2024年6G通感一体化协作感知关键技术-2030（6G）推进组

目录第章引言 7第章协场景类以优势挑战 8多模态协作 8多频段协作 9多节点协作 10多基站协作场景 10基站与终端协作场景 10多节点协作感知的优势 11多节点协作感知的挑战 14第章多点协感知空口键技术 14帧结构 15功率控制 15资源冲突解决 16干扰管理 18杂波抑制 21高精度同步 23非理想因素消除 24非视距识别与利用 26节点选择与切换 28第章多态协感知法 31基于自适应多策略信息融合的二维目标检测方法 32基于雷达区域建议网络和深度增强的三维目标检测方法 34第章多段协感知法 36系统模型 37基于峰谱聚合的多频段融合算法 38基于特征向量的多频段融合算法 39第章多点协感知法 41系统模型 42信号级融合 43符号级融合 46多个自发自收的协作场景下的融合算法 46自发他收的协作场景下的融合算法 48自发自收与自发他收的一体协作场景下的融合算法 50数据级融合 532基于算术平均的融合算法 54基于权重迭代的融合算法 54基于栅格聚类的融合算法 56基于滤波器递归的融合算法 58第章多点协感知原型证 60基站间协作感知 60终端间协作感知 62第章总与展望 64参文献 66贡单位 703图目录图1 ITU-R定义的IMT-2030应用场景和关键能力 7图2 多模态协作感知示意图 9图3 多基站协作场景 10图4 基站与终端协作场景 图5 不同节点感知时无人机的RCS对比图 12图6 多站协作提升检测概率 12图7 更优的感知范围和连续性 13图8 多个感知接收节点协作时的感知覆盖 13图9 协作感知帧结构配置 15图10 需要功率控制的协作场景 16图通感冲突的优先级配置 17图12 速率匹配用来解决通感冲突 17图13 通感冲突的下行资源抢占示 18图14 上下行链路交叉干扰 18图15 互干扰强度CDF曲线图 19图16 测距RMSE与干扰协调因子关系曲线图 19图17 邻区干扰识别 20图18 干扰利用的场景示意图 20图19 杂波抑制基本原理示意图 21图20 MTI杂波抑制算法结果图 23图21 MTI+MTD杂波抑制算法结果图 23图22 基于往返收发的同步误差消除方案 24图23 基于参考径的同步误差消除方法 24图24 可靠估计判决示例(a)实测4个UE时域上连续的MUSIC伪谱(b)对应的可靠估计判决结果 图25 协作感知过程中的信号传播情况 26图26 NLOS下的协作感知场景 27图27 协作感知中的NLOS利用算法流程图 28图28 NLOS算法的位置估计结果 28图29 协作节点选择示意图 29图30 感知节点维护流程 30图31 多感知模式和感知节点协作的节点选择示例 314图32 三种主要的雷达与视觉信息融合策略 32图33 自适应多策略信息融合网络流程图 33图34 三维目标检测网络（3DRrpn-depth）总体结构 35图35 雷达区域建议网络工作流程 35图36 深度特征增强模块工作流程 36图37 基于峰谱聚合级的多频段融合算法距离估计和速度估计的RMSE曲线 39图38 基于特征向量的多频段融合算法 40图39 基于特征向量的多频段融合算法的仿真结果 40图40 不同协作层级示意图 42图41 分布式全相参方法的MIMO模式接收相参处理框图 44图42 分布式全相参方法的收发相参模式相参处理框图 44图43 参合成前的接收信号 46图44 两基站接收信号相参合成结果 46图45 基于最小误差累积的多基站融合算法流程图 47图46 基于误差累积融合算法的定位融合结果 48图47 基于误差累积融合算法的速度估计融合结果 48图48 基于网格搜索的多基站感知融合算法 49图49 基于网格搜索的多基站感知融合算法的(a)定位RMSE (b)测速RMSE 50图50 双基站协作感知场景图 50图51 互相关协同感知算法的流程图 52图52 不同TO下的测距NMSE 52图53 不同CFO下的测速NMSE 53图54定位误差CDF分布(a)未进行数据融合(b)采用改进算术平均数据融合处理 图55 多节点数据级融合 55图56 数据级融合的(a)定位的RMSE (b)测速的RMSE 56图57 各个感知接收节点的感知目标位置估计分布图 57图58 基于栅格聚类的感知目标位置融合结果分布图 57图59 多站融合前和多站融合后目标位置精度CDF曲线 58图60 射频地图特征几何关系示意图 60图61 云端融合算法仿真结果 60图62 测试场景示意图 61图63 单次目标检测结果 62图64 蜂窝网络下的多终端协作感知与通信一体化场景示意图 625图65 轨迹追踪样机以及环境照片(a)实验中发射机和接收机布局(b)实测感知目标运动区域(c)接收机(d)发射机(e)发射天线(f)接收天线 63图66 多UE协作轨迹追踪实测结果示例(a)直线轨迹下4个UE的MUSIC伪谱(b)M形轨迹下4个UE的MUSIC伪谱(c)S形轨迹下4个UE的MUSIC伪谱(d)估计的直线轨迹(e)估计的M形轨迹(f)估计的S形轨迹 63表目录表1 二维目标检测的多策略融合性能对比 34表2 不同方法的三维目标检测性能对比 366第一章引言作为下一代移动通信系统，6G将提供更多维度的原生能力，迈向数字孪生、万物5G的三大场景，即增强型移动宽带、超大规模机器类通信以及低2023（SAC、I与通信和泛在连接，如图1所示[1。未来的通感低空经济、智慧工厂、智慧医疗等业务与场景的发展成熟，推动业态转型升级。图1ITU-R定义的IMT-2030应用场景和关键能力融合发展到互助互利、高度协同、深度交融。6G网络突破单基站、单终端感知的局限6G体验、实现多目标的高精度全域化感知。协作感知场景主要有三大类，包括多模态协作、多频段协作、多节点协作。多模态协作包括无线网络、摄像头、传感器等多种感知形式的融合，各种感知方式互为补充，实现立体多维的感知。