硬件损伤下基于模型的多目标集成感知与通信端到端学习
信号处理
2024-12-20 v2
摘要
我们研究了在硬件损伤下集成感知与通信(ISAC)背景中的基于模型的端到端学习。硬件损伤通常通过阵列校准来解决，且侧重于通信性能。然而，可能存在影响感知性能的残余损伤。本文提出了一种缓解此类损伤的数据驱动框架。我们考虑了一个单站正交频分复用(OFDM)感知与多输入单输出(MISO)通信场景，其中包含了ISAC收发机天线阵列处的硬件缺陷。我们提出了一种新颖的可微分正交匹配追踪(OMP)算法版本，该版本适用于多目标感知，并允许对硬件损伤进行高效的端到端学习。基于可微分OMP，我们设计了两种考虑硬件损伤的ISAC波束成形器与感知接收机的基于模型参数化策略：(i) 学习不同角度的导引矢量字典；(ii) 学习参数化硬件损伤。我们对所提出的基于模型的学习方法以及由最小二乘波束成形、常规OMP和用于通信的最大似然符号检测组成的强基线进行了全面的性能分析。结果表明，通过对硬件损伤进行参数化，与基线相比，学习方法在更高检测概率、位置估计精度和更低符号错误率(SER)方面提供了增益。我们证明了学习参数化硬件损伤优于学习导引矢量字典，且复杂度也最低。
引用
@article{arxiv.2307.04111,
title = {Model-Based End-to-End Learning for Multi-Target Integrated Sensing and Communication under Hardware Impairments},
author = {José Miguel Mateos-Ramos and Christian Häger and Musa Furkan Keskin and Luc Le Magoarou and Henk Wymeersch},
journal= {arXiv preprint arXiv:2307.04111},
year = {2024}
}
备注
15 pages, 10 figures, accepted to TWC