如第V部分“讨论”中指出的该算法的计算复杂度较高在机载计算资源有限的无人机上实时运行具有挑战性。一个务实的解决方案是计算卸载。无人机可以将信道估计结果和任务参数p, α等通过无线链路发送给地面站或边缘服务器甚至可以是通信用户如果其具备计算能力。由后者运行复杂的AO算法再将优化好的天线选择方案、波束赋形权重和RIS相移配置回传给无人机和RIS控制器。这引入了额外的通信开销和延迟但为实时应用提供了可行性。另一种思路是开发低复杂度的次优算法例如基于深度学习的方法来近似映射CSI到优化解或采用分组迭代、贪婪搜索等简化策略。5. 系统扩展、挑战与未来方向本文的工作为单无人机、单用户、单目标的RIS辅助ISAC系统提供了一个坚实的优化框架。但真实世界远比这复杂系统可以从以下几个维度扩展多用户通信当存在多个通信用户时问题将转变为在满足所有用户服务质量QoS的前提下最大化感知性能。RIS可以尝试通过分区让不同单元簇服务不同用户但用户间干扰会成为新的挑战。优化问题需要引入更多的约束如各用户的SINR约束。多无人机协同感知多架无人机可以形成分布式MIMO阵列极大提升感知的精度和范围。此时需要联合优化所有无人机的波束赋形和RIS的相移以协同照射目标。问题的维度和复杂度将成倍增加但感知性能的潜力也巨大。动态轨迹优化将无人机的飞行轨迹作为一个连续变量进行联合优化是另一个充满挑战的方向。目标函数可能是整个任务周期内的平均感知性能或通信容量约束条件包括动力学约束、避障、能量限制等。这通常需要结合最优控制理论和强化学习等方法。实际信道获取与鲁棒性本文假设完美CSI这在实际中难以获得。特别是无人机到目标的直接信道h_ut估计是一个开放性问题。研究在部分CSI或信道误差下的鲁棒波束赋形设计具有极高的实用价值。硬件非理想性实际RIS存在相位量化误差、幅相不一致、互耦效应射频链存在非线性、相位噪声等。这些非理想性都会影响系统性能需要在算法设计中予以考虑。从工程实现角度看除了计算复杂度还有几个关键点信道估计开销获取所有必要的CSI特别是级联信道需要设计高效的导频方案这可能占用宝贵的时频资源。控制链路延迟优化得到的RIS相移需要实时下发配置控制链路的延迟和可靠性直接影响系统性能。系统同步无人机、RIS、用户之间需要严格的时间同步和相位同步才能保证波束的相干叠加。我个人在复现和思考这个系统的过程中一个很深的体会是RIS和AS的结合本质上是将系统的智能和复杂度从昂贵的主动射频端部分转移到了低成本的被动反射面和多天线选择开关上。这种架构迁移非常契合无人机、物联网终端等能量和硬件受限的平台。未来的研究或许会更侧重于如何利用AI/ML方法来降低这类联合优化问题的实时求解复杂度或者设计出对信道信息要求更低的、更鲁棒的智能波束赋形方案。这个领域理论之美与工程之难并存每一步推进都令人兴奋。