《未来移动通信论坛：2025年通感一体赋能数字低空网络白皮书（95页）.pdf》由会员分享，可在线阅读，更多相关《未来移动通信论坛：2025年通感一体赋能数字低空网络白皮书（95页）.pdf（95页珍藏版）》请在三个皮匠报告上搜索。

1、摘摘 要要低空经济是以数字低空网络为依托，以无人驾驶航空器(无人机)为核心，综合构建快递物流、城市管理、农林植保和应急救援等领域的经济体系。在市场、技术、政策和监管的全方位推动下，低空经济有望成为全球经济新的重要增长点，为各行各业带来新的创新变革和商业模式。低空经济相关行业主要分为通信、导航、感知、管理四个技术应用方向。其中通信和感知一体化是未来的数字低空网络重要支撑技术。通信感知一体化是指通过硬件设施共享、频谱资源共享、信号处理共享等一体化设计，使通信设备（基站或终端）同时具备通信与感知双功能的新型信息处理技术。通信感知一体化具有低成本、广覆盖、高精度等特点，将使能通信运营商提供新型的感知业

2、务，带来业务形态的升级和商业模式的转变，为未来 5G-A(5G-Advanced)、6G 网络演进带来全新的信息服务范式。本白皮书深入剖析数字低空场景下的通感一体关键技术，首先介绍数字低空对通感的技术需求、通感一体化技术的发展现状和挑战;然后围绕通感融合理论缺失、低空立体覆盖不足、感知精度受限、感知可信性不足和全局干扰复杂这五大挑战，通过通感融合理论、低空通感一体架构及关键技术二个章节分别按顺序论述对应的解决方案；接下来，为推进通感一体技术的落地，介绍了相关技术对标准化的影响；最后介绍了低空通感试验验证。本白皮书版权受法律保护，任何单位和个人转载、摘编、引用或其它方式使用本白皮书文字或者观点的

3、，应注明来源。目目 录录1 数字低空网络对通感的需求数字低空网络对通感的需求.11.1 数字低空发展趋势.11.1.1 国内外低空政策.11.1.2 低空市场规模与预期.21.1.3 低空技术方向.21.2 不同场景对通感一体的需求.32 通感一体技术发展现状与挑战通感一体技术发展现状与挑战.62.1 国内外发展现状.62.2 通感一体赋能数字低空面临的挑战.113 通感融合理论通感融合理论.133.1 通感评价指标.133.1.1 通信性能.133.1.2 感知性能.143.1.3 通感一体性能.163.2 感知信道建模.173.3 多模态融合理论.193.3.1 低空传感器与环境建模技术.

4、193.3.2 环境表征算法.194 低空通感一体架构及关键技术低空通感一体架构及关键技术.224.1 网络架构.224.1.1 数字低空整体架构.224.1.2 通感架构.234.2 覆盖增强技术.264.2.1 覆盖范围提升.264.2.2 连续覆盖技术.274.3 感知精度提升技术.314.3.1 波形设计.314.3.2 感知接收算法.334.3.3 融合感知.414.3.4 非理想因素及消除方法.434.4 感知可信度提升技术.454.4.1 NLoS 感知方法.454.4.2 杂波抑制方法.474.5 干扰抑制.524.5.1 干扰分析.524.5.2 干扰协调和功控.534.5.

5、3 协作感知中的自适应波束零陷方案.554.5.4 参考信号静默算法.575 通感一体标准化影响通感一体标准化影响.605.1 参考信号设计.605.2 TDD 帧结构配置.625.3 资源抢占与回避.635.3.1 资源抢占指示.655.3.2 资源回避.665.4 信令交互.665.4.1 基站间信令交互.665.4.2 终端-基站信令交互.686 低空通感试验验证低空通感试验验证.736.1 室内验证.736.2 外场验证.766.2.1 低频外场验证.766.2.2 高频外场验证.797 总结与展望总结与展望.80缩略语列表缩略语列表.81编写组成员编写组成员.85参考文献参考文献.8

6、51/911 数字低空网络对通感的需求数字低空网络对通感的需求本章系统梳理低空经济发展现状与趋势，首先从政策维度，全面分析国内外在立法保障、基础设施建设和金融资本支持等方面的政策举措；然后基于市场调研数据，深入研判低空经济市场规模及发展预期，并重点围绕通信、导航、感知、管理等关键技术方向进行论述；最后立足产业发展需求，聚焦快递物流、农业植保、应急救援、低空安防、无人机导航避障及巡检巡查等典型应用场景，深入剖析数字低空发展对通信感知一体化技术的核心诉求。1.1 数字低空发展趋势数字低空发展趋势1.1.1 国内外低空政策国内外低空政策全球低空经济发展分为应用探索阶段、规范化发展阶段和普及应用阶段。

7、应用探索阶段是 18 世纪末至 2006 年：18 世纪末，热气球技术在法国巴黎的成功试验，开启了低空经济的先河；2006 年，英国石油公司将无人机应用于海上油田平台的监测，进一步推动了无人机在工业领域的实际应用。规范化发展阶段是 2006 年至 2019 年：2006 年，NASA（NationalAeronautics and Space Administration）与 FAA（Federal Aviation Administration）合作推进美国无人机交通管理系统（UAVTraffic Management，UTM）的建设，为无人机安全飞行奠定了基础；2019 年，欧洲航空安全局

8、进一步发布了两部无人机通用条例，全面规范了欧洲无人机的标准和运营要求。普及应用阶段为 2019 年至今：2020 年，美国总统签署了低空飞行安全法，简化无人机低空飞行授权流程，促进无人机技术的广泛应用。与此同时美国政府通过设立大型科研创新项目、直接资助研究项目、设立专项资金或基金等方式，为电动垂直起降飞行器(electric Vertical Take-off and Landing，eVTOL)产业的发展提供了强大的支持。例如，NASA 开展了大量 eVTOL/UAM（Urban Air Mobility）关键性技术研究，并拨款资助了多所大学和科研机构。2021 至 2023 年间，欧盟也发

9、布了远程标识法规，要求无人机在飞行时广播身份和位置信息，增强了飞行安全，并且通过“地平线 2020”和“欧洲地平线”两期计划，孵化出了多个城市空中交通相关的项目和企业。欧盟最早制定 eVTOL 专用条件作为适航认证基础，为 Volocopter 等发了相关执照，体现了欧盟对行业监管的前瞻性。中国政府高度重视低空经济的发展，从国家层面到地方层面陆续出台了相关法规政策和行业标准规范。2021 年 2 月，“低空经济”概念首次纳入国家规划。2023 年 12 月，中央经济工作会议将其进一步明确为战略性新兴产业。2024 年 3 月，国务院全国两会政府工作报2/91告首次写入“低空经济”，作为国民经济

10、的新增长引擎。自 2024 年以来，全国已有 27 个省（市、自治区）在各自的政府工作报告中提及低空经济的发展。这一系列进展表明，低空经济正在逐步成为国家经济发展的重要组成部分。通用航空装备创新应用实施方案（20242030 年）提出到 2030 年推动低空经济形成万亿级市场规模，以推动基础设施建设，促进金融投资，拓展应用场景。为了增加基础设施建设，鼓励地方政府将低空基础设施纳入城市建设规划，支持探索推进楼顶、地面、水上等场景起降点建设试点；为了促进金融投资，政府层面推动地面基础设施建设和金融投资等方面的配套保障，以促进低空经济的发展和应用场景拓展。多个省市已将低空经济写入政府工作报告，并发布

11、相关低空经济高质量发展行动计划，主要涉及基础设施建设、下游应用场景拓展等。综上所述，国内外在低空政策上均表现出积极鼓励的态度，通过政策支持、立法、基础设施建设、金融投资等多方面促进低空经济的发展，同时也在不断加强监管，确保飞行安全和产业发展的可持续性。1.1.2 低空市场规模与预期低空市场规模与预期当下全球低空经济正处于进一步的应用普及阶段。全球低空经济，特别是无人机市场，在过去十年间展现出强劲的增长势头。无人机行业的投资规模从 2013 年的 1.21 亿美元急剧攀升至 2022 年的 48.06 亿美元，实现了近 40 倍的增长。随着技术的不断进步和市场需求的持续增长，预计未来该领域将继续

12、保持强劲的增长态势。2023 年，中国低空经济规模达到5059.5 亿元，增速约为 33.8%。2024 年底中国低空经济市场规模将继续扩大，可能突破 7000亿元大关。民航局预估，到 2025 年，低空经济市场规模有望突破 10644.6 亿元，3 年复合增速高达 28.1%；到 2026 年，低空经济市场规模将达 1.5 万亿元，到 2035 年有望达到 3.5 万亿元，10 年复合增速达 8.84%。综上所述，国内外低空经济市场规模在过去几年中显著增长，未来几年内预计将继续保持高速发展。投资机构普遍看好低空经济的未来发展前景，预测市场规模将突破数万亿元。1.1.3 低空低空技术方向技术方

13、向低空经济的发展需要依托通信、导航、感知、管理四大技术方向的支持。通信技术是低空经济的基石，主要负责无人机与地面控制中心之间的信息传输。5G 和 5G-A 技术提供了高速、低延迟的通信网络，让低空飞行更加安全、高效。低空飞行器需要与地面控制中心保持实时通信，接收指令和传输飞行状态信息。目前，5G-A 网络和低轨卫星通信是低空通信3/91的主要手段。此外，广播式自动相关监视系统(Auto Dependent Surveillance-System，ADS-B)、二次雷达也是低空通信的手段。导航技术涉及的技术包括基站定位技术、卫星导航技术、雷达导航、视觉导航和惯导等。针对低空飞行器，这些技术帮助确

14、定飞行器的精确位置和飞行路径。通用航空装备创新应用实施方案提及了北斗导航，另外城市的地理信息系统（Geographic Information System，GIS）应用也非常重要。感知技术用于对各型无人机、通航飞机、飞鸟、空飘物等目标进行三维空间定位与识别，应用于低空飞行航路监管、重要区域低空入侵检测，实现对低空感知目标的实时监控、跟踪、安全预警等功能。管理技术涉及低空空域的管理和监控，包括 UTM 系统、空域规划、协调服务，以及通信与导航服务。低空经济的发展带来了对低空空域管理的迫切需求，无人机交通管理、低空空域的监控与管理，以及相关通信与导航设施的开发和运营是行业发展的重要方向。此外，低

15、空经济的实现离不开先进的技术支撑，主要包括空管系统、通信、导航和监视等方面。综上所述，低空经济的发展依赖于通信、导航、感知和管理四个关键技术领域的协同发展，每个领域都扮演着不可或缺的角色，共同推动低空经济的安全、高效运行。尤其通感一体技术，将极大拓展移动通信网络的服务边界，为用户提供更加精准、智能、高效、广泛的感知服务。1.2 不同场景不同场景对通感一体的需求对通感一体的需求低空经济已成为新质生产力的重要组成部分。随着相关技术的发展和政策的不断完善，低空飞行器被广泛应用于快递物流、农业植保、应急救援、低空安防等场景中，开展多样的经济活动，促进经济增长1。通感一体技术作为 5G-A 以及 6G

16、移动通信网络的新技术，将革命性地扩充系统功能，既能提供高速通信功能，又能对低空飞行器和周围环境进行感知，实现对感知区域的无缝覆盖，弥补传统雷达感知能力的不足2。该技术可被应用于多种低空场景中，通过通信网络实现实时数据传输，并由感知技术辅助低空飞行器更好的完成任务，促进建设智能调度、信息交互、实时监测为一体的低空经济网络3。尤其是在低空安防和导航避让领域，利过通感技术可有效监控非法的无人机设备，锁定违规目标，从而保障空域的安全；同时也可以利用大规模天线的高精度感知能力协助合法无人机行进中的导航和避让，提升飞行效率，同时也有效避免乱飞和逃费等非法行为。下面用 6 个主要场景分别描述数字4/91低空

17、对通感一体的需求。1)快递物流领域随着人们生活水平的提升，城市居民对快捷高效的物流配送服务的需求也在不断提升。传统物流方式受天气和交通等因素影响较大，存在效率低以及灵活性低的问题，而无人机配送可以缓解地面交通压力，提高效率，同时可以实现柔性调控，因此在快递物流领域存在广泛的应用4。通信与感知技术在无人机快递的各个环节都可以发挥重要作用。基站可以通过低空通感一体化技术获取到的信息对无人机进行有效的路径规划和环境感知，保证其飞行安全，避免碰撞；也可以通过实时天气、交通和环境数据的感知和通信，可以动态调整运输路线，以避免堵车、恶劣天气等因素，提高运输效率并实现对无人机的实时状态监控。同时，该技术可以

18、根据实际需求实现对于无人机设备的灵活调度，以更高的效率完成配送任务5。2)农业植保领域在农业生产中，需要实现对于农作物状态的实时监测，通过监测数值对作物进行补水、施肥、通风、驱虫等操作，使其能够茁壮生长。通感一体无人机网络在该领域具有广泛的应用，多个无人机设备通过通信网络彼此互联，并携带高分辨率相机以及各类传感器，实时收集精确的遥感数据6。所获得的数据通过通感一体网络传递回数据中心进行分析，为农业生产提供指导。3)应急救援领域低空通感一体化技术在应急救援中的应用可以显著提升灾害响应速度、数据采集准确性以及资源配置效率。在发生自然灾害（如地震、洪水、火灾）后，无人机搭载感知设备能迅速飞往灾区，通

19、过高分辨率摄像头和热成像仪获取实时图像和温度数据。通过低空通信网络，实时传输现场情况至指挥中心，为决策提供精准依据。在搜救和救援行动中，无人机可以携带救援物资进入救援人员无法进入的领域，同时可以通过感知设备辅助搜索，加快救援进度。通感一体化网络能够对无人机进行实时的监测以及数据的交互，借助通信网络将获取的感知数据回传，从而对无人机救援进程进行调度，同时在面对突发状况时可以进行快速响应。4)低空安防领域在低空场景中无人机设备得到广泛应用，随之而来的是无人机飞行的安全问题。如何做到低空空域的可管、可控，对于低空安全至关重要。对于合法无人机，可通过通感一体化技术对其进行实时监控，确保各设备的飞行路线

20、不会冲突，保证安全；同时根据场景需求，对其进行调控，提升工作效率。对于非法的无人机设备，同样可以使用该技术对其进行感知，5/91锁定违规目标，从而保障空域的安全。5)无人机导航避让未来通感一体化技术可借助 6G 网络的大规模天线阵列等技术，实现对低空区域的网络覆盖，获得无人机的位置，利用无人机终端、基站、中继等节点对无人机位置的周围环境进行实时感知，并结合提前感知的环境地图辅助构建更加精准、全面、实时的导航地图，协助空中交管部门实现授权无人机的导航、避障。6)巡查巡检领域低空通感技术可用于检测桥梁、路面、建筑等城市基础设施的状态。这种实时的监测可以帮助及时发现和处理安全隐患，延长设施使用寿命。

21、在难以到达的人口稠密地区，低空无人机可以进行电力线、管道等基础设施的巡检，确保设施的不断电和安全运行。通过低空通感设备收集的多维数据（如人口流动、区域温度等），能够支持更加科学的城市规划设计。基于实时和历史数据分析，城市管理部门可以优化资源配置，如调整垃圾清理、公共交通车辆调度等。6/912 通感一体技术发展现状与挑战通感一体技术发展现状与挑战本章系统阐述通感一体技术发展现状与核心挑战。首先重点论述在国内外权威技术组织与标准化机构推动下，通感一体技术在标准化与研究应用方面取得的重要进展，具体涵盖感知技术体系架构、典型应用场景、关键性能指标及核心技术突破等内容；而后深入分析通感一体技术在数字低空

22、领域规模化应用中面临的五大主要挑战：通感融合理论缺失、低空立体覆盖不足、感知精度受限、感知可信性不足、全局干扰复杂。2.1 国内外发展现状国内外发展现状在国际电信联盟（International Telecommunication Union，ITU）、第三代合作伙伴计划（3th Generation Partner Project，3GPP）、电气与电子工程师协会（Institute of Electrical andElectronics Engineers，IEEE）、IMT-2020/2030（International Mobile Telecommunications for202

23、0/22030）推进组、中国通信标准化协会（China Communications Standards Association，CCSA）等国内外标准组织的推动下，通感一体的标准化和相关研究工作取得了很大进展。1)ITUITU-R 工作组自 2022 年 2 月启动“面向 2030 年及以后的 IMT（IMT towards 2030 andbeyond）”相关研究工作，目标是形成 ITU-R 关于“未来技术趋势”的报告。2022 年 12 月形成报告 M.25167，将通感一体（Integrated Sensing and Communication，ISAC）明确列为新兴技术趋势，并给出

24、相关的使能技术，包括频谱和硬件等资源协调共享、信号处理集成、联合波形和统一波束成形方案、AI 使能网络协作和多节点协同感知技术等。2023 年 6 月通过建议草案“2030 年及以后 IMT 未来发展的框架和总体目标（Framework and overall objectivesof the future development of IMT for 2030 and beyond）”，将通感一体列为 IMT-2030 的六大应用场景之一。ITU-R 在 2023 年 11 月通过了关于 IMT-2030 框架的新建议书 M.21608。其中定义通感一体是指将感知能力与通信能力结合，以支持新

25、应用和服务。它利用 IMT-2030提供的广域多维感知，提供关于未连接物体及其运动和环境的空间信息。使用场景包括导航、活动检测和运动跟踪（如姿态/手势识别、跌倒检测、车辆/行人检测）、环境监测（如雨水/污染检测）等技术需要支持高精度定位和感知相关能力，包括范围/速度/角度估计、物体检测、定位、成像和地图绘制等。ITU-T 也开展了一系列与通感一体化相关的研究。2023 年 11 月，SG13 研究组中由中7/91国电信牵头的 TR.ISAC-fra9研究报告正式立项。报告旨在探讨 IMT-2020 及未来网络中ISAC 的潜在网络功能需求和框架。2024 年 8 月，SG13 提出面向 IMT

26、-2020 及未来的融合感知与通信服务质量保障研究 TR.qos-req-isac10，该技术报告旨在研究 IMT-2020 及未来网络中 ISAC 的感知服务质量（Quality of Service，QoS）保障需求与框架，以促进多域资源协调的效率。2024 年 9 月，SG16 提出融合感知与通信的沉浸式现场体验（Immersive LiveExperience，ILE）服务需求与框架 H.ILE-ISAC-req11，明确了使用 ISAC 的 ILE 服务的要求和框架，旨在指定 ISAC 在远程操作和远程协助等 ILE 服务场景中的应用目标，并规定了使用ISAC的ILE服务的框架和要求

27、，目的是为用户提供一个高度互动且实用的沉浸式体验，同时确保成本效益和效率。2)3GPP通感一体的前期研究于3GPP R19版本开始。2022年3月，通感一体技术报告TR 22.837“Study on Integrated Sensing and Communication”12在 3GPP SA1 开启立项，在此后的迭代版本中，逐步完善定义了 5G 系统在不同垂直领域/应用场景下的感知服务用例和潜在需求。TR 22.837 中的 32 个用例展示了 5G 系统在融合感知和通信方面的潜力，包括智能家居入侵检测、高速公路行人/动物入侵检测、降雨监测、透明传感用例、智能城市洪水感应、智能家居周围入

28、侵检测、铁路入侵检测、辅助汽车机动和导航、工厂中的 AGV（Automated GuidedVehicle）检测和跟踪、UAV（Unmanned Aerial Vehicle）飞行轨迹追踪等。TR 22.837 还提出了一系列潜在的新需求，以支持各种用例，包括对 5G 网络的功能要求和性能要求。这些要求涉及授权、配置、网络暴露、安全性、计费等方面。此外，还提出了一系列 KPIs，用于评估传感服务的性能，如定位估计的准确性、速度估计的准确性、传感分辨率、最大传感服务延迟、刷新率、漏检率和误报率等。此外，RAN1 也启动了通感融合信道模型研究，课题包括通感一体的信道建模RP-23406913和对

29、7-24 GHz 范围内的 3GPP 信道模型的验证 RP-23401814。这些研究项目旨在进一步发展和完善 5G 及未来 6G 网络中的 ISAC 技术，确保通信和传感功能的高效集成。RP-234069 专注于定义一个通用的信道建模框架，以支持各种目标的检测和跟踪，而RP-234018 则致力于验证现有信道模型在特定频率范围内的有效性，为 ISAC 技术的实际部署和应用提供科学依据。通过这些研究，RAN1 希望能够推动 ISAC 技术的发展，使其在多种应用场景中发挥关键作用，包括无人驾驶、智能交通系统、工业自动化等领域。3)IEEE8/91在 2020 年 9 月，IEEE 成立了 802

30、.11bf15标准组，这标志着通感一体化标准化的开始。IEEE 802.11bf 标准组的成立，旨在推动无线局域网（Wireless LocalArea Network，WLAN）在通信和感知功能方面的进一步发展。该标准的核心目标是利用 IEEE 802.11 PHY（PhysicalLayer）和 MAC（Media Access Control）特性来获取测量数据，这些数据可用于估计感兴趣区域内对象的特征，如距离、速度、角度、运动等。这些对象可以是人、动物等，而感兴趣的区域可以是家、企业、车辆等。802.11bf 标准预计将促进无线网络在多个领域的应用，如物联网（Internet of T

31、hings，IoT）、车联网等。Wi-Fi 感知技术已被证明在多种应用案例中有效，包括接近度检测、手势识别、目标计数和健康监测。该技术利用现有的 Wi-Fi 设备进行环境感知和活动识别，无需额外的传感器或摄像头，从而减少对特定监控设备的需求。例如，在物联网领域，Wi-Fi Sensing 可以用于智能建筑中用户存在检测和环境监测，以及远程健康监测。在车联网（Vehicle-to-Everything，V2X）领域，Wi-Fi Sensing 技术可以支持车辆之间以及车辆与基础设施之间的通信，为自动驾驶提供辅助。同年，IEEE 通信学会（IEEE Communications Society,C