在多频段协作中，低频段提供远覆盖、中频段保证业务连续性、高频段按需开启实现超高精度，多频段的一体协同将提升网络效率。多节点的协作将利用移动通信网络中的节点，包括大规模部署的基站、高密度分布的终端等进行协作与交7互[2]展感知维度等优势，满足新场景的新需求。ITU-R2023框架建议书、3GPP2024正式开启通感信向，需对其关键技术进行研究，为即将到来的标准化做好准备。因此，本报告作为IMT-2030（6G）推进组首个聚焦协作感知的技术报告，首先对协作场景进行了分析，6G通感一体的标准制定。第二章协作场景分类以及优势与挑战多模态协作3GPP式之一。雷达、摄像头等采集物理世界数据的方式已得到广泛应用，IEEE802.11已经因此在未来，3GPP感知和其它形式的感知将进行充分协同并进行数据融合，有助于实现立体、丰富、多维的感知。3GPPnon-3GPP感知协同存在以下潜在场景：一种潜在应用是3GPPnon-3GPP2non-3GPP3GPP感知提供8图2多模态协作感知示意图（生成的（进行有效的多策略融合，并动态更新各个传感器的权重。多频段协作6G升感知性能。低频段提供超远覆盖，满足Mbps探测；中频段（Sub10z频段）主要用于连续覆盖、中高速通信（bps，以及亚米（一步提升通信速率和感知分辨率（厘米级。将多频段有机的协同起来，可满足不同的通信和感知需求，支撑个性化业务。OFDM波形作为感知信号时，高频段和低频段的子载波间隔不同，给感知信息融合带来了挑战[4][5]。除了高频段和低频段的协作之外，还有频域协作的其他情况，例9如在碎片化频带或非授权频段上融合信号[6]。多节点协作多基站协作场景多基站协作感知场景可以细分为三种[7][8]，包括多个自发自收的协作，自发他收的协作、自发自收与自发他收的一体协作：3(a)（可以是某一个基站或核心网）进行融合感知。3(b)在接收端或在核心网侧进行融合。3(c)可在接收端或在核心网侧进行融合。图3多基站协作场景基站与终端协作场景[9][10]下行感知范围小于上行通信范围，上行通信范围小于下行通信范围，如图4所示。当目标位于下行感知覆盖范围内：如图4A知的覆盖，因此这四种感知不一定同时存在。10当目标在下行感知覆盖范围之外：在上行通信覆盖范围内时，如图4中的位B，多个终端对目标进行检测，并将感知信息上传到基站，进行感知信息融合。当目标在上行通信覆盖范围之外：在下行通信覆盖范围内时，如图4中的位C，多个终端在基站的引导下，自行检测目标，并融合感知信息。图4基站与终端协作场景多节点协作感知的优势与单节点感知相比，采用多节点协作感知可以赋能更高的感知精度[7][11]，具有如下技术优势：LOS的概率为（节点数为S1−(1�)�。可见，随着节点数目增加，LOS径概率增加。[2]AA收的独立感知，并不总是能接收到具有最大强度的回11波信号。如图5所示，根据蜂窝网络站点分布特点，选择3个相邻的节点作为收发基站，3AAAB1AB20.0720.0930.098RCS的散射特性，感知节点在不同方向接收的散射强度不同，通过感知节点的多样性所带来的平均散射强度更大，更有利于精确感知。图5不同节点感知时无人机的RCS对比图64.9GHz，500m500米。从图6SNR，进一步的提升检测概率。图6多站协作提升检测概率与单节点自发自收相比，多节点联合收发能够获得与多节点空间分布相关的几何增益以及精度增益。多节点提供的冗余测量值还能够用于排除故障基站，进而增强感知的12A发A收的独立感知还是AB收的协作感知，SNR（7感知目标有可能需要从一个基站的覆盖范围移动到另一个基站的覆盖范围。图7更优的感知范围和连续性知发射节点，通过增加感知节点的方式扩大感知覆盖，如图8所示。图8多个感知接收节点协作时的感知覆盖13多节点协作感知的挑战协作感知也面临诸多挑战，具体包括：AB收的工作模式，如何设计可以适应新场景的帧结构。信号的接收时，如何进行功率控制的设计来满足高效的通信和感知。解决方案。射径干扰等多种干扰源。抑制。10ns3m的感知定位误差。RCS波动、信道衰落等环境非理想因素会对感知结果带来影响，因此需要设计非理想因素抑制和消除方案来解决上述问题。NLOS以及感知小区的切换等。数据融合：如何对多个接收节点的数据进行融合，是协作感知的重要挑战之一。包括如何在不同的层级进行融合，融合算法的设计与优化等。第三章多节点协作感知的空口关键技术14技术。帧结构图9协作感知帧结构配置UE级别配置。groupcommonPDCCH（组公共物理下行控制信道）指示传输格式。为ABA式，如图9图9协作感知帧结构配置功率控制AB图10B小区内的通信终端进行一定的功率控制，以满足感知检测的要求。15图10需要功率控制的协作场景MCSPUSCH信号为例，具体功率控制公式为：���=��{��,0+�×�+10�0�×RB)+ΔTF+δ}其中�𝑚�UE最大发射功率，�0为基站期待接收到的功率，�PLUEPUSCHRBMCSMCS的功率偏移，�为闭环功控调整量。AB收的协作感知场景中，可根据感知信号回波能量的初始测量值P1，以及根据感知小区覆盖来计算接收端期待接收的回波信号强度����−𝑒ℎ�区内的通信终端进行一定的上行功率调整。一种方式是对基站期待接收到的功率值�0�0−��𝑚��，�0−��𝑚��=����−𝑒ℎ�+其中���𝑈为ADC动态范围。由于接收端期待接收的回波信号强度为����−𝑒ℎ�����−𝑒ℎ�ADCADC动态范围的上界为����−𝑒ℎ�并认为该上界是新的基站期待接收到的功率值。另一种方式是计算新的功率调整值�����，�����=���ℎ�+��−1。如果将接收端期待接收的回波信号度����−𝑒ℎ�ADCADC动态范围的上界为����−𝑒ℎ�上界和�1的差值即为功率调整值。资源冲突解决16进行资源抢占指示，感知抢占已经调度给通信的资源完成感知任务。ABAB11BABUEBB优先处理通信信号。图11通感冲突的优先级配置PDSCHUEPDCCH资源、预留资源等。