1-bit量化ISAC系统容量区域与功率控制策略研究

1. 项目概述：当通信与感知在1-bit的极限下相遇

最近和几个做无线通信和雷达信号处理的朋友聊天，话题总绕不开一个词：ISAC。这玩意儿，学名叫“通信感知一体化”，听起来高大上，说白了就是想用同一套硬件、同一段频谱，既能把数据传得又快又稳，又能像雷达一样把周围环境看得清清楚楚。这无疑是未来6G、自动驾驶、智能物联网的基石。但理想很丰满，现实往往骨感，尤其是在硬件成本与功耗的紧箍咒下。于是，一个更“极端”但极具诱惑力的思路浮出水面：如果我们把系统的ADC（模数转换器）精度压到极限，只用1-bit量化呢？这意味着接收端只需要判断信号是正还是负，硬件复杂度、功耗和成本都能断崖式下降。

这个“1-bit量化ISAC系统”的项目，就是深入这个看似疯狂实则精妙的领域。它要回答的核心问题是：在这种极端简化的硬件约束下，系统的能力边界（即容量区域）究竟在哪里？以及，为了在这个边界上跳舞，我们该如何动态地分配有限的发射功率（即最优功率控制策略）？这绝不是纸上谈兵，它直接关系到下一代低成本、低功耗智能设备（如无处不在的传感器、穿戴设备、车载单元）能否真正实现高性能的感知与通信融合。我花了相当长时间啃论文、做仿真、调模型，今天就把其中的门道、踩过的坑和那些仿真图背后隐藏的智慧，掰开揉碎了和大家聊聊。

2. 核心思路拆解：为什么是1-bit？为什么关注容量与功率？

在展开所有数学细节和仿真曲线之前，我们必须先建立起最根本的认知框架。很多人一听到1-bit，第一反应是“精度损失太大，这还能用吗？”。没错，从高精度ADC（比如12-bit, 14-bit）切换到1-bit，信号幅度信息几乎完全丢失，只保留了符号信息。这就像从一幅高清彩色照片，变成了一幅只有黑白两色的版画。但关键在于，在通信与感知的某些场景下，这幅“版画”所携带的信息，可能已经足够我们完成核心任务，而换取的是硬件实现上质的飞跃——更低的功耗、更小的芯片面积、更高的采样率（因为比较器远比高精度ADC快）。

2.1 1-bit量化带来的根本性变革

传统的通信或雷达系统分析，大多建立在接收信号是高精度、连续的这一假设上。香农公式C=B*log2(1+SNR)深入人心。但1-bit量化粗暴地引入了非线性：它不是一个简单的衰减，而是一个符号函数（sign function）。这导致了一系列连锁反应：

1. 信号模型剧变：接收信号不再是发射信号的线性缩放加噪声，而是发射信号经过非线性失真后的产物。加性高斯白噪声（AWGN）在经过1-bit量化后，其统计特性变得异常复杂，不再服从简单的高斯分布。
2. 互信息计算困难：容量区域的核心是计算互信息。在1-bit下，输入输出之间的互信息公式没有闭式解，必须依赖数值积分、蒙特卡洛仿真或者一些巧妙的边界（Bound）来逼近。
3. 感知性能的独特表征：对于感知（比如目标参数估计），性能指标通常是均方误差（MSE）或克拉美罗界（CRB）。1-bit量化会显著改变Fisher信息矩阵的计算，使得传统的CRB公式不再直接适用，需要重新推导。

所以，这个项目的起点，就是抛弃那些基于高精度信号的优雅结论，直面1-bit带来的“丑陋”但真实的数学模型。

2.2 容量区域：定义一体化系统的性能天花板

在单纯的通信系统中，我们谈“信道容量”，一个标量值。但在ISAC系统中，我们同时追求两个目标：通信速率（Rc）和感知精度（通常用感知速率Rs，或与估计误差相关的逆指标来表征）。这两个目标通常是相互竞争的：功率用于发射通信数据，就没法用于发射感知波形；反之亦然。

容量区域，就是在给定的系统资源（总功率、带宽、硬件约束如1-bit量化）下，所有可同时达到的通信速率与感知精度配对（Rc, Rs）所构成的集合。这个区域的外边界，就是帕累托最优边界——你无法在不损害其中一个目标的情况下提升另一个目标。我们的任务，就是画出1-bit量化约束下这个区域的形状。它可能不再是高精度下的那种光滑凸曲线，而可能呈现出拐点或平台。