32、omSoc）为了响应通感一体化这一新兴技术领域的发展趋势，成立了 ISAC-ETI（ISAC-Emerging Technology Initiative）通感一体化新兴技术倡议委员会，旨在推动 ISAC 技术的研究、标准化及应用，促进学术界与工业界之间的交流合作。ISAC-ETI 通过聚集不同社区中对 ISAC 有共同研究兴趣的相关研究人员和专家，支持和推广与 ISAC 相关的学术和工业活动。这些领域包括但不限于信息论、信号处理、移动计算、航空航天和电子系统（雷达系统）、以及车辆技术和智能交通系统。ISAC-ETI 的活动多样且具体16，包括组织工作坊、特别会议和专门的会议。ISAC-ETI

33、 成功地在 Wi-Fi Sensing 2022（中国深圳）举办了工作坊，并在 ICC 2024（美国丹佛）、ICASSP2024（韩国首尔）等重要会议上举办了工作坊。特别会议方面，ISAC-ETI 在 SPAWC 2021（意大利卢卡）举办了关于感知通信一体化的特别会议。而专门的会议则包括 IEEE JC&S2024（比利时鲁汶），这是与 ISAC-ETI 联合举办的正式会议。这些活动不仅加强了学术界和工业界的联系，还为 ISAC 技术的未来发展提供了一个合作和交流的平台。4)CCSA2020 年 11 月，CCSATC5 WG6 前沿无线技术工作组开展了无线通信与无线感知融合技术与方案研究

34、报告17立项，2023 年 5 月输出内部研究报告。CCSA 于 2022 年 8 月成立了针对 5G 通感融合技术的研究立项，主要研究 5G-A 网络架构及相关无线关键技术18。5)IMT-2020/2030 推进组9/91IMT-2020（5G）在 2021 年 7 月成立“通感任务组”，展开通感一体化应用场景、网络架构、无线空口技术和仿真评估方面的研究。2021 年 12 月，完成面向 5G-Advanced 通感一体化测试验证。2022 年 7 月 31 日，IMT-2020（5G）推进组组长、中国信息通信研究院副院长王志勤在“2022 中国算力大会”期间的“通感算一体化创新发展”分论

35、坛上发布5G-Advanced通感融合场景需求研究报告19。此报告聚焦于 5G-A 阶段的通感融合技术，探讨了其应用场景和技术需求，为后续的研发和标准化工作提供了指导。在之后，也发布了一系列通感一体技术相关报告，如 2022 年 11 月发布5G-Advanced 通感融合网络架构研究报告、2023 年 6 月发布5G-Advanced 通感融合仿真评估方法研究报告、2023 年 9 月发布5G-Advanced 通感融合场景需求研究报告 V2.0、2024 年 4 月发布5G-Advanced 通感融合空口技术方案研究报告。表1 IMT2020（5G）推进组发布的通感一体化研究报告系列时间报

36、告名称2022 年 7 月5G-Advanced 通感融合场景需求研究报告 V1.02022 年 11 月5G-Advanced 通感融合网络架构研究报告2023 年 6 月5G-Advanced 通感融合仿真评估方法研究报告2023 年 9 月5G-Advanced 通感融合场景需求研究报告 V2.02024 年 3 月5G-Advanced 通感融合网络架构研究报告 V2.02024 年 4 月5G-Advanced 通感融合空口技术方案研究报告IMT-2030（6G）也在通感融合方面开展了一系列工作。2021 年 4 月，IMT-2030（6G）推进组无线技术组成立“融合技术子组”，包括

37、 AI 任务组和通感一体化任务组。2021 年 9 月，发布第一版通感一体化技术研究报告，该研究全面探讨了 6G 通感一体化，涵盖其研究现状与发展趋势、应用场景、基础理论及关键技术等方面。2022 年 11 月，发布第二版通感一体化技术研究报告，并同步开展了基于全频段的通感一体化测试。2023 年 10 月 27日西安，在第三届 6G 通感一体化学术研讨会上，IMT-2030（6G）推进组发布通感系列研究报告，包括6G 感知的需求和应用场景研究报告、6G 通信感知一体化评估方法 研究报告20、6G 通感融合系统设计研究报告21。2024 年 11 月，发布6G 通信感知一体化空口关键技术研究报

38、告、6G 通信感知一体化协作感知关键技术前沿报告和6G通信感知一体化仿真评估与方法研究报告（第二版）。10/91表2 IMT2030（6G）推进组发布的通感一体化研究报告系列时间报告名称2021 年 9 月通信感知一体化技术研究报告2022 年 11 月通信感知一体化技术研究报告 V2.02023 年 10 月6G 感知的需求和应用场景研究2023 年 10 月6G 通信感知一体化评估方法研究报告2023 年 10 月6G 通感融合系统设计研究报告2024 年 11 月6G 通信感知一体化空口关键技术研究报告2024 年 11 月6G 通信感知一体化协作感知关键技术前沿报告2024 年 11

39、月6G 通信感知一体化仿真评估与方法研究报告（第二版）6)未来移动通信论坛（FuTURE）FuTURE 针对数字低空网络召开多次大会，对针对低空信息基础设施建设和标准的总体规划、低空经济的场景与需求、通感一体化相关技术、相关标准以及技术/网络/应用/服务创新进行了大量讨论，为通感一体化技术和未来产业发展注入新的活力和动力。2024 年 4 月 16 日，以“创新预见 6G 未来”为主题，未来移动通信论坛举办了全球 6G技术大会。中国电信首席科学家毕奇先生在会上提出，展望 6G，AI、泛在连接、通感融合一体化将成为最具潜力的三个发展方向。其中，基于通感融合一体化技术的“低空经济”有潜力为运营商带

40、来大概双位数增长，将在无人机巡检与外卖、轻量级的物流等场景发挥更大价值。2024 年 8 月 2 日，未来移动通信论坛举办数字低空大会，大会以“筑牢数字底座，助推低空发展”为主题，探讨了低空网络的发展。中央网信办信息化发展局副局长方新平在致辞中指出，发展低空经济需要加强顶层设计和布局，完善低空经济发展政策、技术、标准、产业和监管体系。推进 5G、6G、通感一体化、高精度导航等数字技术与低空飞行产业融合创新，前瞻布局空天地协同和通信、感知、导航、管控一体的低空信息基础设施，筑牢低空经济发展数字底座。未来移动通信论坛于 2024 年筹备成立了数字低空工作组,在本次大会上该工作组正式启动，并发布了工

41、作组愿景。2024 年 8 月 11 日，未来移动通信论坛数字低空工作组启动会召开，工作组主席及中国电信首席科学家毕奇先生提到，未来移动通信论坛数字低空工作组将重视产业链的发展，引导关键技术发展，包括通感一体化技术，将学术研究和产业发展相结合。11/912.2 通感一体赋能数字低空面临的挑战通感一体赋能数字低空面临的挑战通感一体技术赋能数字低空业务的同时，面临着资源融合、覆盖、精度、可信度、干扰等诸多关键问题与挑战。这些问题不仅制约通感一体技术的有效发展，更直接关系到低空网络的安全性与可靠性。为确保数字低空业务的高性能、高质量和高效率地稳定运行，本小节将着重探讨通感融合理论缺失、低空立体覆盖不

42、足、感知精度受限、感知可信性不足、全局干扰复杂五大关键问题。1)通感融合理论缺失目前通信系统的性能指标主要包括有效性和可靠性，如容量、误码率和误块率等。感知系统的主要性能指标包括精度、分辨率、检测概率和虚警概率等。通信和感知的指标完全不同。然而在实际通感一体化网络中，通信和感知业务会同时存在，二者相辅相成，共同为提升网络性能和用户体验服务。因此，通感尚需统一的性能指标来评价通感一体系统的整体性能，提升整体系统效率。此外，通感融合理论的缺失还包括感知信道建模方式的缺失，以及多模态融合理论的缺失。2)低空立体覆盖不足低空立体覆盖是实现数字低空的基础。然而，传统通信基站主要覆盖地面用户，天线垂直扫描

43、角度仅 20左右，且通常下倾部署以便在保证覆盖的同时降低邻区干扰，实际覆盖高度不足百米，难以满足数字低空场景超 300 m 高度的低空覆盖需求。同时，考虑到感知能力主要依赖于目标的回波信号质量，相比通信引入更多的路径传播损耗，探测距离在数百米范围，远距离覆盖也成为亟需解决的难题。此外，未来数字低空业务需兼顾“地+空”“通+感”的需求，如何在保证高传输速率的同时，确保低空感知业务的连续性和稳定性，是通感融合网络亟待解决的关键问题。3)感知精度受限高精度感知是满足数字低空业务基本需求的关键。在传统雷达系统中可以使用高发射功率、超大规模天线阵列等方案来保证系统精度。通感一体系统受限于民用系统的发射功

44、率、迎风面以及低空环境传播损耗等，其感知精度相比于传统雷达系统存在较大差距。在目前的4.9 GHz 5G-Advanced 技术试验中，低空场景下感知精度仅约 020 m，可基本满足低空探测业务需求，无法满足轨迹追踪、辅助避障等业务的感知精度需求。此外，单节点感知能力受限于其固有的处理能力，精度提升存在瓶颈。以关键感知性能指标克拉美罗界（Cramr-Rao Lower Bound，CRLB）为例，多节点 CRLB 与单节点 CRLB12/91呈线性增强关系，但同时多节点协作通感技术依赖于节点间的同步性能。因此，如何避免节点间同步误差的影响，发挥多节点协作通感技术优势，利用多节点数据融合提升感知

45、精度，突破单节点感知的局限性，成为亟待解决的关键问题。4)感知可信性尚不足高可信性通感是数字低空业务安全运行的保障。然而，非感兴趣目标的杂波和非直视径（Non-Line of Sight，NLoS）直接影响感知的准确性，可能导致虚警率、漏检率较高，严重降低感知可信性。实际系统中，回波信号不仅携带了目标信息，还混杂大量来自地面、建筑物、山脉等固定物体形成的静杂波以及飞鸟、云层等动态物体形成的动杂波。杂波的强度复杂多变、难以预测，给杂波消除带来挑战，对目标检测与识别等造成干扰。另外，建筑物遮挡的 NLoS 传输场景，可能导致检测出“假目标”，与真实目标的位置估计存在较大偏差，严重降低感知可信度。因

46、此，如何充分发挥协作网络感知优势，实现智能多维杂波消除及 NLoS的识别与利用，提升实际场景中目标感知的可信性，是亟待解决的关键问题。5)全局干扰复杂全局干扰可控是大规模部署数字低空网络的前提。然而，感知功能的引入将带来感知与感知、感知与通信之间的干扰问题，尤其是对空发送的通感信号将不可避免地导致超远距离干扰。具体而言，感知回波信号中同时存在上行用户干扰、邻区干扰、远端基站干扰等。复杂且严重的干扰不仅考验着网络的稳定性和可靠性，也直接影响用户的通信体验和感知服务精确度。上述干扰类型多样及环境动态变化，具有实时性且复杂难解，直接影响网络通信质量与感知性能。此外，干扰信号强度不仅与通感资源相关，并

47、且具有时变性和全局性。如何设计全局普适的动态干扰识别与控制方法，实现多重干扰高效管理与智能控制，是亟待解决的关键问题。13/913 通感融合理论通感融合理论本章将重点围绕通感融合理论缺失这一核心问题展开深入探讨。如 2.2 节所述，感知融合理论的缺失主要体现在通感一体化整体性能指标体系不完善、感知信道建模方法欠缺以及多模态融合理论尚未建立等关键方面。针对这一系统性挑战，本章首先从基础理论层面入手，分别阐述了通信与感知的性能评价指标体系，并在此基础上引入通感一体化综合性能指标；其次，针对感知信道特性，详细介绍了分段级联的感知信道建模方法；最后，深入探讨多模态融合理论框架，重点涵盖环境建模方法与环

48、境表征算法等核心技术，为构建完整的感知融合理论体系奠定基础。3.1 通感评价指标通感评价指标为系统评估通信、感知及通感一体化系统的性能边界与理论极限，亟需构建完整的性能表征体系。鉴于通感一体化系统需兼顾通信与感知双重性能，本节从性能评价维度出发，系统性地阐述传统通信、感知及通感一体化性能指标体系。其中，传统通信性能指标主要涵盖系统有效性（如频谱效率、信道容量）和可靠性（如误码率、误比特率）两个维度；感知性能指标则包括测量精度（如均方误差）、分辨率、目标检测概率与虚警概率、感知容量等；针对通感一体化系统，提出以等效均方误差（Equivalent Minimum Square Error）为代表的

49、综合评价指标，旨在实现通信与感知性能的统一量化评估。3.1.1 通信性能通信性能通信系统的作用是实现信息传输，一般从有效性和可靠性两个方面评价其优劣。1)有效性有效性指通信系统的信息传输效率。表征系统有效性的性能指标有多种，包括信道容量、传输速率、频带利用率、能量效率、延迟等。信道容量指在一定条件下，信道能够无差错传输的最大信息速率。传输速率指单位时间内传输的字符数、码元数或比特数。频带利用率指单位频带内的数据传输速率。能量效率指单位能量可以传输的最大比特数。延迟指数据从发送端传输到接收端的时间。其中，信道容量是最常用的通信表征，定义了通信系统的根本限制。以下分别对时不变与时变信道中的信道容量

50、进行介绍。对于单用户时不变信道，香农信道容量定义为信道输入和输出之间的最大互信息量14/91I(;)，即 C=maxp(x)I(;)bit/s 或 bit/符号。上述容量定义的应用也可以扩展到多用户时不变信道，如多址信道、干扰信道、广播信道、中继信道等22。无线衰落时变信道可以分为快衰落和慢衰落两类。对于快衰落信道，信道容量定义为遍历容量，即平均意义下最大可实现传输速率，是对长时间内不同信道状态下信道容量的统计平均。遍历容量可以表示为信道状态的容量函数的期望Cerg=HC()，其中，C()表示特定信道状态下的瞬时容量，表示对信道状态的期望。对于慢衰落信道，信道可能长时间处在不利状态，使瞬时容量

51、低于所需的传输速率，导致通信中断。在此情况下，信道容量定义为中断容量，即在给定的中断概率下，信道能达到的最大传输速率23。中断容量关注通信中断的情况，用于在不稳定信道环境下表征通信的连续性和稳定性。2)可靠性可靠性指通信系统传输信息的准确度。表征系统可靠性的性能指标主要有信噪比、误比特率/误码率、网络覆盖率。信噪比指信号功率和噪声功率的比值，是评估信道质量的重要指标，信噪比越高表明信息传输的可靠性越高。误比特率/误码率指传输过程中错误的比特数/码元数占总比特数/码元数的比例，误比特率/误码率越低表明信息传输的可靠性越高。网络覆盖率指在某一区域内，给定一个最小阈值，用户能够接收到超过此阈值的信号

52、功率的区域在总区域内的面积占比，网络覆盖率越高，表明该区域内信息传输可靠性越高。3.1.2 感知性能感知性能1)均方误差及其相关下界感知系统需要通过估计诸如角度、距离、多普勒频移等基础参数完成目标定位。评价参数估计准确性的指标主要有 MSE 及其相关下界和等效费希尔矩阵（Equivalent FishersInformation Matrix，EFIM）。1均方误差准则：均方误差是评价估计子性能时常用的指标，表示为 MSE=?2。其中，是真实参数向量、?是估计参数向量。一般通过最小化 MSE 的值来确定最优估计子。但是这种方式得到的估计通常难以构建，MSE 的最小值也不易表征。为了方便研究，采

53、用 MSE 的相关下界作为估计指标，包括克拉美罗下界（Cramer-Rao Bound，CRB）和贝叶斯下界（Bayesian Lower Bounds）。克拉美罗下界是最常用的指标，给出了无偏估计量方差的理论最小值，定义为 CRB=I1。其中，I 是费希尔信息量（Fisher Information），衡量观测数据 X 中包含参数信息量的多少，定义为 I =2lnf;2，其中 f;是观15/91测数据 X 的概率密度函数24。克拉美罗下界可以扩展到参数为随机变量且先验分布已知的情况，即后验克拉美罗界（posterior CRB），为后验估计量提供了方差下限25。由于克拉美罗界的对数似然函数缺

54、少全局信息，因此克拉美罗界只考虑了局部误差，在高信噪比条件下精确度较高，而在低信噪比条件下表现较差。为了提高精确度，提出了贝叶斯下界，用于处理参数为随机变量且先验分布已知的情况。贝叶斯下界中最有代表性的两个界限是维斯-温斯坦下界（WeissWeinstein Bound，WWB）和齐夫-扎凯下界（Ziv-Zakai Bound，ZZB）。WWB 在 CRB 基础上消除了一些正则化条件并引入了自由参数，扩展 CRB 的应用范围至全局信噪比，除了无偏估计外还可以用于有偏估计26。ZZB 基于 MSE 矩阵的二次形式得出，同样也扩展了 CRB 适用的信噪比范围27。这两种下界的精确度更高但难以计算，

55、因此除了特定条件或对精确度要求很高的场景，CRB 仍被广泛使用。2等效费希尔信息矩阵：EFIM 是费希尔信息矩阵的简化形式。FIM 是描述参数估计精度的重要指标，定义为 I =logp;logp;T，其中，是参数估计向量，p;是观测数据 x 的似然函数。EFIM 只关注特定参数或子参数的估计精度，由 FIM 在感兴趣参数的子空间投影得到，简化了计算过程。2)分辨率在雷达系统中，评价目标识别性能的一个重要指标是雷达分辨率。分辨率越高，雷达区分相近目标的准确度就越高。雷达分辨率最常用的一个理论估计模型是R=c2B，其中，c表示光速，B 表示带宽。此模型用于表征雷达的距离分辨率，即雷达能够分辨的两个

56、相近目标之间的最小距离。此外，对于测速和测角度的分辨率分别为：=2T 0.886D其中，代表电磁波波长，T 代表雷达信号间隔，D 表示天线面板孔径。另一个常用的估计模型是模糊函数，定义为 A,=+s?s ej2d，其中，是时延，是多普勒频移。此模型用于表征信号在不同时延和频率偏移下的相关性。在此基础上扩展出了归一化互模糊函数28和多维模糊函数29，引入了更多参数，以表征距离、角度和多普勒分辨率之间的折衷。3)检测概率和虚警概率目标探测的两个重要性能指标分别是检测概率和虚警概率。检测概率指目标存在的情况16/91下，成功检测到目标的概率。虚警概率指目标不存在的情况下，错误的判断为目标存在的概率3

57、0。提高检测概率往往会导致虚警概率的提高，因此在设计系统时需要考虑二者的折衷。4)感知容量指标上述感知指标如感知分辨率、感知精度等，更多的描绘了单点的感知能力。面向低空网络的感知指标，需要体现网络化感知的系统性能，其 QoS 至关重要。因此提出感知容量（Sensing Capacity）的系统性指标体系，其定义为：在感知服务质量要求（Sensing QoS）下，每平方公里可以感知的最大目标数量。Sensing QoS 可包含多种要求，包括感知时延、定位精度、测速精度、误检率、虚警率等。针对不同的场景、业务，可对 Sensing QoS 进行动态的定义。例如针对黑飞入侵监测，感知服务质量可聚焦误

58、检率、虚警率等；面向无人机物流场景，感知服务质量可更多的关注感知时延、定位精度、测速精度等。感知容量的评估方法中会加入来自通信的干扰，来体现通感系统综合能力。我们给出感知容量指标的评估方法，可利用该评估方法得到感知容量的 KPI 要求：步骤 1：在系统仿真中对感知目标进行撒点，撒点总数为 N，并进行空口时延等仿真参数配置。步骤 2：生成发送信号，并得到接收信号，进行感知处理并计算每个目标对应的感知定位误差r，以及满足感知定位精度要求的目标比例。步骤 3：如需，更改撒点总数 N，并重复步骤 1-2，直到至少 90%的撒点目标总数满足感知质量要求。步骤 4：基于撒点总数 N，计算感知容量/感知密度

59、 C=N/A,面积 A 为仿真所用 TRxP 的覆盖总面积。感知容量将作为数字低空网络的重要指标，将为通感的技术研究、系统设计以及标准制定提供指引。3.1.3 通感一体性能通感一体性能为表征通感一体整体性能的指标，提出容量-失真性能指标，用于衡量通信容量与感知失真。以下介绍三种表示容量-失真性能指标的方法：等效通信容量：基于将感知指标转化成通信指标的思想，提出感知估计信息速率。这种方法提出了观测值 Y 和真实参数值之间近似互信息的定义。假设服从方差为 P 的高斯分布，估计值为?，且均方误差为 D，则有以下不等式成立：I;I;?12logPD,因此，17/91参数估计的下界由均方误差转变成了感知

60、估计信息速率31。可以在通感一体系统下考虑通信信息速率和估计信息速率的折衷。但这种方法假设感知参数服从高斯分布，且估计子的均方误差已知，因此在应用中有很大限制。等效 MSE：基于将通信指标转化成感知指标的思想，提出等效 MSE，即将通信信息速率等效成 MSE 指标。假设一个高斯信道 Y=+，其中 X，Z 服从均值为 0，协方差为 1 的复正态分布。估计输入 X 和输出 Y 之间的最小均方误差（Minimum Mean Square Error，MMSE）为：D =11+，因此，对于给定的通信容量 C =log 1+，可以通过等式=2转化成 MSE 指标32。可以在通感一体系统下考虑通信等效 M

