何佳 周知 李先进 李欧鹏 陈雁 王光健
(1.成都华为技术有限公司2012实验室无线技术实验室，成都 610000；
(2.华为技术有限公司2012实验室渥太华无线先进能力中心，加拿大渥太华 30-3420)
5G为万物互联(IoE)打开了大门，移动网络的重点已经从移动宽带连接人，转移到了使用超可靠的低延迟通信和海量机器类型通信。预计6G将成为互联智能的平台，以移动网络智能地连接大量设备。可以预见,6G将开启互联智能的新时代，以应对人类和社会在许多方面的挑战。特别是，6G将作为一个分布的神经网络，提供感知、通信和计算能力，融合物理、网络和生物世界，真正迎来一个万物都将被感知、连接和智能的时代[1]。
在6G移动通信系统中，使用更高的频段、更大的带宽和更密集的大规模天线阵列分布，将便于使无线信号感知和通信集成在一个系统中，以实现互利[1-3]。一方面，整个通信网络可以作为感知设备。网元发送和接收的无线电信号以及无线电波的传输、反射和散射可以用来感知和更好地理解物理世界。从无线电信号中获取距离、速度和角度信息的能力可以提供广泛的新服务，如高精度定位、手势捕获和活动识别、被动物体检测和跟踪，以及成像和环境重建[1，4]。这称为“网络即感知器”。另一方面，从感知中获得的高精度定位、成像和环境重建能力可以提高通信性能——例如，更准确的波束成形、更快的波束故障恢复以及跟踪信道状态信息(Channel State Information，CSI)时的开销更少[5-6]。这被称为“感知辅助通信”。此外，感知是一个“新渠道”，它观察、采样并将物理和生物世界与网络世界联系起来。因此，实时感知对于使数字孪生在未来成为现实至关重要。
一方面，虽然低频段仍然是广覆盖最具成本效益的方式，但由于感知等新驱动因素，毫米波频段在5G和6G中变得成熟。另一方面，半导体技术的最新发展弥合了“太赫兹GAP”，预计这将刺激各种太赫兹感知应用，如超高分辨率成像和分子水平光谱分析。此外，太赫兹波段的标准化和监管研究目前正在进行[7]。随着集成器件和电路的发展，以及需要超高数据传输速率的各种业务的出现，在2019年世界无线电通信大会(WRC-19)上，RR No. 5.564A获得批准，4个全球统一频段，总带宽为137 GHz实施陆地移动和固定服务应用。因此，随着WRC分配的频谱的增加，移动服务(MS)频谱超过230 GHz。除了更宽的频谱和更多的天线数量外，感知功能和性能还将通过其他技术创新进一步实现，如基站与用户设备(UE)之间的更大合作规模、通信和感知波形的联合设计、先进的干扰消除技术，以及原生AI能力，以更好地处理感知数据。
接下来，本文将讨论典型的ISAC应用场景和典型关键性能指标(Key Performance Indicator，KPI)的汇总，从而进一步讨论通信感知一体化的挑战和使能技术，然后详细介绍ISAC在毫米级分辨率成像和厘米级环境重构中的应用示例。
1.1 应用场景
无线感知，主要包括定位、运动检测和成像，长期以来一直是与移动通信系统并行开发的一项单独技术。定位是移动通信系统直到5G唯一可以提供的感知服务，主要面对的是发射信号的终端和汽车等有源设备。而在6G中提供更广义的感知业务，及提供有源设备和无源物体的感知能力。该ISAC的能力将使移动通信系统运营商能够提供许多新的服务。这些服务包括非常高精度的定位、定位和跟踪、生物医学和安全应用的成像、同步定位和测绘以自动构建复杂室内或室外环境的地图、污染或自然灾害监测、手势和活动识别、缺陷和材料检测以及许多其他服务[1]。这些服务反过来将为未来的消费者和垂直行业提供各种业务的应用场景。未来ISAC系统可能支持的潜在新服务如表1所示，不同应用/行业(垂直行业、消费者和公共服务)的用例分为4个功能类别(高精度定位和跟踪；
