《未来移动通信论坛：2025年6G协作通感一体化体系架构与关键技术白皮书（57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6G协作通感一体化体系架构与关键技术白皮书（57页）.pdf（57页珍藏版）》请在三个皮匠报告上搜索。

1、摘摘 要要随着 5G 移动通信网络的大规模商用，学术界以及产业界均已开始对第六代移动通信技术（6G）进行研究探索。移动通信网络是社会发展的重要新型基础设施，随着通信与社会、生产、生活的进一步融合，移动通信所承载的业务将更加丰富，可以预见，6G 网络将是通信、感知、AI、安全、大数据一体融合的新一代移动信息网络，多维能力的一体融合将成为 6G 发展的重要趋势。通感一体化作为 6G 核心愿景，突破传统通信网络的局限，将网络能力从信息传递扩展至环境感知，极大拓展通信网络的能力边界，助力实现“万物智联、数字孪生”的宏伟愿景。该技术在智慧物流、城市治理、应急救援、数字农业等领域展现出广阔的应用前景，有望

2、推动社会经济效率的显著提升与智能化服务的全面升级。协作通感一体化技术通过多节点分布式协作与智能融合，可以发挥 6G 网络的超大规模部署与多维协同特性的优势，构建以用户/目标为中心的全域高精度感知体系，不仅可以提升通信性能，还能够赋予网络“内生感知”能力，真正实现通信与感知功能的“一网两用”，将是 6G 通感一体化技术的重要发展方向之一。本白皮书全面系统地探讨了协作通感一体化技术，第一章分析了协作通感一体化的研究背景与驱动力，以及智慧交通、工业运维、低空飞行器管理六大应用场景，明确了其在 6G网络演进中的核心地位。第二章探讨了协作通感一体化的网络架构实现，重点研究可拓展无蜂窝协作通感一体架构。第

3、三至五章深入研究了通感融合的理论挑战与物理层关键技术，提出了容量-失真折中理论、感知信息论以及波形设计、波束管理等创新方案，为通信与感知性能的联合优化奠定了基础。第六章聚焦基于无蜂窝架构的协作通感网络设计，剖析了多点协作时频同步等非理想因素造成的工程化难题。第七章通过原型试验验证了协作通感在多人呼吸监测与微动感知中的高精度能力，为技术落地提供了实践依据。最后，白皮书展望了协作通感一体化的发展趋势与未来方向。目目 录录1 协作通感一体关键技术研究驱动力协作通感一体关键技术研究驱动力.11.1 背景与需求.11.2 应用场景.11.2.1 智能交通全域协同管理.11.2.2 低空飞行管理与服务.2

4、1.2.3 城市环境智能监测.21.2.4 工业互联网智能运维.21.2.5 高精度空间交互增强.31.2.6 智慧医疗远程监护.31.3 技术挑战.31.3.1 通感一体化理论.31.3.2 空口技术设计.41.3.3 复杂场景下的高精度感知.51.3.4 感知信息融合策略.51.3.5 协作通感干扰管控.62 协作通感一体网络架构协作通感一体网络架构.72.1 基于无蜂窝架构的无线接入网.72.2 基于无蜂窝架构的协作通感架构.83 协作通感一体性能理论协作通感一体性能理论.103.1 容量-失真折中理论.103.2 感知信息理论.113.2.1 参数估计的感知信息理论.113.2.2 目

5、标检测的感知信息理论.134 协作通感一体物理层关键技术协作通感一体物理层关键技术.154.1 协作通感序列和帧结构设计.154.1.1 协作通感帧结构设计.154.1.2 可拓展广距高分辨率信号设计.154.2 协作通感波束管理方案.174.2.1 波束扫描.174.2.2 波束追踪.194.3 协作通感联合信号处理算法.214.3.1 杂波抑制.244.3.2 目标检测.254.3.3 参数估计.264.4 协作通感一体化算法.274.4.1 参数融合.284.4.2 信号融合.294.5 协同感知波形选取及设计.305 协作通感资源管理技术协作通感资源管理技术.315.1 感知通信干扰管

6、控.315.2 空地干扰管控.326 协作通感一体非理想因素消除协作通感一体非理想因素消除.336.1 多点时频同步方案.336.2 空口误差校准算法.346.2.1 时钟异步系统信道模型.346.2.2 线性拟合方案.356.2.3 空间天线处理方案.366.2.4 互易性校准方案.387 协作通感一体原型试验系统协作通感一体原型试验系统.417.1 多人呼吸感知验证.417.2 微动感知验证.438 总结与展望总结与展望.45参考文献参考文献.46缩略语列表缩略语列表.511/531 协作通感一体关键技术研究驱动力协作通感一体关键技术研究驱动力1.1 背景与需求背景与需求目前，世界各国在快

7、速推动 5G 商用部署的同时，也陆续发布了 6G 的研发计划，2021年 9 月，中国 IMT-2030（6G）推进组发布的6G 网络架构愿景与关键技术展望白皮书中指出：在服务能力方面，新一代移动通信网络将以信息传输为基础进一步发展“内生感知”与通信服务融合的能力；新一代移动通信网络将从地面用户覆盖为主向立体化、分布式协作覆盖演进，从而能够有效支撑“万物智联、数字孪生”的宏伟愿景。业界已经一致认为，在实现上述愿景中，协作通信感知一体化技术将扮演极为重要的角色。作为 6G 接入网演进的重要方向，多收发节点（TRP）协作是实现以用户为中心的网络理念和提高感知能力的重要技术，将为 6G 带来量级提升

8、、要素融合、全域覆盖等关键能力的提升。多 TRP 协作具备以“用户”为中心的个性化服务能力，可以基于“用户关联”设计空时频码等资源的管理方案；此外，协作网络具备更灵活的射频天线单元部署能力，可以减少复杂环境下的遮挡效应和感知盲区，这使得多 TRP 协作在通感一体化的研究中具备天然优势12。协作通感的研究可以继承部分传统通感的研究，但相对于传统蜂窝通感协作在通感需求分析、通感体系架构、物理层关键技术等方面存在大量挑战性问题，在协作通感一体化的标准、发展趋势和应用前景等方面学界业界仍未达成共识。因此，亟需针对“协作”分布式架构的特点，设计特有的实施流程和技术方案，在基础理论、关键技术和行业应用等方

9、面进行开展深入研究，为未来 6G 移动通信标准化提供指导。1.2 应用场景应用场景基于网络协作通感一体化技术的分布式感知与通信深度融合能力，其凭借多节点协同调度、超高精度实时感知及动态资源优化等特性，在以下新兴领域展现出显著的应用潜力：1.2.1 智能交通全域协同管理智能交通全域协同管理多维度交通态势感知多维度交通态势感知通过多 TRP 协作组网，实时采集道路车辆位置、速度及轨迹信息，结合 V2X（车联万物）通信链路，动态生成全域交通态势图谱。协作通感网络可突破单站感知盲区，精准识别复杂路况（如交叉口拥堵、违规变道），并通过低时延通信将预警信息推送至车载终端，提2/53升行车安全3。动态交通信

10、号协同优化动态交通信号协同优化协作通感节点联合分析区域车流密度，利用感知数据与通信链路反馈，实时优化交通信号配时方案，缓解高峰期拥堵。例如，通过感知紧急车辆（救护车、消防车）的实时位置，自动调整信号灯优先级，保障应急通道畅通。1.2.2 低空飞行管理与服务低空飞行管理与服务安全保障与应急响应安全保障与应急响应通过多节点联合感知，网络协作通感技术实时监测低空飞行器的状态和周围环境，构建全域安全保障网络。分布式节点能够快速感知飞行器的异常行为或故障迹象，并及时发出预警，协调应急响应。在紧急情况下，网络可迅速定位故障飞行器并调度救援资源，确保低空飞行活动的安全。此外，网络支持飞行器与地面控制中心的高

11、效通信，进一步提升任务可靠性8。低空飞行路径规划与优化低空飞行路径规划与优化协作通感网络利用其高精度感知和通信能力，为低空飞行器提供智能化的路径规划与优化服务。网络节点实时共享飞行器的位置、环境数据（如天气状况）和交通流量信息，通过多维数据分析，动态调整飞行路径以避开拥堵区域、恶劣天气或禁飞区。同时，网络支持飞行器之间的协同通信，确保在密集空域中保持安全间距，提升通行效率。1.2.3 城市环境智能监测城市环境智能监测污染源实时溯源污染源实时溯源部署于城市各区域的 TRP 节点联合感知 PM2.5、VOCs 等污染物浓度，结合气象数据与通信网络反馈，构建污染扩散模型并快速定位污染源头，为环保部门

12、提供决策依据6。地质灾害早期预警地质灾害早期预警在山区或地下管网中，协作通感网络通过振动、倾斜度等多模态感知数据融合，实时监测地质形变趋势。感知信息通过边缘计算节点快速处理，触发预警信号并同步至应急指挥中心。1.2.4 工业互联网智能运维工业互联网智能运维设备状态联合监测设备状态联合监测在智能制造场景中，分布式 TRP 协作网络可实时感知工厂设备振动、温度等关键参数，3/53结合通信数据回传至云端进行异常检测。多节点数据融合技术能够精准定位故障设备，减少停机损失4。智慧工厂动态调度智慧工厂动态调度通过感知物料运输机器人位置与生产线进度，协作通感系统动态优化机器人路径规划，避免碰撞并提升物流效率

13、。同时，基于感知反馈的通信资源动态分配，确保高优先级指令的低时延传输。1.2.5 高精度空间交互增强高精度空间交互增强元宇宙沉浸式体验元宇宙沉浸式体验协作通感网络为 AR/VR 设备提供厘米级空间定位与手势识别能力。多 TRP 联合感知用户动作与环境三维结构，通过通信链路实时同步虚拟场景数据，降低交互时延，消除眩晕感5。无人机集群协同作业无人机集群协同作业在低空物流场景中，多 TRP 协作感知无人机群位置与障碍物分布，动态规划集群飞行路径。通信与感知信号的联合调度可避免频谱冲突，同时支持百架级无人机的高密度协同控制。1.2.6 智慧医疗远程监护智慧医疗远程监护多模态生命体征感知多模态生命体征感

14、知医院病房与家庭环境中，分布式 TRP 节点通过毫米波雷达非接触式感知患者呼吸、心率等生理参数，结合通信链路实现数据跨域融合。多节点协作可消除单一传感器误差，提升监护可靠性7。急救车急救车-医院协同联动医院协同联动救护车内 TRP 实时感知患者生命体征并通过低时延通信回传至目标医院，协作通感网络同步优化急救车通行路线与医院资源调度，缩短“黄金抢救时间”。1.3 技术挑战技术挑战1.3.1 通感一体化理论通感一体化理论（1）理论性能指标确定：通感一体化的初衷是提升频谱利用效率和硬件效率。然而，就当前的技术发展阶段而言，通感一体化信号在理论层面仍缺少一个能全面、准确衡量通感4/53一体化效果的统一

15、性能指标。现有的通信性能指标和感知性能指标各自独立，无法有效反映二者融合后的整体效能。在通感一体化系统里，通信和感知在诸如时间、频率、功率等资源维度上存在竞争关系。以频率资源为例，分配给通信的频率增多，感知可用的频率就会相应减少，这直接影响二者的性能表现。通信指标目前通常用频谱效率（bits-1Hz-1）与能效（bit/J）等表示，而感知性能指标一直未能统一。在实际应用中，感知功能常以分辨率和精度作为性能度量单位。如何平衡通信容量和感知精度的关系，从而确定合适的理论性能指标已成为一大挑战。现有研究将通信信息论与感知检测估计理论结合的方式还不够完善，在系统级或网络级场景下，面对多感知目标、多通信

16、用户和随机业务到达时，跨层优化与刻画系统极限存在很多开放问题。（2）性能边界：通信追求承载效率，理论边界是香农容量；而感知追求探测精度，理论边界是克拉美罗界，二者量纲不统一，帕累托前沿难以求解。同时，感知性能通常局限于目标位置、速度等参数测量的准确程度，以及分辨两个相近目标的分辨率，并不存在一个类似于通信容量的感知容量定义，从整体上衡量感知系统的能力。尽管部分学者针对特定的感知任务，如雷达目标检测、室内定位等，提出了相应的容量定义，但这些定义往往只适用于特定场景，缺乏扩展性与普适性，难以在各种通感一体化应用中广泛应用。1.3.2 空口技术设计空口技术设计（1）波形设计：当前通信系统大多采用连续

17、波形体制，以正交频分复用（OFDM）波形为代表；感知系统则以脉冲波体制和周期连续波体制居多，如线性调频脉冲信号。对于这一差别，不少学者提出了诸多解决方案，例如融合 Chirp 信号的 OFDM 波形，但并未确立具有可工程化、标准化的通感一体化波形。另外，由于通感一体化技术的应用场景多样，要求一体化波形必须具有灵活性和可重构性，如何让波形设计与现有通信系统更加兼容是需要考虑的一个重大问题。未来 6G 超大规模天线意味着天线数量的急剧增加和电磁特性的颠覆性变化，同时由于复杂环境的存在会产生大量的多径干扰，这就要求波形具有较强的抗干扰能力，能够在复杂的多径环境中准确传输和感知。（2）帧结构设计：通信