61、SE和估计 MSE 的折衷。但这种方法只适用于简单的线性高斯信道模型。容量-失真函数：在不进行通信指标和感知指标转换的情况下，提出容量-失真函数 C 来表示通信容量和感知失真之间的折衷。考虑一个点对点通感一体信道，发送机期望向接收机发送信息的同时通过回波信号估计信道状态，容量-失真函数可表示为：C =p maxI;|，且满足条件 ,?D。其中，X 和 Y 分别表示输入和输出符号，?是估计感知状态，,?是估计子的误差均值。3.2 感知信道建模感知信道建模ISAC 信道可以建模为目标信道和背景信道之和，用如下公式表示：=+其中，目标信道是指受到目标影响的所有（多径）信道成分（所谓信道成分是指构成信

62、道的径、簇等），而背景信道是指不包含在目标信道中的其他所有（多径）信道成分。针对背景信道，可以将其建模为随机杂波/簇，套用现有 3GPP TR 38.901 协议的方法。针对目标信道，可以采用分段卷积的方式建模。分段卷积建模是将目标信道分为两段，即从发送节点到目标的入射信道，和从目标到接收节点的后向散射信道，如下图 1 所示。在入射信道和后向散射信道中，往往存在多条径，形成若干簇。在分段信道建模时，既可以从两段信道中分别选择每条径互相组合、进行卷积，也可以从两段信道中分别选择每个簇互相组合、进行卷积，以下以簇粒度的分段卷积为例，建模协作感知信道。18/91图1分段卷积建模示意图假设入射信道和后

63、向散射信道中，分别有 P 和 Q 个簇，那么整个目标信道中的簇总数为 N=PQ，其中，第个簇是由入射信道中的第个簇和后向散射信道中的第个簇组成的，且有=P 1+。则第个簇的信道参数是通过以下方式，从入射信道中的第个簇和后向散射信道中的第个簇得到。在得到第个簇的信道参数后，即可将其代入 3GPP TR38.901 协议中的信道模型中，获得最终的协作感知信道模型。目标信道的簇功率等于入射信道和后向散射信道簇功率的乘积：P=PP目标信道的多普勒频移相位是入射信道和后向散射信道的多普勒频移相位的卷积：.exp 2d()0=exp 2d()0exp 2d()0目标信道的离去角等于入射信道的离去角：,ZO

64、D=,ZOD,AOD=,AOD目标信道的到达角等于后向散射信道的到达角：,ZOA=,ZOA,AOA=,AOA目标信道的时延等于入射信道和后向散射信道的时延之和：=+如果目标的散射矩阵可以从交叉极化比矩阵中剥离，则第个簇的交叉极化比矩阵可以表示为：exp(),1exp(),1exp()exp()=exp()1exp()q1exp()exp()19/91exp()1exp()1exp()exp()3.3 多模态融合理论多模态融合理论3.3.1 低空传感器与环境建模技术低空传感器与环境建模技术在无人机与环境交互的过程中，最重要的两类感知是对关注目标的识别和静态背景环境的建模。基于视觉类传感器的目标识

65、别从单帧或者连续视频抽取关键帧的视觉信息中进行目标的提取，近几年，随着深度学习技术的普及，目标识别、跟踪技术日益成熟。与关注目标识别有所不同。在静态背景环境的建模中，通常需要找到图像序列中相互关联的环境信息。在寻找关联信息时，一般用到视觉相机数据中的特征点。这些特征点通常是图像中灰度变化剧烈的地方，如角点、边缘点等。这些算法可以在不同光照、尺度和旋转等条件下提取特征。激光雷达通过测距的形式在短时间内（常见 0.1s）完成对环境的稀疏扫描，通过临近点构成的几何特性提取特征，然后通过相邻扫描时间段内的特征相互匹配完成整个环境的建模，如图 2 所示。除了用特征点提取的方法进行视觉信息的匹配，也会采用

66、端到端的深度学习技术来直接完成环境信息的建模。图2激光雷达环境建模效果3.3.2 环境表征环境表征算法算法卡尔曼滤波（Kalman Filtering）是一种强大的最优估计理论和算法，广泛应用于信号处20/91理、控制理论、导航系统等众多领域。核心思想是结合系统的先验知识（状态方程）和观测数据（观测方程），通过不断地预测和更新来获得对系统状态的最优估计。它在预测阶段根据系统模型预测下一个时刻的状态，在更新阶段根据新的观测数据对预测结果进行修正，从而得到更准确的状态估计。在满足线性系统和高斯噪声假设的条件下，卡尔曼滤波能够提供系统状态的最小均方误差估计。同时其也是一种递归算法，只需要上一时刻的状

67、态估计和当前的观测数据就可以进行计算，不需要存储大量的历史数据，计算效率高，适用于实时处理系统。图优化（Graph-based Optimization）是一种在机器人学、计算机视觉、机器学习等众多领域广泛应用的技术。它以图（Graph）为数据结构来表示问题，图中的节点（Node）通常表示系统的状态、变量或者实体，而边（Edge）表示节点之间的约束关系或者代价函数（CostFunction）。用于构建这些节点和边的数据可能来自传感器（如摄像头、激光雷达、惯性测量单元等）或者其他先验知识。图优化的目标是找到一组节点的状态值（例如，飞行器的所有位姿和地图特征的最优估计），使得整个图的总代价最小，对

68、应传感器对环境建模的任务中就是使得整个模型更为平滑、精确。深度学习在环境建模领域取得了显著进展，如今已广泛应用于相机、激光雷达等设备的端到端方法中。在环境建模过程中，神经辐射场（Neural Radiance Fields，NeRF）和三维高斯溅射（3D Gaussian Splatting，3DGS）技术展现出强大的能力，它们通过对大量数据的学习，能够精准地构建出复杂环境的模型。这些技术的广泛应用，不仅提升了环境建模的准确性和效率，还为相关领域如自动驾驶、虚拟现实等带来了更多的可能性。同样，在低空所需的环境建模领域，这些技术也能为无人机的高质量服务提供帮助。学科的发展，研究人员对环境信息的获

69、取颗粒度由粗犷逐渐变为精细。几十年前，遥感卫星能够大范围地进行较低分辨率的地物信息获取，近几年，随着摄影测量、SLAM 技术的进步，对环境的模型也变得越来越精细。Zhongyu Liu 等人33提出基于三维射线追踪的传播预测模型，通过数字化地图获取环境信息，包括建筑物、地形、绿化带等的几何和电气参数。采用射线路径分类技术，将传播路径分为五类，针对不同类别路径采用不同方法确定，有效处理多次反射、衍射等复杂情况，提高射线追踪效率。对环境信息进行预处理，如根据 Tx 和 Rx 位置忽略对预测结果影响小的几何因素，评估垂直墙壁与模拟点的可见关系，确定垂直墙壁的方向面集等，以提高计算效率。21/91通过

70、建立和利用环境模型，能够更准确地预测无线电信号在不同环境中的传播特性，从而为网络规划、覆盖优化、通信性能提升等方面提供重要的辅助和支持。例如，帮助确定基站的最佳位置、天线的方向和高度，优化通信资源分配，提高通信的可靠性和质量等。JakobThrane 等人34提出一种基于深度学习的信号强度预测方法，结合地理图像与专家知识。利用开放街景图像（Open Street Map，OSM）图像生成环境图像，通过深度学习模型预测 RSRP（Reference Signal Received Power），采用真实数据集评估，与射线追踪技术相比，平均RMSE（Root Mean Squared Error）

71、降低 53%。跨场景评估中，最佳 RMSE 为 6.3 dB。研究发现 250-300 米的图像距离性能较好，常规图像比全尺寸图像 RMSE 更低。22/914 低空通感一体低空通感一体架构及架构及关键技术关键技术本章系统阐述低空通感一体化技术体系架构与关键技术突破，重点围绕四大核心挑战展开深入探讨：低空立体覆盖能力不足、感知精度提升受限、感知结果可信度待提升以及全域干扰环境复杂。第一节重点论述数字低空整体架构设计，深入剖析通感一体化子系统的功能架构；第二节针对低空立体覆盖能力不足问题，详细阐述覆盖增强关键技术，包括双波形优化、波束管理及节点切换等核心方案；第三节聚焦感知精度提升受限挑战，从波

72、束设计、感知算法、和融合感知三个维度深入分析；第四节针对感知结果可信度待提升问题，从 NLoS感知、杂波抑制方法和非理想因素消除三个方面阐述；第五节针对全域干扰环境复杂问题，全面介绍干扰抑制技术体系，重点涵盖干扰特征分析、协同干扰协调与功率控制、自适应波束零陷优化以及参考信号零陷算法等关键技术，并辅以典型场景下的仿真验证结果。4.1 网络架构网络架构4.1.1 数字低空整体架构数字低空整体架构图3数字低空基本架构数字低空整体架构可由支撑基础设施、网络基础设施和应用及终端组成。其中，支撑基础设施包括运营监管、数据存储和地面控制中心。运营监管负责整个低空网络的服务、监管和运营。包括飞行数据管理、终

73、端权限管理、安全隐私管理、应用扩展、飞行航道规划等。数据存储主要是指从传感器和其他设备采集到的低空飞行相关数据，辅助进行任务规划、飞行监控和数据分析。地面控制中心主要负责对无人机等智能终端设备的网络接入、起落升降、飞行轨迹、偏航预警等方面的实时监控和管理。网络基础设施包括通感网络、卫星网络和边缘算力网络。通感网络依托地面网络基础设23/91施，比如现有的 5G-A 公网和未来的 6G 网络，并且优化现有公网或者建设低空专网，为一定高度下的低空智联终端提供通信或者感知服务。卫星网络可作为通感网络的有效补充，通过结合北斗、差分定位等技术，为低空飞行棋提供三维立体高精度定位服务。边缘算力网络可实现低

74、空数据处理、优化，以及提供导航、感知、定位等智能算法能力。支撑基础设施和网络基础设施共同为智能终端提供服务，并且提供创新应用的对外接口。4.1.2 通感架构通感架构4.1.2.1 通感整体架构通感整体架构图4通感整体架构在 6G 通感融合场景中，通感融合进一步细分为对外感知服务（NET for Sensing）和感知辅助网络（Sensing for NET）。对外感知服务最典型的例子就是通感服务与低空经济结合，根据 IMT-2020 通感任务组报告预估，飞行路径管理和避障等相关场景的感知数据传输速率约为 10Mbps 数量级。感知辅助网络包括基于感知获得的信道环境信息来辅助移动性管理和波束管理

75、等。通感融合促使 6G 网络不仅传输传统用户数据,还产生、处理和使用大量网内数据，然而，由于 5G-A 网络中网内数据主要是信令，其特点是数据量小、优先级高，并且是在短时间内有效的即时性数据。面向 6G 网络内的感知数据，由于其具有数据量大，数据的传输终结点灵活，优先级灵活等特征，因此需要从网络架构层面提供统一和高效的解决方案。为了满足大量感知数据收集、传输和处理需求，同时考虑 5G-A 标准单用例相关的数据收集方案存在用户设备（User Equipment,UE）/网络功能数据重复、基于控制面空口数据收集存在重复协议功能等问题，6G 网络架构可以引入数据面，以避免控制面承载大量非信令数据，同

76、时确保用户面传输终结在移动网络内部。数据面的功能设计和参数配置旨在提供统24/91一优化的解决方案，从而避免单个用例的碎片化。并且，通过数据面协议设计及优化来提升数据传输效率。因此，引入数据面不仅可以提高数据传输效率，还能实现数据复用，增强跨域数据协作，并且便于扩展以满足新增需求。如上图所示，端到端的数据面功能包括数据隐私和安全功能、数据控制功能、数据传输功能、数据处理功能、数据存储功能。具体如下：数据源：面向通感融合应用场景，数据源主要指从基站和 UE 收集到的感知数据。感知功能：通感融合场景中，感知功能是数据消费者。感知功能获得不同感知请求所需的感知测量数据，并响应目标检测，环境监测等用例

77、请求。数据隐私与安全功能：用于支持对于数据访问的认证及授权机制。此外需要考虑数据的隐私和安全功能，用于支持数据功能发起的认证，授权，访问控制等隐私和安全机制。数据控制功能：用于支持数据收集协调、数据服务配置（如数据包大小、间隔等）、数据传输配置（如建立/修改/释放数据面传输通道）和数据处理配置（如数据预处理或数据分析配置等）。核心网或无线接入网根据不同感知用例的数据需求进行收集协调，避免基站或UE 重复收集数据。数据传输功能：用于支持根据数据控制功能的配置进行数据面数据的转发和传输。根据数据传输的对等端不同，数据面传输包括 UE 和 RAN，RAN 和 CN，UE 和 CN，RAN 内部功能间

78、或 CN 内部功能间等多种数据传输协议。数据处理功能：通感相关的数据处理包括感知数据分析，多模态数据融合等。通过数据分析功能对数据进行预处理和聚合，可以减少跨网络节点的原始数据的数据采集，例如可以根据数据消费者的需求从数据生产者收集原始数据，对原始数据进行归纳整理，关联，输出规定粒度且符合时间周期要求的数据。通过数据融合功能，基站可以将多个 UE 的感知测量数据和基站的感知测量数据进行融合产生多维谱信息。数据存储功能：5G 网络中很多数据是短时使用的即时数据，不会进行持久化存储，如辅助调度的终端上报的测量信息。然而在通感融合中可能需要存储和处理大量的数据。例如面向无人机入侵监测、环境感知、交通

79、流量和天气状况等感知需求，基站或 UE 将测量生成大量的感知数据。为了支持不同感知用例的感知测量数据复用，以及基于 AI 的感知处理算法的 AI 模型训练等，6G 需要提供持久化数据的存储机制。4.1.2.2 感知功能架构感知功能架构面向感知服务的系统需要包含的主要功能实体如下图所示，图中以总线形式来概括感知25/91功能之间可能存在交互。感知功能是逻辑功能，可能存在多个功能由一个设备实现的情况。图5感知功能感知服务管理功能实体负责与感知客户端交互，以使其获取感知服务。感知任务控制功能实体控制感知任务的执行以实现基础感知功能。感知任务控制功能实体可根据感知任务确定感知方法、感知所需的资源、感知

80、信号发送/接收节点以及感知数据处理功能节点。面向低空的感知的目标主要是低空无人机，可以根据电子围栏区域、无人机航迹选择合适的感知信号发送/接收节点进行感知。感知数据处理功能对感知数据的处理包括对原始感知数据（包括感知信号的接收数据和第三方感知获得的感知数据）处理得到中间结果感知数据，以及对中间结果感知数据处理得到最终结果感知数据。由于低空无人机通常是移动的，可能会跨越不同感知信号收发节点的感知覆盖范围，从而网络可能获得多个针对同一目标的感知数据，需要对多个感知数据进行融合。对于联网的无人机，也可利用其自身的第三方感知技术获得感知数据，以辅助网络进行感知。感知信号发送需要使用无线感知资源。无线感

81、知资源调度功能实体根据对无线感知资源的需求确定感知信号发送使用的无线感知资源。下表为一种感知功在网络中的部署的示例。表3感知功在网络中的部署感知功能核心网接入网终端感知服务管理功能感知任务控制功能感知数据处理功能无线感知资源调度功能感知信号发送/接收第三方感知功能26/914.2 覆盖增强技术覆盖增强技术4.2.1 覆盖范围覆盖范围提升提升在基站自发自收感知模式下，采用收发分时的脉冲波形能够避免对于全双工能力的要求，从而大大降低设备的硬件成本。采用脉冲波形时，在完成感知信号的发射之前返回到基站的回波信号无法被接收，从而使得无法探测近距离感知目标，即存在近距离盲区。设脉冲宽度为，则与基站之间的距

82、离小于c 2的感知目标都会处于近距离盲区。而降低脉冲宽度会使得感知信号功率减小，从而无法对远距离感知目标进行有效探测。为了兼顾远距离和近距离的感知覆盖，可以采用两种脉冲波形设计来提升感知覆盖能力。如图 6 所示，波形一用于远距离覆盖、波形二用于近距离覆盖。两种波形的调制方式可以相同或者不同；例如，波形一是 LFM（Liner Frequency Modulation）波形、波形二是 OFDM（Orthogonal Frequency Division Multiplexing）波形，或者波形一和波形二都是 LFM 波形。设波形一的脉冲宽度和脉冲周期分别为1pulse和1period，脉冲二的脉

83、冲宽度和脉冲周期分别为2pulse和2period。则波形一的近距离盲区边界和最大不模糊探测范围分别为c1pulse2和c1period2，波形二的近距离盲区边界和最大不模糊探测范围分别为c2pulse2和c2period2。这里假设波形一和波形二中各个脉冲的调制序列都是相同的，这也是雷达技术中通常采用的设计。如果能够通过调制序列区分同一种波形内的各个脉冲，则能够增大最大不模糊距离。为了实现一定距离范围内的连续覆盖，波形二的最大不模糊测量范围需要小于或等于波形一的近距离盲区边界，即要求2period 1pulse。同时，为了最大化利用脉冲波形的时域资源，需要满足Mperiod MOFDMTOF

84、DM，=1 或 2，即，连续的M个个脉冲需要与连续的MOFDM个OFDM 符号的时间对齐，这里TOFDM表示 OFDM 符号时长。图 6 中示意的即是波形一的连续 2 个脉冲与 1 个 OFDM 符号对齐、波形二的连续 8 个脉冲与 1 个 OFDM 符号对齐。图6双脉冲波形感知信号示意图综上，根据上述的双波形设计方法，通过波形二设计较小周期补偿波形一盲区覆盖不足27/91的问题，能够以较少的参数设计出盲区小、覆盖能力较高的感知信号波形。4.2.2 连续覆盖连续覆盖技术技术4.2.2.1 波束管理波束管理在雷达领域，相控阵雷达所采用的波束赋形技术具有成熟的硬件实现方案和信号处理方案。目前大规模

85、部署的 5G 基站具备 32 天线端口，而 LTE 基站也具备 8 天线端口，每个天线端口连接多个天线阵子，为基于波束赋形的多天线感知打下了坚实的物理基础。通过数字或者模拟波束赋形，配备多天线的感知节点可以形成高增益的窄波束，使感知信号大部分能量集中在感知区域或者感知目标上。一方面提高了反射信号的信噪比，另一方面对来自其他方向的杂波干扰也能形成较好的抑制效果。图7波束赋形各天线端口信号关系示意图基于波束赋形的感知技术，各发射天线端口信号是相关的，彼此之间只相差与天线间距和波束指向角度相关的相位差，如图 7 所示。这种方案实现简单，但同时也存在一定局限性。一方面，当阵列进行波束赋形时，系统的角度

86、感知精度，即系统阵列的角度估计分辨率与波束宽度有关。当两个感知目标的角度差值小于一个波束宽度时，基于波束赋形的感知无法在角度域区分这两个目标，此时需要在其他域（例如时延域、多普勒域）对目标进行区分；另一方面，当感知区域范围较大，或者一个环境中存在多个待感知区域时，基于波束赋形的多天线感知可能需要借助波束扫描完成。波束扫描相比于单次感知占用了更长时间，容易导致对时变环境（例如，高速飞行的无人机）的感知性能下降。虽然我们可以使用一个较宽的波束对感知区域或感知目标进行覆盖，但这在发送总功率相同的情况下又一定程度牺牲了感知精度或感知信噪比。图 8 为假设基站感知模式为自发自收，感知目标为某个区域的无人

87、机，上述两种情况的示意图。基于波束赋形的多天线感知，感知波束的配置（例如波束宽度、波束数量、波束扫描时间等）可能需要基于一些感知目标/感知区域先验信息，例如感知目标28/91大致分布范围、感知目标密度、感知区域大致大小/方位等进行确定。图8基于波束赋形的多天线感知示意图(a)感知目标间距小于波束宽度，导致无法区分 2 个目标(b)感知区域范围大于波束宽度，需要结合波束扫描需要注意的是，对于通感一体化场景，由于感知目标与通信目标不一定是同一个目标，因此感知波束和通信波束可能不是同一个波束。对于通信功能，通信波束需要对准通信接收端，以获得可靠稳定的通信链路；对于感知功能，需要根据感知区域或感知目标

88、的具体位置配置感知波束，如图 8 所示。然而，在感知初期，感知区域或感知目标的精确位置往往是未知的。针对这个问题，一种可以采用的策略是通感一体化系统首先使用宽波束进行粗粒度感知，在确定感知区域或感知目标的大致位置后再使用窄波束进行细粒度感知；另一种可以采用的策略是通感一体化系统执行感知波束扫描和感知波束测量过程，基于感知波束测量结果确定感知波束。通感一体化系统可以使用多个波束，这些波束中一部分是服务于通信，一部分是服务于感知，或者同时服务与通信和感知。在波束管理流程上，通信波束管理流程和感知波束管理流程可能是两个相互独立的流程。对于基站或终端自发自收的感知模式，感知波束管理可以直接基于自身算法

89、实现，不需要与通信的另一端交互；对于基站和终端 A 发 B 收的感知模式，基站和终端通过通信波束扫描确定最佳发送/接收波束；同时，通过感知波束扫描，基站或终端基于感知性能评估指标，例如感知信干噪比（定义为感知目标反射信号功率与杂波和噪声功率和的比值）等的测量值，确定最优的基站和终端的发送/接收波束。此外，通信波束管理和感知波束管理也可以是一个联合处理流程，即通过相同的一套波束配置，在波束扫描步骤，基站或终端通过波束测量同时获得通信测量量测量值、感知测量量测量值，或者通感一体化联合评价指标的测量值。29/91基于上述测量值，确定最优通信波束和最优感知波束。4.2.2.2 感知节点切换感知节点切换

