【IMT】2024年6G通感一体化协作感知关键技术2030（6G）推进组

版权声明CopyrightNotification未经书面许可禁止打印、复制及通过任何媒体传播 7 82.1多模态协作 82.2多频段协作 92.3多节点协作 2.3.1多基站协作场景 102.3.2基站与终端协作场景 102.3.3多节点协作感知的优势 112.3.4多节点协作感知的挑战 14 143.1帧结构 3.2功率控制 3.3资源冲突解决 3.4干扰管理 3.5杂波抑制 3.6高精度同步 3.7非理想因素消除 3.8非视距识别与利用 3.9节点选择与切换 314.1基于自适应多策略信息融合的二维目标检测方法 324.2基于雷达区域建议网络和深度增强的三维目标检测方法 34 365.1系统模型 5.2基于峰谱聚合的多频段融合算法 5.3基于特征向量的多频段融合算法 416.1系统模型 426.2信号级融合 436.3符号级融合 466.3.1多个自发自收的协作场景下的融合算法 466.3.2自发他收的协作场景下的融合算法 486.3.3自发自收与自发他收的一体协作场景下的融合算法 506.4数据级融合 26.4.1基于算术平均的融合算法 546.4.2基于权重迭代的融合算法 546.4.3基于栅格聚类的融合算法 566.4.4基于滤波器递归的融合算法 58 607.1基站间协作感知 7.2终端间协作感知 64 66 703图1ITU-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 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 图8多个感知接收节点协作时的感知覆盖 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 图11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 图13通感冲突的下行资源抢占示 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 图17邻区干扰识别 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 图20MTI杂波抑制算法结果图 图21MTI+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26NLOS下的协作感知场景 图27协作感知中的NLOS利用算法流程图 图28NLOS算法的位置估计结果 图29协作节点选择示意图 29图30感知节点维护流程 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 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 图35雷达区域建议网络工作流程 图36深度特征增强模块工作流程 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 图42分布式全相参方法的收发相参模式相参处理框图 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 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 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 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 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 图52不同TO下的测距NMSE 图53不同CFO下的测速NMSE 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 图55多节点数据级融合 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 图61云端融合算法仿真结果 60图62测试场景示意图 图63单次目标检测结果 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1二维目标检测的多策略融合性能对比 表2不同方法的三维目标检测性能对比 366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7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，第二章协作场景分类以及优势与挑战式之一。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，有助于实基于3GPP感知和non-3GPP感知协同存在以下潜在场景：一种潜在应用是3GPP丰富、多维的感知，提高感知精度。另一种潜在应用non-3GPP感知为8图2多模态协作感知示意图采用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图3多基站协作场景下行感知范围小于上行通信范围，上行通信范围小图4基站与终端协作场景[2]。这意味着，采用单点A发A收的独立感知，并不总是能接收感知节点的多样性所带来的平均散射强度更大图5不同节点感知时无人机的RCS对比图图6多站协作提升检测概率图7更优的感知范围和连续性图8多个感知接收节点协作时的感知覆盖（1）帧结构：面向协作感知场景，尤其是基站A发B收的工作模式，如何设计标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（10）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第三章多节点协作感知的空口关键技术分灵活，包括半静态配置和动态配置。半静态配置包括小区级别配置和动态配置通过groupcommonPDCCH（组公共物理下行控制信道）指示传输格式。为图9协作感知帧结构配置图10需要功率控制的协作场景的MCS信息以及功率调整量的设置来控制功率。以PUSCH信号为例，具体功率控制其中pmax为UE最大发射功率，p0为基站期待接收到的功率，α为路径损耗补偿，在基站A发B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pexp−ecℎO，并对接收端小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p0进行调整，定义新的基站期待接收到的功率值p0−update，p0−update=pexp−ecℎO+DRADC，其中DRADC为ADC动态范围。