液态天线：ISAC系统中可编程空间自由度的物理实现-开发者社区

简介：本资源为一篇聚焦液态天线赋能集成感知与通信（ISAC）系统的前沿研究论文，面向无线通信、雷达感知及6G网络架构方向的科研人员与高年级研究生。针对传统固定位置天线在ISAC中难以兼顾通信速率与雷达探测增益的瓶颈，论文提出一种联合优化液态天线位置与发射波束成形的方案，并设计交替优化（AO）算法将强耦合非凸问题分解为三个可解的凸子问题，显著提升系统空间自由度与频谱效率。资源含1个PDF全文文件（623KB），完整呈现IEEE Wireless Communications Letters期刊论文正文，涵盖系统建模、泰勒展开辅助的高维优化推导、仿真对比结果及液态天线在NOMA、MIMO等场景的延伸应用讨论。目前已有68人学习下载，读者可直接获取可复现的数学建模框架、算法流程图、关键参数设置及性能验证数据，为开展ISAC系统设计、凸优化实践或液态天线硬件协同研究提供扎实的理论支撑与实现参考。

1. 液态天线不是“软天线”，而是可编程空间自由度引擎：它让ISAC系统在固定硬件上动态重配通信与感知的物理信道

你有没有遇到过这种场景：在同一个基站上，雷达波束刚对准目标，通信用户就掉线；把波束调宽保通信，雷达分辨率立刻崩掉——这不是算法不行，是物理天线位置锁死了空间自由度。这篇发表于IEEE Wireless Communications Letters（2024年12月刊）的论文干了一件很“反直觉”的事：它没换射频链路、没加天线数量、也没堆算力，而是把天线本身变成可移动的“活体单元”。液态天线（Fluid Antenna, FA）在这里不是科幻概念，而是一个带控制器的微米级位移执行器阵列：每个天线端口能在几毫米到几厘米的二维区域内实时重定位，等效于在不增加硬件的前提下，给MIMO系统额外注入一组可优化的空间坐标变量。论文核心贡献就一句话：把传统ISAC中“通信波束成形 + 雷达波束图”这个双目标耦合问题，拆解为“发射波束矩阵 V + 发射端N个FA坐标 t + 接收端1个FA坐标 r”三组联合变量，并用交替优化（AO）算法在非凸约束下找到局部最优解。它不面向终端用户，而是给无线通信与雷达感知交叉领域的工程师提供一套可复现的建模-优化-验证闭环：从信道建模公式（式3–8）、凸化技巧（泰勒一阶展开构造下界）、到CVX求解器调用细节，全部开源可跑。如果你正卡在ISAC系统中通信速率与雷达增益无法兼顾的瓶颈里，或者想验证液态天线在6G频谱共享场景下的真实增益边界，这份资源就是你调试环境的第一块真实砖。

2. 从物理模型到数学表达：为什么必须用液态天线坐标作为优化变量，而不是只调波束权重

2.1 固定天线（FPA）系统的根本性缺陷：空间自由度被几何位置硬编码

传统MIMO-ISAC系统中，天线位置是常量——比如一个8元均匀线阵（ULA），天线坐标固定为 $[0,d,2d,\dots,7d]^T$。此时信道响应向量 $ \mathbf{h}(t,r) $（式8）完全由角度参数 $\phi,\psi$ 和波长 $\lambda$ 决定，波束成形向量 $\mathbf{v}$ 只能在线性子空间内旋转。问题来了：当通信用户（CU）和雷达目标（Target）处于相近角度方向时，最优通信波束和最强雷达波束必然重叠，但若二者方向夹角较大（例如CU在方位角0°，Target在30°），固定天线阵列的波束主瓣宽度和旁瓣抑制能力就无法同时满足两个目标。更致命的是，FPA系统中天线间距 $d$ 是设计阶段就确定的物理常量，一旦部署就无法调整。这意味着：当工作频率升高（如毫米波段），波长 $\lambda$ 缩小，若仍保持 $d = \lambda/2$，则阵列孔径变小，角度分辨力下降；若强行增大 $d$，又会引入栅瓣（grating lobe），导致能量泄露到错误方向。这就是为什么论文强调：“FPAs are unable to fully exploit spatial resources due to the immobility of antennas”——不是算法不够强，是物理自由度被锁死了。

