版權聲明CopyrightNotification未經書面許可禁止打印、復制及通過任何媒體傳播 7 82.1多模態協作 82.2多頻段協作 92.3多節點協作 2.3.1多基站協作場景 102.3.2基站與終端協作場景 102.3.3多節點協作感知的優勢 112.3.4多節點協作感知的挑戰 14 143.1幀結構 3.2功率控制 3.3資源沖突解決 3.4干擾管理 3.5雜波抑制 3.6高精度同步 3.7非理想因素消除 3.8非視距識別與利用 3.9節點選擇與切換 314.1基于自適應多策略信息融合的二維目標檢測方法 324.2基于雷達區域建議網絡和深度增強的三維目標檢測方法 34 365.1系統模型 5.2基于峰譜聚合的多頻段融合算法 5.3基于特征向量的多頻段融合算法 416.1系統模型 426.2信號級融合 436.3符號級融合 466.3.1多個自發自收的協作場景下的融合算法 466.3.2自發他收的協作場景下的融合算法 486.3.3自發自收與自發他收的一體協作場景下的融合算法 506.4數據級融合 26.4.1基于算術平均的融合算法 546.4.2基于權重迭代的融合算法 546.4.3基于柵格聚類的融合算法 566.4.4基于濾波器遞歸的融合算法 58 607.1基站間協作感知 7.2終端間協作感知 64 66 703圖1ITU-R定義的IMT-2030應用場景和關鍵能力 7圖2多模態協作感知示意圖 9圖3多基站協作場景 圖4基站與終端協作場景 圖5不同節點感知時無人機的RCS對比圖 12圖6多站協作提升檢測概率 12圖7更優的感知范圍和連續性 圖8多個感知接收節點協作時的感知覆蓋 圖9協作感知幀結構配置 15圖10需要功率控制的協作場景 圖11通感沖突的優先級配置 17圖12速率匹配用來解決通感沖突 圖13通感沖突的下行資源搶占示 圖14上下行鏈路交叉干擾 18圖15互干擾強度CDF曲線圖 19圖16測距RMSE與干擾協調因子關系曲線圖 圖17鄰區干擾識別 圖18干擾利用的場景示意圖 20圖19雜波抑制基本原理示意圖 圖20MTI雜波抑制算法結果圖 圖21MTI+MTD雜波抑制算法結果圖 23圖22基于往返收發的同步誤差消除方案 24圖23基于參考徑的同步誤差消除方法 24圖24可靠估計判決示例(a)實測4個UE時域上連續的MUSIC偽譜(b)對應的可靠估計判決結果 圖25協作感知過程中的信號傳播情況 26圖26NLOS下的協作感知場景 圖27協作感知中的NLOS利用算法流程圖 圖28NLOS算法的位置估計結果 圖29協作節點選擇示意圖 29圖30感知節點維護流程 圖31多感知模式和感知節點協作的節點選擇示例 314圖32三種主要的雷達與視覺信息融合策略 圖33自適應多策略信息融合網絡流程圖 33圖34三維目標檢測網絡（3DRrpn-depth）總體結構 圖35雷達區域建議網絡工作流程 圖36深度特征增強模塊工作流程 圖37基于峰譜聚合級的多頻段融合算法距離估計和速度估計的RMSE曲線 39圖38基于特征向量的多頻段融合算法 40圖39基于特征向量的多頻段融合算法的仿真結果 40圖40不同協作層級示意圖 42圖41分布式全相參方法的MIMO模式接收相參處理框圖 圖42分布式全相參方法的收發相參模式相參處理框圖 圖43參合成前的接收信號 46圖44兩基站接收信號相參合成結果 圖45基于最小誤差累積的多基站融合算法流程圖 47圖46基于誤差累積融合算法的定位融合結果 圖47基于誤差累積融合算法的速度估計融合結果 48圖48基于網格搜索的多基站感知融合算法 圖49基于網格搜索的多基站感知融合算法的(a)定位RMSE(b)測速RMSE 圖50雙基站協作感知場景圖 50圖51互相關協同感知算法的流程圖 圖52不同TO下的測距NMSE 圖53不同CFO下的測速NMSE 圖54定位誤差CDF分布(a)未進行數據融合(b)采用改進算術平均數據融合處 圖55多節點數據級融合 圖56數據級融合的(a)定位的RMSE(b)測速的RMSE 56圖57各個感知接收節點的感知目標位置估計分布圖 57圖58基于柵格聚類的感知目標位置融合結果分布圖 57圖59多站融合前和多站融合后目標位置精度CDF曲線 58圖60射頻地圖特征幾何關系示意圖 圖61云端融合算法仿真結果 60圖62測試場景示意圖 圖63單次目標檢測結果 