1. 项目概述在6G网络从愿景走向现实的关键节点我们正面临一个核心挑战如何在有限的频谱资源内同时满足爆炸式增长的通信需求和日益复杂的物理世界感知需求。传统的“烟囱式”设计即通信与感知系统各自为政不仅造成硬件和频谱资源的巨大浪费更难以支撑未来智能城市、自动驾驶、工业物联网等场景对“通信-感知-计算”一体化的严苛要求。正是在这样的背景下通感一体化技术应运而生它旨在通过共享硬件平台、信号处理和频谱资源实现通信与感知功能的深度融合与协同增效。然而ISAC系统的性能提升并非坦途。多用户通信固有的多址干扰与感知信号对通信链路的互扰构成了系统设计的两大核心瓶颈。此时两项变革性技术进入了我们的视野速率分割多址和可重构智能表面。RSMA并非简单的技术迭代它代表了一种根本性的范式转变——从“完全消除干扰”或“强制排序解码”转向“灵活管理干扰”。其核心思想是将每个用户的消息拆分为公共部分和私有部分通过叠加编码在基站端合并发送并在接收端利用SIC进行分层解码。这种设计使得RSMA能够自适应地调整“解码”与“视为噪声”的干扰比例从而在不完美信道状态信息、用户信道异质性及高网络负载等多种实际场景下展现出比传统SDMA和NOMA更优的鲁棒性和灵活性。与此同时RIS作为一种成本效益极高的“环境智能”使能技术通过其表面成百上千个可编程的超表面单元能够动态地重构入射电磁波的相位、幅度甚至极化方向从而主动塑造无线传播环境。将RIS引入ISAC系统相当于在信道中增加了一个可编程的“透镜”或“反射镜”能够同时增强目标用户的通信信号、抑制非目标方向的干扰并优化感知回波信号的路径为通信与感知的性能联合提升提供了前所未有的空间自由度。因此RSMA与RIS赋能的ISAC系统其技术内涵远不止于简单的功能叠加。它代表了一种“智能干扰管理”与“智能环境控制”的深度协同。RSMA在信号处理层面提供了灵活的干扰处理框架而RIS在物理传播层面提供了可调控的传输条件。两者的结合使得系统能够以更精细的粒度、更自适应的方式在通信速率、感知精度、能量效率和安全性能等多个维度上寻求全局最优解。本文将深入拆解这一融合技术的原理、优势、实现挑战与未来方向为致力于6G前沿研究的同行提供一份详实的参考。2. 核心技术原理深度解析要理解RSMA-RIS-ISAC这一复合系统的威力必须首先吃透其三大支柱技术的核心机理以及它们是如何相互咬合、产生“112”的协同效应的。2.1 速率分割多址从“对抗”干扰到“管理”干扰的哲学转变传统多址技术的设计哲学可以概括为“隔离”或“压制”干扰。SDMA利用空间正交性试图在波束赋形层面将用户信号分隔开而NOMA则通过功率域叠加和强制性的SIC解码顺序让强用户“吞并”弱用户的干扰。这两种方式在理想信道状态信息或严格用户信道差异条件下表现良好但在实际的非理想、动态环境中容易失效。RSMA则引入了一种更优雅、更通用的思路部分解码部分忽略。其下行链路传输模型是理解其精髓的关键。假设一个基站服务K个单天线用户对于用户k的消息W_kRSMA首先将其拆分为一个公共子消息W_c,k和一个私有子消息W_p,k。所有用户的公共子消息被联合编码为一个公共流s_c而每个用户的私有子消息则独立编码为私有流s_k。基站发送的复合信号为x √p_c w_c s_c Σ_{k1}^K √p_k w_k s_k其中w_c和w_k分别是公共流和私有流的预编码向量p_c和p_k是对应的功率分配。在接收端用户k首先将整个复合信号视为一个“超级信号”并尝试解码公共流s_c此时所有私有流都被视为干扰。成功解码后用户利用SIC技术从接收信号中减去已解码的公共流成分然后再解码自己的私有流s_k此时仅将其他用户的私有流视为干扰。这个过程带来了几个根本性优势干扰的弹性处理公共流承载了所有用户的部分信息解码它相当于消除了一部分多用户干扰。剩余无法被公共流“吸收”的干扰则被私有流处理。系统可以通过优化公共流的功率和内容分配动态调整“解码”与“视为噪声”的干扰比例从而适应不同的信道条件和业务需求。对CSIT误差的鲁棒性在SDMA中预编码严重依赖精确的CSIT以实现波束对准CSIT误差会导致严重的用户间干扰。在NOMA中解码顺序依赖于精确的信道增益排序CSIT误差可能导致SIC解码失败。RSMA的公共流本质上是一个多播流其设计目标是最差用户也能解码因此对CSIT误差的敏感性大大降低。即使私有流的波束赋形因CSIT误差而不完全准确公共流也能作为一种“安全网”保证基本的服务质量。统一的框架RSMA是一个包含性框架。通过调整功率分配因子例如将公共流功率设为零RSMA可以退化为SDMA通过特定的消息分割和编码方式它可以模拟NOMA。这使得RSMA能够平滑过渡并兼容现有技术。注意RSMA的“分层”思想可以进一步扩展。例如在广义RSMA中消息可以被拆分为更多层服务于不同的用户子集从而在更复杂的场景下实现更精细的干扰管理但这也带来了接收机SIC复杂度的指数级增长需要在性能与复杂度之间谨慎权衡。2.2 可重构智能表面将无线环境变为“可编程媒介”RIS的本质是一个由大量亚波长尺寸的电磁超表面单元构成的平面阵列。每个单元都可以通过嵌入式可调元件如变容二极管、PIN二极管独立控制其对入射电磁波的反射系数通常包括相位和幅度。通过中央控制器如FPGA对成百上千个单元进行实时编程RIS能够像“软件定义”一样动态地塑造反射波束的方向、形状和强度。