由于接收端期待接收的回波信号强度为pexp−ecℎO，因此pexp−ecℎO为看为ADC动态范围的下界，则ADC动态范围的上界为pexp−ecℎO+DRADC，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δsensing，δsensing=pexp−ecℎO+DRADC−p1。如果将接收端期待接收的回波信号强度pexp−ecℎO看为ADC动态范围的下界，则ADC动态范围的上界为pexp−ecℎO+DRADC，该图11通感冲突的优先级配置通过速率匹配的方式向UE指示感知信号位置不可用。速率匹配包括RB级别和RE级图12速率匹配用来解决通感冲突3.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图13通感冲突的下行资源抢占示行干扰等对一体化性能的影响，以同时满足网图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=回波信号强度图15互干扰强度CDF曲线图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，系统干扰图16测距RMSE与干扰协调因子关系曲线图信号回波时，还会接收到来自相邻基站B发出由基站A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是两个基站同时发送相同感知信号，融合两基站感知结果。图17（bc）分别是基站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信号进行抑制。在A发A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模式中更需要对杂波干扰信号进行抑制，从而提高图19杂波抑制基本原理示意图21信号模型的通感一体化系统中的杂波抑制算法研究相对较少。如何借鉴基于FMCW信感知的研究重点之一。基于FMCW信号模型的杂波抑制算法主要有两大类，分别是动动目标显示MTI利用杂波抑制滤波器来抑制杂波，提高信号的信杂比，以利于运的抑制较弱，从而抑制静止目标和静物杂波。动目标显示MTI算法的本质是对相邻的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通感一体化系统中的杂波抑制也可以采用类似的动目标显示MTI算法，即对配置有感知参考信号的两个相邻的OFDM符号的频域信号作差，从而将来自静态目标的杂符号的时域信号解调得到频域信号，然后通过对多个感知OFDM符号的上相同子载波我们分别采用MTI和MTD算法对通感一体化系统中基于OFDM信号波形的杂波22图20MTI杂波抑制算法结果图图21MTI+MTD杂波抑制算法结果图可造成约20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，可通过基站直接授时或根据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23图22基于往返收发的同步误差消除方案图23基于参考径的同步误差消除方法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知目标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24影响动态反射径的长度，因此N(N≥2)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感知接收节点基于这N个多普勒频现人体轨迹追踪。该方案的详细原理分析和数学推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，其感知接收端，其中一种情况如图25(c)所示。(a)LOS(b)NLOS(c)遮挡图25协作感知过程中的信号传播情况利因素转变为有利因素，保证NLOS情况下的感知精度[18]。针们给出一种具体的场景图，如图26所示。其中，感知发送节点（节点A）发送感知信号来感知一个预先检测到的目标T，感知回波信号被感知接收节点（节点B）接收。S26图26NLOS下的协作感知场景 3A-S-B路信号重建与干扰消除：根据估计得到 27图27协作感知中的NLOS利用算法流程图图28NLOS算法的位置估计结果28度，利用RSRP测量值或者SINR测量值来确定协作接收节点，但是这个方案的劣势是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图29协作节点选择示意图最终决策。例如，协作节点选择的决策是由核心网网元SF执行的，29的基站。或者，基站可以将小区内可用感知UE的精确位置信息、小区内可用感知UE图30感知节点维护流程及感知质量等。节点集的建立所需要的信息可以通过SF请求节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30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RoI31图32三种主要的雷达与视觉信息融合策略果决策级融合。具体的，雷达数据转化是将原始雷达点数据转化为类似RGB形式的三32图33自适应多策略信息融合网络流程图此我们采用将雷达感知数据转化为类似RGB图像的多维矩阵形式的方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33表1二维目标检测的多策略融合性能对比AP(100)AP.50100AP.75100APs(100)APm(100)APl(100)AR(1)AR(10)AR(100)ARs(100)ARm(100)ARl(100)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，34图34三维目标检测网络（3DRrpn-depth）总体结构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-depth与对比方案的特征级融合网络模型M3D-RPN、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表2不同方法的三维目标检测性能对比实验结果表明本节提出的三维目标检测网络3Drpn-depth相较第五章多频段协作感知算法36其中，B{1,2}表示频段的集合；xb(k,n,m)表示通信数据；fcb表示第b个频段的载 其中Tsb是循环前缀（CyclicPrefix,CP）的长度；rect(.)矩形窗函数。