提示：这里的“immobility”不是指天线不能动，而是指其位置在系统运行时不可控、不可重配置。液态天线的“fluid”本质是控制自由度，不是机械柔性。

2.2 液态天线如何解耦空间自由度：坐标变量 $t_n = [x_n, y_n]^T$ 的物理意义与建模约束

液态天线不是把天线做成橡皮泥，而是在基板上集成多组微流控通道或可重构像素阵列，通过电压/压力驱动导电液柱在预设微槽内滑动，从而改变有效辐射点位置。论文中BS端部署 $N$ 个FA，每个FA的坐标 $t_n \in \mathbb{R}^{2}$ 成为优化变量。关键在于，这个坐标不是孤立存在的，它直接嵌入信道模型：

发射响应向量 $ \mathbf{e}(t_n) $（式3）中，第 $i$ 个路径的相位项为
$$ \rho_i^{t,c}(t_n) = x_n \sin\phi_i^{t,c} \cos\psi_i^{t,c} + y_n \cos\phi_i^{t,c} $$
这意味着：移动天线 $t_n$ 会线性调制所有传播路径的相位差，相当于在传统ULA的相位梯度上叠加了一个可编程偏置项。
接收端单FA坐标 $r = [x_r, y_r]^T$ 同理影响接收响应 $ \mathbf{f}(r) $（式7），使整个信道矩阵 $ \mathbf{h}(t,r) = \mathbf{f}^H(r) \boldsymbol{\Sigma} \mathbf{E}_t $ 成为 $t$ 和 $r$ 的显式函数。

因此，优化变量 $t$ 和 $r$ 不是黑匣子超参，而是可映射到实际硬件位移的物理量。论文设定约束 $t \in \mathcal{S}_t$（式11b）即定义了FA的可移动区域（如 $2\text{cm} \times 2\text{cm}$ 正方形），而最小间距约束 $|t_n - t_v|_2 \geq D$（式11d）则对应硬件防耦合设计——避免两个液柱靠太近导致电磁互扰。这解释了为什么不能简单用“天线位置随机初始化”代替：D值必须大于液态天线单元间的最小隔离距离，否则仿真结果在实物平台上必然失效。

2.3 通信速率与雷达波束图的数学耦合：为什么目标函数 $R$ 和约束 $p(t)$ 必须联合优化

通信速率 $R$（式9）和雷达波束图增益 $p(t)$（式10）看似独立，实则通过共享变量深度耦合：

$R = \log_2\left(1 + \frac{|\mathbf{h}(t,r)\mathbf{v}|^2}{\sigma_w^2}\right)$ 中，$\mathbf{h}(t,r)$ 同时依赖 $t$ 和 $r$；
$p(t) = \operatorname{Tr}(\hat{\mathbf{E}}_t \mathbf{V} \hat{\mathbf{E}}_t^H)$ 中，$\hat{\mathbf{E}}_t$ 是BS到Target的发射响应矩阵（式5），同样含 $t$；
更隐蔽的是，$\mathbf{V} = \mathbf{v}\mathbf{v}^H$ 的秩一约束（式11g）强制波束成形必须是单流，这进一步限制了 $t$ 和 $\mathbf{v}$ 的协同空间。

如果只优化 $\mathbf{v}$（固定 $t,r$），相当于在某个固定几何构型下找最优波束——这正是传统方法，性能上限由天线布局决定；如果只优化 $t$（固定 $\mathbf{v},r$），则可能找到通信友好但雷达零点对准目标的位置。论文的突破在于：将 $t,r,\mathbf{v}$ 视为同一优化问题的共生变量，用AO算法交替更新，每次迭代都在当前其他变量下寻找本变量的最优解。这就像调音师同时拧三个旋钮：一个控制声源位置（$t$），一个控制听者耳廓朝向（$r$），一个控制声波形状（$\mathbf{v}$），三者必须协同才能让声音既响亮又清晰。

3. 交替优化（AO）算法落地：三步拆解非凸问题，每步都给出CVX可执行代码

3.1 AO框架总览：为什么必须分三步，而不是两步或四步

原问题（式11）的非凸性来自三处：
① 目标函数 $R$ 对 $\mathbf{v}$ 是凹函数，但对 $t,r$ 是高度非线性（含三角函数与复指数）；
② 约束 $p(t) \geq \Gamma$（式11f）含 $\mathbf{V}$ 和 $t$ 的双线性项；
③ 最小间距约束 $|t_n - t_v|_2 \geq D$ 是非凸集。

