企业官网建设流程全解析

1. 项目概述：当通信与感知在近场相遇

在6G网络向空天地一体化演进，通信、感知与计算深度融合的大背景下，集成感知与通信（ISAC）正成为未来智能无线系统的关键技术范式。其核心思想不再是通信与感知功能在频谱和硬件上的简单共存，而是通过共享信号、硬件和信号处理资源，实现“一体两面”的协同设计。这意味着，同一个射频信号，在完成高速数据传输的同时，也能像雷达波一样“感知”环境，获取目标的位置、速度甚至轮廓信息。这种深度融合带来的价值是革命性的：它不仅能大幅提升频谱和能量效率，更能为自动驾驶、工业物联网、低空经济等场景提供前所未有的“通信即感知”服务，实现从“连接”到“理解”的跨越。

然而，当我们将目光投向6G可能广泛使用的高频段（如毫米波、太赫兹）和大规模天线阵列时，一个关键挑战浮出水面：近场效应。传统远场通信基于平面波假设，信号波前近似平行，波束赋形主要控制信号的方向。但在近场区域，电磁波呈现球面波特性，信号幅度和相位随距离的变化更为复杂。这既是挑战，也是机遇。挑战在于，阵列几何、传播距离与波束赋形设计之间产生了强耦合，传统远场模型和优化方法不再适用。机遇则在于，球面波特性使得我们能够实现真正的三维空间能量聚焦，将信号能量精确地“汇聚”到目标点，而非简单地“指向”某个方向，这为实现厘米级甚至毫米级的高精度定位和超高速率通信提供了物理基础。

为了驾驭近场，我们需要更灵活的“画笔”。传统固定阵列天线一旦制造完成，其几何结构便无法改变，在应对动态变化的近场环境时显得力不从心。可重构智能表面（RIS）虽然能动态调控电磁波，但其本质是无源反射，存在“双路径损耗”的瓶颈。近年来，一种名为“夹持天线系统”（PASS）的新型天线架构引起了广泛关注。想象一下，将一个个微小的辐射粒子（夹持天线）像“夹子”一样，灵活地夹持在低损耗的介质波导上。这些粒子的位置可以沿着波导动态调整，从而形成一个几何结构可重构的大型孔径阵列。这种架构结合了波导低损耗传输的优势和天线位置灵活可调的灵活性，能够主动建立更有利的视距链路，抑制大尺度路径损耗，并充分利用近场球面波特性进行精细的波束聚焦。

本文要探讨的，正是如何将这种创新的多波导夹持天线阵列（Multi-Waveguide PASS）应用于近场ISAC系统，并通过一套智能的协同优化算法，让通信与感知这对“双生子”在近场区域和谐共生，发挥出“1+1>2”的效能。

2. 系统核心：多波导夹持天线阵列与近场信道建模

2.1 多波导夹持天线阵列架构解析

让我们先来拆解这个系统的硬件核心。如图1所示，我们的系统由八根平行的介质波导构成，它们沿着y轴方向等间距排列。每根波导的长度为30米，架设在离地3米的高度上，沿着x轴方向延伸。这才是PASS的“舞台”。

在这个舞台上，共有64位“演员”——夹持天线（PA）元件。它们被灵活地部署在这八根波导上，通常每根波导部署8个。与传统阵列天线焊死在PCB板上不同，每个PA都可以在所属波导的x轴方向上自由移动和锁定位置。这种“夹持”机制是PASS的灵魂，它赋予了系统前所未有的几何可重构自由度。我们可以根据通信用户（例如位于[15, 10, 0]米处的绿色方块）和感知目标（例如位于[15, -10, 0]米处的紫色三角）的实时位置，动态优化这64个PA的分布，从而在三维空间中“雕刻”出最有利于ISAC联合性能的辐射图案。

这种架构的优势是多方面的：

1. 大孔径与低损耗：介质波导本身对电磁波的传输损耗极低（在28GHz下，典型值约为0.17 dB/m），使得信号可以沿着数十米长的波导传输而衰减很小。PA从波导中耦合能量并辐射出去，相当于将一个大孔径天线的馈电网络“分布”在了波导上，避免了传统大型相控阵复杂且损耗高的馈电网络。
2. 位置可重构性：这是PASS区别于任何固定或有限可调阵列的核心。通过优化PA的位置，我们实际上是在优化整个天线阵列的“形状”和“稀疏度”，这为近场波束聚焦提供了远超传统相位调制的自由度。
3. 空间分集：多波导布局在y方向提供了天然的空间分集。这对于感知尤其重要，因为目标在x和y方向上的定位精度依赖于阵列在不同维度上的孔径。多波导结构能有效改善y方向的几何精度衰减因子（GDOP），从而提升整体定位性能。

