基于通感一体的多无人机感知联合优化方法

来源：信号处理杂志 2026年第2期北京时间：

作者：王锦宇, 孙凤松, 王寅昊, 王海涛, 张先超

摘要：低空无线网络（Low-Altitude Wireless Networks， LAWNs）作为实现广域覆盖与智能感知的核心支撑，其综合效能受到频谱资源紧张与硬件能力限制的刚性约束。为应对该问题，通感一体化（Integrated Sensing and Communication， ISAC）技术通过共享频谱与硬件资源，在提升资源利用率的同时，也为实现更高效的感知与通信融合提供了可能。进一步，基于ISAC的多无人机（Unmanned Aerial Vehicle， UAV）协同感知能够突破单机在覆盖范围、感知精度等方面的效能瓶颈，成为满足低空监管高要求的关键路径。然而，多机协作引入了复杂的空间几何约束与同频干扰，且三维动态环境下通信与感知任务强耦合，导致联合优化无人机轨迹、功率、子载波分配及用户关联成为极具挑战的混合整数非线性规划问题。此外，经典多智能体强化学习算法在大规模网络中面临状态空间爆炸、收敛速度慢及策略搜索效率低等瓶颈，难以满足动态协同感知的实时性要求。针对上述挑战，本文提出量子增强的分层多智能体强化学习算法（Quantum-enhanced Hierarchical Multi-Agent Proximal Policy Optimization， Q-H-MAPPO），旨在实现多无人机协作感知与通信的联合效能最大化。首先，构建面向协作感知的联合优化模型，引入克拉美-罗下界（Cramér-Rao Lower Bound， CRLB）作为感知性能指标，量化多机几何构型对感知精度的影响，并在保障通信服务质量的前提下最小化定位误差；其次，采用集中训练分散执行（Centralized Training and Decentralized Execution， CTDE）框架，设计分层马尔可夫决策过程，通过任务分解实现离散变量与连续变量的解耦；进一步，引入基于量子变分电路的振幅编码机制，并借鉴量子交换测试思想设计图注意力机制，在经典计算框架下模拟量子态的特征映射能力，高效提取多智能体间非线性协作关系与信道状态信息；最后，仿真结果表明，所提Q-H-MAPPO算法在多目标、高负载动态场景下性能优异。以目标数为6的场景为例，该算法使感知定位CRLB降至约0.18 m，相比其他基准方法降低了至少7%，在15架无人机的大规模组网场景下，系统和速率达到约31.5 Mbps，较上述基线方法提升约21%~44%。同时，算法在扩展至20架无人机时，推理时延仍稳定在约20~26 ms，较典型基线降低约81%~87%，且收敛速度最快，在150~200训练回合内即达到稳定。这些结果验证了Q-H-MAPPO在提升大规模低空网络协作感知精度、系统吞吐量及决策实时性方面的显著优势。

关键词：通感一体化, 多无人机协作感知, 多智能体强化学习, 量子计算, 资源分配