感知信号也可看作一种不PDSCH的冲突。ABAUE资源冲突时，可以UERBRE级RBRE级速率匹配。如果感知RBRE级别的速率匹配，如图12所示。图12速率匹配用来解决通感冲突感知资源抢占：当感知和通信传输资源冲突时，感知可占用已调度给通信的资UE13A已经给通信UE调度了PDSCHABAUEPDSCHBAUE用的资源。UE收到抢占指示后，认为抢占信令指示的资源上没有发送给自己的数据，17不对这些资源上的数据进行进一步处理。图13通感冲突的下行资源抢占示干扰管理等[12][13]1412行干扰等对一体化性能的影响，以同时满足网络的感知需求与通信需求[14]。图14上下行链路交叉干扰为保障信号成功检测，需满足干扰强度低于干扰上限，干扰上限=回波信号强度+ADC15给出了典型低频网络协作通感系统中的1852dm，C60dB，感知目标为无人机（RC0.01。根据干扰上限计算可得其能承受的干扰上限约为-8.71dBm作接收基站受到的干扰强度达到约-6.45dBm，高于干扰强度上限-8.71dBm，导致感知足信号检测要求。图15互干扰强度CDF曲线图此外，如图141216给出不同干扰（0dB下行基站的直射径干扰，可以看出不同站间距下，随着干扰协调因子降低，系统干扰RMSE显著降低。图16测距RMSE与干扰协调因子关系曲线图19感知需求。A接收自己发出的感知BA接收到的干扰信号，可对邻区如图17（a）所示；同时发送时，有两个峰值，图17（b）所示。通过对比两种配置的图17（b（）分别是基站AB如图18所示，上述干扰识别方法还可以进一步的达到干扰利用、提高系统感知资源利用率的效(a)无邻区干扰时基站A感知数据 (b)存在邻区干扰时基站A感知数据 (c)存在邻区干扰时基站B感知数据图17邻区干扰识别图18干扰利用的场景示意图20知干扰较强的场景，可以改善通信性能。杂波抑制AA收的独立感知模式中，某些区域内的待感知目标与感知站距AA、BA、B模式中更需要对杂波干扰信号进行抑制，从而提高感知信噪比，提升感知算法性能。N的目的，如图19所示。图19杂波抑制基本原理示意图21FMCWOFDMFMCW信FMCW信号模型的杂波抑制算法主要有两大类，分别是动目标显示(MovingIndicatorMTI)和动目标检测(Moving。MTI利用杂波抑制滤波器来抑制杂波，提高信号的信杂比，以利于运MTI脉冲重复频率MTI算法的本质是对相邻的位不变的静态杂波滤除掉。MTD其主要依据为不同速度产生的多普勒频移不同。MTD中的多个窄带多普勒滤波器组可FFT信号通过多普勒滤波器组时，即进行速度维FFT出目标速度。MTI算法，即对配置OFDM符号的频域信号作差，从而将来自静态目标的杂MTDOFDMOFDM符号的上相同子载波MTIMTD对静态杂波做一定的抑制后再进行动态目标的检测。MTIMTDOFDM信号波形的杂波20MTI12中只有两排峰值，相对于左图，中间的来自静止目标的杂波被滤除掉了。22图20MTI杂波抑制算法结果图下图21MTI+MTDMTD算法的结果图，通2FFT12MTD2D-IFFT结果中的峰值被抑制掉，因此只出现两个动态目标的峰值。图21MTI+MTD杂波抑制算法结果图高精度同步3PPR协议S38.10420米的距离偏差，无法满足高精度测距需求。对于网络时间同步，可通过基1588v2协议规定的有线时间网络授时实现，采用这两个方案时，基50ns1us，同样无法满足高精度测距需求。尽管基站间高精度的时间同步较难实现，但是依然可通过时间同步误差消除方案设2322步误差无关的感知测量值，有效消除同步误差的影响。图22基于往返收发的同步误差消除方案23AB何关系建立等式，可由到达时间差计算出反射径的真实时延。图23基于参考径的同步误差消除方法非理想因素消除非理想因素指的是由于系统硬件或者物理环境不理想导致无线感知出现的误差成mestO（Cirequnyst，CO、随机相位等。其中，O包括了前面所述的时间同步误差，以及随时间RCS波动、信道衰落、多径干扰等同样可能对感知结果或者用于计算感知结果用到室外等其他场景。24假设已知基站和终端的位置坐标，人的速度NN2个处于不同位置的终端可以测量人体反射径的多普勒频率（正比于动态反射径长度的变化速度N现人体轨迹追踪。该方案的详细原理分析和数学推导可以参见文献[16]CSICSICSI均共轭重排，同时频域平均的方法估计多普勒[17]。RCSRCS图24给出了一个关于可靠估计判决和感知节点动态选择的实测示例。可靠估计在24(b)4UE2UE获取的多普勒频率进行轨迹计算，确保轨迹追踪的连续性和可靠性[16]。25图24可靠估计判决示例(a)实测4个UE时域上连续的MUSIC伪谱(b)对应的可靠估计判决结果非视距识别与利用在实际中，感知性能会受到许多非理想因素的影响，其中频繁出现的是非视距（NLOS）LOS情况如图25(a)NLOS传输则是指在感知号除了经过目标反射外，还经过散射体的反射/折射/绕射，使得信号发生多跳反射，其中一种情况如图25(b)NLOS感知接收端，其中一种情况如图25(c)所示。LOS (bNLOS (c)遮挡图25协作感知过程中的信号传播情况NLOSNLOSNLOS情况下的感知精度[18]。针对图25(b)的场景，我们给出一种具体的场景图，如图26（T，感知回波信号被感知接收节点（B）接收。SATLOSTBLOSSTS26置均未知。示意图 (b)几何关系图图26NLOS下的协作感知场景如图26所示，有两条传播路径需要考虑，包括：发送端-散射体-接收端的LOS径（SB目标散射体-OS（So+AOA-AODNLOS275个步骤：1AOA-AODAOA/AODMUSIC等都可扩展到二AOA-AOD组合。12A-S-B路径距离估计：可以利用1-DDFT等23A-S-B路信号重建与干扰消除：根据估计得到的时延、角度信息，结合路损模型，反推A-S-B路信号，并从复合信号中删除，获得A-T-S-B路信号。