在ISAC系统中RIS的作用是多维度的对通信的增强RIS可以构造一条强反射路径弥补基站与处于阴影衰落或阻塞区域的用户之间的直接链路损耗显著提升接收信号强度和数据速率。对感知的增强RIS可以主动将信号“引导”至待感知的目标方向并优化从目标反射回接收机的回波路径从而提升感知信噪比和参数估计精度。干扰抑制通过智能的波束成形RIS可以在抑制对非目标用户或区域干扰的同时增强目标方向的信号。在安全通信场景中RIS甚至可以故意向潜在窃听者方向引入破坏性干扰。从硬件实现模式看RIS主要分为三类无源RIS仅反射信号无放大功能。结构简单、能耗极低但面临“双程路径损耗”的挑战需要大量单元才能产生显著增益。有源RIS集成有源放大电路可以放大反射信号。能有效克服路径损耗用较少单元实现高增益但功耗和成本更高且可能引入噪声。混合RIS结合无源和有源单元在性能与功耗之间寻求平衡。在系统建模中一个包含N个单元的RIS通常被表示为一个对角矩阵Φ diag(β_1 e^{jθ_1}, ..., β_N e^{jθ_N})其中β_n和θ_n分别代表第n个单元的幅度响应和相位偏移。对于无源RIS通常假设β_n 1单位幅度仅优化相位θ_n ∈ [0, 2π)。2.3 通感一体化从频谱共享到波形共生的演进ISAC的核心思想是资源共享与功能协同。其演进路径大致可分为三个阶段共存通信与感知设备独立工作仅共享频谱需谨慎规划以避免相互干扰。协作通信与感知系统进行有限的信息交互如共享位置、调度信息以减轻干扰。共生一体化使用统一的硬件平台和共享的波形同时完成通信与感知任务实现硬件、频谱和信号处理流程的深度共享。ISAC系统的设计范式主要分为三类以通信为中心优先保障通信性能利用通信波形的反射进行“机会主义”感知。优点是通信性能有保障但感知性能是次优的。以感知为中心优先保障感知性能如雷达探测将通信数据嵌入到感知波形中。适用于感知为主、通信数据量小的场景。联合设计从波形设计、资源分配、信号处理等层面进行一体化联合优化在通信与感知之间进行灵活的折衷这是当前研究的主流方向。从感知架构上看可分为单站感知收发共址硬件简单但存在自干扰问题。双站/多站感知收发分离或多节点协作能获得多视角增益但需要严格的时间和相位同步。性能度量是评估ISAC系统的关键。通信侧主要关注频谱效率和能量效率感知侧则关注检测概率、虚警概率、均方误差以及克拉美-罗下界衡量参数估计精度的理论极限。ISAC的优化目标往往是在满足感知性能门限的前提下最大化通信速率或者反之。3. RSMA-RIS-ISAC系统建模与联合优化将RSMA和RIS同时引入ISAC系统会形成一个高度耦合、变量众多的联合优化问题。本节我们将深入一个典型的下行链路系统模型并剖析其优化框架。3.1 系统模型与问题构建考虑一个由双功能基站、一个N单元RIS、K个单天线通信用户和一个待感知目标组成的下行链路ISAC系统。基站配备M根天线采用RSMA策略服务多用户同时利用发射信号进行目标探测。通信模型基站发送的信号如前述RSMA模型所示。用户k接收到的信号包括直射链路和RIS反射链路y_k (h_{B,k}^H h_{R,k}^H Φ H_{B,R}) x n_k其中h_{B,k}是基站-用户k信道H_{B,R}是基站-RIS信道h_{R,k}是RIS-用户k信道Φ是RIS相移矩阵n_k是噪声。用户速率R_k由公共流速率分配r_{c,k}和私有流速率R_{p,k}共同决定。感知模型基站发射的信号经目标反射后通过直射和RIS辅助路径被基站接收。假设目标反射系数为α则接收到的回波信号为y_s α (h_{B,T} H_{B,R} Φ h_{R,T}) (h_{B,T} H_{B,R} Φ h_{R,T})^H x n_s其中h_{B,T}和h_{R,T}分别是基站-目标和RIS-目标信道。感知性能通常用回波信噪比或感知波束图匹配误差来衡量。联合优化问题通常表述为在满足各用户最低通信速率需求、基站总发射功率约束、RIS单元模值约束对于无源RIS的前提下联合优化基站预编码矩阵W包含w_c和所有w_k、RIS相移矩阵Φ、以及公共速率分配向量r_c以最大化感知性能如SNR_s或最大化加权和速率或最小化总发射功率。3.2 优化算法破解高维非凸难题上述优化问题的挑战在于其非凸性和变量耦合。目标函数和约束条件中变量W和Φ以相乘形式耦合且RIS的单元模值约束 |[Φ]_{n,n}| 1 是非凸的。学术界和工业界主要采用以下迭代优化框架来求解交替优化这是最主流的思路。将原问题分解为两个或三个子问题固定RIS相移Φ优化预编码W和速率分配r_c然后固定W和r_c优化Φ。如此交替迭代直至收敛。连续凸近似与半定松弛对于每个子问题利用一系列数学工具将其转化为可求解的凸问题或近似凸问题。加权最小均方误差变换将和速率最大化问题等价转化为WMMSE最小化问题从而获得更容易处理的优化形式。分数规划特别是二次变换用于处理信干噪比形式的分数目标函数或约束。半定松弛对于涉及秩一约束的矩阵优化问题如波束成形向量外积通过松弛秩一约束将其转化为SDP问题求解再通过高斯随机化等技巧恢复可行解。逐次凸近似用一阶泰勒展开在给定点处对非凸函数进行凸上界或下界近似从而迭代求解。惩罚对偶分解用于处理等式约束或难以直接处理的约束通过引入惩罚项将其融入目标函数。一个典型的AO算法流程如下初始化随机生成可行的W^(0), Φ^(0)。设置迭代索引 t 0收敛阈值 ε。 重复 步骤1固定Φ优化W和r_c 给定Φ^(t)通信信道确定。