2.2 近场球面波信道模型：从公式到物理意义

在近场区域，不能再把电磁波看成一束束平行光。信号从每个PA辐射出去，是以球面波的形式传播到目标点的。因此，信道响应必须精确刻画随距离变化的路径损耗和相位延迟。对于第i个位于pi = [xi, yi, zi]^T的PA到空间某点q = [x, y, z]^T的信道响应hi(q)，我们建立如下模型：

hi(q) = (η / di(q)) * exp(-α_wg * xi) * exp(-j * (2π/λ) * (n_eff * xi + di(q)))

这个公式虽然看起来复杂，但每一项都有明确的物理意义：

• di(q) = ||pi - q||：这是PA到目标点的直线距离，决定了自由空间传播的相位延迟(2π/λ) * di(q)。
• η / di(q)：这是自由空间路径损耗项，其中η = λ/(4π)是自由空间阻抗因子。它体现了信号功率随距离di(q)成反比衰减的基本规律，是坡印廷矢量的直接体现。
• exp(-α_wg * xi)：这是波导传播衰减项。α_wg是波导的衰减系数（单位：奈培/米）。信号在到达位于xi位置的PA之前，已经在波导内部传输了xi的距离，这部分传输也会带来能量损耗。对于28GHz频段常用的聚合物介质波导（如PTFE、聚乙烯），α_wg的典型值在0.01到0.10 Np/m之间。本文采用α_wg = 0.02 Np/m（约0.17 dB/m），这意味着信号在30米长的波导末端，仅因波导传输就衰减了约7.8 dB。这项是PASS信道模型区别于传统自由空间信道的关键。
• exp(-j * (2π/λ) * n_eff * xi)：这是波导内传播的相位延迟项。n_eff是波导的有效折射率（本文设为1.4）。由于电磁波在介质波导中的传播速度慢于真空，波导内的传播路径xi也会贡献额外的相位延迟(2π/λ) * n_eff * xi。这一点至关重要：PA的辐射相位不仅取决于它在空间中的位置pi，还取决于它在波导上的位置xi。这为波束赋形增加了一个独特的调控维度。

整个阵列到目标点的信道向量h(q)就是所有64个PA信道响应的叠加：h(q) = [h1(q), h2(q), ..., h64(q)]^T。这个模型精确捕捉了近场球面波传播的所有关键特征，为后续的联合优化奠定了理论基础。

实操心得：模型参数的实际考量在实际仿真或系统设计中，波导衰减系数α_wg和有效折射率n_eff需要根据所选波导材料的实测数据或精确仿真来确定。不同的材料（如Rogers RO3003、Taconic RF-35）和波导截面形状（矩形、脊形）会导致这些参数显著不同。建议在项目初期就通过矢量网络分析仪（VNA）测量一段已知长度的波导样品的S参数，来反推这些关键参数，而不是仅仅依赖文献中的典型值。

2.3 性能度量：通信速率与感知精度

ISAC系统需要同时服务两个“客户”：通信用户和感知目标。因此，我们需要两个���心指标来衡量系统性能。

通信性能：可达速率通信性能由香农公式定义的可达速率R来衡量：R = B * log2(1 + (Pc * |h^H(qu) w|^2) / σ^2)其中，B是系统带宽（500 MHz），Pc是分配给通信的功率，w是波束赋形向量（满足||w||^2 = 1），σ^2是噪声功率（-90 dBm）。|h^H(qu) w|^2项被称为等效波束赋形增益，它衡量了经过波束赋形后，在用户方向qu上的信号功率增强效果。最大化这个项，就意味着将波束的主瓣精准地对准用户。

感知性能：克拉美-罗下界（CRB）感知的核心任务是估计目标的位置θ = [xs, ys]^T。我们使用克拉美-罗下界（CRB）来衡量理论上无偏估计器所能达到的最佳定位精度。CRB是费舍尔信息矩阵（FIM）的逆矩阵的对角线元素。对于我们的单目标定位问题，在已知探测波形的前提下，可以推导出FIM第(i, j)项的闭合形式表达式：