2.3 功率控制：在边界上寻找最优工作点

知道了“天花板”（容量区域）的形状还不够。对于一个实际系统，我们需要一个明确的控制律，告诉发射机：在当前信道条件下，为了达到某个特定的通信-感知权衡目标，我应该把多少功率分配给通信波形，多少分配给感知波形（或者如何设计一个同时承载两者的统一波形）？这就是最优功率控制策略。

这个策略通常表述为一个优化问题：在满足总功率约束和1-bit量化接收模型下，最大化一个加权和效用函数，例如 α * Rc + (1-α) * Rs，其中α在0到1之间滑动，代表了我们对通信和感知的侧重程度。解这个优化问题，就能得到最优的功率分配系数。策略的“最优性”，就体现在它能使系统工作点始终落在容量区域的边界上，不浪费任何一点宝贵的功率资源。

3. 系统建模与关键难点剖析

理论说得再漂亮，也得落到具体的数学模型上。这里我分享一套经过验证的、相对通用的建模思路，也是我仿真实验的基础。

3.1 发射信号模型：分离式 vs 一体化波形

主流有两种ISAC波形设计思路：

• 分离式：通信信号和感知信号（如雷达脉冲）在时域或频域正交复用。这简化了分析，但可能浪费资源。
• 一体化波形：设计一个统一的信号，同时承载通信信息和满足感知需求（如良好的自相关特性）。这更高效，但设计更复杂。

在1-bit量化研究中，为了聚焦核心矛盾——量化非线性对性能边界的影响，我们通常从简单的分离式模型开始。假设发射信号为：x = √βP * s_c + √(1-β)P * s_s。其中P是总功率，β是分配给通信信号的功率比例（0≤β≤1），s_c和s_s分别是归一化的通信符号和感知波形（例如线性调频信号）。这个模型清晰地将功率控制变量β引入了问题。

3.2 1-bit量化接收模型：非线性失真之门

这是整个模型的核心。假设接收到的模拟信号为y = h * x + n，其中h是信道系数（通信信道或感知回波信道），n是AWGN。经过1-bit ADC后，我们得到的离散信号是：r = Q(y) = sign(Re(y)) + j * sign(Im(y))， 对于复信号。 这个简单的sign函数，就是所有分析复杂性的根源。它使得接收信号r的概率分布极度依赖于输入信号x的分布，并且与噪声n的分布产生复杂的耦合。

注意：在实际建模时，必须明确假设发射信号x的分布。对于通信信号s_c，通常假设为复高斯分布（符合香农理论的前提）。对于感知信号s_s，有时为了分析简便，也假设为高斯，但更实际的可能是恒模信号。不同的假设会导致最终容量区域表达式的不同。

3.3 容量与感知互信息的计算：数值方法成为主力

在高精度量化下，通信容量有香农公式。但在1-bit下，通信互信息I(x; r | h)没有简洁表达式。我的做法是：

1. 离散输入，连续输出（DMC）：如果发射符号来自一个离散星座（如QPSK），那么计算相对直接，可以对所有可能的发射符号求和来计算I(x; r) = Σ p(x) ∫ p(r|x) log2(p(r|x)/p(r)) dr。但这里p(r|x)不是高斯分布，需要根据噪声分布和量化函数推导，通常涉及Q函数（高斯尾概率）的积分。
2. 连续输入（高斯）：这是分析性能上界的关键。此时需要计算I(x; r)其中x ~ CN(0, ρ)。这通常通过蒙特卡洛仿真来估计：生成大量(x, y, r)样本，用直方图或核密度估计来近似概率分布，再代入互信息估计器（如KNN-based方法）。计算量很大，但能给出理论边界。
3. 感知互信息：对于感知，我们常关注估计某个参数θ（如目标时延、多普勒）的精度。一个有用的信息论度量是感知互信息I(θ; r | x)，它衡量了接收信号r中关于参数θ的信息量。在1-bit下，它的计算同样棘手，通常也需要借助数值方法或推导其下界（如利用数据处理不等式）。