同步成像、映射和定位；
增强人类感知；
手势和活动识别)。值得一提的是，6G网络除了利用通信信号，提供感知这项新服务外，感知结果还可以用于协助通信和定位，再次用于通信网络性能优化。
表1 6G通信感知一体化应用及场景
1.2 用例与KPI
在ISAC背景下，为检测能力引入了几个新的KPI。
(1)覆盖范围：系统可以检测到对象的范围和视场限制。
(2)准确度：检测值和实际值在范围、角度、速度等方面的差异。
(3)分辨率：多个物体在范围、角度、速度等方面的分辨。
(4)检测/漏检概率：当对象存在/不存在时，检测到对象的概率。
(5)可获得性：系统能够根据需要提供感知服务的时间百分比。
(6)刷新率：感知数据刷新速率。
根据上节的应用场景和用例定义和本节的关键性能指标，可以表2中的高精度定位和跟踪为例，说明该服务的性能指标。需要注意的是，由于感知的业务种类的多样性，各场景对应的定义关键性能指标类型不一定完全一致。
表2 高精度定位与跟踪KPI示例
因此多样化的感知业务，也要求了多样化的关键技术。在此同时，3GPP已经启动了一些使用5G空中接口的用例和潜在ISAC要求的初步研究。同时，欧洲Hexa-X等组织也进行了6G中的ISAC的用例和场景研究[8]。根据以上的用例总结，可在图2中使用时延和感知准确度作为典型KPI，和5G中的定位指标比较。由此可发现，部分ISAC用例是可以被3GPP R17指标所覆盖的，而0.1～10 ms的低延时感知业务和0.001～0.1 m的高精度感知业务还难以得到满足。
图2 感知用例部分KPI指标汇总和比较
2.1 ISAC信道与评估方法
在6G中，通信和感知业务都需要考虑信道模型。这给信道建模方法论带来了重大挑战。在5G之前，随机信道建模方法由于计算复杂度低，易于标准化，主导了无线通信的评估，并在3GPP-SCM、WINNER-I/II、COST 2100和MESTIS等许多项目和标准中使用[5]，它足以评估通信性能。然而，由于感知应用的多样性，统计模型是否仍然能够满足不同应用的多样化要求是一个需要回答的重要问题。
例如一个典型的感知信道是由反射回波建立的，它由物体及其周围环境的后向散射(Radar Cross Section，RCS)特性组成。这种类型的传播信道对电磁特性带来了新的要求。另一个典型的使用情形是高分辨率成像应用场景。这种类型的应用需要具备几何信息的确定性信道。这些要求与典型的随机信道建模方法是矛盾的。因此，传统的信道建模方法需要重新思考和创新。
2.2 ISAC联合波形与信号设计
感知和通信的信号设计主要集中在联合波形设计上。特别是，通信的主要目标是最大限度地提高频谱效率，而感知的最佳波形设计则侧重于参数估计分辨率和精度。
由于CP-OFDM已被证明是通信的有利选择，许多研究人员也考虑了这种波形用于感知[9][10]，但其峰均比较高是一个重要问题。另一方面，传统上用于雷达的调频连续波(Frequency-Modulated Continuous Wave，FMCW)波形也进行了一些修改[11-12]，以期获得一定的传输速率，但依然受到低频谱效率的影响。目前的技术水平表明，为了在良好的通信和感知性能之间取得平衡，波形还有一定设计空间。
2.3 ISAC硬件联合设计
在ISAC系统的设计中，基带和射频硬件共享是一个重要的重点领域。通信感知硬件一体化解决方案降低了两个系统的整体功耗、系统尺寸大小和信息交换延迟，同时也促进了感知和通信在失真校准和补偿中的互利。
