2024年6G通感一體化協(xié)作感知關(guān)鍵技術(shù)-2030（6G）推進組

目錄第章引言 7第章協(xié)場景類以優(yōu)勢挑戰(zhàn) 8多模態(tài)協(xié)作 8多頻段協(xié)作 9多節(jié)點協(xié)作 10多基站協(xié)作場景 10基站與終端協(xié)作場景 10多節(jié)點協(xié)作感知的優(yōu)勢 11多節(jié)點協(xié)作感知的挑戰(zhàn) 14第章多點協(xié)感知空口鍵技術(shù) 14幀結(jié)構(gòu) 15功率控制 15資源沖突解決 16干擾管理 18雜波抑制 21高精度同步 23非理想因素消除 24非視距識別與利用 26節(jié)點選擇與切換 28第章多態(tài)協(xié)感知法 31基于自適應(yīng)多策略信息融合的二維目標檢測方法 32基于雷達區(qū)域建議網(wǎng)絡(luò)和深度增強的三維目標檢測方法 34第章多段協(xié)感知法 36系統(tǒng)模型 37基于峰譜聚合的多頻段融合算法 38基于特征向量的多頻段融合算法 39第章多點協(xié)感知法 41系統(tǒng)模型 42信號級融合 43符號級融合 46多個自發(fā)自收的協(xié)作場景下的融合算法 46自發(fā)他收的協(xié)作場景下的融合算法 48自發(fā)自收與自發(fā)他收的一體協(xié)作場景下的融合算法 50數(shù)據(jù)級融合 532基于算術(shù)平均的融合算法 54基于權(quán)重迭代的融合算法 54基于柵格聚類的融合算法 56基于濾波器遞歸的融合算法 58第章多點協(xié)感知原型證 60基站間協(xié)作感知 60終端間協(xié)作感知 62第章總與展望 64參文獻 66貢單位 703圖目錄圖1 ITU-R定義的IMT-2030應(yīng)用場景和關(guān)鍵能力 7圖2 多模態(tài)協(xié)作感知示意圖 9圖3 多基站協(xié)作場景 10圖4 基站與終端協(xié)作場景 圖5 不同節(jié)點感知時無人機的RCS對比圖 12圖6 多站協(xié)作提升檢測概率 12圖7 更優(yōu)的感知范圍和連續(xù)性 13圖8 多個感知接收節(jié)點協(xié)作時的感知覆蓋 13圖9 協(xié)作感知幀結(jié)構(gòu)配置 15圖10 需要功率控制的協(xié)作場景 16圖通感沖突的優(yōu)先級配置 17圖12 速率匹配用來解決通感沖突 17圖13 通感沖突的下行資源搶占示 18圖14 上下行鏈路交叉干擾 18圖15 互干擾強度CDF曲線圖 19圖16 測距RMSE與干擾協(xié)調(diào)因子關(guān)系曲線圖 19圖17 鄰區(qū)干擾識別 20圖18 干擾利用的場景示意圖 20圖19 雜波抑制基本原理示意圖 21圖20 MTI雜波抑制算法結(jié)果圖 23圖21 MTI+MTD雜波抑制算法結(jié)果圖 23圖22 基于往返收發(fā)的同步誤差消除方案 24圖23 基于參考徑的同步誤差消除方法 24圖24 可靠估計判決示例(a)實測4個UE時域上連續(xù)的MUSIC偽譜(b)對應(yīng)的可靠估計判決結(jié)果 圖25 協(xié)作感知過程中的信號傳播情況 26圖26 NLOS下的協(xié)作感知場景 27圖27 協(xié)作感知中的NLOS利用算法流程圖 28圖28 NLOS算法的位置估計結(jié)果 28圖29 協(xié)作節(jié)點選擇示意圖 29圖30 感知節(jié)點維護流程 30圖31 多感知模式和感知節(jié)點協(xié)作的節(jié)點選擇示例 314圖32 三種主要的雷達與視覺信息融合策略 32圖33 自適應(yīng)多策略信息融合網(wǎng)絡(luò)流程圖 33圖34 三維目標檢測網(wǎng)絡(luò)（3DRrpn-depth）總體結(jié)構(gòu) 35圖35 雷達區(qū)域建議網(wǎng)絡(luò)工作流程 35圖36 深度特征增強模塊工作流程 36圖37 基于峰譜聚合級的多頻段融合算法距離估計和速度估計的RMSE曲線 39圖38 基于特征向量的多頻段融合算法 40圖39 基于特征向量的多頻段融合算法的仿真結(jié)果 40圖40 不同協(xié)作層級示意圖 42圖41 分布式全相參方法的MIMO模式接收相參處理框圖 44圖42 分布式全相參方法的收發(fā)相參模式相參處理框圖 44圖43 參合成前的接收信號 46圖44 兩基站接收信號相參合成結(jié)果 46圖45 基于最小誤差累積的多基站融合算法流程圖 47圖46 基于誤差累積融合算法的定位融合結(jié)果 48圖47 基于誤差累積融合算法的速度估計融合結(jié)果 48圖48 基于網(wǎng)格搜索的多基站感知融合算法 49圖49 基于網(wǎng)格搜索的多基站感知融合算法的(a)定位RMSE (b)測速RMSE 50圖50 雙基站協(xié)作感知場景圖 50圖51 互相關(guān)協(xié)同感知算法的流程圖 52圖52 不同TO下的測距NMSE 52圖53 不同CFO下的測速NMSE 53圖54定位誤差CDF分布(a)未進行數(shù)據(jù)融合(b)采用改進算術(shù)平均數(shù)據(jù)融合處理 圖55 多節(jié)點數(shù)據(jù)級融合 55圖56 數(shù)據(jù)級融合的(a)定位的RMSE (b)測速的RMSE 56圖57 各個感知接收節(jié)點的感知目標位置估計分布圖 57圖58 基于柵格聚類的感知目標位置融合結(jié)果分布圖 57圖59 多站融合前和多站融合后目標位置精度CDF曲線 58圖60 射頻地圖特征幾何關(guān)系示意圖 60圖61 云端融合算法仿真結(jié)果 60圖62 測試場景示意圖 61圖63 單次目標檢測結(jié)果 62圖64 蜂窩網(wǎng)絡(luò)下的多終端協(xié)作感知與通信一體化場景示意圖 625圖65 軌跡追蹤樣機以及環(huán)境照片(a)實驗中發(fā)射機和接收機布局(b)實測感知目標運動區(qū)域(c)接收機(d)發(fā)射機(e)發(fā)射天線(f)接收天線 63圖66 多UE協(xié)作軌跡追蹤實測結(jié)果示例(a)直線軌跡下4個UE的MUSIC偽譜(b)M形軌跡下4個UE的MUSIC偽譜(c)S形軌跡下4個UE的MUSIC偽譜(d)估計的直線軌跡(e)估計的M形軌跡(f)估計的S形軌跡 63表目錄表1 二維目標檢測的多策略融合性能對比 34表2 不同方法的三維目標檢測性能對比 366第一章引言作為下一代移動通信系統(tǒng)，6G將提供更多維度的原生能力，邁向數(shù)字孿生、萬物5G的三大場景，即增強型移動寬帶、超大規(guī)模機器類通信以及低2023（SAC、I與通信和泛在連接，如圖1所示[1。未來的通感低空經(jīng)濟、智慧工廠、智慧醫(yī)療等業(yè)務(wù)與場景的發(fā)展成熟，推動業(yè)態(tài)轉(zhuǎn)型升級。圖1ITU-R定義的IMT-2030應(yīng)用場景和關(guān)鍵能力融合發(fā)展到互助互利、高度協(xié)同、深度交融。6G網(wǎng)絡(luò)突破單基站、單終端感知的局限6G體驗、實現(xiàn)多目標的高精度全域化感知。協(xié)作感知場景主要有三大類，包括多模態(tài)協(xié)作、多頻段協(xié)作、多節(jié)點協(xié)作。