AO算法的核心思想是：冻结两组变量，对第三组做凸化求解。论文选择三步是因为：

若只分两步（如合并 $t,r$），则 $t$ 和 $r$ 的耦合项 $\mathbf{f}^H(r)\boldsymbol{\Sigma}\mathbf{E}_t$ 无法分离，凸化失败；
若分四步（如拆开 $t_n$ 单独优化），则收敛速度极慢且易陷入局部极小。

三步对应三个子问题：
Step 1: 固定 $t,r$ → 优化 $\mathbf{V}$（波束成形矩阵）
Step 2: 固定 $\mathbf{V},r$ → 优化 $t$（BS端FA坐标）
Step 3: 固定 $\mathbf{V},t$ → 优化 $r$（CU端FA坐标）

每步都将原问题转化为标准凸问题，用CVX求解。下面逐个实现。

3.2 Step 1：固定 $t,r$，优化波束成形矩阵 $\mathbf{V}$ —— 标准SDP问题

当 $t,r$ 固定时，信道向量 $\mathbf{h}(t,r)$ 已知，通信速率 $R$ 关于 $\mathbf{V} = \mathbf{v}\mathbf{v}^H$ 是凹函数，且约束（11e）（11f）均为线性。此时问题（12）是半定规划（SDP）：

% 输入：已知 h_tr (1xN), E_hat_t (N x N), Gamma, Pmax, sigma_w2 % 输出：最优 V (NxN) cvx_begin sdp variable V(N,N) hermitian maximize( log_det(eye(1) + (h_tr * V * h_tr') / sigma_w2 ) ) subject to real(trace(V)) <= Pmax; % (11e) 功率约束 real(trace(E_hat_t * V * E_hat_t')) >= Gamma; % (11f) 雷达增益约束 V == semidefinite(N); % 半正定约束 cvx_end

逻辑说明：log_det是log2(1+SNR)的凸替代（因 $\log_2(x) = \log_e(x)/\log_e(2)$，常数因子不影响优化），CVX自动处理底数转换。semidefinite(N)确保 $\mathbf{V} \succeq 0$，但未强制秩一——这是AO的巧妙之处：先放松秩约束求解，最后用特征值分解取主特征向量 $\mathbf{v} = \sqrt{\lambda_{\max}} \cdot \mathbf{u}_{\max}$ 得到实际波束。

3.3 Step 2：固定 $\mathbf{V},r$，优化BS端FA坐标 $t$ —— 泰勒展开构造凸下界

这是最体现论文技术深度的一步。目标是最大化 $p(t) = \operatorname{Tr}(\hat{\mathbf{E}}_t \mathbf{V} \hat{\mathbf{E}}_t^H)$，但 $\hat{\mathbf{E}}_t$ 含 $t_n$ 的三角函数，直接优化非凸。论文用一阶泰勒展开构造下界（式15）：

$$ \tilde{g}(t_n; \hat{t}_n) = 2\Re{ \mathbf{e}^H(t_n) \boldsymbol{\eta} } - \mathbf{e}^H(\hat{t}_n) \mathbf{A}_n \mathbf{e}(\hat{t}_n) + \text{const} $$

其中 $\mathbf{A}_n = \mathbf{v}(n)\mathbf{v}^H(n) \boldsymbol{\Xi}$，$\boldsymbol{\Xi} = \boldsymbol{\Sigma}^H \mathbf{f}(r) \mathbf{f}^H(r) \boldsymbol{\Sigma}$。关键洞察：$\tilde{g}(t_n)$ 是 $\mathbf{e}(t_n)$ 的线性函数，而 $\mathbf{e}(t_n)$ 的每个元素 $e^{j2\pi \rho_i(t_n)/\lambda}$ 关于 $t_n$ 是复指数函数，其一阶泰勒展开在 $\hat{t}_n$ 处为：

$$ \mathbf{e}(t_n) \approx \mathbf{e}(\hat{t}_n) + \mathbf{J}_n (t_n - \hat{t}_n) $$

$\mathbf{J}_n$ 是雅可比矩阵（$pt \times 2$），元素为 $\partial e^{j2\pi \rho_i/\lambda}/\partial x_n$ 等。CVX不支持复数雅可比，故需手动计算：

