1B个芯片嵌入4个比特，感知性能却不降？PDISAC用AI做到了

ISAC是6G通感一体化热点，但嵌入通信数据会严重污染雷达感知。蒙特利尔理工这篇工作巧妙地用概率去噪网络吸收数据引入的旁瓣干扰，让感知几乎不受影响，还附带完整CRLB和BER理论分析。代码已开源，值得关注！

龙哥读论文发布于 2026-08-14 09:11:38 阅读 5 查看原文

#人工智能

原论文信息如下：

论文标题:
Probabilistic Denoising-Enhanced ISAC for Stochastic Cluttered Mobile Environments 发表日期:
2026年7月发表单位:
Polytechnique Montreal 原文链接:
https://arxiv.org/pdf/2607.26994v1.pdf 开源代码链接:
https://github.com/TND-Lab/PDISAC

1. 背景与挑战：随机杂乱移动环境下的ISAC波形瓶颈

想象一下，你一边开车一边打电话——没错，这就是ISAC（Integrated Sensing and Communication，通感一体化）想干的事。用同一套波形、同一个射频前端，既要像雷达一样“看”清周围环境，又要像通信基站一样“聊”得欢快。这玩意儿是未来6G网络的关键使能技术，听起来很美，但现实往往很骨感。

在那些随机、杂乱、移动的环境里（比如城市街道），问题就来了。时间变化的传播路径、多径干扰、多个移动目标，这些都会严重扭曲雷达回波，同时又影响通信质量。传统的单一功能雷达或通信设备还能各干各的，但ISAC把两者绑在一起，矛盾就此产生。

这篇来自Polytechnique Montréal（蒙特利尔理工学院）的工作，选择的切入点是PMCW（Phase-Modulated Continuous-Wave，相位调制连续波）波形。这种雷达中心的波形本身有着极好的周期自相关特性，低峰均功率比，非常适合做距离-多普勒（Range-Doppler, RD）感知。但问题是，传统的PMCW用在ISAC里，一个序列往往只能携带1个通信比特，数据率低得可怜。

想要提高数据率？那就得往波形里嵌入更多通信数据。但这么一来，就像在一杯纯净水上滴了几滴墨水，虽然还是水，但已经变浑浊了——数据依赖的、非白色的旁瓣干扰会注入RD热力图，导致虚假峰值、目标漏检，甚至完全破坏感知性能。

图1：所考虑的随机杂乱移动环境的一次实现，展示了共享位置Tx/Rx、UE、移动目标和静止散射体。

传统的解决方法要么是改用通信中心的多载波波形，但会让雷达性能打折扣；要么是沿用固定参数设计，在感知和通信之间选一个中间点，两边都不讨好。而目前已有的AI去噪方法，比如GAN或VAE，虽然能学习清理RD热力图，但它们和波形参数是脱节的——不知道干扰是怎么产生的，自然也就没法高效消除。

简单说，这就是一个“既要马儿跑，又要马儿不吃草”的难题——想要通信速率，就得接受感知性能的下降。但蒙特利尔理工的这伙人告诉我们：不用纠结，AI可以帮你把吃掉的草变回来。

2. 创新点：多比特时隙分割波形与概率去噪网络联合设计

面对这个挑战，作者们没有选择在传统路线上小修小补，而是直接提出了一个名为PDISAC（Probabilistic Denoising ISAC，概率去噪增强通感一体化）的全新框架。它的核心思路是：把“搞破坏”的波形设计和“擦屁股”的去噪网络联合设计，让两者形成闭环。

具体来说，PDISAC包含两大创新：

创新点一：多比特时隙分割波形传统的MLS（Maximal Length Sequence，最大长度序列）波形，一个序列只能携带1个通信比特。PDISAC的做法是把一个MLS序列从时间上分割成多个交替的“导频时隙”和“数据时隙”。导频时隙保持原样用于雷达，数据时隙则由通信比特通过符号级扩频来调制。这样，一个MLS序列就能携带N_prbs_bit个通信比特，数据率直接翻倍，但同时，数据时隙的引入会让雷达自相关函数产生额外的、随数据变化的旁瓣干扰。

创新点二：轻量级概率去噪网络RDPDNet既然旁瓣干扰不可避免，那就想办法消除它。作者们没有去修改传统的匹配滤波接收机，而是在RD热力图生成之后、恒虚警率检测之前，插入了一个名为RDPDNet（Range-Doppler Probabilistic Denoising Network，距离-多普勒概率去噪网络）的轻量级模块。它是个基于层次化变分自编码器（VAE，Variational Auto-Encoder）的概率模型，能把RD热力图增强问题建模为贝叶斯后验推断，在不知道嵌入符号的情况下，通过学习抑制数据引入的干扰和热噪声。