多模態(tài)協(xié)作包括無線網(wǎng)絡(luò)、攝像頭、傳感器等多種感知形式的融合，各種感知方式互為補充，實現(xiàn)立體多維的感知。在多頻段協(xié)作中，低頻段提供遠覆蓋、中頻段保證業(yè)務(wù)連續(xù)性、高頻段按需開啟實現(xiàn)超高精度，多頻段的一體協(xié)同將提升網(wǎng)絡(luò)效率。多節(jié)點的協(xié)作將利用移動通信網(wǎng)絡(luò)中的節(jié)點，包括大規(guī)模部署的基站、高密度分布的終端等進行協(xié)作與交7互[2]展感知維度等優(yōu)勢，滿足新場景的新需求。ITU-R2023框架建議書、3GPP2024正式開啟通感信向，需對其關(guān)鍵技術(shù)進行研究，為即將到來的標準化做好準備。因此，本報告作為IMT-2030（6G）推進組首個聚焦協(xié)作感知的技術(shù)報告，首先對協(xié)作場景進行了分析，6G通感一體的標準制定。第二章協(xié)作場景分類以及優(yōu)勢與挑戰(zhàn)多模態(tài)協(xié)作3GPP式之一。雷達、攝像頭等采集物理世界數(shù)據(jù)的方式已得到廣泛應(yīng)用，IEEE802.11已經(jīng)因此在未來，3GPP感知和其它形式的感知將進行充分協(xié)同并進行數(shù)據(jù)融合，有助于實現(xiàn)立體、豐富、多維的感知。3GPPnon-3GPP感知協(xié)同存在以下潛在場景：一種潛在應(yīng)用是3GPPnon-3GPP2non-3GPP3GPP感知提供8圖2多模態(tài)協(xié)作感知示意圖（生成的（進行有效的多策略融合，并動態(tài)更新各個傳感器的權(quán)重。多頻段協(xié)作6G升感知性能。低頻段提供超遠覆蓋，滿足Mbps探測；中頻段（Sub10z頻段）主要用于連續(xù)覆蓋、中高速通信（bps，以及亞米（一步提升通信速率和感知分辨率（厘米級。將多頻段有機的協(xié)同起來，可滿足不同的通信和感知需求，支撐個性化業(yè)務(wù)。OFDM波形作為感知信號時，高頻段和低頻段的子載波間隔不同，給感知信息融合帶來了挑戰(zhàn)[4][5]。除了高頻段和低頻段的協(xié)作之外，還有頻域協(xié)作的其他情況，例9如在碎片化頻帶或非授權(quán)頻段上融合信號[6]。多節(jié)點協(xié)作多基站協(xié)作場景多基站協(xié)作感知場景可以細分為三種[7][8]，包括多個自發(fā)自收的協(xié)作，自發(fā)他收的協(xié)作、自發(fā)自收與自發(fā)他收的一體協(xié)作：3(a)（可以是某一個基站或核心網(wǎng)）進行融合感知。3(b)在接收端或在核心網(wǎng)側(cè)進行融合。3(c)可在接收端或在核心網(wǎng)側(cè)進行融合。圖3多基站協(xié)作場景基站與終端協(xié)作場景[9][10]下行感知范圍小于上行通信范圍，上行通信范圍小于下行通信范圍，如圖4所示。當(dāng)目標位于下行感知覆蓋范圍內(nèi)：如圖4A知的覆蓋，因此這四種感知不一定同時存在。10當(dāng)目標在下行感知覆蓋范圍之外：在上行通信覆蓋范圍內(nèi)時，如圖4中的位B，多個終端對目標進行檢測，并將感知信息上傳到基站，進行感知信息融合。當(dāng)目標在上行通信覆蓋范圍之外：在下行通信覆蓋范圍內(nèi)時，如圖4中的位C，多個終端在基站的引導(dǎo)下，自行檢測目標，并融合感知信息。圖4基站與終端協(xié)作場景多節(jié)點協(xié)作感知的優(yōu)勢與單節(jié)點感知相比，采用多節(jié)點協(xié)作感知可以賦能更高的感知精度[7][11]，具有如下技術(shù)優(yōu)勢：LOS的概率為（節(jié)點數(shù)為S1?(1?)??？梢姡S著節(jié)點數(shù)目增加，LOS徑概率增加。[2]AA收的獨立感知，并不總是能接收到具有最大強度的回11波信號。如圖5所示，根據(jù)蜂窩網(wǎng)絡(luò)站點分布特點，選擇3個相鄰的節(jié)點作為收發(fā)基站，3AAAB1AB20.0720.0930.098RCS的散射特性，感知節(jié)點在不同方向接收的散射強度不同，通過感知節(jié)點的多樣性所帶來的平均散射強度更大，更有利于精確感知。圖5不同節(jié)點感知時無人機的RCS對比圖64.9GHz，500m500米。從圖6SNR，進一步的提升檢測概率。圖6多站協(xié)作提升檢測概率與單節(jié)點自發(fā)自收相比，多節(jié)點聯(lián)合收發(fā)能夠獲得與多節(jié)點空間分布相關(guān)的幾何增益以及精度增益。多節(jié)點提供的冗余測量值還能夠用于排除故障基站，進而增強感知的12A發(fā)A收的獨立感知還是AB收的協(xié)作感知，SNR（7感知目標有可能需要從一個基站的覆蓋范圍移動到另一個基站的覆蓋范圍。圖7更優(yōu)的感知范圍和連續(xù)性知發(fā)射節(jié)點，通過增加感知節(jié)點的方式擴大感知覆蓋，如圖8所示。圖8多個感知接收節(jié)點協(xié)作時的感知覆蓋13多節(jié)點協(xié)作感知的挑戰(zhàn)協(xié)作感知也面臨諸多挑戰(zhàn)，具體包括：AB收的工作模式，如何設(shè)計可以適應(yīng)新場景的幀結(jié)構(gòu)。信號的接收時，如何進行功率控制的設(shè)計來滿足高效的通信和感知。解決方案。射徑干擾等多種干擾源。抑制。10ns3m的感知定位誤差。RCS波動、信道衰落等環(huán)境非理想因素會對感知結(jié)果帶來影響，因此需要設(shè)計非理想因素抑制和消除方案來解決上述問題。NLOS以及感知小區(qū)的切換等。數(shù)據(jù)融合：如何對多個接收節(jié)點的數(shù)據(jù)進行融合，是協(xié)作感知的重要挑戰(zhàn)之一。包括如何在不同的層級進行融合，融合算法的設(shè)計與優(yōu)化等。第三章多節(jié)點協(xié)作感知的空口關(guān)鍵技術(shù)14技術(shù)。幀結(jié)構(gòu)圖9協(xié)作感知幀結(jié)構(gòu)配置UE級別配置。groupcommonPDCCH（組公共物理下行控制信道）指示傳輸格式。為ABA式，如圖9圖9協(xié)作感知幀結(jié)構(gòu)配置功率控制AB圖10B小區(qū)內(nèi)的通信終端進行一定的功率控制，以滿足感知檢測的要求。15圖10需要功率控制的協(xié)作場景MCSPUSCH信號為例，具體功率控制公式為：???=??{??,0+?×?+10?0?×RB)+ΔTF+δ}其中????UE最大發(fā)射功率，?0為基站期待接收到的功率，?PLUEPUSCHRBMCSMCS的功率偏移，?為閉環(huán)功控調(diào)整量。AB收的協(xié)作感知場景中，可根據(jù)感知信號回波能量的初始測量值P1，以及根據(jù)感知小區(qū)覆蓋來計算接收端期待接收的回波信號強度?????????區(qū)內(nèi)的通信終端進行一定的上行功率調(diào)整。一種方式是對基站期待接收到的功率值?0?0???????，?0???????=?????????+其中?????為ADC動態(tài)范圍。由于接收端期待接收的回波信號強度為??????????????????ADCADC動態(tài)范圍的上界為?????????