贝叶斯学习辅助的压缩感知技术提升了在基于5G-NR的ISAC框架下的多目标参数估计性能

《IEEE Open Journal of Vehicular Technology》：Bayesian Learning-Assisted Compressive Sensing Improves Multi-Target Parameter Estimation in 5G-NR Inspired ISAC

　　

摘要：

集成感知与通信（ISAC）已成为6G通信系统的关键技术，它实现了雷达系统和通信系统之间的频谱和硬件共享。在本文中，我们提出了一种受5G新无线电（5G-NR）启发的ISAC系统，该系统通过智能结合多目标场景下的各种标准参考符号输出来提高感知精度和鲁棒性。为此，我们首先构建了一个基于多测量向量（MMV）的稀疏信号恢复（SSR）辅助压缩感知（CS）问题模型，该模型利用5G-NR时频网格中的多个子载波和符号来改进速度和距离剖面的估计。接下来，我们提出了一种MMV贝叶斯学习（BL）算法，该算法利用速度/距离剖面的同时稀疏特性来从压缩后的导频输出中更准确地估计这些剖面。我们的分析得到了大量仿真结果的支持，这些结果证实所提出的技术在最低信噪比（SNR）条件下优于现有的最先进算法。