34A-T-S-B路径距离估计：对A-T-S-B路信号执行1-DDFT等，获得时延/距离信4息。5目标位置估计：利用几何关系获得目标位置。527图27协作感知中的NLOS利用算法流程图1（包括利用干扰消除2）所提算法（不利用干扰消除，3）传统算法（OSOS径，4）传统算法（OS径存在，作为基准。仿真结果如图28所示，所提方法（红星LoS（蓝星AOA（紫星绿星--SBSBA、SAODA-T方向，因此最终估计目标位置将在二者交点，即原点附近，造成较大误差。图28NLOS算法的位置估计结果节点选择与切换感知切换过程设计，以确保感知的连续性。28度，利用RSRPSINR测量值来确定协作接收节点，但是这个方案的劣势是波信号等回波信号影响。面对实际感知场景选择协作节点至关重要。因此，可进一步考虑定义每条径的SINR（SRahSR3AB、C、D等相邻节点接收，其中各个相邻节点上报第一条远于直达径的SINR或第一条远于直达径且速度非零的SINR（用SRah表示ASRa如图29所示。图29协作节点选择示意图SF执行的，但感知节点可以上报辅助信息用于辅助协作节点的选择。上报内容可以包含：协作感知能力：基本感知能力、数据汇集计算能力等。/等。29/UEUEUEUE收发对推荐等。30节点集的更新和节点的切换。图30感知节点维护流程节点集的建立：SF请求节点进行上报，或节点主动上报。节点的感知操作：感知模式和感知系统架构（如分布式和集中式，或紧耦合和松耦合，节点之间以及节SF之间的信令交互和信息内容不同，需要分别进行设计。节点集的更新：节点的切换：各节点集更新后，需要对相关的节点进行切换操作。被删除的节点停止感知操作，30点的感知配置和感知结果计算，保证感知业务的连续性。基站发终端收子集，如图31（对应不同的感知模式点，进行感知信号的共享，以最大化感知信号和感知资源的利用率。图31多感知模式和感知节点协作的节点选择示例第四章多模态协作感知算法合[19][20]，如图32所示。算法复杂度低，实现难度小。数据级融合方法使用某些传感器的检测结果增强其他传感器的检测结果。在摄像头与雷达融合的研究中，一般使用雷达信息在图像上生成感兴趣区域(RoI)，然后在RoI内执行目标检测。不同数据级融合方法的区别主要在于基于图像的目标检测方法不同。31RoI雷达未能检测到的目标将会被直接忽略，造成目标的漏检。像头获得的原始信息，但是也需要消耗更多的计算资源。图32三种主要的雷达与视觉信息融合策略基于自适应多策略信息融合的二维目标检测方法33RGB形式的三32维框。图33自适应多策略信息融合网络流程图RGB图像的多维矩阵形式的方案用于将其与图雷达数据增强方法核心思想即通过双边滤波来判别图像上某一点和雷达点投影位置处的相似性，并以此来拓展该雷达点的影响范围，最终将每个雷达点都拓展为雷达矩阵，生成雷达稠密图像（RdrnsemgeR（nonmaximumsuppression，NMS）消除同一目标33的重复框。标丢失，最大程度提升目标检测性能。表1二维目标检测的多策略融合性能对比��100��.50100��.75100������100�0单策略融合多策略融合69.670.987.889.576.377.251.351.567.068.081.383.1��1��10��100������100��0单策略融合多策略融合14.214.265.867.377.779.566.968.476.477.685.987.8仿真结果如表1+级融合方法。多策略融合方法的整体性能更优，其中平均召回率（AR）的提升相较于显。基于雷达区域建议网络和深度增强的三维目标检测方法本节提出一种基于雷达区域建议网络和深度增强的三维目标检测网络（以下简称3Rpndpth34RionPoposltok，RPN）生成的二维先验锚框，首先通过毫米波雷达点中包含的坐标信息对其进行修正，（其中交并比为两个像素集合的交集里面所包含的元素个数。对骨干网络输出的图像特征图，由所提出的深度特征增强模块处理，便于神经其作用就是提取图片中的特征，供后面的网络使用。34图34三维目标检测网络（3DRrpn-depth）总体结构图34中的雷达区域建议网络RRPN的工作流程如图35所示，首先参照传统RPN在原始图像经过骨干网络Densenet-121处理后得到的图像特征图上逐像素生成包含目标的二维锚框，对于尺寸为h×w的特征图，在每个位置生成na个锚框的情况下共计生成na×h×w个锚框，然后将这些锚框由特征图映射回原图片，最后需要将每张图片对应的毫米波雷达点信息导入。图34Densenet-121Densenet-121模块的工作示意图如图361的系数形式乘在图像图35雷达区域建议网络工作流程35图36深度特征增强模块工作流程本节提出的基于雷达区域建议网络和深度增强的三维目标检测网络3DRrpn-depthM3D-RPN、C3D-radarnuScenes数据集上的性能对比如表2所示，nuScenes数据集为包含车辆前向视觉与毫米波雷达数据的自动驾驶数据集。表2不同方法的三维目标检测性能对比AP3D|R(IoU>0.5)40APBEV|R(IoU>0.5)40简单中等困难简单中等困难M3D-RPN23.5719.3418.4827.2522.6419.72RRPN25.2020.4319.1829.6124.2920.87深度特征增强25.3120.9319.8029.7624.5721.043Drpn-depth（RRPN+深度特征增强）26.2121.1519.9530.3025.2121.44C3D-radar9.317.527.2213.510.6710.363Drpn-depth相较于对比方案均达到了第五章多频段协作感知算法本章主要介绍多频段协作算法，包括基于谱峰聚合的多频段融合算法以及基于特征36向量的多频段融合算法，将载波聚合思想与无线感知相结合，从而获得大信道容量和高精度感知。系统模型kmOFDM符号时间的第n个子载波上的一体化发射信号可以表示为：BM1N1b

