1. 项目概述为什么6G动态mIoT需要全新的ISAC架构如果你关注过6G的愿景会发现一个核心的转变网络正从一个纯粹的“通信管道”演变为一个集通信、感知、计算于一体的智能信息基础设施。这背后的驱动力就是动态大规模物联网。想象一下未来的低空物流无人机群、城市里穿梭的自动驾驶车队、或是智能工厂里高速运转的机器人集群它们对网络的需求是前所未有的百万级的连接密度、亚毫秒级的双向通信时延、厘米级的感知精度以及对这些海量动态终端的全覆盖管理。这每一项单独拎出来都是巨大挑战而6G需要同时满足。传统的思路是“通信归通信感知归感知”比如基站负责通信雷达负责感知。但这种烟囱式的建设模式带来了频谱资源紧张、硬件成本高昂、系统间干扰严重等一系列问题。于是集成感知与通信技术应运而生。它的核心理念非常巧妙既然无线信号既能携带信息通信也能被环境反射回来携带环境信息感知那为什么不让一套硬件、一个波形、一次发射同时干这两件事呢这不仅能极大提升频谱和硬件资源的利用效率更是实现上述6G愿景的“钥匙”。然而理想很丰满现实却很骨感。当我们试图将ISAC从理论推向大规模、动态的物联网场景时现有的多站ISAC架构暴露出了明显的短板。比如基于蜂窝架构的方案基站间协作有限难以应对终端的高速移动和密集接入而基于无蜂窝大规模MIMO的架构虽然性能优越但完全集中式的处理在面对海量终端时中央处理单元的计算负担会呈指数级增长可扩展性成了致命伤。更棘手的是全双工通信的支持问题要实现终端同时上传和下载数据基站或接入点需要能同时收发但这会引入严重的自干扰即便采用复杂的干扰消除技术成本和性能折损依然显著。正是在这样的背景下我们团队提出了普适多级协同ISAC系统架构。这不是对现有架构的简单修补而是一次从底层逻辑出发的重构。我们的目标很明确设计一个既能支持所有核心功能上下行通信与感知并行又具备卓越可扩展性、近实时响应能力和稳定性能保障的“全能型”架构真正为6G动态mIoT场景铺平道路。在接下来的内容里我将为你深入拆解这个架构的每一层设计、背后的技术考量以及我们如何在原型测试平台上验证其优越性。2. 架构核心PML协同ISAC的三层设计与技术支柱要理解PML架构为何能解决前述挑战我们需要深入到它的“骨骼”与“肌肉”——即多级协同的硬件框架和三项集成的使能技术。这两者相辅相成硬件框架为技术运行提供了载体和算力支撑而关键技术则充分释放了硬件架构的潜能。2.1 多级协同框架从“中心大脑”到“边缘小脑”的进化传统的无蜂窝架构像一个“超级大脑”中央处理单元CPU所有接入点的数据都要回传给它处理。当终端数量爆炸式增长时这个大脑很容易“过载”。PML架构的创新在于它引入了边缘分布式单元作为“边缘小脑”形成了一个“核心-边缘-接入”的三级协同网络。第一层外围网络——海量轻量化“触手”这一层由大规模分布的半双工接入点构成。它们只负责最前端的射频信号收发和数模/模数转换功能纯粹硬件成本低。为什么坚持用半双工AP核心原因就是为了彻底规避全双工AP带来的自干扰难题和昂贵的干扰消除模块成本。每个AP就像是一个功能单一的触手要么发要么收通过网络级的协作来模拟全双工功能。第二层边缘网络——敏捷智能的“区域指挥官”这是PML架构的“灵魂”所在。每个EDU通过回传链路连接其下属的一组AP。我们将原本集中在AP或CPU上的复杂基带信号处理功能如信道估计、预编码、信号检测上移到EDU的可编程基带单元池中。这样做有两个巨大好处一是大幅降低了单个AP的硬件复杂度和成本二是实现了处理能力的池化和灵活配置。