1. 动态TDD无小区MIMO系统概述
在6G通信系统中，集成感知与通信(ISAC)技术正成为物理层设计的关键方向。这项技术通过共享硬件资源和频谱，实现通信与感知功能的深度融合。无小区(CF)大规模MIMO系统作为分布式天线架构的典型代表，与ISAC的结合能够显著提升系统性能。而动态时分双工(DTDD)技术的引入，则为系统带来了更灵活的资源配置方式。
传统TDD系统需要严格的上下行时隙划分，而DTDD突破了这一限制。它允许系统在同一时频资源上同时服务上下行用户，这是通过空间分离的半双工(HD)接入点(AP)实现的。具体来说，系统将AP分为上行(UL)和下行(DL)两组：UL AP负责接收用户数据和目标回波，DL AP则同时发送下行数据流和目标探测信号。
这种架构带来了几个显著优势：首先，它实现了真正的全双工功能，而无需复杂的自干扰消除技术；其次，通过空间复用提高了频谱利用率；最后，分布式天线布局增强了系统的覆盖能力和感知精度。然而，这种架构也引入了新的技术挑战，特别是交叉链路干扰(CLI)问题，包括AP间干扰(InAI)和用户间干扰(InUI)。
2. 系统模型与信号处理框架
2.1 系统架构设计
考虑一个由M个半双工AP组成的分布式系统，每个AP配备N根天线。系统同时服务Ku个上行单天线用户和Kd个下行单天线用户。AP被动态划分为上行组(Au)和下行组(Ad)，满足Au∪Ad=A，其中A表示所有AP的集合。这种动态划分可以根据实时业务需求进行优化调整。
信道模型包含三个关键组成部分：
- 用户与AP间的通信信道：hmk=√βmkfmk，其中βmk表示大尺度衰落，fmk为小尺度衰落
- AP间的残余干扰信道：˜Gmj，考虑实际系统中的信道估计误差
- 感知信道：Rmj=γmj˙Rmj，包含目标雷达截面积(RCS)γmj和已知的双程路径信息˙Rmj
2.2 信号传输模型
下行AP的发射信号可表示为： xd,j=√pd(∑n∈Ud√πd,jnpd,jnsd,n+√πs,jps,jss)
其中pd为总发射功率，πd,jn和πs,j分别分配给用户和感知的功率比例，sd,n和ss分别为用户数据和感知信号。
上行AP接收的信号包含四个分量： ru,m=∑k∈Uu√pu,khmksu,k+∑j∈Adγmj˙Rmjxd,j+∑j∈Ad˜Gmjxd,j+wu,m
分别对应：上行用户信号、目标反射回波、AP间干扰和接收机噪声。这种信号模型反映了ISAC系统的本质特征——通信与感知信号的共存与相互作用。
3. 目标检测与参数估计
3.1 广义似然比测试(GLRT)
针对上行AP接收的信号，我们提出两种目标检测方案：
分布式处理： 各AP本地计算对数似然比(LLR)： TTUI_m=(∑Tτ=1¨RHm[τ]Σ-1s,m[τ]ru,m[τ])HˆγTUI_m CPU通过融合各AP的LLR做出全局决策
集中式处理： CPU收集所有AP的原始接收信号，计算全局LLR： TTUI=(∑Tτ=1¨RH[τ]Σ-1s[τ]ru[τ])HˆγTUI
理论分析表明，在以下两种情况下分布式处理能达到集中式的性能：
- 用户信道呈现块对角特性(hkhHk≈Blkd[βmkIN]Mu m=1)
- 传统TDD多静态感知系统
3.2 雷达截面积(RCS)估计
RCS的贝叶斯估计采用以下形式：
集中式估计： ˆγTUI=(∑Tτ=1¨RH[τ]Σ-1s[τ]¨R[τ]+Σ-1γ)-1(∑Tτ=1¨RH[τ]Σ-1s[τ]ru[τ])
分布式估计： 各AP独立计算ˆγTUI_m，CPU进行简单拼接