并認為該上界是新的基站期待接收到的功率值。另一種方式是計算新的功率調(diào)整值?????，?????=?????+???1。如果將接收端期待接收的回波信號度?????????ADCADC動態(tài)范圍的上界為?????????上界和?1的差值即為功率調(diào)整值。資源沖突解決16進行資源搶占指示，感知搶占已經(jīng)調(diào)度給通信的資源完成感知任務(wù)。ABAB11BABUEBB優(yōu)先處理通信信號。圖11通感沖突的優(yōu)先級配置PDSCHUEPDCCH資源、預(yù)留資源等。感知信號也可看作一種不PDSCH的沖突。ABAUE資源沖突時，可以UERBRE級RBRE級速率匹配。如果感知RBRE級別的速率匹配，如圖12所示。圖12速率匹配用來解決通感沖突感知資源搶占：當(dāng)感知和通信傳輸資源沖突時，感知可占用已調(diào)度給通信的資UE13A已經(jīng)給通信UE調(diào)度了PDSCHABAUEPDSCHBAUE用的資源。UE收到搶占指示后，認為搶占信令指示的資源上沒有發(fā)送給自己的數(shù)據(jù)，17不對這些資源上的數(shù)據(jù)進行進一步處理。圖13通感沖突的下行資源搶占示干擾管理等[12][13]1412行干擾等對一體化性能的影響，以同時滿足網(wǎng)絡(luò)的感知需求與通信需求[14]。圖14上下行鏈路交叉干擾為保障信號成功檢測，需滿足干擾強度低于干擾上限，干擾上限=回波信號強度+ADC15給出了典型低頻網(wǎng)絡(luò)協(xié)作通感系統(tǒng)中的1852dm，C60dB，感知目標為無人機（RC0.01。根據(jù)干擾上限計算可得其能承受的干擾上限約為-8.71dBm作接收基站受到的干擾強度達到約-6.45dBm，高于干擾強度上限-8.71dBm，導(dǎo)致感知足信號檢測要求。圖15互干擾強度CDF曲線圖此外，如圖141216給出不同干擾（0dB下行基站的直射徑干擾，可以看出不同站間距下，隨著干擾協(xié)調(diào)因子降低，系統(tǒng)干擾RMSE顯著降低。圖16測距RMSE與干擾協(xié)調(diào)因子關(guān)系曲線圖19感知需求。A接收自己發(fā)出的感知BA接收到的干擾信號，可對鄰區(qū)如圖17（a）所示；同時發(fā)送時，有兩個峰值，圖17（b）所示。通過對比兩種配置的圖17（b（）分別是基站AB如圖18所示，上述干擾識別方法還可以進一步的達到干擾利用、提高系統(tǒng)感知資源利用率的效(a)無鄰區(qū)干擾時基站A感知數(shù)據(jù) (b)存在鄰區(qū)干擾時基站A感知數(shù)據(jù) (c)存在鄰區(qū)干擾時基站B感知數(shù)據(jù)圖17鄰區(qū)干擾識別圖18干擾利用的場景示意圖20知干擾較強的場景，可以改善通信性能。雜波抑制AA收的獨立感知模式中，某些區(qū)域內(nèi)的待感知目標與感知站距AA、BA、B模式中更需要對雜波干擾信號進行抑制，從而提高感知信噪比，提升感知算法性能。N的目的，如圖19所示。圖19雜波抑制基本原理示意圖21FMCWOFDMFMCW信FMCW信號模型的雜波抑制算法主要有兩大類，分別是動目標顯示(MovingIndicatorMTI)和動目標檢測(Moving。MTI利用雜波抑制濾波器來抑制雜波，提高信號的信雜比，以利于運MTI脈沖重復(fù)頻率MTI算法的本質(zhì)是對相鄰的位不變的靜態(tài)雜波濾除掉。MTD其主要依據(jù)為不同速度產(chǎn)生的多普勒頻移不同。MTD中的多個窄帶多普勒濾波器組可FFT信號通過多普勒濾波器組時，即進行速度維FFT出目標速度。MTI算法，即對配置OFDM符號的頻域信號作差，從而將來自靜態(tài)目標的雜MTDOFDMOFDM符號的上相同子載波MTIMTD對靜態(tài)雜波做一定的抑制后再進行動態(tài)目標的檢測。MTIMTDOFDM信號波形的雜波20MTI12中只有兩排峰值，相對于左圖，中間的來自靜止目標的雜波被濾除掉了。22圖20MTI雜波抑制算法結(jié)果圖下圖21MTI+MTDMTD算法的結(jié)果圖，通2FFT12MTD2D-IFFT結(jié)果中的峰值被抑制掉，因此只出現(xiàn)兩個動態(tài)目標的峰值。圖21MTI+MTD雜波抑制算法結(jié)果圖高精度同步3PPR協(xié)議S38.10420米的距離偏差，無法滿足高精度測距需求。對于網(wǎng)絡(luò)時間同步，可通過基1588v2協(xié)議規(guī)定的有線時間網(wǎng)絡(luò)授時實現(xiàn)，采用這兩個方案時，基50ns1us，同樣無法滿足高精度測距需求。盡管基站間高精度的時間同步較難實現(xiàn)，但是依然可通過時間同步誤差消除方案設(shè)2322步誤差無關(guān)的感知測量值，有效消除同步誤差的影響。圖22基于往返收發(fā)的同步誤差消除方案23AB何關(guān)系建立等式，可由到達時間差計算出反射徑的真實時延。圖23基于參考徑的同步誤差消除方法非理想因素消除非理想因素指的是由于系統(tǒng)硬件或者物理環(huán)境不理想導(dǎo)致無線感知出現(xiàn)的誤差成mestO（Cirequnyst，CO、隨機相位等。其中，O包括了前面所述的時間同步誤差，以及隨時間RCS波動、信道衰落、多徑干擾等同樣可能對感知結(jié)果或者用于計算感知結(jié)果用到室外等其他場景。24假設(shè)已知基站和終端的位置坐標，人的速度NN2個處于不同位置的終端可以測量人體反射徑的多普勒頻率（正比于動態(tài)反射徑長度的變化速度N現(xiàn)人體軌跡追蹤。該方案的詳細原理分析和數(shù)學(xué)推導(dǎo)可以參見文獻[16]CSICSICSI均共軛重排，同時頻域平均的方法估計多普勒[17]。RCSRCS圖24給出了一個關(guān)于可靠估計判決和感知節(jié)點動態(tài)選擇的實測示例?？煽抗烙嬙?4(b)4UE2UE獲取的多普勒頻率進行軌跡計算，確保軌跡追蹤的連續(xù)性和可靠性[16]。25圖24可靠估計判決示例(a)實測4個UE時域上連續(xù)的MUSIC偽譜(b)對應(yīng)的可靠估計判決結(jié)果非視距識別與利用在實際中，感知性能會受到許多非理想因素的影響，其中頻繁出現(xiàn)的是非視距（NLOS）LOS情況如圖25(a)NLOS傳輸則是指在感知號除了經(jīng)過目標反射外，還經(jīng)過散射體的反射/折射/繞射，使得信號發(fā)生多跳反射，其中一種情況如圖25(b)NLOS感知接收端，其中一種情況如圖25(c)所示。LOS (bNLOS (c)遮擋圖25協(xié)作感知過程中的信號傳播情況NLOSNLOSNLOS情況下的感知精度[18]。針對圖25(b)的場景，我們給出一種具體的場景圖，如圖26（T，感知回波信號被感知接收節(jié)點（B）接收。SATLOSTBLOSSTS26置均未知。示意圖 (b)幾何關(guān)系圖圖26NLOS下的協(xié)作感知場景如圖26所示，有兩條傳播路徑需要考慮，包括：發(fā)送端-散射體-接收端的LOS徑（SB目標散射體-OS（So+AOA-AODNLOS275個步驟：1AOA-AODAOA/AODMUSIC等都可擴展到二AOA-AOD組合。