When Agentic AI Meets Integrated Sensing and Communication

📄 arXiv: 2608.05792v1 📥 PDF

作者: Kai Li, Conggai Li, Sarah Ali Siddiqui, Syed Sohail Ahmed, Xin Yuan, Shenghong Li, Wei Ni

分类: cs.AI

发布日期: 2026-08-06

备注: 35 pages, 132 references, 10 tables, 9 figures

💡 一句话要点

提出AISAC框架以整合智能感知与通信技术

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 集成感知与通信 代理人工智能 闭环系统 多模态智能 强化学习 无人机网络 智能交通 可重构智能表面

📋 核心要点

  1. 现有的ISAC研究多为孤立发展，缺乏统一的框架，导致技术整合与应用效果不佳。
  2. 本文提出AISAC框架，通过六个阶段的闭环系统整合多种智能技术，提升ISAC的智能化水平。
  3. 审计结果显示，现有系统在代理成熟度评估上存在显著差距，本文识别出多个开放挑战，推动未来研究方向。

📝 摘要（中文）

代理人工智能（AI）正在将集成感知与通信（ISAC）从功能导向的物理层技术转变为目标驱动的闭环智能系统，称为AISAC。现有的学习基础感知、资源分配、可重构智能表面（RIS）、边缘智能、多代理协调和弹性网络等研究大多孤立发展。本文通过六阶段闭环框架统一文献，涵盖观察、情境化、推理与预测、规划与编排、执行与协作、反馈与弹性，并引入五个代理成熟度层次。我们利用该框架回顾多模态智能、大型语言模型、强化学习、联邦学习、RIS辅助控制、无人机和车联网及AI原生网络管理的进展，并分析隐私、安全、弹性和可持续性作为全感知-推理-行动循环的交叉要求。对代表性研究的审计显示，没有系统报告超过一到两个代理特定评估标准，揭示了声称与实际代理成熟度之间的差距。我们识别出在物理到语义基础、预测世界模型、实时代理-物理交互、安全工具使用、异构多代理协作、基准测试和资源高效自主等方面的开放挑战。

🔬 方法详解

问题定义：本文旨在解决现有ISAC研究孤立发展的问题，缺乏有效的整合框架，导致技术应用效果不佳。

核心思路：提出AISAC框架，通过六个阶段的闭环系统整合多种智能技术，提升ISAC的智能化水平，强调代理成熟度的评估。

技术框架：整体架构包括六个阶段：观察、情境化、推理与预测、规划与编排、执行与协作、反馈与弹性，每个阶段都有特定的功能与目标。

关键创新：引入五个代理成熟度层次，从物理层原语到完全闭环的代理ISAC，填补了现有研究的空白，提供了系统化的评估标准。

关键设计：在框架中，重点关注多模态智能、大型语言模型、强化学习等技术的结合，确保系统在隐私、安全、弹性和可持续性方面的综合性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

审计结果显示，现有系统在代理成熟度评估上普遍不足，未能满足超过一到两个评估标准，揭示了技术应用中的显著差距，为未来研究提供了明确的方向。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、无人机网络、智能城市基础设施等，能够通过整合感知与通信技术，提高系统的智能化和自主决策能力，推动各行业的数字化转型。

📄 摘要（原文）

Agentic artificial intelligence (AI) is transforming Integrated Sensing and Communication (ISAC) from a function-oriented physical-layer technology into a goal-driven, closed-loop intelligent system, a paradigm we term AISAC. Existing work on learning-based sensing, resource allocation, reconfigurable intelligent surfaces (RIS), edge intelligence, multi-agent coordination, and resilient networking has developed largely in isolation. This survey unifies the literature within a six-stage closed-loop framework comprising observation, contextualization, reasoning and prediction, planning and orchestration, execution and collaboration, and feedback and resilience. It also introduces five levels of agentic maturity, ranging from physical-layer primitives to fully closed-loop agentic ISAC. We use this framework to review advances in multimodal intelligence, large language models, reinforcement learning, federated learning, RIS-assisted control, Unmanned Aerial Vehicle (UAV) and vehicular networks, and AI-native network management, and analyze privacy, security, resilience, and sustainability as cross-cutting requirements of the full perception-reasoning-action loop. An audit of representative studies against nine agentic-specific evaluation criteria shows that no system reports more than one or two of them, exposing a gap between claimed and demonstrated agentic maturity. We identify open challenges in physical-to-semantic grounding, predictive world models, real-time agent-PHY interaction, safe tool use, heterogeneous multi-agent collaboration, benchmarking, and resource-efficient autonomy.