微信公众号：EW Frontier
关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言;
如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学
知识星球：https://wx.zsxq.com/dweb2/index/group/15552518881412
面包多：https://mbd.pub/o/author-a2mYl2tsbA==/workQQ交流群：729981694
如有侵权请联系删除~
摘要
综合感知与通信（Integrated Sensing and Communication，ISAC）技术以其较高的频谱利用率成为第五代（5G）和第六代（6 G）无线通信的关键技术。利用5G基站（BS）等基础设施实现环境成像与重构，对于推动智慧城市建设具有重要意义。目前的基于快速傅里叶变换（FFT）的调频连续波（FMCW）四维成像方法，由于占用带宽高、分辨率低，不适用于ISAC场景。提出了一种基于2D-FFT和2D-MUSIC的4D（3D-Coordinates，Velocity）成像方法，该方法利用标准的5G下行链路（DL）毫米波（mmWave）信号，具有更高的传感精度。为了提高传感精度，设计了一种基于MIMO虚拟孔径技术的收发天线阵元布置方案。进一步提出了一种基于多维恒虚警（CFAR）检测的目标检测算法，优化了ISAC成像信号处理流程，降低了信号处理的计算压力。仿真结果表明：本文算法具有更好的成像效果.
引言
A.背景和动机
5G和6G无线通信向更高频段和更大带宽的发展显著提高了通信信号的感知能力。基于ISAC的技术利用广泛可用的无线通信信号实现城市环境的成像和4D重建，对于数字孪生和智慧城市建设具有重要意义[1]。与传统成像技术相比，基于ISAC的无线成像技术具有部署成本低、隐私保护和恶劣天气下的鲁棒性等优点。
B.相关作品
目前无线成像领域的大部分工作都集中在使用调频连续波（FMCW）雷达的3D或4D成像上，该雷达主要使用基于FFT的算法进行回波信号处理[2]。Jiang等人[3]提出了一种无线成像方法，该方法将双脉冲重复频率（dual-PRF）波形嵌入时分多路复用和多普勒频分复用MIMO（TDMDDM-MIMO）框架和超分辨率到达方向（DoA）估计深度卷积网络（CVDCN）来获得高分辨率的4D点云图像。Santra等人[4]提出了一种基于大致正交的FMCW波形的MIMO雷达成像方案。Sun等人[5]提出了一种使用虚拟2D稀疏阵列的高分辨率成像雷达系统。与基于多信号分类（MUSIC）的算法相比，上述基于FFT的4D成像算法具有有限的分辨率。此外，由于FMCW的通信能力较差，不适用于ISAC系统。
基于正交频分复用（OFDM）的ISAC波形得到了广泛的研究[6]，但基于OFDM雷达的四维成像算法的相关工作却很少。Guan等人[7]利用5G毫米波（mmWave）信号构建了一个高分辨率3D雷达成像系统。在上述工作中，缺乏对目标速度的估计，并且基于FFT的信号处理算法的使用导致三维点云分辨率显著受限。
为了提高DoA估计的分辨率，降低4D点云检测的虚警概率，相关研究中引入了具有恒虚警率（CFAR）[9]检测的虚拟孔径技术[8]。然而，用于5G NR BS的DL主动感知的虚拟孔径收发天线设计并没有很好地设计，并且目前广泛使用的CFAR检测算法无法克服强干扰引起的小目标漏检测问题。因此，改进收发天线设计和恒虚警检测算法也是实现ISAC场景下四维成像的关键问题。
C.贡献
为解决上述问题，提出了一种基于FFT和MUSIC的OFDM下行ISAC成像算法.本文的主要贡献和创新之处概括如下？
·我们提出了一种BS侧主动4D成像传感算法，该算法使用包含Comb4结构定位参考信号（PRS）的标准5G NR mmWave信号。该算法可以同时估计大量散射点的距离、速度、方位角和俯仰角信息（4D信息）。
·提出了一种基于虚拟孔径技术的收发天线阵列设计，当前BS中的收发器天线阵列的大小受限时，通过增加虚拟孔径，有效提高了DOA估计的分辨率。
·提出了一种基于恒虚警检测的两级散射点检测算法。该算法对2D-FFT得到的距离-多普勒图（RDM）采用OSCA（Ordered Statistics & Cell Averaging）-CFAR检测算法，对2D-MUSIC DoA估计结果采用CA-CFAR检测算法，与单一恒阈值检测方法相比，降低了计算复杂度，降低了虚警概率。
文章插图
结论
为此，本文提出了一种基于2D-FFT和2D-MUSIC的ISAC 4D成像系统。提出了一种两级恒虚警检测算法，优化了DOA估计和速度-距离估计过程，设计了一种基于MIMO虚拟孔径技术的收发信机天线布局。本文提出了一种新的ISAC四维成像质量评价指标。仿真实验结果表明，与其他方法比较，该方法能够获得更高的四维点云密度和更高的成像精度。未来，我们将构建ISAC 4D成像数据集，并引入深度学习模型，实现更复杂的功能。
