双基地MIMO ISAC波束成形设计：原理、算法与鲁棒性实践-编程实验室

1. 项目概述：双基地MIMO ISAC波束成形设计

在6G和未来无线网络的研究蓝图中，集成感知与通信（ISAC）正从一个前沿概念迅速走向核心使能技术。它描绘了一个诱人的前景：让同一套硬件、同一段频谱，同时完成“看得清”和“传得快”这两项任务。然而，理想很丰满，现实却很骨感。在传统的单基地（Mono-static）ISAC架构中，发射和接收天线共址部署，虽然简化了系统结构，却带来了一个棘手的难题——自干扰。就像在一个房间里同时大声说话和听回声，强大的发射信号会直接淹没微弱的感知回波，严重制约了感知精度。

为了打破这一瓶颈，学术界和工业界将目光投向了双基地（Bi-static）架构。这种架构将通信发射机与感知接收机在物理上分离，从根本上规避了自干扰问题，为感知性能的提升打开了新的设计空间。但随之而来的挑战也更为复杂：如何在服务多个通信用户的同时，利用分离的收发节点对多个目标进行高精度感知？如何在一个统一的波束成形设计中，平衡通信的“信干噪比（SINR）”与感知的“估计精度（CRLB）”？

这正是我们本次要深入探讨的核心课题。本文将基于一篇前沿的学术论文，为你拆解一套面向多用户MIMO（MU-MIMO）系统的双基地ISAC波束成形设计框架。我们不仅会推导从单目标到多目标的优化问题建模，还会深入一种能够抵御信道不确定性的鲁棒波束成形设计。我会结合自己多年在信号处理与优化领域的实战经验，为你厘清其中的数学变换逻辑、算法实现要点，并分享在仿真复现中可能遇到的“坑”以及如何避开它们。无论你是通信专业的研究生，还是从事无线算法开发的工程师，相信这篇近万字的深度解析都能为你提供扎实的参考。

2. 系统模型与问题本质剖析

在深入优化算法之前，我们必须先搭建起清晰的物理和数学模型。理解系统模型是理解后续所有设计的前提。

2.1 双基地MIMO ISAC系统架构

想象这样一个场景：两条垂直交叉的街道，部署了两个多天线基站（BS）。BS1作为集成发射机，同时向街道上的K个单天线用户发送数据流，并向环境中的L个静止点目标发射探测信号。BS2则专职于感知接收，它接收从目标反射回来的回波信号。两个基站之间通过回程链路连接，因此BS2知晓BS1发射的感知信号波形。这是一个典型的下行通信与双基地雷达感知融合的场景。

关键建模要素：

信号模型：BS1的发射信号由两部分线性叠加而成：通信预编码矩阵Wc乘以用户数据符号矩阵Sc，以及感知波束成形矩阵Ws乘以感知信号流Ss。为了保证信号间的正交性，避免相互干扰，我们通常要求Sc和Ss是正交的。这可以通过从一个大尺寸的酉矩阵（如DFT矩阵）中选取行向量来实现。
通信模型：第k个用户接收到的信号，除了期望信号外，还包含来自其他用户的干扰、感知信号造成的干扰以及高斯白噪声。其信干噪比（SINR）是衡量通信服务质量的核心指标，公式中清晰地揭示了三大“敌人”：多用户干扰、感知干扰和噪声。
感知模型：BS2接收到的感知信号，是发射信号经过目标散射信道G后的结果。G可以分解为发射阵列响应矩阵A、接收阵列响应矩阵B以及包含目标反射系数和路径损耗的对角矩阵D。对G的估计，实质上就是对其中蕴含的目标参数（角度、反射系数）的估计。

一个重要的实操细节：在实际系统中，BS2需要从接收信号中分离出目标回波。论文中提到可以利用感知信号Ss与通信信号Sc的正交性，通过匹配滤波来抑制用户信号的残留反射。这意味着在波形设计阶段，确保Ss与Sc的良好正交性，是后续信号处理能否成功的前提。

2.2 优化问题的数学表述：在矛盾中寻求平衡

系统的目标是在资源有限（总发射功率Pmax）的前提下，同时做好两件事：让所有通信用户满意（每个用户的SINR不低于阈值Γk），并让感知尽可能精确（最小化目标参数估计的均方误差下界）。

