近场 XL-MIMO 一体化接入检测、信道估计与协作定位仿真平台

面向 ISAC 场景的 MMV/GMMV 稀疏恢复与多子阵协作定位统一实现

近场球面波建模 · 结构化块稀疏恢复 · MUSIC/WLS 定位闭环

为什么选择

在近场超大规模天线场景中,传统“远场平面波 + 单任务估计”流程难以同时兼顾活动用户检测、信道恢复与定位精度。 本项目以统一的近场几何信道模型为基础,将 AUD、CE 与定位 串联为闭环仿真链路,并支持 MMV/GMMV 多算法对照。 工程实现采用参数集中、过程可追踪、结果可复现的脚本化组织方式,适用于科研复现实验与算法迭代。

痛点方案
近场模型与算法实现割裂统一近场球面波建模,直接驱动观测与恢复流程
算法单一,难以横向评估同时提供 BSP、BSAMP、MMV-OMP、StrBOMP、Oracle-LS
MMV/GMMV 场景切换成本高通过统一脚本模式参数完成路径切换
指标统计分散,复现实验困难固化 Pe/NMSE/MSE 统计流程并自动归档 .mat 结果
定位链路与通信恢复脱节基于恢复信道直接进入 MUSIC + WLS 协作定位

核心价值

​​

学术研究价值

面向近场 ISAC 的“模型-算法-指标”一体化实验平台。

  • 近场多径几何建模
  • 块稀疏恢复机制对比
  • MMV/GMMV 统一框架分析
  • 通信恢复到定位的闭环验证

</td><td width="50%">

工程应用价值

强调可运行、可追踪、可复现实验的工程化组织方式。

  • 参数集中式脚本结构
  • 关键流程日志追踪
  • 结果文件自动归档
  • 图形输出风格统一

技术亮点

近场 ISAC 链路:分离式流程 vs 一体化流程

特性传统方案本方案
信道建模远场或弱几何抽象近场球面波 + 子阵可见性
观测建模单场景、单字典MMV/GMMV 双模式统一
稀疏恢复单算法验证BSP/BSAMP/OMP/StrBOMP 全链对比
结果指标单点输出Pe + NMSE + 定位误差 联合统计
代码组织分散脚本、复现成本高参数集中 + 主流程简洁 + 末尾函数模块化

性能指标(实测数据)

数据来源:ISAC-XMIMO/output/AUD_CE_MMV_Results.mat,配置为 num_sim=200K=60Ka=6
场景基线本方案结论
Ptx=0 dBmMMV-BOMP:Pe=0.0140NMSE=-7.65 dBMMV-BSOMP-改进:Pe=0.0046NMSE=-14.92 dB低功率区检测与估计明显改善
Ptx=10 dBmMMV-BOMP:Pe=0.0035NMSE=-14.01 dBMMV-BSOMP-改进:Pe=0.0009NMSE=-23.03 dB中功率区优势持续扩大
Ptx=20 dBmMMV-BOMP:Pe=0.0026NMSE=-18.34 dBMMV-BSOMP-改进:Pe=0.0002NMSE=-25.57 dB高功率区逐步逼近理想支持
Ptx=30 dBmMMV-BOMP:Pe=0.0030NMSE=-18.58 dBMMV-BSOMP-改进:Pe=0.0002NMSE=-25.82 dB误检率保持低位且估计稳定

协作定位能力

协作定位链路由“GMMV 恢复 + MUSIC 角距估计 + WLS 坐标反演”组成,可直接复用通信恢复阶段得到的信道估计结果。

参数配置性能
活动用户检测入口K=60, Ka=6,GMMV 子阵级恢复为定位提供稳定候选用户集合
角距估计方式music_angle + music_distance在子阵级观测上提取几何参数
坐标反演方式加权最小二乘(WLS)输出用户坐标估计与 MSE_Loca 统计

运行环境

项目采用 MATLAB 脚本化科研仿真形态,默认以单机离线方式运行。

  • 语言:MATLAB(推荐 R2023b 及以上)
  • 依赖:Statistics and Machine Learning Toolbox(cdfplot),Parallel Computing Toolbox(可选)
  • 硬件:Windows/Linux 开发工作站(建议 16GB 内存及以上)