更重要的是每个EDU具备分布式协同能力。它持续监控其下属AP所服务的终端和目标的需求利用本地的边缘智能平台动态地、智能地编排多维资源连接、计算、AI、数据生成面向具体任务的智能切片。然后它从本地的“网络超市”预分配了计算和存储资源中调用资源通过灵活配置pBBUP来实现。这意味着很多实时性要求高的决策和调度无需事事上报“中央大脑”在边缘就能快速完成极大地降低了传输和处理时延。第三层核心网络——运筹帷幄的“总指挥部”中央控制单元由多个高性能CPU组成位于架构的顶层。它的角色从“事事亲为的处理器”转变为“非实时调控与全局协调的管理者”。CCU利用云端大数据平台的强大算力和存储进行宏观分析例如提取区域业务需求的变化模式并据此向各个EDU的“网络超市”预分配资源实现一定程度的网络自治。同时CCU内部的高性能计算平台负责用户数据的汇聚与分发、多级CS信息的全局融合以及无缝的移动性管理确保整个架构高效协同运作。这个三级框架的精髓在于“就近服务、本地决策、全局协调”。它既保留了集中式管理在全局优化和移动性管理上的优势又通过分布式边缘处理卸下了中心节点的沉重负担从而在可扩展性和管理效能之间取得了绝佳的平衡。2.2 三项关键使能技术功能、效率与性能的保障仅有先进的框架还不够还需要关键技术在框架上“跑起来”。PML架构集成了三项环环相扣的使能技术。技术一网络辅助全双工方法——如何让半双工AP“模拟”全双工这是实现上下行通信与感知并行功能的基础。NAFD方法的巧妙之处在于它通过在网络层面调度AP的工作模式发射或接收并利用AP间的协作来实现全双工的效果。具体来说在同一个相干时间块内系统会动态地将一部分AP设置为发射模式另一部分设置为接收模式。上行UE发送的信号和目标反射的下行ISAC信号被所有处于接收模式的AP共同接收。然后通过专用的CS接收机进行分离处理。注意这里的“全双工”是网络级的而非单个设备级的。它完美避开了设备级全双工中令人头疼的自干扰问题同时引入了新的自由度——AP模式选择这成为了后续资源调度中的一个关键维度。技术二动态协同CS聚类方法——如何管理海量终端避免“算力灾难”即使有EDU分担计算压力在面对成千上万的终端时如果每个AP都要为所有终端服务协调开销和计算复杂度依然会失控。DCSC方法就是为了解决这个问题。它的核心思想是用户中心和服务聚类。系统会为每个UE和目标分别分配一个通信服务簇和一个感知服务簇。只有簇内的AP才有资格为该终端提供服务。这就像为每个用户组建了一个专属的“服务小组”。这样做的好处非常直接计算负载可控每个AP只需处理其服务簇内有限数量的终端信号计算复杂度和数据交互开销不会随着终端总数线性增长。抑制干扰通过合理的簇划分可以最大限度地减少簇间干扰因为AP的发射波束可以更精准地指向其服务簇内的终端。提升可扩展性这是支撑超密集场景的基石。技术三CS双向赋能机制——如何让通信与感知“112”在ISAC系统中通信与感知信号是高度耦合的这既是挑战也是机遇。CS双向赋能机制正是为了挖掘其中的协同增益。它不是一个独立的模块而是贯穿于信道估计、数据检测、目标感知等多个环节的增强回路。感知赋能通信感知子系统获取的环境信息如目标位置、杂波分布并非“一次性用品”。这些信息可以反馈给通信子系统用于辅助信道估计和消除跨链路干扰。例如已知某个方向有强反射体目标就可以在预编码时主动规避或抑制该方向带来的干扰从而降低通信数据的解码误码率提升可靠性。通信赋能感知通信过程本身就在为感知“贡献”信号。