j2(fbnfb)t

tmTbx(t)kxb1m0n0

k,n,me

rect Tb cssB=,xbk,n,mfb表示第b个频段的载b表示第bb1fbTb表示第b其中Tb是循环前缀（CyclicPrefixCP）矩形窗函数。cssbmOFDM第n个子载波上的回波感知信号表示为：s yb bejfbTbejnfs

()aT(

)xbm,n S

Rx Rx Tx

m,n其中，b

(b)2

b表示目标与基站之间的衰减，包括反射系数b和路径损耗；0S r4S 0

c表示相对距离所产生的时延；bcfb表示波cm,n长，c表示光速；xbcm,n

NT1表示发送的数据向量；xx)和xx)分别是接收和发射 dr Ta

)ejp(b)inRx)|Rx Rx NR dr Ta(

)ejk(b)inTx)|Tx Tx kNT其中和（AngleofArrive（AngleofDeparture,odrb化信号回波，在第mOFDM符号时间内的第n个子载波上，表达为：37ByS yb

zSm,n m,n b1其中其中m,n

表示加性高斯白噪声（AdditiveWhiteGaussianNoise,AWGN）向量。基于峰谱聚合的多频段融合算法B融合算法采用如下公式：其中˜�和

� ��������=Σ ����=1Σ�������分别表示单一频段和协作感知的峰谱信息，��和�2分别表示第b个�子带的信号功率和噪声功率信息。=�� ��B����2D-FFTnFFT=�SCS相同时，�������b

���= = ����� ��如果每个子带FFT结果分别除以各自子带的f�,则有如下�˜��

= �������各个子带处理后的峰谱的谱间隔不同,需要在对应位置补零。如图37SNR=-30~-20dB时，协作感知算法的速度估计性能略低于�3=15GHz的单子带估计性能。产生性能差异的原因随着��数值� �RMSE38精度越高。距离估计RMSE曲线 (b)速度估计RMSE曲线图37基于峰谱聚合级的多频段融合算法距离估计和速度估计的RMSE曲线基于特征向量的多频段融合算法基于特征向量的多频段融合算法处理流程图如图38所示，该算法的核心是高低频数据的融合处理[4][5]。在第b个频段的第p个接收天线上的信道信息矩阵可以表示为：j2pdrsin()Sp,be

b Rx

b m,nS 1 e

e s ej

j2fbTbej2fdej2fbTb

j2(M1)fbTb ejejfbTb 0 0 s 0 s jN1)fjN1)fjN1)fj2fbTbjN1)fj2(M1)fbTb

e

s m,n其中m,n可以表示为：

是剔除通信符号后所产生的复数因子。第b个频段的速度和距离特征向量Rb1,e

j,,e

j2nfd0,,e

j2(N1)fd0.ST ST 2fbvb

2fbvb

2fbvbjc0T jmc0T j(M)c0TVb1,e

c

,,

c

,,

cS 39图38基于特征向量的多频段融合算法距离估计的RMSE (b)速度估计的RMSE图39基于特征向量的多频段融合算法的仿真结果40观察图390.1m/s。第六章多节点协作感知算法40所示主要包括三种实现方式：[22][23]，包括接收信号或信道响应的幅度/I路/Q[24][25]341SINR、盲区位置等对数据进行筛选，保留相对误差较小的数据进行融合。本章下方6.1小节将首先定义系统模型，6.2-6.4小节将分别对信号级融合、符号级融合、数据级融合三种方式给出多种融合算法。图40不同协作层级示意图系统模型如图3所示，多节点之间的协作方式包括多个自发自收的协作、自发他收的协作收的感知数据发送到融合中心进行融合（包括信号级、符号级和数据级；对于自发他收，不同的感知数据在被动接收端或进行融合处理（包括信号级、符号级和数据级；（号级、符号级和数据级。下面我们给出自发自收和自发他收的发送和接收信号模型。对于自发自收与自发他收的一体协作，信号模型包括上面两类，这里不再赘述。在OFDM通信感知一体化场景下，发射信号表达式为：Ns1Nc1s(t)d

jf0mf)t)rect(

t)T0m0

m,sT42TNsOFDMcm个子载波上的第OFDMf0mTs是单个符号持续时间，包括了符号时长和循环前缀时长Ts10。对于径向速度为vRU表达式为：scNN2sc

t2RTsR(t)U

0m0

dm,

je

ejsfDrect( c s)Ts自发他收的信号回波表达式为：N1N1

RR2

tRR2TsssP(t)U

cc0m0

dm,

je

ejsfD2rect( c s)TsR2fD2频率偏移。信号级融合幅提升信号功率及信噪比，获得较优的感知精度[27][28]。41MIMO模式相参处理，估计不同接收信号间的时延、相位差参数，在实现信号间NNMIMON2N2的信噪比增益。43图41分布式全相参方法的MIMO模式接收相参处理框图第三个阶段是相参跟踪阶段，如图42所示，所有发射机改为发射同频同编码的宽NNNN2NN3的信噪比增益。图42分布式全相参方法的收发相参模式相参处理框图12信号的时间同步误差为。两基站使用两相互正交的脉冲信号s1t和s2t为基带信号，则发射信号可表示为：x1ts1tejftx

2ts2

tej2ft设两信号到达目标的时延分别为1和2，则到达目标时两信号表达式为：44 x1t1s1t1ejft1xts

tej2ft22 2 2 2两信号到达目标时的时延、相位差异即为待估计的相参参数。两基站接收所有回波信号，接收信号经过下变频后的表达式为：1ys1t1ejf1s2t12ejf1212ys1t12ef12s2t2ejf22，分别使用与s1t和s2ty1两匹配滤波器输出信号峰值对应时延分别为，对应相位分别为和f12，因此两信号时延、相位差异估计值为：T1211f212分别使用与s1t和s2ty2和，对应相位分别为f12和f2，因此两信号时延、相位差异估计值为：T2212f21相参，即实现全相参。下面给出基于全相参原理融合算法的仿真结果[29]200MHz，基5ms0.3MHz300Hz，积累脉冲1281400Hz2500Hz，信号间相位差为343(a)和图43(b)44所示。比较图43(a)、图43(b)和图44可知，两基站接收信号相参合成后，检测信噪2.5dB。45相参合成前基站1接收信号 (b)相参合成前基站2接收信号图43参合成前的接收信号图44两基站接收信号相参合成结果符号级融合多个自发自收的协作场景下的融合算法AA收场景下，各基站的感知较为独立，缺少相关性，无法确定融合依据参量。因此[30]处理和晶格点搜索两步，如图45MUSIC算法，接收天线为平面46围。叠加后的谱函数如下所示P(R)1d,n l NdkH(R)U UH k (R)P(v)

