[论文解读] Model-Driven End-to-End Learning for Integrated Sensing and Communication

José Miguel Mateos-Ramos, Christian Häger+3 more|arXiv (Cornell University)|Dec 20, 2022

Fault Detection and Control Systems被引用 5

一句话总结

本文提出了一种模型驱动的端到端学习架构，用于MIMO雷达与MISO通信系统中的集成感知与通信（ISAC），通过将物理信号模型与神经网络结合，在硬件损伤条件下提升了鲁棒性。在复杂度约束下，模型驱动学习优于标准神经网络，并在未见场景中泛化能力更强。

ABSTRACT

Integrated sensing and communication (ISAC) is envisioned to be one of the pillars of 6G. However, 6G is also expected to be severely affected by hardware impairments. Under such impairments, standard model-based approaches might fail if they do not capture the underlying reality. To this end, data-driven methods are an alternative to deal with cases where imperfections cannot be easily modeled. In this paper, we propose a model-driven learning architecture for joint single-target multi-input multi-output (MIMO) sensing and multi-input single-output (MISO) communication. We compare it with a standard neural network approach under complexity constraints. Results show that under hardware impairments, both learning methods yield better results than the model-based standard baseline. If complexity constraints are further introduced, model-driven learning outperforms the neural-network-based approach. Model-driven learning also shows better generalization performance for new unseen testing scenarios.

研究动机与目标

• 解决因非均匀阵元间距等硬件损伤导致的ISAC系统性能下降问题。
• 开发一种将物理信号模型与神经网络相结合的学习框架，以在适应现实世界缺陷的同时保持性能保障。
• 在计算复杂度无限制和受限两种情况下，对比模型驱动学习与标准神经网络及基于模型的基线方法的性能。
• 评估在训练数据中未包含的未见角度区域上的泛化性能。
• 在存在硬件缺陷的6G ISAC实际场景中，展示改进的鲁棒性与适应能力。

提出的方法

• 将ISAC问题建模为使用MIMO发射机和共址感知与远程通信接收机的联合感知与通信任务。
• 设计一种模型驱动学习架构，通过深度展开将信号模型（如存在扰动阵元间距的导向矢量）嵌入结构化神经网络中。
• 使用自编码器（AE）学习发射波束成形波束，以在硬件损伤条件下平衡感知与通信性能。
• 使用可微损失函数训练模型驱动网络，该损失函数结合符号误码率（SER）、漏检概率和角度估计的均方根误差（RMSE）。
• 通过限制隐藏神经元数量（N=21）和网格点数量（N_grid=156）来实现复杂度约束，使参数数量与模型驱动方法保持一致。
• 在相同的硬件损伤条件下，与标准神经网络（NN）和基于模型的基线方法对比性能。

实验结果

研究问题

• RQ1 在ISAC系统中存在硬件损伤时，模型驱动端到端学习相较于标准神经网络和基于模型的基线方法表现如何？
• RQ2 当可训练参数数量受限时，模型驱动学习是否仍能保持性能？
• RQ3 在训练数据中未包含的未见角度区域中，模型驱动学习是否比数据驱动神经网络具有更好的泛化能力？
• RQ4 如随机阵元间距偏差等硬件损伤如何影响基于模型和基于学习的ISAC系统的性能？
• RQ5 在基于学习的ISAC设计中，性能、泛化能力和复杂度之间的权衡关系如何？

主要发现

• 在硬件损伤条件下（阵元间距扰动为i.i.d.高斯分布，σ_λ = λ/30），由于能够适应模型失配，模型驱动学习和基于神经网络的学习均优于基于模型的基线方法。
• 在复杂度受限条件下（N=21，N_grid=156），模型驱动学习保持了与无复杂度限制版本相当的性能，而基于神经网络的学习在检测和角度估计方面性能显著下降。
• 在未见测试场景中（例如，目标位于[−20°, 20°]但未在训练中出现），模型驱动学习在漏检概率和角度估计RMSE方面均优于基线方法和基于神经网络的学习方法。
• 模型驱动学习的泛化能力优于神经网络，表明其未对训练数据过拟合，且能有效捕捉受损导向矢量的结构特征。
• 模型驱动方法实现约2,500个复值参数，而神经网络有约5,000个实值参数，表明在相近复杂度下，模型驱动方法具有更优的鲁棒性。
• 结果表明，模型驱动学习在存在硬件损伤的实际ISAC系统中，提供了性能、泛化能力和复杂度之间的有利权衡。