12A-S-B路徑距離估計：可以利用1-DDFT等23A-S-B路信號重建與干擾消除：根據(jù)估計得到的時延、角度信息，結(jié)合路損模型，反推A-S-B路信號，并從復(fù)合信號中刪除，獲得A-T-S-B路信號。34A-T-S-B路徑距離估計：對A-T-S-B路信號執(zhí)行1-DDFT等，獲得時延/距離信4息。5目標位置估計：利用幾何關(guān)系獲得目標位置。527圖27協(xié)作感知中的NLOS利用算法流程圖1（包括利用干擾消除2）所提算法（不利用干擾消除，3）傳統(tǒng)算法（OSOS徑，4）傳統(tǒng)算法（OS徑存在，作為基準。仿真結(jié)果如圖28所示，所提方法（紅星LoS（藍星AOA（紫星綠星--SBSBA、SAODA-T方向，因此最終估計目標位置將在二者交點，即原點附近，造成較大誤差。圖28NLOS算法的位置估計結(jié)果節(jié)點選擇與切換感知切換過程設(shè)計，以確保感知的連續(xù)性。28度，利用RSRPSINR測量值來確定協(xié)作接收節(jié)點，但是這個方案的劣勢是波信號等回波信號影響。面對實際感知場景選擇協(xié)作節(jié)點至關(guān)重要。因此，可進一步考慮定義每條徑的SINR（SRahSR3AB、C、D等相鄰節(jié)點接收，其中各個相鄰節(jié)點上報第一條遠于直達徑的SINR或第一條遠于直達徑且速度非零的SINR（用SRah表示ASRa如圖29所示。圖29協(xié)作節(jié)點選擇示意圖SF執(zhí)行的，但感知節(jié)點可以上報輔助信息用于輔助協(xié)作節(jié)點的選擇。上報內(nèi)容可以包含：協(xié)作感知能力：基本感知能力、數(shù)據(jù)匯集計算能力等。/等。29/UEUEUEUE收發(fā)對推薦等。30節(jié)點集的更新和節(jié)點的切換。圖30感知節(jié)點維護流程節(jié)點集的建立：SF請求節(jié)點進行上報，或節(jié)點主動上報。節(jié)點的感知操作：感知模式和感知系統(tǒng)架構(gòu)（如分布式和集中式，或緊耦合和松耦合，節(jié)點之間以及節(jié)SF之間的信令交互和信息內(nèi)容不同，需要分別進行設(shè)計。節(jié)點集的更新：節(jié)點的切換：各節(jié)點集更新后，需要對相關(guān)的節(jié)點進行切換操作。被刪除的節(jié)點停止感知操作，30點的感知配置和感知結(jié)果計算，保證感知業(yè)務(wù)的連續(xù)性?；景l(fā)終端收子集，如圖31（對應(yīng)不同的感知模式點，進行感知信號的共享，以最大化感知信號和感知資源的利用率。圖31多感知模式和感知節(jié)點協(xié)作的節(jié)點選擇示例第四章多模態(tài)協(xié)作感知算法合[19][20]，如圖32所示。算法復(fù)雜度低，實現(xiàn)難度小。數(shù)據(jù)級融合方法使用某些傳感器的檢測結(jié)果增強其他傳感器的檢測結(jié)果。在攝像頭與雷達融合的研究中，一般使用雷達信息在圖像上生成感興趣區(qū)域(RoI)，然后在RoI內(nèi)執(zhí)行目標檢測。不同數(shù)據(jù)級融合方法的區(qū)別主要在于基于圖像的目標檢測方法不同。31RoI雷達未能檢測到的目標將會被直接忽略，造成目標的漏檢。像頭獲得的原始信息，但是也需要消耗更多的計算資源。圖32三種主要的雷達與視覺信息融合策略基于自適應(yīng)多策略信息融合的二維目標檢測方法33RGB形式的三32維框。圖33自適應(yīng)多策略信息融合網(wǎng)絡(luò)流程圖RGB圖像的多維矩陣形式的方案用于將其與圖雷達數(shù)據(jù)增強方法核心思想即通過雙邊濾波來判別圖像上某一點和雷達點投影位置處的相似性，并以此來拓展該雷達點的影響范圍，最終將每個雷達點都拓展為雷達矩陣，生成雷達稠密圖像（RdrnsemgeR（nonmaximumsuppression，NMS）消除同一目標33的重復(fù)框。標丟失，最大程度提升目標檢測性能。表1二維目標檢測的多策略融合性能對比??100??.50100??.75100??????100?0單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單策略融合多策略融合14.214.265.867.377.779.566.968.476.477.685.987.8仿真結(jié)果如表1+級融合方法。多策略融合方法的整體性能更優(yōu)，其中平均召回率（AR）的提升相較于顯?；诶走_區(qū)域建議網(wǎng)絡(luò)和深度增強的三維目標檢測方法本節(jié)提出一種基于雷達區(qū)域建議網(wǎng)絡(luò)和深度增強的三維目標檢測網(wǎng)絡(luò)（以下簡稱3Rpndpth34RionPoposltok，RPN）生成的二維先驗錨框，首先通過毫米波雷達點中包含的坐標信息對其進行修正，（其中交并比為兩個像素集合的交集里面所包含的元素個數(shù)。對骨干網(wǎng)絡(luò)輸出的圖像特征圖，由所提出的深度特征增強模塊處理，便于神經(jīng)其作用就是提取圖片中的特征，供后面的網(wǎng)絡(luò)使用。34圖34三維目標檢測網(wǎng)絡(luò)（3DRrpn-depth）總體結(jié)構(gòu)圖34中的雷達區(qū)域建議網(wǎng)絡(luò)RRPN的工作流程如圖35所示，首先參照傳統(tǒng)RPN在原始圖像經(jīng)過骨干網(wǎng)絡(luò)Densenet-121處理后得到的圖像特征圖上逐像素生成包含目標的二維錨框，對于尺寸為h×w的特征圖，在每個位置生成na個錨框的情況下共計生成na×h×w個錨框，然后將這些錨框由特征圖映射回原圖片，最后需要將每張圖片對應(yīng)的毫米波雷達點信息導(dǎo)入。圖34Densenet-121Densenet-121模塊的工作示意圖如圖361的系數(shù)形式乘在圖像圖35雷達區(qū)域建議網(wǎng)絡(luò)工作流程35圖36深度特征增強模塊工作流程本節(jié)提出的基于雷達區(qū)域建議網(wǎng)絡(luò)和深度增強的三維目標檢測網(wǎng)絡(luò)3DRrpn-depthM3D-RPN、C3D-radarnuScenes數(shù)據(jù)集上的性能對比如表2所示，nuScenes數(shù)據(jù)集為包含車輛前向視覺與毫米波雷達數(shù)據(jù)的自動駕駛數(shù)據(jù)集。表2不同方法的三維目標檢測性能對比AP3D|R(IoU>0.5)40APBEV|R(IoU>0.5)40簡單中等困難簡單中等困難M3D-RPN23.5719.3418.4827.2522.6419.72RRPN25.2020.4319.1829.6124.2920.87深度特征增強25.3120.9319.8029.7624.5721.043Drpn-depth（RRPN+深度特征增強）26.2121.1519.9530.3025.2121.44C3D-radar9.317.527.2213.510.6710.363Drpn-depth相較于對比方案均達到了第五章多頻段協(xié)作感知算法本章主要介紹多頻段協(xié)作算法，包括基于譜峰聚合的多頻段融合算法以及基于特征36向量的多頻段融合算法，將載波聚合思想與無線感知相結(jié)合，從而獲得大信道容量和高精度感知。系統(tǒng)模型kmOFDM符號時間的第n個子載波上的一體化發(fā)射信號可以表示為：BM1N1b