[F(θ)]_ij = (2 * L * Ps / σ^2) * Σ_n |h_n(qs)|^2 * (1/d_n^2 + 4π^2/λ^2) * (Δ_n,i * Δ_n,j / d_n^2)

这里，L是感知信号快拍数，Ps是感知功率，求和遍历所有PA。Δ_n,x = xs - x_n，Δ_n,y = ys - y_n是目标与第n个PA在x和y方向上的坐标差。

这个公式的物理意义非常深刻：

1. 信道增益权重：|h_n(qs)|^2项表明，距离目标越近的PA（d_n小），其信道增益越大，对FIM的贡献也越大。
2. 近场曲率因子：(1/d_n^2 + 4π^2/λ^2)项是近场特有的。在远场（d_n >> λ），1/d_n^2可忽略，只剩下4π^2/λ^2，即传统的相位梯度主导。而在近场，1/d_n^2代表的幅度梯度不可忽略，它源于球面波幅度随距离1/d衰减的特性。正是这个幅度梯度项，使得近场定位能够突破远场的“角度分辨率”限制，实现基于距离差的高精度定位。
3. 几何投影因子：(Δ_n,i * Δ_n,j / d_n^2)项反映了PA与目标之间的几何关系。当PA围绕目标分布越开（空间分集越好），FIM矩阵的行列式越大，CRB就越小，定位精度越高。

最终，我们用一个聚合的位置CRB度量：CRB_pos(θ) = 0.5 * (sqrt(CRB(qx)) + sqrt(CRB(qy)))，它直观地代表了目标位置估计的理论均方根误差（RMSE）下界。

注意事项：CRB的适用条件CRB给出了理论上的最佳精度，实际算法（如最大似然估计）的性能可能接近但无法超越它。CRB的成立依赖于一些假设，如信号模型准确、噪声是加性高斯白噪声、参数可辨识等。在实际系统中，多径、时钟同步误差、硬件非线性等因素都会使实际性能劣于CRB。因此，CRB更多地是作为系统设计和优化时的理论基准和性能潜力评估工具。

3. 联合优化问题构建与求解挑战

3.1 问题数学表述：多目标下的资源博弈

ISAC的本质是通信与感知功能对有限资源（主要是功率和空间自由度）的竞争。我们的目标不是单纯最大化通信速率或最小化定位误差，而是在两者之间寻找一个最优的权衡点。因此，我们构建了一个加权和形式的优化问题：

max_{x, Pc, Ps, w} [ α * R(x, Pc, w) - β * CRB(x, Ps, w) ]

其中，α和β是权重系数（α + β = 1, α, β > 0），反映了我们对通信和感知性能的偏好。x代表所有PA的位置向量，Pc和Ps是通信与感知功率，w是波束赋形向量。

这个问题受到一系列物理和硬件约束：

1. 总功率约束：Pc + Ps ≤ Pt（总功率预算，例如20 dBm）。
2. 最小功率约束：Pc ≥ Pc_min,Ps ≥ Ps_min（保证基本功能）。
3. 最小间距约束：||pi - pj|| ≥ d_min（例如λ/2 ≈ 5.36mm），防止PA之间距离过近导致互耦效应恶化。
4. 波束赋形归一化：||w||^2 = 1。
5. 离散相位约束：波束赋形向量w的每个元素的相位只能从有限集合中选取（例如6比特量化，对应64个均匀相位点）。

3.2 求解的难点：高维、非凸、混合整数

这个优化问题极其复杂，是典型的“硬骨头”问题，原因如下：

• 高维：优化变量包括64个PA的x坐标（连续）、2个功率值（连续）和64个复波束赋形权值的相位（离散）。即使只考虑相位，在6比特量化下也有64^64种可能组合，是天文数字。
• 非凸：目标函数中，通信速率R是关于w和x的非凸函数（因为|h^H w|^2是w的二次型，但h本身是x的复杂函数）。CRB也是关于x和w的非凸函数。整个问题是高度非凸的，存在大量局部最优解。
• 混合整数：变量类型混合了连续变量（位置、功率）和离散变量（量化相位）。
• 强耦合：PA的位置x决定了信道h，而h又直接影响最优的波束赋形w和功率分配(Pc, Ps)。这些变量相互纠缠，无法轻易解耦。