18、帧结构注重数据的高效传输，有特定的帧头、数据位、校验位等设计以保障数据准确性和传输效率。感知帧结构则侧重信号的发射与接收时间、频率等参数配置来实现目标探测、定位等功能。将二者融合时，需要合理安排帧内各个部分，使通信和感知功能互不干扰且能协同工作。同步问题也是帧结构设计内容的一大挑战。通信和感知都需要精确的同步，包括时间同步和频率同步。时间同步误差会导致通信数据传输错误和感5/53知信号接收不准确，频率同步误差会影响信号的解调和解码。在通感一体化帧结构中，需要设计有效的同步机制，确保通信和感知在时间和频率上的同步。例如在帧头部分添加同步序列，用于接收端进行时间和频率同步，同时在帧内设置定时参考点

19、，以保证整个帧的同步精度。（3）波束管理：波束赋形通过不同角度信号的干涉产生定向波束，其技术管理面临诸多挑战。包括需要在有限的资源下同时满足通信的高数据传输需求和感知的高精度探测要求，实现通信与感知波束资源的高效分配与协同调度；要设计出能适应不同场景下多样化通信和感知任务的灵活波束赋形算法，以应对复杂多变的环境；还需解决通信和感知在波束方向图、波束宽度等方面的差异所导致的性能折中问题，克服多用户、多目标情况下的波束干扰难题，提升系统的抗干扰能力和鲁棒性。最后，还需要确保波束管理机制在不同的硬件平台和系统架构下具有良好的兼容性和可扩展性，以推动通感一体化技术的广泛应用。1.3.3 复杂场景下的高

20、精度感知复杂场景下的高精度感知随着物联网和智能交通的蓬勃发展，自动驾驶、无人机、智能城市等众多应用场景对感知精度提出了更为严格的要求。这些技术的广泛应用依赖于对环境的精准感知，以确保系统的安全性、可靠性和高效性。然而，在实际应用中，复杂的环境条件常常对感知精度构成挑战。例如，多径效应导致信号在传播过程中发生反射、折射和散射，从而影响到接收信号的质量；信号噪声的存在使得有效信息被干扰，降低了系统的准确度；基站位置扰动也可能引发系统的不稳定，进而降低感知精度。面对这些挑战，传统的信号处理方法在处理复杂环境时往往存在一定的局限性。因此，亟需设计出高性能、低开销的信号处理算法，以提升感知精度。1.3.

21、4 感知信息融合策略感知信息融合策略协作通感具有多个观测视角，能够获得更全面且丰富的感知信息，从而有效避免视距遮挡及多普勒盲区。此外，通过联合处理多节点感知信息，可以实现类似于通信中空间分集的接收处理增益，提升感知精度并扩大感知范围。当前的感知信息融合主要分为参数融合和信号融合。参数融合是指结合各节点独立估计出的蕴含目标位置信息的感知参数。该融合策略计算复杂度较低，在数据传输及处理的实时性上具有优势，但在密集的多径环境下，其定位精度较差。此外，参数间的关联性处理也面临较大的挑战。信号融合是指联合处理各节点的接收信号，提取信号中包含的目标感知信息。该融合策略能够高度保留原始信号中有效的感6/53

22、知信息，从而提高感知精度并扩大感知范围，但其需要高精度的时钟同步和空间同步。因此，针对不同的协作通感场景，在设计感知信息融合策略时，如何权衡低复杂度的参数融合和充分保留信息量的信号融合值得进一步研究。1.3.5 协作通感干扰管控协作通感干扰管控相较于传统通信系统，协作通感一体化系统干扰类型更加复杂，包括通信信号和感知信号间的互干扰、上行通信用户对感知接收基站的干扰以及杂波干扰等。这些干扰会降低通信中的网络吞吐量和感知中的动态范围，从而影响系统的整体性能。因此，需要正确识别干扰类型并针对性地有效抑制。另外，不同时刻的组网情况不同，导致干扰情况具有时变性，需要及时掌握组网情况，实时改变干扰控制策略

23、。同时，干扰广泛存在于整个网络，干扰控制需要协调全网节点，体量大。因此，如何更好地兼顾通信与感知性能，设计低复杂度的联合干扰管控方案值得进一步研究。7/532 协作通感一体网络架构协作通感一体网络架构2.1 基于无蜂窝架构的无线接入网基于无蜂窝架构的无线接入网新型的无蜂窝协作无线接入网架构（CF-RAN）的特征在于：系统包括远端射频单元（RRU）、空间扩展单元、用户（UE）为中心的处理单元（UCDU）、集中式控制单元；每个 RRU 配置多个天线，每个空间扩展单元连接多个 RRU，每个 UE 为中心的处理单元直接连接多个空间扩展单元或通过交换机连接多个边缘分布式单元（EDU），每个集中式控制单元

24、直接连接或通过交换机连接多个 UE 为中心的处理单元9。其中 RRU 完成射频信号的收发、数模/模数转换等功能；EDU 主要完成基带信号处理中的信道估计、多用户/多数据流检测、多用户/多数据流预编码、校准信号的提取等功能；UE 为中心的处理单元的基带物理层信号处理主要包括：将收到的多个 EDU 发送来的属于相同数据流的上行数据进行合并、将多个下行数据流分发到相应的 EDU、RRU 之间校准所需的信道估计等功能；集中式控制单元的主要功能包括，确定 EDU 和 UE 为中心的处理单元的数据流对应关系，如图 2-1 所示。图2-1新型的无蜂窝协作无线接入网架构无蜂窝协作无线接入网的架构及实现方法核心

25、特征在于：EDU 与 UE 为中心的处理单元之间的功能切分在数据流层面。其中，数据流是指在相同时频资源上传输的空间域数据流，有如下特征：对于上行接收链路，数据流是指检测器输出的多个用户的数据流或单个用户的多个数据流，对于下行发送链路，数据流是指基站待发送的在相同时频资源上多个用户/或单个用户的数据流；发送端 EDU 与 UE 为中心的处理单元之间的功能切分在前向纠错编码8/53之后、预编码之前，接收端空间扩展单元与 UE 为中心的处理单元之间的功能切分在多数据流/多用户检测之后、前向纠错解码之前；根据集中式控制单元确定的用户数据流与空间扩展单元和 UE 为中心的处理单元的关联，多个 EDU 处

26、理的同一用户的上行数据流只能发送一个 UE 为中心的处理单元，类似地，同一用户的下行数据流只能从该 UE 为中心的处理单元发送到多个 EDU；EDU 与 UE 为中心的处理单元之间的数据流交互采用增强的公共无线电接口（eCPRI）；对于上行接收链路，EDU 将数据流发送到相应的 UE 为中心的处理单元，对于下行发送链路，UE 为中心的处理单元将数据流发送到相应的 EDU。无蜂窝协作无线接入网中由集中式控制单元确定用户数据流与空间扩展单元和 UE 为中心的处理单元的关联，其特征在于：集中式控制单元根据用户的位置或用户的信道先验信息，确定用户与 RRU 的关联，同时也确定用户与空间扩展单元的关联；

27、集中式控制单元确定用户与 UE 为中心的处理单元的关联，一个用户仅关联一个 UE 为中心的处理单元，关联的基本原则包括：均衡多个 UE 为中心的处理单元的负载，并尽量避免空间扩展单元跨交换机访问 UE 为中心的处理单元。基于高性能可无限扩展的无蜂窝协作无线接入网架构，可实现 6G 移动通信系统所期望的以用户为中心的接入网，并且由于采用分布式基带池（例如 EDU）和云化的集中式协作基带池（例如 UCDU），可以有效地实现协作规模的无限延展，进而达到分布式和集中式的有机统一，为实现多节点协作通感一体搭建网络架构基础。2.2 基于无蜂窝架构的协作通感架构基于无蜂窝架构的协作通感架构与基于蜂窝系统的多

28、站通感一体化架构相比，基于无蜂窝的通感一体化架构在物理层信号联合处理具有内生优势，但是需要额外解决系统规模大规模拓展和通感能力切分问题。基于现有的可扩展的无蜂窝架构7，需要额外解决三个问题，（1）感知授权方面，传统的 UE用户授权无法满足区域感知授权的要求；（2）感知关联方面，无蜂窝通信用户关联无法满足感知目标关联的要求；（3）基于无蜂窝的多点联合需要可以在 RAN 侧协调多 TRP，满足不同的感知业务和能力需要。9/53图2-2新型无蜂窝通感一体接入网架构功能切分将无蜂窝网络以“用户”为中心理念进一步拓展到感知应用功能请求，在新型无蜂窝接入网架构中引入通感一体集中式控制单元（CSCU）、通感

29、一体处理单元（CSDU）同时处理通信和感知功能10。如图 2-2 所示，新型无蜂窝通感一体接入网架构包括 TRP、边缘分布式处理单元（EDU）、CSDU。如图 2 所示，通信功能可以有效切分在 TRP、EDU、CSDU和 CSCU 上，达到分布式和集中式的统一，实现系统规模的拓展。感知功能可以复用切分架构，切分在 TRP、EDU、CSDU 和 CSCU 上，实现无死角、高精度感知。新型无蜂窝通感一体接入网具备灵活部署方案，特征在于，系统包括 TRP、EDU、CSDU和 CSCU。每个 TRP 可以配置多天线，每个 EDU 可以连接多个 TRP，每个 CSDU 可以直接连接或者通过交换机连接多个

30、 EDU，每个 CSCU 直接连接或者通过交换机连接多个 CSDU。其中，如图 2-2 所示，TRP 完成射频感知信号的收发、数模/模数转换等功能；EDU 主要完成信号处理中的 L-PHY 和新增的 L-SEN 等功能；CSDU 主要完成 MAC 层调度功能、H-PHY和新增的 H-SEN 等功能，实现将收到的多个 EDU 发送的属于同一个感知流的上行感知数据进行合并，将多个下行感知流分发到相应的 EDU；CSCU 主要完成与核心网的交互，将多个 CSDU 的通信数据、感知数据上传给核心网，将核心网下发的控制面、用户面数据进行解析下发给 CSDU。10/533 协作通感一体性能理论协作通感一体

31、性能理论通信与感知系统采用两类性能评价指标体系，通信性能指标涵盖频谱效率、传输时延、可靠性（如误码率）、多用户公平性等，感知性能指标包括感知分辨率（距离、速度、角度）、检测概率、虚警概率等。通感一体系统需要在时间、频率、功率等资源约束下，同时完成通信信息传输以及目标信息感知两大任务。因此，感知性能与通信性能指标间往往存在相互制约的关系，通感一体系统不可避免地在两者之间产生性能折中。研究这一性能折中有助于定义通信和感知的性能度量,刻画二者的可达区域及性能边界11。3.1 容量容量-失真折中理论失真折中理论研究通感性能折衷的基本方法是描述通感性能指标所能达到的最优帕累托前沿，即通信与感知性能的最优

32、组合，一般由容量-失真边界给出。容量-失真边界描绘了在给定资源约束下，通信系统能够达到的最大数据传输速率与感知系统能够接受的最小失真度之间的权衡关系。这个边界表明，当系统资源被同时用于通信和感知时，提高通信容量可能会导致感知失真度的增加，反之亦然。容量-失真边界主要有三种导出方法，包括估计信息速率导出方法12、等效均方误差1314导出方法以及容量-失真函数15导出方法。估计信息速率导出方法将感知性能失真指标转换成通信速率指标来构建容量-失真边界。估计信息速率可以用观测值和实际参数值之间的近似互信息表示。假设服从方差为的高斯分布，估计值用?表示，且均方误差为，可建立如下不等式链：;?12log其

33、中;表示和之间的互信息，可由信息熵与条件熵之差|计算得到。根据上述不等式，感知子系统的性能下界由均方误差失真转变成估计信息速率，可以用通信速率和估计信息速率在统一的信息论框架下研究通感一体系统的性能折中。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。等效均方误差导出方法则是将通信速率指标等效为感知性能均方误差失真来构建容量-失真边界。假设给定高斯信道=snr+，其中，服从标准正态分布。则由输出估计输入的最小均方误差由下式给出：(snr)=1/(1+snr)，信道通信容量表示为(snr)=log(1+snr)。因此，可以通过等式Equivalent=2将通信

34、容量指标转换为等效均方误差指标，为研究通信感知性能折中建立了统一的框架。但这种方法只适用于简单的线性高斯信道11/53模型。除了对通信容量和感知失真指标进行相互等效的方法之外，构建容量-失真函数也是研究通感性能折中的重要方法。最简单的函数形式一般为=+(1 )，其中表示通信性能指标，表示感知性能指标，为动态权衡因子。之前的一些研究针对不同的通感一体信道模型建立了相应的容量-失真函数。以单站感知、点对点通感一体信道模型为例，发射机向目标接收机发射信号，并通过回波信号估计信道信息。则可建立如下容量-失真函数：=max ;,s.t.,?其中，分别表示输入和输出，?表示感知状态信息的估计值，,?表示估