一方面UE在上行发送的导频信号由于其固有的正交性可以被接收AP同时用于上行导频感知。另一方面更宝贵的是成功解码的上行数据可以近似作为接收端“准已知”的感知信号用于执行上行载荷感知获取多维环境信息。最终系统可以将下行感知、上行导频感知和上行载荷感知的结果进行融合。下行感知信号功率高、波形可控能提供稳定的感知空间上行感知则借助广泛分布的UE提供了多视角、更丰富的观测数据。两者的融合能实现比单一感知方式更精确的目标定位和环境重构。这三项技术形成了一个递进、协同的逻辑链NAFD奠定了功能并行化的基础DCSC确保了大规模下的运行效率而CSE机制则最终实现了整体性能的增强。它们与多级协同框架一起构成了完整的PML协同ISAC系统架构。3. 架构优势详解PML如何满足6G动态mIoT的严苛需求一套新架构的价值必须通过与传统方案的对比来凸显。PML架构并非空中楼阁它的每一项设计都直指现有架构在应对6G动态mIoT场景时的痛点。下面我将结合我们仿真和测试中的体会详细拆解它的五大核心优势。3.1 普适性从“专用工具”到“瑞士军刀”普适性是PML架构的首要特征它体现在三个层面多功能并行能力这是基础。架构通过NAFD方法原生支持上下行通信与上下行感知这四项核心功能的同时执行。相比之下许多现有架构要么只支持下行通信与感知要么需要通过时分方式来切换上下行无法满足动态mIoT中双向数据流和持续环境感知的并发需求。多场景适应能力架构具备良好的弹性。其感知子功能可以根据需要灵活支持动态多目标跟踪、静态环境重建等不同场景通信子功能也能适配空中无人机、地面车辆、工厂传感器等多种终端类型。这种适应性源于其软件定义的pBBUP和基于智能切片的资源编排机制。与现有算法的兼容性这是降低迁移成本的关键。在科研和工程中我们积累了大量成熟的波束成形、功率分配、目标检测等算法。PML架构通过设计避免了与特定硬件架构的强绑定。这些算法只需进行轻量级的适配如调整信号处理模块接口、缩放服务终端数量、对齐数据处理流程就能在PML架构上运行并发挥预期性能保护了已有的技术投资。3.2 有限协调开销与可扩展性破解“中心化”悖论完全集中式的架构如传统无蜂窝性能最优但扩展性最差完全分布式的架构扩展性好但全局管理能力弱。PML架构通过“多级协同”找到了一个平衡点。它的协作并非完全集中而是本地协作与多级协作相结合。NAFD和DCSC技术的联合采用从本质上限制了各级节点间的数据交互开销和计算决策复杂度。举个例子在下行传输中CCU核心只负责先验预编码设计这是一个粗粒度的全局调整比如避开已知的大型障碍物区域将信号大致导向UE集中的区域为后续精细调整缩小范围。这个计算基于全局但非实时的信息复杂度可控。EDU边缘负责预编码细化每个EDU基于其服务簇内有限的终端数量利用本地估计的信道状态信息减少与中心交互并结合CCU提供的先验设计生成最终发给每个发射AP的精确信号。由于每个EDU处理的终端数量被DCSC限制其计算量不会爆炸。这种分工使得系统的总处理复杂度不会随着接入终端数量的增加而线性飙升从而在保持强大全局协调能力的同时获得了优异的可扩展性。我们的仿真结果显示在服务相同数量终端时PML架构的处理复杂度仅是基于半双工AP的无蜂窝架构仅下行感知的1.7倍但功能却全面得多。3.3 近实时响应性让边缘计算真正“快”起来动态mIoT场景对时延极其敏感。PML架构的响应能力得益于其“就近服务、本地决策、全局协调”的逻辑传播时延AP作为最靠近终端的前端节点本身就能最小化无线信号的空间传播时间。