深度学习杂波抑制：多基地ISAC实现高精度定位测速

多基地 ISAC 的机遇与杂波困境

利用 5G 及未来信号作为机会信号（signal of opportunity）的集成感知与通信（ISAC）系统，让无线感知与通信共享基础设施和频谱资源成为可能。多基地 ISAC 通过空间上分散布置的接收机，可以显著扩大感知覆盖范围——这是单基地系统难以企及的优势。

但覆盖扩大也带来了新的麻烦。多基地场景中，稠密且动态的杂波会严重劣化双基地距离与多普勒估计，进而导致目标定位和速度估计出现误差。简单说，感知范围铺开了，但环境里到处都是反射体，真假目标信号混在一起，传统方法开始力不从心。

双基地距离与多普勒估计是多基地（双基地/多基地）雷达与 ISAC 的核心中间量。双基地距离指目标到发射机与接收机的路径长度之和，由回波相对直达信号的时延乘以光速得到；多普勒频率则反映该路径长度随时间的变化率，与目标的径向速度分量相关。单个发射-接收对只给出一个椭圆等距离线和一条多普勒曲线，需要多个接收机联合才能解算出目标的三维位置与速度矢量。正因为最终定位与测速完全依赖这些中间估计，任何未被抑制的杂波都会先在距离-多普勒域造成虚假峰或谱展宽，再通过几何解算被放大为目标位置偏移和速度错误，这也是文中强调杂波会“逐级传导”误差的原因。

杂波建模：让问题可被量化

这项研究没有回避杂波的复杂性，而是选择正面建模。作者用随机分布的散射体来刻画分布式杂波，并让这些散射体具有不同的多普勒扩展和雷达截面积（RCS），以此捕捉稠密、动态的杂波效应。

这种建模方式的价值在于，它让不同抑制方法可以在统一且贴近实际的条件下被公平比较。杂波越接近真实场景的稠密与动态特性，方法之间的优劣差距才越有参考意义。

**雷达截面积（RCS）**是衡量散射体截获并再辐射入射电磁波能力的等效面积，单位为平方米，常用 dBsm 表示。它并非散射体的几何投影面积，而是取决于形状、材料、极化与入射角，例如平板在镜面方向可达数十 dBsm，而小型无人机往往只有 −20 dBsm 量级。多普勒扩展则描述同一散射体回波在频域上的展宽：静止杂波理论上是一条零多普勒谱线，但植被随风摆动、海面起伏或云雨粒子运动会让其能量散布到一段频率范围，扩展宽度对应散射体内部径向速度的离散程度。在建模中用随机分布、RCS 与多普勒扩展各异的散射体叠加，正是为了复现真实环境中杂波在空间非均匀、在时间非平稳的特性，从而避免方法评估被过于理想的高斯杂波假设所误导。

传统信号处理基线：强杂波下的普遍脆弱

论文评估了范围广泛的传统信号处理基线方法用于杂波抑制。结论并不乐观：在强杂波条件下，这些常规方法的鲁棒性普遍有限。

这并不意外。传统方法往往依赖对杂波统计特性的某种假设，而多基地场景下的杂波在空间上分布分散、在时间上动态变化，固定假设很容易失效。一旦杂波抑制不干净，残余杂波就会直接污染双基地距离和多普勒估计这两个关键中间量，误差逐级传导到最终的位置与速度结果上。

传统杂波抑制方法大致可分为几类：动目标显示（MTI）利用杂波与目标多普勒的差异做高通滤波；恒虚警率（CFAR）检测在局部背景估计基础上自适应设定门限；子空间类方法（如特征值分解、MUSIC）则把接收协方差矩阵分解为杂波子空间与目标子空间并投影剔除杂波。这些方法共同的隐含前提是杂波在时间上平稳、在空间上统计均匀，可用少量样本估计出可靠的协方差或背景电平。多基地场景恰恰破坏了这一前提：各接收机看到的杂波来自不同视角与不同散射体，统计特性互不相同且随平台或环境运动快速变化，导致协方差估计样本不足、门限失配、子空间泄漏，残余杂波便伪装成弱目标。这解释了为何论文观察到传统基线在强杂波下鲁棒性普遍有限。

深度学习方案：用残差与注意力直接增强目标响应

针对传统方法的局限，作者引入了基于深度学习的杂波抑制方法。核心思路是采用残差网络与注意力增强的深度神经网络架构，从被杂波污染的观测中直接增强目标响应。

注意力机制在这里的作用值得关注：它让网络能够学习区分哪些成分更可能是目标回波、哪些更可能是杂波，而不是对所有信号一视同仁地处理。残差结构则有助于网络在深层变换中保留原始观测中的有效信息。两者结合，使网络在面对稠密且动态的杂波时具备更强的鲁棒性。

**残差网络（ResNet）**通过跳跃连接把输入直接加到若干层的输出上，使网络只需学习相对输入的“残差”映射。这一设计缓解了深层网络中的梯度消失问题，也让网络在抑制杂波时可以保留原始观测的细节信息，而不是把所有内容都重新生成一遍。注意力机制则对特征图各通道或各位置赋予可学习的权重，本质上实现了软性的特征选择：与目标回波相似的模式被放大，与杂波相似的模式被压制，权重大小由数据驱动而非人工设定。在杂波抑制任务中，二者结合通常采用类似“观测减去预测杂波”或“掩膜乘观测”的结构，让网络输出对目标响应增强、对杂波响应衰减的信号，再交由后续的距离-多普勒估计与定位解算处理。

结果：跨杂波条件的全面超越

论文报告称，这些深度学习方法在多样化的杂波条件下，于目标位置和速度估计上大幅优于传统方法。这一提升在多基地 ISAC 场景中具有实际意义——位置与速度估计正是感知功能的核心输出。

从方法论角度看，这项工作传递出一个清晰信号：当传统信号处理在复杂杂波环境中触及鲁棒性天花板时，数据驱动的学习方法提供了可观的补充路径。当然，深度学习方法的实际部署还取决于训练数据与真实杂波分布的匹配程度，这也是后续值得持续关注的方向。