深度学习杂波抑制助力5G多基地ISAC感知通信
原文：Multistatic ISAC with Deep Learning-Based Clutter Suppression for 5G and Beyond
使用5G及未来机会信号的通感一体化（ISAC）系统利用共享基础设施和频谱资源实现无线感知与通信的联合。虽然多基地ISAC可以通过空间分布式接收器增加感知覆盖范围，但密集且动态的杂波会显著降低双基地距离和多普勒估计性能，导致目标定位和速度估计出现误差。本文提出了一种具有杂波抑制功能的多基地ISAC框架，用于高保真地估计目标位置和速度。分布式杂波通过随机分布的散射体建模，具有不同的多普勒扩展和雷达截面积，以捕捉密集动态杂波效应。评估了广泛的传统信号处理基线方法用于杂波抑制，显示其在强杂波条件下鲁棒性有限。为解决这一局限，引入了基于深度学习的杂波抑制方法，通过采用残差和注意力增强的深度神经网络架构，直接从受杂波污染的观测中增强目标响应，从而提高对密集动态杂波的鲁棒性。在多基地ISAC的各种杂波条件下，这些方法在目标位置和速度估计方面大幅优于传统方法。