90、移动通信网络中的感知节点，例如基站、UE 等，可以通过节点彼此之间发送或接收感知信号，或者通过节点自发自收感知信号两种不同感知模式进行感知/通感一体化业务。感知目标的状态（包括空间位置、空间朝向、运动速度等等）或感知环境发生改变，以及感知节点发生移动（例如 UE 移动），都可能导致感知性能发生改变。为了保证感知/通感一体化业务连续性，以及持续保障感知/通感一体化 QoS，网络可能需要进行多节点协作感知。然而多节点协作需要多个基站或者 UE 服务同一感知目标，造成较大的物理硬件和时频资源开销，因此另一种替代方案是网络进行感知节点切换。考虑到不同感知节点的感知能力的差异、感知节点分布的不均匀性，以

91、及感知环境的不确定性，感知节点切换的过程还可能伴随着不同感知方式的切换：感知能力的差异，体现在不同基站间的能力差异，以及基站与终端间的能力差异。例如，不同基站间天线阵列孔径的差异，或者基站和 UE 间天线端口数量的差异。感知节点分布的不均匀性，主要指 UE 的分布存在较强的随机性和变化性。感知环境的不确定性，指的是不同感知节点附近的环境存在差异，例如不同感知节点附近的建筑物不同，出现遮挡、多径等电波传播现象的程度也不同。图9A发B收感知模式下的感知节点切换场景示意图下面简要讨论几种典型的感知节点切换场景。图 9(a)和图 9(b)给出了基站作为感知节30/91点并发生切换的场景，包括 A 发

92、B 收模式下发送端或者接收端其中一者切换，以及两者同时切换的情况。图 9(c)-(e)给出了终端参与 A 发 B 收感知时，终端或者基站至少一者发生切换的场景。图10自发自收感知方式下的感知节点切换场景示意图对于感知节点自发自收感知方式，为了保证感知/通感一体化业务连续性，同样可能需要感知节点切换。图 10(a)和(b)分别给出了基站和终端自发自收，发送切换的场景。上述感知节点切换场景均以无人机作为感知目标进行示意。无人机的飞行范围较大，一般从几百米到即千米，因此目标无人机从基站 1 移动到基站 2 的过程中，经过目标无人机反射的感知信号质量可能会由于基站 1 与目标无人机之间距离增大或者目标

93、无人机雷达散射截面积（Radar Cross Section，RCS）变化而显著降低，进而引起感知/通感一体化业务性能下降，甚至业务中断。基站 1 或感知网元可以根据所掌握的该区域内的其他基站信息，调度基站 2 作为切换后的感知节点进行感知。图11感知模式切换示意图感知节点切换时还可能伴随着感知模式的切换。仍然以对飞行的无人机定位/轨迹追踪31/91为例子，图 11 给出了一个感知方式切换的示意图。假设在切换之前，基站通过自发自收感知信号的方式实现对目标无人机的感知。当目标无人机逐渐远离基站，由于感知信号回波路程增大或者目标无人机 RCS 变化，或者目标无人机 RCS 变化可能显著下降，进而引

94、起感知/通感一体化业务性能下降甚至业务中断。此时，基站或者感知网元可以根据所掌握的该区域内的其他基站以及终端信息，调度目标无人机区域附近的终端与基站，通过基站发感知信号终端接收的方式（或者终端发感知信号，基站接收）对目标无人机进行持续追踪。需要说明的是，在这种场景下切换后参与感知的基站与源基站可以是不同的基站。在某些情况下，基站发送感知信号终端接收（或者终端发送感知信号基站接收）的感知模式，也可切换为基站（或终端）自发自收感知信号的感知模式。4.3 感知精度提升技术感知精度提升技术4.3.1 波形设计波形设计通感一体化波形：波形设计是通感一体化系统的重要基础，面向数字低空网络中目标小、移动慢的

95、复杂应用场景，高感知精度的波形设计优化需求更加突出。已有大量研究工作致力于通感一体化系统中波形的优化与设计，大致可以分为以雷达为中心、以通信为中心和联合设计。雷达为中心的波形设计：雷达系统中常用的感知波形有脉冲波形(Pulse Waveform，PW)、连续波形(Continuous Waveform,CW)、调频连续波形(Frequency Modulated ContinuousWaveform,FMCW)、相位编码波形（Phase Coded Waveform,PCW）。脉冲波形具有高峰值功率，能够检测远距离目标。脉冲波形的时延分辨率与脉冲宽度有关，结合脉冲压缩，可以实现较高的时延分辨率

96、，能够准确测量目标的距离。脉冲雷达的缺点是存在近距感知盲区，且脉冲重复频率（Pulse Repetition Frequency，PRF）限制了速度测量的能力，对于快速移动的目标，可能会出现多普勒模糊。连续波形可以提供连续的速度和距离测量，且对低速目标的探测灵敏度高，缺点是不能直接测量距离，通常需要与调制技术结合使用。调频连续波形雷达常用的是线性调频（LinerFrequency Modulation,LFM）波形，常用线性锯齿波频率调制、线性三角波频率调制、分段线性频率调制三种类型的波形，如图 12 所示。调频连续波波形频谱效率高，能够在较小的带宽内实现较高的距离分辨率，但是对于快速移动目标

97、，存在距离和多普勒耦合，会导致距离估计误差。32/91(a)线性锯齿波频率调制(b)线性三角波频率调制(c)分段线性频率调制图12三种常用的LFM波形相位编码波形具有较强的抗干扰能力，可以提高信噪比，适用于多目标探测，能够在同一频率下同时探测多个目标。相位编码信号对多普勒敏感，回波信号中存在多普勒频移时会严重影响脉压性能，所以只适用多普勒频率范围较窄的场景。对于以雷达为中心的方法，通常将通信符号嵌入到雷达波形中35，典型的嵌入方法有波束模式调制36、索引调制37和快时调制38等。波束模式调制通过控制雷达波束的旁瓣承载信息，然而这种方法要求雷达波束的主瓣指向目标，这限制了通信的灵活性。索引调制将

98、信息嵌入激活态的无线电资源的索引，如用于传输的天线或载波频率的索引。快时调制在雷达波形上嵌入通信符号，与上述两种方法相比可以提高通信速率，但是雷达性能会有所降低。然而，通常上述三种方法能实现的通信速率有限，只能适用于对通信需求不高的场景中。通信为中心的波形设计：通信波形可以分为单载波和多载波两种波形，常见的单载波通信波形有单音正弦波、脉冲信号、调幅信号（Amplitude Modulation,AM）、调频信号（FrequencyModulation,FM）和调相信号（Phase Modulation,PM）等，而多载波通信波形包括 OFDM，正交时频空（Orthogonal Time-Fre

99、quency-Space,OTFS）调制等。单载波信号实现简单，对系统设计和硬件要求较低，功率效率较高，且信号处理简单，适用于信号质量要求高的场景。然而，单载波信号的频谱利用效率较低，抗多径干扰的能力差，信号传输效率有限，不适用高数据率要求的场景。多载波信号频谱效率高，抗多径干扰能力强，且可以根据信道状态动态调整数据传输速率，然而实现较为复杂，对硬件要求、计算和处理开销都比较高，载波间可能出现载波间干扰（Inter-Carrier Interference，ICI），影响信号质量，对系统同步的要求较高。33/91对于以通信为中心的 ISAC，雷达感测是直接利用通信波形来实现的，如 OFDM 波

100、形39、40和正交时频空间 OTFS 调制41波形。相比 OFDM 波形，OTFS 对较大的 Doppler 频移更具鲁棒性。通信波形本质上是随机的，由于峰值平均功率比（Peak to Average Power Ratio，PAPR）、随机自相关特性和分辨率降低等各种问题，通常会导致传感性能下降42。联合设计：以雷达为中心的波形设计和以通信为中心波形设计，通信速率和雷达性能之间存在折中，需根据实际应用场景综合考虑。一些研究致力于联合通感波形设计43-46，主要是综合考虑通信和感知的性能指标，例如基于互信息（Mutual Information，MI）43、波形相似度44、CRLB45和联合编

101、码46的性能指标。然而，这些联合设计方法通常涉及复杂的优化问题，求解难度大，耗时长。此外，MI、波形相似度等性能指标不能直接反映感知性能，CRLB 表达式复杂，基于 CRLB 的联合性能优化求解难度较大。一些研究通过感知和通信波形结合设计 ISAC 波形，如47提出了一种利用传统脉冲雷达的等待时间来传输通信信号的方案设计 ISAC 波形，与以雷达为中心的信息嵌入脉冲波形相比，在有效抑制自干扰的前提下，显著提高了通信速率，并减轻了近目标盲距问题，与以通信为中心的 ISAC波形相比，保留了用于传感的经典雷达波形，具有更好的自相关特性。4.3.2 感知感知接收接收算法算法随着社会信息化的深入发展，无

102、线电探测技术在军事、民用等领域的作用愈加突出。阵列信号处理作为现代无线电探测技术中的关键一环，在当今大规模阵列探测系统中的发挥了重要作用。其中,信号的到达角（Direction of Arrival，DOA）和距离估计即对阵列天线接收信号的方位角进行估计，是阵列信号处理中的核心技术之一48-50，支撑了诸多领域中多天线阵列探测系统的高性能工作51-53。在航空领域中，无线电检测系统通过估计分析飞行路径中障碍物的位置信息，指导航线规划54，在水声探测领域，借助 DOA 估计技术对水下未知环境进行探测，保证水下活动的顺利开展，提高海洋开发的效率55，在军事领域，高精度达系统通过 DOA 估计确定非

103、友方信号源目标位置，进而识别敌军无线电频谱干扰并与之对抗56。同时 DOA 估计技术在灾情救援、无人驾驶、电子对抗等领域都有极大的应用前景57-59。随着探测技术水平的发展，DOA 估计技术需要向更高精度、更快速、更可靠的方向发展60。但传统方法在信号噪声严重、信号源密集、多径效应等情况下表现不佳，因此亟需更高性能的 DOA 估计技术来应对这些挑战61。1)一维 DOA 估计34/91随着社会信息化的深入发展，无线电探测技术在军事、民用等领域的作用愈加突出。阵列信号处理作为现代无线电探测技术中的关键一环，在当今大规模阵列探测系统中的发挥了重要作用。其中,信号的 DOA 和距离估计即对阵列天线接

104、收信号的方位角进行估计，是阵列信号处理中的核心技术之一，支撑了诸多领域中多天线阵列探测系统的高性能工作。在航空领域中，无线电检测系统通过估计分析飞行路径中障碍物的位置信息，指导航线规划，在水声探测领域，借助 DOA 估计技术对水下未知环境进行探测，保证水下活动的顺利开展，提高海洋开发的效率，在军事领域，高精度达系统通过 DOA 估计确定非友方信号源目标位置，进而识别敌军无线电频谱干扰并与之对抗。同时 DOA 估计技术在灾情救援、无人驾驶、电子对抗等领域都有极大的应用前景。随着探测技术水平的发展，DOA 估计技术需要向更高精度、更快速、更可靠的方向发展。但传统方法在信号噪声严重、信号源密集、多径

105、效应等情况下表现不佳，因此亟需更高性能的 DOA 估计技术来应对这些挑战。1Capon 算法Capon 算法的核心思想是，通过计算输入信号的协方差矩阵，可以得到信号的空域谱密度分布，然后根据这个谱密度分布计算最优权值，从而形成最小方差波束。在实际应用中，协方差矩阵可以通过信号采样和数字信号处理技术得到。通过对协方差矩阵进行逆运算，可以得到最优权值，进而形成最小方差波束。在传统波束成形的框架下保持最小输出功率,抑制干扰信号的同时在预设定方向上使增益最大，即:min|X()|2=min H(4-1)其中，X()为接收到的信号，为阵元加权系数。此时求得最优化问题，即：=R1a aH R1a(4-2)

106、可得 Capon 的空间谱函数为：PCapon=1aH R1a(4-3)通过对空间角度谱估计，峰值坐标即为接收信号的到达角信息。Capon 算法的优点是可以精确估计信号源的位置和强度，从而在多目标跟踪和信号识别等应用中有很高的精度和可靠性。但是，该算法在处理非均匀噪声和非平稳信号时效果较差,且计算量较大，需要更高的计算资源和存储空间。Capon 算法是对 CBF（ConventionalBeamforming）算法的优化，虽然 Capon 算法的分辨率高于 CBF 算法，然而 Capon 算法仍无法突破“瑞利限”，且需要对阵元接收信号添加权重，造成硬件成本的增加，因此仍需研究更适用于实践的 D

107、OA 估计算法。35/912)子空间类估计算法1MUSIC（Multiple Signal Classification algorithm）算法MUSIC 算法是一种基于频谱分析的高分辨率空域谱估计算法，用于在阵列信号处理中进行信号源定位等场景。同时 MUSIC 算法是一种非参数算法，不需要对信号的统计特性做出任何假设，因此具有很好的通用性和适用性。其基本思想是将噪声子空间在频域上从接收信号中分离出来同时对目标信号子空间进行分析。结合数字信号处理基本理论，利用矩阵论知识对接收矩阵预处理，并对所得预处理矩阵进行特征值分解，再依据空间谱估计理论可以得到信号源在空间中的空间谱，从而实现信号源定位和

108、波束形成。MUSIC 算法具有较高的分辨率和抗噪声性能。本小节首先对 MUSIC 算法的基本原理进行介绍。对空间中的K个远场窄带信源，假设第i个信源功率为2，同时假设环境中噪声的功率为2，对于阵列接收信号()，预设接收快拍数为，可知接收信号矩阵的维度为 。对接收矩阵求解协方差矩阵，具体如下：=1=1?()()=+=+=+2(4-4)构造空间谱函数PMUSIC，遍历空间中的角度谱搜索该函数的峰值坐标，可以得到K个互相独立的远场信号的 DOA。空间谱函数的数学表达式如下:MUSIC=1 =1,2,(4-5)MUSIC 的算法流程如下:代入式(4-4)计算接收矩阵的协方差矩阵作为待使用的预处理矩阵；

109、将上一步中得到的预处理矩阵特征值分解，得到分解后的特征值和对应特征向量，并将特征向量按照对应特征值从大到小排序；将上一步中计算所得后 M-K 个特征向量重新组合得到中间矩阵，即为噪声子空间；代入式(4-5)搜索谱峰值坐标点，获得信号的 DOA 信息估计值。MUSIC 算法具有很高的空间分辨率和噪声抑制能力，在处理复杂的信号场景和噪声环境时具有很好的性能。但是，该算法需要对接收信号矩阵进行特征值分解等预处理计算，计算复杂度较高，且高维度矩阵计算需要更多的计算资源和存储空间。36/912ESPRIT 算法子空间估计的另一大经典算法为 ESPRIT 算法。该算法是一种基于旋转不变性技术的高分辨率空域

110、谱估计算法，用于在阵列信号处理中进行信号源定位等场景。与 MUSIC 算法相同，ESPRIT 算法也是一种非参数算法，不需要对信号的统计特性做出任何假设，因此同样具有很好的通用性和适用性。ESPRIT 算法利用特征向量构成子空间的旋转不变特性结合子空间分解技术求解联合方程对信号 DOA 进行估计。由于 ESPRIT 算法是通过计算直接得到信号 DOA 信息，因此与 MUSIC 算法相比降低了计算复杂度。将前子阵列与后子阵列接收的信号矩阵1 和2()合并，进而得到新的信号矩阵()，即：=12=12 +12=11 +12=+(4-6)因此可以计算合并后信号矩阵的协方差矩阵 R 为：=+(4-7)式

111、中为发射信号的自相关矩阵，表示发射信号的信息，为噪声信号的自相关矩阵。此时对预处理矩阵特征值分解可得：=H=sssH+NNNH(4-8)进一步推导：s=s1s2=11(4-9)进一步推导两子阵列信号子空间2和1之间的关系，即:S2=S11=S1(4-10)前子阵列与后子阵列接收数据中信号子空间相差一恒定的值，即满足旋转不变性，其中则被称为旋转矩阵。根据以上的条件，当阵列接收远场窄带信号互相独立时，前子阵列的导向矢量1为列满秩的矩阵，此时前后子阵列导向矢量之间相差的可通过以下形式表示：=1(4-11)其中为对角矩阵，即仅在对角线上有值且为矩阵中的特征值。ESPRIT 算法不需要像37/91MUS

112、IC 算法一样通过对空间角度谱遍历搜索就能求解得到接收信号的 DOA 信息。总结 ESPRIT 的算法流程如下:根据阵列天线划分后的结构，代入式(4-8)计算两子阵列合并后接收信号的协方差矩阵作为预处理矩阵;将上一步中得到的预处理矩阵特征值分解，得到特征值和特征向，并将特征值从大到小排序;将上一步中计算所得特征值排序后，取前 K 个大特征值，并找到对应的特征向量，重新组合获得信号子空间;根据式(4-10)得到矩阵中的M个特征值及对应的特征向量，并完成对接收信号DOA的估计。ESPRIT 算法同样具有很高的空间分辨率和噪声抑制能力，在处理复杂的信号场景和噪声环境时具有很好的性能。同时与 MUSI

113、C 算法相比，该算法的计算复杂度较低，适合在计算资源和存储空间较为有限的情况下使用。然而，该算法对阵列中相邻阵元之间的相位差精度要求较高,因此需要考虑阵列几何结构的设计和精度等因素。3)二维 DOA 估计二维 DOA 估计可以准确的估计出信号在立体空间中的具体定位，因此二维 DOA 估计的研究尤为重要。二维 DOA 估计通常采用 L 型阵列、面阵或圆阵等阵列来接收入射信号，从而实现信号入射仰角和方位角的二位角度估计。本节以 L 型阵列为代表介绍 MUSIC 算法和 ESPRIT 算法的二维 DOA 估计。如图所示，L 型阵列分布在 X-Y 平面，由分别均匀分布在 X 轴和 Y 轴上的 M 个阵

114、元构成，共 2M-1 个阵元，以 X 轴和 Y 轴共有的阵元为参考阵元，相邻阵元间距为 d。图13 L型阵列示意图假设远场空间来波中有个载波波长为的非相干窄带信号，分别以仰角和方位角为,的角度入射到上图所示的 L 型接收阵列，取个快拍数进行采样，则该阵列沿着 X 轴38/91均匀线阵的接收数据矢量和沿着 Y 轴均匀线阵（去掉参考阵元）的接收数据矢量分别为：=+(4-12)=+(4-13)其中，和分别为 X 轴和 Y 轴均匀线阵的接收数据矢量，为远场空间来波信号数据，和分别为 X 轴和 Y 轴线阵的噪声数据，x和y分别为 X 轴和 Y 轴接收数据矢量的导向矩阵：=1112cos1sin12cos

115、2sin22cossin2 1 cos1sin12 1 cos2sin22 1 cossin(4-14)=2sin1sin12sin2sin22sinsin22sin1sin122sin2sin222sinsin2 1 sin1sin12 1 sin2sin22 1 sinsin(4-15)4)二维 MUSIC 估计算法由 X 轴和 Y 轴的接收信号式(4-14)和式(4-15)，构造矩阵：=+=,+(4-16)式中，=，,=。则的协方差矩阵为：=(4-17)根据协方差矩阵特征分解理论可得：=(4-18)=,+(4-19)其中，和分别表示信号子空间和噪声子空间，为对角矩阵，对角线元素为的特征值

116、，=，2为噪声功率，为(2 1)单位矩阵。由于和彼此正交，对式(4-18)等式左右同乘可得：=2121 21=2(4-20)联立式(4-19)和(4-20)可得：=,+2=2(4-21)所以有：,=(4-22)由于为非奇异矩阵故,=，这说明矩阵,的各列和噪声子空间是彼此39/91正交的，即：,=,=1,2,(4-23)则其空间谱函数为：2DMUSIC,=,(4-24)利用空间谱函数进行二维角度搜索，极大值对应的二维角度即信号入射估计仰角和方位角。这种方法虽然可以获得高分辨率，但是计算复杂度很高。由本小节分析可得 L 阵列中基于 MUSIC 算法的二维 DOA 估计的步骤为：根据阵列接收数据按照

117、式(4-16)构造矩阵。通过分解的协方差矩阵，得到噪声子空间。由式(4-24)搜索空间谱，即可求得空间来波信号到达接收阵列的波达方向估计值。5)二维 ESPRIT 估计算法对图 13 所示的 L 型阵列接收的信号矢量和，以及对应的阵列流型矩阵x和y进行如下处理：=1xM=x12=1yM=y12x=x1axM=ax1x2=y1ayM=ay1y2(4-25)其中，x1,xM代表的第一行与第行；y1,yM代表的第一行与第行；ax1,axM代表x的第一行与第行；ay1,ayM代表y的第一行与第行。构造式（4-25）中各部分的互相关矩阵：1=11=11+1(4-26)2=E 21=11+2(4-27)3

118、=E 12=11+3(4-28)4=22=11+4(4-29)=diag 2cos1sin1/,2cos2sin2/,2cosxsinx/，=diag 2sin1sin1/,2sin2sin2/,2sinxsinx/，1,2,3,4表示噪声矩阵，当信源彼此独立时，为对角矩阵，因此式(4-27)和(4-29)也可写为：2=11+3(4-30)40/914=11+4(4-31)基于 ESPRIT 算法的二维 DOA 估计首先利用式(4-26)、(4-30)和(4-31)构造如下矩阵：=124(4-32)对矩阵进行奇异值分解可得：=012=(4-33)其中,为由阵列流型矩阵1和1得到的矩阵，为非奇异

119、矩阵。令：=1=1(4-34)则由式(4-33)可得：1=02=1(4-35)故有：=0+1=1+2(4-36)将矩阵和的特征值分别记为,=1,2,和,=1,2,，和为对角矩阵，对角线元素分别为,=1,2,和,=1,2,，且其中包含着所有空间来波信号到达接收阵列的波达方向信息，但是仍需进行二维参数配对。在理想情况下，和的特征向量矩阵相同，记为，但是在实际计算时，由于独立对两个矩阵进行特征值分解，会使得矩阵出现列模糊的问题，从而导致两个不一致的矩阵。假设将的特征向量矩阵记为，的特征向量矩阵记为，可以利用两个特征向量矩阵的强相关性重新构造一个排序矩阵，对特征值的顺序进行调整，从而最终实现二维参数的