这里引出了感知性能的核心度量——克拉美-罗下界（CRLB）。它不是一个具体的估计算法，而是给出了任何无偏估计器方差的理论下限。换句话说，CRLB定义了感知精度的“天花板”。我们的优化目标就是通过设计波束成形矩阵{wk}和Ws，将这个“天花板”尽可能压低。

问题的挑战性在于其内在的矛盾性：

资源竞争：功率和空间自由度（波束方向）是共享的稀缺资源。增强指向用户的波束（提高Wc）可能会削弱指向目标的波束（Ws），反之亦然。
指标冲突：通信SINR和感知CRLB的优化方向往往是冲突的。提高SINR通常需要向用户方向集中能量，但这可能不利于形成理想的感知波束图。
数学非凸：最初的优化问题（公式12）目标函数是矩阵逆的迹，约束是分式形式的SINR，整个问题是非凸的。这意味着无法直接使用常规的凸优化工具（如CVX）求解，必须进行一系列的等价转化和松弛。

我的一个核心体会是：ISAC波束成形设计的艺术，很大程度上体现在如何将这样一个物理意义清晰但数学形式棘手的非凸问题，转化为可高效求解的凸优化问题。后续所有的算法设计，都是围绕这一转化展开的。

3. 核心算法：从单目标到多目标的波束成形设计

面对非凸难题，我们需要分而治之。首先从相对简单的单目标场景入手，理解方法精髓，再推广到更复杂的多目标场景。

3.1 单目标场景的求解之路

当环境中只有一个感知目标时，问题得到显著简化。目标响应矩阵G退化为一个列向量g。此时，费舍尔信息矩阵（FIM）M具有非常简洁的形式：M ∝ Rx^T ⊗ I，其中Rx是发射信号协方差矩阵。

算法关键步骤拆解：

问题重构：首先，我们引入一组新的矩阵变量Wk = wk * wk^H。这个操作是半定规划（SDP）中处理波束成形向量的常用技巧。它将关于向量wk的优化，转化为关于半正定矩阵Wk的优化。此时，总功率约束和SINR约束都变成了关于Wk的线性函数或线性矩阵不等式（LMI），而目标函数tr(Rx^{-1})则是关于Wk和的凸函数。
秩一约束的困境与放松：根据定义，Wk本应满足秩为1的约束（因为它是向量外积）。但这个秩约束是非凸的，是问题的主要难点。为此，我们采用半定松弛（SDR）技术：暂时忽略秩一约束，先求解放松后的问题。放松后的问题是一个标准的凸SDP问题，可以用CVX配合SeDuMi或MOSEK等求解器高效求解。
从松弛解恢复可行解：松弛求解后得到的Wk*可能不是秩一的。此时，需要一个恢复步骤。论文引用了[27, Theorem 4]中的结论。该定理指出，在我们问题的特定结构下，松弛后的SDP问题存在一个最优解，使得其中至少K个Wk*是秩一的。对于非秩一的解，通常采用高斯随机化或特征值分解的方法来生成近似的秩一解向量wk。在实际操作中，特征值分解取主特征向量通常更简单直接，且对于大规模问题，随机化方法的计算量可能较大。

避坑指南：

求解器选择：对于这类SDP问题，MOSEK求��器在数值稳定性和求解速度上通常优于SeDuMi，尤其当问题规模较大（天线数NT较多）时。在代码中指定求解器可以避免许多收敛性问题。
秩一恢复验证：得到波束成形向量wk后，务必回代验证其是否满足原始的SINR和功率约束。由于松弛和恢复过程是近似，可能会存在微小违反。如果违反超过容忍度（如1e-4），可能需要调整随机化次数或考虑其他恢复策略。

3.2 多目标场景的扩展与公平性考量

当存在L > 1个目标时，问题的复杂性急剧上升。我们需要联合估计所有目标的参数（方位角、反射系数），其FIMM变成一个4L x 4L的块矩阵（对应每个目标的AoA, AoD, 反射系数实部与虚部）。

