一种多基站协作毫米波通感一体化系统的波束追踪方法

本技术涉及第六代移动通信（6g），尤其涉及一种多基站协作毫米波通感一体化（integrated sensing and communication, isac）系统的波束追踪方法。

背景技术：

1、通信感知一体化（isac）被视为第六代移动通信网络的关键使能技术之一，可为智能交通、车联网和自动驾驶等新兴应用提供重要支撑。毫米波通信具有丰富的频谱资源和较高的角度分辨能力，因此在isac系统中发挥着重要作用。然而，毫米波isac系统通常依赖高度定向的窄波束传输，在车辆高速移动、道路环境复杂的场景下，容易发生波束失配，从而显著增加波束对准与连续跟踪的难度。此外，单基站isac系统在覆盖范围和观测视角方面存在局限，当车辆受到建筑物遮挡时，通信链路和感知性能均可能明显退化。相比之下，多基站协作的毫米波isac系统可通过多视角观测和服务链路切换提升系统的追踪与通信性能。

2、在多基站协作的毫米波isac系统中，车辆状态、信道参数以及最优服务基站均随时间动态变化，使得状态跟踪、服务基站选择与波束设计之间存在强耦合关系。传统方法通常通过递推状态估计实现目标跟踪，例如基于扩展卡尔曼滤波（ekf）的方法。然而，这类方法在复杂环境下容易因模型失配和观测异常而产生误差累积，一旦跟踪偏差增大，系统难以自主发现并进行修正，从而导致波束失配甚至跟踪中断。

3、另一方面，信道知识图谱（channel knowledge map, ckm）作为一种有效的环境感知先验，能够融合区域内的历史传播信息，构建位置相关的环境先验，使系统能够基于目标状态快速推理角度、时延、多普勒和路径损耗等关键信息。现有ckm相关研究主要聚焦于ckm的构建方法和前向查询应用（根据位置查询信道参数），主要研究均将ckm用于前向推理，尚未将ckm应用于波束追踪过程中的异常检测与闭环修正。

4、总的来说，现有技术存在以下不足：在复杂城市环境下，毫米波isac系统的波束追踪容易受到建筑物遮挡、局部观测异常和感知链路退化等因素影响，传统递推跟踪方法缺乏对追踪偏差的有效检测手段，且在发生波束失配时缺少可靠的修正与重对准机制，难以保证波束追踪的连续性和鲁棒性。

技术实现思路

1、本技术实施例的主要目的在于提出一种多基站协作毫米波通感一体化系统的波束追踪方法、系统、电子设备、存储介质及程序产品，以解决现有毫米波isac系统在复杂城市环境下进行波束追踪时，缺乏对波束追踪异常的检测手段，且在发生波束失配时缺少有效的修正与重对准机制，难以保证波束追踪的连续性和鲁棒性。

2、为实现上述目的，本技术实施例的一方面提出了一种多基站协作毫米波通感一体化系统的波束追踪方法，所述方法包括：

3、多个基站分别向目标车辆发射感知信号，并接收经所述目标车辆反射后的回波信号，各基站根据所述回波信号估计所述目标车辆相对于该基站的本地感知参数，将所述本地感知参数上传至云端处理中心；

4、所述云端处理中心根据各基站上传的本地感知参数，对所述目标车辆进行状态预测，获得预测状态；

5、所述云端处理中心基于所述预测状态，利用信道知识图谱查询所述预测状态对应的理论观测向量，并确定下一时隙的服务基站和预测波束；

6、在所述下一时隙中，所述服务基站采用所述预测波束执行下行数据传输，各基站接收实际回波信号并估计实际观测向量，将所述实际观测向量上传至所述云端处理中心；

7、所述云端处理中心根据所述预测状态和所述实际观测向量计算创新统计量，并判断所述创新统计量是否超过预设门限；

8、若所述创新统计量未超过所述预设门限，则所述云端处理中心基于所述实际观测向量对所述预测状态进行滤波更新，获得更新后的状态估计；

9、若所述创新统计量超过所述预设门限，则所述云端处理中心判定发生波束异常，触发波束修正与重对准机制；所述波束修正与重对准机制包括：以所述预测状态为中心构造局部候选状态集合；对于所述局部候选状态集合中的每一候选状态，通过所述信道知识图谱查询该候选状态对应的理论观测向量，并根据所述理论观测向量与所述实际观测向量计算一致性代价函数；选择所述一致性代价函数最小的候选状态作为修正状态；基于所述修正状态重新查询所述信道知识图谱，重构信道状态信息并重新确定服务基站和波束方向。

