基于逆散射理论的通信感知一体化：OFDM波形在ISAC系统中的成像新方法

《IEEE Journal of Selected Topics in Electromagnetics, Antennas and Propagation》：Inverse Scattering Approach to Integration of Communication and Sensing

本文针对通信感知一体化(ISAC)系统中成像分辨率受限的问题，系统探讨了基于正交频分复用(OFDM)波形的逆散射问题(ISPs)解决方法。研究团队通过建立OFDM前向散射模型，提出波束导向学习和波数域学习两种新型成像算法，在保持通信性能的同时实现高精度目标重构。该工作为5G/6G网络中感知功能的高效实现提供了物理层新范式。

　　

随着第五代移动通信技术(5G)向第六代(6G)演进，通信系统与感知功能的深度融合成为关键发展趋势。集成传感与通信(ISAC)技术通过共享频谱和硬件资源，可显著提升系统效率并降低成本。然而，传统通信波形（如正交频分复用(OFDM)）在感知应用中面临分辨率低、计算复杂等挑战，特别是对被动目标的成像能力远不及专用雷达系统。这一矛盾源于通信系统通常带宽有限、天线数量较少，且波形设计主要优化通信性能而非感知需求。

在此背景下，新加坡国立大学和香港城市大学联合团队在《IEEE Journal of Selected Topics in Electromagnetics, Antennas and Propagation》发表研究，创新性地将电磁逆散射问题(ISPs)理论引入ISAC领域。研究团队基于OFDM通信信号建立前向散射模型，证明通过子载波级信号处理可提取目标散射信息，从而将成熟的微波成像技术迁移至通信系统。该工作不仅系统梳理了ISAC中逆散射问题的研究现状，还提出了两种新型成像算法：波束导向学习方法和波数域学习方法，为通信-centric ISAC系统提供了高精度成像解决方案。

关键技术方法包括：1) 建立OFDM信号在单散射模型和远场近似下的前向问题数学表达；2) 通过波束扫描结合压缩感知(CS)算法实现局部成像；3) 利用波数域-空间域傅里叶变换关系进行快速成像；4) 设计注意力U-Net网络对初步成像结果进行物理辅助优化。研究采用符合5G新空口(5G NR)标准的系统参数进行仿真验证，包括28 GHz载频、1024个子载波、12-64天线阵列等配置。

OFDM-Based Forward Problem

通过推导单静态雷达配置下的散射场公式，研究团队建立了OFDM信号与目标反射率函数的数学关系。关键发现表明：经过元素级除法处理后，补偿后的散射信号仅与目标特性和系统几何相关，而与OFDM波形本身无关。这一发现奠定了将传统ISPs方法应用于OFDM-ISAC系统的理论基础。研究还特别分析了循环前缀(CP)持续时间与最大传播延迟的关系，以及多普勒频移对子载波正交性的影响等实际约束条件。

Research Review of Different Sensing Tasks

根据感知任务复杂度将现有研究分为三类：存在与定位、跟踪与分类、成像。分析指出，成像任务对硬件和算法要求最高，需解决有限带宽导致的分辨率限制问题。例如，典型5G系统100 MHz带宽仅能实现约3米距离分辨率，难以满足高精度室内成像需求。研究团队特别比较了快速傅里叶变换(FFT)、多重信号分类(MUSIC)和压缩感知(CS)等算法在ISAC中的适用性，提出混合策略（如FFT粗估计+CS精炼）可平衡计算效率与精度。

Approaches for Imaging in ISAC

系统评估了四种主流成像方法：1) 距离-多普勒-角度FFT法计算高效但分辨率有限；2) MUSIC算法具有超分辨率特性但计算复杂且仅适用于点散射体；3) CS方法在亚奈奎斯特采样下有效，但依赖散射场景稀疏性假设；4) 物理辅助深度学习方法通过U-Net等网络提升成像质量，但需要大量训练数据。研究特别强调，现有ISAC成像方法多沿用传统算法，尚未充分挖掘ISPs领域积累的成功经验。

Two ISPs-Inspired Imaging Algorithms

波束导向学习方法创新性地结合通信系统固有的波束扫描机制与深度学习。该方法通过16个波束扫描角度获取局部图像，分别采用匹配滤波、正则化正交匹配追踪(ROMP)、加速迭代硬阈值(AIHT)、快速迭代收缩阈值算法(FISTA)和近似消息传递(AMP)五种算法进行局部重建，再通过两级U-Net网络实现角度融合和特征融合。仿真结果显示，该方法在复杂形状目标（如轮胎、飞机轮廓）成像中显著提升重建质量，其中注意力门模块有效聚焦关键散射区域。

波数域学习方法突破传统成像算法对天线阵列几何的依赖。通过将空间采样转换为波数域等效采样，利用逆傅里叶变换实现快速成像初步重建，再通过注意力U-Net进行优化。该方法在随机天线布局（96×96阵列元素位置随机扰动±0.05米）下仍保持良好性能，特别适合分布式通信网络。研究发现，增加天线间距（从0.5λ到2λ）可等效扩展波数域覆盖，在硬件成本不变的情况下提升分辨率。

研究通过对比实验验证了物理辅助学习相较于直接学习的优势：在相同散射场景下，波数域方法的均方误差(MAE)和结构相似性(SSIM)指标显著优于黑箱式端到端学习，且训练时间减少约60%。这表明将电磁物理原理嵌入神经网络结构，可同时保证算法效率和可解释性。

Discussion and Conclusion

该研究开创性地将逆散射问题理论与通信感知一体化系统相结合，解决了OFDM波形在成像应用中的关键瓶颈。两种新型算法分别针对集中式（波束导向学习）和分布式（波数域学习）网络架构优化，为不同场景下的ISAC部署提供了灵活解决方案。未来研究方向包括：解决多径效应下的非线性逆问题、适配实际通信系统中的脉冲成形波形、以及利用多极化天线进一步提升成像分辨率。这项工作为6G网络中通信与感知的深度融合奠定了重要理论基础，推动ISAC从"共存"向"协同设计"演进。