传统的凸优化或基于梯度的方法对此类问题束手无策。我们需要一种能够全局搜索、同时处理连续和离散变量的智能优化框架。

4. 协同优化算法：PSO与GA的“双剑合璧”

为了攻克上述难题，我们设计了一种协同交替粒子群优化-遗传算法（PSO-GA）框架。其核心思想是“分而治之，交替优化”：将耦合的联合优化问题分解为两个相对容易处理的子问题，通过外层循环交替迭代，让PSO和GA这两种算法优势互补，协同寻找高性能解。

4.1 算法框架总览

整个算法的流程如算法1所示，是一个清晰的交替优化循环：

1. 初始化：随机或按规则初始化PA位置、波束赋形（如最大比传输MRT）和功率分配。
2. 外层循环：重复以下步骤直到收敛： a.阶段一：PSO优化（固定波束赋形w）：使用粒子群优化（PSO）来优化连续变量——PA位置x和通信/感知功率Pc, Ps。 b.阶段二：GA优化（固定位置和功率）：使用遗传算法（GA）来优化离散变量——量化相位波束赋形向量w。 c.收敛判断：检查目标函数（加权和）的提升是否小于阈值，或达到最大迭代次数。

4.2 粒子群优化（PSO）：驾驭连续空间

PSO模拟鸟群觅食行为，非常适合在连续空间中进行搜索。每个“粒子”代表系统的一个候选解，即一个66维的向量：[x1, x2, ..., x64, Pc, Ps]。

粒子如何“飞”？ 每个粒子根据以下公式更新自己的速度和位置：速度更新：v_i^{t+1} = ω * v_i^t + c1 * r1 * (pbest_i - x_i^t) + c2 * r2 * (gbest - x_i^t)位置更新：x_i^{t+1} = x_i^t + v_i^{t+1}

• ω是惯性权重，控制粒子保持之前速度的趋势。我们通常采用线性递减策略（如从0.9到0.4），前期鼓励探索，后期鼓励挖掘。
• c1和c2是学习因子（通常设为2.0），分别代表粒子向自身历史最佳位置pbest和群体历史最佳位置gbest学习的倾向。
• r1,r2是[0,1]间的随机数，引入随机性。

适应度函数：飞行的“指南针”粒子飞向哪里由适应度函数引导，即我们的优化目标：f_PSO = κ(Ps) * [α * R - β * CRB] + γ * Penalty其中，κ(Ps)是一个感知功率的轻微加权因子，用于避免极低感知功率下的数值不稳定。Penalty是惩罚项，用于处理违反约束（如功率超限、PA间距过小）的解，迫使粒子在可行域内搜索。

约束处理：投影法对于PSO产生的不满足最小间距约束的PA位置，我们采用投影法进行修正：如果两个PA的距离小于d_min，则将它们沿着连线方向推开，直到刚好等于d_min。对于功率约束，则先保证最小功率，再按比例缩放以满足总功率预算。这种方法计算简单，能有效保证解的可行性。

4.3 遗传算法（GA）：探索离散组合空间

GA模仿生物进化过程，适用于像波束赋形相位这种离散组合优化问题。

编码与解码我们将一个波束赋形向量w编码成一条“染色体”。由于w是归一化的，我们只关心其相位。采用6比特二进制编码，每个PA的相位用6位二进制数表示，对应64个均匀分布的相位值（分辨率约5.6°）。这样，一条染色体就是64 * 6 = 384比特的二进制串。解码时，将每6位转换为整数d_i，再映射为相位φ_i = (2π / (2^6 - 1)) * d_i，最后得到w_i = (1/√64) * exp(j * φ_i)。

遗传操作：选择、交叉、变异

1. 选择（轮盘赌）：适应度高的个体（染色体）有更高概率被选中进入“交配池”。
2. 交叉（单点交叉）：随机选取一个交叉点，以一定概率（如80%）交换两个父代个体交叉点后的基因段，产生两个子代。这是产生新解的主要方式。
3. 变异（位翻转）：以较小概率（如1%）随机翻转染色体上的某些比特位，引入新的基因材料，维持种群多样性，避免早熟收敛。
4. 精英保留：每一代中适应度最高的个体直接保留到下一代，防止优秀基因丢失。

