近场 XL-MIMO 一体化接入检测、信道估计与协作定位仿真平台

面向 ISAC 场景的 MMV/GMMV 稀疏恢复与多子阵协作定位统一实现

近场球面波建模 · 结构化块稀疏恢复 · MUSIC/WLS 定位闭环

为什么选择

在近场超大规模天线场景中，传统“远场平面波 + 单任务估计”流程难以同时兼顾活动用户检测、信道恢复与定位精度。  本项目以统一的近场几何信道模型为基础，将 AUD、CE 与定位 串联为闭环仿真链路，并支持 MMV/GMMV 多算法对照。  工程实现采用参数集中、过程可追踪、结果可复现的脚本化组织方式，适用于科研复现实验与算法迭代。

核心价值

学术研究价值

面向近场 ISAC 的“模型-算法-指标”一体化实验平台。

• 近场多径几何建模
• 块稀疏恢复机制对比
• MMV/GMMV 统一框架分析
• 通信恢复到定位的闭环验证

工程应用价值

强调可运行、可追踪、可复现实验的工程化组织方式。

• 参数集中式脚本结构
• 关键流程日志追踪
• 结果文件自动归档
• 图形输出风格统一

技术亮点

近场 ISAC 链路：分离式流程 vs 一体化流程

| 特性     | 传统方案             | 本方案                                 |

| ---------- | ---------------------- | ---------------------------------------- |

| 信道建模 | 远场或弱几何抽象     | 近场球面波 + 子阵可见性                |

| 观测建模 | 单场景、单字典       | MMV/GMMV 双模式统一                    |

| 稀疏恢复 | 单算法验证           | BSP/BSAMP/OMP/StrBOMP 全链对比         |

| 结果指标 | 单点输出             | Pe + NMSE + 定位误差 联合统计     |

| 代码组织 | 分散脚本、复现成本高 | 参数集中 + 主流程简洁 + 末尾函数模块化 |

性能指标（实测数据）

数据来源： ISAC-XMIMO/output/AUD_CE_MMV_Results.mat，配置为 num_sim=200、 K=60、 Ka=6

| 场景             | 基线                                            | 本方案                                                | 结论                       |

| ------------------ | ------------------------------------------------- | ------------------------------------------------------- | ---------------------------- |

| Ptx=0 dBm  | MMV-BOMP： Pe=0.0140， NMSE=-7.65 dB  | MMV-BSOMP-改进： Pe=0.0046， NMSE=-14.92 dB | 低功率区检测与估计明显改善 |

| Ptx=10 dBm | MMV-BOMP： Pe=0.0035， NMSE=-14.01 dB | MMV-BSOMP-改进： Pe=0.0009， NMSE=-23.03 dB | 中功率区优势持续扩大       |

| Ptx=20 dBm | MMV-BOMP： Pe=0.0026， NMSE=-18.34 dB | MMV-BSOMP-改进： Pe=0.0002， NMSE=-25.57 dB | 高功率区逐步逼近理想支持   |

| Ptx=30 dBm | MMV-BOMP： Pe=0.0030， NMSE=-18.58 dB | MMV-BSOMP-改进： Pe=0.0002， NMSE=-25.82 dB | 误检率保持低位且估计稳定   |

协作定位能力

协作定位链路由“GMMV 恢复 + MUSIC 角距估计 + WLS 坐标反演”组成，可直接复用通信恢复阶段得到的信道估计结果。

| 参数             | 配置                               | 性能                                 |

| ------------------ | ------------------------------------ | -------------------------------------- |

| 活动用户检测入口 | K=60, Ka=6，GMMV 子阵级恢复  | 为定位提供稳定候选用户集合           |

| 角距估计方式     | music_angle + music_distance | 在子阵级观测上提取几何参数           |

| 坐标反演方式     | 加权最小二乘（WLS）                | 输出用户坐标估计与 MSE_Loca 统计 |

运行环境

项目采用 MATLAB 脚本化科研仿真形态，默认以单机离线方式运行。

• 语言：MATLAB（推荐 R2023b 及以上）
• 依赖：Statistics and Machine Learning Toolbox（ cdfplot），Parallel Computing Toolbox（可选）
• 硬件：Windows/Linux 开发工作站（建议 16GB 内存及以上）

