用于6G网络ISAC系统的AI驱动动态资源分配：智能波束成形、干扰管理与功率分配

让无线网络更智能，服务日常生活

未来的6G网络不仅能连接我们的手机、汽车和家用设备——它们还将充当精细调校的传感器，持续扫描周围环境。本文探讨了人工智能如何帮助这些兼具通信与感知功能的网络自动决定信号指向、功率分配以及规避干扰的策略。目标是在提高无线连接速度与可靠性的同时，实现精确感知，以支持自动驾驶、智慧城市和安全监测等应用。

一个用于通信与感知的统一网络

与其为通信和类雷达感知构建独立系统，不如将两者在相同硬件和无线信道中集成——这就是感知与通信一体化（ISAC）。单个6G基站利用大量小天线发射既承载用户数据又可从物体表面反射回来的信号，从而揭示物体的位置和运动。这种共享方案有望更高效利用频谱、降低成本并催生新服务，但也带来了矛盾：用于通信的信号会干扰感知，而感知信号会影响数据传输。在高速移动的车辆、拥挤的城市街道或瞬时流量波动的场景中，传统的“静态”设置已不再足够。

固定规则为何不够用

传统无线系统通常依赖预先设定的规则或基于缓变条件与近乎完美信道知识的复杂数学优化。在ISAC中，基站必须持续协调波束方向、功率水平与频率选择，同时应对多种干扰：自身信号回波、用户间冲突以及感知与通信链路间的相互串扰。用传统工具反复求解这一平衡问题，在真实6G场景中既过慢又过于僵化，因为用户移动、需求变化和干扰模式都在不断瞬时变化。

AI控制器如何学会自适应

作者提出了一种基于深度强化学习的AI驱动控制器。该控制器持续观测网络状态：信道质量、用户移动速度、干扰程度、感知精度需求以及可用功率等。在每一时刻，它选择动作——如何塑形波束、如何在用户与感知任务间分配功率、如何分配频率。每次决策后，系统会获得一个奖励，反映多重目标：更高的数据速率、更好的感知准确度、更低的能耗与更小的干扰。通过大量仿真交互，AI学会了比固定设计更能平衡这些目标的策略；一旦训练完成，所学到的策略可以以较小的计算开销实时应用。

在城市街道与开阔地带的性能

为检验该方法，研究者模拟了三种典型6G场景：高速城市环境中的快速移动车辆、用户密集的智慧城市以及设备稀少但感知需求高的乡村区域。在这三种场景中，AI控制系统均带来了明显提升。与经典优化方法相比，它将总数据承载能力提高了约45%，与静态波束模式相比提高了约50%，尤其是在基站天线数量多或发射功率较高的情况下。同时，它将能量更聚焦于期望的感知方向，提高了波束增益并降低了目标定位的理论误差界限，从而实现更精确的物体与环境感知。

节能与降低信号杂波

收益不仅限于速率与精度。通过学习何时何地真正需要功率，基于AI的方法在保持既定数据速率的同时，可将发射功率降低约40%，相比传统方案显著节能。它还学会抑制多种形式的干扰——自干扰、用户间冲突以及感知与通信间的串扰——幅度可达约50%。更清洁的信号环境提升了无线链路与感知性能，尤其在拥挤或快速变化的条件下更为明显。作者还分析了计算成本，表明耗时的学习阶段可离线完成，而在线决策速度足以满足严格的6G时延要求。

这对未来6G系统意味着什么

对普通读者而言，核心结论是：本文展示了AI如何在未来6G基础设施中充当实时的“空中交通管制员”，管理无线电波。网络不再依赖固定设置，而是学会动态地引导波束、共享功率并避免通信与感知之间的相互干扰，全部在运行中即时完成。由此产生的是更灵活、节能且更精确的无线系统，能够更好地支持自动驾驶、智能工厂和其他高数据量、对安全敏感的应用。研究表明，AI驱动的资源分配有望成为在6G中实际部署感知与通信一体化的关键使能技术。

引用: Aman, M., Rehman, G.U., Zubair, M. et al. AI-driven dynamic resource allocation for ISAC systems in 6G networks: intelligent beamforming, interference management, and power allocation. Sci Rep 16, 12613 (2026). https://doi.org/10.1038/s41598-026-42247-y

关键词: 6G无线, 感知与通信一体化, 深度强化学习, 波束成形, 干扰管理