但需要注意的是，鉴于通信和感知在评估指标和算法上的差异，硬件要求大不相同。例如，从OFDM ISAC的角度来看，有限的收发隔离度是检测静态或慢速移动目标的主要问题[13]。因此，ISAC系统中射频架构的合理设计和自干扰消除是需要解决的关键技术问题。另一个问题是，感知检测需要积累相干信号以确保较低信噪比下的性能，这使得系统对采样抖动、频偏和相位噪声更敏感[14]。这反过来又对系统的同步性和稳定性提出了更高的要求。简言之，我们需要在选择ISAC波形、感知算法和损伤补偿方案时考虑这些硬件挑战。
2.4 ISAC通感互助
2.4.1 感知辅助通信
在通信中使用感知获得的信息以提升性能可能是引入通信一体化的重要好处之一。感知通过回波以获得环境信息，以得到更确定性和可预测的传播信道。感知提供的环境知识不仅提高了毫米波中信道估计的准确性，也可以提供波束对准信息，或者减少链路阻塞，从而显著降低开销[15-17]。
2.4.2 通信辅助感知
移动通信网络也为合作感知提供了巨大的机会和好处。节点间通过移动网络共享感知结果，多个网络节点(基站、UE等)可以作为一个完整的感知系统发挥作用，该协作通过感知数据融合，降低了测量不确定性，并提供了更大的覆盖范围以及更高的感知精度和分辨率。这里的主要研究挑战将在于同步、联合处理、信息传递与压缩、网络资源分配等，以在低开销下实现最佳的感知融合结果。
如前所述，通信硬件设计挑战来自于在通信架构、成本、功耗上获得感知功能，要支持高精度感知分辨率。在方向域的性能上更为挑战，需要足够大的孔径(多达数千个天线元件)。然而，考虑到便携式设备的尺寸和功率限制，实际在终端上安装数千个天线元件是不可行的。因此，以下提出了一种基于MIMO结构和稀疏扫描方法的虚拟孔径解决方案。
虚拟孔径分两步构建[6]。在第一步中，在硬件架构中实现MIMO结构，以形成大于天线元件构建的物理孔径的虚拟孔径；
在第二步中，应用稀疏扫描方法，通过时间和空间的积累，将小孔径转换为较大的虚拟孔径。
虚拟孔径成像技术面临的一个主要挑战是测量的回波信号稀疏。水平方向上的回波采样是连续的，即采样点之间的空间间隔与回波信号的波长相当，但是无法在垂直方向上保持连续采样，这将导致高和不均匀的旁瓣效应，导致假伪影。我们使用基于压缩感知的3D层析技术[6]以减少伪影，提升成像质量。
另一方面，为了加快虚拟孔径形成速度，应用基于MIMO的多通道成像算法。多通道成像过程可以被视为来自多个接收通道的电磁信号的时域相干组合。理论上，在相同的成像质量下，n个接收器可以将采样时间缩短到1/n。但由于多通道硬件不一致性，不同接收机通道的增益和时延不平衡产生了重要问题。可使用基于自聚焦的优化算法以搜索并补偿多通道不平衡[6]。多通道不平衡补偿前后结果如图3所示。
图3 多通道不平衡补偿前(a)和补偿后(b)成像结果
以上两种技术的结合，我们通过图4中的140 GHz的成像设备进行了测试和验证。如图4所示，机械臂以1 m/s的速度扫描，在原型中扫描区域设置为10 cm×12 cm。同时控制扫描轨迹的纵向间距，以模拟用户手持扫描行为轨迹中的稀疏性。对图5(a)中的物体成像结果如图5(b)所示。其中3 mm级别的物体成像效果良好，试验验证以上方案具有较高的分辨率。
图4 140 GHz 手持成像设备和演示系统
图5 成像目标(a)和成像结果(b)
除了基于终端的高分辨感知成像应用外，以下将展示基于基站的环境感知应用及辅助通信结果。由于基站的阵列规模较大，可采用实阵列环境重构算法，利用图6所示步骤获得环境重构结果及感知辅助通信。
图6 环境重构与感知辅助通信流程
4.1 感知数据处理
由于噪声、多径等的影响，感知回波数据中存在一部分的虚假点，错位点。因此，需要对感知数据进行噪声去除的预处理。电磁感知数据存在很强的稀疏性，为了防止信息丢失，此处使用半径滤波[18]进行离群点去除。