35、计子失真的均值。()是输入的概率密度函数。此外，一些研究还分别针对有设备感知、无设备感知两种情形下的两 UE 多址接入信道、两 UE 广播信道等信道模型建立了容量-失真函数或容量-失真折中区域边界。但这种方法局限于特定的信道模型，不能涵盖许多重要的通感一体场景。3.2 感知信息理论感知信息理论通感一体性能折中理论的研究一直以来存在的一大难点在于通信与感知性能指标的量纲不同，感知系统缺少与香农信息论对应的数学理论，导致通信与感知性能的研究无法在统一的理论框架下展开。此前，基于信息熵理论，学界定义感知互信息17作为感知性能指标，使得感知精度和通信容量获得统一的信息论测度。感知互信息是衡量感知系统从

36、接收信号中提取目标信息能力的核心指标，定义为接收信号与目标响应之间的条件互信息，反映接收信号中蕴含的目标参数（如距离、速度、角度）信息量。但除了参数估计之外，目标检测作为感知系统的另一个重要任务，仍然缺乏对应的信息论衡量方法。且对感知信息容量、感知系统理论边界也没有明确的定义。随着感知信息论的创立，感知信息的定量问题得到了解决，空间信息概念的提出，使感知系统和通信系统一样可用比特作为单位进行定量。感知信息论提出的感知定理，成为设计通感一体系统的理论依据，为通信容量与感知信息的折中奠定了基础。以下分别从参数估计和目标检测两方面对感知信息论的内容进行介绍。3.2.1 参数估计的感知信息理论参数估计

37、的感知信息理论研究雷达获取信息的难点在于需要处理几种不同类型的信息，包括距离、方向和散射。这些信息具有不同的单位：距离是长度单位；方向是角度单位；散射是功率单位或信噪比的12/53单位。目标的位置信息和散射信息是相互影响的。为了全面、准确地反映这种影响，考虑研究接收数据与位置变量和散射变量之间的联合互信息。假设在未知接收信号时，目标的距离信息和散射信息之间相互独立，即,=。这里的 表示目标位置信息的先验概率密度函数（PDF），合理的假设可使其在观测区间内服从均匀分布；表示目标的散射特性，取决于应用场景。空间信息被定义为接收数据与位置信息和散射信息的联合互信息，即：(;,)=log(|,)()其

38、中 =|,dd?根据互信息的可加性，有;,=;+;|其中，;表示位置信息，;|表示在已知目标位置条件下的散射信息。对于联合目标检测与参数估计的感知系统，空间信息由检测信息与估计信息两部分组成。根据空间信息的定义，有;,=;,|其中，;是位置信息和散射信息的联合微分熵，被称为先验微分熵，表示目标的先验不确定性。,|是已知接收数据后目标位置信息和散射信息的联合微分熵，称为后验微分熵，表示目标的后验不确定性。先验微分熵与后验微分熵之差为雷达获取的空间信息。空间信息的概念揭示了雷达信息获取系统的本质特征。此外，感知信息论提出，微分熵是有单位的。以均匀分布的微分熵为例，假设区间长度用米（m）作为单位，那

39、么概率密度函数()=1/()的单位为 1/m，微分熵()=log()的单位为 log m。因此，感知偏差的度量指标也有明确的物理意义。在工程技术领域，误差是广泛使用的度量指标，目前普遍采用均方误差作为误差的度量指标。然而均方误差在很多情况下是不可用的，例如柯西分布的整数阶中心矩不存在，即中心矩无法刻画柯西分布的偏差。评价指标的不合理使用已经严重影响了雷达感知理论的发展，感知信息论借鉴香农信息论的思想，采用熵误差替代传统的均方误差作为评价估计误差的度量。假设估计器对参量 x 的后验分布为(|)，后验微分熵(|)表示已知接收数据后被估计量的不确定性。一般来说，后验微分越大，估计器的性能越差；后验微

40、分熵越小，估计器13/53的性能越好。我们将后验微分熵的熵功率定义为熵误差(Entropy Error,EE)，即EE2=2|2e熵误差的平方根定义为熵偏差。如此定义的熵误差就是均方误差的推广，当误差统计量服从正态分布时，熵误差就退化为均方误差。熵误差和熵偏差都是有单位的。熵误差的单位与均方误差相同。仍以上述均匀分布为例，如果区间长度单位为 m，则偏差的单位也为m，熵误差的单位为m2。虽然柯西分布的均方误差不存在，但它的微分熵和熵误差是存在的。这也说明，熵误差比均方误差更普适。熵误差的定义反映了空间信息与雷达感知系统性能之间存在着本质的联系，令EE(X)表示先验微分熵偏差，那么EE|EE=2|

41、=2,综上所述，可得到如下结论，1bit 感知信息等价于熵偏差缩小了一半感知信息等价于熵偏差缩小了一半。这一定理揭示了信息的物理意义。此外，感知信息论采用香农提出的渐进等分特性证明了感知定理，即空间空间信息是所有感知精度可达的理论上界，熵误差是可达的理论下界信息是所有感知精度可达的理论上界，熵误差是可达的理论下界。感知定理解决了最优感知问题，明确了空间信息和熵误差是感知性能的理论极限。因此，空间信息也被称为感知容量，可为感知系统的设计提供理论依据。3.2.2 目标检测的感知信息理论目标检测的感知信息理论首先建立目标检测系统模型。假设在观测区间存在 k 个目标，目标之间相互独立，目标的位置和散射

42、相互独立，雷达发射的基带信号()=sinc()，是带宽为/2 的理想低通信号。假设信号能量几乎全部在观测区间，参考点位于观测区间的中点。根据 Shannon-Nyquist采样定理，以速率 B 对接收信号进行采样。则离散形式的接收信号用矢量形式表示为=()+其中，=10002000是目标存在状态变量=1,2,的对角矩阵，0,1表示第 k 个目标存在的状态变量；=,为目标位置信息矩阵，=表示归一化时延；s 表示目标的散射信号矢量；w 表示带宽为 B/2 的复加性高斯白噪声采样值矢量。14/53则目标检测信息18定义为接收信号与目标存在状态变量之间的互信息，即：(;)=log(|)()针对一般复高

43、斯散射目标，假设各散射信号的平均功率均为，也就是各散 射信号服从均值为 0、方差为的复高斯分布。在给定目标存在状态变量 v 和归一化时延 x 的条件下，接收信号 Y 也是复高斯变量，协方差矩阵为=0+H假设目标在观测区间服从均匀分布，根据贝叶斯公式，可得后验 PDF 为|=1exp H1 d?1exp H1 d由后验 PDF 可得目标检测信息为;=|其中，和|分别为先验熵和后验熵，有 =?log|=?|log|综上所述，感知信息感知信息论统一了论统一了雷达和通信系统雷达和通信系统的性能表征的性能表征基础理论基础理论。感知信息使雷达和通信系统都用比特作为单位进行定量，解决了过去研究中两种系统量纲

44、不一致的问题，破除了特定感知模型的限制；感知定理明确了感知系统的性能边界，解决了最优目标检测问题和最优参数估计问题，为协作通感一体化系统的联合设计奠定了基础19。15/534 协作通感一体物理层关键技术协作通感一体物理层关键技术4.1 协作通感序列和帧结构设计协作通感序列和帧结构设计4.1.1 协作通感帧结构设计协作通感帧结构设计为了支持感知功能，需要嵌入感知信号。当前，基于开放接入网（ORAN）的有源天线单元（AAU）设计，通常不支持感知信号的收发。因此需要设计对 ORAN AAU 完全透明的感知信号。采用 Option 7-2 设计的 AAU 具有收发频域信号的功能，方便嵌入感知信号提供。

45、但是，在设计时需要考虑 Option 7-2 的要求。另一方面，通过灵活配置 S 时隙帧结构可以实现一个AAU 发送，另一个 AAU 接收。但是，当一个 AAU 发送感知信号，另一个 AAU 接收时，接收的 AAU 实际上处于与 UE 等同的地位。根据 5G NR 标准，上行接收有一定的提前量。因此接收 AAU 必须对该提前量进行补偿，且 AAU 硬件不需要任何改动。为此，我们将设计如图 4-1 所示的特殊的感知信号，以实现对 Option7-2 的 AAU 完全透明。图4-1通感一体化帧结构示意图4.1.2 可拓展广距高分辨率信号设计可拓展广距高分辨率信号设计OFDM 波形是通感一体化的潜在

46、波形之一，可以在循环前缀（CP）时间内实现无干扰感知。但随着通信向高频率演进，子载波间隔增加，OFDM 符号时间和 CP 减少，感知回波信号超出 CP 距离将产生符号间干扰。多 TRP 协作通感由于形成感知簇的 TRP 间部署的关系:（1）不同的 TRP 之间存在空间分布的时延；（2）上下行帧同步之间的定时偏差；（3）多 TRP 发射感知波形的正交需求。上述三个特点导致无蜂窝通感在感知信号设计上需要满足可拓展、远距离、多端口可拓展、远距离、多端口的需求。16/53通信信号支持探测循环前缀 CP 范围内的目标回波，为支持探测超出 CP 范围外目标的同时兼容商用终端，需采用拓展 CP 方案生成可拓

47、展广距通感信号。可拓展广距通感信号需要对相邻 OFDM 符号的信号进行拼接，以及循环移位和相位反补偿拼接，以及循环移位和相位反补偿两种特殊设计以保证拼接的完整性16。假设可拓展广距通感信号在一个子帧中以第个 OFDM 符号作为起点，持续个符号，则后面第个 OFDM 符号的序列为：,(,)(,)=,(,)()exp(2cpFFT),0 1其中，感知基序列,(,)()是感知基序列，是循环移位，是组号，是组内的基序列号，是传输梳数量的对数，ZC为序列长度。为避免和上行探测信号产生干扰，感知基序列的采用组号和基序列号要和通信上行探测信号采用的组号和基序列号相异。cp是通信系统循环前缀的长度，FFT为通

48、信系统 FFT 点数，上式表示将信号的未尾个信号复制作为循环前缀保证拼接的连续性。可拓展广距通感信号的探测距离取决于拼接持续的数量 L，考虑 TDD 系统的上下行定时关系，有效感知距离为sense=01+CP,?其中，是光速，CP,是信号循环前缀 CP 长度。利用通感信号完成信道估计/环境感知时，需要利用均衡算法估计空口信道。为保障利用基序列,(,)()可以获取准确空口信道，需要对接收的广距通感信号做时间提前（时间提前（TA）补偿补偿、相位补偿和反循环移位相位补偿和反循环移位，RRU 前传给 BBU 的频域信号记为,(,),，则接收信号应该处理为,(,),=,(,),exp 2TA exp(2

49、cpFFT)exp 20其中，是协议参数集，0是载波频率，是第个通感 OFDM 符号在子帧中的位置索引，是 5G 协议中的最小时间单位，位置索引的计算方式与协议保持一致，表示不包括循环前缀的 OFDM 符号时间长度。利用补偿处理后的通感信号可以和基序列,(,)()直接做均衡，获取空口信道，进一步支撑后续通感算法实现。单节拍的可拓展广距通感信号可以用来探测距离，按照按照 TDD 系统帧结构配置周期性系统帧结构配置周期性17/53发射可以进一步探测速度发射可以进一步探测速度。其最大无模糊速度和速度分辨率分别取决于可拓展广距通感信号的重复周期和观测时间。拉长观测时间是提升速度分辨率的关键，但是对于通

50、信信号的时间占用较大。因此可以采用预探测方案消除速度模糊，即先发射短周期连续信号确定速度区间，然后再采用长周期性配置提升速度分辨率。假设系统 FFT 点数为FFT，子载波间隔为，在预探测阶段利用以为周期重复发射次，可利用 OFDM 符号维傅里叶变换峰值确定回波的速度归属区间为，=1 /2 1,/2?然后采用 TDD 系统帧结构配置周期性，在相干观测时间个周期内可以解算得到感知目标的速度分辨率为=，结合预探测阶段确定的感知目标速度归属区间，可以获取感知目标的真实速度。4.2 协作通感波束管理方案协作通感波束管理方案在组网协同问题中，面向通感的波束赋形问题是解决连续性感知和高质量通信的关键问题之一

51、。由于协作移动通信网络依赖大规模部署的节点进行协作与交互，区域内不同位置的节点需要接收同一目标的反射信号实现数据的融合处理，因此在信号传输过程中必须采用波束赋形技术产生的波束增益弥补毫米波严重的路径损耗。尤其在高速场景下，波束与目标间的失准可能造成接收信号强度的急剧下降。为了满足对环境中运动目标的高精度探测需求，基于协作通感一体系统架构的波束管理技术展开研究。在网络协作通感系统中，为实现目标精准估计，需要协作节点间匹配收发波束。对目标的高精度感知通常可分为发现目标、跟踪目标两个阶段。在发现目标阶段，由于目标位置未知，通常需要进行全域波束扫描；在跟踪目标阶段，需要进行波束跟踪及波束切换过程，特别