4.4 关键加速策略：物理信息引导的初始化

随机初始化GA种群虽然能保证多样性，但往往起点质量低，在高维空间中收敛缓慢。我们引入了一种物理信息引导的初始化策略，将通信和感知领域已知的高性能波束赋形方案，经过量化后作为“精英种子”注入初始种群。

1. 最大比传输（MRT）波束赋形：对于固定阵列，最大化通信速率的全局最优波束赋形是w_MRT = h_u* / ||h_u||，即信道共轭。我们计算当前PA布局下的h_u，得到w_MRT，再将其相位量化后编码为染色体。
2. 加权ISAC闭式解波束赋形：对于一个权衡参数μ，最大化μ * |h_u^H w|^2 + (1-μ) * w^H G_s w的全局最优解是矩阵[μ * h_u h_u^H + (1-μ) * G_s]的主特征向量。这里G_s是感知增益矩阵。通过扫描μ从0到1，我们可以得到一系列从纯感知最优到纯通信最优的帕累托最优波束赋形。将这些解量化后注入种群。

这样做的妙处：初始种群不再是“盲人摸象”，而是包含了分布在帕累托前沿（Pareto Frontier）附近的高质量解。这相当于给进化算法提供了“地图”和“路标”，极大地加速了收敛过程，并提高了找到全局更优解的概率。

4.5 算法特性分析

• 复杂度：主要来自PSO和GA的迭代计算。PSO部分复杂度约为O(N_PSO * I_PSO * D)，其中D=66是连续变量维度。GA部分复杂度约为O(N_GA * I_GA * L)，其中L=384是染色体长度。虽然混合策略增加了计算量，但其互补性带来的收敛加速效果，对于此类高维非凸问题，总体效率更高，尤其适合离线规划场景。
• 收敛性：PSO利用社会学习快速导向有希望的区域，GA通过交叉变异进行全局探索和局部精炼。两者交替，既能避免PSO早熟收敛于局部最优，又能弥补GA在连续变量优化上的不足。实验表明，PSO-GA的收敛速度比单独使用PSO或GA快10%-25%。
• 稳定性：精英保留策略确保了历史最优解不会丢失。GA的随机性帮助跳出局部最优。在动态环境中，PSO模块可以实时调整资源分配，GA模块自适应优化波束赋形，展现了较强的鲁棒性。

5. 仿真结果与深度分析

我们基于表1的系统参数进行了大量仿真，验证所提方案的有效性。核心场景是8波导、64 PA，工作在28GHz，带宽500MHz。

5.1 优化结果可视化

图2展示了优化后的PA位置和波束相位分布。从位置图可以看到，PA在靠近通信用户（y=10m侧）的波导上分布更密集，这有利于增强通信链路增益。同时，阵列整体布局仍然能有效“照亮”感知目标（y=-10m侧），体现了ISAC的联合设计思想。相位图则显示64个PA的相位在[-180°, 180°]区间内连续平滑变化，与优化后的阵列几何结构相匹配，能够合成同时指向用户和目标的波束，并抑制旁瓣干扰。

5.2 算法收敛性与性能对比

图3和图4清晰地展示了PSO-GA混合算法的优越性。在收敛曲线中，PSO-GA能够快速将目标函数值提升至5.6（约20代内），并最终稳定在6.1左右，性能最佳。相比之下，单独的PSO虽然稳定但容易早熟，性能次之；单独的GA则波动剧烈，稳定性差；随机搜索性能最差。这证明了PSO处理连续变量和GA处理离散变量的协同效应是有效的。

5.3 通信-感知权衡与帕累托前沿

图5展示了优化后的资源分配结果：总功率20 dBm中，15.0 dBm分配给通信，4.7 dBm分配给感知。这反映了在权重系数α和β的设置下，系统优先保障通信性能，同时将感知功率维持在有效范围内。最终系统实现了约6.10 Gbps的通信速率和约0.01米的定位精度，展现了近场ISAC的巨大潜力。

图8和图9则从理论层面揭示了通信与感知之间的根本性权衡。通过变化权衡参数μ，可以得到一系列帕累托最优解，形成一条帕累托前沿曲线。曲线上的每一个点都代表在给定资源下，通信速率和感知精度（CRB）所能达到的最佳折衷。靠近μ=1（MRT）的点速率高但定位差；靠近μ=0（感知最优）的点定位准但速率低。我们提出的PSO-GA算法通过联合优化位置、功率和波束赋形，找到的操作点能够逼近甚至超越固定阵列几何下的连续相位帕累托边界，这凸显了联合优化相对于仅优化波束赋形的优势。