项目结构

Near-Field-XMIMO/
 ├── ISAC-main/                  # 原始参考实现
 │   ├── Joint_AUD_CE_XLMIMO/    # AUD+CE 参考算法与主脚本
 │   ├── MultiSubarrayCollabLoc/ # 协作定位参考算法与主脚本
 │   └── ...                     # 其他参考文件
 ├── ISAC-XMIMO/                 # 重构后的主工程目录
 │   ├── run_aud_ce.m            # 联合 AUD+CE 主脚本(MMV/GMMV)
 │   ├── run_collab_loc.m        # 协作定位主脚本
 │   └── output/                 # 结果文件与图形输出
 ├── docs/                       # 项目文档目录
 │   ├── 算法文档.md             # 原理与公式推导
 │   └── 代码文档.md             # 代码结构与函数说明
 └── Plan.md                     # 协作计划与阶段记录

文档体系

文档按“理论先行 + 代码落地”双轨组织,覆盖算法推导、实现映射与运行指引。

算法文档

docs/算法文档.md:系统模型、近场信道推导、MMV/GMMV 稀疏恢复、MUSIC/WLS 定位与附录级公式分析。

代码文档

docs/代码文档.md:目录职责、主流程时序、函数输入输出、数据结构维度与参考实现映射关系。

核心代码展示

近场信道生成模块

该模块根据用户位置、子阵几何与 LoS/NLoS 多径关系生成三维信道张量,是整条仿真链路的物理基础。

# 初始化子阵位置、用户位置、散射体位置
 # 对每个活动用户循环
 #   采样路径数并生成路径复增益
 #   若 LoS:
 #       计算子阵距离、角度、相位延迟、阵列响应
 #   若 NLoS:
 #       叠加 UE->散射体->子阵双段传播
 #   对所有有效子载波累积路径贡献
 # 输出 H_set(N_BS, P_subc, K)

MMV/GMMV 观测构造与稀疏恢复模块

该模块将信道映射到观测域,构建字典矩阵(或张量),并调用块稀疏恢复算法输出活动集合与信道估计。

# 逐导频块生成随机相位合并矩阵 W_RF
 # MMV: 使用共享导频列构造统一字典 Z
 # GMMV: 每子载波单独构造字典切片 Z(:,:,p)
 # 叠加噪声并注入发射功率缩放
 # 调用 BSP/BSAMP/OMP/StrBOMP 等算法
 # 计算 Pe 与 NMSE 指标

协作定位模块(MUSIC + WLS)

该模块先由恢复信道估计角度与距离,再通过加权最小二乘反演用户二维坐标。

# 对命中用户提取子阵级信道块
 # 依据子阵能量筛选高可信子阵
 # 对每个子阵:
 #   调用 MUSIC 角度估计
 #   调用 MUSIC 距离估计
 # 构建几何约束矩阵 A,b 与权重矩阵 Omega
 # 通过 WLS 求解用户坐标
 # 统计定位误差 MSE_Loca

一键运行

cd('D:/10_存储库/OneDrive/15.代码归档/01.施工中/Near-Field-XMIMO/ISAC-XMIMO')
 run('run_aud_ce.m')
 run('run_collab_loc.m')

结果预览

Figure_1.pngFigure_2.png

🛒 获取方式

本文代码仅为核心片段,完整版工程已整理好。 关注公众号 【3GPP 仿真实验室】进行获取。

参考文献

  1. E. J. Candès and M. B. Wakin, “An Introduction to Compressive Sampling,” IEEE Signal Processing Magazine, vol. 25, no. 2, pp. 21-30, 2008.
  2. J. A. Tropp and A. C. Gilbert, “Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit,” IEEE Transactions on Information Theory, vol. 53, no. 12, pp. 4655-4666, 2007.
  3. R. O. Schmidt, “Multiple Emitter Location and Signal Parameter Estimation,” IEEE Transactions on Antennas and Propagation, vol. 34, no. 3, pp. 276-280, 1986.
  4. S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall, 1993.
  5. T. L. Marzetta, E. G. Larsson, H. Yang, and H. Q. Ngo, Fundamentals of Massive MIMO, Cambridge University Press, 2016.

标签: none

添加新评论