120、配对。首先构造排序矩阵：=(4-37)由于 L 型阵列 X 轴和 Y 轴接收相同的信号，即使分开处理，和不一致，但是二者具有强相关性，因此可以利用矩阵的每一行中绝对值最大的元素的矩阵坐标，来调整对角矩阵和中的对应坐标元素的顺序以此获得正确匹配的二维参数,=1,2,，最后通过下式获得入射信号的俯仰角和方位角估计：41/91?=arcsin 2+22(4-38)?=arctan(4-39)由本小节介绍内容可得 L 型接收阵列中基于 ESPRIT 算法的二维 DOA 估计的运算步骤为：利用沿 X 轴阵列和沿 Y 轴阵列接收的数据矢量按式(4-25)构造1，2，1和2。利用式(4-26)至(4-31)

121、，由式(4-32)构造矩阵。对矩阵进行奇异值分解得到式(4-33)。由式(4-34)得到x和y。分解矩阵x和y，特征值分别记为,=1,2,和i，=1,2,以及特征向量矩阵x和y。按照式(4-37)构造矩阵，利用矩阵对相应的特征值进行配对，最后得到配对的二维参数,=1,2,。由式(4-38)和式(4-39)得到最终的二维角度估计。4.3.3 融合感知融合感知4.3.3.1 多节点数据融合多节点数据融合协作的多节点可以在相对目标不同的角度、距离上接收目标的反射信号，其协作增益一方面在于减小感知随机性对感知性能的影响。感知随机性包括随机信道状态与随机测量误差，前者包括目标运动引起的随机 RCS 变化

122、、目标路径的突然遮挡等，后者主要来源于接收端接收的干扰信号、噪音、硬件物理状态等对信号估计、目标识别、目标测量的影响。利用多节点信息可以有效减小这类随机性对个别接收节点感知业务的影响，保证感知服务的连续性与准确性。另一方面，多节点协作可以利用多倍、多维的目标测量量进行定位与测速，有效解决单节点测速中只能测量径向速度的多普勒盲问题；还可以通过融合算法去除重复目标，实现目标感知精度提升。多节点协作的核心问题是如何融合处理协作多节点的多维信息从而最大化协作接收增益81，同时需要综合考虑服务器与接收节点的信号处理能力、数据传输开销等多方面因素。因此，对感知测量量进行融合可以有效平衡协作感知增益与处理复

123、杂度。首先，各个接收节点对各自接收到的反射信号进行处理，获得时延、角度、信号强度等42/91感知测量量。接收节点再将上述测量量及其多维组合发送给服务器，由服务器进行数据融合。在该融合方法中，目标信息的计算复杂度由服务器与接收节点分担，降低服务器与接收节点计算负荷。另外，接收节点仅将部分若干个感知测量量发送给服务器，传输数据量小，降低了数据传输开销。在多节点信息融合时，参与协作的接收节点数并非越多越好，这是因为节点数量增加会占用更多的通信资源。因此接收节点数量的选择需要平衡资源与感知性能。如图 14 多节点协作定位结果所示，随着接收节点数目增加，感知定位误差逐渐降低。同时，定位误差的降低速率随着

124、接收节点数增加而减小，可以预见的是定位误差最终会逐渐收敛。特别是当接收节点数超过 3 时，感知定位精度提升不再明显，因此可以认为三个接收节点已经接近最优的感知性能，该结果可用于指导优化协作接收节点选择。图14协作定位误差随节点数目变化曲线4.3.3.2 多模态数据融合多模态数据融合使用传统通信信号的单模态感知存在固有的缺陷，例如雷达感知中对于目标类型与轮廓的分辨存在一定困难，而利用传统的摄像设备结合 AI 技术可以快捷地辨识出目标类型。因此多模态感知也是低空通感的一个重要研究方向。多模态感知指的是利用多种感知方法的测量结果进行数据融合，具有以下优势：多模态融合可以充分利用已有广泛分布的设备数据

125、辅助低空感知，例如光学摄像头、红外探测仪、WiFi、电磁断层扫描等技术。多模态感知利用这些设备不会大幅提升成本，却发挥了不同感知设备的优势，对不同气候、环境、地形实现广泛覆盖；多模态融合可以利用更多维度的潜在信息，即不同频率、不同时间与不同空间的信息，这些额外的信息在受限的通信系统中无法被很好开发，却可以在多种其他设备中轻易获得，因此可以获得成倍的感知数据。另一方面，多模态融合也面临着一些挑战：一方面由于环境变化或设备随机误差的影响，43/91多模态的感知数据存在错位或丢失的情况，导致多设备的数据无法对齐，因此需要设计合适的数据纠正机制，避免错误或丢失的数据对整体感知造成影响；另一方面，多模态

126、数据需要合适的融合方法才能最大化感知精度增益。多模态的数据由于占据时频空域的资源差别很大，简单的数据级融合方法无法融合差异较大的数据，因此需要提取多模态感知数据中的重要特征，在匹配感知参数的同时需要重点考虑目标特征的匹配，提升数据融合精度。4.3.4 非理想因素及消除方法非理想因素及消除方法4.3.4.1 感知非理想因素及其影响感知非理想因素及其影响在通感一体化应用中，获取精确的时延和多普勒测量尤为重要，而器件和硬件电路的非理想因素会显著影响感知精度76，包括：定时偏差（Timing Offset,TO）：感知信号的接收端和发射端使用各自的时钟信号进行定时，收发端之间的定时差异会造成定时偏差，

127、给感知信号在频域上带来除了由信号传播时延产生的、额外的相位偏差。因此，定时偏差会造成感知信号时延的模糊，从而带来距离测量的模糊。载波频率偏差：包括两个方面：一是收发端设备本振频率的偏差，收发端设备使用各自的本振频率源进行信号生成，收发端设备的本振频率会有差异；二是由收发端设备之间的相对运动产生的多普勒频移。随机相位：设备内部模块（例如，功率放大器）的状态变化（例如，开关、增益的调整）可能会引入随机相位。随机相位会严重影响多普勒或速度的测量，甚至通常导致多普勒或速度无法测量。由于信号处理机制的差异，上述非理想因素对于通信性能的影响较小、但是会对感知性能产生致命影响。在通感一体化中，需要获取基站和

128、 UE 之间的绝对定时偏差和载波频率偏差等，以实现对于感知目标的距离和速度的测量，这需要引入一些新的方案来消除上述非理想因素的影响。4.3.4.2 非理想因素消除方法非理想因素消除方法1)CSI（Channel-State Information）商/共轭乘方法对多个共用时钟源的接收天线的接收信号进行除法运算或者共轭乘运算，能够抑制收发端之间载波频率偏差的影响，提取出感知目标的多普勒频移，该方法在生命体征（呼吸、心跳）检测的感知应用场景中得到很好的应用，具有较好的性能77。其基本原理是，两个天44/91线接收信号所承受的载波频率偏差是相同的，经过除法运算或者共轭乘运算后很容易被去除。进一步地，

129、在静态径功率占主导地位的情况下，CSI 商方法能够提取出感知目标的多普勒频移。该方法能够消除载波频率偏差和随机相除。2)参考径方法利用参考径可以对感知信号的收发端之间的定时偏差和载波频率偏差进行校准，其核心思想是通过已知信号传播时延和多普勒频移的参考径来估计出叠加在这条径上的额外的时延和多普勒，即为定时偏差和载波频率偏差。该方法能够消除定时偏差、载波频率偏差和随机相位。典型的可用作为参考径的是 LoS 径78。当感知信号的收发端设备之间因为遮挡等原因而没有 LoS 径时，可以利用 RIS 进行中继来获得参考径79，如下图 15(b)所示。(a)LOS 径为参考径(b)经 RIS 反射的参考径图

130、15参考径方法示意图3)往返测量方法类似于 NR 定位中的往返时间（Round-Trip Time,RTT）方法，可以通过往返测量来估计出感知信号的收发端设备之间的定时频移和载波频率偏差80。其基本思想是，在较短的时间内（例如，几毫秒到几十毫秒），感知目标的运动状态（位置和速度）没有发生变化；对于同一感知目标，基于感知信号的收发端设备之间相互收发感知信号，进行往返测量得到的信号传播时延和多普勒频移是相同的，而定时偏差和载波频率偏差的绝对值相同、正负号相反，因此可以提取出定时偏差和载波频率偏差。该方法能够消除定时偏差和载波频率偏差。45/91图16往返测量方法示意图4.4 感知感知可信度可信度提

131、升技术提升技术4.4.1 NLoS 感知方法感知方法1)智能超表面感知智能超表面（Reconfigurable In telligent Surface，RIS）具有低成本、低能耗、易部署等独特优势，是目前大规模天线的关键技术之一。RIS 不仅可以直接通过联合优化反射系数直接提升通信性能，从感知辅助通信的角度，RIS 还可以作为无线中继传感器灵活操控信道环境，提供 NLoS 感知功能，将雷达无法利用的非视距自由度加以利用，同时提供额外的感知路径，提升感知覆盖范围并增强感知稳健性，进而运用高精度的感知信息提取信道信息，辅助通信决策，降低开销。通感一体化系统中引入 RIS 可以提升系统资源动态调度

132、的灵活性。在波束管理中，可以实现通信波束与感知波束的分离，从而使系统更好地服务通信目标与感知目标。通过 RIS对环境进行感知监测，在通信需求较大的场景下，可以通过对 RIS 单元的模式进行切换，使一体化系统分配更多的通信波束，提升通信性能。此外，当通信质量不理想时，利用感知获取环境中 RIS 的位置，通过选择合适的 RIS，可获得通信质量相对较好的通信 NLoS 径，或者基于有源 RIS 对通信信号进行进一步增强，从而保证通信质量。2)近场 NLoS 感知在复杂的城市环境中，由于大量分布的障碍物，基站和目标的视距链路很可能被阻挡。由于毫米波信号的路径损耗严重，依赖于 LoS 链路的感知方案将会

133、极大受限。为了解决这个问题，有研究通过识别 LoS 链路并切换备选基站以寻找 LoS 链路63。然而，增加基站同46/91时增加了系统复杂性。实际上，在单基站场景下，即使不存在 LoS 链路，仅利用 NLoS 链路也可以实现目标感知。在无线定位领域，文献64已经实现了在不存在LoS链路时，单基站毫米波大规模MIMO（Multiple-Input Multiple-Output）也可以通过至少 3 条 NLoS 链路实现用户定位。文献65证明了即使当 LoS 链路存在时，NLoS 链路也能对定位性能产生增益。而在 MISO 场景，当LoS 链路不存在时，单基站仍然被认为无法定位66。实际上，当具

134、备引起 NLoS 链路的散射体的位置信息时，定位是可实现的，接下来通过简单的几何关系分析可行性。首先，该分析的有效性基于以下假设67：1高频带信道，如毫米波频段。由于高频带的路径损耗高，接收功率主要由 LoS 链路和单次反弹链路贡献；2在信号与散射体作用过程中，散射占主导。图17单基站感知系统文献68展示了如果基站天线阵列的近场区域存在散射体，单站 NLoS 定位是可能的。具体而言，通过利用超大规模天线阵列（XL 阵列）提供的近场效应的额外距离感知能力，使用单个基站同时进行环境感知和 NLoS UE 定位。在提出的方法中，基站利用 XL 阵列的近场特性通过阵列信号处理直接估计近场散射体的位置，

135、然后作为 UE 定位的虚拟锚点。接着，估计每条路径的传播时延，并根据散射体的位置和路径时延获取 UE 的位置。如图 17，考虑一个单基站感知系统，其中基站配备有天线阵列，目标配备单天线，基站和目标间可以进行通信。目标发射上行毫米波信号，基站接收信号并分析，以感知目标的状态（位置、速度等）。47/91信道可以建模为：,=1L e2,?(4-40)其中，表示多径数量，对应于散射体数量。表示信道系数。表示第条路径的传播时延。,表示第条路径的多普勒频移。目标发送信号 s ，则基站接收信号建模为：y =1Ls 2,+n?(4-41)其中，n 表示加性高斯噪声。为了简化，我们分析 2D 情况。令dT,和d

136、B,分别表示散射体到目标和基站参考天线的距离。表示第个散射体相对于基站参考天线的到达角（Angle ofArrival，AoA）。我们主要关注目标位置 xT,yTT的估计，而速度可以通过每条路径的多普勒频移估计。根据几何关系可以列出以下方程组：dB,+dT,=cxT dB,cos2+yT dB,sin2=dT,2for =1,(4-42)由于基站配备天线阵列，可以估计参数 =1和 =1。然而，当变量 dB,=1和 dT,=1均未知时，方程有 2+2 个未知数，但只有 2个方程，导致方程欠定。若变量 dB,=1是已知的，此时方程有+2 个未知数，而仍有 2个方程，只要当 3 时，方程超定，从而可

137、以通过最小二乘法估计目标位置。而得到dB,是可能的，一方面，在采用超大规模阵列的近场场景，由于阵列导向矢量是关于信号源距离和角度的函数，通过阵列信号处理可以额外估计dB,，即实现环境感知。另一方面，散射体可以是人为设置的，如 RIS，它可以有效应对基站与目标间不存在 LoS 链路的情况。通过控制入射信号的相位，改变反射信号的传播，重建信道以构造额外的 LoS 链路。综上所述，即使在 LoS 链路被阻挡的情况下，仅利用 NLoS 链路可以实现目标感知。4.4.2 杂波抑制方法杂波抑制方法在低空通感一体化系统中，来自低空目标的回波是实现感知算法的有用信号，除此之外还有来自建筑物、树木等大型物体的静

138、态杂波以及其他相关物体的杂波，这些杂波往往相对很强，严重影响感知算法性能，因此需要考虑对这些较强的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。经典杂波抑制方法假设环境中的杂波特性近似保持不变，即将杂波建模为静态杂波。文献69早在 1970 年就提出动目标显示（Moving Target Indication，MTI）算法，MTI 算法利48/91用杂波与运动目标的多普勒频率的差异，使得滤波器的频率响应在直流和脉冲重复频率的整数倍处具有较深的阻带，以达到“多普勒滤波器”的效果。图 18 展示了一阶、二阶、三阶多普勒滤波器在频域上的抑制效果。另一种广泛应用的杂波抑制方法为动目标检测

139、（MovingTarget Detection,MTD）算法，70利用多普勒滤波器组来抑制各种杂波。在此基础上，71提出了一种基于多普勒高通滤波器的杂波抑制技术，基于根 MUSIC 算法来进行目标的运动参数估计。图18不同阶次的MTI滤波器幅频响应低空通感一体化系统中的杂波抑制可以考虑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波滤除掉；也可以考虑采用类似的动目标检测 MTD 算法，首先对各个接收到的感知 OFDM 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的频域信号做快速傅里

140、叶变换（Fast Fourier Transformation，FFT），从而实现多普勒滤波器组的功能，将不同速度的目标落入到不同的多普勒通道中，进一步估计出目标的速度。同时，还可以考虑将 MTI 和 MTD 算法结合，对静态杂波做一定的抑制后再进行动态目标的检测。49/91图19杂波图将空间划分成方位-距离单元另一种广泛应用于目标感知和跟踪的技术是杂波图。杂波图将空间划分为方位、距离单元（如图 19），通过时域平均估算环境中的杂波统计数据，通常选择杂波的空间密度7273。这种技术侧重于单静态场景下杂波强度的统计分布，主要依赖空间固有的杂波信息。因此，基于密度的杂波图对信号传输中的多径效应很敏

141、感。74给出了杂波图算法的每个 cell 的杂波数据更新公式为：?=1?1+(4-43)其中，?为第次的估计值，?1k 为第次的估计值，q 为第 n 次的杂波强度测量值，为遗忘因子，用来表征上一时刻的估计值与当前时刻测量值的权重。通过时间上的加权平均，基站得以在二维空间的每一个 cell 内存储基于空间位置的杂波强度信息。杂波图技术常常结合 CFAR（Constant False-Alarm Rate）技术进行实现，常见的有 CA-CFAR（Cell-Averaging CFAR）、OS-CFAR（Order Statistic CFAR）、CMLD-CFAR（Censored MeanLev

142、el Detector CFAR）等。若基站测量到的强度强于杂波图存储的杂波时间平均强度，则判定为该区域内存在移动目标，杂波图不进行更新；否则判定目标不存在，并且更新该区域的杂波图。考虑杂波的空间特性，在准静态环境中，对于固定位置的基站，可以近似认为基站接收到的杂波来自固定的方向。传统方法需要在接收端对每一次接收信号进行杂波信号与目标信号的分离（通过频域滤波等方式），这样不仅会将杂波抑制误差带入后续目标信号的计算，而且需要极大的在线开销，为在线实时通信与感知带来了挑战。事实上，对于固定的收发机位置，接收信号主要路径的方向可以近似认为是固定的。根据这样的思想，75提出了基于50/91信道知识地图

143、的杂波抑制方法。通过构建杂波角度地图，将杂波角度离线存储下来，作为从收发机位置到空间主要杂波角的映射关系clutter:pUE pUE=1pUE,2pUE,LpUE.L 为空间中主要杂波角的数量。可以将接收信号建模为杂波、目标信号与噪声的和的形式：y =l=1L tls lej2fD,lt?+0s 0ej2fD,0+n(4-44)其中，第一项为杂波信号，第二项为目标信号，最后一项为噪声。空间杂波抑制的核心思想是基站在接收端直接提取当前环境中的主要杂波角的角度，并从空间上进行迫零：ZF=0s0T+(4-45)其中，是阵列在杂波角上的响应,=pUE=1pUE,(2pUE),(LpUE)，将信号投影

144、到与杂波角响应相垂直的空间中去，=H1H。从而，接收端只保留了来自目标方向的信号，因此直接进行角度估计即可感知目标角度。空间杂波抑制法改善的阵列相应和感知精度如图 20、图 21：图20在杂波角度上形成凹陷的阵列相应51/91图21基于先验知识的杂波抑制后感知精度低空经济的发展促进了低空无人机、飞行器等在复杂环境下的广泛应用。这一趋势对通感技术提出了更高要求，尤其在杂波抑制方面，由二维平面扩展到三维空间的复杂场景带来了新的挑战。具体而言，有以下几点关键问题：1)杂波的时空不一致性传统的二维空间杂波抑制通常基于目标和杂波的相对位置关系，通过角度和距离等特征进行抑制。然而，在三维环境中，杂波的分布

145、不仅仅受到水平面和垂直面的限制，并且会随着飞行器的高度、速度等动态因素发生变化，存在时空不一致性。这种时空不一致性导致了传统的二维抑制技术在复杂环境下效果显著下降。例如，低空飞行时，地面建筑物和树木等的杂波在不同视角和高度下表现出截然不同的特性，这使得时域和频域的杂波特征提取难度大幅增加。2)三维散射体的多路径效应增强在二维远场杂波抑制中，常常将散射体视为点目标，且无论散射体形状如何总能将信号散射向基站方向。然而，在三维空间中，杂波往往来源于多种不同类型的散射体，如山体、建筑物、树木等，且这些散射体体积大、规模大，具有不规则的散射特性。同时，多径效应在三维环境中更加复杂，导致目标回波和杂波之间

146、更加难以区分。这种多路径效应不仅会产生更多的杂波干扰，同时会导致杂波在多径传播中累积和增益，使得传统的滤波算法难以适用。此外，不同高度的散射体（例如高楼的顶部和底部）在不同的角度下会产生显著的回波强度差异，进一步增加了杂波抑制的复杂性。3)三维环境下的实时性和计算复杂度挑战随着三维空间内杂波的多样性增加，对实时性的需求也显著提升。传统的二维杂波抑制52/91算法由于计算量相对较小，能够在硬件资源有限的条件下满足实时需求。然而，在三维场景下，目标检测和杂波抑制的计算复杂度大幅增加，尤其是在处理多层次、多角度的杂波时，传统的快速傅里叶变换等算法难以实现实时运算。同时，三维数据的采样和处理需要大量的

147、计算资源，这对低功耗、高效能的嵌入式设备提出了严峻挑战，亟需创新的算法与硬件架构相配合。与此同时，数字低空网络的发展为通感一体化系统中的杂波抑制提供了新的机遇。数字低空网络能够通过低空基站和无人机等节点实现动态协同感知，为杂波抑制提供了多视角、多层次的丰富数据。在这种场景中，各节点可以实时共享感知信息和环境特征，从而实现更为全面的空间覆盖，增强对三维杂波的精准建模与识别。多节点的协同感知可以通过分布式算法对杂波进行综合分析，从而显著降低误报率。此外，协同网络支持不同节点间的杂波数据实时比对，有助于动态调整抑制策略，通过自适应优化的方法针对性地优化杂波抑制效果。同时，数字低空网络有望借助近年来兴

148、起的机器学习方法进一步提高使用效率与精度。数字低空网络能够聚合来自大量无人机、传感器和基站的数据，形成庞大的三维杂波数据库，基于这些数据，机器学习和深度学习技术可以用于训练更加精确的杂波识别模型，通过自适应学习三维环境中杂波的复杂模式和变化特征，显著提升识别精度。此外，基于数字低空网络的实时数据更新机制可以实现模型的持续优化与在线学习，使得杂波抑制模型能够动态适应不断变化的低空环境，从而在不同场景下提供更加可靠的杂波抑制效果。4.5 干扰抑制干扰抑制4.5.1 干扰分析干扰分析图22通信-感知互干扰示意图通感融合干扰广泛存在于整个网络，具有时变性和全局性。为了降低干扰对网络性能的53/91影响