传输与处理时延对于紧急任务EDU采用任务导向的计算范式无需事事向CCU请求全局调度可以在边缘快速完成决策和信号处理大大减少了数据回传和中心处理的等待时间。排队时延CCU虽然不直接调度实时任务但它专注于非实时的高层协调如为各EDU的网络超市进行长期资源预分配、跨区域负载均衡确保每个EDU都有充足的资源“弹药”从而减少了任务在边缘的排队等待时间。这种多级分工使得系统能够满足动态mIoT中亚毫秒级端到端时延的苛刻要求。3.4 多维资源可调度性从“链路级”到“网络级”的精细管控现有的多站ISAC系统优化大多集中在链路级资源如功率控制、波束成形。PML架构将资源调度的维度扩展到了网络级。AP模式选择调度每个半双工AP工作在发射还是接收模式。这本质上是在空间域进行资源分配可以有效抑制跨链路干扰。CS簇划分动态决定哪些AP为哪些终端服务。这不仅是负载均衡问题更是干扰管理的关键。通过合理的簇划分可以将潜在的强干扰源隔离在不同的服务簇内。这种多维资源联合调度能力使得系统能够通过更精细的协调来保障服务质量从而适应复杂的多UE多目标场景。例如当某个区域上行通信需求激增时系统可以动态调整该区域更多AP进入接收模式同时优化簇的划分来保证感知性能不受严重影响。3.5 稳定的性能保障与高可部署性性能稳定性和实际可部署性是任何架构从论文走向市场的临门一脚。性能保障CSE双向赋能机制是性能稳定的“压舱石”。感知辅助通信提升了链路可靠性通信赋能感知则融合了高功率下行信号的稳定性和上行信号的多维信息丰富性使得感知子能不会因为某条路径被遮挡而出现性能骤降或中断。两者相互增强确保了在动态、多干扰环境下的鲁棒性能。可部署性这体现在成本和扩展弹性上。外围网络采用低成本的半双工AP便于大规模部署和维护。核心与边缘网络通过分布式EDU分担了CCU的算力负荷虽然节点总数增加但每个节点的计算需求、部署成本和技术挑战都显著降低。在进行大规模扩展时新增的节点设备可以快速融入现有系统无需重构整体设计单节点成本和维护复杂度保持稳定具备了良好的经济可行性。4. 核心研究挑战与未来方向提出架构只是第一步要真正实现它还需要攻克一系列理论与技术难题。在研究和原型开发过程中我们深刻认识到以下几个方向是未来研究的重中之重。4.1 统一的通信与感知理论构建当前通信和感知的性能评估指标是割裂的——通信看速率、可靠性感知看均方根误差、克拉美-罗下界。但在ISAC系统中两者资源共享、相互制约这种割裂的评价方式无法准确刻画其内在的权衡关系。一个根本性的理论挑战是建立基于互信息的CS性能统一评估模型。互信息是信息论的核心能统一度量随机变量间的依赖关系。通信互信息已广泛用于表征通信性能感知互信息也能与传统感知度量建立明确转换。难点在于ISAC中通信传输的是随机信息承载信号而传统感知信息论基于确定性信号。如何建立一个统一的框架量化CS之间的交互与折衷是后续所有资源优化算法设计的理论基础。另一个紧迫的课题是短块长下的CS信息论。为了服务海量动态终端实际传输块长不可能是无限的。现有研究大多假设理想信道和无限块长这与动态mIoT场景严重不符。需要结合随机矩阵理论和高阶矩校正方法将短块长的影响纳入CS性能闭式表达式的推导中从而精确建模误码概率和感知估计界为信号设计和资源分配提供关键指导。4.2 感知融合方案的深化设计PML架构能同时支持协作式上下行感知这带来了巨大的性能提升潜力但也对融合算法提出了更高要求。