动态环境下车载ISAC系统的干扰抑制与频谱资源优化策略

本文针对先进驾驶辅助系统（ADAS）中集成感知与通信（ISAC）技术的干扰问题，提出了一种基于无遗憾学习算法（no-regret learning）的动态频谱分配方法。通过可选的效用函数设计，结合跳频线性调频（LFM）信号和时间域宽带合成（DTWS）技术，实现了单节点自主频段选择，在信噪比（SNR）>-39 dB时误码率（BER）<10?6，显著提升了高密度车载环境下的感知精度与通信吞吐量。

　　

Highlight

本文提出的ISAC系统设计具有卓越的干扰抑制能力，采用具备抗干扰特性的敏捷跳频LFM信号，并通过接收端的DTWS算法提升检测精度。在无基站和信息交互条件下，系统通过自适应频段选择避免检测与通信信号间的互干扰，实现接近全局最优的干扰管理。

Signal model

77 GHz车载雷达工作于76-81 GHz频段，总带宽B_all划分为M个频段，每个频段进一步分割为N段用于通信或测距。每段信号带宽为B/N，车辆可灵活选择M个频段，N段LFM信号可同步支持检测与通信功能。

The proposed method

本研究提出了一种结合跳频LFM信号与DTWS算法的ISAC系统。通过无遗憾学习框架集成任务特异性奖励机制，车辆根据实时干扰测量值动态选择频段，平衡通信吞吐量与检测性能。DTWS技术将多个窄带LFM回波拼接为等效宽带信号，显著提升低信噪比下的目标检测精度。

Simulation

仿真验证表明：1）合成LFM信号在不同SNR和信号干扰比（SIR）下的测距精度；2）跳频信号的干扰抑制能力；3）不同奖励方案下算法的迭代特性；4）分段LFM信号的通信指标利用率。当SNR>-39 dB时，BER<10^?6。

Conclusion

本文算法通过差异化奖励机制有效缓解密集交通环境中检测与通信车辆的互干扰问题。车辆可在无信息交互条件下自主决策频段选择策略，迭代过程中实现接近全局最优的频段分配，为动态环境下的ISAC系统提供了低成本、高泛化性的解决方案。