首页/文章/ 详情

新文推送——基于深度学习的车载ISAC场景动态环境重建

北交大智能交通电波传播研究团队

4月前浏览803

北京交通大学

高移动性通信/智能交通电波传播研究组

文章概况

以宋浚哲（Junzhe Song）为第一作者，何睿斯（Ruisi He）为通讯作者的文章近日于IEEE Transactions on Wireless Communications上发表。

文章题目为：“Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios（基于深度学习的车载ISAC场景动态环境重建）”。

所有作者为：宋浚哲（Junzhe Song）、何睿斯（Ruisi He）、杨汨（Mi Yang）、张正宇（Zhengyu Zhang）、刘炳成（Bingcheng Liu）、韩佳慧（Jiahui Han）、张皓翔（Haoxiang Zhang）、艾渤（Bo Ai）。

DOI：10.1109/TWC.2026.3676063

内容介绍

综合感知与通信（ISAC）技术被国际电信联盟认定为下一代网络的关键特征，也是6G的核心愿景之一。在车载ISAC场景中，车辆可以复用无线通信信号来感知和重建周围环境，这为未来智能交通系统提供了一种低成本、高集成度的解决方案，能够显著降低对激光雷达（LiDAR）或雷达等昂贵专用传感设备的依赖。然而，现有的基于ISAC的重建方法在实际应用中面临显著局限：首先，传统环境重建多依赖FMCW毫米波雷达和专用硬件，成本高且难以与通信波形兼容；其次，现有利用通信或感知信道特征进行重建的研究多依赖于仿真数据或静态场景实验，在面对真实车联网（V2X）中高动态、强时变且观测角度连续变化的复杂环境时，其感知精度和时间一致性会大幅下降。此外，由于ISAC信道特征（如时延、到达角等）具有高维和抽象的特点，很难直接建立其与动态物理环境之间的显式映射关系。因此，亟需一种能够适应高度动态车载场景且精确可靠的ISAC环境重建方案。

（图1 模型架构。）

为了解决上述难题，本文提出了一种由ISAC信道数据驱动的深度学习框架——多阶段信道到重建网络（MSCR-Net），如图1所示。该模型的设计灵感来源于人类视觉系统的渐进式感知过程：先识别场景类别，再定位中心，最后细化形状。MSCR-Net主要由特征编码器和三阶段串行解码器组成。特征编码器包含距离、角度和基于Transformer架构的混合特征编码器，用于深度融合并提取多径分量中的时延、方位角（AoA）和俯仰角（EoA）等高维信道参数。在解码端，第一阶段的“场景解码器”负责从信道特征中推断出环境语义上下文（如场景是仅有建筑/树木，还是二者混合）；第二阶段的“语义中心解码器”根据场景分类结果，通过定位主要对象的中心来预测粗略的空间布局；第三阶段的“点云解码器”则利用语义中心坐标，生成包含1000个3D坐标点的点云分布，恢复周围环境的精细几何结构。模型还采用了跨阶段冻结梯度和适应性加权的多目标损失函数策略，确保了梯度更新的稳定性。

（图2 实验结果。)

为验证MSCR-Net的性能，研究团队在28 GHz频段下构建了一套统一的车载ISAC与LiDAR联合测量平台，在真实的城市动态道路环境中采集了大规模的信道数据和高分辨率点云数据，构建了真实的信道-环境数据集。图2的实验结果表明，MSCR-Net在复杂动态场景的重建中表现优异，取得了0.29米的倒角距离（Chamfer Distance）和0.87的F-score@0.5m得分。与现有的ResNet和AGGRNN等深度学习基线模型相比，MSCR-Net不仅能够清晰区分建筑物和树木等不同散射体，还能生成结构完整且边界清晰的点云轮廓。此外，在全局时间一致性评估中，该模型能够平滑追踪环境随时间的演变，消除了传统基于几何的信道反演方法中常见的“幽灵目标”（Ghost Targets）和结构畸变问题。在复杂度方面，MSCR-Net展现出极高的推理效率，其在RTX5080上的单样本平均推理时间仅为0.9毫秒，远快于传统算法（15毫秒）和LiDAR系统处理时间（100毫秒），非常适合实时场景应用。

本研究的成果填补了基于ISAC信道的动态环境建模与高精度三维重建领域的空白，为未来的智能交通系统提供了一条极具潜力的低成本技术路径。它证明了通过深度挖掘和建模ISAC信道固有的物理传播特征，可以将通信网络基础设施转化为高效的分布式感知平台。这种方法在保证高精度和空间一致性的前提下，成功提供了一种能有效降低对传统高成本传感器依赖的感知替代方案，为未来6G车联网和自动驾驶系统提供了强有力的支持。不仅如此，该架构捕捉了信道参数与空间结构之间的基本物理映射，具备对不同硬件配置和城市场景的强泛化潜力，为后续在边缘计算平台上实现低成本实时部署与多车协同感知奠定了坚实基础。

@ARTICLE{11456331,  author={Song, Junzhe and He, Ruisi and Yang, Mi and Zhang, Zhengyu and Liu, Bingcheng and Han, Jiahui and Zhang, Haoxiang and Ai, Bo},  journal={IEEE Transactions on Wireless Communications},   title={Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios},   year={2026},  volume={25},  number={},  pages={14198-14211},  keywords={Deep learning;Wireless communication;Point cloud compression;Wireless sensor networks;Trees (botanical);Semantics;Integrated sensing and communication;Real-time systems;Decoding;Vehicle dynamics;ISAC;dynamic environment reconstruction;channel measurement;deep learning},  doi={10.1109/TWC.2026.3676063}}

或

J. Song et al., "Deep Learning-Based Dynamic Environment Reconstruction for Vehicular ISAC Scenarios," in IEEE Transactions on Wireless Communications, vol. 25, pp. 14198-14211, 2026, doi: 10.1109/TWC.2026.3676063.

来源：北交大智能交通电波传播研究团队

著作权归作者所有，欢迎分享，未经许可，不得转载

首次发布时间：2026-04-13

电波讲堂系列讲座第八期：无线通信信道建模 —北京交通大学杨汨副教授

免费

还没有评论