5G NR集成感知伪影抑制研究取得进展 检测概率显著提升
近期发表于信号处理领域的研究聚焦5G NR参考信号的感知应用。研究指出，实际部署中的非理想因素会导致距离-速度谱出现伪影，掩盖弱目标并引发严重虚警。团队通过理论建模分析了与多相码相关的伪影特性，并提出基于数据-物理驱动的深度学习网络PIAENet进行伪影抑制。经实测数据验证，该方法将检测概率从79.58%提升至98.88%。
5G NR（New Radio，新空口）参考信号因其广泛的部署基础，被视为开展目标感知的重要信号源。然而在实际部署环境中，受器件非线性、信道非理想等多种因素影响，基于参考信号的感知结果会在距离-速度（RV）谱中产生伪影。这些伪影不仅会掩盖真实弱目标，还会带来严重的虚警问题，制约5G集成感知与通信（ISAC）的实际落地。
针对这一挑战，研究团队对伪影的产生机理与特征进行了系统的理论推导。研究表明，伪影与5G NR所采用的多相码（例如Zadoff-Chu序列）密切相关，在距离域呈现周期性扩展，在速度域则出现谱扩散。基于上述发现，团队将伪影的物理先验归纳为时间连续性与空间一致性，并据此设计了相应的训练机制。
在方法层面，研究团队提出了名为PIAENet的深度学习网络，其核心为多帧选择性掩码编码器-解码器模块。其中，时间连续性通过多帧机制捕捉连续RV谱间的特征，空间一致性则借助选择性掩码机制增强伪影区域的重建。团队使用商用毫米波设备采集的真实测量数据进行了全面验证，实验结果证实了多相码相关伪影特性的理论分析，同时表明PIAENet在有效降低虚警数量的同时，将检测概率由79.58%提升至98.88%。
【空音视角】 从行业视角看，该研究揭示的伪影问题并非5G NR独有，而是参考信号类感知方案普遍面临的工程化瓶颈。WiFi感知、非接触生命体征监测等领域同样依赖具有特定调制结构的信号，对应的谱泄漏、多径泄漏与伪影抑制也是核心课题。该工作将物理先验与深度学习结合的思路，对空音团队在WiFi感知信号处理链中开展伪影建模、生命体征与干扰解耦具有借鉴意义，也再次印证了物理建模与数据驱动双轮融合在感知算法工程化中的价值。
—— 本文基于公开报道由空音编辑部 AI 辅助改写 来源：arXiv 信号处理 原文链接：https://arxiv.org/abs/2608.08123
来源：arXiv 信号处理（查看原文）