Deep Learning-Based Sensing With Deterministic Pilots and Random Data Payloads

Yang Li

doi:10.1109/lwc.2026.3725823

Deep Learning-Based Sensing With Deterministic Pilots and Random Data Payloads

2026-08-21

0

PRE

AI

DOI：10.1109/lwc.2026.3725823

原文链接

原文求助

摘要

En 中文

利用现有通信波形实现高精度无线感知是集成感知与通信（ISAC）系统的核心挑战。特别是在多源定位方面，传统的基于协方差的子空间方法存在高计算复杂度，且未能利用传输信号的高阶统计量。同时，现有仅依赖未知上行链路数据的方法丢弃了导频中包含的宝贵确定性信息。为克服这些局限性，我们提出了PiDaNet，一种端到端的Transformer架构，它同时利用确定性导频和随机数据载荷。该方法放弃了显式协方差矩阵计算，直接从通信信号中提取特征。我们充分利用了Transformer的注意力机制，首先采用自注意力模块捕获未知数据载荷中的隐式高阶统计量，随后通过交叉注意力模块将导频衍生的信道特征作为查询向量，以引导导频和数据特征的融合。实验结果表明，PiDaNet在均方误差方面显著优于仅依赖未知数据的方案，并在多样化感知场景中保持了稳健的到达角（DOA）估计精度。

Keyword:

Deep learning

DOA estimation

ISAC

transformer

Deep Learning-Based Sensing With Deterministic Pilots and Random Data Payloads

摘要

期刊

机构

引用论文