2026-07-10论文雷达 TEST

弯曲光束具有近场非衍射和自愈特性，为绕过太赫兹 (THz) 无线通信和传感中的阻塞提供了一种新方法。然而，无线通信背景下弯曲光束的研究仍处于早期阶段。本文对太赫兹无线通信和传感中弯曲梁的基本原理和关键应用场景进行了最先进的回顾。我们首先介绍并比较现有的波束形成设计和弯曲梁的实际硬件实现方法。接下来，我们讨论弯曲波束在无线通信和传感中的潜在应用，并确定其相关挑战，例如阻塞信道建模、弯曲波束训练、码本设计等。最后，给出了太赫兹频段弯曲光束的硬件演示，验证了弯曲光束相对于传统光束聚焦的优势。

高频通信强烈依赖于视距 (LoS) 路径，障碍物阻挡会严重降低接收信号功率和可实现的速率。具有弯曲轨迹的近场艾里光束可以绕过障碍物，为缓解阻塞提供了一种有前景的方法。然而，由于艾里光束沿着单个弯曲轨迹携带最有用的能量，现有的艾里波束形成方法对发射器-障碍物-接收器几何形状的估计误差高度敏感。也就是说，即使估计几何结构中存在很小的误差，也可能导致艾里轨迹不匹配，从而导致严重的性能损失。为了解决这个问题，我们提出了一种用于抗阻塞近场通信的多艾里波束形成方案。具体来说，我们首先揭示并分析了单艾里波束形成的灵敏度机制。这种机制促使我们通过导出在目标用户处相干组合多个艾里光束所需的相位偏移，将单艾里生成方法扩展到协调的多艾里生成方法。基于这种协调生成方法，我们将发射阵列划分为多个子阵列，并为每个子阵列配置定制的艾里波束，以便由多个弯曲轨迹形成的艾里波束可以在目标用户处相干组合。仿真结果验证了单艾里波束成形的灵敏度和多艾里波束成形在发射机-障碍物-接收机几何形状估计误差下的鲁棒性。此外，所提出的方案在阻塞场景中实现了比单艾里波束成形更高的可实现速率，且没有几何估计误差。

在太赫兹频率下，辐射近场距离可能足够大，在实际部署中很重要。现有的近场公式通常可以简单地理解：随着链路距离的减小，传播方式预计仅改变一次，即从远场到近场。本文表明，对于为沿地面移动的地面用户提供向下倾斜的高架接入点，这种直觉可能会失败。沿着这样的路径，链路距离和视角一起变化，因此近场到远场的转变可能会发生不止一次，从而产生意想不到的远近远转变。在本文中，我们推导了倾斜 ULA 到点和 UPA 到点场景中何时发生这种转变的分析条件，并计算地面上相应的转变点。数值结果验证了分析，并进一步表明这种行为很大程度上取决于部署几何形状，并且也可能在较低频率下出现。

高移动信道中的集成传感和通信 (ISAC) 需要对延迟多普勒色散具有鲁棒性的波形和波束成形设计。考虑到这一点，在本文中，我们研究了单基地多用户多输入多输出（MIMO）仿射频分复用（AFDM）下行链路系统。我们开发了一种离散仿射傅里叶变换（DAFT）域模型，该模型保留了多普勒引起的箱间耦合，并导出了数据辅助延迟多普勒检测器。预期的匹配箱探测器信噪比 (SNR) 与发射协方差波束图案成正比，这导致基于探测器 SNR 的扇区照明约束。使用组合的加权最小均方误差 (WMMSE) 和主化最小化 (MM) 公式来解决由此产生的传感约束加权和速率最大化问题。仿真表明，所提出的 AFDM 设计在速率传感权衡、多普勒鲁棒性和延迟多普勒传感质量方面优于正交频分复用 (OFDM) 设计。