第n个子载波上的回波感知信号表示为：y,n=kEQ\*jc3\*hps13\o\al(\s\up2(b),S)ej2πfsbmTbe-j2πnΔfdτ0aRx(θRx)aEQ\*jc3\*hps13\o\al(\s\up2(T),T)x(θTx)x,n其中，表示目标与基站之间的衰减，包括反射系数βEQ\*jc3\*hps14\o\al(\s\up3(b),S)和路径损耗；0表示目标与基站的相对距离，τ0=2r0c表示相对距离所产生的时延；λb=c/fcb表示波化信号回波，在第m个OFDM符号时间内的第n个子载波上，表达为：37其中zEQ\*jc3\*hps14\o\al(\s\up4(S),m),n表示加性高斯白噪声（AdditiveWhite其中sb和sEQ\*jc3\*hps23\o\al(\s\up0(—),coop)分别表示单一频段和协作感知的峰谱信息，pb和σEQ\*jc3\*hps16\o\al(\s\up4(2),b)分别表示第b个EQ\*jc3\*hps16\o\al(\s\up4(b),d)EQ\*jc3\*hps16\o\al(\s\up4(b),c)点感知获得更优的距离和速度估计性能，仅在SNR=-30~-20dB时，协作感知算法的速度估计性能略低于fEQ\*jc3\*hps16\o\al(\s\up4(3),c)=15GHz的单子带估计性能。产生性能差异的原因随着fEQ\*jc3\*hps16\o\al(\s\up4(b),c)数值38(a)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：EQ\*jc3\*hps20\o\al(\s\up3(^),X)39不同。我们采用最大比合并的方式，即给高低频图38基于特征向量的多频段融合算法(a)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第六章多节点协作感知算法知定位。对于基站间的协作感知，如图40所示主41据每个接收节点的接收SINR、盲区位置等对数据进行筛选，保留相对误图40不同协作层级示意图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N-1N-1dm,μesj(2π(f0+mΔf)t+0)ts42符号。f0是上变频频率，mΔf是第m个子载波的调制频率，Ts是单个符号持续时间，对于径向速度为v，距离为R的目标，定义U为复幅度衰减，自发自收的信号回波2R其中R2表示目标到被动接收端的距离，fD2表示移动目标对被动信号产生的多普勒进行MIMO模式相参处理，估计不同接收信号间的时延、相位差参数，在实现信号间可以形成关于同一目标的N2路回波接收通道，从而获得最大为N2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全相参系统总计能够获得最大为N3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两基站使用两相互正交的脉冲信号s1(t)和s2(t)为基带信号，则发射信号可表示为：EQ\*jc3\*hps23\o\al(\s\up8(x),x)EQ\*jc3\*hps15\o\al(\s\up8(1),2)EQ\*jc3\*hps23\o\al(\s\up10(t),t)1(t)ej2πft2(t-Δτ)ej(2πft-Δφ)τ1和τ2，则到达目标时两信号表达式为：44y1=s1(t-2τ1)e-j2πf2τ1+s2(t-Δτ-τ1-τ2)e-j(2πf(τ1+τ2)+Δφ)y2=s1(t-τ1-τ2)e-j(2πf(τ1+τ2)-Δφ)+s2(t-Δτ-2τ2)e-j2πf2τ2对于基站1，分别使用与s1(t)和s2(t)相对应的匹配滤波器对接收信号y1进行处理，两匹配滤波器输出信号峰值对应时延分别为2τ1和τ1+τ2+Δτ,对应相位分别为2πf2τ1ΔT1=τ2-τ1+ΔτΔφ=2πf(τ2-τ1)+Δφ同理，基站2分别使用与s1(t-Δτ)和s2(t-Δτ)相对应的匹配滤波器对接收信号y2进行处理，匹配滤波器输出信号峰值对应时延分别为τ1+τ2-Δτ和2τ2，对应相位分别为2πf(τ1+τ2)-Δφ和2πf2τ2，因此两信号时延、相位差异估计值为：ΔT2=τ2-τ1+ΔτΔφ=2πf(τ2-τ1)+Δφ信号间相位差为π/3。两基站分别独立对目标回波进行积累后的频域表示如所示。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45(a)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本小节介绍一种基于最小误差累积的多基站融合算法。在A发A收场景下，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]提出一种基于误差处理和晶格点搜索两步，如图45所示。单个基站采用MUSIC算法，接收天线为平面46图45基于最小误差累积的多基站融合算法流程图47(a)不同信噪比场景(b)相同信噪比场景图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)相同信噪比场景图47基于误差累积融合算法的速度估计融合结果考虑了A发B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，该算法提出获得的第i个节点的距离和速度特征向量分别表示为：48和和图48基于网格搜索的多基站感知融合算法49(a)(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）和载波频率偏模有限的低复杂度高精度到达角（ArriveofAngle,AoA）估计挑战[32]。图50双基站协作感知场景图50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（Cross-CorrelationCoopertiveSensing,CCCS）算法，如图51所示。针对k1,R和k2,R的为了补偿ΔfD+δf(m)，针对k1,D和k2,D的CCCS算法可表述为其中，Δτ+δτ(m)被转换为沿载波频率轴变化的调制符号之间的线性相移，ΔfD+δf(m)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，Δτ+δτ(m)和ΔfD+δf(m)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CFO会导致测速精度降低。