核心挑战与解决方案：目标函数tr(M^{-1})此时是高度非线性和非凸的。论文采用了两种强有力的数学工具来化繁为简：

Epigraph Reformulation（上境图重构）：这是处理复杂目标函数的经典方法。我们引入一组辅助变量{tl}，将最小化tr(M^{-1})等价转化为最小化∑ tl，并增加一组约束[M, el; el^T, tl] ≥ 0。这个约束利用舒尔补（Schur Complement）性质，等价于要求tl是M^{-1}第l个对角元素的上界。通过这种方式，我们将非凸的目标函数转化为了一系列关于新变量{tl}和M的线性矩阵不等式约束。
加权与Min-Max公平性设计：在多目标场景下，我们可能对不同目标或不同参数的估计精度有不同侧重。论文给出了通用的加权形式∑ αl * tl，通过调整权重αl来实现优先级划分。例如，在跟踪场景中，可以对重要目标赋予更大权重。更进一步，为了兼顾“公平性”，避免某些目标的估计精度过差，论文提出了Min-Max形式化：minimize max{ tl }。这旨在最小化最差情况下的CRLB（即所有tl中的最大值），从而提升整体最薄弱环节的性能。在实际应用中，这种形式对于确保所有目标都能被可靠检测尤为关键。

算法流程总结（多目标非鲁棒案例）：

输入：信道状态信息{hk}，目标方位{θl, φl}，用户SINR需求{Γk}，总功率Pmax，权重{αl}。
建模：根据公式(7)-(10)构建系统模型，根据公式(20)构建多目标FIMM。
转化：采用Epigraph和Schur补，将原问题转化为关于矩阵变量{Wk}和标量变量{tl}的SDP问题（公式23），并忽略秩一约束。
求解：调用凸优化求解器（如CVX+MOSEK）求解松弛后的SDP。
恢复：对求解得到的Wk*(k=1...K) 进行特征值分解，取最大特征值对应的特征向量作为通信波束成形向量wk。感知波束成形矩阵Ws可以从W_{K+1}通过类似方式或直接取矩阵平方根获得。
输出：波束成形向量{wk}和矩阵Ws。

4. 应对现实挑战：鲁棒波束成形设计

上述设计基于一个理想假设：基站完全已知所有用户的完美信道状态信息（CSI）。然而在实际系统中，CSI的获取必然存在误差，源于信道估计误差、反馈量化、时延等。

4.1 信道不确定性建模与问题重构

论文采用了一种经典且实用的有界误差模型：真实信道hk位于以估计信道h̄k为球心、半径为rk的球体内。这个模型比统计模型更保守，能提供最坏情况下的性能保障。

在信道不确定性的情况下，用户的SINR（公式26）变成了一个与误差向量ϵk相关的分式。我们的约束需要变为：对于所有可能的ϵk（在其范数球内），SINR约束都必须满足。这是一个半无限约束，直接处理极其困难。

4.2 基于S-Procedure的鲁棒转化

这是鲁棒优化中的核心技术。我们首先将SINR约束改写为关于ϵk的二次型不等式（公式28）。然后，利用S-Procedure（引理1）将这个“对于所有满足∥ϵk∥^2 ≤ rk^2的ϵk，某个二次型不等式成立”的无限约束，等价转化为一个存在非负标量µk，使得某个线性矩阵不等式（LMI）成立的有限约束。

简单来说，S-Procedure 将一个难以处理的“for all”约束，变成了一个可加入优化问题的“there exists”的LMI约束。经过一系列代数变换，最终得到形如公式(36)和(37)的LMI。这些LMI是凸的，可以与之前处理感知目标的约束（公式22b）以及功率约束一起，构成一个新的凸SDP问题（公式38）。

鲁棒设计的核心代价：鲁棒性不是免费的午餐。为了对抗最坏情况的信道误差，波束成形器必须“留有余地”，分配更多功率或调整波束形状来确保在信道变差时SINR仍达标。这必然会导致在平均信道条件下，一部分本可用于提升感知性能的功率被“浪费”，从而导致感知精度的下降（CRLB升高）。仿真结果图10和11清晰地展示了这种权衡：更高的鲁棒性要求（更大的rk）或更严格的通信需求（更高的Γk），都会导致感知CRLB的上升。