低空综合传感和通信（ISAC）研究需要对齐的多模态数据，这些数据共同描述共同轨迹和时间戳下的无线传播、视觉外观、无人机（UAV）运动、光探测和测距（LiDAR）感知以及雷达传感。为了满足这一需求，引入了名为 LAMBDA 的低空多模态基础数据集。 LAMBDA具有保真度高、模态多样性、场景丰富、配置灵活等特点。它是通过高保真数字孪生管道生成的，具有详细的场景几何形状、精细的材料分配和无人机的电磁建模。LAMBDA 在匹配的低空操作条件、共享坐标系和同步帧索引上提供同步 RGB 图像、深度图、LiDAR 点云、惯性测量单元状态、无人机位姿、通道状态信息 (CSI) 和雷达合成资源。该数据集涵盖城市、郊区和校园场景、多无人机/多基站设置、夜间条件以及晴天、雨天、雪天和雾天天气变化。其CSI和雷达资源支持用户定义的天线阵列尺寸、带宽、子载波间隔、线性调频参数以及平面波或球面波前信道合成。 LAMBDA 的可靠性和可用性通过质量控制、天气和多模式可视化以及两个无人机 ISAC 相关用例进行评估：RGB 辅助光束预测和基于 RGB-LiDAR 的无人机定位。

角度无线电地图描述了到达角上的接收功率分布，并支持第六代 (6G) 网络中的波束选择和接收器定位。从几何形状预测角功率谱 (APS) 很困难，因为映射在非视距 (NLOS) 条件下是不适定的，并且必须推广到不可见的环境。失真最小化回归器返回条件均值，这会过度平滑频谱并消除下游任务所需的多路径结构。我们将该任务视为感知扭曲问题，并提出了 RadioDiff-v2，这是一种通过流匹配训练的双分支一维扩散变压器。它结合了周期性角度编码、自适应层归一化调节、傅里叶角度混合器以及联合速度和干净信号头。每个指标的估计器组合从这个单一模型中读取每个部署数量，以便样本携带分布，干净信号头提供回归等级点估计，贝叶斯最优规则选择波束，并且条件似然定位接收器。我们证明集中条件产生一条直线概率流轨迹，一步精确积分，将确定性传输识别为正确的归纳偏差。在 99 个环境和 100 万个链路的零样本测试中，RadioDiff-v2 在每个指标上都领先于每个基线，Wasserstein-1 距离为 0.39 dB，每箱误差低于回归基线，八波束 NLOS 扫描损耗为 2.43 dB，四个基站的定位误差为 20.6 像素。代码可在 https://github.com/UNIC-Lab/RadioDiff-v2 获取。

为了实现所需的覆盖范围和容量水平，未来的太赫兹 (THz) 无线系统预计将利用极大的天线阵列。在太赫兹频率下，短波长和大阵列孔径的结合常常使许多传统的远场假设在实践中无效。 As a result, many UEs operate in the radiative near-field zone, where novel near-field beam synthesis methods become viable.本文研究了不完善的UE位置知识下下行太赫兹多输入多输出链路的纯相位类贝塞尔近场波束配置。我们首先制定关于“贝塞尔锥角”的频谱效率最大化问题。然后，我们推导出最佳贝塞尔波束配置的低复杂度封闭式近似：(i) 确定性 UE 位置；(ii) UE 位置中的高斯误差和 (iii) 均匀误差。最后，通过对多个信号频率、UE 位置和阵列大小的广泛模拟，我们表明我们提出的简单封闭形式近似与通过穷举搜索实现的最佳性能非常匹配（差异低于 0.1%），同时将配置复杂度降低至 O(1)。

本文讨论了双基地快照无线电 SLAM，其中对具有未知 6 维姿态和时钟偏差的用户设备 (UE) 进行本地化，并根据单个多路径通道快照重建环境地标。在混合视距（LoS）/非视距（NLoS）传播下，现有的鲁棒快照SLAM方法主要在平面/二维设置中开发或验证，并且经常使用路径幅度或路径损耗信息进行视距处理，这使得它们对校准误差和传播模型不匹配敏感。我们提出了一种与幅度无关的鲁棒无线电 SLAM 方法，该方法基于 LoS 和单次反射 NLoS 内点路径的无差异角度延迟公式。在粗略阶段，该方法估计 UE 状态并直接从角度延迟测量中选择几何一致的内点，无需基于幅度的 LoS 预分类或路径方式潜在变量；通过扭转摆动两阶段遍历初始化和 SO(3) 上的局部细化，该公式进一步扩展到一般的 3-D/6-D 位姿估计。随后的雅可比行平衡迭代重加权最小二乘法 (IRLS) 精算与准 Akaike 信息准则 (QAIC) 模型比较相结合，检测 LoS 路径并联合精算 UE 状态和散射点。我们还分析了配方特定的局部等级属性及其在未知路径身份下的最小集含义。仿真表明，所提出的方法与校准的幅度相关基线相比仍然具有竞争力，并且对于路径损耗模型失配更加稳健。

