周知 何佳 瞿辉洋 黄煌 余子明 王光健
(成都华为技术有限公司,成都 610000)
0 引言
面向2030 年及未来,人类社会将进入智能化时代,数字世界与物理世界将无缝融合,随着增强现实、虚拟现实、混合现实等沉浸式媒体应用的不断涌现和窄带物联网、行业物联网和车到万物(Vehicle to Everything,V2X)的标准化,移动网络连接的重点已经由人转移到物。到6G 时期,将进一步演进到连接智能。可持续发展将驱动移动通信技术持续从5G 向6G迭代升级。未来,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。网络不再是单一功能的通信网络,而将提供感知、通信、计算的能力和数据服务,融合物理、网络和生物世界,真正迎来万物感知、连接和智能的时代[1]。
无线感知(包括定位、运动检测和成像)长期以来一直是与移动系统并行开发的一项单独技术,无线感知的典型应用如图1 所示,以往的有源定位目标主要是能发射电磁波的终端,如手机、车辆、物联网设备等。在6G 中,通信感知一体化(Integrated Sensing and Communication,ISAC)服务具有物理环境的检测能力,包含主动和被动目标,进一步包括无源物体,如建筑物、城市设施(广告牌、桥梁等)、交通情况(车辆、自行车、人等)等。通信感知一体化通过接收电磁波信号(经空间环境传播)求解空间环境的构成,通过虚拟环境(有源、无源物体和设备)的探测与重构,感知获取周围物理环境的信息,形成虚拟的数字世界,有助于探索通信能力,提升用户体验[2-4]。
图1 无线感知的典型应用
网络感知有望在6G 中实现连接智能。同时,利用从感知中获取的环境信息,以辅助通信获得更高的频谱效率,或者更健壮、具有弹性及易于恢复的网络,是感知辅助通信的主要课题。为了充分发挥通信网络在感知业务中的作用,本文进一步提出了多节点多态感知来提高感知性能,并讨论了通信感知一体化系统设计中的关键挑战和使能技术,重点讨论其中的空口波形设计准则和多站多态重构技术,最后详细介绍了ISAC 的应用示例,用基于室外场景的10 GHz 多站环境重构及辅助信道重建的测试结果,以证明其可行性。
1 通信感知一体化的关键挑战与使能技术
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 等多个项目和标准中使用[5],足以用于评估通信性能。然而在通信感知一体化中,通信和感知业务都需要考虑信道模型。由于感知应用的多样性,统计信道模型无法满足不同应用的多样化要求,尤其是在确定性场景的评估中,传统的信道建模方法需要重新思考和创新。而在ISAC系统的设计中,基带和射频硬件共享是研究的重点。硬件集成解决方案降低了系统之间的整体功耗、系统大小和信息交换延迟;通信感知一体化解决方案减少了时间、频率、空间和代码资源等开销;硬件一体化策略促进了感知和通信在失真校准和补偿中的互利功能。本文重点讨论其中的ISAC 联合波形与信号设计、网络与系统设计等。
1.1 ISAC 联合波形与信号设计
ISAC 的空口设计应尽可能考虑复用导频和序列设计以节约开销。其中,通信的导频设计通常针对较高的信噪比水平。然而,由于散射体的大小受限,散射体反射信号信噪比往往位于较低水平,感知检测需要积累相干信号以确保较低信噪比下的感知性能,这使得系统对采样抖动、频偏和相位噪声更敏感。反之对系统的同步性和稳定性提出了更高的要求。在选择ISAC 波形、感知算法和损伤补偿方案时需要考虑这些挑战。
感知与通信联合设计的工作大多集中在联合波形设计上[6-7]。循环前缀正交频分复用(Cyclic Prefix Orthogonal Frequency Division Multiplexing,CP-OFDM)已被证明是通信的有利选择,许多研究人员也考虑将此种波形用于感知,但其峰值平均功率比(Peak to Average Power Ratio,PAPR)较高是一个重要问题。尤其是在双站感知场景下,同步、相噪等非理想因素会对OFDM 感知造成影响。调频连续波(Frequency Modulated Continuous Wave,FMCW)通常用于雷达系统,但并不适用于确保通信服务所需的速率来传输数据,部分研究人员建议改进FMCW 波形[8-9],使其更适用于通信系统。通信感知一体化波形设计需要兼顾通信和感知的需求,具体可分为通信和感知共同的关键需求、通信为主的关键需求、感知为主的关键需求。其中,通信和感知共同的关键需求表现为以下几方面。