利用WMMSE变换和SCA将关于W和r_c的子问题转化为凸问题调用内点法等求解器得到W^(t1), r_c^(t1)。 步骤2固定W和r_c优化Φ 给定W^(t1)优化Φ的问题通常是非凸的。利用复数域的特性将目标函数改写为关于Φ中每个元素相位的三角函数形式然后采用SCA或直接使用黎曼流形优化等工具进行求解得到Φ^(t1)。 步骤3计算目标函数值的变化量Δ。令 t t 1。 直到 Δ ε。实操心得在实际算法实现中初始点的选择对收敛速度和最终性能有显著影响。一个有效的策略是先用最大比传输或迫零预编码等简单方法生成一个初始W并设置RIS相位对齐最强用户的信道。此外由于AO可能收敛到局部最优解多次随机初始化并选取最佳结果是一个提升性能的实用技巧但会牺牲计算时间。3.3 性能对比RSMA为何能脱颖而出基于上述模型和优化框架大量仿真研究对比了RSMA、NOMA和SDMA在RIS辅助的ISAC系统中的表现。我们将其核心优势总结如下性能维度RSMA表现关键原因分析频谱效率在中等至高信噪比区域普遍优于NOMA和SDMA增益可达10%-15%或更高。RSMA的公共流充当了“干扰缓冲器”。在用户信道相关性高或CSIT不完美时SDMA的波束正交性被破坏NOMA的强用户解码弱用户干扰的策略失效而RSMA能通过调整公共/私有流分配稳健地维持高和速率。感知性能在相同通信QoS约束下能实现更高的感知信噪比或更低的CRB。RIS的波束成形与RSMA的预编码联合优化能够更灵活地将能量聚焦于感知目标方向。RSMA的公共流有时可充当“虚拟的”专用感知信号在不额外占用功率的情况下增强感知。能量效率通常最高。为了达到相同的用户速率或感知精度RSMA所需的总发射功率更低。RSMA更优的干扰管理能力意味着可以用更“精准”的功率分配达成标减少了因对抗干扰而产生的功率浪费。RIS进一步通过优化传播路径降低了路径损耗。安全性能在存在窃听者的情况下保密速率更高。RSMA的公共流对所有合法用户是已知的但对窃听者而言是额外的干扰源。通过联设计可以有意地利用公共流和RIS反射在窃听者方向形成零陷或干扰提升物理层安全。对不完美CSIT的鲁棒性最稳健。在CSIT存在误差时性能下降幅度最小。RSMA的公共流设计本身就包含了对信道不确定性的鲁棒性考虑。其性能不依赖于精确的信道正交SDMA或严格的功率排序NOMA。一个直观的例子假设一个两用户场景用户1信道强用户2信道弱且被遮挡。SDMA试图生成两个正交波束但对弱用户的波束可能因信道估计误差而失效。NOMA会分配更多功率给弱用户强用户先解码弱用户信号但若解码顺序因信道波动而错误则系统崩溃。RSMA则会将一部分信息例如视频流的基础层放入公共流两个用户都能解码再将各自的增强层信息放入私有流。即使对弱用户的私有流波束赋形不完美其仍能通过公共流获得基本服务强用户则能享受高质量服务。同时联合优化的RIS能增强弱用户的链路并可能将更多的感知能量导向目标。4. 人工智能与机器学习的赋能作用RSMA-RIS-ISAC的联合优化问题维度高、非凸性强、环境动态变化传统基于模型的优化算法如AO虽然有效但往往计算复杂度高难以满足实时性要求。AI/ML特别是深度学习和深度强化学习为解决这些挑战提供了新的数据驱动思路。4.1 为何需要AI/ML复杂度爆炸随着RIS单元数N、用户数K、天线数M的增长优化变量的维度急剧上升。传统迭代算法可能收敛慢不适合快速变化的信道环境。模型依赖性传统算法严重依赖精确的数学模型和信道状态信息。在实际中信道模型可能不准确CSIT可能存在误差和时延。实时性要求在车联网、无人机等动态场景中信道和用户位置快速变化需要毫秒级的资源分配和波束成形调整。AI/ML方法能够从大量历史或仿真数据中学习输入如信道估计、用户位置、业务需求与最优输出如预编码矩阵、RIS相移、功率分配之间的复杂映射关系。一旦训练完成前向推理的速度极快能满足实时决策需求。4.2 主要应用方向信道估计与反馈RIS引入的级联信道基站-RIS-用户估计是一个挑战。DL模型如CNN、Transformer可以用于从有限的导频信号中高精度、低开销地估计信道甚至直接预测最优的波束成形向量跳过显式的信道估计步骤。联合资源分配与波束成形这是最核心的应用。DRL智能体如DDPG、PPO可以将通信环境建模为马尔可夫决策过程状态s信道信息、用户QoS、感知目标信息动作a预编码、RIS相移、功率分配奖励r加权和速率、感知SNR等。智能体通过与环境交互试错学习最大化长期累积奖励的策略。示例在[105]的研究中作者使用PPO算法来最大化RSMA-RIS-ISAC系统的能量效率。状态空间包括信道增益和用户速率需求动作空间包括基站预编码、RIS相移和RSMA的功率分配因子。仿真表明该DRL方法在时变信道下能快速自适应性能接近基于模型的优化方法且在线计算时间大幅减少。接收机设计RSMA接收机需要进行SIC操作其性能受解码顺序和误差传播影响。DL可以用于设计端到端的接收机直接从接收信号中恢复用户消息甚至绕过传统的SIC流程降低复杂度并提升对非理想因素的鲁棒性。波形与波形联合优化AI可以学习设计同时适用于通信和感知的一体化波形。例如使用生成对抗网络来生成波形使其在满足通信星座图约束的同时具备良好的自相关特性利于感知。注意事项AI/ML并非银弹。其应用面临数据获取与标注成本高、模型可解释性差、泛化能力在训练集未见的场景下可能失效以及在线训练开销等挑战。