d,n l d,c,nd,c,nd,n c11v,n l NdkH(v)U UHk (v)P(,)

v,n l v,c,nv,c,nv,n c11a,n l l NrkHUH k a,n l l a,r,na,r,na,n l rq合时计算距离和角度误差的累积值，速度融合时计算径向速度的累积值。Nfl,qd,n,q(n,q)a,n,qn,qn,q)n1NfWv,qn1搜索得到与多个基站间误差累积最小的格点，作为融合结果。图45基于最小误差累积的多基站融合算法流程图300次蒙特卡洛仿真，计算其均方根误差（RootMnSqueo,RMSE。q47-10dB由图46和图47不同信噪比场景 (b)相同信噪比场图46基于误差累积融合算法的定位融合结果 (a)不同信噪比场景 (b)相同信噪比场图47基于误差累积融合算法的速度估计融合结果自发他收的协作场景下的融合算法48AB收下的同步误差消除问题和多节点回波数据的符号级融合感知处理问题[31]。针对同步误差的消除，该算法提出了基一种于直射径与非直射径的互相关消除方速度特征向量进行符号级融合处理，从而获最终的目标位置和绝对速度估计值。获得的第i个节点的距离和速度特征向量分别表示为：48Fi

Nc

e

jfi,s

,ejfi,s

,,

jfi,s

,,

jNcfi,sT 和EMmejfip,ejfip,ejfip,ejMfipi 同时，第i个时延特征矩阵和多普勒特征矩阵分别表示为： 1 1 ri ri

1 ri2 2 GNcQ

j1e

j2e

j2fQ e c ri2i ri2rrirrj2N1f1cc

ij2N1f2

j2N1fQe

c e

c

c c和1e i j1e i j2

ejMmf1ijMmf2iSKMm1

i,p

i,pi ie jie1

jMmfKe i,p图48基于网格搜索的多基站感知融合算法图49协作基站的增加而提升。49 (b)图49基于网格搜索的多基站感知融合算法的(a)定位RMSE (b)测速RMSE自发自收与自发他收的一体协作场景下的融合算法本节针对自发自收与自发他收的一体协作场景，如图50关联自发自收和自发他收感知信息来缓解时间偏移（TimeOffsets,TOs）和载波频率偏Cirquenyst,CAngleAoA）估计挑战[32]。图50双基站协作感知场景图m和fmOC12估计也存在一定偏差。1提取的信号矩阵可表示为：Ddivkk1,Rkk1,Dk其中表示克罗内克积，50Lk

jk

j2f,,

j2N1fTk1,R

a1,lel0Lk

lejlk1,

1,lej2TfD,1,l,,

1,lj2M1TfD,1,lTk1,D

a1,lel0

e e 同理由基站2提取的信号矩阵可拆分为如下两个矢量的克罗内克积Lk

jk

j2f

m,,

j2N1f

mTk2,R

la2,le l0

2,le

2,lk2,D

k

L1a2,lel0

jlk

ejTfD,2lf,,e

j2M1TfD,2,lfM1TT同一目标的自发自收和自发他收感知之间的延迟和多普勒频移的偏差可以分别表D示为 和fD

。为了补偿

m，我们提出了一种互相关协同感知（Cross-CorrelationCoopertiveSensing,CCCS）算法，如图51所示。针对k1,R和k2,R的CCCS算法可表述为Rdiag

Hk2,R

1,R

ejfm,,e

jNfmT为了补偿

fDfm，针对k1,D和k2,DCCCS算法可表述为Ddiag

Hk

D 1,D

,

ejTfDfm,,e

jMTfMT被转换为沿载波频率轴变化的调制符号之间的线性相移，fDfm被转换为沿OFDM符号轴变化的调制符号之间的线性相移。因此，和fDfm可以使用离散傅里叶变换算法估计出来。51图51互相关协同感知算法的流程图图52和图53展示了不同TO和CFO条件下测距测速的归一化均方误差（omlizdMn-qued-oMSO会导致测距精度降低，CO会导致测速精度降低。如图52所示，OE越大，距离估计精度起伏EMSE53CO的EEfMSE也越大，说明测速性能降低。图52不同TO下的测距NMSE52图53不同CFO下的测速NMSE数据级融合数据级融合主要有四类主要方式，包括算术平均法、加权平均法、栅格聚类法、滤波器递归法：基于算术平均的融合算法：对各基站获得的感知数据取算数平均，适用于测量易行，但对异常值敏感，在存在较大误差的情况下效果不佳。基于加权平均的融合算法：根据各基站测量的可靠性赋予不同权重，适用于各基于滤波器递归的融合算法：基于用户移动过程中与周围基站通信产生的多径合多基站LoSPHD（Probabilityhypothesisdensity，概率假设密度）NLoS径参数构建基站本地地图。本节将对以上四类方法的具体算法进行详细介绍。53基于算术平均的融合算法IFFT采样点序号判断错误，造IFFT40%70%30%60%40%70%中的部分数据CDF分布，图54（b）给出了重复测量（10次）CDF分布。由仿真结果可以看出，通过多次测量并进行改进算术平均数据融合处理可以有效去除由于噪声引起的异常距离估计值。(a) (b)图54定位误差CDF分布(a)未进行数据融合(b)采用改进算术平均数据融合处理基于权重迭代的融合算法基于权重迭代的数据级融合算法示意图如图55所示，每个感知接收节点可以利用节方法感知接收节点获得关于目标的到达角��、时延��等数据，并将数据发送给务��^�与时延^��值，可以写成����inΣ��^�−�+�^�−�����=1��和��为每个节点权重，可以赋予接收信干噪比值。在该融合方式中，每个节点仅54需要传输一对到达角��与N个时延��数据，服务器或数据处理单元需要迭代优化�,2N个数据值误差最小，因此计��𝑚���𝑚�

