《基于深度学习的通感一体化系统综述》由冉鑫怡（重庆邮电大学通信与信息工程学院）、陈前斌、徐勇军、左文科（中国电信股份有限公司重庆分公司）、赵耘、陈莉合作完成，发表于2025年6月的《通信学报》第46卷第6期。该综述聚焦无线通信与雷达感知技术深度融合背景下，深度学习（DL, Deep Learning）在通感一体化（ISAC, Integrated Sensing and Communication）系统中的研究进展、技术挑战及未来方向。
核心观点与论据
1. ISAC的技术基础与系统架构
ISAC通过共享硬件平台与频谱资源，实现通信与感知功能的协同优化。其技术基础包括： - 原理与模型：利用单一波形同时完成信息传输（如式(1)-(3)中的信号模型）和环境感知（如回波信号处理）。系统模型涵盖单基站与多节点协作两种架构（表1），前者适用于小范围场景（如智能家居），后者通过分布式MIMO（Multiple-Input Multiple-Output）和联邦学习提升复杂环境适应性（图3-4）。 - 深度学习方案：分为数据驱动（如LSTM波束预测）和模型驱动（如深度展开网络）两类（表2）。数据驱动依赖大量标注数据，而模型驱动结合先验知识（如MMSE算法），但两者均面临动态环境泛化能力不足的挑战。
2. ISAC中的典型深度学习模型
- DNN（深度神经网络）：通过多任务学习协同优化通信参数与感知任务（图7），但依赖大规模数据且缺乏实时调整能力。
- CNN（卷积神经网络）：擅长处理时空特征（如雷达点云），但长序列建模能力有限（图8）。
- Transformer：基于自注意力机制（式(4)）实现全局特征融合，在高移动性信道估计中表现优异，但计算开销大（图10）。
- DRL（深度强化学习）：通过动态策略生成优化资源分配（如DDQN降低57.14%能耗），但训练样本效率低（图11）。
3. 深度学习在ISAC中的应用进展
- 信道估计：结合RIS（可重构智能表面）与张量分解的C-DRCNN模型，在低信噪比下MSE降低10 dB（表4）。
- 信道编码：VAE-CNN框架实现信号高效融合，但存在信息安全风险（表5）。
- 资源分配：DRL算法（如SAC）在动态环境中优化频谱效率，时延降至0.66 s（表6）。
- 人体检测：Vision Transformer在Wi-Fi CSI分析中准确率达98.78%，但泛化性不足（表7）。
- 目标追踪：量子增强DRL框架将DOA估计误差降低90%（表8）。
4. 技术挑战与未来方向
- 模型稳健性：动态无线环境中DL模型易性能退化，需通过元学习提升泛化能力。
- 计算效率：Transformer等高复杂度模型难以边缘部署，需结合模型剪枝与硬件加速。
- 数据安全：ISAC的多节点协作可能引发隐私泄露，需探索联邦学习与加密技术。
论文价值与意义
该综述系统梳理了深度学习驱动ISAC的研究框架（图2），揭示了通信与感知协同优化的技术路径。其科学价值在于： 1. 理论层面：提出多模态特征融合、动态资源分配等创新方法，为6G网络智能化提供理论基础。 2. 应用层面：总结的轻量化模型（如ResNet）和实时优化策略（如DRL）可直接指导智慧城市、工业物联网等场景部署。 3. 前瞻性：指出的数据安全与计算效率问题，为后续研究指明了突破方向。
亮点与创新
- 跨领域融合：首次系统整合DL模型与ISAC技术，提出“通信-感知-计算”联合优化范式。
- 技术对比分析：通过表格（如表3、表9）量化对比不同模型的适用场景与性能边界。
- 挑战深度剖析：从数据、算法、系统三层面提出解决方案，如边缘计算与云端协同架构。