PAPR。通过统计瞬时信号功率相对于平均功率的概率分布来描述待发送波形起伏变化的程度。在单载波系统中,PAPR 主要取决于调制方式和成型滤波器;对于多载波系统,由于多路子载波信号的叠加,PAPR 主要取决于叠加信号的数目,由于多载波数目往往较大,因此多载波系统的PAPR 问题相对单载波系统更加严重。较大的PAPR 将使得功率放大器在高功率输出时的非线性特性显著增加,加剧带内非线性失真,并带来严重的带外频谱泄露问题,进而恶化接收机的误码率或感知精度。PAPR 对发送功率的影响体现在感知距离和感知目标的感知刷新率(Update Rate)等性能上。例如,面对雷达散射截面(Radar Cross Section,RCS)较小的目标,当发送功率降低,通常可以积累更长的时间以获得等效感知性能,但感知数据的刷新率会降低。因此在远距、小目标和高刷新率的感知业务中,PAPR 显得尤为重要。
带外泄露。波形本身必须控制带外泄露,保证对相邻信道的干扰和影响符合要求。通信波形针对带外泄露有众多研究,例如5G NR(即基于OFDM 的全新空口设计的全球性5G 标准)支持的F-OFDM 方案。ISAC 波形设计可以继续沿用之前的通信波形设计。
复杂度和功耗。低功耗是6G 的关键技术指标,通感一体化波形设计需要权衡复杂度和性能。针对不同的场景,复杂度和性能具有不同的权重。
频谱灵活性。不同的应用场景和不同政府对频率的分配可能导致不同的工作带宽,因此,在设计时要考虑频谱的灵活性。
多进多出(Multiple Input Multiple Output,MIMO)、多节点协作兼容性。MIMO、多节点协作是提升频谱效率和感知精度的有效手段,因此,通感一体化波形设计必须兼容MIMO 和多节点协作。
通信为主的关键需求主要体现在频谱效率和其它指标上。
频谱效率。频谱效率是通信最关注的指标,感知对通信频谱效率的影响主要体现在两个方面。第一,感知性能的提升需要对信号进行优化,而通信数据是随机的,这两者本身就是矛盾的。第二,感知信号与通信信号在时频空资源上的复用也需要重点考虑。图2分别呈现了频分和时分机制下,通信和感知信号的分布。此外,为了保证通信链路的传输效率,现有通信帧内的参考信号可以复用于感知。
图2 通信感知一体化在频分和时分机制下的频率分布
其它指标。其它和应用场景强相关的指标,例如超高可靠低时延通信场景需要高可靠、低延时的通信波形。
感知为主的关键需求主要体现在:
分辨率。分辨率是指对目标的分辨能力,通常体现在对距离、速度和角度的分辨上。具体可分为距离分辨率、速度分辨率和角度分辨率。距离分辨率用于表征感知在距离上区分邻近目标的能力,通常以最小可分辨距离度量;速度分辨率用于表征感知在径向速度上区分目标的能力;角度分辨率用于表征雷达在角度上区分邻近目标的能力,通常以最小可分辨的角度间隔来测量。上述指标表示了脉冲雷达单一维度的分辨能力上限,而在实际系统设计中,由于子载波、快速傅里叶变换(Fast Fourier Transform,FFT)、滤波器设计等因素,不同波形和参数与理论上限存在差距。对于多维度或参数分辨(联合分辨)来说,例如“距离—速度”联合分辨,情况更加复杂。此外,感知的实际分辨能力还受到其他因素的限制,例如当目标的临近散射能力相差很大时,强目标的旁瓣会掩盖弱目标,导致分辨能力受到影响。
感知精度。感知精度是指在距离、速度、角度等维度的感测值与实际值之间的差异。在系统给定带宽、累计观测时间、天线口径尺寸等参数下,各个维度的感知分辨率便已确立,如给定带宽下,距离感知的精度将受限于距离分辨率。因此,提升感知精度的本质是通过信号设计、算法和抑制非理想因素,来使得感知精度在有限的信噪比区间内逼近最大性能。提升感知精度的常见方法可分为:以多重信号分类(Multiple Signal Classification,MUSIC)、SAGE、Off-Grid 等超分辨算法为代表,通过非线性迭代的方式提升感知精度;以2D-FFT、2D-correlation 等线性算法为代表,以低复杂度为导向,实现目标的快速跟踪。以最大似然估计为例,几种波形的典型误差克拉美罗界(Cramer-Rao Bound,CRB)表征了在单目标下感知的精度理论上界。多目标仿真评估更适用于实际的具体感知精度,如通信波形评估需要使用集群延时线/抽头延时线多径信道进行。