这样一来，PDISAC就形成了一个完整的闭环：前面通过新的波形设计提高了通信速率，后面通过AI去噪把感知性能损失“吃回来”。不仅如此，作者还推导了一整套理论性能极限，包括CRLB（Cramér-Rao Lower Bound，克拉美-罗下限）、半解析BER（Bit Error Rate，误比特率）和平均容量，从理论上把感知与通信的权衡关系牢牢锁住。

3. 原理剖析：RDPDNet如何通过层次化VAE与对抗频率混合消除旁瓣

好了，现在来聊聊RDPDNet到底是怎么工作的。如果你对概率深度学习比较熟悉，可以把它看作一个为雷达RD热力图量身定制的层次化VAE。

核心思想：问题重定义

作者先把去噪问题P1形式化成：在保持目标所在位置信号不变的前提下，最小化整个RD热力图与“干净”热力图之间的误差，同时用一个隐式的先验R(·)去抑制数据引入的干扰。但直接求解P1需要知道噪声、干扰和目标的位置，这在真实场景里是不可能的。

所以，他们提出了等效问题P2：直接用神经网络来学习一个从“带噪”RD热力图到“干净”RD热力图的映射函数，并通过一个KL散度约束来正则化学习过程，让网络学会区分真正的目标峰值和数据引入的杂散峰值。

RDPDNet的“三件套”：Extractor, Encoder, Decoder

RDPDNet由三个核心模块组成，协同完成从噪声到干净的贝叶斯推断过程：

Extractor（提取器）：以带噪的RD热力图Zrd为输入，通过一个编码器fg,ext(Zrd; Φext)推断一个后验分布p(⃗zL|Zrd)，提取出最初始的潜变量。这个潜变量包含了观测数据中的整体干扰特征。

Encoder（编码器）：只在训练阶段使用，以干净的RD热力图Zprbs_rd为输入，通过编码器fg,enc(Zprbs_rd; Φenc)学习一个“干净”的潜变量分布q(⃗z1, ..., ⃗zL|Zprbs_rd)。这个分布通过层次化的方式，把干净热力图的结构信息逐步抽象出来。

Decoder（解码器）：将提取器提取的带噪潜变量和编码器学习的干净潜变量结合起来，通过一个解码器fg,dec(·; Φdec)重建出干净的RD热力图 ˆZrd。训练时，解码器有“好榜样”指导，能够学会如何过滤掉那些由数据引入的、不属于干净图的噪声模式。

关键细节：层次化与对抗频率混合（AFM）

RDPDNet采用了L层潜变量的层次化结构，每一层都捕获不同粒度的特征。这种设计让网络能同时感知全局的干扰背景和局部的峰值细节，表达能力远超单层VAE。更重要的是，训练结束后，编码器模块可以被丢弃，推理时只使用Extractor和Decoder，显著降低了模型复杂度和推理延迟。

而对抗频率混合（AFM，Adversarial Frequency Mixup）机制是RDPDNet训练的精华所在。训练时，网络不仅要在原始带噪数据上学习，还会被喂入一种“混合”数据：将两个不同场景的RD热力图在频率域混合，创造出一种全新的、极端复杂的干扰模式。这样训练出来的网络，对“没见过的”干扰模式具有超强的鲁棒性，不会像普通模型那样在遇到数据分布变化时就垮掉。

简单来说，RDPDNet就是一个人工智能“听诊器”：它先学会“干净”热力图应该是怎样的，然后在处理带噪的热力图时，能精准地滤除那些“不和谐”的旁瓣杂音，只保留真实的目标回波。它不需要知道嵌入的通信数据是什么，也不需要知道干扰的精确模型——全靠数据驱动学习出来。

4. 实验验证：RMSE、CRLB、BER与容量全面优于基线

光说不练假把式。蒙特利尔理工的团队在一个真实的城市几何模型上进行了大量的仿真实验。实验在MATLAB中生成随机散布的建筑物、车辆和行人，然后对比了PDISAC框架（即带多比特数据嵌入的波形 + RDPDNet去噪）与传统无数据嵌入的雷达（即干净基线）以及带数据嵌入但无去噪的雷达链路的性能。