52、是在高速移动场景下，需进一步设计更为灵活的波束扫描、波束切换等机制，以降低波束扫描开销及切换时延。4.2.1 波束扫描波束扫描多 TRP 协作是提升波束赋形增益的关键步骤，在通感一体化系统中，收发波束的指向直接决定能量是否聚焦于感知目标所在的区域，进而影响经过感知目标反射的回波信号强度。为了实现目标精准估计，发射波束 和接收波束 必须在各自的波束码本,中选择使得接收概率最大的波束，即18/53,=argmax,图4-2智能波束管理示意图穷举搜索是最基础的波束训练方法20，它逐一扫描每一个可能的发射和接收方向，找到能够提供最佳信号强度的波束对。然而，随着天线数量的增加，这种方法的计算复杂度和时间

53、开销都会显著上升。为了降低波束扫描开销，可以采用如图 4-3 所示的分层波束扫描策略。节点首先通过宽波束确定目标大致区域，然后利用窄波束对该区域进行扫描，实现较高的定位精度21。此外，由于毫米波信道的稀疏性，压缩感知技术也被引入波束训练中。通过压缩感知技术快速捕捉信号能量的主要路径，可以避免进行完整的波束扫描。通过识别信号的非零元素位置，可以高效地确定角度信息，进而完成波束训练22。图4-3分层码本波束搜索采用机器学习的方法实现智能波束管理同样能够有效地降低训练开销。监督学习通过历史数据训练模型，能够在波束训练中快速预测出最佳波束组合，而无需每次都从头开始搜索23。强化学习则是以联合优化发射和

54、接收波波束为核心，根据发射波束与环境信息的交互反馈，学习最优码字与波束对齐成功率间的映射关系，利用感知和校准消除对环境先验信息的依赖，逐步收敛至最佳波束，实现收发波束与探测目标潜在方位之间的匹配2425。强化学习的目标是最大化长期的奖励,=+max,，确定不同环境下索要选择的最佳波束。除了针对 TRP 的波束扫描策略进行设计外，还可以通过多个 TRP 间的协同增强系统通感能力，提高波束对准精度26。在多 TRP 场景下，通过多 TRP 间的信息共享，可以有效融19/53合来自不同路径上的观测数据，协助系统进行波束的精确调整，从而提高通信速率和系统性能。同时，精确的感知散射体和环境状态信息有助于

55、 TRP 和 UE 间信道的重构，每个 TRP的多个角度测量并合成的完整速度信息将突破传统单 TRP 仅能测量径向速度的瓶颈，从而为波束追踪提供准确的位置预测先验信息。该方案不仅有效减少了波束扫描所需的资源，还提升了对准的精确度。4.2.2 波束追踪波束追踪在高动态环境下，由于环境的快速变化，频繁地进行波束训练将引入巨大的训练开销。同时在定向链路建立后，由于 UE 或目标的移动性，轻微的波束失调可能会导致显著的性能损失，从而导致波束和目标之间的动态失配，影响通信链路的稳定性27。因此，波束跟踪对于保持定向通信的质量和加快波束训练过程至关重要。波束追踪的关键是如何在不增加过多开销的前提下，快速、

56、准确地调整波束方向。为了避免因波束切换导致的通信中断，通感网络中广泛分布的节点通过协作，能够基于节点的运动状态和相对位置等共享信息预测特定区域内的波束特性。常见的波束追踪方法包括基于统计模型的卡尔曼滤波、扩展卡尔曼滤波（EKF）、粒子滤波等。算法中目标的运动状态信息可以表示为=1+1其中=,?,?表示时刻目标的运动状态，为状态转移矩阵，对于匀速目标而言=101 2，1为噪声，其协方差1=332222 2。第 i 个接收点的观测信息表示为,=()+,其中=,=2+2arctan()，,和,分别为目标的距离和方位，,为零均值的高斯噪声，其协方差矩阵,=diag,2,2,2,2为距离和方位估计均方误

57、差的克拉美罗下界。在进行波束跟踪时，将通过回波信号获得的目标定位信息和依据上一时刻的定位信息的预测结果作为先验知识，利用卡尔曼滤波器实现对观测结果和预测结果的加权平均，对波束进行实时调整，实现对目标 UE 的持续跟踪。为了进一步应对非线性系统中的波束追踪问题，扩展卡尔曼滤波通过对卡尔曼滤波的扩展，利用非线性状态的一阶线性化来解决非线性系统中的跟踪问题28。EKF 的核心思想是20/53在每一步进行线性化，它的预测和更新过程如下：?|1=1|1|1=11|11T+=|1T|1+1|=?|1+(?|1)|=|1其中，是卡尔曼增益，|1和|是预测和更新后的误差协方差矩阵，和分别是过程噪声和观测噪声的

58、协方差矩阵。无迹卡尔曼滤波通过在状态空间中选择0=?,=?+12,=1,2共 2+1 个 sigma 点来传播状态分布，通过对 sigma点的加权平均得到预测的状态，显著改善了高动态环境中的追踪效果和预测精度29。对于更加复杂的非线性、非高斯系统，粒子滤波被认为是一种更为适用的波束追踪算法30。粒子滤波通过对状态空间的概率分布进行采样，能够在动态变化的环境中提供较高的波束追踪精度。除了基于滤波的波束追踪算法，利用辅助信息（例如 UE 位置、传感器数据）来辅助波束追踪也是一种有效的手段。辅助波束对（ABP）算法是一种角度估计和波束追踪的方法，通过使用成对的波束来高效定位信号到达角（AoA）或离开

59、角（AoD），选择接收到的信号中强度最大的两束波束来估计角度31。ABP 避免了多信号分类（MUSIC）和旋转不变技术（ESPRIT）等算法通过大量样本计算协方差矩阵的过程，且无需依赖角度变化模型的无模型跟踪算法，因此具有较强的适应性，可以直接应用于各种不同的角度变化情况。辅助信息的应用可以减少波束追踪的搜索空间，从而提高追踪的效率。尤其是在高移动性场景下，基于位置的波束追踪方法能够显著降低波束调整的延迟。此外，机器学习由于具有较强的环境适应能力，能够很好地捕捉环境状态，也逐渐在波束追踪中发挥作用。如长短期记忆网络利用机器学习技术，能够通过历史数据的学习，捕捉波束方向的变化模式，实现更精准的波

60、束追踪32。不同于监督学习考虑即时奖励的最大化，强化学习通过不断与环境交互，适应 UE 行为和周围环境，实现长期的累计奖励最大化39。通过智能波束预测实现稳定的波束跟踪和相干传输。智能波束预测技术研究包括时域和空域波束预测技术，减少波束训练开销，保证波束跟踪的时效性。如图 4-4 所示，实时波束调度子任务以时隙或 OFDM 符号长度为触发周期(百微妙至十21/53微妙量级)，根据每个 OFDM 符号对应的 UE，根据波束推理子任务给出的通信波束为该OFDM 符号配置相应的波束；实时波束测量子任务以若干时隙为周期触发(百微秒量级)，根据波束推理子任务给出的探测波束集利用导频数据对探测波束集进行测

61、量；近实时波束推理子任务以若干帧为周期触发，通过智能波束跟踪模型以及时空域上的其他必要信息为每个UE 确定探测波束集和通信波束；非实时波束训练子任务根据波束测量子任务获得的波束探测结果对智能波束跟踪模型进行训练，根据平台算力和 AI 模型规模，触发周期约为百毫秒至毫秒量级。图4-4分级智能波束跟踪技术方案4.3 协作通感联合信号处理算法协作通感联合信号处理算法精确高效的信号处理是实现 6G 协作通感一体化的关键支撑。在实际部署中，需要结合协作中存在的问题和优势，设计高性能、低开销的信号处理算法，实现协作通感的高精度目标感知。(a)单站链路协助感知模式33(b)双站链路协助感知模式34图4-5两

62、类多站协作感知模式示意图22/53从信号处理的层面，多站协作感知可以分为单站链路协助33和双站链路协作34两类，如图 4-5(a)和(b)所示。其中，单站链路协作方式是指通感一体化网络中的所有站点分别完成信号的发送和接收，即每个站点以全双工的方式发送信号并接收回波信号，进行感知信号处理或完成目标检测和参数估计，最后将接收的感知回波信号或目标参数估计结果回传数据融合中心基站，以获取多站协作感知增益；而双站链路协作方式中，数据融合中心基站负责通感一体化信号的发送，而网络中分布的其它基站接收目标散射/反射的信号，进行简单的信号处理或者完成目标感知，最后将感知信号或者感知结果回传数据融合中心基站，进行

63、进一步的处理和数据融合。综上，多站协作通感中的目标感知在链路级上的参数估计可以简化为单站感知和双站感知两种基本感知方式。单站链路感知类似于传统雷达系统的感知，区别在于通感一体化基站以全双工的方式实现感知信号的发送和接受，容易受到较强自干扰的影响，因此自干扰消除需格外重视。对于全向的 ISAC 基站，单站链路的感知覆盖范围呈圆形，覆盖的大小与基站的发送功率，天线配置，信道衰落特性和噪声分布，及感知目标散射体特性等因素相关。单站链路能实现的参数估计与传统雷达系统相似，主要包括距离、径向速度、方位角/俯仰角，以及目标雷达截面积(RCS)等。图4-6单站链路感知如图 4-6 所示，距离估计由信号的往返

64、时延估计，可以表示为=2其中表示光速。而径向速度可以由回波信号的多普勒频率偏移估算，表示为=2其中表示波长。需要注意的是，单站链路感知只能估计出径向速度，而无法估计出目标的全向速度。方位角和俯仰角可以由天线阵列阵元间的波程差估计出，而 RCS 和目标散射体的 RCS 建模35有关。具体的，这些参数可由标准雷达参数估计算法完成，如基于 DFT/IDFT23/53的周期图算法或者超分辨算法如 MUSIC、ESPRIT。相较于单站链路，双站感知链路展现出独特优势，但也面一些技术挑战。双站链路感知的主要技术挑战在于收发双方的时钟同步以及动态定位。为实现高精度感知，收发站需实现纳秒级时间同步，且需要对两

65、站相对位置有精确了解。该问题在基站-用户双站感知链路中更为显著。具体而言，用户设备难以配备高稳定性振荡器，且无法使用精度较高的有线时钟同步方案，基站与用户设备的时钟偏差会引入时延、多普勒估计误差；其次，用户具有移动性，需要准确得知用户的位置和移动速度才能实现对目标位置和速度的准确感知。然而，双站链路在感知覆盖范围上与单站链路不同，如图 4-7 所示，与单站链路的圆形覆盖范围不同，双站链路的等 SNR 线是卡西尼卵形线36。这种覆盖范围的差异使得双站链路在特定场景下更具优势与灵活性，能够与单站链路实现优势互补。例如，在感知用户附近的散射体时，TRP 和 UE 间的双站感知链路相较于 TRP 单站

66、感知往往具有更低的路径损耗，从而能够实现更优的感知性能。图4-7双站感知等SNR线在时延、多普勒、角度等信号参数的估计方面，双站链路与单站链路所使用的估计算法没有本质差异，如：对于 OFDM-MIMO 系统，时延、多普勒估计可以利用 OFDM 雷达算法37进行估计，角度则可由阵列信号处理得到。双站感知链路参数估计的差异主要体现在信号参数与目标物理参数的关联关系。图4-8双站感知链路示意图如图 4-8 所示，考虑一个简单的双站感知链路，其中发射接收站之间距离为，目标相24/53对于发射站的位置矢量为Tx，相对于接收站的位置矢量为Rx，目标运动速度矢量为。则传播时延与目标物理参数的对应关系为：=T

67、x+Rx即时延为发射站到目标、目标再到接收站的传播时延之和。从而，双站链路的等时延线构成一个以收发站为焦点的椭圆。多普勒频移与目标参数对应关系为：=Tx Tx+Rx Rx即总的多普勒频移为目标相对于发射站和接收站多普勒频移的和，其值与目标相对于发射站和接收站的径向速度直接相关。目标在以收发站为焦点的椭圆上运动时，由于相对于发射站和接收站的径向速度正好相反，多普勒为 0。AoA 和 AoD 则分别是目标与发射和接收阵列的夹角。其中，AoA 的估计与单站链路类似，可以用阵列信号处理直接获得，AoD 的估计则需要依靠波束扫描或发送正交导频等方法获取 MIMO 信道38。在收发端存在视距链路时，若有精

68、确的站点定位信息，则可以利用视距链路估计时钟同步误差(,)。在存在时钟同步误差时，LoS 链路时延和多普勒可以表示为：LoS=+,LoS=若有精确的站点定位信息，则已知，?=?LoS，?=?,LoS。由于在每一次感知中都可以估计 LoS 链路时延和多普勒，从而对该次感知结果进行矫正，此方法能够容忍时钟漂移，从而可以一定程度上降低站点时钟的稳定性要求。多站协作感知可以利用众多单站链路与双站链路，其在对目标物理参数估计方面有以下优势：可以估计目标的矢量速度，而不仅限于径向速度；可以实现单天线目标定位；能够融合众多链路进行感知，提升感知精度。多站协作感知融合既可以对每个链路单独进行参数估计后进行参数