通过推导贝叶斯克拉美罗下界(BCRLB)，我们证明了集中式估计是最小方差无偏估计(MVUE)。分布式估计虽然计算复杂度低(O(M3d) vs 集中式的O(M3uM3d))，但在一般情况下性能稍逊。
4. 通信性能优化
4.1 上行信号处理
上行采用SINR最优合并器，考虑目标反射干扰(TrI)的影响。接收信号模型为： ru,m=∑k∈Uu√pu,khmksu,k+∑j∈Adγmj˙Rmjxd,j+ws u,m
其中等效噪声ws u,m包含AP间干扰和接收机噪声。最优合并器设计需要平衡用户信号检测和目标干扰抑制的需求。
4.2 下行预编码设计
下行采用正则化迫零(RZF)预编码服务用户，并为目标信号设计两种预编码方案：
- 用户中心型：完全消除目标信号对用户的干扰
- 目标中心型：基于目标与AP间复合信道的主特征向量
这两种方案代表了通信与感知的不同折中：前者优先保障通信质量，后者优化感知性能。系统可根据实时需求动态选择或混合使用。
5. 系统性能分析
5.1 感知性能指标
定义平均感知信杂噪比(SCNR)： SCNR=pd|γ|2∑j∈Adπs,j∥ps,j∥2˙RHj˙RjN0+∑k∈Uupu,k∥hk∥2+∑j∈Adζj∥xd,j∥2
该指标综合反映了目标RCS、预编码选择、AP调度和干扰的影响。通过优化这些参数，系统可以实现通信与感知性能的最佳平衡。
5.2 通信频谱效率
理论分析和数值结果表明：
- GLRT对残余AP间干扰表现出良好的鲁棒性
- DTDD相比传统TDD可将90%可能性和速率提高一倍
- 系统仅需半双工硬件即可实现全双工性能
这种性能提升主要来自两方面：更高效的频谱资源利用和分布式天线带来的空间分集增益。
6. 实际部署考虑
6.1 AP调度算法
提出基于局部业务量和目标位置的低复杂度AP调度算法，核心步骤包括：
- 初始化所有AP为待调度状态
- 计算各AP到目标的路径损耗
- 评估各AP服务的用户业务需求(上行/下行)
- 求解优化问题： maxAu,Ad∑m∈AuηULm+∑j∈AdηDLj s.t. Au∩Ad=∅, Au∪Ad=A 其中ηULm和ηDLj为APm和APj的效用函数
该算法将指数复杂度的组合问题转化为多项式时间可解问题，适合实际系统实施。
6.2 干扰管理策略
针对系统特有的干扰问题，提出三级处理方案：
- 空间隔离：通过AP分组减少干扰源
- 预编码优化：抑制残余干扰
- 联合检测：在信号处理层面消除干扰影响
这种分层方法在保证性能的同时，有效控制了处理复杂度。
在实际部署中，我们发现系统性能对以下几个因素特别敏感：AP间的同步精度、信道估计的准确性、业务负载的均衡程度。特别是在高密度用户场景下，合理的AP分组和功率分配对维持系统稳定性至关重要。
7. 技术挑战与未来方向
尽管DTDD CF ISAC系统展现出优越性能，但仍面临若干挑战：
- 大规模信道估计：随着AP和用户数量增加，信道估计开销呈指数增长
- 动态资源分配：需要实时适应时变的业务需求和信道条件
- 硬件非理想性：包括相位噪声、功率放大器非线性等实际因素影响
未来研究方向可能包括：
- 基于深度学习的智能资源管理算法
- 新型波形设计，进一步优化通信感知一体化性能
- 跨层优化框架，实现端到端系统性能提升
这个框架的一个关键优势在于其灵活性——通过软件定义的方式，系统可以在通信容量和感知精度之间实现动态权衡，适应多样化的应用场景需求。从自动驾驶的高精度环境感知，到工业物联网的实时监控，这种技术都能提供可靠的物理层解决方案。