=�2−�1+�1tan�2−�2tan�1tan�1−tan�2=�2−�1+�1cot�1−�2cot�2cot�1−cot�2��和��可以利用节点接收信号质量参数，例如参考信号接收功率RSRP。��或��������值，可以写成�inΣ������+���−���,���=1求解该问题即可获得目标最佳的速度估计。同样可以利用两个接收节点测量的多普勒速度��计算目标速度的初始估计值如下,�������

��,1 ��,1−1�1=��,2 ��,2 �2其中��=�,�+�,��,�=�,�+�,�,初值可以加速优化，提升测速精度。图55多节点数据级融合55图56协作基站的增加而提升。(b)图56数据级融合的(a)定位的RMSE (b)测速的RMSE基于栅格聚类的融合算法量，在多节点融合技术中可以选择接收信号功率（例如：RSRP）最强的多个感知收发据级融合。以双层蜂窝网络（721扇区）AB21*21pairRSRP大的M个收发扇区pairRSRP大于预设pair作为协同感知的收发节点；然后建模用于协同感知的多收发扇区pair和感知目标之间的小尺度信道，产生信道系数。RD57展示了各个感知接收节点估计得到的感知目标的位置量测分布示意图。56图57各个感知接收节点的感知目标位置估计分布图聚类算法。进一步地，为了提高聚类的精度，可以采用画栅格的方法进行聚图58展示了基于栅格聚类的感知目标位置融合结果分布图。图59场景CDF曲线。由图59可以看到，在未进行10m2m以内，这表明多站融合可以明显提高目标的定位精度。图58基于栅格聚类的感知目标位置融合结果分布图57多站融合前位置精度 （b）多站融合后位置精图59多站融合前和多站融合后目标位置精度CDF曲线基于滤波器递归的融合算法（Probabilityhypothesis滤波器将贝叶斯推断扩展到随机有限集LoSNLoSAoA、AoDLoSNLoSLoS径，其只涉及单目标估计问题，可以用扩展卡尔曼滤波器融合多基站LoSNLoSPHD滤波器来对地图特征进行融合估计。进一LoSPHDPHD（SimultaneousLocalizationand复58杂度较高的问题，实现了LoS和NLoS多径参数的融合感知。以图60APUE的简单场景为例，当用户在室内环境移动时，首LoSEKF融合多基LoSPHD滤波器估计地图整体可以分为预测和更新两个步骤。STEP1：地图PHD预测��−1利用上一时刻的地图估计结果作为当前时刻的先验信息，结合EKF估计的用户位置，预测当前时刻的PHD地图�(�,�)(��−1,)()=,) �)+��))�∣�−1 �−1∣�−1 �其中，��))是依据当前时刻观测值生成的新生PD地图分量，,) )是�前一时刻地图估计结果，由于静态地图假设，这部分保持不变。STEP2：地图PHD更新