1.2 ISAC 网络与系统设计
在通信感知一体化系统中,存在单基感知和双基感知两类基本形态,如图3 所示。
图3 通感一体化系统中的两种基本形态
单基感知指感知发射机与接收机处于同一位置,感知信号可以采用数据静荷,因此该感知功能不消耗通信资源。同时,由于收发同源,不存在同步等非理想因素问题,其感知算法复杂度、估计精度等较好;由于采用自发自收,其可探测的信号角度范围与环境入射角强相关,感知视角范围受目标物体材质及放置角度的影响较大;其回波信号大部分分量为一次反射径,满足雷达假设,在求解时,病态方程的问题较小,感知结果的求解精度较高。
双基感知指接收机与发射机处于不同位置,感知信号需采用专用导频或已知信号,因此该感知功能需要消耗通信资源。同时,由于收发不同源,存在同步、相噪等非理想因素问题,其感知算法复杂度、估计精度等较差,需要较复杂的校准算法加以处理;采用自发他收能够探测的环境角度较大,并且随着终端的移动,感知视角有较大覆盖;另外,其回波信号的分量丰富,具有大量多次反射径且功率较高;在富散射的城市空间中,大量多次反射径会引入病态方程,导致虚拟环境求解时出现影子空间及错误解。单基与双基感知相关形态对比如表1 所示。
表1 通感一体化系统两种形态比较
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(Base Station,BS)、用户设备(User Equipment,UE)等)、多态(单基、双基和多基)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,降低了测量的不确定性,并提供了更大的覆盖范围以及更高的感知精度和分辨率。
2 通信网络感知高精度环境重构
通信感知一体化已经被公认为是6G 的关键技术趋势之一。本文阐述了如何应用6G 通信感知一体化技术进行基于通信架构的高精度感知和环境精确重建,并进一步辅助通信。感知环境信息的引入使通信中的信道重构成为可能。具体来说,环境信息和重构信道有助于波束对准、降低链路故障,从而显著降低通信开销。网络的高精度感知环境重构主要由以下步骤完成:首先,基站或用户设备通过波束扫描得到感知回波数据,利用回波数据进行散射点提取;由于多次反射和噪声的存在,使用半径离群值滤波器等滤波算法去除部分虚假点;然后将无监督聚类算法和散射体提取方法结合,获取环境的高级语义信息;将提取到的高级语义信息进行多站数据融合,建立多站感知数据的重构环境;最后,基于重构环境做射线追踪,实现通信信道重建,如图4 所示。
图4 网络感知数据融合
2.1 非监督聚类算法
感知数据分割通常分为有监督和无监督两种方法。现今流行的监督数据分割方法通常基于深度学习(如PointNet、Graph-PointNet、Point Cloud Transformer等)。然而,现阶段电磁感知数据集很少,数据分割通常需要点或像素级的标注,电磁感知数据的难以解释性极大地增加了数据标注的困难;同时,大部分电磁感知数据固有的稀疏性导致目标空间特征丢失,深度学习类的分割算法通常需要学习目标的空间特征,因此,在当前情况下,监督类方法对于电磁感知数据分割并不是一个较好的选择。在众多的非监督算法中,高斯混合模型(Gaussian Mixture Model,GMM)[10]试图找到多维高斯模型概率分布的混合表示,具有拟合出任意形状的数据分布的优点。并且高斯混合模型作为一个软判定的算法,其每个数据样本都被指派了一个聚类分组,同时还指定了该聚类分组的概率以及属于其它聚类分组的概率。这种基于数据分布的概率作为置信度可以有效提升环境重构精度,因此高斯混合模型算法可被用于实现电磁感知数据的精确分割。