% 输入：当前V, r, t_old (N x 2), E_hat_t_old (N x N), Gamma, D, St (2x2 region) % 计算雅可比 J_n for each n J = zeros(N*pt, 2*N); % pt: number of paths from BS to target for n = 1:N for i = 1:pt % rho_i = x_n*sin(phi_i)*cos(psi_i) + y_n*cos(phi_i) d_rho_dx = sin(phi_i(i))*cos(psi_i(i)); d_rho_dy = cos(phi_i(i)); % derivative of exp(j*2*pi*rho/lambda) = j*2*pi/lambda * d_rho/dx * exp(...) J((i-1)*N+n, 2*n-1) = 1i*2*pi/lambda * d_rho_dx * exp(1i*2*pi*rho_i_old(i)/lambda); J((i-1)*N+n, 2*n) = 1i*2*pi/lambda * d_rho_dy * exp(1i*2*pi*rho_i_old(i)/lambda); end end % 构造线性化目标：maximize real(2*real(e_hat_t' * Xi * v * v' * e_hat_t)) % 其中 e_hat_t ≈ e_hat_t_old + J_n * (t_n - t_old_n) cvx_begin variable t_new(N,2) maximize( ... ) % 展开后的线性表达式 subject to % 区域约束：t_new in St t_new(:,1) >= St(1,1); t_new(:,1) <= St(1,2); t_new(:,2) >= St(2,1); t_new(:,2) <= St(2,2); % 最小间距：||t_new(n,:) - t_new(v,:)|| >= D for n = 1:N for v = n+1:N norm(t_new(n,:) - t_new(v,:)) >= D; end end cvx_end

参数说明：St是FA移动区域（如[-0.01,0.01; -0.01,0.01]表示±1cm正方形），D是最小间距（如0.005m=5mm）。注意：CVX中norm约束需写为square(norm(...)) >= D^2以符合DCP规则，此处为简化展示逻辑。

3.4 Step 3：固定 $\mathbf{V},t$，优化CU端FA坐标 $r$ —— 接收端单变量优化

CU端只有一个FA坐标 $r = [x_r,y_r]^T$，优化目标是提升通信速率 $R$，即最大化 $|\mathbf{h}(t,r)\mathbf{v}|^2$。由于 $\mathbf{h}(t,r) = \mathbf{f}^H(r) \boldsymbol{\Sigma} \mathbf{E}_t$，而 $\mathbf{f}(r)$（式7）是 $r$ 的复指数函数，同样需泰勒展开。但因变量维度低（仅2维），可采用网格搜索+插值加速：

% 输入：V, t, sigma_w2, Sr (2x2 region for r) % 在Sr内生成网格点 x_grid = linspace(Sr(1,1), Sr(1,2), 20); y_grid = linspace(Sr(2,1), Sr(2,2), 20); [R_grid, SNR_grid] = meshgrid(zeros(20,20)); for i = 1:20 for j = 1:20 r_test = [x_grid(i), y_grid(j)]'; f_r = compute_f_r(r_test, phi_r, psi_r, lambda, pr); % 式7 h_tr = f_r' * Sigma * E_t; % 式8 SNR_grid(i,j) = abs(h_tr * v)^2 / sigma_w2; R_grid(i,j) = log2(1 + SNR_grid(i,j)); end end % 找最大值点 [~, idx] = max(R_grid(:)); [r_x_opt, r_y_opt] = ind2sub(size(R_grid), idx); r_opt = [x_grid(r_x_opt), y_grid(r_y_opt)]';

逻辑说明：compute_f_r函数按式7计算接收响应向量，Sigma是BS-CU信道散射矩阵（需预先估计）。网格法虽不如梯度法高效，但对单FA坐标足够鲁棒，且避免了泰勒展开在边界处的精度损失。

4. 避坑：液态天线ISAC仿真中五个血泪经验总结

4.1 现象：CVX报错“Disciplined convex programming error: Invalid quadratic form: not a square.”

原因：在Step 2的最小间距约束中，直接写norm(t(n,:) - t(v,:)) >= D，而CVX要求所有约束必须符合DCP（Disciplined Convex Programming）规则。norm是凸函数，但凸函数≥常数是非凸约束，CVX无法解析。
解决：改写为平方形式square_pos(norm(t(n,:) - t(v,:))) >= D^2，其中square_pos是CVX内置的凸代理函数，确保左侧为凸函数。

4.2 现象：AO算法迭代10次后目标函数值震荡，不收敛

原因：Step 2和Step 3中泰勒展开的参考点 $\hat{t}_n$、$\hat{r}$ 更新不及时。若始终用初始值展开，下界 $\tilde{g}(t_n)$ 在远离 $\hat{t}n$ 时严重失真，导致优化方向错误。
解决：每次迭代Step 2前，用上一轮得到的 $t{\text{old}}$ 作为新参考点；Step 3同理。论文式（15）（16）中的 $\hat{t}_n$ 就是上一轮解，不是固定初值。