5.4 鲁棒性分析：不完美CSI与硬件限制

实际系统总是不完美的。图15分析了在不完美信道状态信息（CSI）下的性能。我们建模估计信道为ĥ = h + Δh，其中Δh为估计误差。结果显示，即使在中等误差水平（NMSE = -10 dB）下，所提PSO-GA方案的通信速率保持率仍接近100%，定位误差仅从0.02米增加到约0.4米，且远低于2米的设计门限。这得益于联合优化的PA布局和波束赋形提供了固有的空间分集，对个别信道误差不敏感。

图12和图13考察了硬件限制的影响。图12对比了连续位置优化和两态（激活/关闭）二进制激活模式下的近场波束图案。二进制模式下，PA只能从预定义的离散网格点中选择激活，波束聚焦区域略有展宽，旁瓣电平轻微升高，但基本保留了连续模式的空间能量聚焦特性。性能损失（通信速率约3-8%，定位CRB略有增加）在可接受范围内，证明了离散化实施的可行性。

图13进一步分析了激活比例对性能的影响。一个关键发现是：激活约50%-75%的PA，即可恢复90%-95%的全阵列性能。通信性能在激活50%的PA时出现一个峰值，这是因为适度的稀疏化有时反而能优化波束模式，减少互耦。感知性能则随着激活PA数量的增加单调提升，因为更多的空间采样点直接提升了费舍尔信息。这为实际系统设计提供了重要指导：无需激活全部PA，通过智能选择激活子集，就能以更低的硬件成本、功耗和控制复杂度，获得接近最优的性能。

5.5 波导-天线配置的权衡

图14探讨了一个根本性的系统设计问题：在总PA数固定为64个的前提下，应该用少量长波导（每根波导上PA多），还是多用几根短波导（每根波导上PA少）？

• 通信速率：倾向于“少波导，多PA/波导”。当所有64个PA集中在一根波导上时，通信速率最高（6.83 Gbps）。因为通信依赖于相干波束赋形增益，这增益与同波导上的PA数量成正比。将PA分散到多根波导会降低每根波导的孔���，从而降低波束赋形增益。
• 定位精度：倾向于“多波导，少PA/波导”。当所有PA在一根波导上时，定位误差最差（0.26米），因为所有观测都来自同一个线性方向，几何多样性差，导致FIM病态。增加到2根波导，误差急剧下降46%。超过4根后，改善趋于平缓。

这揭示了ISAC系统内在的通信-感知架构权衡：通信追求集中式的相干增益，感知需要分布式的空间分集。在实际部署中，需要根据业务需求（是更看重速率还是精度）来折中选择波导数量和每波导PA数。

6. 总结与工程化思考

这项研究通过将多波导夹持天线阵列（PASS）与近场ISAC相结合，并设计PSO-GA协同优化框架进行联合资源调配，成功展示了在28GHz频段下同时实现6+Gbps高速通信和厘米级高精度感知的潜力。仿真验证了该方案在通信-感知权衡、算法收敛性和实际约束（离散化、CSI误差、波导衰减）下的鲁棒性。

从工程实践角度，有几点延伸思考：

1. 实时性挑战：本文的PSO-GA算法属于计算密集型离线优化。对于动态场景，需要研究低复杂度的在线算法，例如基于深度学习代理模型的优化、或利用上次优化结果进行热启动的增量式算法。
2. 扩展场景：当前工作是单用户单目标。未来的方向包括多用户通信、多目标感知、以及考虑非视距（NLOS）多径环境的更复杂信道模型。
3. 系统校准：PASS的效能高度依赖于对每个PA位置、波导特性（α_wg,n_eff）的精确已知。这需要一套高精度的实时定位与校准系统，可能是实际部署中的主要挑战之一。
4. 硬件实现：如何设计低损耗、可快速精确移动并锁止PA的机械/电子结构，是实现PASS概念的关键。压电马达、微机电系统（MEMS）或液晶调相器可能是潜在的技术路径。

这项研究为6G时代实现通感一体化的近场高精度服务提供了一种富有潜力的硬件架构和系统设计思路。它告诉我们，通过软硬件协同创新，我们确实有可能在频谱和硬件资源受限的条件下，同时“看得清”也“传得快”。