j2(fbnfb)t

tmTbx(t)kxb1m0n0

k,n,me

rect Tb cssB=,xbk,n,mfb表示第b個頻段的載b表示第bb1fbTb表示第b其中Tb是循環(huán)前綴（CyclicPrefixCP）矩形窗函數(shù)。cssbmOFDM第n個子載波上的回波感知信號表示為：s yb bejfbTbejnfs

()aT(

)xbm,n S

Rx Rx Tx

m,n其中，b

(b)2

b表示目標與基站之間的衰減，包括反射系數(shù)b和路徑損耗；0S r4S 0

c表示相對距離所產(chǎn)生的時延；bcfb表示波cm,n長，c表示光速；xbcm,n

NT1表示發(fā)送的數(shù)據(jù)向量；xx)和xx)分別是接收和發(fā)射 dr Ta

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

)ejk(b)inTx)|Tx Tx kNT其中和（AngleofArrive（AngleofDeparture,odrb化信號回波，在第mOFDM符號時間內(nèi)的第n個子載波上，表達為：37ByS yb

zSm,n m,n b1其中其中m,n

表示加性高斯白噪聲（AdditiveWhiteGaussianNoise,AWGN）向量?；诜遄V聚合的多頻段融合算法B融合算法采用如下公式：其中??和

? ????????=Σ ????=1Σ???????分別表示單一頻段和協(xié)作感知的峰譜信息，??和?2分別表示第b個?子帶的信號功率和噪聲功率信息。=?? ??B????2D-FFTnFFT=?SCS相同時，???????b

???= = ????? ??如果每個子帶FFT結(jié)果分別除以各自子帶的f?,則有如下????