多节点感知融合是目前多站感知的研究焦点旨在获取更全面的信息以避免视距遮挡和多普勒盲区。现有方法主要分两类参数级融合各AP独立完成感知参数估计再将结果上传至CCU进行融合。优点是计算复杂度低但损失了原始信号间的空间相关性定位精度有限。信号级融合将多个AP的原始信号进行联合处理能利用同一反射信道的空间相关性提取高精度信息但对AP间的时钟和空间同步要求极高计算复杂。在PML架构中如何利用其多级协作的优势设计混合融合策略在低复杂度的参数融合和高精度的信号融合之间取得平衡是一个关键问题。此外架构支持全频谱接入高频感知如毫米波角分辨率高能捕捉目标细微形态低频感知如Sub-6GHz覆盖广。如何在融合过程中发挥它们的互补优势也值得深入研究。上下行感知融合则是另一个“富矿”。下行感知信号波形特征明确、发射功率高能形成稳定的感知空间上行感知则借助分布广泛的UE提供了更丰富的多视角观测数据扩展了感知维度。现有系统常将上下行信号分配在不同时隙或频段难以对齐多维感知特征。PML架构能同时支持两者因此需要建立一个UL-DL感知融合模型来揭示高功率下行信号与多视角上行信号在空、时、频域的互补机制从而最大化融合增益。4.3. 异步校准与补偿从理想模型到现实部署实验室仿真往往假设完美的同步和校准但实际部署中AP与UE之间的时钟异步、本地振荡器频偏、信道不一致性、随机时域相位等非理想因素会严重劣化多站ISAC系统的性能。PML架构同时支持上下行感知的功能为解决异步问题提供了新思路。我们正在探索一种两步走的方案基于信道互易性的同步校准利用上下行信道在一定条件下的互易性设计AP与UE间的同步校准方案抑制大规模异步误差。基于互相关的协作感知方法针对未校准的残余异步从接收数据中同时提取下行同步信号和上行异步信号中的非视距感知信息并通过互相关运算得到上下行感知信号间的互相关信息。以DL感知的NLoS路径为参考通过多目标信息的UL-DL对齐可以补偿UL感知中的时频异步从而提升感知精度。这套方法充分利用了架构的双向感知能力将异步劣势转化为信息互补优势。4.4 移动性管理在动态中保持连续服务在动态mIoT中终端的高速移动是常态。这对ISAC系统提出了双重挑战既要维持高质量的通信连接又要保证连续、精准的感知跟踪。联合CS聚类方法是基础。不同于传统仅考虑通信指标的聚类算法如基于信道强度在ISAC中聚类需要同时确定通信子簇和感知子簇的划分并且两者可能存在重叠。此外还必须将AP的工作模式纳入聚类考量。目标是在满足通信速率和感知精度的双重约束下找到最优的AP-终端关联关系同时最小化簇间干扰。动态切换策略则是应对移动性的关键操作。终端移动必然导致其与服务AP簇的关联关系在不同时隙间发生变化。频繁切换会带来巨大的信令开销和时延严重损害CS性能。一方面切换期间的链路不可用会直接拉低网络吞吐量另一方面目标与原关联AP间视距路径的遮挡加上切换时延会导致当前时隙内缺乏有效的反射感知信号。我们的思路是利用感知赋能切换。这正是ISAC系统的独特优势感知子系统可以提前预测终端的运动轨迹。基于预测的网络拓扑系统可以提前预分配网络资源执行预测性切换或软切换从而提高切换成功率降低中断风险。在PML架构中设计能够协同适应环境变化的聚类方法和切换策略是保障动态mIoT环境下服务质量的核心。4.5 多参数联合资源优化算法现有研究大多聚焦于优化单个参数如发射功率、波束成形对单一性能通信或感知的影响或者进行分步的、割裂的优化。然而系统内的多个关键参数如发射功率、波束成形矢量、传输块长、编码方案、AP工作模式、簇划分之间存在深刻的耦合机制。