�−1∣�−1PHD滤波器更新用户位置和无线地图特PHD地图进行更新，以避免由于高维集合积分带来的高额复杂度[33]EKFPHDNLoS多径参NLoS参数以PHD地图进行加权平均即可完成当59图60射频地图特征几何关系示意图图61给出了双基站视野重叠场景的仿真结果，其中图(a)(b)分别是用户定位精度MSEfusionLoS-AALoS-GCI分别代表各基EKF和PHDLoSNLoS多径参数可以显著提升估计精度；在视野重叠的地图重建中，GCIAA表现略优。(b)图61云端融合算法仿真结果第七章多节点协作感知的原型验证基站间协作感知本节主要介绍基站间协作感知的样机验证。基于高速率、大带宽、通用化基带平台及多通道毫米波收发前端，我们搭建了毫米波协作感知原型样机，可在感知资源不超过6010%时实现亚米级感知精度。原型样机主要由基带平台（中央处理板、射频前端板）AAU组成。中央100GbpsMIMO信号、信道估计LDPCADCDAC数模转换成射频模拟信AAUAAUOFDM一体化波形，通过资源分配算法对载波和功率的合理优化，使整个系统达到最佳性能折中。3.6包括两台一体化信号收发机（一台作为通感发射端、一台作为感知接收端，一台通信62结果如图63600Mbps3.6空口同步校准方案，本节所述的原型能够达到较好的通感一体化性能。图62测试场景示意图61图63单次目标检测结果终端间协作感知（包括宏基站和微基站等64给出蜂窝网络下的多终端协作感知和通信一体化场景示意图。图64蜂窝网络下的多终端协作感知与通信一体化场景示意图3.7小节的非理想因素消（UniversalSoftwareRadioPeripheral，SRPAB收感知模式下利用多个终端节点进行行人轨迹跟踪的可行性。UE3.7（CirquenystCO、ingstE使用CI商进行后续参数估计[35实验结果表明，该终端协作原型能够实现准确的行人轨迹跟踪，同时进行多用户通信。62USRP8USRPUSRP842个端口。因此，通过部4UE。图65AB收感知[16]图65轨迹追踪样机以及环境照片(a)实验中发射机和接收机布局(b)实测感知目标运动区域(c)接收机(d)发射机(e)发射天线(f)接收天线图66UE协作轨迹追踪实测结果示例(a)直线轨迹下4UEMUSIC伪谱(b)M形轨迹下4UEMUSIC伪谱(c)S形轨迹下4UEMUSIC伪谱(d)估计的直线轨迹(e)M形轨迹(f)S形轨迹63图66MS300Mbps小节的非理想因素消除方案，本节所述多终端协作轨迹追踪方案能够达到较好的通感一体化性能。第八章总结与展望ITU-R6G6G网络提供原6G立体化、全覆盖的感知，满足网络对于感知性能的新需求。究。具体内容以及后续研究建议包括但不限于：入的研究。功率控制、资源冲突解决、干扰管理、杂波抑制、高精度同步、非理想因素消除、、不同融合算法设计思路（权重迭代法、栅格聚类法等64环境重构等新场景、人工智能与感知融合等新思路，进行协作算法的设计。以及非理想因素消除方案。3GPP6G标准化。本研究报告中的协作感知场景、空口关键技术、协作体的协作感知关键技术研究提供建议、促进共识，为标准制定奠定基础。通感一体化从理论走向标准、从实践走向应用，赋能千行百业。65参考文献FrameworkandoverallobjectivesofthefuturedevelopmentofIMTfor2030andbeyond,RecommendationITU-RM.2160,2023.G.Liu,R.Xi,Z.Han,L.Han,X.Zhang,L.Ma,M.Lou,J.Jin,Q.andJ.“CooperativeSensingfor6GMobileCellularNetworks:Feasibility,PerformanceandFieldTrial,”IEEEJournalonSelectedAreasinCommunications,vol.42,no.10,pp.2863–2876,2024.B.Lu,Z.H.X.Zeng,L.X.Lu,D.Mei,andZ.Feng,“DeepLearningBasedMulti-NodeISAC4DEnvironmentalReconstructionwithUplink-DownlinkCooperation,”IEEEInternetofThingsJournal,EarlyAccess,2024.Z.H.Liu,X.Jiang,H.X.Li,andZ.Feng,“CarrierAggregationEnabledIntegratedSensingandCommunicationSignalDesignandProcessing,”IEEETransactionsonvol.73,no.3,pp.3580-3596,2024.H.Liu,Z.J.Piao,H.X.Li,andZ.Feng,“CarrierAggregationEnabledMIMO-OFDMIntegratedSensingandCommunication,”SubmittedtoIEEETransactionsonWirelessCommunications,inarxivpreprintarxiv:2405.10606,2024.H.Liu,Z.Li,Lin,H.Qu,H.andZ.Feng,“IntegratedSensingandCommunicationSignalProcessingBasedOnCompressedSensingOverUnlicensedSpectrumBands,”IEEETransactionsonCognitiveCommunicationsandNetworking,EarlyAccess,2024.Z.Jiang,Z.Feng,H.N.Zhang,K.Han,R.Xu,andZhang,“IntegratedSensingandCommunicationenabledMultipleBaseStationsCooperativeSensing6G,”IEEENetwork,vol.38,no.4,pp.207-215,Jul.2024.H.Liu,Z.K.Han,andZ.Feng,LocalizationwithMacroandMicroBaseStationsCooperativeSensing,”SubmittedtoIEEEGLOBECOM,inarxivpreprintarxiv:2405.02873,2024.J.C.S.Jin,andX.Li,“EnablingPlug-and-PlayandCrowdsourcingSLAMinWirelessCommunicationSystems,”IEEETransactionsonWirelessCommunications,vol.21,no.3,pp.1453-1468,2022.[10]Z.Wei,H.Liu,Z.Feng,H.Wu,F.Liu,Q.Zhang,andY.Du,“DeepCooperationinISACSystem:Resource,NodeandInfrastructurePerspectives,”IEEEInternetofThingsMagazine,EarlyAccess,2024.66[11]J.Yang,C.Wen,X.Yang,J.Xu,T.Du,andS.Jin,“Multi-DomainCooperativeSLAM:TheEnablerforIntegratedSensingandCommunications,”IEEEWirelessCommunications,vol.30,no.1,pp.40-49,Feb.2023.[12]L.Pucci,E.Matricardi,E.Paolini,XuandA.Giorgetti,"PerformanceAnalysisofaBistaticJointSensingandCommunicationSystem,"2022IEEEInternationalConferenceonCommunicationsWorkshops(ICCWorkshops),Seoul,Korea,Republicof,2022,pp.73-78.[13]A.Sakhnini,M.Guenach,A.BourdouxandS.Pollin,"ACramér-RaoLowerBoundforAnalyzingtheLocalizationPerformanceofaMultistaticJointRadar-CommunicationSystem,"20211stIEEEInternationalOnlineSymposiumonJointCommunications&Sensing(JC&S),Dresden,Germany,2021,pp.1-5.[14]X.Zhang,L.Han,Z.Han,etal.,“InterferenceAnalysisforCollaborativeISACNetworks,”CommunicationsofHUAWEIRESEARCH,vol.5,pp.99-106,Oct.2023.[15]3GPP,Requirementsforsupportofradioresourcemanagement[S].3GPPTS38.133,2021[16]J.Li,B.Chen,S.Ding,J.Yao,D.Jiang,andF.Qin,“IntegratedCoordinatedMulti-PointSensingandCommunication:DesignandExperiment,”in2024IEEE25thWirelessCommunicationsandNetworkingConference(WCNC),April2024,pp.1–6.[17]Wong,IanC.,andBrianL.Evans."SinusoidalmodelingandadaptivechannelpredictioninmobileOFDMsystems."IEEETransactionsonSignalProcessing56.4(2008):1601–1615.[18]X.L.Han,R.Xi,L.Ma,M.Lou,J.Jin,Q.G.Liu,andJ.“Multipath-ExploitedBistaticSensingwithLoSBlockageinMIMO-OFDMSystemsfor6G,”in2024IEEEInternationalConferenceonCommunications(ICCWorkshops),2024,pp.1529–1534.[19]S.Chang,Y.Zhang,F.Zhang,X.Zhao,S.Huang,Z.Feng,andZ.Wei,“SpatialAttentionFusionforObstacleDetectionUsingMmWaveRadarandVisionSensor,”Sensors,vol.20,no.4,pp.956,Feb.2020.[20]Z.Zhang,S.Chang,Liu,H.andZ.Feng,RadarandFusionforObjectDetectioninAutonomousDriving:ASensors,vol.22,no.7,pp.2542,2022.Liu,S.Chang,Z.K.ZhangandZ.Feng,“FusingRadarCamerafor3-DDetectioninAutonomousDriving,”IEEEInternetofThingsJournal,vol.9,no.20,pp.20408-20421,Oct.2022.67[22]L.Xie,S.Song,Y.C.EldarandK.B.Letaief,"CollaborativeSensinginPerceptiveMobileNetworks:OpportunitiesandChallenges,"IEEEWirelessCommunications,vol.30,no.1,pp.16-23,2023.[23]L.Leyva,D.Castanheira,A.SilvaandA.Gameiro,"Two-stageestimationalgorithmbasedoninterleavedOFDMforacoope