= ???????各個子帶處理后的峰譜的譜間隔不同,需要在對應(yīng)位置補零。如圖37SNR=-30~-20dB時，協(xié)作感知算法的速度估計性能略低于?3=15GHz的單子帶估計性能。產(chǎn)生性能差異的原因隨著??數(shù)值? ?RMSE38精度越高。距離估計RMSE曲線 (b)速度估計RMSE曲線圖37基于峰譜聚合級的多頻段融合算法距離估計和速度估計的RMSE曲線基于特征向量的多頻段融合算法基于特征向量的多頻段融合算法處理流程圖如圖38所示，該算法的核心是高低頻數(shù)據(jù)的融合處理[4][5]。在第b個頻段的第p個接收天線上的信道信息矩陣可以表示為：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可以表示為：

是剔除通信符號后所產(chǎn)生的復(fù)數(shù)因子。第b個頻段的速度和距離特征向量Rb1,e

j,,e

j2nfd0,,e

j2(N1)fd0.ST ST 2fbvb

2fbvb

2fbvbjc0T jmc0T j(M)c0TVb1,e

c

,,

c

,,

cS 39圖38基于特征向量的多頻段融合算法距離估計的RMSE (b)速度估計的RMSE圖39基于特征向量的多頻段融合算法的仿真結(jié)果40觀察圖390.1m/s。第六章多節(jié)點協(xié)作感知算法40所示主要包括三種實現(xiàn)方式：[22][23]，包括接收信號或信道響應(yīng)的幅度/I路/Q[24][25]341SINR、盲區(qū)位置等對數(shù)據(jù)進行篩選，保留相對誤差較小的數(shù)據(jù)進行融合。本章下方6.1小節(jié)將首先定義系統(tǒng)模型，6.2-6.4小節(jié)將分別對信號級融合、符號級融合、數(shù)據(jù)級融合三種方式給出多種融合算法。圖40不同協(xié)作層級示意圖系統(tǒng)模型如圖3所示，多節(jié)點之間的協(xié)作方式包括多個自發(fā)自收的協(xié)作、自發(fā)他收的協(xié)作收的感知數(shù)據(jù)發(fā)送到融合中心進行融合（包括信號級、符號級和數(shù)據(jù)級；對于自發(fā)他收，不同的感知數(shù)據(jù)在被動接收端或進行融合處理（包括信號級、符號級和數(shù)據(jù)級；（號級、符號級和數(shù)據(jù)級。下面我們給出自發(fā)自收和自發(fā)他收的發(fā)送和接收信號模型。對于自發(fā)自收與自發(fā)他收的一體協(xié)作，信號模型包括上面兩類，這里不再贅述。在OFDM通信感知一體化場景下，發(fā)射信號表達式為：Ns1Nc1s(t)d

jf0mf)t)rect(

t)T0m0

m,sT42TNsOFDMcm個子載波上的第OFDMf0mTs是單個符號持續(xù)時間，包括了符號時長和循環(huán)前綴時長Ts10。對于徑向速度為vRU表達式為：scNN2sc

t2RTsR(t)U

0m0

dm,

je

ejsfDrect( c s)Ts自發(fā)他收的信號回波表達式為：N1N1

RR2

tRR2TsssP(t)U

cc0m0

dm,

je

ejsfD2rect( c s)TsR2fD2頻率偏移。信號級融合幅提升信號功率及信噪比，獲得較優(yōu)的感知精度[27][28]。41MIMO模式相參處理，估計不同接收信號間的時延、相位差參數(shù)，在實現(xiàn)信號間NNMIMON2N2的信噪比增益。43圖41分布式全相參方法的MIMO模式接收相參處理框圖第三個階段是相參跟蹤階段，如圖42所示，所有發(fā)射機改為發(fā)射同頻同編碼的寬NNNN2NN3的信噪比增益。圖42分布式全相參方法的收發(fā)相參模式相參處理框圖12信號的時間同步誤差為。兩基站使用兩相互正交的脈沖信號s1t和s2t為基帶信號，則發(fā)射信號可表示為：x1ts1tejftx

2ts2

tej2ft設(shè)兩信號到達目標的時延分別為1和2，則到達目標時兩信號表達式為：44 x1t1s1t1ejft1xts

tej2ft22 2 2 2兩信號到達目標時的時延、相位差異即為待估計的相參參數(shù)。兩基站接收所有回波信號，接收信號經(jīng)過下變頻后的表達式為：1ys1t1ejf1s2t12ejf1212ys1t12ef12s2t2ejf22，分別使用與s1t和s2ty1兩匹配濾波器輸出信號峰值對應(yīng)時延分別為，對應(yīng)相位分別為和f12，因此兩信號時延、相位差異估計值為：T1211f212分別使用與s1t和s2ty2和，對應(yīng)相位分別為f12和f2，因此兩信號時延、相位差異估計值為：T2212f21相參，即實現(xiàn)全相參。下面給出基于全相參原理融合算法的仿真結(jié)果[29]200MHz，基5ms0.3MHz300Hz，積累脈沖1281400Hz2500Hz，信號間相位差為343(a)和圖43(b)44所示。比較圖43(a)、圖43(b)和圖44可知，兩基站接收信號相參合成后，檢測信噪2.5dB。45相參合成前基站1接收信號 (b)相參合成前基站2接收信號圖43參合成前的接收信號圖44兩基站接收信號相參合成結(jié)果符號級融合多個自發(fā)自收的協(xié)作場景下的融合算法AA收場景下，各基站的感知較為獨立，缺少相關(guān)性，無法確定融合依據(jù)參量。因此[30]處理和晶格點搜索兩步，如圖45MUSIC算法，接收天線為平面46圍。疊加后的譜函數(shù)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合時計算距離和角度誤差的累積值，速度融合時計算徑向速度的累積值。Nfl,qd,n,q(n,q)a,n,qn,qn,q)n1NfWv,qn1搜索得到與多個基站間誤差累積最小的格點，作為融合結(jié)果。圖45基于最小誤差累積的多基站融合算法流程圖300次蒙特卡洛仿真，計算其均方根誤差（RootMnSqueo,RMSE。q47-10dB由圖46和圖47不同信噪比場景 (b)相同信噪比場圖46基于誤差累積融合算法的定位融合結(jié)果 (a)不同信噪比場景 (b)相同信噪比場圖47基于誤差累積融合算法的速度估計融合結(jié)果自發(fā)他收的協(xié)作場景下的融合算法48AB收下的同步誤差消除問題和多節(jié)點回波數(shù)據(jù)的符號級融合感知處理問題[31]。針對同步誤差的消除，該算法提出了基一種于直射徑與非直射徑的互相關(guān)消除方速度特征向量進行符號級融合處理，從而獲最終的目標位置和絕對速度估計值。獲得的第i個節(jié)點的距離和速度特征向量分別表示為：48Fi

