集成感知与通信系统中基于学习的自适应间隔间歇性CSI估计

由于通信模块和雷达模块的不同目标及多径利用机制，集成感知与通信（ISAC）的系统设计需要两种类型的信道状态信息（CSI），即表示整个信道增益和相位偏移的通信CSI，以及专门关注目标移动性和位置信息的雷达CSI。然而，当前的ISAC系统以相同的预定估计间隔对两种CSI采用相同的估计机制，导致显著的开销和性能折衷。因此，本文提出了一种针对单个用户/目标的具有自适应间隔的间歇性通信和雷达CSI估计方案，其中两种CSI均可利用信道时间相关性进行预测以降低成本，或通过训练信号传输进行重新估计以提高估计精度。具体地，我们联合优化单个用户/目标的二进制CSI重新估计/预测决策和发射波束成形矩阵，以在单输入多输出（MISO）ISAC系统中最大化通信传输速率并最小化雷达跟踪误差和成本。不幸的是，该问题存在因果性问题，因为优化时需要比较重新估计的CSI和预测的CSI下的系统性能。此外，二进制决策使得联合设计成为混合整数非线性规划（MINLP）问题，使用传统优化算法时复杂度高。因此，我们提出了一种深度强化在线学习（DROL）框架，该框架首先实现一个在线深度神经网络（DNN）从经验中学习二进制CSI更新决策。给定学习到的决策，我们提出了一种高效算法来求解剩余的波束成形设计问题。