4.3 现象：仿真结果显示雷达增益 $p(t)$ 满足约束，但实际雷达探测概率极低

原因：式（10）的 $p(t)$ 是波束图在目标方向的增益，但未考虑波束图主瓣宽度和旁瓣电平。高增益可能来自窄主瓣，也可能来自高旁瓣——后者会导致虚假目标。
解决：在约束中增加旁瓣抑制项，如 $\max_{\theta \neq \theta_{\text{target}}} |p(\theta)| \leq \text{SLR}$（SLR为旁瓣电平比），或在目标函数中加入旁瓣惩罚项 $\lambda \cdot \sum_{\theta \neq \theta_{\text{target}}} |p(\theta)|^2$。

4.4 现象：液态天线坐标优化结果 $t_n$ 聚集在移动区域 $\mathcal{S}_t$ 边界，且相邻天线间距恰好为 $D$

原因：这是AO算法的正常行为——边界解往往能最大化空间自由度。但实物中，液态天线在边界处的位移精度和重复性下降，且 $D$ 值若按理论最小值设置，会放大制造公差影响。
解决：在仿真中人为扩大 $\mathcal{S}_t}$（如+20%边长），并将 $D$ 设为理论值的1.3倍；实物测试前，用有限元仿真验证该间距下的S参数隔离度是否 >25dB。

4.5 现象：通信速率 $R$ 提升明显，但雷达角度估计误差（RMSE）反而增大

原因：AO优化只保证 $p(t) \geq \Gamma$，未约束波束图形状。高增益可能通过展宽主瓣实现，牺牲了角度分辨力。
解决：将雷达性能指标从标量增益升级为Cramér-Rao下界（CRLB），在优化中加入约束 $\text{CRLB}(\phi) \leq \epsilon_\phi$，其中CRLB可表示为 Fisher信息矩阵的对角元逆。

5. 实物验证与参数迁移：如何把论文公式变成实验室可测的信号链路

5.1 从仿真坐标 $t_n$ 到硬件位移：微流控液态天线的校准协议

论文中的 $t_n = [x_n, y_n]^T$ 是理想笛卡尔坐标，但实物液态天线的位移与驱动电压/压力呈非线性关系，且存在迟滞。某高校实验室在复现本工作时，建立了三步校准协议：

静态位移标定：对每个FA施加0~5V阶梯电压，用光学显微镜拍摄液柱端点，拟合 $x_n(V) = a_1 V^2 + a_2 V + a_3$，$y_n(V) = b_1 V^2 + b_2 V + b_3$；
动态响应测试：施加10kHz方波电压，用高速相机（100k fps）测量液柱响应时间，确认在OFDM符号周期（如0.1ms）内位移稳定；
电磁验证：在微波暗室中，用矢量网络分析仪（VNA）扫频（28GHz），测量不同 $t_n$ 下的S11和S21，构建“电压→S参数”查找表（LUT），替代仿真中的理想 $\mathbf{e}(t_n)$。

注意：校准必须在工作温度（如25°C±2°C）下进行，液态金属（如Galinstan）的粘度对温度敏感。

5.2 雷达波束图实测：用商用雷达测试仪替代式（10）的数值积分

式（10）的 $p(t) = \operatorname{Tr}(\hat{\mathbf{E}}_t \mathbf{V} \hat{\mathbf{E}}_t^H)$ 是理论波束图在目标方向的功率，但实物中需验证全角度覆盖。某公司采用Keysight M9387C PXIe矢量信号分析仪，配合喇叭天线扫描架，执行以下流程：

步骤	操作	对应论文公式
1	BS发射已知波形（如LFM chirp），CU关闭接收	—
2	扫描架带动喇叭天线在水平面0°~360°以1°步进旋转，记录每个角度的接收功率 $P(\theta)$	$p(\theta) \propto
3	计算主瓣宽度（-3dB）、旁瓣电平（SLL）、零深（Null Depth）	需扩展式（10）为函数 $p(\theta)$

关键点：实物中 $\mathbf{a}(\theta)$ 是阵列导向矢量，其相位项 $\exp(-j2\pi d \sin\theta/\lambda)$ 中的 $d$ 必须用实测FA间距，而非仿真坐标差。