我们需要先把下面这张实验设置表格放出来，让大家明白仿真参数是怎样的：

表一：仿真参数设置

表二：几何-概率信道模型验证

接下来，我们看实验结果。这张图是本文结果的重中之重，它展示了在不同信噪比（SNR）下，各方案的RMSE（Root Mean Square Error，均方根误差）与理论CRLB的对比。

图X：所提出的PDISAC框架与各基线的感知RMSE对比。在低SNR下，PDISAC显著降低了RMSE；在高SNR下，PDISAC与理论CRLB保持一致。

从图中我们可以清晰看到：

- 低SNR区域（-15dB到-5dB）：这是传统雷达的噩梦。没有去噪的“嵌入”曲线（蓝线）RMSE非常高，几乎无法正常工作。而PDISAC（红线）的RMSE显著降低，曲线走势与干净的基线（无嵌入）非常接近，证明了RDPDNet在低信噪比下对数据引入干扰的强大抑制能力。 - 高SNR区域（-5dB以上）：PDISAC的RMSE曲线（红线）逐渐与CRLB（黑色虚线）贴合，说明在高信噪比下，系统性能已经逼近理论极限，RDPDNet几乎没有引入额外的感知误差。 - 与基线的对比：PDISAC在所有SNR下都显著优于无去噪的嵌入方案（蓝线），证明了概率去噪的有效性。同时，它非常接近甚至在某些区间优于无嵌入的干净基线（绿线），说明PDISAC做到了在不牺牲感知精度的情况下嵌入通信数据。

除了感知的RMSE，系统还要考虑通信性能。实验结果中的BER曲线和平均容量曲线如下图所示：

图Y：不同时隙分配（N_prbs_bit=2,3,4）下的通信BER性能。提高时隙数（即数据率）会带来BER的轻微增加。

图Z：平均通信容量与时隙分配的关系。N_prbs_bit越大，数据率越高，但BER也越高，这是一个可调的权衡。

再看这张将感知和通信权衡关系可视化在一起的图：

图W：感知(以RMSE表示)与通信(以BER表示)的权衡曲线，PDISAC位于低RMSE和中等BER的优越区域。

实验结果的分析可以总结为：PDISAC成功地将数据嵌入带来的感知惩罚“吸收”了绝大部分，在低SNR下显著降低了RMSE，而在高SNR下与理论CRLB保持一致。同时，通过调节MLS序列中的时隙分配（N_prbs_bit），系统可以在数据率和BER之间进行灵活调整，暴露了一个可调的感知-通信权衡面。例如，选择较小的N_prbs_bit（如2）可以获得更低的BER，但数据率也低；选择较大的N_prbs_bit（如4）虽然BER升高，但数据率也大幅提升。

5. 总结与展望：可调感知-通信权衡与实时部署潜力

PDISAC这篇工作的贡献，不仅仅是提出了一种新的波形或一个AI模型，而是第一次从理论到实践，完整地展示了如何通过联合设计波形和概率去噪网络，来化解ISAC中感知与通信的内在矛盾。

它的几个亮点值得记住：

- 理论扎实：推导了CRLB、半解析BER和平均容量，给出了可验证的性能边界。 - 设计巧妙：把旁瓣干扰的“生产者”和数据驱动的“清洁工”联合优化，而不是各自为政。 - 工程友好：RDPDNet在推理时只需要Extractor和Decoder模块，去掉了训练专用Encoder，复杂度较低。代码也已开源，且提供了MATLAB和Python的接口桥梁，工程复现门槛不高。 - 灵活性高：通过调节时隙分配参数N_prbs_bit，系统可以在数据率和通信质量之间自由切换，像一个“旋钮”一样适应不同的应用场景。

潜在问题与展望：

任何工作都有其局限性。PDISAC目前的主要限制在于：

- 实时性验证：目前的结果全部基于离线仿真，RDPDNet在真实硬件平台（如FPGA或GPU）上的实时推理延迟尚未公开验证。 - 对极端场景的鲁棒性：实验虽然在随机城市几何上进行，但选取的SNR范围不算极端。在更恶劣的强干扰、多目标高度密集的场景下，AFM训练机制的效果尚需更多测试。 - 闭环测试：感知结果最终会影响通信决策，通信内容又可能影响干扰模式。目前的实验是解耦的，一个完整的、端到端的联合性能测试将是下一步的重要方向。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