圖64蜂窩網絡下的多終端協作感知與通信一體化場景示意圖 625圖65軌跡追蹤樣機以及環境照片(a)實驗中發射機和接收機布局(b)實測感知目標運動區域(c)接收機(d)發射機(e)發射天線(f)接收天線 63圖66多UE協作軌跡追蹤實測結果示例(a)直線軌跡下4個UE的MUSIC偽譜(b)M形軌跡下4個UE的MUSIC偽譜(c)S形軌跡下4個UE的MUSIC偽譜(d)估計的直線軌跡(e)估計的M形軌跡(f)估計的S形軌跡 63表1二維目標檢測的多策略融合性能對比 表2不同方法的三維目標檢測性能對比 366作為下一代移動通信系統，6G將提供更多維度的原生能力，邁向數字孿生、萬物圖1ITU-R定義的IMT-2030應用場景和關鍵能力融合發展到互助互利、高度協同、深度交融。6G網絡突破單基站、單終端感知的局限7向，需對其關鍵技術進行研究，為即將到來的標準化做好準備。因此，本報告作為IMT-2030（6G）推進組首個聚焦協作感知的技術報告，首先對協作場景進行了分析，第二章協作場景分類以及優勢與挑戰式之一。雷達、攝像頭等采集物理世界數據的方式已得到廣泛應用，IEEE802.11已經因此在未來，3GPP感知和其它形式的感知將進行充分協同并進行數據融合，有助于實基于3GPP感知和non-3GPP感知協同存在以下潛在場景：一種潛在應用是3GPP豐富、多維的感知，提高感知精度。另一種潛在應用non-3GPP感知為8圖2多模態協作感知示意圖采用OFDM波形作為感知信號時，高頻段和低頻段的子載波間隔不同，給感知信息融合帶來了挑戰[4][5]。除了高頻段和低頻段的協作之外，還有頻域協作的其他情況，例9圖3多基站協作場景下行感知范圍小于上行通信范圍，上行通信范圍小圖4基站與終端協作場景[2]。這意味著，采用單點A發A收的獨立感知，并不總是能接收感知節點的多樣性所帶來的平均散射強度更大圖5不同節點感知時無人機的RCS對比圖圖6多站協作提升檢測概率圖7更優的感知范圍和連續性圖8多個感知接收節點協作時的感知覆蓋（1）幀結構：面向協作感知場景，尤其是基站A發B收的工作模式，如何設計標RCS波動、信道衰落等環境非理想因素會對感知結果帶來影響，因此需要設計非理（10）數據融合：如何對多個接收節點的數據進行融合，是協作感知的重要挑戰第三章多節點協作感知的空口關鍵技術分靈活，包括半靜態配置和動態配置。半靜態配置包括小區級別配置和動態配置通過groupcommonPDCCH（組公共物理下行控制信道）指示傳輸格式。為圖9協作感知幀結構配置圖10需要功率控制的協作場景的MCS信息以及功率調整量的設置來控制功率。以PUSCH信號為例，具體功率控制其中pmax為UE最大發射功率，p0為基站期待接收到的功率，α為路徑損耗補償，在基站A發B收的協作感知場景中，可根據感知信號回波能量的初始測量值P1，以及根據感知小區覆蓋來計算接收端期待接收的回波信號強度pexp?ec?O，并對接收端小區內的通信終端進行一定的上行功率調整。一種方式是對基站期待接收到的功率值p0進行調整，定義新的基站期待接收到的功率值p0?update，p0?update=pexp?ec?O+DRADC，其中DRADC為ADC動態范圍。由于接收端期待接收的回波信號強度為pexp?ec?O，因此pexp?ec?O為看為ADC動態范圍的下界，則ADC動態范圍的上界為pexp?ec?O+DRADC，并認為該上界是新的基站期待接收到的功率值。另一種方式是計算新的功率調整值δsensing，δsensing=pexp?ec?O+DRADC?p1。如果將接收端期待接收的回波信號強度pexp?ec?O看為ADC動態范圍的下界，則ADC動態范圍的上界為pexp?ec?O+DRADC，該圖11通感沖突的優先級配置通過速率匹配的方式向UE指示感知信號位置不可用。速率匹配包括RB級別和RE級圖12速率匹配用來解決通感沖突3.感知資源搶占：當感知和通信傳輸資源沖突時，感知可占用已調度給通信的資用的資源。UE收到搶占指示后，認為搶占信令指示的資源上沒有發送給自己的數圖13通感沖突的下行資源搶占示行干擾等對一體化性能的影響，以同時滿足網圖14上下行鏈路交叉干擾為保障信號成功檢測，需滿足干擾強度低于干擾上限，干擾上限=回波信號強度圖15互干擾強度CDF曲線圖下行基站的直射徑干擾可以看出不同站間距下，隨著干擾協調因子降低，系統干擾圖16測距RMSE與干擾協調因子關系曲線圖信號回波時，還會接收到來自相鄰基站B發出由基站A接收到的干擾信號，可對鄰區如圖17（a）所示；同時發送時，有兩個峰值，圖17（b）所示。