半径滤波的原理如下：对点云中的每一个点pi，确定一个半径为r的邻域(即以pi为圆心，以r为半径的球体)； 图7 半径滤波去噪 感知数据分割通常分为两种：监督类和非监督类。监督类感知数据分割以深度学习(如PointNet，PointNet++等为代表)，然而监督类数据分割算法需要大量的标注数据集，而不同于激光雷达感知数据集，现有的电磁感知数据集非常少，且其难以解释性限制了大规模电磁感知数据集的发展； 通常用EM算法估计高斯混合模型参数。估计步骤为迭代过程，收敛条件为对数似然函数变化小于ε。EM算法流程如图8所示。 图8 EM算法流程 进行感知数据处理中的散射面形成算法时，我们采用包围框求解感知数据集最优包围空间，使用了基于主成分分析(Principal Component Analysis：PCA)的最小包围框算法[20]，算法流程如下。 (1)利用PCA主元分析法获得点云的3个主方向，获取质心，计算协方差，获得协方差矩阵，求取协方差矩阵的特征值和特征向量，特征向量即为主方向。 (2)基于获得的主方向和质心，将输入点云转换至原点，且主方向与坐标系方向重合，建立变换到原点的点云包围框。 (3)给输入点云设置主方向和包围盒，通过输入点云到原点点云变换的逆变换实现包围框的重映射。 基于以上方案和算法，本文以140 GHz基站为例，验证其环境重构效果及感知辅助通信性能。站点的配置如表3和图9所示。 表3 基站感知配置参数 图9 通感一体化基站示意图(a)和设备放置及场景图(b) 本文对比了包括K均值[21](K-Means)、基于密度的噪声应用空间聚类[22](Density-Based Spatial Clustering of Applications with Noise，DBSCAN)、谱聚类[23](Spectral Clustering)和高斯混合模型在内的4种感知数据分割方法，感知数据分割结果如表4所示。利用基于PCA的最小包围框对感知数据分割结果进行环境重构，室内环境重构结果如图10所示。 表4 四种分割算法环境重构误差 图10 基于高斯混合模型的室内环境重构结果 基于重构结果，我们可以得到室内环境中四面墙壁与实际环境的距离误差和法线误差(见表4)。可以看到，基于高斯混合模型分割结果的环境重构误差无论在距离还是在角度(法线方向对比)上，均表现出了优于其他非监督分割算法的性能，可实现厘米级环境重构精度。 基于上图的室内环境重构模型，跟踪散射面之间的传播关系，如图11(a)。可获得在感知辅助预估的通信信道，如图11(b)的三角形所示。进一步，实测的通信信道如图11(b)中X形所示。比较两者，发现其重叠度较高，尤其是蓝色圈中的高功率多径分量，感知辅助通信预估的多径与实测相比误差较小(见表5)。而黄色圈中的低功率多径分量，由于属于多次反射径，其预估值则相差稍大。 图11 基于散射面环境重构模型(a)和感知辅助通信结果(b) 表5 感知辅助通信预测结果与实测通信信道比较 随着ISAC的概念被公认为6G的关键技术趋势之一，本文总结了ISAC的使用场景和关键用例,还提出了应对ISAC系统级评估、新信道建模方法、新波形设计、低复杂度算法设计和低成本硬件设计方面的理论挑战。本文进一步从理论往实践，阐述了如何应用6G ISAC技术来实现高精度成像和感知辅助通信的两个案例研究。首先基于终端的太赫兹终端原型证明了在便携式设备上为隐蔽物体提供毫米级成像分辨率的可行性；
若邻域范围内的点数N
同时，相对于激光雷达感知数据，电磁感知数据非常稀疏，会丢失大量的空间特征，而PointNet等大量神经网络为代表的分割算法都是以学习目标的空间三维特征为基础的，因此，基于监督类的学习方法对于感知数据分割可能不是好的选择。在非监督类算法中，以下选择高斯混合模型[19]作为感知数据分割算法。
4.2 基于实测感知数据的环境重构结果
最后基于基站端初步验证了厘米级环境感知与纳米级感知辅助通信预测结果。