69、融合，也可以将信号先集中起来进行信号融合，再进行参数估计。4.3.1 杂波抑制杂波抑制在实现 6G 协作通感一体化体系架构中联合信号处理前，需要对信号进行预处理，去除掉对目标信号产生干扰的杂波信号，包括静态杂波、强直达径和噪声等干扰。这些杂波信号往往会对提取目标信号中感知信息的过程产生干扰，影响后续信号处理。因此，对信号进行杂波抑制有利于降低后续处理算法的难度，提升感知精度。经典的感知算法包括动目标显示（MTI）40和扩展相消（ECA）算法。MTI 算法主要用25/53于检测运动目标并抑制静态背景噪声，通常在多普勒雷达系统中使用，通过分析回波信号的频率变化来区分移动物体与静止物体，从而提高检测

70、精度和可靠性。该算法将当前接收到的信号与之前接收到的信号进行比较，通过计算二者的差异来增强运动目标的信号部分。低空场景的环境中由于存在许多静态反射物，对目标检测带来干扰，因此使运动目标更加明显的算法研究很有必要。ECA 算法主要应用于噪声抑制、干扰抑制和目标检测等领域。ECA 在传统相消算法的基础上进行了改进，以提高性能和精度。其核心思想是通过利用多个接收信号之间的相关性来增强目标信号，同时抑制背景噪声和干扰。与传统的相消算法相比，ECA 引入了扩展的噪声建模和更复杂的信号处理方法。该算法首先需要记录环境噪声作为监测通道。将监测信号投影到一个由参考信号(直达波与静态多径干扰)张开的空间上，得到

71、的投影向量再从监测信号中扣除，基于最小二乘(LS)估计直达波。经该算法处理后，能有效抑制静态多径反射、直达径自干扰等杂波。图4-9原信号（左）与ECA处理后（右）比较4.3.2 目标检测目标检测在 6G 协作通感一体化体系架构中，一个重要的任务是通过通信信号实现对目标的检测功能。目标检测是感知模块关键功能，将会对后续的信号处理产生重要影响。目标检测的假设检验模型可以表示为：H0:=H1:=(r,v)+其中H0为没有目标，H1为有目标。最大后验概率（MAP）准则是基于贝叶斯检测理论的决策规则之一。它是最小误差准则的一种特例，其中正确的决策没有成本，错误的决策成本为 1。当两个假设的先验概率相等（

72、例如，都是 0.5）时，MAP 准则简化为最大似然（ML）准则。MAP 检测的后验检测比可以表示为：26/53MA=,H1 ,H0H1H0(0)(1)其中 1 和 0 是目标是否存在的先验概率。另一种常见的方法是纽曼-皮尔逊（NP）准则，它在似然比检验的框架下工作，其思想是最小化检测概率，同时保持恒定的虚警概率。然而，在高信噪比（SNR）下，由于其对虚警率的严格约束，NP 准则可能仍然导致相对较高的错误概率。与此相反，MAP 准则利用信号和噪声分布的先验信息，在减少整体误差率的同时，能够实现更优的虚警和检测概率。这些优势使得基于 MAP 检测方式更加适用于无蜂窝通感融合系统。NP 准则的判决形

73、式可以写作：NP=,H1 ,H0H1H0NP式中，是 NP 准则的检测门限，也是约束虚警概率的拉格朗日乘子。抽样后验检测（SAP）方法是基于信息论的检测方法，该方法是一种随机目标检测方法，平均性能取决于后验分布。对后验概率分布(|)进行抽样得到估计的?，被称为目标存在状态变量的抽样后验概率检测，记为?SAP，有：?SAP=argsmp(|)式中，smp表示抽样函数。在 6G 协作通感一体化的场景下，更常用的检测方法是恒虚警率（CFAR）检测。CFAR旨在在未知噪声和干扰条件下保持恒定的虚警概率。通过估计背景噪声的局部统计特性并动态调整检测阈值，CFAR 避免了在噪声条件波动时固定阈值失效的问题

74、。常见的 CFAR 算法包括单元平均 CFAR(CA-CFAR)、有序统计 CFAR(OS-CFAR)以及最大值/最小值CFAR(GO-CFAR、SO-CFAR),这些算法在 6G 协作通感一体化的感知场景中表现出了出色的性能。4.3.3 参数估计参数估计参数估计是 6G 协作通感一体化系统中研究的关键技术路线之一。传统的参数估计方法包括二维快速傅里叶变换（2D-FFT）和 MUSIC 算法。2D-FFT 利用接收信号矩阵和发射信号矩阵可以得到信道感知矩阵42，算法将接收到的回波信号从时域转换到频域，进而实现目标检测、定位和特征提取等任务。该算法选择合适的窗函数以减少频谱泄露对结果的影响，并应

75、用于每个单元以增强距离、速度维数据的处理效果，优化频谱分辨率。接下来，对信号27/53进行两次快速傅里叶变换，最终得到如图 4-10 所示二维频谱，展示了目标距离和速度分布的情况。图4-10 2D-FFT得到目标距离多普勒谱图MUSIC 算法是一种高分辨率的信号处理方法，广泛应用于方向估计、距离估计、频谱分析以及其他信号处理领域，适合雷达散射截面较小的感知目标。该算法通过利用信号和噪声的特性，从观测数据中估计信号的到达方向，可以有效地从多个信号中提取出感兴趣的信号源。算法先计算接收信号导向矢量的协方差矩阵，提取信号的统计特性；再对协方差矩阵进行特征值分解，获取特征值和对应的特征向量。在此过程中

76、，将特征值进行排序，以确定信号子空间和噪声子空间。最大的特征值对应于信号子空间，而剩余的特征向量则用于构建噪声子空间。使用噪声子空间与引导向量的内积计算 MUSIC 谱，该谱反映了各个方向上的信号强度。通过寻找 MUSIC 谱中的峰值，确定信号源的到达方向或距离。MUSIC 算法在距离估计方面体现出更高的精确度。MUSIC 算法具有高分辨率、抗噪声能力强的特点，可以处理不规则采样或非均匀分布的数据，使得其在低空场景的距离估计应用中更具灵活性。图4-11 MUSIC（左）与2DFFT（右）距离估计比较4.4 协作通感一体化算法协作通感一体化算法由于协作通感具有多个观测视角，可以获得更全面的感知4

77、3，能够有效避免视距遮挡及多普勒盲区。协作通感一体化需要将多个观测点的感知信息进行融合，从而获得协作式处28/53理的性能增益。针对 6G 协作通感一体化体系架构，通常会在多个感知节点之间进行信息融合。多点联合判决通过多个节点间的信息共享进行合作，以提高感知精度。感知信息融合可以分为参数融合和信号融合两种类型。其中参数融合是指利用各个观测点估计出的距离、速度等感知参数构建与目标位置相关的方程组，根据空间几何关系求解方程组，从而实现目标的定位。信号融合是指将各个观测点保留结构化信息的信号进行联合处理4445，提取信号中的目标感知信息。这两种融合方法从不同层级实现协作通感一体化，在实际应用时各有优

78、劣。参数融合需要各个观测点输出估计出的少量感知参数46，将部分感知处理流程下放到分布式观测点上，在数据传输及处理的实时性上具有优势；但由于参数融合无法利用信号的结构化信息，造成部分感知信息的损失，并且多个观测点的估计会引入误差造成融合后估计精度的下降。信号融合可以利用信号中的全部信息，在完成观测点间相位补偿后可以获得相参增益，提高融合后估计精度的提升；但由于信号融合需要各观测点传输全部信号，增加了数据传输的负载并且在处理的实时性上会存在劣势。下面将介绍两种融合的实现方法实例。4.4.1 参数融合参数融合以协作目标定位为例，假设共有组收发对，其中有个发射点，个接收点，则理想情况下能获得组估计的距

79、离=1,1,1,，其中表示目标个数，,=1,为第,组收发点估计出的个目标的距离。如果发射点和接收点的位置坐标已知为T,=,=1,和R,=,=1,，则目标位置=,估计问题可以表示为以下方程组的求解,1,1=T,1 2+R,1 2,=T,2+R,2,=T,2+R,2,其中是需要求解的变量，其他为已知参数，通常这类问题可以通过加权最小二乘法（WLS）来求解。对于单个目标而言，无需进行距离参数间的匹配，求解单组方程即可估计出目标位置。但对于多个目标，无法判断不同目标对应的距离，因此需要多个目标位置的先验信息来辅助估计，另外可以对不同组合的方程组求解后选取误差最小的作为目标位置结果。这种场景下该类参数级

80、融合的方法将变得十分复杂，并会随着观测点数量的增多而增多，导致计算复杂度的增大47。29/534.4.2 信号融合信号融合同样假设共有组收发对，其中有个发射点，个接收点，则理想情况下能获得组收发对的信号=1,1,1,其中表示目标个数，,=1,?,1,2(1),/为频域信号，,为第,组收发点估计出的个目标的距离。如果发射点和接收点的位置坐标已知为T,=,=1,和R,=,=1,，可以将距离投影到坐标空间完成信号级融合。空域反向投影算法将空域参数确定为坐标，并建立起坐标和距离之间的关系。将距离用空域坐标表示，通过遍历测量所有坐标的反向投影结果，最终将距离-多普勒图反向投影为空域-多普勒图。这种反向投

81、影的方法类似于 ToA 椭圆探测，利用感知信号到达不同接收观测点的 ToA，将收发对信号相参地叠加在一起。图4-12基于ToA的椭圆反向投影仿真结果另外，基于感知信号到达不同接收收发对的 TDoA 的双曲线探测同样可以采用反向投影的方式实现。与 ToA 椭圆探测相似，选用模板信号提取距离差维的信息，进而将距离差索引转换为空域坐标索引，得到空域-多普勒差维图像匹配滤波结果。考虑融合多个发射点，根据双基距离的定义，来自不同发射点信号中的距离信息在做差时抵消了，因此不同发射点间的反向投影结果是相同的。但可以将不同发射点的结果进行相参累积。图4-13基于TDoA的椭圆反向投影仿真结果30/534.5

82、协同感知波形选取及设计协同感知波形选取及设计在 A 发多收的情况无蜂窝通感组网下，如图 4-14 给出了 A 发双收下简单组网图，分布式通感部署主要考虑不同的基站进行收发的模式，这样可以减少对天线功率的要求，对频谱要求较低。通过该图，可以观察到发射站 A 与两个接收站 B 和 C 之间的信号传输路径。图4-14 A发双收通感组网图可以看到目前采用 A 发多收分布式部署时，在无人机靠近近基站的位置会出现部分覆盖空洞，尤其是使用 OFDM 等单一波形时，覆盖空洞问题较为突出，如图 4-15 所示，单一波形下会在近基站端出现圆锥形覆盖漏洞。为了提升协同感知的效率，波形设计成为关键。首先，我们需要设计

83、一种波形，使得在传输过程中能够有效抵抗多径效应和干扰，确保信号的准确接收。其次，考虑到不同基站间的同步问题，波形设计中还需融入同步信号，以确保各个基站能够准确获取发射时间，从而计算出准确的 TDoA 信息。最后，为了提高频谱利用率，波形设计应尽可能减少频谱资源的占用，同时保证信号的检测性能。因此，在波形选取及设计过程中，我们需要综合考虑这些因素，以实现协同感知的高效和准确。图4-15 OFDM波形覆盖漏洞31/535 协作通感资源管理技术协作通感资源管理技术5.1 感知通信干扰管控感知通信干扰管控在通感一体系统中，通信和感知系统之间的耦合会带来复杂的干扰问题。由于传感和通信功能之间的频谱资源共

84、享和互助，传感信号和通信信号在时频域中完全或部分重叠，从而导致感知通信间互干扰（MI）。例如，对于无线资源一体化、功能独立的通感模式，其在共享频谱资源和硬件平台的同时，通信和感知系统在波形设计、收发机设计和信号处理等方面仍然独立运行，此时通信链路和感知链路资源域的紧耦合，造成了如图 5-1 所示通信和感知的互相干扰。通信感知间的 MI 和跨链路干扰（CLI）降低了通信中的网络吞吐量和传感中的动态范围，从而影响了通感系统的整体性能。因此，干扰管理是通感一体化系统实现高质量稳定链接的关键。对于通信感知间 MI 的干扰管控包括直接干扰抑制和间接干扰规避两种方法。直接干扰抑制方法依赖于已知的干扰信号结