10、在一些实施例中，所述云端处理中心对所述目标车辆进行状态预测，具体包括：

11、所述云端处理中心获取所述目标车辆在历史时隙中的后验状态序列，构造历史状态窗口；

12、将所述历史状态窗口输入预先训练的长短期记忆网络，由所述长短期记忆网络输出所述目标车辆在当前时隙的先验状态预测结果。

13、在一些实施例中，所述云端处理中心基于所述实际观测向量对所述预测状态进行滤波更新，具体包括：

14、所述云端处理中心在扩展卡尔曼滤波框架下，将所述信道知识图谱作为测量函数，建立所述目标车辆的状态向量与各基站观测向量之间的非线性映射关系；

15、对各基站的测量函数进行线性化，获得联合雅可比矩阵；

16、根据所述联合雅可比矩阵计算卡尔曼增益，并基于所述卡尔曼增益和所述实际观测向量对所述预测状态进行更新，获得更新后的状态估计。

17、在一些实施例中，所述云端处理中心确定下一时隙的服务基站和预测波束，具体包括：

18、所述云端处理中心基于所述预测状态，通过查询所述信道知识图谱获得所述预测状态对应的信道参数集合；

19、根据所述信道参数集合重构所述目标车辆与各基站之间的下行信道状态信息；

20、根据所述下行信道状态信息计算各基站的预测可达速率，选择所述预测可达速率最高的基站作为下一时隙的服务基站；

21、根据所述服务基站对应的信道参数设计预测波束赋形向量。

22、在一些实施例中，所述各基站根据所述回波信号估计所述目标车辆相对于该基站的本地感知参数，具体包括：

23、各基站根据接收到的频域回波信号构造样本协方差矩阵，对所述样本协方差矩阵进行特征值分解，获得噪声子空间；

24、基于所述噪声子空间构造二维music空间谱函数，对二维角度域进行峰值搜索，获得所述目标车辆相对于该基站的方位角估计值和俯仰角估计值。

25、在一些实施例中，所述各基站根据所述回波信号估计所述目标车辆相对于该基站的本地感知参数，还包括：

26、各基站在获得所述方位角估计值和所述俯仰角估计值后，沿目标方向构造接收波束赋形向量，对所述回波信号进行空间合并和符号补偿，获得标量回波信号；

27、根据所述标量回波信号构造时延维协方差矩阵和多普勒维协方差矩阵，分别进行特征值分解，获得时延维噪声子空间和多普勒维噪声子空间；

28、基于所述时延维噪声子空间构造时延music谱函数并进行峰值搜索，获得往返时延估计值；基于所述多普勒维噪声子空间构造多普勒music谱函数并进行峰值搜索，获得往返多普勒频移估计值。

29、在一些实施例中，所述对各基站的测量函数进行线性化，获得联合雅可比矩阵，具体包括：

30、采用中心差分方法对所述信道知识图谱所表示的测量函数进行数值近似；

31、在所述预测状态附近，对所述状态向量的每一维度分别施加正扰动和负扰动，通过查询所述信道知识图谱获得对应的扰动后观测向量，根据所述扰动后观测向量与所述预测状态对应的理论观测向量之差与扰动步长的比值，计算该维度对应的偏导数近似值。

32、在一些实施例中，所述云端处理中心根据所述预测状态和所述实际观测向量计算创新统计量，具体包括：

33、所述云端处理中心根据所述预测状态和所述信道知识图谱计算联合理论观测向量；

34、计算所述实际观测向量与所述联合理论观测向量之差，获得联合创新向量；

35、根据所述联合创新向量和预先计算的创新协方差矩阵，计算归一化创新统计量。

36、在一些实施例中，所述以所述预测状态为中心构造局部候选状态集合，具体包括：

37、以所述预测状态的位置分量和速度分量分别为中心，在位置域和速度域内分别按照预设的局部搜索半径构造候选状态空间；

38、在所述候选状态空间内按照预设步长进行采样，获得所述局部候选状态集合。

39、在一些实施例中，所述根据所述信道参数集合重构所述目标车辆与各基站之间的下行信道状态信息，具体包括：

40、所述云端处理中心根据所述预测状态查询所述信道知识图谱，获得各基站对应位置处的多径信道参数，所述多径信道参数包括各传播路径的复增益、到达角、时延和多普勒频移；