一种可行的路径是AI与传统模型驱动方法结合例如用AI快速给出一个优质初始解再用传统优化方法进行微调或者用AI来近似传统算法中计算量最大的部分如矩阵求逆。5. 实际部署挑战与未来研究方向尽管RSMA-RIS-ISAC在理论上前景广阔但从实验室走向实际网络仍有一系列严峻的工程与科研挑战需要攻克。5.1 硬件实现与成本RIS的实用化大规模、低成本、可动态调控的RIS面板制造仍是一个难题。单元间的互耦效应、相位量化误差、非线性响应以及有限的相位/幅度调控范围都会导致实际性能偏离理论值。有源RIS的功耗和热管理也是问题。RSMA的收发机复杂度RSMA发射机需要额外的编码和预编码处理接收机需要多级SIC。虽然SIC在NOMA中已得到应用但RSMA中公共流的存在可能要求更复杂的用户间协调。在用户侧实现低复杂度、低功耗的SIC接收机是终端设计的关键。双功能硬件ISAC基站需要支持通信波形和感知波形的高效生成与处理对射频前端、ADC/DAC、信号处理器的性能提出了更高要求。5.2 信道获取与同步级联信道估计估计基站-RIS-用户的级联信道开销巨大。RIS通常是被动设备缺乏主动发送导频的能力。现有的方法多基于用户侧的反馈通过配置RIS不同的反射模式来“探测”信道这需要大量的时频资源。感知信道与通信信道的差异感知目标通常是未知且移动的其信道与已知的通信用户信道特性不同。如何快速、准确地获取并跟踪感知信道是实现高性能ISAC的前提。严格同步在双站或多站感知架构中分布式节点间需要亚纳秒级的时间同步和载波相位同步这对时钟系统提出了极高要求。5.3 标准化与生态构建协议与帧结构现有通信协议如5G NR并未为ISAC设计。需要定义新的帧结构以容纳感知参考信号、协调通信与感知的资源分配、规定感知信息的反馈格式等。RSMA的标准化进程RSMA已被纳入3GPP Rel-19的讨论并有望成为Rel-20的研究项目。需要定义其具体的编码调制方案、控制信令、 HARQ机制等。RIS的控制接口如何通过网络如通过蜂窝链路对海量RIS单元进行低时延、高可靠的控制需要统一的接口和协议标准。5.4 未来研究方向展望与6G使能技术的深度融合太赫兹通信在太赫兹频段波束极窄对准困难。RIS可以辅助波束追踪和覆盖扩展而RSMA能有效管理太赫兹信道可能存在的稀疏性带来的用户间干扰。分布式MIMO/无蜂窝大规模MIMO将RIS与分布式天线结合能进一步扩展覆盖、提升宏分集增益。RSMA在其中可作为处理分布式节点间干扰的统一多址方案。语义通信RSMA的公共流天然适合传输语义信息中的“基础语义”所有用户共通的背景知识私有流传输“个性化语义”这与语义通信的分层思想不谋而合。高级AI/ML算法的应用生成式AI与大型语言模型用于网络智能运维、异常检测、以及根据高层任务需求如“优先保障自动驾驶车辆的感知精度”自动生成低层资源配置策略。量子机器学习用于解决超高维的非凸优化问题有望在资源分配、波束成形等组合优化问题上实现指数级加速。安全与隐私ISAC系统通过无线电波感知环境可能引发隐私泄露问题如室内人员活动监测。需要研究在实现感知功能的同时如何通过技术手段如差分隐私、匿名化处理保护无辜个体的隐私。同时需防范针对ISAC系统的感知欺骗和恶意干扰攻击。绿色节能联合优化RSMA的功率分配、RIS的相移配置以及基站/ RIS的激活策略在满足性能需求的前提下最小化系统总能耗是6G可持续发展的重要课题。6. 总结与个人见解回顾全文RSMA与RIS赋能的ISAC技术代表了6G网络从“连接”走向“连接与感知智能融合”的关键路径。RSMA以其干扰管理通用框架的灵活性RIS以其重塑无线环境的革命性能力共同为ISAC这一复杂双功能系统提供了强大的性能提升引擎。从我跟踪和复现相关研究工作的经验来看这项技术的魅力在于其多层级的协同。它不是在单一层如物理层做改进而是从多址接入策略RSMA、传播环境RIS到系统功能ISAC进行端到端的重新思考与设计。仿真结果一致表明这种协同带来的增益是实实在在的尤其在信道不确定性高、用户分布不均匀、业务需求多样化的复杂场景下RSMA-RIS-ISAC的组合展现出了比传统方案更强大的鲁棒性和适应性。然而我们必须清醒地认识到从理论优越性到工程可行性之间还存在一条需要奋力跨越的鸿沟。当前大多数研究仍基于诸多理想化假设例如完美的CSI、连续的RIS相位调控、无硬件损伤的线性功率放大器等。下一步研究社区需要更多地关注受限优化问题例如在RIS相位仅能离散调谐如1-bit, 2-bit的情况下如何设计算法考虑到功率放大器的非线性失真和相位噪声RSMA的预编码和RIS配置该如何调整在极低信令开销和计算复杂度的约束下如何实现近实时的联合优化一个值得深入探索的方向是“轻量化AI”。与其追求庞大而复杂的端到端神经网络不如设计一些轻量级的ML模块嵌入到传统优化算法的关键步骤中。例如用一个小型神经网络来预测在给定信道统计信息下RSMA最优的公共流功率分配比例或者用强化学习来快速选择RIS的几种预定义“反射模式码本”之一。这种AI增强的模型驱动方法可能是在性能、复杂度和可解释性之间取得平衡的更务实路径。最后这项技术的成功不仅取决于算法和硬件的突破更依赖于跨学科的协作。它需要无线通信专家、信号处理专家、电磁场与天线专家、集成电路设计师以及网络协议专家的共同努力。作为研究者我们既要仰望星空看到其重塑未来无线网络的巨大潜力也要脚踏实地从一个个具体的工程问题入手逐步推动这项技术从论文走向原型从原型走向标准最终服务于千行百业。