工程实现中的要点：

不确定性半径rk的设置：rk的选择至关重要。设置过小，鲁棒性不足；设置过大，则设计过于保守，性能损失严重。rk通常需要根据信道估计的均方误差、反馈链路质量等因素来经验性设定或在线估计。
问题可行性：当信道不确定性rk过大或通信需求Γk过高时，在给定的总功率Pmax下，鲁棒优化问题可能无解（infeasible）。这在图10的讨论中有所提及。在实际算法中，需要设置可行性检测机制。

5. 仿真复现：从理论到验证的实践指南

论文提供了丰富的仿真结果，验证了所提算法的有效性。要真正理解并复现这些结果，需要关注以下几个层面。

5.1 仿真环境搭建关键参数

系统配置：载频3 GHz，BS1天线数NT取16或32，BS2天线数NR取20或40。这是一个中等规模MIMO的设定，便于计算也足以体现波束成形的增益。
信道模型：通信信道采用莱斯衰落模型，莱斯因子κ = 5 dB，这意味着有较强的直射径成分。感知信道（目标响应）采用几何模型，由阵列响应向量构建。
对比基准：论文选择了文献[11]中的加权优化方法作为主要基准。该基准通过一个权重因子β在通信和感知目标函数之间进行折衷，是ISAC领域一个很有代表性的方案。

5.2 核心结果解读与复现要点

图2 & 图3：感知与通信的基本权衡
- 现象：CRLB随用户SINR阈值Γk和用户数K的增加而单调上升。
- 本质：这是资源竞争的直接体现。更高的SINR或更多的用户，需要分配更多的功率和波束自由度给通信，导致用于感知的资源减少，估计精度下降。
- 复现注意：在编写优化问题时，务必正确实现SINR约束（公式18）。当Γk设置过高（如>15 dB）且K较大时，问题可能因功率不足而不可行，程序应能捕获并报告此情况。
图4：波束方向图分析
- 现象：所提方法在Γk=0 dB（通信需求极低）时，能在目标方向（-25°, 30°）形成尖锐的高增益主瓣，旁瓣极低。即使在Γk=18 dB时，其波束图仍与基准方法中侧重感知（β=0.1）的模式相似。
- 洞察：这证明了所提方法在苛刻通信约束下，仍能保持优秀的感知波束成形能力。波束方向图是验证波束成形设计最直观的工具。
- 复现步骤： a. 求解得到最优波束成形矩阵W = [Wc, Ws]。 b. 计算发射协方差矩阵Rx = W * W^H。 c. 对于任意角度θ，计算阵列响应向量a(θ)。 d. 波束方向图功率为P(θ) = a(θ)^H * Rx * a(θ)。绘制P(θ)相对于θ的曲线。
图5 & 图6 & 图7：多目标与参数优先级
- 现象：多目标下CRLB普遍升高；对特定参数（如AoD）或特定目标赋予高权重，能有效降低其CRLB。
- 实践意义：这为系统设计提供了灵活性。例如，在车辆编队感知中，可将高权重赋予领头车的距离和速度参数。
- 复现注意：实现加权目标函数（公式23）时，权重向量α的长度为4L，需要仔细对应每个目标的四个参数（AoA, AoD, ρ_real, ρ_imag）的顺序。
图9 & 图10 & 图11：鲁棒性验证与权衡
- 现象：鲁棒设计能保证在信道误差下所有用户的SINR满足要求，但代价是感知CRLB升高。误差半径rk越大，CRLB恶化越严重。
- 核心结论：鲁棒设计用一定的平均感知性能，换取了最坏情况下通信服务的可靠性。
- 复现难点：鲁棒优化问题（公式38）的约束规模较大，涉及多个LMI。在CVX中建模时，要确保Ψ和Ξ矩阵的维度正确(NT+1) x (NT+1)。初始点设置对收敛性有影响，可以尝试用非鲁棒问题的解作为初始值。

