Anti-Jamming Sensing with Distributed Reconfigurable Intelligent Metasurface Antennas

📄 arXiv: 2508.04964v1 📥 PDF

作者: Zhaowei Wang, Yunsong Huang, Weicheng Liu, Hui-Ming Wang

分类: eess.SP, cs.IT, cs.LG

发布日期: 2025-08-07

💡 一句话要点

提出基于分布式可重构智能超表面天线的抗干扰无线感知方法

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 分布式感知 可重构智能超表面 深度强化学习 抗干扰 波束成形 射频感知 无线通信

📋 核心要点

  1. 传统射频感知易受无线信道衰落、噪声等不利因素影响，导致感知精度下降。
  2. 采用分布式RIMSA，通过优化波束成形增强接收信号质量，并利用DRL和神经网络实现感知。
  3. 设计考虑SINR的组合损失函数，提升系统在干扰环境下的感知性能，仿真验证了其有效性。

📝 摘要（中文）

无线感知利用射频信号进行目标检测日益受到关注。然而，射频环境的不可预测性和不利性，如衰落和噪声，会影响传统射频感知的精度。本文提出采用分布式可重构智能超表面天线（RIMSA）来检测目标的存在和位置，在不同位置部署多个RIMSA接收器（RIMSA Rx）。通过编程波束成形模式，RIMSA Rx可以提高接收信号的质量。射频感知问题被建模为波束成形模式和接收信号到感知结果映射的联合优化问题。为了解决这个问题，我们引入了一种深度强化学习（DRL）算法来计算最佳波束成形模式，并使用神经网络将接收信号转换为感知结果。此外，恶意攻击者可能会发起干扰攻击来扰乱感知过程。为了在易受干扰的环境中实现有效的感知，我们设计了一个综合考虑接收信号的信干噪比（SINR）的组合损失函数。仿真结果表明，所提出的分布式RIMSA系统比集中式实现方案能实现更高效的感知性能，并能更好地克服环境影响。此外，该方法即使在干扰攻击下也能保证高精度的感知性能。

🔬 方法详解

问题定义：论文旨在解决传统射频感知在复杂射频环境中，由于信道衰落、噪声以及恶意干扰等因素影响，导致感知精度下降的问题。现有方法难以有效应对这些挑战，尤其是在存在恶意干扰的情况下，感知性能会显著降低。

核心思路：论文的核心思路是利用分布式可重构智能超表面天线（RIMSA）的波束成形能力，通过优化接收端的波束指向，增强目标信号的接收质量，同时抑制干扰信号。此外，利用深度强化学习（DRL）算法自适应地调整波束成形模式，并结合神经网络进行信号到感知结果的映射，从而实现高精度的抗干扰感知。

技术框架：该系统由多个分布式RIMSA接收器（RIMSA Rx）组成。整体流程如下：1) RIMSA Rx接收射频信号；2) DRL算法根据环境信息（如接收信号强度、干扰情况）计算每个RIMSA Rx的最佳波束成形模式；3) RIMSA Rx根据计算结果调整波束；4) 接收到的信号输入到神经网络，神经网络将信号映射为感知结果（如目标位置）；5) 系统根据感知结果和SINR计算组合损失函数，用于DRL算法的训练。

关键创新：论文的关键创新在于将分布式RIMSA与DRL相结合，实现自适应的抗干扰感知。与传统的集中式RIMSA系统相比，分布式架构能够更好地利用空间分集，提高感知性能。此外，针对干扰环境，设计了考虑SINR的组合损失函数，使得DRL算法能够学习到抑制干扰的波束成形策略。

关键设计：关键设计包括：1) DRL算法：采用Actor-Critic框架，Actor网络输出波束成形模式，Critic网络评估当前状态的价值；2) 神经网络：用于将接收信号映射为感知结果，网络结构可以根据具体应用场景进行调整；3) 组合损失函数：综合考虑感知精度和SINR，具体形式为感知误差与SINR的加权和，权重系数需要根据实际情况进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的分布式RIMSA系统在感知性能方面优于集中式实现方案。在存在干扰的情况下，该方法仍能保持较高的感知精度，相比于没有采用抗干扰策略的系统，感知精度提升显著。具体性能数据（如感知精度、SINR提升幅度）在论文中进行了详细展示，验证了该方法的有效性。

🎯 应用场景

该研究成果可应用于智能家居、工业自动化、安防监控等领域。例如，在智能家居中，可以利用该技术实现对人体行为的精确感知，提高智能设备的响应速度和准确性。在工业自动化中，可以用于监测生产线上的设备状态，及时发现潜在故障。在安防监控中，可以用于检测入侵者，提高安全防范能力。未来，该技术有望在无人驾驶、智慧城市等领域发挥重要作用。

📄 摘要（原文）

The utilization of radio frequency (RF) signals for wireless sensing has garnered increasing attention. However, the radio environment is unpredictable and often unfavorable, the sensing accuracy of traditional RF sensing methods is often affected by adverse propagation channels from the transmitter to the receiver, such as fading and noise. In this paper, we propose employing distributed Reconfigurable Intelligent Metasurface Antennas (RIMSA) to detect the presence and location of objects where multiple RIMSA receivers (RIMSA Rxs) are deployed on different places. By programming their beamforming patterns, RIMSA Rxs can enhance the quality of received signals. The RF sensing problem is modeled as a joint optimization problem of beamforming pattern and mapping of received signals to sensing outcomes. To address this challenge, we introduce a deep reinforcement learning (DRL) algorithm aimed at calculating the optimal beamforming patterns and a neural network aimed at converting received signals into sensing outcomes. In addition, the malicious attacker may potentially launch jamming attack to disrupt sensing process. To enable effective sensing in interferenceprone environment, we devise a combined loss function that takes into account the Signal to Interference plus Noise Ratio (SINR) of the received signals. The simulation results show that the proposed distributed RIMSA system can achieve more efficient sensing performance and better overcome environmental influences than centralized implementation. Furthermore, the introduced method ensures high-accuracy sensing performance even under jamming attack.