85、构和传输特性，在此基础上重建和减去干扰信号实现抑制，通过结合先验信息对干扰信道进行建模，可以滤除幅度超过最强干扰阈值的信号。例如，利用连续干扰消除（SIC）框架可以有效抑制干扰，首先将雷达波形视为干扰来解码通信信号，然后从接收到的信号中减去通信信号恢复感知信号48。此外，直接抑制方法也可通过波形设计和干扰消除联合设计实现，使系统信号发射初期就具备抑制干扰的功能。例如，通过加权优化双功能波束赋形,在总功率和单天线功率约束下,以轻微损害感知性能为代价显著提高通信性能。间接干扰抑制方法通过改变干扰信号的传输方向，使其远离所需信号的方向，从而减少干扰。文献49提出了一种当先验信道信息未知时，采用基于递

86、归神经网络的自动编码器进行盲干扰检测，通过重构传输信号并自动检测、识别和定位干扰源，从而预测 MI 的传播子空间的方法。图5-1通信感知互干扰示意图32/53基于多站协作的通感网络可以通过将单个用户与多个基站连接来增强小区间干扰管理。例如通过优化感知通信的合作基站簇大小，平衡感知通信性能52。此外，多点协作通感系统中的通信感知 CLI 受到传感和通信信号之间的功率控制直接影响，虽然降低传输功率可以减少干扰，但它也会减弱所需的信号。注水算法是常用功率分配方法，它将更多的传输功率分配给具有更好信道的基站。但是，单独分配高功率并不能防止能耗和干扰，可联合优化线性预编码与功率分配方案，以解决用户之间的

87、干扰效应53。5.2 空地干扰管控空地干扰管控对于低空网络背景下的通感系统，由于无人机的存在和网络部署的需要，需要考虑空地之间三维情况下的干扰以及无人机和地面用户间的干扰。与地面无线电信道相比，空中无线电信道表现出不同的传播特性，空中无线电信道的一个显著特征是：空中没有障碍物，视线传播的可能性更高，如图 5-2 所示。当无人机等设备在高于天线的高度飞行时，由于视距传播的概率增加，上行信号将被更多的站点接收到，同时也能够检测来自更多站点的下行信号，重叠覆盖度更高导致干扰增加。无人机在空中接收了大量来自邻区的信号，导致平均 SINR 下降。另一方面，低空无人机飞行时可能干扰地面小区，目前运营商网络

88、主要针对地面用户进行优化，如天线倾角和小区设计。低空网络若使用相同设置，无人机将主要由基站天线的旁瓣提供服务，而地面用户主要由主瓣提供服务，由此导致无人机对地面用户的干扰与地面用户对无人机的干扰程度有所不同。例如，当通感网络中无人机和地面用户同时被服务时，主瓣接收增益相对较大，所以地面用户更容易干扰到无人机，这种干扰强度随着地面用户量的增加而增加，严重时可能导致无人机业务异常。图5-2低空背景下传播径和波束示意图33/536 协作通感一体非理想因素消除协作通感一体非理想因素消除6.1 多点时频同步方案多点时频同步方案时间和时钟同步是实现通信联合相干传输和感知多站协作的基本要求，对于 CF-RA

89、N至关重要。下面我们介绍网络侧设备之间如何通过有线链路协议实现时间和时钟同步。对于采用 CPRI 协议的 RRU，通常以网络侧为主时钟/时间，RRU 为从时钟/时间。为了实现多个EDU 管理的 RRU 之间的同步，需要一个 EDU 为主，其他 EDU 为从，实现全部 RRU 节点之间的同步。由于 EDU 与 vCPU 之间的交互是以用户数据流级的以太数据包通信，他们之间的同步精度要求较低，可以不采用高精度的时间同步。对于 eCPRI，有相对成熟的以太时钟/时间同步机制。以太时钟采用 SyncE 协议实现。SyncE 协议通过以太网物理层 PHY 芯片从串行数据码流中恢复出发送端时钟，实现网络时

90、钟同步。收发过程中时钟的精度不会有损失，可与源端保证精确时钟同步。SyncE 只能支持频率信号的传送，不支持时间信号的传送。以太时间同步机制采用 1588v2 PTP。该协议由硬件自动提取 Time Stamp，精度可以达到纳秒级别，它可以与 SyncE 配合使用，由 SyncE进行时钟频率同步，1588v2 进行时间日期（TOD）和秒脉冲（PPS）传输。基站采用 eCPRI 前传协议时，常采用如下两种方法实现同步。一种是由 BBU 从 GPS提取时钟和时间，作为主时钟/时间，为 RRU 提供同步。另一种采用了 1588 和 SyncE 交换机，将时钟服务器提供的时间/时钟分发给系统的所有 B

91、BU 和 RRU，可以使系统中所有单元的时钟和时间同步。需要注意的是，前者采用了直接连接，相比后者精度更高。图6-1 BBU作为主时钟与RRU进行同步图6-2交换机作为主时钟与BBU和RRU进行同步34/53PTP 同步原理同步原理PTP 同步原理基于网络对称为前提，主、从时钟之间交互同步报文并记录报文的收发时间，通过计算报文往返的时间差可以得到链路的往返总延时以及主、从时钟偏差。按照时钟偏差调整本地时间，从而实现其与主时钟的同步。图6-3 PTP同步原理首先主时钟向从时钟发送 Sync 报文，并记录发送时间 t1；从时钟收到该报文后，记录接收时间 t2。主时钟发送 Sync 报文之后，紧接着

92、发送一个携带有 t1 的 Follow_Up 报文。从时钟向主时钟发送 Delay_Req 报文，用于发起反向传输延时的计算，并记录发送时间 t3；主时钟收到该报文后，记录接收时间 t4。主时钟收到 Delay_Req 报文之后，回复一个携带有 t4 的 Delay_Resp 报文。此时，从时钟便拥有了 t1t4 这四个时间戳，由此可计算出主、从时钟间的往返总延时为(t2t1)+(t4t3)，由于网络是对称的，所以主、从时钟间的单向延时为(t2t1)+(t4t3)/2。因此，从时钟相对于主时钟的时钟偏差为：Offset=(t2t1)(t2t1)+(t4t3)/2=(t2 t1)(t4t3)/2

93、。6.2 空口误差校准算法空口误差校准算法同一基站设备中，不同接收天线共享相同的 RF 振荡器，它们的时变随机相位偏移是相同的，由 TO 和 CFO 引起的 CSI 相位噪声只随时间和频率变化，而不随空间变化。6.2.1 时钟异步系统信道模型时钟异步系统信道模型对于第个发射天线和第个接收天线之间的准静态信道，将测量的频域信道状态信息（CSI）表示为35/53,=12,+2+?,其中，为数据包索引，为子载波索引；为 OFDM 符号周期；为数据包间隔；表示随机相位偏移；和 分别表示收发机间的定时偏移TO和载波频率偏移CFO；,表示一个关于到达角 AoA 和离开角 AoD 的函数；表示多径传播的路径

94、数。因此，时延和多普勒频移,在感知中会受到影响，因此需要采取措施解决如下问题：消除收发机时钟异步等造成的相位偏移（包括时偏、频偏和时域相位抖动等）；多径传输情况下，消除静态路径对应的多径项，获取动态路径的 CSI 进行参数估计；尽量减少处理过程中需要估计的未知量。6.2.2 线性拟合方案线性拟合方案为了减少相位噪声的影响，采用线性拟合的方式进行相位校准，能够消除定时偏移和随机相位偏移。通过将原始 CSI 相位减去线性相位项，可以去除随机相位偏移和定时偏移，这样处理不能得到真正的相位，而是一个校准的测量值，校准后的 CSI 相位方差和真实相位的方差之间只相差一个与频率相关的常数倍54。具体地，对

95、每对天线间 CSI 的第 i 个子载波位置处，测量相位可表示为?=20+其中表示真实相位，包含了需要估计的参数信息；表示定时偏移；表示随机相位偏移；Z 表示相位测量噪声；表示第 i 个子载波对应的索引。为了减少相位噪声的影响，采用线性拟合的方式进行相位校准，能够消除定时偏移和随机相位偏移。定义线性拟合的斜率 a 和截距 b：=?1 1=1 1 20=1=1?=1=1?20=1?+在子载波频率为对称时，即=1?=0，则 b 可以表示为=1=1?+通过将原始 CSI 相位减去线性相位项 aki+b，可以去除随机相位偏移和定时偏移，相位校准后的 CSI 相位可表示为36/53?=?=1 11=1?6

96、.2.3 空间天线处理方案空间天线处理方案交叉天线互相关（CACC）方案55可通过对不同接收天线与参考天线的 CSI 进行共轭相乘，获得互相关函数，能够有效去除随机相移、定时偏移 TO 和载波偏移 CFO。为了抑制镜像分量，可以利用加减抑制（AMS）方法57，调整天线接收功率，从所有天线的 CSI 振幅中减去恒定值，并在参考天线的 CSI 振幅中加上恒定值，因此包含正确时延-多普勒信息的项，在共轭乘法输出中具有更高的功率，能够在频谱中识别出来，从而粗略地去除镜像分量。CACC 处理的优点是消除了时钟异步引起的相位噪声，同时采用带通滤波器（BPF）保留了所有的有用信号以及信号的线性性质，便于使用

97、传统感知算法进行计算。但其缺点在于估计的参数变为相对值，待估计量增加为原先的 2 倍，同时产生的镜像成分会引起感知模糊。CACC 算法的处理流程如图所示。图6-4 CACC算法处理流程具体地，将多径传播信号分为静态和动态路径，动态分量是移动目标反射的路径，静态分量是由环境中直接路径信号传播（LoS）和其他静态物体的反射路径组成，分别记作静态组 Ps（fD=0）和动态组 Pd（fD 0）59，转换为,=1,21,2,0,?+,0,+,0,?+1,21,2,0,?由于静态信号随时间不变，第一个求和项可以通过高/带通滤波器去除；并且由于静态信号比运动物体反射的信号强得多，第三个求和项比前两项弱几个数

98、量级，故可以忽略不计。对于第二个求和项，可以得到：,0,=2,2,0,37/53,0,=2,2,0,这两项包含了我们关心的时延和多普勒等信息。由于两个近距离天线具有相似的多径，这两项呈现镜像特点。为了抑制镜像分量，可以利用 AMS 方法，调整天线接收功率，从所有天线的 CSI 振幅中减去恒定值，并在参考天线的 CSI 振幅中加上恒定值：,0,=+=,0,因此包含正确时延-多普勒信息的项，在共轭乘法输出中具有更高的功率，能够在频谱中识别出来，由此可以粗略地去除镜像分量。交叉天线信号比（CASR）算法56是将每个接收天线的 CSI 与参考天线相除，并通过莫比乌斯变换进行分解，保证了天线间时钟异步引

99、起的相位噪声被抵消，也能够消除接收天线间常见 CSI 失真，如 AGC 效应。同时把动态相位和静态常量分离，根据其保圆性和保角性，在复平面进行映射可以很方便地求解单目标问题。其缺点在于由于 CSI 商的非线性特性，难以解决多目标以及多动态路径的问题。对于单目标场景，CASR 处理的具体流程如图所示。图6-5 CASR算法处理流程具体地，在不丧失一般性的前提下，假设只有一条动态反射路径，即只有一条反射路径与目标的运动相对应时，信道模型可表示为,=,+,其中，CSI 被分为静态分量,和动态分量,。由于相位噪声的存在，我们不能直接使用 CSI 相位信息进行细粒度感知。类似于 CACC处理方法，对第

100、p 个接收天线与参考天线的 CSI 相除，并通过莫比乌斯变换进行分解，得到,=,+,0,0,+,0,38/53=,0,+,0,0,+,0,+,0,=+1,0,1,0,+,0,其中，表示一个关于 AoA 的函数，即与两天线位置有关。假设在目标小幅移动时，估计参数在相干处理间隔 CPI 内几乎不变，因此 AOA 和静态分量均变化很慢，和 Hs几乎可以认为不变，从而将上式转换为,=+1,0,1,0,+2=A+,+2,其中，A、B、C 在短时间可视为不变的成分，(m,g)表示多普勒和时延引起的相位变化。根据莫比乌斯变换的保圆性和保角性，从复平面映射角度可以发现，在静态功率大于目标反射信号的动态功率时，

101、单目标的 CSI 商具有和 CSI 相同的相位变化特征，可以用于感知信号处理。而多目标时，CSI 商使得信号特征非线性化，难以使用传统的感知方案进行目标估计。6.2.4 互易性校准方案互易性校准方案对于传统的单站感知，不同接收天线共享相同的 RF 振荡器，不同的接收天线存在相同的时间偏差和频率偏差，通常可采用线性拟合方案、CACC 方案和 CASR 方案消除时间偏差和频率偏差58。在无蜂窝系统中，由于多站可以共时钟但是不共享相同的 RF 振荡器，（1）不同的接收天线存在不同的时间偏差和频率偏差；（2）不同的接收站存在不同的空间分布时延。因此无蜂窝多站感知至少需要知道一个已知位置的反射体来校准绝