5.3 常见问题与调试技巧

CVX报错 “Disciplined convex programming error”：
- 原因：最可能是约束或目标函数的书写不符合CVX的凸规则（DCP）。
- 检查：确保trace_inv函数作用于一个显式正定的矩阵变量。对于trace(inv(A))，CVX要求A是仿射表达式且能证明为正定。在问题中，A是{Wk}的和，且Wk被约束为半正定，因此满足。检查所有不等式是否方向正确（凸函数 ≤ 凹函数或常数）。
求解时间过长，特别是天线数多时：
- 分析：算法复杂度约为O(NT^3.5)，NT=32时已需要可观的计算时间。
- 优化：
  - 使用更高效的求解器：用MOSEK替代默认的SDPT3或SeDuMi。
  - 利用问题结构：如果问题具有对称性，可尝试降低变量维度。
  - 考虑迭代算法：对于超大规模问题，可研究基于一阶方法（如ADMM）的分布式求解，但这超出了本文SDP框架。
恢复的波束成形向量wk不满足SINR约束：
- 原因：半定松弛后的解不是精确秩一，恢复过程是近似的。
- 应对：
  - 检查Wk*的最大特征值是否远大于其他特征值（即接近秩一）。如果特征值衰减很快，取主特征向量是合理的。
  - 如果秩一性较差，可以采用高斯随机化：生成大量服从CN(0, Wk*)分布的随机向量v，然后缩放v以满足功率约束，并从中挑选出最能满足SINR约束的一组{wk}。
  - 作为最后手段，可以略微放宽SINR约束的容忍度（例如，从Γk降到0.95*Γk），但这意味着设计未完全满足指标。
鲁棒问题不可行：
- 诊断：当rk或Γk设置得过高时，在给定Pmax下可能无解。
- 策略：实现一个二分搜索逻辑，寻找在当前Pmax下可支持的最大rk或Γk。或者，可以考虑一个机会约束或惩罚函数的松弛形式，允许少量用户以一定概率不满足SINR，但这会改变问题性质。

6. 总结与未来扩展思考

通过以上的拆解，我们完成了一次从系统建模、问题转化、算法设计到仿真验证的完整旅程。这套以CRLB为感知度量、以SINR和功率为约束的双基地ISAC波束成形设计框架，其核心优势在于提供了一个统一且严格的优化范式。它将通信与感知的权衡问题，清晰地映射为一个可求解的数学优化问题。

回顾几个关键设计选择：

采用CRLB而非波束图匹配误差作为感知指标：CRLB直接关联估计精度理论极限，物理意义更明确，且能方便地融入多参数联合估计。
采用SDR处理非凸问题：这是大规模MIMO波束成形设计的标准“武器库”之一，虽然存在松弛间隙，但在多数实际场景下能获得高质量的解。
采用有界误差模型和S-Procedure实现鲁棒性：这种方法提供了最坏情况性能保证，虽然保守，但对于通信服务保障这类对可靠性要求极高的场景是合适的。

在实际工程化中，还有一些值得深入的方向：

低复杂度算法：本文的集中式SDP求解复杂度较高，难以满足实时性要求。可以探索基于梯度下降、交替方向乘子法（ADMM）或深度学习展开（Deep Unfolding）的快速近似算法。
宽带与频率选择性信道：本文模型基于窄带平坦衰落假设。扩展到宽带OFDM系统，需要处理子载波间的资源分配和波束成形，问题维度会大幅增加。
动态场景与跟踪：本文假设目标静止。对于移动目标，需要将CRLB推广到贝叶斯克拉美罗界（BCRB）或引入状态空间模型（如卡尔曼滤波），进行联合波束成形与跟踪设计。
硬件损伤的影响：功放非线性、相位噪声、IQ不平衡等非理想硬件效应会显著恶化性能。未来的鲁棒设计需要同时考虑信道不确定性和硬件损伤模型。

最后，分享一点个人在复现此类优化问题时的经验：永远从最简单的情况开始调试。例如，先设置K=1, L=1，关闭鲁棒性（rk=0），用非常宽松的约束（低Γk，高Pmax）让问题容易求解。确保这个简单案例能跑通并得到符合直觉的结果（例如，几乎所有功率都用于感知）。然后，再逐步增加用户数、目标数，收紧约束，打开鲁棒选项。这种渐进式的调试方法，能帮助你快速定位是模型公式错误、代码实现bug，还是问题本身数值性态不佳，从而高效地推进工作。