Learning Nonlinear Waveform Fusion Across Scales for Integrated Sensing and Communication
作者: Jiayu Liu, Kai Wan, Shuo Shao, Giuseppe Caire
分类: cs.AI
发布日期: 2026-10-23
💡 一句话要点
提出非线性波形融合方法以解决集成感知与通信问题
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 集成感知与通信 非线性波形融合 图像传输 多目标定位 自适应特征加权
📋 核心要点
- 现有的集成感知与通信方法受到固定源叠加和频率划分的限制，导致通信内容与探测参考的交互效率低下。
- 本文提出了一种非线性波形融合方法，通过自适应特征加权和频谱更新，实现图像传输和多目标定位的优化。
- 实验结果显示，所提方法在定位误差上平均降低29.0%和27.0%，信噪比提高1.40和0.82 dB，且学习的局部修正进一步提升了定位精度。
📝 摘要（中文）
固定源叠加和频率划分限制了通信内容与探测参考在集成感知与通信（ISAC）中的交互。本文提出了一种跨尺度的非线性波形融合方法，用于图像传输和多目标的距离与角度定位。接收端利用可用信息，通过自适应时间特征加权和频谱更新，将图像特征与确定性的线性调频参考结合，生成固定总能量的波形。在用户设备（UE）中，参考和信道状态信息条件化神经解混器以进行图像重建。在基站中，实现的发射脉冲定义了一个一致字典，用于通过学习的局部修正、物理精细化和残差更新进行顺序定位。实验结果表明，所提出的波形在定位精度和信噪比方面均有显著提升。
🔬 方法详解
问题定义：本文旨在解决集成感知与通信中的波形设计问题，现有方法在固定源叠加和频率划分下，限制了通信内容与探测参考的有效交互，导致性能下降。
核心思路：提出了一种非线性波形融合方法，通过学习不同尺度的波形特征，实现图像传输和多目标定位的优化，利用自适应特征加权和频谱更新来增强信息的交互。
技术框架：整体架构包括两个主要模块：用户设备（UE）中的神经解混器和基站中的发射脉冲生成。UE通过参考和信道状态信息进行图像重建，而基站则利用发射脉冲构建一致字典以进行顺序定位。
关键创新：最重要的创新在于提出了非线性波形融合的概念，打破了传统的固定源叠加限制，实现了更高效的信息交互和定位精度。
关键设计：在设计中，采用了自适应时间特征加权和频谱更新的策略，确保生成的波形在整个阵列帧中保持固定的总能量，同时引入了学习的局部修正以进一步提高定位精度。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的波形在512个独立测试图像上，平均降低了29.0%和27.0%的归一化定位误差，同时信噪比分别提高了1.40和0.82 dB。学习的局部修正相较于未使用修正的接收器，进一步降低了12.2%的平均归一化定位误差。
🎯 应用场景
该研究的潜在应用领域包括智能交通系统、无人驾驶汽车、智能监控等，能够有效提升多目标的实时定位和图像传输能力。未来，该方法有望在5G及更高频段的通信系统中得到广泛应用，推动集成感知与通信技术的发展。
📄 摘要（原文）
Fixed source superposition and frequency partitioning constrain how communication content interacts with a probing reference in integrated sensing and communication (ISAC). We learn nonlinear waveform fusion across scales for image transmission and localization of multiple targets in range and angle. Reception uses the information available at each end. Adaptive temporal feature weighting and spectral updates combine image features and a deterministic linearly frequency-modulated reference in a shared complex state, generating a waveform with fixed total energy over the array frame. At the user equipment (UE), the reference and channel state information condition a neural demixer for image reconstruction. At the base station, the realized transmit pulse defines a coherent dictionary for sequential localization with learned local correction, physical refinement, and residual updates. We compare the proposed waveforms with superposition in the time domain and learned spectral linear fusion on 512 independent test images, using a shared fixed UE receiver and a baseline sensing receiver using coherent peak search. Averaged across eleven task weights, the proposed waveforms reduce normalized localization error by 29.0\% and 27.0\%, respectively, while increasing mean peak signal-to-noise ratio by 1.40 and 0.82~dB. With the proposed waveforms fixed, learned local correction reduces mean normalized localization error by 12.2\% relative to the same sequential receiver without learned correction.