149、，实现感知节点间高效协同，需要采用有效的干扰管理与智能控制技术。本节首先对组网干扰特性进行分析，其次提出环形感知组网方案，实现全局实时性干扰管理，以同时满足网络的感知需求与通信需求。图 23 仿真了蜂窝网络中同站及邻站干扰对感知精度的影响。可以看出，同站邻扇区干扰尤为强烈，有必要进行同站邻扇区干扰管理。此外，在实际应用中，结合不同场景下的感知需求，其他干扰基站进一步进行按需干扰管理，提升感知精度。(a)同站址互干扰强度 CDF 曲线图(b)测距 RMSE 与邻站址干扰强度关系图图23上下行交叉链路干扰对感知精度的影响4.5.2 干扰干扰协调和功控协调和功控4.5.2.1 干扰协调干扰协调在通感

150、一体化系统中，干扰抑制是确保通信与感知功能高效协同的关键。干扰主要分为小区内和小区间两类，具体包括通信与感知之间的互相干扰，以及感知与感知之间的干扰。为了在通感一体化系统中有效抑制这些干扰，可以采取多种技术手段，具体如下：1)小区内干扰抑制策略干扰协调可以采取的策略包括 FDM、TDM、SDM、CDM。这些复用机制，使得通信和感知信号被分到不同的频域、时域、空域或者码域资源上，使得通信和感知信号在资源层面就保留了一定的隔离度，可以有效减少干扰。但是，需要注意的是，上述复用机制也存在一些问题，比如 FDM 需要占用额外的资源，不适用于资源受限的环境；TDM 在实时性和频谱利用效率方面有些限制；S

151、DM 实现复杂度相对较高，需要精确的控制和调整；CDM 在高噪声环境下，码间的互相关性可能导致码间干扰，影响解码的准确性。所以，总体而言，需要根据不同的环境或者情况，灵活使用不同的复用机制。2)小区间干扰抑制策略54/91小区间的干扰通常发生在邻近小区之间的通信和感知信号的相互干扰中。可能的机制包括：基于测量的干扰评估，进行协作感知和信号融合实现对干扰信号的利用，基于灵活的资源配置和动态调整进行发送时间和/或发射功率的灵活调整。以下从从网络整体角度考虑小区间干扰管理，提出协作通感模式“环状”组网方案，通过全局节点间高效协同提升网络整体效率，如图 24 所示，同站址三扇区同时发射感知信号，周边六

152、站十八扇区中的一个或者多个进行协作接收，可有效降低同站址三扇区之间以及相邻站址之间的交叉链路干扰。当感知信号传输存在遮挡物时，可采用宽波束+窄波束扫描方案，以及 NLoS 感知算法以减少遮挡物对信号接收质量的影响。此外，可以结合感知帧结构设计、智能调度等方案，进一步降低远端基站干扰与上行用户干扰。图24环形组网方案示意图4.5.2.2 功率控制功率控制为了有效管理交叉干扰，可以采用干扰协调技术，即对同基站不同扇区、不同基站或者不同用户的通信信号或感知信号进行时分、频分、空分、功分、码分等，规避不同信号之间的干扰碰撞。以功分为例，采用自适应功率控制技术则可减少小区内上行通信用户对其他接收节点的干

153、扰。如图 25 所示，采用等功率分配、固定功率分配及固定功率分配技术可实现通感带宽、发送功率等随感知业务需求自适应动态调整，满足业务数据解调、感知精度需求、时延等需求。55/91(a)等功率分配(b)固定功率分配(c)自适应功率分配图25功率分配方案4.5.3 协作感知中的自适应波束零陷方案协作感知中的自适应波束零陷方案如图 26 所示，对于执行感知任务的节点 A 和节点 B 来说，节点 A 发出的感知信号，除了经由目标到达节点 B 外，还可能存在从节点 A 到节点 B 的直接路径，以及从节点 A，经由其他环境物体的反射，到达节点 B 的多径。所述的后面两种路径的信号，都可以被认为是干扰信号。

154、为了降低干扰信号对有用信号的影响，可以采用干扰零陷的方法，通过干扰零陷预编码设计，使干扰信号方向的能量最小化，从而将能量集中于有用信号的方向。然而对于干扰相对较小的信道空间(如部分 NLoS 径)，进行波束零陷造成的感知精度损失(零空间投影导致的波束功率损失)有可能超过干扰本身带来的精度损失。因此需要选取合适的干扰零陷的零空间个数以及对应的特征向量来构造零空间，使感知传输达到波束赋形和干扰抑制的最佳折中，同时也可降低干扰信道测量反馈的开销。图26存在直射干扰、多径干扰的协作感知系统模型在如图 27 所示的仿真结果中，假设期望的波束方向为 10，例如用户位于节点 C 的 10方向。干扰信号的方向

155、分别为 30和-30。那么，采用干扰零陷算法，如最小方差波束形成算法（Linearly Constrained Minimum Variance，LCMV）后，从波束方向图 27 可见，在 10具有最大的波束能量，而在-30和 30，形成了两个“零陷区”，使得这两个方向的信号能量最弱。56/91图27干扰零陷波束方向图在存在多个干扰方向、干扰信号时，传统的干扰零陷方法是将所有方向的干扰信号全部零陷。但由于不同干扰路径的信号能量不同，例如多径干扰信号的能量较弱，并不会对感知性能造成较大影响，对其进行零陷对性能增益不大，反而会造成有用信号的能量损失。因此，可以采用自适应的部分干扰零陷算法，针对性地

156、对强干扰方向的信号进行零陷，在降低干扰的同时，尽可能地保证有用感知信号的能量，提升感知精度。图 28 的仿真中，假设存在三个干扰径，一个较强的直达径和 2 个较弱的 NLoS 径。分别对比了对三个径都做零陷的全干扰零陷方案和只对一个直达径做零陷，保留 2 个 NLoS 径干扰的自适应干扰零陷方案，结果可知，当感知端口数相对较小时，采用自适应干扰零陷方案的信干噪比(Signal InterferenceNoise Ratio,SINR)有多达 5dB 的性能增益。天线端口数量小通常适用于采用模拟波束赋性的中高频感知系统中。图28不同干扰零陷方案SINR对比图57/914.5.4 参考信号静默算法

157、参考信号静默算法低空通感一体化网络中干扰源比较复杂，存在上下行交叉链路干扰、小区内和小区间的通信-感知/感知-感知等多种干扰，仅通过发射端的干扰零陷或者动态调度难以实时抑制多干扰源产生的干扰。因此将感知信号所处的RE位置或者附近RE预留一部分资源作为静默RE，用来估计感知参考信号所受的实时干扰情况，是一种有效方式。尤其是当静默 RE 配置相对密集时，估计出的干扰可有效反映出相邻感知参考信号所处时频位置受到的真实干扰，且受到干扰类型、强度等变化较小，具有较高的精确度和鲁棒性。如下图所示,图29感知参考信号部分静默示意图假设存在干扰时，接收端在感知 RE 收到的感知协方差信号H为：H=HH+(4-

158、46)其中和是信道矩阵和感知符号，为高斯白噪声功率，为干扰协方差矩阵。同时，在静默 RE 位置由于没有感知信号，可以测出干扰协方差矩阵为。通过干扰删除，即可得到感知 RE 收到的感知信号为?H?=HH+(4-47)进一步，可通过最小二乘法/MMSE 等信道估计算法得到信道估计结果：?=H1H?(4-48)继而可采用 2D-FFT（2 Dimensional-Fast Fourier Transform）/MUSIC 等感知算法进行感知结果估计，如角度/时延/多普勒等。下面通过仿真验证了在部分参考信号 RE 静默用来估计干扰的情况下，减少感知 RE 资源对感知精度的影响。在基础测距场景下，配的的

159、仿真参数为：子载波间隔为 15kHz，信号带宽为 200Mhz，对信号做 1048 个点的 2D-IFFT（2 Dimensional-Inverse Fast Fourier Transform）可以得到信号的速度和距离；信号载波中心频率为 7Ghz，OFDM 时隙为 0.125ms。目标一58/91的位置为（100,-50,1.5），目标二的位置为（200,-20,1.5），目标三的位置为（105,-50,1.5），三个目标的速度依次分别为 20m/s，0m/s，15m/s；三个目标的 RCS 依次为 0.1，0.2，0.8m2。如下图 30 所示，在距离维度，信号随着信道干扰的增加，逐渐

160、被噪声淹没，当信干比为-20dB 的时候，已经完全无法提取目标信号。因此有必要采用干扰抑制算法来提高目标检测性能。图30信干噪比对目标距离检测的影响如下图 31 所示，在距离维度，信号随着频域 FFT 点数的增加系统的距离分辨率逐渐增强，原本相距 5m 在 256 点 FFT 情况下无法分辨的目标 1 和目标 3（淹没在同一主瓣中），在 FFT 点数增加到 512 时，通过设置合适的滤波门限值已经可以清晰被目标检测算法分辨。因此，原本采用 1024 个 RE 进行 1024 点 FFT 的感知参考信号，选取不超过 50%（512）的RE 作为静默 RE 进行干扰估计，不仅可以有效消除干扰，也不

161、会对感知分辨率造成较大影响。并且由于频域 FFT 点数与 RE 资源的频率维度数量之间相关联，在频率维度选择合适的RE 数目可以在节约系统资源的同时也可满足系统的距离分辨率要求。59/91图31减少频域通道对有目标距离精度的影响60/915 通感一体标准化影响通感一体标准化影响本章系统阐述低空通感一体化关键技术对标准化的影响。首先重点论述物理层关键技术标准化，包括参考信号优化设计与 TDD（Time Division Duplexing）帧结构创新方案；然后深入分析资源调度机制的标准化需求，着重探讨通信与感知业务发生资源竞争时的抢占与回避方案；最后全面阐述通感系统信令交互的标准化框架，重点涵盖

162、基站间接口信令交互优化以及终端与基站间 Uu 接口信令增强方案，为低空通感一体化系统的标准化部署提供技术支撑。5.1 参考信号设计参考信号设计基于现有通信系统的 OFDM 波形，典型的感知实现算法是 2D-FFT 处理算法，可用于测距和测速。2D-FFT 算法利用信号的传播时延引起的频偏进行测距。最大测距范围为Rmax=c2f，测距精度为R=c2Kf，其中f=nf，f指感知信号所占用的子载波之间的间隔，f为子载波间隔，n 为频域 Comb，K 为实际占用的子载波个数。在感知所用子载波个数不变的条件下，当采取稀疏的频域配置时，f较大，测距精度高，但是最大测距范围小；当采取密集的频域配置时，f较小

163、，最大测距范围大，但是测距精度低。这里测距精度和最大测距范围（也称最大不模糊距离）是一个权衡。因此，可根据不同的需求以及可用时频资源，考虑非均匀的参考信号频域配置方法，来更好的处理测距精度和最大测距范围的权衡。对于均匀频域映射和非均匀频域映射，利用图 32 所示的频域资源图样进行了链路仿真，仿真结果如图 33 所示。图 32 的资源图样中，均匀映射和非均匀映射占用资源数相同（均为240 个 RE）,由于均匀参考信号中 RS0 和非均匀参考信号中 RS2 的等效子载波间隔均为 2f，均匀映射和非均匀映射所对应的最大测距范围相同（均为Rmax=c2f=c4f）。从图 30 可以看出，当占用参考信号

164、的感知频域资源数与最大测距范围均相同的时候，非均匀映射比均匀映射的测距误差减低。61/91图32均匀映射与非均匀映射的频域占用情况对比图33均匀映射与非均匀映射的测距精度对比对于测速以及时域资源配置，与上述测距以及频域资源配置的关系类似。最大不模糊速度为vmax=4Tc，Tc表示符号间隔。假设一个周期传输 N 个符号，速度维频率分辨率为 2/N，则速度分辨率为v=2NTc。最大不模糊速度与两个符号的间隔有关，速度分辨率与发送符号的总时长有关。为了准确的测速（最大不模糊速度和速度分辨率），需要减小感知符号间隔，拉长感知周期，这会造成较大的资源开销，对通信影响较大，因此必须在资源开销和测速准确度之

165、间寻找折中方案。对于通感一体系统，要求在有限的资源下实现速度测量，这对资源配置方案提出了更高的要求，可考虑利用双周期测量来平衡速度测量与资源开销。双周期测量利用第一个周期来确保最大不模糊速度，而第二个周期则用于提升速度分辨率。通过双周期测量，当 N=N1N2时，我们同样能够保持这样的性能，既保证速度测量的准确性，又有效地控制感知资源，如图 34 所示。第一个周期P1持续时间短，但是配置符号密，符号间隔为Tc=/4vmax，包括N162/91个符号，此时最大不模糊速度v1=4Tc；第二个周期P2持续时间长，但是配置符号稀疏，符号间隔为T2=N1Tc，包括N2个符号（N2=P2/T2），速度分辨率

166、为v2=2N2N1Tc。图34双周期配置感知信号下面对双周期配置进行仿真验证，其中感知精度要求为：最大不模糊速度需求为vmax=57.7m/s;速度分辨率需求为v=0.48m/s。根据最大不模糊速度配置周期 1 的参数为Tc=0.5ms，N1=6，P1=3ms；然后根据速度分辨率配置周期 2 的参数为T2=N1Tc=3ms，N2=40，P2=120ms。速度设定 v=24m/s，通过仿真估计得到速度为vesti=(2 1)19.2308+(11 1)0.4808=24.04m/s（如图 35 所示），即验证了双周期配置的可行性。（a）第一个周期 FFT 结果（b）第二个周期 FFT 结果图35

167、通过仿真验证双周期配置的可行性5.2 TDD 帧结构配置帧结构配置在低空场景中，由于需要同时满足通信和感知的需求，通信和感知的信号要进行融合设计。在 5G 中，低频通常是采用 2.5ms 双周期的帧结构（图中的 S 是灵活时隙、D 为下行、U 为上行、G 为保护间隔），如图 36 所示。63/91图36 2.5ms双周期帧结构在上述帧结构中，需要考虑低干扰、低开销以及对通信影响最小的设计思路，将感知信号放在每 2.5ms 开始的第一个下行时隙中，优选上行时隙后的下行时隙的前几个 OFDM 符号发送感知信号，达到规避远端干扰的效果，如图 37 所示。感知占用的符号可以根据业务的需求设计，并且可以

168、可以融合上面的双波形、双周期设计等方案。调整感知和通信的配比，可以满足不同感知场景的业务需求。未来可以考虑进一步的提高感知的开销占比来提高感知的性能。图37感知和通信融合的帧结构设计5.3 资源抢占与回避资源抢占与回避在通感一体化系统中，可能出现资源冲突的问题。一旦发生资源冲突可能对感知过程和通信过程造成影响，甚至造成感知或者通信失败。资源冲突可能包括两大类：1)感知资源-感知资源之间的冲突，例如：相邻的两个感知信号发送设备：在相同的时频资源上发送了相同的感知信号。该场景下，可以要求相邻两个感知设备发送的感知信号不同（最好是正交），或者，要求相邻两个基站使用的感知频率不同。基站对于其感知资源有

169、独立的控制能力，即：相邻基站不会就其所使64/91用的感知资源进行协商，各自独立配置感知资源。但是，在网络部署时，可以要求两个相邻的基站使用不同的感知频率和/或不同的感知信号。同一个设备参与了多个感知操作：该场景下，可以要求多个感知操作的感知资源配置设备之间进行资源协商，避免该类冲突。或者，可以基于感知业务的优先级，确定只执行优先级较高的感知业务。2)感知资源-通信资源之间的冲突，例如：如果感知资源与通信资源共享物理资源，可能发该类冲突，然后造成感知或者通信失败。在协作感知场景中通感冲突的问题尤为严重。如果需要解决感知资源和通信资源的冲突，可以从以下几个方面考虑：干扰协调/删除，具体包括：小区

170、内/间干扰协调策略，包括频分复用（Frequency Division Multiplexing，FDM）、时分复用（Time division multiplexing，TDM）、空分复用（Spatial DivisionMultiplexing，SDM）、码分复用（Code Division Multiplexing，CDM）等方式。通感资源冲突解决方案，具体包括：设置资源优先级，根据优先级决定通信和感知之间的处理顺序：优先级可能有两类，感知资源优先级高于通信资源优先级，或者，感知资源优先级低于通信资源优先级。不过，需要注意的是，感知资源本身可能也有优先级，使用不同感知资源的感知业务可能优

171、先级不同；通信资源本身也有优先级，因为使用通信资源的通信业务可能优先级或者重要性也不同。资源抢占：发送指示信息，让感知抢占已经调度给通信的资源完成感知任务：这实际上是一种动态的资源优先级指示。不过需要强调的是，第一，感知资源不仅仅会与通信的数据传输资源冲突，还可能与控制信道资源冲突。如果是与控制信道发送资源冲突，那么，如何进行资源抢占，可能是一个需要讨论的问题。第二，即使是与数据传输资源冲突，如果是跨子帧调度或者多子帧调度，网络还可能在调度PDSCH 之后、传输 PDSCH 之前发送资源抢占指示信息。否则，发送资源抢占指示信息的时间是不是足够值得商榷。资源回避：使用速率匹配，使得通信资源避开感

172、知资源：当前的通信系统中，已经支持速率匹配机制。比如，可以通过速率匹配的方式让 PDSCH 避开一些不可用的资源位置（比如其它 UE 的 PDCCH 资源、预留资源等）。因此，如果感知资源65/91与 PDSCH 的资源发生冲突，感知信号位置也可看作不可用，使用速率匹配的方式避免感知资源和 PDSCH 资源的冲突。5.3.1 资源抢占指示资源抢占指示感知业务可能存在突发性，因此在通感一体化系统中，感知信号传输可能需要抢占通信业务传输资源。在基站 A 发基站 B 收的感知模式下，突发的感知信号传输既可能与小区 A中的 PDSCH 冲突，也可能与小区 B 中的 PUSCH 冲突，需要设计上下行冲突

173、解决机制。图38感知信号和上下行通信 传输冲突示意图面向 A 发 B 收感知模式的资源冲突解决机制应具有以下特点：上行资源冲突和下行资源冲突的指示范围和粒度应具有一致性。对于小区 A 和小区 B 来说，感知信号所占的资源相同，这与目前 NR 系统中上行高可靠低时延（ultra-reliable and low-latency communication，URLLC）和上行增强移动宽带（enhanced Mobile Broadband，eMBB）、下行 URLLC 和下行 eMBB 的冲突不同。NR 系统中，考虑到终端功率受限，URLLC PUSCH 相比 URLLC PDSCH 一般占用更少

174、的时频资源，上行取消指示的资源范围和粒度需要更小。因此，面向 A 发 B收感知模式的资源冲突解决机制中，下行抢占指示和上行取消指示的资源范围和粒度应具有一致性。此外，不同感知性能需求需要感知信号占用较多时域资源或较多频域资源，或者两种资源都较多，这就要求冲突资源的指示范围和粒度应更加灵活。抢占指示应携带业务优先级。由于通感系统中存在不同的感知模式（如基站自发自收、基站 A 发基站 B 收、基站发终端收、终端发基站收、终端自发自收、终端 A发终端 B 收）、不同的感知用例（如感知移动目标、感知静态目标）对于感知测量量、各测量量的精度要求都具有差异性，业务优先级更加复杂。因此，需要在冲突指示中携带

175、业务优先级，即感知业务的优先级是否高于通信业务，从而支持终端根据优先级确定是否需要忽略相应的下行传输或取消相应的上行传输。基于上述分析，我们认为上下行通感资源冲突指示信令可以使用同一种 DCI format，该66/91DCI 应至少包含 1 bit 链路上下行方向指示域、N bits 优先级指示域、M 个冲突资源位置指示。5.3.2 资源回避资源回避通信系统中，可以通过速率匹配的方式让 PDSCH 避开一些不可用的资源位置。感知信号也可看作一种不可用资源，使用速率匹配的方式避免感知和 PDSCH 的冲突。如图 39 所示，基站 A 和基站 B 进行协作感知，感知资源与基站 A 服务的 UE

176、资源冲突时，可以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 级别，可以根据感知符号的配置决定使用 RB 级速率匹配还是 RE 级速率匹配：如果感知信号占用的频域资源较多，使用 RB 级别的速率匹配；如果感知信号占用的频域资源较少，使用 RE 级别的速率匹配。图39速率匹配示意图5.4 信令交互信令交互5.4.1 基站间信令交互基站间信令交互5.4.1.1 感知节点选择感知节点选择感知节点选择，首先要根据感知业务需求，选择感知区域，和感知模式。然后根据选择的感知模式和感知区域，通过基站间信令交互选择并通知参与感知的基站和/或终端。感知节点的选择，也与感知

177、模式有关。比如，如果是基站发送-基站感知或者基站自发自收的感知模式，感知节点的选择权可能在感知管理功能单元(SMF，Sensing ManagementFunction)。因为感知功能单元更容易获得感知区域内基站的感知能力信息。当然，对于基站发送-基站接收的感知模式，也可以采用混合的感知节点选择模式，比如，SMF 选择感知信号发送基站，而由感知信号发送基站通过基站间信令交互选择感知信号接收基站。对于其它的感知模式，比如基站发送-UE 接收、UE 发送-基站接收、UE 自发自收和 UE发送-UE 接收，可能需要采取混合的的感知节点选择模式。比如，根据感知区域通过基站间67/91信令交互首先选择一

178、个基站，由该基站负责选取一个或者多个 UE 参与感知信号发送和/或感知信号接收；或者有基站选择感知信号发送 UE，进一步由感知信号发送 UE 选择感知响应接收 UE。具有感知节点选择权的设备在选择感知节点时，也需要考虑多方面的因素。以终端参与感知的感知模式选择终端为例，影响终端感知节点选择的因素可能包括：感知终端的移动性：对大多数感知业务而言，如果在感知业务期间感知节点保持相对静止，就比较容易得到稳定准确的感知目标信息。因此，可以根据感知业务需要，选择静止或者相对静止的终端作为感知节点。当然，对于感知精度要求低或不要求测量感知角度等业务，终端小范围的移动或转动并不会对感知结果有太大影响；感知能

