6G通感算专题 | MSA-BFNet-ISAC：用深度学习实现亚太赫兹通感一体化智能波束成形

关键词

原文信息

张栖瀚, 盛冯浩, 张海洋, 等. 基于夹持天线的通感一体化波束成形: 多尺度注意力深度学习方法. 中国科学: 信息科学, 2026, 56: 2663–2677, doi: 10.1360/SSI-2026-0201

研究意义

在未来的6G移动通信中，"通感一体化"（ISAC）技术将让同一套设备既能高速传输数据，又能像雷达一样探测周围环境，实现"一机两用"。

传统天线阵列的位置是固定的，而"夹持天线系统"（PASS）是一种创新架构——天线可以沿着介质波导灵活调整位置，就像在一根"智能导轨"上自由移动的探头。这种灵活性为波束成形带来了额外的空间自由度，特别适合亚太赫兹频段的应用。

但是，要同时满足通信质量和感知性能，波束成形优化问题非常复杂，传统的迭代算法计算量大、耗时长，难以应对信道快速变化的实时场景。本文提出用深度学习方法来"一步到位"地生成最优波束，在保证性能的同时将计算速度提升约100倍，为PASS在6G通感一体化场景中的实际部署铺平了道路。

本文工作

本文针对PASS-ISAC系统设计了一套完整的深度学习求解框架，主要创新如下：

(1) 建立了包含波导相位传播的PASS通信信道模型和感知导向向量模型，将通信SINR约束和感知波束图增益约束统一到一个功率最小化框架中。

(2) 提出了MSA-BFNet-ISAC网络，采用"四路并行特征提取"架构：通信信道跨域融合（实部-虚部联合编码）、多尺度空间特征提取、目标角度正弦编码、导向向量编码，充分挖掘通信与感知信息的异质特征。

(3) 设计了"优化引导预训练 + 无监督微调"的两阶段混合训练策略：第一阶段用迭代优化器的解作为监督标签快速学习波束成形结构，第二阶段用物理层损失函数（功率+SINR惩罚+感知惩罚）进一步压缩功率，实现了对非凸双约束问题的高效求解。

图1 MSA-BFNet-ISAC整体架构

实验结果

仿真实验系统配置20个夹持天线、2个通信用户、2个感知目标。实验从三个维度验证了所提方法的有效性：

性能对比：ISAC-NN（本文方法）的发射功率与ISAC-SDR迭代优化基准相差不到1 dB，同时显著低于时分ISAC方案约4~6 dB，证明联合通感设计的功率效率优势。

架构增益：与传统固定位置均匀线阵相比，PASS架构的发射功率低约0.2~0.9 dB（优势随天线数增加而增大），且迭代求解成功率保持在98%~100%（固定阵列仅62%~86%），体现了PASS大尺度灵活部署的优势。

鲁棒性验证：当通信SINR阈值从17 dB扫描到30 dB、感知增益阈值从0 dB扫描到15 dB、天线数从8个增至40个时，网络均能保持高约束满足率（>98%）和稳定的功率性能。

模块贡献：消融实验表明，跨域融合、多尺度特征提取、Transformer编码器、门控残差单元和SE注意力模块各有贡献，其中Transformer编码器的参数占比约30%但对性能提升明显。

表1 网络模块与角度编码阶数消融实验

相关阅读