AFDM-ISAC系统：通信与感知融合的6G关键技术-深圳市維司達科技有限公司

1. AFDM-ISAC系统概述：通信与感知的融合创新

在6G及未来无线通信的发展蓝图中，集成感知与通信（ISAC）技术正成为关键突破口。传统无线系统通常将通信与感知功能分离设计，导致频谱资源浪费和硬件成本增加。ISAC的核心思想是通过统一的信号波形和硬件平台，实现通信与感知功能的深度协同。这种融合不仅提高了频谱效率，还降低了设备复杂度，为智能交通、工业物联网等新兴应用提供了技术基础。

在众多候选波形中，仿射频分复用（AFDM）因其独特的数学特性脱颖而出。与广泛应用的OFDM不同，AFDM采用线性调频（chirp）作为子载波基函数，通过两个可调参数c₁和c₂控制时频平面的旋转角度。这种设计带来了三大优势：

多普勒鲁棒性：chirp信号的时频耦合特性使其对高速移动场景下的多普勒频移具有天然抵抗力
路径可分辨性：通过合理设置c₁参数，不同时延的多径分量在变换域呈现可分离的分布
频谱效率：相比OTFS等时频平面调制方案，AFDM需要的保护间隔更少

特别值得注意的是，当c₁=c₂=0时，AFDM退化为传统OFDM系统。这种灵活的数学框架使得AFDM能够适应从静态到高速移动的各类场景需求。

2. 多径分量功率延迟剖面(MPCPDP)的物理意义与建模

2.1 多径信道的基本特性

无线信号在传播过程中会遇到建筑物、车辆等障碍物，产生反射、衍射和散射现象，形成多径传播。典型的多径信道可以建模为：

$$ h(\tau,\nu) = \sum_{i=1}^L h_i \delta(\tau-\tau_i)\delta(\nu-\nu_i) $$

其中L表示路径数量，hi、τi和νi分别代表第i条路径的复增益、时延和多普勒频移。在感知应用中，这些参数隐含着丰富的环境信息：

时延τi与传播距离成正比（τi = di/c）
多普勒频移νi反映目标的径向速度（νi = v·cosθi·fc/c）

传统OFDM系统在多径环境下存在固有局限：不同路径的响应在频域相互叠加，难以分离。这就像在嘈杂的房间里同时听多人讲话，无法清晰分辨每个声源。AFDM通过数学变换将多径分量"解耦"，使各路径在变换域呈现准正交分布。

2.2 Nakagami-m衰落模型的优势

MPCPDP描述了多径信道中功率随时延的分布特性。与常用的Rayleigh、Rician模型相比，Nakagami-m分布具有更灵活的数学形式：

$$ p(|h_i|) = \frac{2m^m|h_i|^{2m-1}}{\Gamma(m)\Omega_i^m}\exp\left(-\frac{m|h_i|^2}{\Omega_i}\right) $$

其中m为形状参数，Ωi表示平均接收功率。该模型的优势体现在：

适应性：当m=1时退化为Rayleigh分布；m>1时可近似Rician分布
物理意义明确：能够描述主反射与漫反射信号的叠加效应
实测匹配度高：大量信道测量数据验证其准确性

通过3GPP标准模型，可将平均功率Ωi与传播距离关联：

$$ \Omega_i(d_0) = \frac{P_tG_tG_r}{(4\pi(d_0+cτ_i)/λ)^{n_i}} = G_0(d_0+cτ_i)^{-n_i} $$

其中ni为路径损耗指数，LoS路径通常取2.19，NLoS路径取3.19。这种明确的物理关系为基于MPCPDP的测距奠定了理论基础。

3. 联合距离与多普勒估计的核心算法

3.1 系统模型构建

考虑AFDM系统的接收信号模型：

$$ \mathbf{y}_{af} = \mathbf{S}\mathbf{R}(\nu)\mathbf{h} + \mathbf{n} $$

其中S为导频矩阵，R(ν)包含多普勒信息，h为信道系数向量。为处理非线性问题，采用一阶泰勒展开对多普勒项进行线性化近似：

$$ \mathbf{r}(\nu_i) ≈ \mathbf{a}(\tilde{\nu}_i) + \mathbf{b}(\tilde{\nu}_i)(\nu_i-\tilde{\nu}_i) $$

这种近似将原问题转化为双线性估计形式，显著降低了计算复杂度。在具体实现时，需要特别注意泰勒展开点的选择——通常以零多普勒为展开点，这在中等移动速度场景（≤90km/h）下能保持足够精度。

3.2 EM-EC联合估计算法

由于直接求解最大似然估计涉及高维积分，本文采用期望最大化-期望一致(EM-EC)的迭代框架：

E步骤：计算隐变量（信道系数h）的后验统计量

传统EM在Nakagami-m先验下难以求解后验分布
EC算法通过指数族分布近似，实现高效计算

M步骤：更新待估参数（距离d0和多普勒ν）

距离更新转化为凸优化问题，保证全局最优
多普勒估计解析求解，计算效率高

算法实现中的关键技巧包括：

动量加速：在参数更新中加入历史信息，加快收敛
自适应步长：根据梯度变化调整更新幅度
早停机制：当参数变化小于阈值（如ϵ=10⁻³）时终止迭代

实际部署中发现，当信噪比低于5dB时，EC近似可能引入偏差。此时可采用鲁棒化设计，如对异常更新进行裁剪(clipping)。

4. 性能分析与工程实践启示

4.1 理论性能界

在m=1（Rayleigh衰落）的特殊情况下，可推导Cramer-Rao下界(CRB)：

$$ \text{CRB}(\psi) = \mathbf{FIM}^{-1}(\psi) $$

其中Fisher信息矩阵元素计算为：

$$ [\mathbf{FIM}(\psi)]_{ij} = \text{tr}\left(\mathbf{\Upsilon}^{-1}\frac{\partial\mathbf{\Upsilon}}{\partial\psi_j}\mathbf{\Upsilon}^{-1}\frac{\partial\mathbf{\Upsilon}}{\partial\psi_i}\right) $$

仿真表明，在典型参数设置下（N=512子载波，fc=90GHz），该方法可实现：