179、力是否满足感知业务的需求：感知能力包括：支持的感知测量量（如时延、多普勒、角度、成像等），可以达到的感知精度和分辨率，能覆盖的感知范围，可进行的感知时间等。这些能力可以通过终端上报获得；感知 SINR 是否满足需求：只有当感知 SINR 达到一定水平目标才能被准确检测到，所以要选择感知 SINR 满足需求的终端；终端节点的位置以及位置精度是否满足要求：需要估计目标位置和速度等感知业务一般需要知道发送和接收节点的准确位置。位置信息的准确程度对感知结果有一定影响，所以需要根据感知业务精度要求选择能提供对应位置精度的节点。比如位置精度要求高时，要选择 positioning 精度高，或支持 GPS

180、定位，或已知部署位置的终端节点。另外，还可以考虑的信息是设备状态：设备是否正在进行感知/通信业务、当前可用频带、可使用的计算资源等。类似的，在选择参与感知基站的时，也需要考虑基站具有参与感知的能力，感知的信号强度，以及是否存在感知 LoS 径等因素。当然，如果考虑卫星设备作为基站参与感知，还需要考虑基站的移动性因素。5.4.1.2 移动性移动性移动性需要考虑的可能场景包括：由于感知目标和/或感知节点移动，感知目标与感知节点的相对位置较远，感知目标回波信号信噪比低，导致感知性能下降。例如，无人机路径管理用例中，随着无人机移动，无人机与进行感知的基站相对位置可能会过远。由于感知目标和/或感知节点和

181、/或环境物体移动，感知目标与感知节点之间出现遮68/91挡，感知目标回波信号较弱，甚至检测不到感知目标回波信号，导致感知性能下降。由于感知目标和/或感知节点移动，感知目标与感知节点之间的相对方位发生变化，非各向同性反射/散射可能导致感知目标回波信号信噪比低，导致感知性能下降。在上述场景下，由于移动性可能带来感知业务连续性的问题：当前的感知链路可能不再可靠，需要通过基站间信令交互进行感知节点重选和感知链路重建，才能满足感知业务的需求。5.4.2 终端终端-基站信令交互基站信令交互5.4.2.1 感知结果感知结果资源映射资源映射在基站发终端收的感知模式下，终端需要通过终端-基站信令交互将感知测量结

182、果上报至网络侧，上报途径可以是物理层或应用层。当感知功能位于接入网时，一方面感知数据或感知结果可以用于网络优化，实现感知辅助通信，另一方面物理层处理时延小，通过物理层上报至基站有利于更快速确定目标状态，从而提升追踪目标的实时性。如何通过物理信道高效传输感知测量结果需要设计。1)感知测量结果的物理层传输方式作为一种新引入的信息类型，感知测量结果既可以作为上行控制信息（Uplink ControlInformation，UCI），也可以作为上行数据（UL data）传输。如果作为 UL data 在 PUSCH上传输，编码调制方式可以更加灵活，但一方面由于增加了终端发送的 PUSCH 类型，调度开

183、销将同步增加，另一方面 PUSCH 由于可以通过 HARQ（Hybrid Automatic Repeat Request）重传提升传输性能，对可靠性的要求比 PUCCH 低，因此这种传输方式可能无法满足某些感知业务的高可靠性要求或低时延要求。如果作为 UCI 在 PUCCH 上传输，则载荷大小存在一定的局限性。因此，感知结果作为 UCI 和其他类型的 UCI 或 UL data 在 PUSCH 上复用传输是一种比较高效的方式。2)感知测量结果与 HARQ-ACK（Acknowledge Character）、CSI、UL data 的复用规则UCI 在 PUSCH 中的位置与其传输可靠性要求

184、、信息完整性要求有关，比如 HARQ-ACK的传输对可靠性要求越高，应尽量靠近信道状态信息；CSI part 1 对信息完整性要求较高，应尽量从第一个符号开始映射。基于此，根据不同类型感知业务的不同可靠性要求或优先级，可以为感知测量结果（记为感知信息）灵活配置码率补偿因子和资源映射类型。感知业务的优先级越高，意味着感知业务对信息完整性要求越高，则应该从较早的符号开始映射；感知69/91业务的可靠性要求越高，则应该从靠近 DMRS（Demodulation Reference Signal）的符号开始映射，且码率补偿因子应该越大以使码率越低。假设感知信息的可靠性要求与 HARQ-ACK一致为例，

185、各 UCI 与 UL data 在 PUSCH 的映射情况如图 40 所示。图40感知信息资源复用示意图5.4.2.2 感知结果上报感知结果上报网络化通感一体是面向 6G 的关键技术。利用通信/感知信号进行感知可支持目标检测、高精度定位、环境重构、成像等新业务，可广泛应用于室内定位、无人机、智慧车辆、物联网等应用场景中，助力于万物互联。在现有协议中，存在一些定位方法，即定位服务器（Location Management Function,LMF）根据 RSRP、时延（差）、角度等测量量确定目标的位置。但是对于更广泛的感知业务/感知需求来说，需要更多的测量量，这对测量量上报顺序和数据压缩提出了更

186、高的要求。无论进行独立感知还是协作感知，在进行目标感知时，都可以获取很多感知测量量，如何高效的进行测量量上报是需要关注的问题。在移动网络中，感知实体需要根据网络需求进行感知。为了解决协作高精度感知中测量量频繁交互和资源利用率不高的问题，我们提出了一种感知测量量上报机制。该机制通过定义测量量优先级排序方案，以及数据压缩方案，确保收发双方无歧义理解，保留更重要的交互内容，并提升资源利用率和感知性能。在感知任务中，有多个径和多种测量量信息需要上报，感知实体根据感知节点能力，配置多个径/测量量的上报顺序，其中上报顺序包括配置径的优先级和测量量的优先级，测量量的优先级顺序和径的优先级顺序可通过网络配置获

187、得。由此得到，感知节点需要上报多条径的多个测量量。径 1：测量量 1，2，.，P.径 M：测量量 1，2，.，P70/91首先讨论多个径多个测量量的排序问题，提出两种测量量的排序方式。1)排序方式 1：先径后测量量，即按照每条径对所有测量量进行依次排序，示意图如图 41所示，其中 resource info 表示一些固定量，Am、Bm、Cm分别表示第 m 条径不同的测量量。图41排序方式12)排序方式 2：先测量量后径，即按照每个测量量对所有径进行依次排序，示意图如图 42所示。Am、Bm、.Xm分别表示第 m 条径不同的测量量。图42排序方式2在实际网络环境中，可能存在感知上报资源不充足的问

188、题，则需要考虑径的优先级和或测量量的优先级。考虑优先级情况，将测量量上报内容分为 Sensing-1 和 Sensing-2。其中Sensing-1 大小固定，包含 resource info 和重要测量量，如果没有占满则对应比特置为 0。Sensing-2 包括其他优先级较低的测量量。其中 Sensing-1 的内容可包括：1）优先级较高的前 m 个径的所有测量量；2）所有 M 个径的优先级较高的前 p 个测量量；3）优先级较高的前 m 个径且优先级较高的前 p 个测量量；此外，对于感知测量量的上报问题，提出一种数据压缩方案，即第一条径进行所有测量量的上报，后面对于任意一条径的测量量，都与前

189、一条径的测量量做差分，若当前需求下需要的测量量差值都在某个范围内，则当前径的测量量只需上报与前一条径的差值。图43数据压缩示意图通过配置感知测量量上报规则，实现了在协作高精度感知中高效、准确地传输感知数据，不仅确保双方对测量量组合无歧义的理解，还能够优先传输更重要的感知数据。5.4.2.3 多点型目标下感知波束激活多点型目标下感知波束激活/切换模式切换模式现有的感知技术研究一般将目标建模为理想的单点型目标，导致只发送单个感知信号进71/91行感知，这将无法对目标进行姿态识别和成像。但被感知的真实目标，如建筑、车辆、行人等，往往具有一定的尺寸，需要建模为多点型目标。对于多点型目标，需要发送多个参

190、考信号关联多个波束来探测同一个目标的多个点，进而综合获得感知结果。为实现这一技术效果，感知基站需要通过终端-基站信令交互向终端指示多参考信号的关联关系，终端需要进行多参考信号的联合处理和感知结果融合。如果不对同一目标的多个参考信号进行关联指示，终端会误认为多个参考信号探测到多个目标，导致感知性能不佳，如图 44 所示。图44无关联信息时，终端对目标错判为指示发送节点发送的多个参考信号是用于探测同一目标的多个点，可以采取以下方式：设计控制信令 MAC CE（Media Access Control Control Element）中的 TCI（TransmissionCondition Indi

191、cator）state ID 表格，指示目标在一定区域内的不同子区域时，其包含的多个点上，是否有参考信号进行探测。例如，将某一感知区域划分为 8 个子区域，代表目标可能存在的 8 个位置，在每个位置，目标最多有 4 个点，如图 45 所示。当目标从区域 1 运动到区域 2 时，更新 MAC CE TCI state 列表。一种可能的 TCI state ID 列表如表 4 所示。Fi,j表示在特定区域的第 i 个子区域，第 j 个点上，是否有参考信号。Fi,j取0则代表无参考信号，取1则代表有参考信号。图45多点型目标所在区域划分与更新表4所提用于多点型目标感知的TCI MAC CE结构72/

192、9173/916 低空通感试验验证低空通感试验验证本章主要阐述低空中的通感一体化中部分业内公司的试验验证的进展。首先分别介绍了二家公司室内验证的进展，主要包括波形测试、通感性能测试、干扰抑制和同步验证。接下来介绍了外场验证主要进展，外场验证包含低频外场验证和高频外场验证，其中低频外场验证又进一步分为自发自收和协作感知两种模式：自发自收模式中，主要验证无人机的飞行轨迹追踪、业务速率和感知性能；协作感知模式中，主要验证了高精度同步和感知性能。在高频外场验证中，主要完成了在多无人机同时飞行下的高精度感知距离、感知高度和感知速度的测试。6.1 室内验证室内验证1)诺基亚贝尔在实验室环境中，由于测试场地

193、的限制，待测感知目标的距离和运动速度的可测范围非常有限，通常距离都在 30 米以内，运动速度小于 3 米/秒，远远不能满足大多数室外场景的测试需求。为了能在实验室环境全面验证通感一体化系统性能，可以引入目标回波信号仿真器，通过软件配置搭建所需要的测试场景。诺基亚贝尔搭建的通感一体化系统实验室验证平台如图 46 所示，包括待测通感一体化基站、通信终端、目标回波信号仿真器以及相应射频前端和喇叭天线，其中射频前端用于将目标回波信号仿真器的工作频率变换到待测通感一体化系统的载波频率。测试过程中，需要根据测试场景需求把目标回波信号仿真器和通信终端放置于所需位置，比如测试通信、感知空分复用时需要目标回波信

194、号仿真器天线和通信终端放置于指定方向。图46通感一体化系统实验室验证平台74/91合理校准目标回波信号仿真器后，可以通过软件设置若干目标，配置各个目标的距离、运动速度和雷达散射截面积，完成待测通感一体化系统的测距精度、距离分辨率、最大/最小检测距离、测速精度、速度分辨率、最大/最小检测速度、测角精度等基础感知性能的测试。同时，可以改变通信终端测试条件，测试通信功能系统吞吐率、通感干扰消除性能。也可以更换发射波形，验证不同通感一体化波形的性能和通感融合指标。图 47 展示了利用上述通感一体化系统实验室验证平台实现的通感一体化波形测试、通感空分复用测试、通感干扰消除测试所得到的关键成果。(a)通感

195、一体化波形测试(b)通感波分复用测试75/91(c)通感干扰消除测试图47通感一体化系统实验室验证平台测试结果2)中国移动中国移动高频网络协作通感一体原型样机采用 26GHz 频段，带宽 400MHz，其中单个基站如图 48 所示，已完成节点间时间同步测试验证。该测试利用节点 A 发送感知信号，节点 B 接收直达径信号和经目标反射的回波信号，基于参考径时间同步算法实现收发节点间时间同步，从而保证协作感知的可靠性。实验结果显示，高频网络协作通感一体原型基站能够把感知站点之间的时延误差控制在2ns 以内，对感知结果的影响控制在0.5m 以内。该技术验证为低空经济、智慧城市等多个前沿领域的应用奠定基

196、础。图48高频网络协作通感一体样机76/916.2 外场验证外场验证6.2.1 低频外场验证低频外场验证6.2.1.1 自发自收自发自收2024 年 4 月，中兴通讯携手中国移动在深圳人才公园共同完成了 4.9GHz 5G-A 通感一体低空场景能力验证测试，本次测试以多个 5G-A 自发自收通感一体基站实现多站协同，成功验证了拉远探测、多目标复杂轨迹探测、多站协同下的无人机连续轨迹跟踪、低空安防的电子围栏入侵预警、美团外卖无人机航线感知等测试用例，基本覆盖了低空感知场景全业务。下图 49 展示了无人机最大拉远探测距离可达人才公园满量程。下图 50 演示了低空多站协同下实现多目标复杂轨迹跟踪。图

197、49无人机最远距离测试图50低空多站协同实现多目标复杂轨迹跟踪中信科采用面向 5G-A4.9G 频段通感一体化基站设备，在外场环境下进行低空通信与感知的测试验证，完成以下测试内容：无人机低空业务速率验证、低空感知性能验证。测试中采用测试终端和无人机。测试环境包括 5G 核心网一套、网管及感知服务平台等。整体采用 BBU(Baseband Unit)+AAU（Active Antenna Unit）的方案，采用 S111 进行单站和组网测试。77/91图51室外环境实验网场景测试规划示意图1)低空无人机业务速率验证低空无人机业务速率验证的室外空口环境下的系统功能和性能指标测试，需要无人机 1台，

198、测试终端 1 台。对 5G-A 基站低频系统进行室外空口连续覆盖环境下的低空无人机业务速率系统性能测试，包括单用户吞吐量测试、覆盖能力等。1低空无人机上行业务速率测试，通感一体场景对上行业务用户速率预期没有影响，重点验证开启和关闭感知功能时低空无人机的上行 MIMO 的性能，测试内容包括：上行覆盖性能测试、上行多流业务接收性能测试、无人机不同飞行路径上行吞吐量测试。对测试结果进行对比，开启和关闭感知功能时对上行业务用户速率方面没有影响。2低空无人机下行业务速率测试，通感一体场景预期对下行时隙的影响主要为感知帧结构导致部分下行时隙不能用于业务传输，重点验证开启和关闭感知功能时低空无人机的下行 M

199、IMO 的性能，测试内容包括：下行覆盖性能验证、下行多流业务性能验证、无人机不同飞行路径下行吞吐量测试。对测试结果进行对比，开启感知功能时相对于关闭感知功能对下行业务用户速率方面的影响，下降不超过 20%。2)低空感知性能验证低空感知性能验证的室外空口环境下的系统功能和性能指标测试，需要无人机 1 台。对5G-A 基站低频系统进行室外空口连续覆盖环境下的低空感知系统性能测试，包括感知距离、感知角度、感知目标移动速度、感知识别率等。1低空无人机感知距离测试，通感一体场景，重点验证开启感知功能时，低空无人机的感知距离的性能，测试内容包括：无人机不同飞行高度的感知结果性能、无人机不同飞行78/91距

200、离基站最大、最小距离的感知结果性能、无人机不同飞行路径的感知距离精度性能。2低空无人机感知目标移动速度测试，通感一体场景，重点验证开启感知功能时，低空无人机的感知目标移动速度的性能，内容包括：无人机不同飞行速度的感知结果性能、无人机不同飞行速度基站最大、最小移动速度的感知结果性能、无人机不同飞行速度不同路径的感知速度精度性能。3低空无人机感知角度测试，通感一体场景，重点验证开启感知功能时，低空无人机的感知角度的性能，内容包括：无人机不同飞行高度、不同角度的感知结果性能、无人机不同飞行角度与基站相对最大、最小角度的感知结果性能、无人机不同飞行速度不同路径的感知角度精度性能。4低空无人机感知目标识

201、别成功率测试，通感一体场景，重点验证开启感知功能时，低空无人机的感知目标识别成功率的性能，内容包括：无人机不同飞行高度时感知目标识别成功率性能、无人机不同飞行路径时感知目标识别成功率性能。6.2.1.2 协作感知协作感知中国移动采用 4.9GHz 频点下，100MHz 带宽进行验证。考虑基站间协作的低频网络协作通感，原型样机采用 4.9GHz 频段，开展面向室外低空无人机场景的测试验证。该测试利用不同站址的基站对感知信号进行发送和接收，通过创新的同步差分算法消除收发站点时钟同步误差，实现低空无人机的高精度检测、识别和定位。实测结果显示，该低频基站间协作原型样机感知覆盖距离达到 1km，在 95

202、%置信度下，感知水平/垂直精度达到米级，多目标最小感知距离分辨率达到米级，虚检率、漏检率均可达到 5%以下，可满足低空安防和低空经济的应用需求。图52低频网络基站间协作通感原型样机无人机探测场景79/916.2.2 高频外场验证高频外场验证中兴通讯联合中国联通以及产业伙伴在河南南阳成功完成 5G-A 通感基站规模组网及20 架无人机机群试验，标志着智联无人机和空中交通管理等领域的“颠覆性突破”即将进入大众视野。此次试验完成了多机型感知距离、感知高度、感知速度的测试，并涵盖了多无人机复杂图形、电子围栏、最小感知物等多项能力测试，均达到目标性能，尤其是在业界首次实现了20 架无人机机群同时飞行感知

203、多轮次检测 0 漏检的能力测试。这些测试不仅验证了 5G-A低空通感技术在复杂环境下的稳定性和可靠性，还发掘了其在大规模网络部署方面的优势。图5320架无人机的同时验证中兴通讯携手中国电信已经在南京滨江经济开发区完成 10 个通感基站建设开通，完成滨江上空 10 平方公里低空通感覆盖。通感一体规模组网的落地，可以消除单站“灯顶黑”问题，实现区域内感知无死角覆盖。通过规模组网、跨站协同、算力协同，消除单站感知盲区，实现任意角度零漏检，并且可以实现复杂轨迹跟踪，如图 54 所示。图54低空无人机复杂轨迹跟踪80/917 总结与展望总结与展望未来数字低空将传统交通网从地面向低空空域延伸，创造全新的低

204、空交通数字空间，形成新型三维立体化交通物流体系。6G 网络可利用通感一体化技术实现对低空区域的网络覆盖，弥补传统雷达的不足，实现环境感知构建、无人机高精度定位和无缝切换等功能，在快递物流、农业植保、应急救援、低空安防等多种领域中创造经济价值，打造未来万亿级的新型市场规模。本白皮书从数字低空对通感一体化的技术需求出发，首先，介绍了通感一体技术发展现状和挑战，包括国内外各标准与组织和前瞻研究的现状，以及通感一体赋能数字低空面临的挑战。其次，通过介绍通感融合理论，包括通信和感知的评价指标，以及多模态融合理论，为通感一体赋能数字低空提供理论基础。再次，介绍了低空通感的空口关键技术，包括覆盖增强、感知精

205、度提升和干扰抑制等技术方案，为数字低空通感一体网络的产品和标准落地提供了技术指引。而后，介绍了通感一体技术对未来标准化的影响，主要包括对协议中的网络架构和空口的设计改动，为后续通感标准化的开展做出铺垫。最后，本白皮书介绍了低空通感试验验证工作进展，推动低空通感从理论研究到产业落地。面向未来，低空通感一体化技术仍需要加强跨域技术的协调与融合创新，进一步研究和突破通感系统基础理论、非理想因素解决方案、标准化开展和落地、系统平台构建与试验验证等，同时希望加强国际合作，进一步汇聚国内外产学研等各方力量，有效协同和推动通感融合技术的国际化、标准化、产业及应用培育等工作，助力低空经济、智慧交通、智慧工厂等

206、行业快速发展。81/91缩略语列表缩略语列表缩略语英文全名中文解释AAUActive Antenna Unit有源天线单元ACKAcknowledge Character确认字符ADS-BAuto Dependent Surveillance-System广播式自动相关监视系统AGVAutomated Guided Vehicle自动导引运输车AOAAngle ofArrival到达角AoDAngle of Departure离开角AWGNAdditive White Gaussion Noise加性高斯白噪声BBUBaseband Unit基带处理单元BSBase Station基站CA-C

207、FARCell-Averaging Constant False Alarm Rate单元平均恒定虚警率CBFConventional Beamforming常规波束形成CCSAChina Communications StandardsAssociation中国通信标准化协会CDFCumulative Distribution Function累积分布函数CDMCode Division Multiplexing码分复用FDMFrequency Division Multiplexing频分复用CFARConstant False-Alarm Rate恒虚警率CMLD-CFARCensore

208、d Mean Level Detector CFAR删除均值CFARCRLBCramr Rao Lower Bound克拉美罗下界CRSCell Reference Signal小区参考信号CSIChannel-State Information信道状态信息CSI-RSChannel-State Information Reference Signal信道状态信息参考信号CWContinuous Waveform连续波形DOADirection of Arrival到达角DMRSDemodulation Reference Signal解调参考信号EFIMEquivalent Fishers

209、Information Matrix等效费希尔矩阵82/91eMBBEnhanced Mobile Broadband增强移动宽带ESPRITEstimation of Signal Parameters viaRotational Invariance Techniques天线阵列的旋转不变性来估计信号的参数eVTOLelectric Vertical Take-off and Landing电动垂直起降飞行器FAAFederalAviation Administration美国联邦航空管理局FFTFast Fourier Transformation快速傅里叶变换FMCWFrequency