102、对时间，并且可以采用基于互易性校准的非理想因素消除方案。感知非理想因素主要包括时钟偏差和本振频率偏移等。在通信的时间同步过程和频率同步过程中，并不需要区分时钟偏差和信号传播时延，本振频率偏移和多普勒频率。但通信的互易性校准过程中需要区分时钟偏差和本振频率偏移。采用典型的基站侧双向校准信道矩阵建模6061，RRU 天线间互相收发校准（感知）导频，估计出双向校准信道矩阵，双向校准信道各元素可以建模为：,=,2,2=11,?39/53,=,2,2=11,?其中,代表基站侧第个RRU上第根天线的射频接收增益，,代表基站侧第个RRU上第根天线的射频发射增益，,。同理,是这两根天线之间在时隙的空中信道，包

103、含大尺度、小尺度衰落，根据互易性有,=,，,，并且空中信道处于慢变状态时，可以认为,=,1；,=是时隙第个 RRU 和第个 RRU 之间的本振频率差。,是第个 RRU 和第个 RRU 之间的时钟偏差。基站侧各天线互相收发校准信号，估计出 RRU 天线间的双向信道之后，可以建模 RRU天线间的时钟偏差和本振频率偏移。(,),(,),=(,),(,),(,),(,),=,(,),(,)2,()2=1?1,(),(,),(,)2,()2=1?1,()=,(,),(,),(,),(,)4,()4=1?(1),()假设利用单向校准信道,进行感知，空口信道采用确定性建模，可以建模为,=022?表1非理想因

104、素影响真值解算值非理想因素时延（距离）+多普勒.+仅考虑时钟偏差，若假设天线之间本振频率同步良好，不存在本振频率偏移，仅存在时钟偏差，则 RRU 天线间的时钟偏差可以建模为,=,4（1）若时钟偏差为常数各节点之间的时钟偏差可以通过多子载波利用 FFT 或者线性拟合算法估计得到。该场景下，基于校准信号的距离感知误差和基于位置定标的距离感知误差理论上相同。40/53（2）若时钟偏差为变量对于大规模分布式多节点而言，基于校准信号的定标仅需要知道一个节点的绝对距离即可完成系统内所有节点的绝对距离解算，实现复杂度远小于基于位置定标的方案。若时钟偏差和多普勒频移同时存在，若假设天线之间本振未完全同步，比如

105、在实际部署中，两个 RRU 的前传卡属于不同的时钟源，则不同 RRU 之间的天线之存在时钟偏差和本振频率偏移，可以建模为,=,44=11,?（1）若时钟偏差为常数，本振频率偏移为常数各节点之间的本振频率偏移可以通过多时隙信号利用FFT或者线性拟合算法估计得到。（2）若时钟偏差为常数，本振频率偏移为变量各节点之间的本振频率偏移引起的变化可以等效为受到时域随机相位的影响，可以通过跟踪参考径的时域随机相位实现。（3）若时钟偏差为变量，本振频率偏移为常数需要先消除时钟偏差，再利用通过多时隙信号利用 FFT 或者线性拟合算法估计得到各节点之间的本振频率偏移。（4）若时钟偏差为变量，本振频率偏移为变量需要

106、先消除时钟偏差，再通过跟踪参考径的时域随机相位实现本振频率偏移的消除。41/537 协作通感一体原型试验系统协作通感一体原型试验系统7.1 多人呼吸感知验证多人呼吸感知验证目前大多数多人呼吸传感系统仍然依赖于多天线设置，可探测目标的数量受到天线数量的严格限制。为了放宽对天线的限制，进一步发挥分布式系统的优势，以协作通感系统中使用一对收发节点为例，考虑到收发器之间的时钟不同步，信道模型可建立如下：(,)=()(=1,?2()+)=()+(),其中，()是时变相位偏移，,=2，b代表静态路径信号，包括 LoS 信号和其他独立于移动目标的静态散射路径。代表动态路径，代表静态路径。图7-1测试场景图使

107、用 ECA 算法分离静态信号子空间和动态信号子空间。将一段时间内的空环境数据作为参考信号，利用反射的动态信号与静态信号子空间正交这一事实，将接收信号投影到静态路径所扩展的空间中，从而实现感知中的杂波抑制。类似于上文的时域随机相位补偿，基于静态分量，可以通过提取时钟不同步引起的相位偏移，从而在保持信号线性特性的情况下获取干净的 CSI 信号?(,)?(,)=()?()(=1,?2()+)=1,?2()+其中是补偿后的相位残差，通常可以忽略。针对干净的 CSI 信号?(,)，采用信号分解的思路实现多目标感知。考虑到设备上的天线数量远少于 OFDM 符号中的子载波数量，而 CSI 信号的子载波与天线

108、维度具有对称性，因此在子载波维进行信号分解可以显著提高分解精度。对于多人场景，生命体征信号具有非高斯且不相关的特性，采用 ICA 分解可以很好的得到不同目标反射信号。重构后的接收信42/53号仍可视为源信号2()的线性组合62。远端实验对象与基站之间的距离分别为 4.8 米、20.8 米和 28.8 米。表 2 列出了每次实验的距离（单程）和相应的呼吸频率。表2多人呼吸实验设置目标编号单程距离(m)与呼吸频率（Hz）Test#1Test#2Test#3#11.6m/0.25Hz12.8m/0.167Hz20.8m/0.167Hz#24.8m/0.167Hz20.8m/0.5Hz28.8m/0.

109、5Hz采用所提出的方法处理接收到的 CSI，实验结果如图 7-2 所示，Test#1 中估计频率的平均相对误差约为 2%。两个受试者的呼吸模式如图 7-2 所示。图7-2多人呼吸感知验证实验结果图Test2 和 Test3 的结果分别如图 7-2（c）和（d）所示。在 Test2 中，平均相对误差为 4.5%，而在 Test3 中，平均相对误差为 14%。可以看出，由于路径损耗，频率估计的相对误差随着受试者与收发器之间距离的增加而增大。43/53在长距离情况下，建议的方法表现出相对较好的性能。当相对误差限制在 3%以下时，建议的方法可以检测到距离收发器 12.8 米远的人的呼吸频率。如果可接受

110、的误差范围放宽到 10%，检测范围可进一步扩大到 20 米。7.2 微动感知验证微动感知验证在微位移场景下，大部分路径保持静止不变，只有发生微位移的信号路径发生变化，因此整体信道模型可以建模为静态部分和微位移部分(,)=+,+=2?+2?212+其中，S 表示静态路径集合，D 表示动态路径集合，表示信道噪声。不妨假设发生微位移部分的形变量相同，可以利用微位移路径在相邻的时间间隔内的相位变化解算形变量。设计的通感信号等周期间隔发射，考虑整周相位模糊性，因此通感信号的微位移部分的载波相位变化可以建模为：=22+因此，如果可以正确提取微位移部分的相位变化，则微位移可以解算为=22 2 仿真设置如所示

111、：表3微位移仿真设置参数配置载波26GHz子载波间隔120kHz感知符号采样间隔0.625ms信道模型2 径模型感知簇/静态簇系数44/53图7-3不同SNR时微位移估计误差图 7-3 可见即使在位移簇相比于静态簇强度系数差距在 9dB，在信噪比-4dB 时，也可以准确测量出毫米级位移。随着能量簇强度系数的缩小，测量精度提高。如果位移簇是回波的主要能量成分，那么在-10dB 的信噪比下也可以实现毫米级测量。实现了微弱信号的微位移测量。图7-4室外微位移估计误差室外实测结果可见，实验设置每次位移 5mm，解算结果平均误差在 1mm 以内，验证了微位移感知的有效性和可靠性。45/538 总结与展望

112、总结与展望本白皮书全面系统地探讨了协作通感一体化技术的多个维度，包括其体系架构、关键技术、理论基础与应用场景，提出了容量-失真折中理论与感知信息论，为通信与感知性能的联合优化提供了理论支撑，探讨了波形设计、帧结构、波束管理、多点信号融合等物理层关键技术方案，研究了多点时频同步、干扰管控等工程化难题，并通过原型试验验证了其在多人呼吸监测与微动感知等场景中的高精度能力，推动了协作通感一体化技术从理论探索迈向工程实践，为构建 6G 网络中高效、智能、全域覆盖的通感融合系统提供了坚实的理论支撑和技术指导。当前关于协作通感一体化技术的研究已在通感网络架构设计、多点信号处理及应用验证等方面取得重要进展。然

113、而，协作通感一体化技术仍处于研究初期阶段，面临诸多挑战与待解难题。首先，通感融合的理论体系尚需完善，感知信息论与通信信息论的深度融合、系统性能边界的统一度量仍需进一步探索，以提供更普适的理论支撑。其次，关键技术的标准化亟待推进，包括通感波形、帧结构、多点时频同步等标准的制定，以确保不同系统兼容的鲁棒性及大规模部署的可行性。此外，复杂场景下的高精度感知、干扰管控及资源管理算法的演进仍需持续突破，结合人工智能技术开发自适应、高效的解决方案将成为重要方向。最后，协作通感一体化需与垂直行业深度结合，拓展在工业互联网、低空经济、元宇宙等新兴场景的应用，推动全域智能服务的生态构建。在后续工作中，希望协同学

114、术界和产业界，共同完善协作通感技术路线，打造协作通感产业链，充分发挥协作通感技术在下一代网络中的重要作用，为网络强国、数字中国的建设提供优质的数字化服务。46/53参考文献参考文献1Wei Z,Liu F,Masouros C,et al.Toward multi-functional 6G wireless networks:Integrating sensing,communication,and securityJ.IEEE Communications Magazine,2022,60(4):65-71.2Greco M S,Gini F,Stinco P,et al.Cognitiv

115、e radars:On the road to reality:Progress thus far and possibilitiesfor the futureJ.IEEE Signal Processing Magazine,2018,35(4):112-125.3Zhang J,Wang F Y,Wang K,et al.Data-driven intelligent transportation systems:A surveyJ.IEEETransactions on Intelligent Transportation Systems,2011,12(4):1624-1639.4D

116、a Xu L,He W,Li S.Internet of things in industries:A surveyJ.IEEE Transactions on industrialinformatics,2014,10(4):2233-2243.5Chen M,Challita U,Saad W,et al.Artificial neural networks-based machine learning for wireless networks:AtutorialJ.IEEE Communications Surveys&Tutorials,2019,21(4):3039-3071.6Z

117、anella A,Bui N,Castellani A,et al.Internet of things for smart citiesJ.IEEE Internet of Things journal,2014,1(1):22-32.7Baker S B,Xiang W,Atkinson I.Internet of things for smart healthcare:Technologies,challenges,andopportunitiesJ.Ieee Access,2017,5:26521-26544.8Menouar H,Guvenc I,Akkaya K,et al.UAV

118、-enabled intelligent transportation systems for the smart city:Applications and challengesJ.IEEE Communications Magazine,2017,55(3):22-28.9Wang D,You X,Huang Y,et al.Full-spectrum cell-free RAN for 6G systems:System design andexperimental resultsJ.Science China information sciences,2023,66(3):130305

119、.10 紫金山实验室.一种基于无蜂窝的通感一体化架构和实现方法:202411746846.XP.2025-03-07.11 Xu F,Liu S,Mao Z,et al.Access Point Deployment for Localizing Accuracy and User Rate in Cell-FreeSystemsC/Proceedings of the 30thAnnual International Conference on Mobile Computing and Networking.2024:2148-2154.12 Chiriyath A R,Paul B,Jac

120、yna G M,et al.Inner bounds on performance of radar and communicationsco-existenceJ.IEEE Transactions on Signal Processing,2015,64(2):464-474.13 Kumari P,Nguyen D H N,Heath R W.Performance trade-off in an adaptive IEEE 802.11 ad waveformdesign for a joint automotive radar and communication systemC/20

121、17 IEEE International Conference onAcoustics,Speech and Signal Processing(ICASSP).IEEE,2017:4281-4285.14 Guo D,Shamai S,Verd S.Mutual information and minimum mean-square error in Gaussian channelsJ.47/53IEEE transactions on information theory,2005,51(4):1261-1282.15 Ahmadipour M,Kobayashi M,Wigger M

122、,et al.An information-theoretic approach to joint sensing andcommunicationJ.IEEE Transactions on Information Theory,2022,70(2):1124-1146.16 东南大学.一种远距离高精度通感一体化探测波形设计方法:202411758707.9P.2025-03-07.17 徐大专,张晗,胡超,等.雷达探测的理论极限J.Journal of Data Acquisition&Processing/Shu Ju Cai JiYu Chu Li,2021,36(2).18 徐大专,

123、胡超,潘登,等.目标检测定理J.Journal of Data Acquisition&Processing/Shu Ju Cai Ji YuChu Li,2020,35(5).19 徐大专，张小飞.感知信息论M.20 Liu C,Li M,Hanly S V,et al.Millimeter-wave small cells:Base station discovery,beam alignment,andsystem design challengesJ.IEEE Wireless Communications,2018,25(4):40-46.21 Xiao Z,He T,Xia P,e