3.4 优化问题构建：寻找那个最优的β

模型建立后，我们可以构建功率控制优化问题。一个典型形式是：

最大化： U(β) = ω * R_c(β) + (1-ω) * R_s(β) 约束条件： 0 ≤ β ≤ 1

其中，R_c(β)是在功率分配β下可达的通信速率（即互信息），R_s(β)是感知性能指标（可能是互信息，也可能是CRB的倒数）。ω是权重因子。

难点在于，R_c(β)和R_s(β)这两个函数，由于1-bit量化的非线性，往往没有闭合的解析表达式，它们可能是通过数值计算得到的一系列离散点。因此，这个优化问题通常无法用梯度下降等传统连续优化方法直接求解。

4. 仿真实验设计与核心结果分析

理论是灰色的，仿真之树常青。下面我分享一下我的仿真设置、关键步骤以及从结果图中解读出的信息。

4.1 仿真环境与参数设置

我使用MATLAB进行仿真，因为其强大的数值计算和绘图功能非常适合这类研究。

• 信道模型：为了简化，先考虑加性高斯白噪声（AWGN）信道，即h=1。后续可扩展到瑞利衰落信道。
• 信号：通信信号s_c为复高斯随机变量。感知信号s_s假设为已知的确定性序列（如线性调频），但在计算互信息时，有时也将其建模为高斯以获取上界。
• 信噪比（SNR）范围：定义接收端SNR为P / σ_n^2，其中σ_n^2是噪声功率。仿真SNR从-20dB到20dB，覆盖低噪到高噪区间。1-bit系统在低SNR下的性能相对损失较小，这是重点观察区域。
• 功率分配比β：从0到1，以0.05或0.1为步长进行遍历。

4.2 核心仿真步骤

1. 函数封装：编写一个核心函数[Rc, Rs] = calculate_rates(beta, SNR)。这个函数内部： a. 根据给定的β和SNR，计算等效的通信和感知链路信噪比。 b. 对于通信速率Rc：采用蒙特卡洛法。生成数万个复高斯发射样本x，计算对应的接收量化信号r，利用p(r|x)的解析表达式（涉及高斯CDF）或直接基于样本估计概率，计算互信息。 c. 对于感知速率Rs：假设感知目标是估计目标反射系数（一个复参数）。推导在1-bit量化下的Fisher信息矩阵或CRB，将CRB的倒数（或对数形式）作为Rs。或者，更一般地，计算感知互信息I(θ; r)。
2. 遍历β：对每个固定的SNR，遍历所有β值，得到一组(Rc, Rs)点。
3. 生成容量区域：对每个SNR，将步骤2得到的所有点绘制在(Rc, Rs)平面上，其凸包（或外边界）就是该SNR下的容量区域边界。
4. 求解最优β：对于给定的权重ω，在每条容量区域边界上（即每个SNR下），寻找使效用函数U(β)最大的β值。这可以通过直接搜索实现（因为β是离散遍历的）。

4.3 结果分析与洞见

运行仿真后，我得到了几组关键的图表，每一张都讲述着一个故事：

图1：不同SNR下的容量区域对比这张图将-10dB, 0dB, 10dB SNR下的容量区域画在一起。可以清晰看到：

• 区域形状：所有区域都大致呈“向右下凸”的形状，验证了通信与感知的权衡关系。
• SNR的影响：随着SNR增加，整个区域向外扩张，说明资源越多，两者性能的上限都越高。但更重要的是，区域的“胖瘦”在变化。在低SNR下，区域更“扁”，意味着即使牺牲很多感知性能，也换不来通信速率的大幅提升（反之亦然），系统能力受限于底噪和量化失真。在高SNR下，区域变得更“丰满”，权衡的灵活性增加。
• 与无限精度对比：在同一张图上叠加高精度量化（如8-bit以上）的容量区域作为基准。可以明显看到，1-bit的区域整体向内收缩，尤其在高SNR区间收缩比例更大。这印证了1-bit量化在低SNR下相对高效，在高SNR下损失严重的经典结论。

图2：最优功率分配比β随SNR和权重ω的变化* 这是一张三维图或一组二维曲线。它直观地展示了最优策略：

• 趋势：当权重ω偏向通信（ω→1）时，最优β趋近于1（所有功率给通信）；当ω偏向感知时，β趋近于0。这是符合直觉的。
• 关键发现：在中等SNR（约0dB附近）和中等权衡权重（ω≈0.5）时，最优β*对SNR和ω的变化最为敏感。曲线斜率最大。这意味着在此区域，功率分配策略需要非常精细的调整，微小的环境变化或需求变化都可能导致最优工作点的显著偏移。相反，在极低或极高SNR下，最优策略往往趋向极端（全通信或全感知），调整不那么敏感。
• 与高精度系统的差异：对比高精度系统的最优β*曲线，1-bit系统的曲线通常更“陡峭”，过渡更剧烈。这说明1-bit系统对资源分配的错误更不宽容，策略设计需要更精确。