RSMA与RIS如何赋能6G通感一体化：智能干扰管理与环境控制
1. 项目概述在6G网络从愿景走向现实的关键节点我们正面临一个核心挑战如何在有限的频谱资源内同时满足爆炸式增长的通信需求和日益复杂的物理世界感知需求。传统的“烟囱式”设计即通信与感知系统各自为政不仅造成硬件和频谱资源的巨大浪费更难以支撑未来智能城市、自动驾驶、工业物联网等场景对“通信-感知-计算”一体化的严苛要求。正是在这样的背景下通感一体化技术应运而生它旨在通过共享硬件平台、信号处理和频谱资源实现通信与感知功能的深度融合与协同增效。然而ISAC系统的性能提升并非坦途。多用户通信固有的多址干扰与感知信号对通信链路的互扰构成了系统设计的两大核心瓶颈。此时两项变革性技术进入了我们的视野速率分割多址和可重构智能表面。RSMA并非简单的技术迭代它代表了一种根本性的范式转变——从“完全消除干扰”或“强制排序解码”转向“灵活管理干扰”。其核心思想是将每个用户的消息拆分为公共部分和私有部分通过叠加编码在基站端合并发送并在接收端利用SIC进行分层解码。这种设计使得RSMA能够自适应地调整“解码”与“视为噪声”的干扰比例从而在不完美信道状态信息、用户信道异质性及高网络负载等多种实际场景下展现出比传统SDMA和NOMA更优的鲁棒性和灵活性。与此同时RIS作为一种成本效益极高的“环境智能”使能技术通过其表面成百上千个可编程的超表面单元能够动态地重构入射电磁波的相位、幅度甚至极化方向从而主动塑造无线传播环境。将RIS引入ISAC系统相当于在信道中增加了一个可编程的“透镜”或“反射镜”能够同时增强目标用户的通信信号、抑制非目标方向的干扰并优化感知回波信号的路径为通信与感知的性能联合提升提供了前所未有的空间自由度。因此RSMA与RIS赋能的ISAC系统其技术内涵远不止于简单的功能叠加。它代表了一种“智能干扰管理”与“智能环境控制”的深度协同。RSMA在信号处理层面提供了灵活的干扰处理框架而RIS在物理传播层面提供了可调控的传输条件。两者的结合使得系统能够以更精细的粒度、更自适应的方式在通信速率、感知精度、能量效率和安全性能等多个维度上寻求全局最优解。本文将深入拆解这一融合技术的原理、优势、实现挑战与未来方向为致力于6G前沿研究的同行提供一份详实的参考。2. 核心技术原理深度解析要理解RSMA-RIS-ISAC这一复合系统的威力必须首先吃透其三大支柱技术的核心机理以及它们是如何相互咬合、产生“112”的协同效应的。2.1 速率分割多址从“对抗”干扰到“管理”干扰的哲学转变传统多址技术的设计哲学可以概括为“隔离”或“压制”干扰。SDMA利用空间正交性试图在波束赋形层面将用户信号分隔开而NOMA则通过功率域叠加和强制性的SIC解码顺序让强用户“吞并”弱用户的干扰。这两种方式在理想信道状态信息或严格用户信道差异条件下表现良好但在实际的非理想、动态环境中容易失效。RSMA则引入了一种更优雅、更通用的思路部分解码部分忽略。其下行链路传输模型是理解其精髓的关键。假设一个基站服务K个单天线用户对于用户k的消息W_kRSMA首先将其拆分为一个公共子消息W_c,k和一个私有子消息W_p,k。所有用户的公共子消息被联合编码为一个公共流s_c而每个用户的私有子消息则独立编码为私有流s_k。基站发送的复合信号为x √p_c w_c s_c Σ_{k1}^K √p_k w_k s_k其中w_c和w_k分别是公共流和私有流的预编码向量p_c和p_k是对应的功率分配。在接收端用户k首先将整个复合信号视为一个“超级信号”并尝试解码公共流s_c此时所有私有流都被视为干扰。成功解码后用户利用SIC技术从接收信号中减去已解码的公共流成分然后再解码自己的私有流s_k此时仅将其他用户的私有流视为干扰。这个过程带来了几个根本性优势干扰的弹性处理公共流承载了所有用户的部分信息解码它相当于消除了一部分多用户干扰。剩余无法被公共流“吸收”的干扰则被私有流处理。系统可以通过优化公共流的功率和内容分配动态调整“解码”与“视为噪声”的干扰比例从而适应不同的信道条件和业务需求。对CSIT误差的鲁棒性在SDMA中预编码严重依赖精确的CSIT以实现波束对准CSIT误差会导致严重的用户间干扰。在NOMA中解码顺序依赖于精确的信道增益排序CSIT误差可能导致SIC解码失败。RSMA的公共流本质上是一个多播流其设计目标是最差用户也能解码因此对CSIT误差的敏感性大大降低。即使私有流的波束赋形因CSIT误差而不完全准确公共流也能作为一种“安全网”保证基本的服务质量。统一的框架RSMA是一个包含性框架。通过调整功率分配因子例如将公共流功率设为零RSMA可以退化为SDMA通过特定的消息分割和编码方式它可以模拟NOMA。这使得RSMA能够平滑过渡并兼容现有技术。注意RSMA的“分层”思想可以进一步扩展。例如在广义RSMA中消息可以被拆分为更多层服务于不同的用户子集从而在更复杂的场景下实现更精细的干扰管理但这也带来了接收机SIC复杂度的指数级增长需要在性能与复杂度之间谨慎权衡。2.2 可重构智能表面将无线环境变为“可编程媒介”RIS的本质是一个由大量亚波长尺寸的电磁超表面单元构成的平面阵列。每个单元都可以通过嵌入式可调元件如变容二极管、PIN二极管独立控制其对入射电磁波的反射系数通常包括相位和幅度。通过中央控制器如FPGA对成百上千个单元进行实时编程RIS能够像“软件定义”一样动态地塑造反射波束的方向、形状和强度。