高斯混合模型的基本思想是用多个高斯分布函数去近似任意形状的概率分布,因此高斯混合模型是由多个单高斯分布组合而成,每一个聚类分组叫作一个组件,这些组件线性加和即为高斯混合模型的概率密度函数。假定总共有K个组件,第k个组件的均值为μk,标准差为∑k,高斯混合模型的概率密度函数如公式(1)所示。
其中φk为第k个高斯的概率(又称先验分布),满足φk＞ 0 且=1。通过最大期望(Expectation Maximization,EM)算法求解高斯混合模型的参数。
2.2 双置信度传播的散射体环境重构
不同于激光雷达点云,电磁感知数据的位置精确度受波束宽度θ、距离d和与环境平面的入射角α的严重影响[11],因此,通信网络中多站感知数据融合需要考虑各感知数据的精确度问题。
高斯混合模型通常会给第i个点分配一个量φik,来表示此点属于第k类的概率,这个基于数据分布的概率即为第一置信度s。同时,由于电磁感知数据的位置精确度受到物理传播特性的影响,第二置信度t如公式(2)所示。
总置信度如公式(3)所示。
第k个聚类簇组成的散射体的中心定义如下:
其中,pik表示属于第k类的第i个点的坐标位置。
双置信度传播算法建立在以上研究基础上。环境重构的初始化首先由高斯混合模型完成,同时由于高斯混合模型参数求解完毕,第一置信度被初始化,基于初始的重构环境,基于电磁传播特性可以得到第二置信度;然后,总置信度的建立可以提升感知环境重构精度,反过来校正第二置信度。由图5 可以看到,不断通过循环迭代以更新t,可提升环境重构精度。双置信度传播算法循环迭代的终止条件为:
图5 双置信度传播算法流程
公式(5)中,ε为预先设置的门限。
3 试验内容
3.1 环境重构样机及信道测量
本文使用2 个10 GHz 基站在室外场景下,以自发自收方式通过波束扫描来实现环境重构,通过电磁感知数据重构的环境与实际环境对比验证算法有效性。同时,在不同位置放置了UE,通过对比在实际环境与基于电磁感知数据重构的环境测量的信道,验证感知环境辅助通信的可行性。基站参数如表2 所示。
表2 基站感知参数配置
基站实物图如图6 所示,采用发射天线与接收天线分离、机械扫描的方式实现对周围环境的感知。
图6 基站实物
感知室外场景及BS、UE 位置如图7 所示。室外感知场景为典型的街道,布置了两个基站,分别通过自发自收实现网络化感知,以提升感知的范围和精度。同时,在另一条街道放置了两个UE,完成测量信道数据采集,用于验证基于感知环境的信道重构的准确性。
图7 感知室外场景及BS、UE 摆放位置
3.2 环境及信道重构
单站和多站环境重构结果如图8 所示,本文的环境重构算法能够实现典型街道场景的精确重建。
图8 感知数据环境重构结果
由于绿植的真实位置难以确定,因此环境重构精确度的衡量标准为重构环境下的建筑物U10、U11 和U12 墙面的位置和法线方向与真实环境的偏差。环境重构的精确度如表3 所示。
表3 环境重构精确度
UE 的通信信道重构结果如图9 所示,其中“×”符号表示测量信道结果,三角形符号表示重构信道结果,重构信道均为一次反射径;重构信道参数中的出发角(Angle of Departure,AoD)和时延与测量值较为吻合。
图9 测量信道与重构信道对比
对此,统计了重构信道与测量信道参数的误差,如表4 所示。其中视距(Line of Sight,LOS)的信道重构误差为测量信道与通过BS 和UE 真实位置计算出的信道的差值,不包含环境重构的误差;非视距(Non Line of Sight,NLOS)的信道重构误差为一次反射的测量信道与基于重构环境作射线追踪的重构信道的差值。可以看到,基于重构环境的一次反射径的信道时延误差非常接近测量信道,甚至小于LOS 的时延误差,可以实现较高精度的信道重建。
表4 信道重构误差
4 结束语
ISAC 被公认为6G 的关键技术趋势之一,本文总结了ISAC 典型应用场景,提出了应对ISAC 信道评估方法、空口设计、硬件联合设计和网络与系统方面的理论挑战,深入分析了ISAC 联合波形与信号设计关键需求,阐述了网络与系统设计中的通信感知一体化的系统形态。基于以上理论研究,本文将通信感知一体化技术运用于实践,利用通信设备进行感知和环境重构,并基于环境重构结果来辅助通信,在网络感知中验证了在毫米波段实现分米级环境感知的可行性和度级信道重构结果。