图3：性能损失分解图为了深入理解1-bit量化带来的损失源自何处，我做了分解分析：

1. 纯通信损失：比较1-bit和高精度下，纯通信（β=1）的容量随SNR的变化。损失主要来自幅度信息的丢失。
2. 纯感知损失：比较1-bit和高精度下，纯感知（β=0）的CRB（或感知互信息）。损失来自量化对信号相位的非线性扭曲。
3. 一体化损失：比较在最优权衡点（某个ω）上的综合效用U。发现一体化损失不等于纯通信损失与纯感知损失的简单加权平均。在部分权衡点上，由于两种信号在1-bit量化下的非线性干扰存在某种“抵消”或“耦合”效应，一体化损失甚至可能小于单独损失的加权平均。这是一个反直觉但非常重要的发现，意味着在一体化设计中，1-bit的缺陷可能被部分弥补。

5. 实现策略、算法选择与工程化思考

理论仿真给出了最优解，但如何实时地、自适应地实现这个最优功率控制策略呢？

5.1 策略实现的两条路径

1. 查表法（Look-Up Table, LUT）：

   • 思路：离线完成上述仿真，将不同SNR估计值和不同业务权重ω下的最优功率分配比β*预先计算出来，存储在设备的内存中。
   • 实时操作：系统运行时，实时估计信道SNR，并根据上层应用指示的当前ω值（例如，自动驾驶汽车在巡航时可能ω=0.5，在紧急避障时ω=0.1偏向感知），通过查表（可能需要二维插值）快速获取β*，并配置发射机。
   • 优点：计算复杂度极低，延迟小，适合资源受限的终端设备。
   • 缺点：表格占用存储空间；表格的精度和粒度（SNR和ω的采样间隔）需要权衡；难以适应未在表格中建模的新场景。

2. 在线优化法：

   • 思路：设备内置一个轻量级的优化算法。实时测量当前信道条件，并基于简化的、可快速计算的性能模型（例如，使用闭式下界近似真实的互信息），在线求解优化问题，得到β*。
   • 算法选择：由于目标函数U(β)通常是关于β的单峰函数（先增后减或单调），且变量只有一个（β），黄金分割搜索或二分法是极其高效且鲁棒的选择。它们不需要梯度信息，只需要函数值比较，非常适合处理数值计算得到的Rc(β)和Rs(β)。
   • 步骤： a. 初始化搜索区间 [β_low=0, β_high=1]。 b. 在区间内选择两个试点，计算效用函数U。 c. 比较U值，舍弃不可能包含最优解的子区间。 d. 迭代直至区间长度小于预设精度。
   • 优点：自适应性强，精度高，不依赖预存表格。
   • 缺点：每次决策需要数次（~10-20次）效用函数评估，而每次评估可能涉及复杂的数值积分或蒙特卡洛平均，计算负担比查表法大。

5.2 工程化中的关键挑战与应对

1. SNR的实时估计：在1-bit量化下，传统的基于二阶矩的SNR估计方法严重失效。因为信号幅度信息丢失，E[|r|^2]恒为常数（对于复信号，I/Q两路各为1）。必须开发新的估计算法。一种可行思路是利用信号的高阶统计量，或者利用已知的导频序列，通过最大似然估计等方法在量化域直接估计信道增益和噪声功率。
2. 模型失配与鲁棒性：我们的理论模型基于高斯信号假设和AWGN信道。实际环境中，干扰可能非高斯，信道可能多径衰落。最优策略需要具备一定的鲁棒性。在仿真中，我尝试了在非高斯干扰（如脉冲干扰）下测试策略性能，发现基于高斯假设设计的策略虽然性能下降，但相比固定功率分配（如β=0.5）仍有显著增益。可以考虑在优化目标中加入鲁棒项，或采用最小最大化（Min-Max）准则来设计保守策略。
3. 硬件非理想因素：真实的1-bit ADC存在比较器失调、时钟抖动等问题。在建模和仿真后期，我引入了这些非理想因素。发现比较器失调会等效为在量化前增加了一个直流偏置，这会严重破坏系统性能，尤其是对相位敏感的感知任务。因此，在实际系统中，必须包含失调校准电路或数字校准算法。