在ISAC系统中RIS的作用是多维度的对通信的增强RIS可以构造一条强反射路径弥补基站与处于阴影衰落或阻塞区域的用户之间的直接链路损耗显著提升接收信号强度和数据速率。对感知的增强RIS可以主动将信号“引导”至待感知的目标方向并优化从目标反射回接收机的回波路径从而提升感知信噪比和参数估计精度。干扰抑制通过智能的波束成形RIS可以在抑制对非目标用户或区域干扰的同时增强目标方向的信号。在安全通信场景中RIS甚至可以故意向潜在窃听者方向引入破坏性干扰。从硬件实现模式看RIS主要分为三类无源RIS仅反射信号无放大功能。结构简单、能耗极低但面临“双程路径损耗”的挑战需要大量单元才能产生显著增益。有源RIS集成有源放大电路可以放大反射信号。能有效克服路径损耗用较少单元实现高增益但功耗和成本更高且可能引入噪声。混合RIS结合无源和有源单元在性能与功耗之间寻求平衡。在系统建模中一个包含N个单元的RIS通常被表示为一个对角矩阵Φ diag(β_1 e^{jθ_1}, ..., β_N e^{jθ_N})其中β_n和θ_n分别代表第n个单元的幅度响应和相位偏移。对于无源RIS通常假设β_n 1单位幅度仅优化相位θ_n ∈ [0, 2π)。2.3 通感一体化从频谱共享到波形共生的演进ISAC的核心思想是资源共享与功能协同。其演进路径大致可分为三个阶段共存通信与感知设备独立工作仅共享频谱需谨慎规划以避免相互干扰。协作通信与感知系统进行有限的信息交互如共享位置、调度信息以减轻干扰。共生一体化使用统一的硬件平台和共享的波形同时完成通信与感知任务实现硬件、频谱和信号处理流程的深度共享。ISAC系统的设计范式主要分为三类以通信为中心优先保障通信性能利用通信波形的反射进行“机会主义”感知。优点是通信性能有保障但感知性能是次优的。以感知为中心优先保障感知性能如雷达探测将通信数据嵌入到感知波形中。适用于感知为主、通信数据量小的场景。联合设计从波形设计、资源分配、信号处理等层面进行一体化联合优化在通信与感知之间进行灵活的折衷这是当前研究的主流方向。从感知架构上看可分为单站感知收发共址硬件简单但存在自干扰问题。双站/多站感知收发分离或多节点协作能获得多视角增益但需要严格的时间和相位同步。性能度量是评估ISAC系统的关键。通信侧主要关注频谱效率和能量效率感知侧则关注检测概率、虚警概率、均方误差以及克拉美-罗下界衡量参数估计精度的理论极限。ISAC的优化目标往往是在满足感知性能门限的前提下最大化通信速率或者反之。3. RSMA-RIS-ISAC系统建模与联合优化将RSMA和RIS同时引入ISAC系统会形成一个高度耦合、变量众多的联合优化问题。本节我们将深入一个典型的下行链路系统模型并剖析其优化框架。3.1 系统模型与问题构建考虑一个由双功能基站、一个N单元RIS、K个单天线通信用户和一个待感知目标组成的下行链路ISAC系统。基站配备M根天线采用RSMA策略服务多用户同时利用发射信号进行目标探测。通信模型基站发送的信号如前述RSMA模型所示。用户k接收到的信号包括直射链路和RIS反射链路y_k (h_{B,k}^H h_{R,k}^H Φ H_{B,R}) x n_k其中h_{B,k}是基站-用户k信道H_{B,R}是基站-RIS信道h_{R,k}是RIS-用户k信道Φ是RIS相移矩阵n_k是噪声。用户速率R_k由公共流速率分配r_{c,k}和私有流速率R_{p,k}共同决定。感知模型基站发射的信号经目标反射后通过直射和RIS辅助路径被基站接收。假设目标反射系数为α则接收到的回波信号为y_s α (h_{B,T} H_{B,R} Φ h_{R,T}) (h_{B,T} H_{B,R} Φ h_{R,T})^H x n_s其中h_{B,T}和h_{R,T}分别是基站-目标和RIS-目标信道。感知性能通常用回波信噪比或感知波束图匹配误差来衡量。联合优化问题通常表述为在满足各用户最低通信速率需求、基站总发射功率约束、RIS单元模值约束对于无源RIS的前提下联合优化基站预编码矩阵W包含w_c和所有w_k、RIS相移矩阵Φ、以及公共速率分配向量r_c以最大化感知性能如SNR_s或最大化加权和速率或最小化总发射功率。3.2 优化算法破解高维非凸难题上述优化问题的挑战在于其非凸性和变量耦合。目标函数和约束条件中变量W和Φ以相乘形式耦合且RIS的单元模值约束 |[Φ]_{n,n}| 1 是非凸的。学术界和工业界主要采用以下迭代优化框架来求解交替优化这是最主流的思路。将原问题分解为两个或三个子问题固定RIS相移Φ优化预编码W和速率分配r_c然后固定W和r_c优化Φ。如此交替迭代直至收敛。连续凸近似与半定松弛对于每个子问题利用一系列数学工具将其转化为可求解的凸问题或近似凸问题。加权最小均方误差变换将和速率最大化问题等价转化为WMMSE最小化问题从而获得更容易处理的优化形式。分数规划特别是二次变换用于处理信干噪比形式的分数目标函数或约束。半定松弛对于涉及秩一约束的矩阵优化问题如波束成形向量外积通过松弛秩一约束将其转化为SDP问题求解再通过高斯随机化等技巧恢复可行解。逐次凸近似用一阶泰勒展开在给定点处对非凸函数进行凸上界或下界近似从而迭代求解。惩罚对偶分解用于处理等式约束或难以直接处理的约束通过引入惩罚项将其融入目标函数。一个典型的AO算法流程如下初始化随机生成可行的W^(0), Φ^(0)。设置迭代索引 t 0收敛阈值 ε。 重复 步骤1固定Φ优化W和r_c 给定Φ^(t)通信信道确定。