量子传感是一项有前途的技术，与可比的传统精确测量技术相比，它具有明显的优势。量子传感的一项应用是函数估计，可以使用纠缠量子传感器网络来完成，与非纠缠传感协议相比，可以实现具有更高最佳灵敏度的测量。如果量子传感器网络将用于测量应保持私密的数据（例如生物医学数据），则这些协议必须包含隐藏敏感信息的隐私机制。在这项工作中，我们表明纠缠传感器网络容易受到某些侵犯隐私的攻击。为了减轻这些攻击，我们引入了具有差异隐私的安全传感协议。我们协调差异隐私与保留海森堡限制的扩展，并引入几种协议来实现两者之间的不同平衡。我们表明，我们的主要协议是一个 $n$ 节点网络传感协议，它将噪声直接注入传感哈密顿量，在函数估计的均方误差的理想 $O(1/n^2)$ 海森堡缩放和可达到的隐私级别之间表现出一种权衡。在网络的假设下（随机性的共同来源和诚实方的恒定比例），我们证明该协议是本地可实现的，并且对于任意小的 $\delta$ 实现 $(O(1), \delta)$ 差分隐私，同时保留均方误差的海森堡缩放。我们证明我们的协议能够抵御广泛的经典和量子对手的攻击，并在使用量子技术时在隐私与实用性权衡中找到优势。

利用双集成铌酸锂电光梳跟踪快速变化的激光频率，并在存在模式跳跃和非线性啁啾的情况下演示高精度 FMCW 测距。

空间一致性是无线信道的基本物理属性，反映了空间位置之间信道的平滑演进。在集群级别，它需要在收发器移动时将类似的多路径组件 (MPC) 保持分组到相同的集群中，从而实现一致的集群跟踪。集群级空间一致性对于现实的基于集群的信道模型至关重要，特别是对于大规模 MIMO、集成传感和通信以及太赫兹 (THz) 通信等潜在的 6G 技术。然而，现有的聚类和跟踪方法并没有充分利用 MPC 的空间相关性。在聚类后跟踪中，聚类和跟踪是解耦的，而联合聚类和跟踪主要依赖于前一个快照的聚类中心。在这项工作中，我们提出了一种基于马氏距离的同时聚类和跟踪（MD-SCT）算法来捕获聚类MPC在延迟、角度和空间域中的联合分布。在马哈拉诺比斯距离下，连续快照中的 MPC 与现有集群相关联，从而在集群时本质上进行跟踪。该算法进一步应用于亚太赫兹频段。使用均方逐次差和梯度变化率来评估性能。结果表明，所提出的算法产生更平滑的集群演化。这提高了 6G 中空间一致性建模的集群通道的可靠性。

本文研究了无线系统中的空中联邦学习 (AirFL)，其中接入点配备了多波导收缩天线系统 (PASS)。我们采用广泛研究的面向学习的 AirFL 公式，该公式旨在最大化所选设备的数量，同时将聚合失真保持在规定阈值以下。由于这些系统变量之间复杂的耦合，由此产生的设备选择、接收波束成形和收缩天线放置的联合优化是高度非凸的。为了应对这一挑战，我们开发了 AirPASS，这是一个具有两个主要组成部分的交替优化框架：用于固定 PASS 配置下的设备选择和接收波束成形的同伦黎曼裕度合并方法，以及用于更新固定选定设备和波束成形器下的收缩天线位置的同伦辅助几何优化方法。实验表明，AirPASS 的性能始终优于传统的共置 MIMO 基线，仍然接近理想的 FedAvg，并且相对于 SDR-DC 和匹配追踪调度方案实现了有吸引力的性能与复杂性权衡。