如图52所示，TO的均值E(δτ)越大，距离估计精度起伏均值E(δτ)越大，速度估计精度起伏越大E(δf)越大，则测速的NMSE也越大，说明测图52不同TO下的测距NMSE52图53不同CFO下的测速NMSE1）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2）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4）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53果噪声峰值幅度超过目标峰值幅度，将会造成目标峰值IFFT采样点序号判断错误，造峰值IFFT采样点序号的概率分布为40%和70%，距离远的基站概率更低，由于30%甚至60%错误感知数据的引入，如果简单的用所有获得的感知数据了不对估计坐标进行任何处理的定位误差CDF分布，图54（b）给出了重复测量（10次）并利用改进算术平均法处理后的定位误差CDF分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(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6.1节方法感知接收节点获得关于目标的到达角φnEQ\*jc3\*hps23\o\al(\s\up13(务器或数据处),对应的到达角)EQ\*jc3\*hps23\o\al(\s\up13(单元),与时)EQ\*jc3\*hps23\o\al(\s\up13(务器),数据)EQ\*jc3\*hps23\o\al(\s\up13(数),根)EQ\*jc3\*hps23\o\al(\s\up13(据),据)EQ\*jc3\*hps23\o\al(\s\up13(处),最)EQ\*jc3\*hps23\o\al(\s\up13(理),小)EQ\*jc3\*hps23\o\al(\s\up13(单),误)EQ\*jc3\*hps23\o\al(\s\up13(元),差)EQ\*jc3\*hps23\o\al(\s\up13(假),原)EQ\*jc3\*hps23\o\al(\s\up13(设),则)EQ\*jc3\*hps23\o\al(\s\up13(目),优)EQ\*jc3\*hps23\o\al(\s\up13(标),化)EQ\*jc3\*hps23\o\al(\s\up13(置为),y值)EQ\*jc3\*hps23\o\al(\s\up13(y),可)EQ\*jc3\*hps23\o\al(\s\up13(并计),写成)54需要传输一对到达角φn与N个时延τn数据，服务器或数据处理单元需要迭代优化x,y最小误差原则优化(vx,vy)值，可以写成其中εx,n=cosφT,n+cosφR,n，εy,n=sinφT,n+sinφR,n,利用该目标速度初值可以加图55多节点数据级融合55(a)(b)图56数据级融合的(a)定位的RMSE(b)测速的RMSE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门限的收发扇区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56图57各个感知接收节点的感知目标位置估计分布图DBSCAN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对比了UAV场景图58基于栅格聚类的感知目标位置融合结果分布图57(a)多站融合前位置精度（b）多站融合后位置精度图59多站融合前和多站融合后目标位置精度CDF曲线与周围基站通信过程中会经由信道估计产生LoS和NLoS径信道参数，如AoA、AoD用户形成的LoS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待估计地图特征的关联性未知，则采用PHD滤波器来对地图特征进行融合估计。进一58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EQ\*jc3\*hps16\o\al(\s\up5(i),1)(m)+Bt(k,i)(m)其中，Bt(k,i)(m)是依据当前时刻观测值生成的新生PHD地图分量，DEQ\*jc3\*hps16\o\al(\s\up6(i),1)当新的信道参数估计值到达时，可以基于PHD滤波器更新用户位置和无线地图特征。采用了基于粒子滤波器实现的方式对PHD地图进行更新，以避免由于高维集合积每个点都代表一个用户位置粒子。针对每个粒子，利用PHD滤波器融合NLoS多径参更新粒子权重。接着，依据粒子权重对不同粒子的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站本地地图间无融合、加权平均融合和几何平均融合的结果。可以看到，通过EKF和PHD分别融合LoS和NLoS多径参数可以显著提升估计精度；在视野重叠的地图重建(a)(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60原型样机主要由基带平台（中央处理板、射频前端板处理板支持资源密集型信号处理和100Gbps高速数支持百兆级带宽。通感一体化信号设计采用通感性能最佳折中的OFDM一体化波形，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图62测试场景示意图61图63单次目标检测结果图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USRP验证了A发B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。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62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633.7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通信感知一体化作为ITU-R确立的6G六大场景之一，将赋能未来6G网络提供原功率控制、资源冲突解决、干扰管理、杂波抑制、高64年3GPP将正式开启6G标准化。本研究报告中的协作感知场景、65[1]Frameworkandoverbeyond,RecommendationITU-RM.2160,202PerformanceandFieldTrial,”IEEEJournLearningBasedMulti-NodeISAC4DEnvironmentalReconstructiUplink-DownlinkCooperation,”IEEEInternetofThingsJournal,EarlyAccess,2024.MIMO-OFDMIntegratedSensingandCoonWirelessCommunications,inarxivpreprintarxCommunicationSignalProcessingBasedOnCompressed“IntegratedSensingandCommunicationenabledMultipleBaseStationsCooperativeSensingTowar