利用WMMSE变换和SCA将关于W和r_c的子问题转化为凸问题调用内点法等求解器得到W^(t1), r_c^(t1)。 步骤2固定W和r_c优化Φ 给定W^(t1)优化Φ的问题通常是非凸的。利用复数域的特性将目标函数改写为关于Φ中每个元素相位的三角函数形式然后采用SCA或直接使用黎曼流形优化等工具进行求解得到Φ^(t1)。 步骤3计算目标函数值的变化量Δ。令 t t 1。 直到 Δ ε。实操心得在实际算法实现中初始点的选择对收敛速度和最终性能有显著影响。一个有效的策略是先用最大比传输或迫零预编码等简单方法生成一个初始W并设置RIS相位对齐最强用户的信道。此外由于AO可能收敛到局部最优解多次随机初始化并选取最佳结果是一个提升性能的实用技巧但会牺牲计算时间。3.3 性能对比RSMA为何能脱颖而出基于上述模型和优化框架大量仿真研究对比了RSMA、NOMA和SDMA在RIS辅助的ISAC系统中的表现。我们将其核心优势总结如下性能维度RSMA表现关键原因分析频谱效率在中等至高信噪比区域普遍优于NOMA和SDMA增益可达10%-15%或更高。RSMA的公共流充当了“干扰缓冲器”。在用户信道相关性高或CSIT不完美时SDMA的波束正交性被破坏NOMA的强用户解码弱用户干扰的策略失效而RSMA能通过调整公共/私有流分配稳健地维持高和速率。感知性能在相同通信QoS约束下能实现更高的感知信噪比或更低的CRB。RIS的波束成形与RSMA的预编码联合优化能够更灵活地将能量聚焦于感知目标方向。RSMA的公共流有时可充当“虚拟的”专用感知信号在不额外占用功率的情况下增强感知。能量效率通常最高。为了达到相同的用户速率或感知精度RSMA所需的总发射功率更低。RSMA更优的干扰管理能力意味着可以用更“精准”的功率分配达成标减少了因对抗干扰而产生的功率浪费。RIS进一步通过优化传播路径降低了路径损耗。安全性能在存在窃听者的情况下保密速率更高。RSMA的公共流对所有合法用户是已知的但对窃听者而言是额外的干扰源。通过联设计可以有意地利用公共流和RIS反射在窃听者方向形成零陷或干扰提升物理层安全。对不完美CSIT的鲁棒性最稳健。在CSIT存在误差时性能下降幅度最小。RSMA的公共流设计本身就包含了对信道不确定性的鲁棒性考虑。其性能不依赖于精确的信道正交SDMA或严格的功率排序NOMA。一个直观的例子假设一个两用户场景用户1信道强用户2信道弱且被遮挡。SDMA试图生成两个正交波束但对弱用户的波束可能因信道估计误差而失效。NOMA会分配更多功率给弱用户强用户先解码弱用户信号但若解码顺序因信道波动而错误则系统崩溃。RSMA则会将一部分信息例如视频流的基础层放入公共流两个用户都能解码再将各自的增强层信息放入私有流。即使对弱用户的私有流波束赋形不完美其仍能通过公共流获得基本服务强用户则能享受高质量服务。同时联合优化的RIS能增强弱用户的链路并可能将更多的感知能量导向目标。4. 人工智能与机器学习的赋能作用RSMA-RIS-ISAC的联合优化问题维度高、非凸性强、环境动态变化传统基于模型的优化算法如AO虽然有效但往往计算复杂度高难以满足实时性要求。AI/ML特别是深度学习和深度强化学习为解决这些挑战提供了新的数据驱动思路。4.1 为何需要AI/ML复杂度爆炸随着RIS单元数N、用户数K、天线数M的增长优化变量的维度急剧上升。传统迭代算法可能收敛慢不适合快速变化的信道环境。模型依赖性传统算法严重依赖精确的数学模型和信道状态信息。在实际中信道模型可能不准确CSIT可能存在误差和时延。实时性要求在车联网、无人机等动态场景中信道和用户位置快速变化需要毫秒级的资源分配和波束成形调整。AI/ML方法能够从大量历史或仿真数据中学习输入如信道估计、用户位置、业务需求与最优输出如预编码矩阵、RIS相移、功率分配之间的复杂映射关系。一旦训练完成前向推理的速度极快能满足实时决策需求。4.2 主要应用方向信道估计与反馈RIS引入的级联信道基站-RIS-用户估计是一个挑战。DL模型如CNN、Transformer可以用于从有限的导频信号中高精度、低开销地估计信道甚至直接预测最优的波束成形向量跳过显式的信道估计步骤。联合资源分配与波束成形这是最核心的应用。DRL智能体如DDPG、PPO可以将通信环境建模为马尔可夫决策过程状态s信道信息、用户QoS、感知目标信息动作a预编码、RIS相移、功率分配奖励r加权和速率、感知SNR等。智能体通过与环境交互试错学习最大化长期累积奖励的策略。示例在[105]的研究中作者使用PPO算法来最大化RSMA-RIS-ISAC系统的能量效率。状态空间包括信道增益和用户速率需求动作空间包括基站预编码、RIS相移和RSMA的功率分配因子。仿真表明该DRL方法在时变信道下能快速自适应性能接近基于模型的优化方法且在线计算时间大幅减少。接收机设计RSMA接收机需要进行SIC操作其性能受解码顺序和误差传播影响。DL可以用于设计端到端的接收机直接从接收信号中恢复用户消息甚至绕过传统的SIC流程降低复杂度并提升对非理想因素的鲁棒性。波形与波形联合优化AI可以学习设计同时适用于通信和感知的一体化波形。例如使用生成对抗网络来生成波形使其在满足通信星座图约束的同时具备良好的自相关特性利于感知。注意事项AI/ML并非银弹。其应用面临数据获取与标注成本高、模型可解释性差、泛化能力在训练集未见的场景下可能失效以及在线训练开销等挑战。