问题1：MLS序列在雷达中有什么特殊之处？MLS（最大长度序列）是一种伪随机二进制序列，它的自相关函数非常理想：在零点有尖锐的峰值，在其他位置的值几乎为0。这个性质让雷达可以用它来做匹配滤波，精确测量目标距离。PMCW（相位调制连续波）雷达就是利用这个特性工作的。PDISAC的创新在于，它把MLS序列分成了时隙，在保持其雷达优势的同时，把通信数据也“塞”进去了。

问题2：CA-CFAR检测是什么？CA-CFAR（Cell Averaging Constant False Alarm Rate，单元平均恒虚警率）是雷达中非常经典的一种目标检测算法。它的思路是：在检测某个单元格时，先看它周围一圈“训练单元”的平均功率作为噪声水平估计。如果中心单元格的功率超过了一个基于该噪声水平动态计算的阈值，就认为这里有目标。PDISAC中的RDPDNet就是在CA-CFAR检测之前，先对RD热力图进行预处理，剔除虚假峰值，让CA-CFAR能更准确地检测到真实目标。

问题3：AFM对抗频率混合机制具体是怎么工作的？简单说，AFM是一种数据增广技术。训练时，算法会随机挑选两个不同场景的RD热力图，在频域进行加权混合，生成一个“人为增强”的混合干扰模式。然后把这个“混血”数据也拿去训练RDPDNet。这样做的目的，是强迫网络去学习更通用的去噪模式，而不是过拟合到某种特定干扰模式上。就像练拳击要打沙袋也得打木人桩一样，让网络见过足够多的、不同风格的干扰，它才能在实际中更好地工作。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

首次将波形设计（多比特时隙分割）与概率去噪网络（层次化VAE+AFM）联合考虑，而不是孤立的“踢皮球式”优化，创新性明显。特别是AFM训练机制巧妙地解决了数据引入干扰不可预测的问题。

实验合理度：★★★★☆

实验设计合理，仿真场景考虑了随机真实几何模型，对比了干净的、嵌入的、带去噪的三种方案。在低SNR和高SNR下都有明确的对比结果，并和理论CRLB进行了对标，验证了去噪的有效性。但缺少真实硬件平台测试，这是一个明显的遗憾。

学术研究价值：★★★★☆

对于ISAC领域，这篇工作提供了一个非常好的范式：不要试图在波形设计上完美消除干扰（那几乎不可能），而是可以允许干扰存在，再用AI算法去“吸收”它。这个思路对很多资源受限、但又希望提高通信速率的雷达系统，有很强的理论指导意义。

稳定性：★★★☆☆

从实验结果看，RDPDNet在低SNR下的稳定性优于传统方案，但论文没有在极端的干扰场景（如强多径、高速移动目标）下验证鲁棒性，稳定性评分因此保留，不能给满分。

适应性以及泛化能力：★★★★☆

AFM机制的设计初衷就是为了增强泛化能力。虽然目前只在城市几何场景下测试，但其思想具有广泛适用性。理论上可以扩展到任何由数据变化引起的、非相干干扰的清理场景。

硬件需求及成本：★★★☆☆

RDPDNet推理阶段只需要Extractor和Decoder，去掉了Encoder，复杂度降低。但作为深度学习模型，仍有不小的计算开销，对于功率和计算资源都受限的车载雷达或无人机平台，部署难度较大。

复现难度：★★★★★

代码已开源，提供了MATLAB和Python的全套训练与评估流程，安装说明清晰，非常有利于其他研究者复现和进一步改进。

产品化成熟度：★★☆☆☆

目前还停留在仿真阶段，距离真正的产品落地还有不少路要走，比如需要硬件加速、实时性测试、与现有通信协议的兼容性等。是一个概念验证阶段的工作。

可能的问题：1. 实验没有在真实硬件（如USRP或FPGA）上跑通，实时性存疑。2. 训练需要大量有标注的“干净”RD热力图，获取成本较高。3. 通信BER随数据率提高而增加，在高吞吐需求下，通信质量可能无法满足要求。

主要参考文献

[1] N. T. Nguyen and T. N. Do, "Probabilistic Denoising-Enhanced ISAC for Stochastic Cluttered Mobile Environments," arXiv:2607.26994v1, Jul. 2026.

[2] F. Liu, Y. Cui, C. Masouros, J. Xu, T. X. Han, Y. C. Eldar, and S. Buzzi, "Integrated sensing and communications: Towards dual-lunctional wireless networks for 6G and beyond," IEEE J. Sel. Areas Commun., vol. 40, no. 6, pp. 1728-1767, Jun. 2022.

[3] 开源代码地址: https://github.com/TND-Lab/PDISAC

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！