Nc

e

jfi,s

,ejfi,s

,,

jfi,s

,,

jNcfi,sT 和EMmejfip,ejfip,ejfip,ejMfipi 同時，第i個時延特征矩陣和多普勒特征矩陣分別表示為： 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圖48基于網(wǎng)格搜索的多基站感知融合算法圖49協(xié)作基站的增加而提升。49 (b)圖49基于網(wǎng)格搜索的多基站感知融合算法的(a)定位RMSE (b)測速RMSE自發(fā)自收與自發(fā)他收的一體協(xié)作場景下的融合算法本節(jié)針對自發(fā)自收與自發(fā)他收的一體協(xié)作場景，如圖50關(guān)聯(lián)自發(fā)自收和自發(fā)他收感知信息來緩解時間偏移（TimeOffsets,TOs）和載波頻率偏Cirquenyst,CAngleAoA）估計挑戰(zhàn)[32]。圖50雙基站協(xié)作感知場景圖m和fmOC12估計也存在一定偏差。1提取的信號矩陣可表示為：Ddivkk1,Rkk1,Dk其中表示克羅內(nèi)克積，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提取的信號矩陣可拆分為如下兩個矢量的克羅內(nèi)克積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同一目標的自發(fā)自收和自發(fā)他收感知之間的延遲和多普勒頻移的偏差可以分別表D示為 和fD

。為了補償

m，我們提出了一種互相關(guān)協(xié)同感知（Cross-CorrelationCoopertiveSensing,CCCS）算法，如圖51所示。針對k1,R和k2,R的CCCS算法可表述為Rdiag

Hk2,R

1,R

ejfm,,e

jNfmT為了補償

fDfm，針對k1,D和k2,DCCCS算法可表述為Ddiag

Hk

D 1,D

,

ejTfDfm,,e

jMTfMT被轉(zhuǎn)換為沿載波頻率軸變化的調(diào)制符號之間的線性相移，fDfm被轉(zhuǎn)換為沿OFDM符號軸變化的調(diào)制符號之間的線性相移。因此，和fDfm可以使用離散傅里葉變換算法估計出來。51圖51互相關(guān)協(xié)同感知算法的流程圖圖52和圖53展示了不同TO和CFO條件下測距測速的歸一化均方誤差（omlizdMn-qued-oMSO會導(dǎo)致測距精度降低，CO會導(dǎo)致測速精度降低。如圖52所示，OE越大，距離估計精度起伏EMSE53CO的EEfMSE也越大，說明測速性能降低。圖52不同TO下的測距NMSE52圖53不同CFO下的測速NMSE數(shù)據(jù)級融合數(shù)據(jù)級融合主要有四類主要方式，包括算術(shù)平均法、加權(quán)平均法、柵格聚類法、濾波器遞歸法：基于算術(shù)平均的融合算法：對各基站獲得的感知數(shù)據(jù)取算數(shù)平均，適用于測量易行，但對異常值敏感，在存在較大誤差的情況下效果不佳。基于加權(quán)平均的融合算法：根據(jù)各基站測量的可靠性賦予不同權(quán)重，適用于各基于濾波器遞歸的融合算法：基于用戶移動過程中與周圍基站通信產(chǎn)生的多徑合多基站LoSPHD（Probabilityhypothesisdensity，概率假設(shè)密度）NLoS徑參數(shù)構(gòu)建基站本地地圖。本節(jié)將對以上四類方法的具體算法進行詳細介紹。53基于算術(shù)平均的融合算法IFFT采樣點序號判斷錯誤，造IFFT40%70%30%60%40%70%中的部分數(shù)據(jù)CDF分布，圖54（b）給出了重復(fù)測量（10次）CDF分布。由仿真結(jié)果可以看出，通過多次測量并進行改進算術(shù)平均數(shù)據(jù)融合處理可以有效去除由于噪聲引起的異常距離估計值。(a) (b)圖54定位誤差CDF分布(a)未進行數(shù)據(jù)融合(b)采用改進算術(shù)平均數(shù)據(jù)融合處理基于權(quán)重迭代的融合算法基于權(quán)重迭代的數(shù)據(jù)級融合算法示意圖如圖55所示，每個感知接收節(jié)點可以利用節(jié)方法感知接收節(jié)點獲得關(guān)于目標的到達角??、時延??等數(shù)據(jù)，并將數(shù)據(jù)發(fā)送給務(wù)??^?與時延^??值，可以寫成????inΣ??^???+?^???????=1??和??為每個節(jié)點權(quán)重，可以賦予接收信干噪比值。在該融合方式中，每個節(jié)點僅54需要傳輸一對到達角??與N個時延??數(shù)據(jù)，服務(wù)器或數(shù)據(jù)處理單元需要迭代優(yōu)化?,2N個數(shù)據(jù)值誤差最小，因此計??????????

=?2??1+?1tan?2??2tan?1tan?1?tan?2=?2??1+?1cot?1??2cot?2cot?1?cot?2??和??可以利用節(jié)點接收信號質(zhì)量參數(shù)，例如參考信號接收功率RSRP。??或????????值，可以寫成?inΣ??????+???????,???=1求解該問題即可獲得目標最佳的速度估計。同樣可以利用兩個接收節(jié)點測量的多普勒速度??計算目標速度的初始估計值如下,???????