一种可行的路径是AI与传统模型驱动方法结合例如用AI快速给出一个优质初始解再用传统优化方法进行微调或者用AI来近似传统算法中计算量最大的部分如矩阵求逆。5. 实际部署挑战与未来研究方向尽管RSMA-RIS-ISAC在理论上前景广阔但从实验室走向实际网络仍有一系列严峻的工程与科研挑战需要攻克。5.1 硬件实现与成本RIS的实用化大规模、低成本、可动态调控的RIS面板制造仍是一个难题。单元间的互耦效应、相位量化误差、非线性响应以及有限的相位/幅度调控范围都会导致实际性能偏离理论值。有源RIS的功耗和热管理也是问题。RSMA的收发机复杂度RSMA发射机需要额外的编码和预编码处理接收机需要多级SIC。虽然SIC在NOMA中已得到应用但RSMA中公共流的存在可能要求更复杂的用户间协调。在用户侧实现低复杂度、低功耗的SIC接收机是终端设计的关键。双功能硬件ISAC基站需要支持通信波形和感知波形的高效生成与处理对射频前端、ADC/DAC、信号处理器的性能提出了更高要求。5.2 信道获取与同步级联信道估计估计基站-RIS-用户的级联信道开销巨大。RIS通常是被动设备缺乏主动发送导频的能力。现有的方法多基于用户侧的反馈通过配置RIS不同的反射模式来“探测”信道这需要大量的时频资源。感知信道与通信信道的差异感知目标通常是未知且移动的其信道与已知的通信用户信道特性不同。如何快速、准确地获取并跟踪感知信道是实现高性能ISAC的前提。严格同步在双站或多站感知架构中分布式节点间需要亚纳秒级的时间同步和载波相位同步这对时钟系统提出了极高要求。5.3 标准化与生态构建协议与帧结构现有通信协议如5G NR并未为ISAC设计。需要定义新的帧结构以容纳感知参考信号、协调通信与感知的资源分配、规定感知信息的反馈格式等。RSMA的标准化进程RSMA已被纳入3GPP Rel-19的讨论并有望成为Rel-20的研究项目。需要定义其具体的编码调制方案、控制信令、 HARQ机制等。RIS的控制接口如何通过网络如通过蜂窝链路对海量RIS单元进行低时延、高可靠的控制需要统一的接口和协议标准。5.4 未来研究方向展望与6G使能技术的深度融合太赫兹通信在太赫兹频段波束极窄对准困难。RIS可以辅助波束追踪和覆盖扩展而RSMA能有效管理太赫兹信道可能存在的稀疏性带来的用户间干扰。分布式MIMO/无蜂窝大规模MIMO将RIS与分布式天线结合能进一步扩展覆盖、提升宏分集增益。RSMA在其中可作为处理分布式节点间干扰的统一多址方案。语义通信RSMA的公共流天然适合传输语义信息中的“基础语义”所有用户共通的背景知识私有流传输“个性化语义”这与语义通信的分层思想不谋而合。高级AI/ML算法的应用生成式AI与大型语言模型用于网络智能运维、异常检测、以及根据高层任务需求如“优先保障自动驾驶车辆的感知精度”自动生成低层资源配置策略。量子机器学习用于解决超高维的非凸优化问题有望在资源分配、波束成形等组合优化问题上实现指数级加速。安全与隐私ISAC系统通过无线电波感知环境可能引发隐私泄露问题如室内人员活动监测。需要研究在实现感知功能的同时如何通过技术手段如差分隐私、匿名化处理保护无辜个体的隐私。同时需防范针对ISAC系统的感知欺骗和恶意干扰攻击。绿色节能联合优化RSMA的功率分配、RIS的相移配置以及基站/ RIS的激活策略在满足性能需求的前提下最小化系统总能耗是6G可持续发展的重要课题。6. 总结与个人见解回顾全文RSMA与RIS赋能的ISAC技术代表了6G网络从“连接”走向“连接与感知智能融合”的关键路径。RSMA以其干扰管理通用框架的灵活性RIS以其重塑无线环境的革命性能力共同为ISAC这一复杂双功能系统提供了强大的性能提升引擎。从我跟踪和复现相关研究工作的经验来看这项技术的魅力在于其多层级的协同。它不是在单一层如物理层做改进而是从多址接入策略RSMA、传播环境RIS到系统功能ISAC进行端到端的重新思考与设计。仿真结果一致表明这种协同带来的增益是实实在在的尤其在信道不确定性高、用户分布不均匀、业务需求多样化的复杂场景下RSMA-RIS-ISAC的组合展现出了比传统方案更强大的鲁棒性和适应性。然而我们必须清醒地认识到从理论优越性到工程可行性之间还存在一条需要奋力跨越的鸿沟。当前大多数研究仍基于诸多理想化假设例如完美的CSI、连续的RIS相位调控、无硬件损伤的线性功率放大器等。下一步研究社区需要更多地关注受限优化问题例如在RIS相位仅能离散调谐如1-bit, 2-bit的情况下如何设计算法考虑到功率放大器的非线性失真和相位噪声RSMA的预编码和RIS配置该如何调整在极低信令开销和计算复杂度的约束下如何实现近实时的联合优化一个值得深入探索的方向是“轻量化AI”。与其追求庞大而复杂的端到端神经网络不如设计一些轻量级的ML模块嵌入到传统优化算法的关键步骤中。例如用一个小型神经网络来预测在给定信道统计信息下RSMA最优的公共流功率分配比例或者用强化学习来快速选择RIS的几种预定义“反射模式码本”之一。这种AI增强的模型驱动方法可能是在性能、复杂度和可解释性之间取得平衡的更务实路径。最后这项技术的成功不仅取决于算法和硬件的突破更依赖于跨学科的协作。它需要无线通信专家、信号处理专家、电磁场与天线专家、集成电路设计师以及网络协议专家的共同努力。作为研究者我们既要仰望星空看到其重塑未来无线网络的巨大潜力也要脚踏实地从一个个具体的工程问题入手逐步推动这项技术从论文走向原型从原型走向标准最终服务于千行百业。