210、 Modulated ContinuousWaveform调频连续波形GISGeographic Information System地理信息系统HARQHybrid Automatic Repeat Request混合自动重传请求ICIInter-Carrier Interference载波间干扰IMTInternational Mobile Telecommunications国际移动通信IEEEInstitute of Electrical and ElectronicsEngineers电气与电子工程师协会ITUInternational Telecommunication Union

211、国际电信联盟ISACIntegrated Sensing and Communication通信感知一体化LCMVLinearly Constrained Minimum Variance最小方差波束形成算法LFMLiner Frequency Modulation线性调频波形LMFLocation Management Function定位服务器MACMedia Access Control媒体访问控制MAC CEMedia Access Control Control Element媒体访问控制控制单元MIMutual Information互信息MIMOMultiple-Input Mu

212、ltiple-Output多输入多输出MMSEMinimum Mean Square Error最小均方误差MSEMean Squared Error均方误差MTDMoving Target Indicator动目标显示MTDMoving Target Detection动目标检测MTIMoving Target Indication动目标显示MUSICMultiple Signal Classification algorithm多重信号分离算法83/91NASANationalAeronautics and SpaceAdministration美国航空航天局NeRFNeural Radi

213、ance Fields神经辐射场NLoSNon-Line-Of-Sight非视距OFDMOrthogonal Frequency Division Multiplexing正交频分复用OS-CFAROrder Statistic CFAR序统计类CFAR检测器OTFSOrthogonal Time Frequency and Space正交时频空PAPRPeak to Average Power Ratio峰值平均功率比PDCCHPhysical Downlink Control Channel物理下行控制信道PDSCHPhysical Downlink Shared Channel物理下行数

214、据信道PCWPhase Coded Waveform相位编码波形PRFPulse Repetition Frequency脉冲重复频率PWPulse Waveform脉冲波形QoSQuality of Service服务质量RCSRadar Cross Section雷达散射截面积RISReconfigurable Intelligent Surface智能超表面RMSERoot Mean Squared Error均方根差RSRPReference Signal Received Power参考接收信号功率RTTRound-Trip Time往返时间SFISlot Format Indica

215、tor时隙格式指示SINRSignal to Interference-plus-Noise Ratio信干噪比SMFSensing Management Function感知管理功能单元SDMSpatial Division Multiplexing空分复用SRSSounding Reference Signal探测参考信号TCITransmission Condition Indicator传输状态指示TDDTime Division Duplexing时分双工TDMTime Division Multiplexing时分复用TOTiming Offset定时偏差TRPTransmissi

216、on Reception Point收发节点84/91TRSTracking Reference Signal跟踪参考信号UAVUnmanned Aerial Vehicle无人机URLLCultra-reliable and low-latency communication高可靠低时延通信USRPUniversal Software Radio Peripheral通用软件无线电外设UAMUrban Air Mobility城市空中交通UCIUplink Control Information上行控制信息UEUser Equipment用户设备UTMUAVTraffic Managemen

217、t无人机交通管理系统2D-IFFT2 Dimensional-Inverse Fast Fourier Transform二维-快速傅里叶逆变换2D-FFT2 Dimensional-Fast Fourier Transform二维-快速傅里叶变换3GPP3th Generation Partner Project第三代合作伙伴计划3DGS3D Gaussian Splatting三维高斯溅射85/91编写组成员编写组成员中国移动通信集团有限公司桂鑫、孙志雯、韩林丛、程执天、王亚娟、息荣艳、沈嵩辉、赵晗汀、马良、金婧、董静中国电信股份有限公司丁雪、李皛、谢伟良、于金杨维沃移动通信有限公司姚健、

218、李健之、丁圣利、袁雁南、姜大洁东南大学曾勇、闵红旗、徐子涵、徐镜然、宋雨轩、刘文治、赵晨辰、戴强龙、周毓秀、周智文、徐晓莉紫金山实验室黄永明、刘升恒、徐凡非、李兴康、尤建洁中国联合网络通信有限公司刘天弋、亢抗、潘桂新中兴通讯股份有限公司韩志强、蒋创新、夏树强中信科移动通信技术股份有限公司索士强、龚秋莎、才宇、张向东、何青春上海诺基亚贝尔股份有限公司徐朝军、高飞中国科学技术大学陈力86/91参考文献参考文献1赛迪研究院.中国低空经济发展研究报告(2024)R/OL.中国工信部赛迪研究院,2024.2IMT-2030（6G）推进组.通信感知一体化技术研究报告EB/OL.IMT-2030（6G）推进

219、组,2021.3工业和信息化部网站.中国民用航空局关于印发通用航空装备创新应用实施方案（2024-2030 年）的通知 EB/OL.工业和信息化部、科技部、财政部、中国民航局,2024.4Shakhatreh H,Sawalmeh A H,Al-Fuqaha A,et al.Unmanned aerial vehicles(UAVs):Asurvey on civil applications and key research challengesJ.Ieee Access,2019,7:48572-48634.5王剑.通感一体网络在低空经济中的应用J.通信世界,2024,(19):16-18

220、.DOI:10.13571/ki.cww.2024.19.008.6Zhao J,Fu X,Yang Z,et al.Radarassisted UAV detection and identification based on 5G inthe Internet of ThingsJ.Wireless Communications and Mobile Computing,2019,2019(1):2850263.7IMT-2030(6G)推进组.6G 感知的需求和应用场景研究报告R/OL.IMT-2030(6G)推进组.2023.8ITU.Recommendation ITU-T M.21

221、60-0(11/2023):Framework and overall objectives of thefuturedevelopmentofIMTfor2030andbeyondS/OL.Geneva:InternationalTelecommunication Union,2023.9ITU-T SG13-TD864/WP1.Draft new Technical Report ITU-T TR.ISAC-fra:“Considerationof integrated sensing and communication in IMT-2020 networks and beyond”S/

222、OL.INTERNATIONALTELECOMMUNICATIONUNION,TELECOMMUNICATIONSTANDARDIZATION SECTOR,2024-07-15/2024-07-26.10 ITU-T SG13-TD967/WP1.Draft new Technical report ITU-T TR.qos-isac:“Study onquality of services assurance for integrated sensing and communication in IMT-2020 andbeyond”S/OL.INTERNATIONALTELECOMMUN

223、ICATIONUNION,TELECOMMUNICATION STANDARDIZATION SECTOR,2024-07-15/2024-07-26.11 ITU-T.Requirements and framework of immersive live experience(ILE)services usingintegrated sensing and communicationS/OL.https:/www.itu.int/ITU-T/workprog/wp_item.aspx?isn=20754.202412 3GPP.Study on Integrated Sensing and

224、 Communication(Release 19):TR 22.837 V1.0.0(2023-3)S/OL.Valbonne:3GPP support office,2023.13 3GPP.RP-234069,Study on channel modelling for Integrated Sensing And Communication(ISAC)for NRR.Edinburgh,UK:3GPP TSG RAN Meeting#102,2023-12-11/2023-12-15.87/9114 3GPP.RP-234018,Study on channel modelling e

225、nhancements for 7-24GHz for NRR.Edinburgh,UK:3GPP TSG RAN Meeting#102,2023-12-11/2023-12-15.15 IEEE.IEEE Standard for Information technologyTelecommunications and informationexchange between systems Local and metropolitan area networksSpecific requirementsPart 11:Wireless LAN Medium Access Control(M

226、AC)and Physical Layer(PHY)Specifications Amendment4:Enhancements for Wireless LAN Sensing:IEEE Std 802.11bfS.New York:IEEE Standards Association,2024.16 IEEECommunicationsSocietyIntegratedSensingandCommunicationEmergingTechnology Initiative.Conferences IEEE Communications Society Integrated Sensing

227、andCommunication Emerging Technology InitiativeEB/OL.引 用 日 期：2024-11-27.https:/soc.org/conferences/.17 CCSA.无线通信与无线感知融合技术与方案研究报告R.中国通信标准化协会,2023.18 IMT-2020(5G)推进组.5G-Advanced 通感融合网络架构研究报告（第二版）R/OL.IMT-2020(5G)推进组.2024.19 IMT-2020(5G)推进组.5G-Advanced 通感融合场景需求研究报告R/OL.IMT-2020(5G)推进组.2022.20 IMT-2030(

228、6G)推进组.6G 通信感知一体化评估方法研究报告R/OL.IMT-2030(6G)推进组.2023.21 IMT-2030(6G)推进组.6G 通感融合系统设计研究报告R/OL.IMT-2030(6G)推进组.2023.22 A.El Gamal and Y.-H.Kim,Network Information Theory,Cambridge,U.K.:CambridgeUniv.Press,2011.23 T.M.Cover,Elements of Information Theory,New Delhi,India:Wiley,1999.24 C.R.Rao,Information a

229、nd the Accuracy Attainable in the Estimation of StatisticalParameters,New York,NY,USA:Springer,1945.25 C.Hue,J.-P.Le Cadre,and P.Perez,Posterior CramerRao bounds for multi-targettracking,IEEE Trans.Aerosp.Electron.Syst.,vol.42,no.1,pp.3749,Jan.2006.26 A.Weiss and E.Weinstein,A lower bound on the mea

230、n-square error in random parameterestimation(corresp.),IEEE Trans.Inf.Theory,vol.31,no.5,pp.680682,Sep.1985.27 V.M.Chiriac,Q.He,A.M.Haimovich,and R.S.Blum,ZivZakai bound for jointparameter estimation in MIMO radar systems,IEEE Trans.Signal Process.,vol.63,no.18,pp.49564968,Sep.2015.28 P.Woodward,Pro

231、bability and Information Theory With Application to Radar,London,U.K.:Pergamon Press,1953.29 H.Urkowitz,C.A.Hauer,and J.F.Koval,Generalized resolution in radar systems,Proc.IRE,vol.50,no.10,pp.20932105,Oct.1962.88/9130 M.A.Richards,Fundamentals of Radar Signal Processing,New York,NY,USA:McGraw-Hill

232、Educ.,2005.31 A.R.Chiriyath,B.Paul,G.M.Jacyna,and D.W.Bliss,Inner bounds on performance ofradar and communications co-existence,IEEE Trans.Signal Process.,vol.64,no.2,pp.464474,Jan.2016.32 P.Kumari,D.H.N.Nguyen,and R.W.Heath,Performance trade-off in an adaptive IEEE802.11AD waveform design for a joi

233、nt auto-motive radar and communication system,inProc.IEEE Int.Conf.Acoust.Speech Signal Process.(ICASSP),New Orleans,LA,USA,2017,pp.42814285.33 Liu,Z.et al.Three-Dimensional Ray-Tracing-Based Propagation Prediction Model forMacrocellular Environment at Sub-6 GHz Frequencies.Electronics 13,1451(2024)

234、.34 Thrane,J.,Sliwa,B.,Wietfeld,C.&Christiansen,H.L.Deep Learning-based SignalStrength Prediction Using Geographical Images and Expert Knowledge.in GLOBECOM2020-2020 IEEE Global Communications Conference 16(IEEE,Taipei,Taiwan,2020).doi:10.1109/GLOBECOM42002.2020.9322089.35 A.Hassanien,M.G.Amin,Y.D.Z

235、hang,and F.Ahmad,“Signaling strategies fordual-function radar communications:An overview,”IEEE Aerospace and ElectronicSystems Magazine,vol.31,no.10,pp.3645,2016.36 A.Hassanien,M.G.Amin,Y.D.Zhang,andF.Ahmad,“Dual-functionradar-communications:Information embedding using sidelobe control and waveformd

236、iversity,”IEEE Transactions on Signal Processing,vol.64,no.8,pp.21682181,2015.37 T.Huang,N.Shlezinger,X.Xu,Y.Liu,and Y.C.Eldar,“Majorcom:A dual-function radarcommunication system using index modulation,”IEEE transactions on signal processing,vol.68,pp.34233438,2020.38 M.Nowak,M.Wicks,Z.Zhang,and Z.W

237、u,“Co-designed radar-communication usinglinear frequency modulation waveform,”IEEE Aerospace and Electronic Systems Magazine,vol.31,no.10,pp.2835,2016.39 C.Sturm and W.Wiesbeck,“Waveform design and signal processing aspects for fusion ofwireless communications and radar sensing,”Proceedings of the I

238、EEE,vol.99,no.7,pp.12361259,2011.40 K.M.Braun,“Ofdm radar algorithms in mobile communication networks,”Ph.D.dissertation,Karlsruhe,Karlsruher Institut fur Technologie(KIT),Diss.,2014,2014.41 R.Hadani,S.Rakib,M.Tsatsanis,A.Monk,A.J.Goldsmith,A.F.Molisch,and R.Calderbank,“Orthogonal time frequency spa

239、ce modulation,”in 2017 IEEE WirelessCommunications and Networking Conference(WCNC).IEEE,2017,pp.16.42 C.Sturm and W.Wiesbeck,“Waveform design and signal processing aspects for fusion ofwireless communications and radar sensing,”Proc.IEEE,vol.99,no.7,pp.12361259,Jul.2011.89/9143 C.Sturm and W.Wiesbec

240、k,“Waveform design and signal processing aspects for fusion ofwireless communications and radar sensing,”Proc.IEEE,vol.99,no.7,pp.12361259,Jul.2011.44 X.Liu,T.Huang,N.Shlezinger,Y.Liu,J.Zhou,and Y.C.Eldar,“Joint transmitbeamforming for multiuser MIMO communications and MIMO radar,”IEEE Trans.SignalP

241、rocess.,vol.68,pp.39293944,2020.45 Y.Liu,G.Liao,Z.Yang,and J.Xu,“Multiobjective optimal waveform design for OFDMintegrated radar and communication systems,”Signal Process.,vol.141,pp.331342,Dec.2017.46 P.Kumari,S.A.Vorobyov,and R.W.Heath,Jr.,“Adaptive virtual waveform design formillimeter-wave joint

242、 communicationradar,”IEEE Trans.Signal Process.,vol.68,pp.715730,2020.47 Z.Xiao and Y.Zeng,“Waveform design and performance analysis for full-duplex integratedsensing and communication,”IEEE J.Sel.Areas.Commun.,vol.40,no.6,pp.18231837,2022.48 Wu W,Zhu B,Tang L,et al.A low-Copmlexity 2D DOA estimatio

243、n algorithm for massiveMIMO systemsC/2019 IEEE International Conference on Signal,Information and DataProcessing(ICSIDP).IEEE,2019:1-5.49 Li Y,Huang Y,Ren J,et al.Robust DOA estimation in satellite systems in presence ofcoherent signals subject to low SNRJ.IEEE Access,2022,10:109983-109993.50 杨航.基于

244、CUDA 的压缩感知 DOA 估计算法的研究与实现D.哈尔滨工业大学,2016.51 Dai X,Zhang X,Wang Y.Extended DOA-matrix method for DOA estimation via twoparallel linear arraysJ.IEEE Communications Letters,2019,23(11):1981-1984.52 Ying C,Xiang W,Zhitao H.Underdetermined DOA estimation via multiple time-delaycovariance matrices and deep

245、 residual networkJ.Journal of Systems Engineering andElectronics,2021,32(6):1354-1363.53 范玉衡,杨闯,彭木根,感知协同太赫弦多天线移动通信:原理、现状与展望J移动通信,2023,47(03):84-91.54 ChenY,ZhanX,ShuF,etal.Twolow-complexityDOAestimatorsformassive/ultra-massive MIMO receive arrayJ.IEEE Wireless Communications Letters,2022,11(11):2385

246、-2389.55 Li J,Tong F,Zhou Y,et al.Small size array underwater acoustic doa estimation based ondirection-dependent transmission responseJ.IEEE Transactions on Vehicular Technology,2022,71(12):12916-12927.56 Blasone G P,Colone F,Lombardo P,et al.Passive radar STAP detection and DoAestimation under ant

247、enna calibration errorsJ.IEEE Transactions on Aerospace andElectronic Systems,2021,57(5):2725-2742.90/9157 Sedighi S,Soltanalian M,Ottersten B.On the performance of one-bit DoA estimation viasparse linear arraysJ.IEEE Transactions on Signal Processing,2021,69:6165-6182.58 Obimo P N,Tamer.Performance

248、 Evaluation of 1D DoA Estimation for DECOM andUCLA Using MUSIC AlgorithmC/2021 29th Signal Processing and CommunicationsApplications Conference(SIU).IEEE,2021:1-5.59 Liu C,Zhao H.Efficient DOA estimation method using bias-compensated adaptivefilteringJ.IEEE Transactions on Vehicular Technology,2020,

249、69(11):13087-13097.60 Tian Y,Gao X,Liu W,et al.Localization of mixed coherently and incoherently distributedsources based on generalized array manifoldJ.Signal Processing,2023,209:109038.61 Dai X,Zhang X,Wang Y.Extended DOA-matrix method for DOA estimation via twoparallel linear arraysJ.IEEE Communi

250、cations Letters,2019,23(11):1981-1984.62 Stoica P,Soderstrom T.Statistical analysis of MUSIC and subspace rotation estimates ofsinusoidal frequenciesJ.IEEE Transactions on Signal Processing,1991,39(8):1836-1847.63 S.Zeng,X.Xu,Y.Zeng and F.Liu,CKM-Assisted LoS Identification and PredictiveBeamforming

251、 for Cellular-Connected UAV,ICC 2023-IEEE International Conference onCommunications,Rome,Italy,2023.64 A.Shahmansoori,G.E.Garcia,G.Destino,G.Seco-Granados and H.Wymeersch,Positionand Orientation Estimation Through Millimeter-Wave MIMO in 5G Systems,in IEEETransactions on Wireless Communications,vol.

252、17,no.3,pp.1822-1835,March 2018.65 R.Mendrzik,H.Wymeersch,G.Bauch and Z.Abu-Shaban,Harnessing NLoS Componentsfor Position and Orientation Estimation in 5G Millimeter Wave MIMO,in IEEETransactions on Wireless Communications,vol.18,no.1,pp.93-107,Jan.2019.66 A.Fascista,A.Coluccia,H.Wymeersch and G.Sec

253、o-Granados,Downlink Single-SnapshotLocalization and Mapping With a Single-Antenna Receiver,in IEEE Transactions onWireless Communications,vol.20,no.7,pp.4672-4684,July 2021.67 Y.Ji,J.Hejselbk,W.Fan and G.F.Pedersen,A Map-Free Indoor Localization MethodUsing Ultrawideband Large-Scale Array Systems,in

254、 IEEE Antennas and WirelessPropagation Letters,vol.17,no.9,pp.1682-1686,Sept.2018.68 Z.Zhou,Z.Xiao and Y.Zeng,Single-BS Simultaneous Environment Sensing and UELocalizationWithoutLoSPathbyExploitingNear-FieldScatterers,inIEEECommunications Letters,vol.28,no.9,pp.2071-2075,Sept.2024.69 Shrader W W,Gre

255、gers-Hansen V.MTI radarJ.Radar Handbook,1970,2:15.24-15.26.70 Ludloff A,Minker M.Reliability of velocity measurement by MTD radarJ.IEEETransactions on Aerospace and Electronic Systems,1985(4):522-528.71 Wang Y,Luo H,Gao F,et al.Dynamic Target Sensing for ISAC Systems in ClutterEnvironmentC/2024IEEEW

256、irelessCommunicationsandNetworkingConference(WCNC).IEEE,2024:1-6.72 Musicki D,Suvorova S,Morelande M,et al.Clutter map and target trackingC/2005 7th91/91international conference on information fusion.IEEE,2005,1:8 pp.73 Musicki D,Evans R.Clutter map information for data association and track initial

257、izationJ.IEEE Transactions on Aerospace and Electronic Systems,2004,40(2):387-398.74 S.Xu,Z.Wang,P.Shui and S.Huang,Improved clutter-map detection for radar targets inK-distributed clutter,IET International Radar Conference(IET IRC 2020),OnlineConference,2020,pp.1023-1027,doi:10.1049/icp.2021.0681.7

258、5 Xu Z,Zhou Z,Wu D,et al.Channel Knowledge Map-Enhanced Clutter Suppression forIntegrated Sensing and CommunicationC/2024 IEEE/CIC International Conference onCommunications in China(ICCC Workshops).IEEE,2024:90-95.76 丁圣利,李健之,陈保龙,等.通感一体化中的感知非理想因素及其消除方法J.移动通信,2023,47(09):46-56.77 Y.Zeng,D.Wu,J.Xiong,E

259、.Yi,R.Gao,and D.Zhang,“Farsense:Pushing the range limitof wifi-based respiration sensing with csi ratio of two antennas,”Proceedings of the ACM onInteractive,Mobile,Wearable and Ubiquitous Technologies,vol.3,no.3,pp.126,2019.78 Y.Zhang,W.Guo,Z.Gao and C.Zhang,Multiple Doppler estimation based ICIeli

260、mination scheme in OFDM over high-mobility channels with LoS path,Proc.2013 19thAsia-Pac.Conf.Commun.,pp.637-642,Aug.2013.79 Y.Liu,X.Liu,X.Mu,T.Hou,J.Xu,Marco Di Renzo,and N.Al-Dhahir,Reconfigurableintelligent surfaces:Principles and opportunities,IEEE Commun.Surveys Tuts.,vol.23,no.3,pp.1546-1577,3

261、rd Quart.2021.80 S.Park,H.S.Ahn and W.Yu,Round-Trip Time-based Wireless Positioning without TimeSynchronization,the 2007 International Conference on Control Automation and SystemsIEEE,pp.2323-2326,October 2007.81 Z.Han,H.Ding,X.Zhang,Y.Wang,M.Lou,J.Jin,Q.Wang,and G.Liu,“Multistatic integrated sensing and communication system in cellular networks,”in 2023 IEEE Globecom Workshops(GC Wkshps),2023,pp.123128.