6. 常见问题、调试心得与扩展方向

6.1 仿真中踩过的坑与解决方案

1. 互信息计算不准，特别是低概率区域：
   • 问题：使用蒙特卡洛和直方图估计概率p(r|x)时，对于某些低概率事件，样本数不足导致估计方差极大，严重影响互信息计算的准确性。
   • 解决：对于离散输入、1-bit输出的情况，p(r|x)有解析表达式（涉及高斯CDF，即Q函数）。务必使用解析表达式来计算条件概率，蒙特卡洛只用于对输入分布求平均。对于连续高斯输入，可以使用更高级的估计器，如基于k近邻（k-NN）的互信息估计器，它在低概率区域相对更稳定。
2. 容量区域边界不光滑：
   • 问题：绘制的点云外边界呈锯齿状，不便于观察和分析。
   • 解决：首先确保蒙特卡洛仿真有足够的样本（通常需要10^6以上）以减少随机波动。其次，在绘制边界时，不要简单取所有点的外轮廓，而是计算这些点的凸包，取凸包的上边界作为容量区域边界，这样能得到光滑的折线。
3. 优化搜索陷入局部最优：
   • 问题：β在[0,1]区间搜索时，由于数值计算有噪声，效用函数U(β)的曲线可能不是严格单峰的，存在微小波动，导致搜索算法卡在局部最优点。
   • 解决：首先用较粗的步长（如0.1）全局扫描一遍，找到函数值的大致峰值区间。然后在该区间内，再用精细的搜索算法（如黄金分割）。同时，可以多次运行蒙特卡洛评估并取平均，以平滑目标函数。

6.2 对实际系统设计的启示

1. 1-bit ADC的适用场景：我们的分析强烈表明，1-bit ISAC系统在低SNR、对成本功耗极度敏感、且对绝对感知精度要求不极端的场景下具有巨大优势。例如，大规模物联网传感器网络、低功耗穿戴设备的环境感知与数据回传。
2. 波形设计的重要性：本项目假设了简单的分离式波形。实际上，针对1-bit量化的特性，设计联合优化的ISAC波形能进一步提升容量区域。例如，设计通信序列，使其在1-bit量化后对感知干扰最小，或者设计感知波形，使其对通信解码的影响可控。这将是下一步研究的重点。
3. 跨层设计：最优功率控制策略需要实时的SNR和业务权重ω信息。这需要物理层与上层（MAC层、应用层）紧密互动。例如，应用层根据当前任务（导航、避障、数据传输）生成ω参数，物理层根据估计的SNR执行功率分配。这是一个典型的跨层优化问题。

6.3 未来可探索的方向

1. 多用户与多天线（MIMO）扩展：当前模型是单输入单输出（SISO）。将研究扩展到多用户ISAC和MIMO ISAC是自然的下一步。1-bit量化下的多用户干扰、波束成形设计将是极具挑战性的新问题。
2. 更先进的量化器：除了简单的1-bit量化，还可以考虑少量比特的量化（如2-bit, 3-bit），或者非均匀量化。研究性能随量化比特数增加的提升曲线，能为系统设计提供“性价比”最优的量化精度选择。
3. 与AI的结合：由于1-bit系统模型高度非线性，传统优化方法有时很吃力。可以探索使用深度学习，例如用神经网络直接映射信道状态和业务需求到最优功率分配策略，或者用神经网络来近似计算复杂的互信息函数，从而加速在线优化。
4. 硬件原型验证：理论仿真最终需要硬件验证。可以使用软件无线电平台（如USRP），搭配高速比较器搭建1-bit接收机原型，在实际无线环境中测试理论策略的有效性，并验证对硬件损伤的鲁棒性。

这个项目就像是在极限约束下探索通信与感知融合的新大陆。1-bit量化是一把双刃剑，它粗暴地砍掉了信息的细节，却也为我们打开了超低功耗设计的大门。理解其容量边界，掌握其资源调配策略，就是在这片新大陆上绘制精确地图和制定生存法则。希望我的这些拆解和心得，能给同样对前沿通信感知技术感兴趣的你，带来一些切实的启发和参考。