例如块长的选择直接影响编码方案的适用性和性能极限编码方案又要求波束设计来增强解码可靠性而与波束设计相关的信道相干时间反过来又约束了最大允许块长。这种多参数耦合意味着“头痛医头脚痛医脚”的优化方式无法达到系统全局最优。因此为PML架构设计多参数联合优化算法至关重要。这需要建立一个统一的多目标优化框架例如以通信速率和感知精度构成的帕累托边界为目标同时将上述多个耦合参数作为联合优化变量。通过挖掘参数间的协同潜力才能在资源受限的条件下全面、系统地提升ISAC的整体性能。这是我们团队目前重点攻关的方向之一。5. 性能验证仿真与原型测试结果理论分析和架构设计是否有效必须通过实验数据来说话。我们通过大规模的蒙特卡洛仿真和实际搭建的原型测试平台对PML架构的性能进行了全面验证。5.1 仿真对比性能与复杂度的双重胜利我们置了一个300m×300m的典型场景分布12个AP服务4个上行UE、4个下行UE和4个感知目标对比了PML架构配置3个EDU与几种主流多站ISAC架构。通信性能得益于NAFD实现的网络级全双工通信PML架构在每个相干时间块内都能同时进行上下行传输。仿真结果显示其平均通信和速率是基于半双工AP、采用时分双工的无蜂窝架构的1.95倍。同时由于其工作范式完全避免了全双工AP的自干扰其和速率也比基于全双工AP的无蜂窝架构高出53%。感知性能我们对比了不同架构下的感知均方根误差。基于全双工AP或无蜂窝架构仅下行感知的方案由于受到通信-感知互干扰以及感知视距路径可能被遮挡导致信息维度不足的影响RMSE较大。而仅利用上行导频感知的方案虽然避免了干扰但受限于UE的发射功率精度无法达到最高。PML架构能够同时支持多种感知功能并运用CSE双向赋能机制其感知精度相比上述几种对比架构分别提升了21%、38%和8%。处理复杂度最直观的对比来自处理复杂度的归一化结果。得益于多级协同框架、NAFD和DCSC方法PML架构在获得卓越CS性能的同时其处理复杂度仅是基于半双工AP的无蜂窝架构下行感知的1.7倍远低于基于全双工AP的无蜂窝架构。这充分证明了其在性能与复杂度之间取得了优异平衡。5.2 原型测试从仿真到现实的跨越为了进一步验证架构的实际可行性我们搭建了如图4所示的PML协同ISAC原型平台。平台由多个软件无线电节点模拟AP和UE由中央服务器扮演CCU和EDU的角色实现了架构的核心逻辑。我们以无人机目标感知定位为测试场景。图5(a)和(b)展示了在不同数量的接收AP调度下对无人机目标的感知热力图。图中每个RxAP的菲涅尔反射区近似为一个椭圆图中黄色区域。为了更清晰每个区域的中线用不同颜色的实线标出。多个菲涅尔反射区叠加后重叠区域的黄色更加明显而这些中线的交汇点即对应目标的位置。通过一系列实验我们绘制了不同场景下的累积分布函数对比图。结果清晰地表明通过CSE机制等创新设计PML协同ISAC系统架构能够将感知定位误差稳定地约束在0.5米以内。更重要的是实验结果验证了理论预期随着系统调度的AP数量增加多个AP提供的空间分集增益使得定位精度得到进一步提升。这从实践层面证明了PML架构在实现高精度感知方面的有效性和可扩展性。从仿真到原型测试数据一致地表明PML协同ISAC架构通过其创新的多级协同框架和三项使能技术确实能够在不显著增加复杂度的前提下同时满足6G动态mIoT场景对高性能通信、高精度感知、高可扩展性和低时延的苛刻要求为下一代无线网络的发展提供了一个极具潜力的系统级解决方案。