??,1 ??,1?1?1=??,2 ??,2 ?2其中??=?,?+?,??,?=?,?+?,?,初值可以加速優(yōu)化，提升測速精度。圖55多節(jié)點數(shù)據(jù)級融合55圖56協(xié)作基站的增加而提升。(b)圖56數(shù)據(jù)級融合的(a)定位的RMSE (b)測速的RMSE基于柵格聚類的融合算法量，在多節(jié)點融合技術(shù)中可以選擇接收信號功率（例如：RSRP）最強的多個感知收發(fā)據(jù)級融合。以雙層蜂窩網(wǎng)絡(luò)（721扇區(qū)）AB21*21pairRSRP大的M個收發(fā)扇區(qū)pairRSRP大于預(yù)設(shè)pair作為協(xié)同感知的收發(fā)節(jié)點；然后建模用于協(xié)同感知的多收發(fā)扇區(qū)pair和感知目標之間的小尺度信道，產(chǎn)生信道系數(shù)。RD57展示了各個感知接收節(jié)點估計得到的感知目標的位置量測分布示意圖。56圖57各個感知接收節(jié)點的感知目標位置估計分布圖聚類算法。進一步地，為了提高聚類的精度，可以采用畫柵格的方法進行聚圖58展示了基于柵格聚類的感知目標位置融合結(jié)果分布圖。圖59場景CDF曲線。由圖59可以看到，在未進行10m2m以內(nèi)，這表明多站融合可以明顯提高目標的定位精度。圖58基于柵格聚類的感知目標位置融合結(jié)果分布圖57多站融合前位置精度 （b）多站融合后位置精圖59多站融合前和多站融合后目標位置精度CDF曲線基于濾波器遞歸的融合算法（Probabilityhypothesis濾波器將貝葉斯推斷擴展到隨機有限集LoSNLoSAoA、AoDLoSNLoSLoS徑，其只涉及單目標估計問題，可以用擴展卡爾曼濾波器融合多基站LoSNLoSPHD濾波器來對地圖特征進行融合估計。進一LoSPHDPHD（SimultaneousLocalizationand復(fù)58雜度較高的問題，實現(xiàn)了LoS和NLoS多徑參數(shù)的融合感知。以圖60APUE的簡單場景為例，當(dāng)用戶在室內(nèi)環(huán)境移動時，首LoSEKF融合多基LoSPHD濾波器估計地圖整體可以分為預(yù)測和更新兩個步驟。STEP1：地圖PHD預(yù)測???1利用上一時刻的地圖估計結(jié)果作為當(dāng)前時刻的先驗信息，結(jié)合EKF估計的用戶位置，預(yù)測當(dāng)前時刻的PHD地圖?(?,?)(???1,)()=,) ?)+??))?∣??1 ??1∣??1 ?其中，??))是依據(jù)當(dāng)前時刻觀測值生成的新生PD地圖分量，,) )是?前一時刻地圖估計結(jié)果，由于靜態(tài)地圖假設(shè)，這部分保持不變。STEP2：地圖PHD更新

??1∣??1PHD濾波器更新用戶位置和無線地圖特PHD地圖進行更新，以避免由于高維集合積分帶來的高額復(fù)雜度[33]EKFPHDNLoS多徑參NLoS參數(shù)以PHD地圖進行加權(quán)平均即可完成當(dāng)59圖60射頻地圖特征幾何關(guān)系示意圖圖61給出了雙基站視野重疊場景的仿真結(jié)果，其中圖(a)(b)分別是用戶定位精度MSEfusionLoS-AALoS-GCI分別代表各基EKF和PHDLoSNLoS多徑參數(shù)可以顯著提升估計精度；在視野重疊的地圖重建中，GCIAA表現(xiàn)略優(yōu)。(b)圖61云端融合算法仿真結(jié)果第七章多節(jié)點協(xié)作感知的原型驗證基站間協(xié)作感知本節(jié)主要介紹基站間協(xié)作感知的樣機驗證?；诟咚俾?、大帶寬、通用化基帶平臺及多通道毫米波收發(fā)前端，我們搭建了毫米波協(xié)作感知原型樣機，可在感知資源不超過6010%時實現(xiàn)亞米級感知精度。原型樣機主要由基帶平臺（中央處理板、射頻前端板）AAU組成。中央100GbpsMIMO信號、信道估計LDPCADCDAC數(shù)模轉(zhuǎn)換成射頻模擬信AAUAAUOFDM一體化波形，通過資源分配算法對載波和功率的合理優(yōu)化，使整個系統(tǒng)達到最佳性能折中。3.6包括兩臺一體化信號收發(fā)機（一臺作為通感發(fā)射端、一臺作為感知接收端，一臺通信62結(jié)果如圖63600Mbps3.6空口同步校準方案，本節(jié)所述的原型能夠達到較好的通感一體化性能。圖62測試場景示意圖61圖63單次目標檢測結(jié)果終端間協(xié)作感知（包括宏基站和微基站等64給出蜂窩網(wǎng)絡(luò)下的多終端協(xié)作感知和通信一體化場景示意圖。圖64蜂窩網(wǎng)絡(luò)下的多終端協(xié)作感知與通信一體化場景示意圖3.7小節(jié)的非理想因素消（UniversalSoftwareRadioPeripheral，SRPAB收感知模式下利用多個終端節(jié)點進行行人軌跡跟蹤的可行性。UE3.7（CirquenystCO、ingstE使用CI商進行后續(xù)參數(shù)估計[35實驗結(jié)果表明，該終端協(xié)作原型能夠?qū)崿F(xiàn)準確的行人軌跡跟蹤，同時進行多用戶通信。62USRP8USRPUSRP842個端口。因此，通過部4UE。圖65AB收感知[16]圖65軌跡追蹤樣機以及環(huán)境照片(a)實驗中發(fā)射機和接收機布局(b)實測感知目標運動區(qū)域(c)接收機(d)發(fā)射機(e)發(fā)射天線(f)接收天線圖66UE協(xié)作軌跡追蹤實測結(jié)果示例(a)直線軌跡下4UEMUSIC偽譜(b)M形軌跡下4UEMUSIC偽譜(c)S形軌跡下4UEMUSIC偽譜(d)估計的直線軌跡(e)M形軌跡(f)S形軌跡63圖66MS300Mbps小節(jié)的非理想因素消除方案，本節(jié)所述多終端協(xié)作軌跡追蹤方案能夠達到較好的通感一體化性能。第八章總結(jié)與展望ITU-R6G6G網(wǎng)絡(luò)提供原6G立體化、全覆蓋的感知，滿足網(wǎng)絡(luò)對于感知性能的新需求。究。具體內(nèi)容以及后續(xù)研究建議包括但不限于：入的研究。功率控制、資源沖突解決、干擾管理、雜波抑制、高精度同步、非理想因素消除、、不同融合算法設(shè)計思路（權(quán)重迭代法、柵格聚類法等64環(huán)境重構(gòu)等新場景、人工智能與感知融合等新思路，進行協(xié)作算法的設(shè)計。以及非理想因素消除方案。3GPP6G標準化。本研究報告中的協(xié)作感知場景、空口關(guān)鍵技術(shù)、協(xié)作體的協(xié)作感知關(guān)鍵技術(shù)研究提供建議、促進共識，為標準制定奠定基礎(chǔ)。通感一體化從理論走向標準、從實踐走向應(yīng)用，賦能千行百業(yè)。65參考文獻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