考虑一种上行链路多用户收缩天线系统（PASS），其中在基站处部署多个介质波导，并且在每个波导上激活一个收缩天线（PA）。对于实际实施，每个 PA 仅限于有限数量的预配置位置。由此产生的上行链路总和速率最大化问题被表示为分层树搜索。然后开发了三种算法：贪婪搜索（GS）、波束搜索（BeS）和最优分支定界（BnB）搜索。在 GS 中，通过有效的矩阵逆更新来选择局部最佳分支。在 BeS 中，保留了几个有前途的部分路径，以提供可调的性能-复杂性权衡。在 BnB 中，非竞争子树通过单调变换目标进行修剪，而不损失最优性。数值结果证明了与传统固定阵列相比的显着增益。 GS 和中等宽度的 BeS 也能以比 BnB 更低的计算成本实现接近最优的性能。

集成传感、通信和计算 (ISCC) 最近已成为实现边缘智能的统一框架。然而，现有的 ISCC 设计主要依赖于单模态传感，这种传感本质上容易受到遮挡、环境不确定性和特定模态故障的影响，从而导致实际部署中的鲁棒性下降。这激发了对多模式 ISCC 的需求，但其设计仍未得到充分探索。与单模态情况相比，多模态 ISCC 更具挑战性，因为异构模态扩大了数据维度并收紧通信/计算/能量预算，而模态间相关性进一步使性能表征变得复杂。To address these challenges, we propose a task-oriented multi-modal ISCC framework that integrates device-side feature extraction with edge-side joint multi-modal inference. A central component of our approach is the maximal coding rate reduction (MCR^2) criterion, which enables each device to learn compact and discriminative task-relevant features, offering clear advantages over conventional cross-entropy-based extractors.我们进一步利用 MCR^2 作为边缘侧传感评估的原则指标。 On this basis, we formulate a sensing accuracy maximization problem under delay and resource constraints and develop an efficient block coordinate descent (BCD) algorithm after transforming the problem into a more tractable equivalent form.我们专注于人类活动识别任务，在公开可用的数据集上进行了广泛的实验，以评估所提出的 ISCC 框架的性能。 The results demonstrate that our approach consistently outperforms three baseline schemes under limited resource conditions.

多天线无人机（UAV）辅助通信为提高未来无线网络的系统容量和服务质量（QoS）提供了一种有前景的解决方案。在本文中，我们为无人机平台配备了可旋转天线阵列（RAA），该天线阵列可以通过机载万向节在三维（3D）空间中灵活旋转，从而实现额外的空间自由度（DoF），从而改善多用户信号传输和干扰管理。与传统的固定天线阵列（FAA）相比，RAA可以主动将用户与其天线单元的高增益区域对准，并减少用户之间的空间信道相关性。为了展示 RAA 的优势，我们联合设计了 RAA 定向和波束成形，以在每个用户 QoS 约束下最大化多个用户的总速率。公式化的问题是高度非凸的，并且在 RAA 方向和波束形成变量之间表现出强耦合。为了解决这个具有挑战性的问题，我们首先提出了一种基于惩罚对偶分解（PDD）方法的优化框架，以迭代优化 RAA 方向和波束形成。虽然优化框架在 QoS 满意度和良好的总速率性能方面产生了高可靠性，但其迭代性质可能会阻碍实时部署。为了加速联合设计并保持高质量的解决方案，我们进一步提出了基于图神经网络（GNN）的深度学习（DL）框架。仿真结果表明，RAA 在无人机辅助通信方面明显优于 FAA。此外，所提出的优化框架能够以高可靠性满足严格的 QoS 要求，而所提出的 DL 框架在显着减少计算时间的情况下获得可比较的总速率性能，并对用户位置信息错误表现出鲁棒性。

扫描探针自旋缺陷量子传感的权威评论，包括多模态测量协议和新兴的一维/二维传感器平台。