41、根据所述多径信道参数构建各基站与所述目标车辆之间的下行信道矩阵，作为重构的信道状态信息。

42、在一些实施例中，所述信道知识图谱采用基于深度学习的方法离线构建，具体包括：

43、采集目标区域内的车辆位置、速度与对应的多径信道参数数据，构造训练数据集；

44、以车辆位置和速度为输入，以对应的多径信道参数为输出，训练深度学习网络，学习车辆状态与信道参数之间的非线性映射关系；

45、将训练完成的深度学习网络作为所述信道知识图谱，用于在线阶段的快速查询。

46、在一些实施例中，所述感知信号为正交频分复用信号，各基站的工作频带相互正交；各基站在每一时隙内并行执行下行数据传输和目标感知，其中所述服务基站以预测波束执行下行数据传输，所有基站同步发射感知信号并接收回波信号。

47、在一些实施例中，对所述预测状态进行更新之后，所述方法还包括：

48、采用joseph形式更新协方差矩阵，以增强数值稳定性。

49、在一些实施例中，所述根据所述服务基站对应的信道参数设计预测波束赋形向量，具体包括：

50、从所述服务基站对应的信道参数中提取主径或最强径对应的方位角和俯仰角；

51、根据所述方位角和俯仰角构造发射导向矢量，作为所述预测波束赋形向量。

52、为实现上述目的，本技术实施例的另一方面提出了一种多基站协作毫米波通感一体化系统，所述系统包括：

53、多个基站，各基站用于向目标车辆发射感知信号，接收经所述目标车辆反射后的回波信号，根据所述回波信号估计所述目标车辆相对于该基站的本地感知参数，并将所述本地感知参数上传至云端处理中心；以及，

54、所述云端处理中心，用于根据各基站上传的本地感知参数对所述目标车辆进行状态预测，获得预测状态；基于所述预测状态，利用信道知识图谱查询所述预测状态对应的理论观测向量，并确定下一时隙的服务基站和预测波束；在所述下一时隙中接收各基站上传的实际观测向量；根据所述预测状态和所述实际观测向量计算创新统计量，并判断所述创新统计量是否超过预设门限；若未超过所述预设门限，则基于所述实际观测向量对所述预测状态进行滤波更新；若超过所述预设门限，则判定发生波束异常，触发波束修正与重对准机制：以所述预测状态为中心构造局部候选状态集合，对于每一候选状态通过所述信道知识图谱查询该候选状态对应的理论观测向量，根据所述理论观测向量与所述实际观测向量计算一致性代价函数，选择所述一致性代价函数最小的候选状态作为修正状态，基于所述修正状态重新查询所述信道知识图谱，重构信道状态信息并重新确定服务基站和波束方向。

55、为实现上述目的，本技术实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上所述的方法。

56、为实现上述目的，本技术实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上所述的方法。

57、为实现上述目的，本技术实施例的另一方面提出了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上所述的方法。

58、本技术实施例至少包括以下有益效果：首先，通过各基站估计目标车辆的本地感知参数并上传至云端处理中心，由云端处理中心进行状态预测和基于信道知识图谱（ckm）的理论观测向量查询，并利用创新统计量与预设门限的比较，实现了对波束追踪异常的定量检测，解决了现有技术缺乏异常判断手段的问题；其次，当检测到创新统计量超过门限时，通过以预测状态为中心构造局部候选状态集合，并利用ckm查询各候选状态对应的理论观测向量，以一致性代价函数最小为准则搜索最优修正状态，使得系统无需依赖传统滤波框架下的逐步收敛，即可在单次观测后快速完成波束偏差修正，有效避免因遮挡增强、局部观测异常或感知链路退化导致的波束失配和跟踪中断；最后，在获得修正状态后，基于修正状态重新查询ckm并重构信道状态信息，能够快速恢复波束对准，无需重新进行完整的波束扫描或导频训练，大幅降低了异常恢复的开销和时间延迟，保证了波束追踪的连续性和鲁棒性。