[论文解读] Joint Pilot Optimization, Target Detection and Channel Estimation for Integrated Sensing and Communication Systems

Zhe Huang, Kexuan Wang+4 more|arXiv (Cornell University)|Feb 5, 2022

Radar Systems and Signal Processing参考文献 43被引用 70

一句话总结

提出一种用于 ISAC 系统的两阶段联合 pilot 优化、目标检测和信道估计方案（J-PoTdCe），借助 Turbo Sparse Bayesian inference 和一个 rank-1 pilot optimization 来利用雷达与通信信道之间的联合突发稀疏性。

ABSTRACT

Radar sensing will be integrated into the 6G communication system to support various applications. In this integrated sensing and communication system, a radar target may also be a communication channel scatterer. In this case, the radar and communication channels exhibit certain joint burst sparsity. We propose a two-stage joint pilot optimization, target detection and channel estimation scheme to exploit such joint burst sparsity and pilot beamforming gain to enhance detection/estimation performance. In Stage 1, the base station (BS) sends downlink pilots (DP) for initial target search, and the user sends uplink pilots (UP) for channel estimation. Then the BS performs joint target detection and channel estimation based on the reflected DP and received UP signals. In Stage 2, the BS exploits the prior information obtained in Stage 1 to optimize the DP signal to achieve beamforming gain and further refine the performance. A Turbo Sparse Bayesian inference algorithm is proposed for joint target detection and channel estimation in both stages. The pilot optimization problem in Stage 2 is a semi-definite programming with rank-1 constraints. By replacing the rank-1 constraint with a tight and smooth approximation, we propose an efficient pilot optimization algorithm based on the majorization-minimization method. Simulations verify the advantages of the proposed scheme.

研究动机与目标

• 促使在 6G ISAC 系统中实现雷达感知与通信的集成，并利用雷达目标与通信散射体之间的联合突发稀疏性。
• 开发一个两阶段框架，使用优化导频进行联合目标检测和信道估计。
• 利用稀疏贝叶斯推断在动态 AoA 网格下联合检测目标与估计信道。
• 通过导频波束赋形增益和跨阶段的信息共享，在低信噪比（SNR）下提升性能。

提出的方法

• 两阶段 J-PoTdCe 框架：阶段 1 使用全向下行导频和上行导频进行初步搜索与估计；阶段 2 使用先验信息将下行导频朝向目标/散射体进行细化优化。
• Turbo Sparse Bayesian Inference (Turbo-SBI) 配合隐藏马尔可夫模型以捕捉雷达和通信信道的联合突发稀疏性。
• 用于稀疏角度域表示的动态角网格以减轻网格不匹配并保持分辨率。
• 一个将下行导频的反射与上行导引测量联系起来的联合测量模型；贝叶斯推断给出 x^r、x^c、s^r、s^c 和网格 theta 的后验分布。
• 阶段 2 的导频优化在 SDP 中以秩-1 约束表述；通过紧密的平滑近似替代并通过 Majorization-Minimization (MM) 求解。
• 与 Turbo-OAMP 和 SDR 方法的比较，在 CDL 信道模型下的仿真验证收益。

实验结果

研究问题

• RQ1 如何利用雷达目标与通信散射体之间的联合突发稀疏性来提高 ISAC 系统中的目标检测与信道估计？
• RQ2 两阶段导频设计和 Turbo SBI 框架是否能在低 SNR 条件下提升检测/估计性能？
• RQ3 如何在秩-1 约束优化的基础上设计阶段 2 的导频以最大化波束赋形增益并最小化目标参数的 CRB？
• RQ4 动态 AoA 网格对大规模 MIMO ISAC 设置下的估计精度与计算复杂度有何影响？

主要发现

• 一种采用 Turbo-SBI 的两阶段 J-PoTdCe 方案通过利用联合突发稀疏性实现联合目标检测和信道估计。
• 带有大网格的动态网格 AoA 表示提高了对网格不匹配的鲁棒性并实现了超分辨率估计。
• 阶段 2 的秩-1 松弛 MM 基于方法提供高效的波束赋形增益并降低目标参数的 CRB。
• Turbo-SBI 有效地在联合 HMM 先验下计算 x^r、x^c、s^r、s^c 的边缘后验，仿真中实现性能提升。
• 该框架在 3GPP R15 CDL 信道模型下的仿真验证显示相对于传统方法的优势。