124、t al.Hierarchical codebook design for beamforming training in millimeter-wavecommunicationJ.IEEE Transactions on Wireless Communications,2016,15(5):3380-3392.22 Kim T,Love D J.Virtual AoA and AoD estimation for sparse millimeter wave MIMO channelsC/2015IEEE 16th International Workshop on Signal Proc

125、essing Advances in Wireless Communications(SPAWC).IEEE,2015:146-150.23 Heng Y,Mo J,Andrews J G.Learning Site-Specific Probing Beams for Fast mmWave Beam AlignmentJ.IEEE Transactions on Wireless Communications,2022,21(8):5785-5800.24 Hu Q,Liu Y,Cai Y,et al.Joint Deep Reinforcement Learning and Unfold

126、ing:Beam Selection and Precodingfor mmWave Multiuser MIMO With Lens ArraysJ.IEEE Journal on Selected Areas in Communications,2021,39(8):2289-2304.25 刘升恒,于一鸣,王仕博,等.面向无蜂窝通感一体化系统的智能波束扫描方法J.信号处理,2024,40(10):1866-1874.26 Luo D,Wen G,Liang Y,et al.Beam Scheduling for Early Warning With Distributed MIMO Ra

127、darsJ.IEEETransactions onAerospace and Electronic Systems,2023,59(5):6044-6058.27 Jang D,Song H L,Ko Y C,et al.Distributed Beam Tracking for Vehicular Communications viaUAV-Assisted Cellular NetworkJ.IEEE Transactions on Vehicular Technology,2023,72(1):589-600.28 Liu F,Yuan W,Masouros C,et al.Radar-

128、Assisted Predictive Beamforming for Vehicular Links:Communication Served by SensingJ.IEEE Transactions on Wireless Communications,2020,19(11):7704-7719.48/5329 Zhao J,Gao F,Kuang L,et al.Channel tracking with flight control system for UAV mmWave MIMOcommunicationsJ.IEEE Communications Letters,2018,2

129、2(6):1224-1227.30 Lim J,Park H M,Hong D.Beam tracking under highly nonlinear mobile millimeter-wave channelJ.IEEECommunications Letters,2019,23(3):450-453.31 Zhu D,Choi J,Heath R W.Auxiliary beam pair enabled AoD and AoA estimation in closed-loop large-scalemillimeter-wave MIMO systemsJ.IEEE Transac

130、tions on Wireless Communications,2017,16(7):4770-4785.32 Si P,Han Y,Jin S.Deep learning based millimeter wave beam tracking at mobile user:Design andexperimentC/2020 IEEE/CIC International Conference on Communications in China(ICCC).IEEE,2020:401-406.33 Meng K,Masouros C.Cooperative sensing and comm

131、unication for ISAC networks:Performance analysisand optimizationC/2024 IEEE 25th International Workshop on Signal Processing Advances in WirelessCommunications(SPAWC).IEEE,2024:446-450.34 Wei Z,Liu H,Li H,et al.Integrated Sensing and Communication Enabled Cooperative Passive SensingUsing Mobile Comm

132、unication SystemJ.IEEE Transactions on Mobile Computing,2024.35 Uluisik C,Cakir G,Cakir M,et al.Radar cross section(RCS)modeling and simulation,part 1:a tutorialreview of definitions,strategies,and canonical examplesJ.IEEE Antennas and Propagation Magazine,2008,50(1):115-126.36 Li R,Xiao Z,Zeng Y.To

133、ward seamless sensing coverage for cellular multi-static integrated sensing andcommunicationJ.IEEE Transactions on Wireless Communications,2023,23(6):5363-5376.37 Braun K M.OFDM radar algorithms in mobile communication networksD.Karlsruhe,Karlsruher Institutfr Technologie(KIT),Diss.,2014,2014.38 Nao

134、umi S,Bazzi A,Bomfin R,et al.Complex neural network based joint AoA and AoD estimation forbistatic ISACJ.IEEE Journal of Selected Topics in Signal Processing,2024.39 Chiang H L,Chen K C,Rave W,et al.Multi-UAV mmWave beam tracking using Q-learning andinterference mitigationC/2020 IEEE International C

135、onference on Communications Workshops(ICCWorkshops).IEEE,2020:1-7.40 Muccio A.B.and Scruggs T.B.Moving Target Indicator(MTI)applications for Unmanned Aerial Vehicles(UAVS)C/2003 Proceedings of the International Conference on Radar.Adelaide,SA,Australia.2003:541-546.49/5341 Nitzberg Ramon.1972.Consta

136、nt-False-Alarm-Rate Signal Processors for Several Types of Interference.IEEE Transactions onAerospace and Electronic Systems,1972,8,(1):27 34.42 Pei S.and Yeh M.Two dimensional discrete fractional Fourier transform J.Signal Processing,1998,67(1):99-108.43 Bahador Khaleghi,Alaa Khamis,Fakhreddine O.K

137、array,Saiedeh N.Razavi.Multisensor data fusion:Areview of the state-of-the-art J.Information Fusion.2013,14(1):28-44.44 Sakhnini A,De Bast S,Guenach M,et al.Near-field coherent radar sensing using a massivemimocommunication testbedJ.IEEE Transactions on Wireless Communications,2022,21(8):6256-6270.4

138、5 Yang J.,Jiang J.,Li J.,et al.Uncertainty estimation and multi-FOV data fusion for star sensors based ondirectional statisticsJ.IEEE Transactions on Instrumentation and Measurement,2024,73:1-15.46 Xiong K.,Cui G.,Yi W.,et al.Distributed localization of target for MIMO radar with widely separateddir

139、ectional transmitters and omnidirectional receiversJ.IEEE Transactions on Aerospace and ElectronicSystems,2023,59(3):3171-3187.47 Ren M,He P,Zhou J.Improved shape-based distance method for correlation analysis of multi-radar datafusion in self-driving vehicleJ.IEEE Sensors Journal,2021,21(21):24771-

140、24781.48 Ouyang C,Liu Y,Yang H.On the performance of uplink ISAC systemsJ.IEEE Communications Letters,2022,26(8):1769-1773.49 Q.Wu,Z.Sun,and X.Zhou,“Interference detection and recognition based on signal reconstruction usingrecurrent neural network,”in 2019 IEEE Globecom Workshops(GC Wkshps),2019,pp

141、.1650 X.Liu,T.Huang,N.Shlezinger,Y.Liu,J.Zhou,and Y.C.Eldar,“Joint transmit beamforming for multiuserMIMO communications and MIMO radar,”IEEE Trans.Signal Process.,vol.68,pp.39293944,2020.51 X.Chen,Z.Feng,Z.Wei,J.A.Zhang,X.Yuan,and P.Zhang,“Concurrent downlink and uplink jointcommunication and sensi

142、ng for 6G networks,”IEEE Trans.Veh.Technol.,vol.72,no.6,pp.81758180,202352 K.Meng and C.Masouros,Cooperative Sensing and Communication for ISAC Networks:PerformanceAnalysis and Optimization,2024 IEEE 25th International Workshop on Signal Processing Advances inWirelessCommunications(SPAWC),Lucca,Ital

143、y,2024,pp.446-450,doi:10.1109/SPAWC60668.2024.10694260.53 X.Zhao,X.Zhang,S.Li,F.Jiang,and J.Peng,“Acooperative interference eliminated mechanism in MIMOsystems,”in 2018 IEEE International Conference on Big Data and Smart Computing(BigComp),2018,pp.569572.50/5354 Sen S,Radunovic B,Choudhury R R,et al

144、.You are facing the Mona Lisa:Spot localization using PHY layerinformationC/Proceedings of the 10th international conference on Mobile systems,applications,andservices.2012:183-196.55 Qian K,Wu C,Zhang Y,et al.Widar2.0:Passive human tracking with a single Wi-Fi linkC/Proceedingsof the 16th annual in

145、ternational conference on mobile systems,applications,and services.2018:350-361.56 X.Li,J.A.Zhang,K.Wu,Y.Cui and X.Jing,CSI-Ratio-Based Doppler Frequency Estimation inIntegrated Sensing and Communications,in IEEE Sensors Journal,vol.22,no.21,pp.20886-20895,1Nov.1,2022,doi:10.1109/JSEN.2022.3208272.5

146、7 Li X,Zhang D,Lv Q,et al.IndoTrack:Device-free indoor human tracking with commodity Wi-FiJ.Proceedings of theACM on Interactive,Mobile,Wearable and Ubiquitous Technologies,2017,1(3):1-22.58 X.Wang,Q.Jiang,L.Sun,D.Wang,C.Li and Q.Zhang,Intrusion Detection of UAVs in Cell-FreeNetworks with Clock Asyn

147、chronism,2024 IEEE International Conference on Unmanned Systems(ICUS),Nanjing,China,2024,pp.1492-1497,doi:10.1109/ICUS61736.2024.10839792.59 Zhao J,Lu Z,Zhang J A,et al.Multiple-Target Doppler Frequency Estimation in ISAC with ClockAsynchronismJ.IEEE Transactions on Vehicular Technology,2023.60 梁祥虎,

148、王晓妮,李原,等.无蜂窝大规模 MIMO 的接入点间同步与空口校准技术J.中兴通讯技术,2024,30(3):81-90.61 Cao Y,Wang P,Zheng K,et al.Experimental performance evaluation of cell-free massive MIMO systemsusing COTS RRU with OTA reciprocity calibration and phase synchronizationJ.IEEE Journal on SelectedAreas in Communications,2023,41(6):1620-1

149、634.62 X.Sun,Q.Jiang,D.Wang,H.Hou,and Q.Zhang,Multi-Target Respiration Sensing Based on Cell-FreeMillimeter-Wave System,in 2024 IEEE International Conference on Unmanned Systems(ICUS),18-20 Oct.2024 2024,pp.1486-1491.51/53缩略语列表缩略语列表缩略语英文全名中文解释TRPTransmission and Reception Point收发节点OFDMOrthogonal Fre

150、quency Division Multiplexing正交频分复用CF-RANCell-Free Radio Access Network无蜂窝无线接入网RRURemote Radio Unit远端射频单元UEUser Equipment用户设备EDUEdge Distributed Unit边缘分布式单元UCDUUser-Centric Distributed Unit用户为中心处理单元eCPRIEnhanced Common Public Radio Interface增强的公共无线电接口CSCUCommunication and Sensing Centralized Unit通感一体

151、集中式控制单元CSDUCommunication and Sensing Distributed Unit通感一体处理单元L-PHYLow-level Physical Layer低层物理层L-SENLow-level Sensing低层感知模块MACMedia Access Control媒体访问控制层H-PHYHigh-level Physical Layer高层物理层H-SENHigh-level Sensing高层感知模块PDFProbability Density Function概率密度函数EEEntropy Error熵误差ORANOpen Radio Access Networ

152、k开放无线接入网AAUActive Antenna Unit有源天线单元CPCyclic Prefix循环前缀FFTFast Fourier Transform快速傅立叶变换IFFTInverse Fast Fourier Transform快速傅立叶逆变换3GPP3rd Generation Partnership Project第三代合作伙伴计划TDDTime Division Duplexing时分双工TATime Advance时间提前BBUBaseband Unit基带处理单元52/53EKFExtended Kalman Filter扩展卡尔曼滤波ABPAuxiliary Beam

153、 Pair辅助波束对MUSICMultiple Signal Classification多信号分类ESPRITEstimation of Signal Parameters via RotationalInvariance Techniques旋转不变技术信号参数估计RCSRadar Cross Section雷达散射截面AoAAngle ofArrival到达角AoDAngle of Departure离开角LSLeast Squares最小二乘CFARConstant False Alarm Rate恒虚警检测2D-FFT2-dimensional fast Fourier transf

154、orm二维快速傅里叶变换MTIMoving Target Indication动目标显示ECAExtended Cancellation Algorithm扩展相消算法NPNeyman-Pearson Criterion奈曼-皮尔逊准则MAPMaximumAPosteriori Criterion最大后验准则ToATime ofArrival到达时间TDoATime Difference ofArrival到达时间差MIMutual Interference互干扰CLICross-Link Interference跨链路干扰SICSuccessive Interference Cancella

155、tion连续干扰消除SINRSignal to Interference plus Noise Ratio信噪比TODTime of Day时间戳PPSPulse Per Second秒脉冲CSIChannel State Information频域信道状态信息LoSLine of Sight直接路径信号传播CACCCross-Antenna Cross Correlation交叉天线互相关CASRCross-Antenna Signal Ratio交叉天线信号比BPFBand-Pass Filter带通滤波器AMSAdd-Minus Suppression加减抑制53/53编写组成员编写组成员感谢以下科研单位对本白皮书撰写工作的大力支持与无私奉献。紫金山实验室：黄永明、刘升恒、曾勇、王东明、徐大专、侯华舟、方园、尤建洁中国联通研究院：李福昌、张忠皓、杨艳、高帅、马静艳、马青阁、王璐璐东南大学：徐凡非、李兴康、姜庆基、王仕博、颜贺、胡允浩、李双钰、高致远、蔡睿安、王筱筱、孙晓旭、刘畅