项目结构

Near-Field-XMIMO/
 ├── ISAC-main/                  # 原始参考实现
 │   ├── Joint_AUD_CE_XLMIMO/    # AUD+CE 参考算法与主脚本
 │   ├── MultiSubarrayCollabLoc/ # 协作定位参考算法与主脚本
 │   └── ...                     # 其他参考文件
 ├── ISAC-XMIMO/                 # 重构后的主工程目录
 │   ├── run_aud_ce.m            # 联合 AUD+CE 主脚本（MMV/GMMV）
 │   ├── run_collab_loc.m        # 协作定位主脚本
 │   └── output/                 # 结果文件与图形输出
 ├── docs/                       # 项目文档目录
 │   ├── 算法文档.md             # 原理与公式推导
 │   └── 代码文档.md             # 代码结构与函数说明
 └── Plan.md                     # 协作计划与阶段记录

文档体系

文档按“理论先行 + 代码落地”双轨组织，覆盖算法推导、实现映射与运行指引。

算法文档

docs/算法文档.md：系统模型、近场信道推导、MMV/GMMV 稀疏恢复、MUSIC/WLS 定位与附录级公式分析。

代码文档

docs/代码文档.md：目录职责、主流程时序、函数输入输出、数据结构维度与参考实现映射关系。

核心代码展示

近场信道生成模块

该模块根据用户位置、子阵几何与 LoS/NLoS 多径关系生成三维信道张量，是整条仿真链路的物理基础。

# 初始化子阵位置、用户位置、散射体位置
 # 对每个活动用户循环
 #   采样路径数并生成路径复增益
 #   若 LoS:
 #       计算子阵距离、角度、相位延迟、阵列响应
 #   若 NLoS:
 #       叠加 UE->散射体->子阵双段传播
 #   对所有有效子载波累积路径贡献
 # 输出 H_set(N_BS, P_subc, K)

MMV/GMMV 观测构造与稀疏恢复模块

该模块将信道映射到观测域，构建字典矩阵（或张量），并调用块稀疏恢复算法输出活动集合与信道估计。

# 逐导频块生成随机相位合并矩阵 W_RF
 # MMV: 使用共享导频列构造统一字典 Z
 # GMMV: 每子载波单独构造字典切片 Z(:,:,p)
 # 叠加噪声并注入发射功率缩放
 # 调用 BSP/BSAMP/OMP/StrBOMP 等算法
 # 计算 Pe 与 NMSE 指标

协作定位模块（MUSIC + WLS）

该模块先由恢复信道估计角度与距离，再通过加权最小二乘反演用户二维坐标。

# 对命中用户提取子阵级信道块
 # 依据子阵能量筛选高可信子阵
 # 对每个子阵:
 #   调用 MUSIC 角度估计
 #   调用 MUSIC 距离估计
 # 构建几何约束矩阵 A,b 与权重矩阵 Omega
 # 通过 WLS 求解用户坐标
 # 统计定位误差 MSE_Loca

一键运行

cd('D:/10_存储库/OneDrive/15.代码归档/01.施工中/Near-Field-XMIMO/ISAC-XMIMO')
 run('run_aud_ce.m')
 run('run_collab_loc.m')

结果预览

🛒 获取方式

本文代码仅为核心片段，完整版工程已整理好。 关注公众号 【 3GPP 仿真实验室】进行获取。

参考文献

1. E. J. Candès and M. B. Wakin, “An Introduction to Compressive Sampling,” IEEE Signal Processing Magazine, vol. 25, no. 2, pp. 21-30, 2008.
2. J. A. Tropp and A. C. Gilbert, “Signal Recovery From Random Measurements Via Orthogonal Matching Pursuit,” IEEE Transactions on Information Theory, vol. 53, no. 12, pp. 4655-4666, 2007.
3. R. O. Schmidt, “Multiple Emitter Location and Signal Parameter Estimation,” IEEE Transactions on Antennas and Propagation, vol. 34, no. 3, pp. 276-280, 1986.
4. S. M. Kay, Fundamentals of Statistical Signal Processing: Estimation Theory, Prentice Hall, 1993.
5. T. L. Marzetta, E. G. Larsson, H. Yang, and H. Q. Ngo, Fundamentals of Massive MIMO, Cambridge University Press, 2016.