通過對比兩種配置的是兩個基站同時發送相同感知信號，融合兩基站感知結果。圖17（bc）分別是基站示上述干擾識別方法還可以進一步的達到干擾利用、提高系統感知資源利用率的效(a)無鄰區干擾時基站A感知數據(b)存在鄰區干擾時基站A感知數據(c)存在鄰區干擾時基站B感知數據圖17鄰區干擾識別圖18干擾利用的場景示意圖20信號進行抑制。在A發A收的獨立感知模式中，某些區域內的待感知目標與感知站距模式中更需要對雜波干擾信號進行抑制，從而提高圖19雜波抑制基本原理示意圖21信號模型的通感一體化系統中的雜波抑制算法研究相對較少。如何借鑒基于FMCW信感知的研究重點之一。基于FMCW信號模型的雜波抑制算法主要有兩大類，分別是動動目標顯示MTI利用雜波抑制濾波器來抑制雜波，提高信號的信雜比，以利于運的抑制較弱，從而抑制靜止目標和靜物雜波。動目標顯示MTI算法的本質是對相鄰的其主要依據為不同速度產生的多普勒頻移不同。MTD中的多個窄帶多普勒濾波器組可通感一體化系統中的雜波抑制也可以采用類似的動目標顯示MTI算法，即對配置有感知參考信號的兩個相鄰的OFDM符號的頻域信號作差，從而將來自靜態目標的雜符號的時域信號解調得到頻域信號，然后通過對多個感知OFDM符號的上相同子載波我們分別采用MTI和MTD算法對通感一體化系統中基于OFDM信號波形的雜波22圖20MTI雜波抑制算法結果圖圖21MTI+MTD雜波抑制算法結果圖可造成約20米的距離偏差，無法滿足高精度測距需求。對于網絡時間同步，可通過基站直接授時或根據1588v2協議規定的有線時間網絡授時實現，采用這兩個方案時，基23圖22基于往返收發的同步誤差消除方案圖23基于參考徑的同步誤差消除方法非理想因素指的是由于系統硬件或者物理環境不理想導致無線感知出現的誤差成知目標RCS波動、信道衰落、多徑干擾等同樣可能對感知結果或者用于計算感知結果24影響動態反射徑的長度，因此N(N≥2)個處于不同位置的終端可以測量人體反射徑的多普勒頻率（正比于動態反射徑長度的變化速度感知接收節點基于這N個多普勒頻現人體軌跡追蹤。該方案的詳細原理分析和數學推25圖24可靠估計判決示例(a)實測4個UE時域上連續的MUSIC偽譜(b)對應的可靠估計判決結果在實際中，感知性能會受到許多非理想因素的影響，其中頻繁出現的是非視距號除了經過目標反射外，還經過散射體的反射/折射/繞射，使得信號發生多跳反射，其感知接收端，其中一種情況如圖25(c)所示。(a)LOS(b)NLOS(c)遮擋圖25協作感知過程中的信號傳播情況利因素轉變為有利因素，保證NLOS情況下的感知精度[18]。針們給出一種具體的場景圖，如圖26所示。其中，感知發送節點（節點A）發送感知信號來感知一個預先檢測到的目標T，感知回波信號被感知接收節點（節點B）接收。S26圖26NLOS下的協作感知場景 3A-S-B路信號重建與干擾消除：根據估計得到 27圖27協作感知中的NLOS利用算法流程圖圖28NLOS算法的位置估計結果28度，利用RSRP測量值或者SINR測量值來確定協作接收節點，但是這個方案的劣勢是面對實際感知場景選擇協作節點至關重要。因此，可進一步考慮定義每條徑的SINR圖29協作節點選擇示意圖最終決策。例如，協作節點選擇的決策是由核心網網元SF執行的，29的基站。或者，基站可以將小區內可用感知UE的精確位置信息、小區內可用感知UE圖30感知節點維護流程及感知質量等。節點集的建立所需要的信息可以通過SF請求節感知模式和感知系統架構（如分布式和集中式，或緊耦合和松耦合節點之間以及節30圖31多感知模式和感知節點協作的節點選擇示例第四章多模態協作感知算法與雷達融合的研究中，一般使用雷達信息在圖像上生成感興趣區域(RoI)，然后在RoI31圖32三種主要的雷達與視覺信息融合策略果決策級融合。具體的，雷達數據轉化是將原始雷達點數據轉化為類似RGB形式的三32圖33自適應多策略信息融合網絡流程圖此我們采用將雷達感知數據轉化為類似RGB圖像的多維矩陣形式的方雷達數據增強方法核心思想即通過雙邊濾波來判別圖像上某一點和雷達點投影位置處的相似性，并以此來拓展該雷達點的影響范圍，最終將每個雷達點都拓展為雷達33表1二維目標檢測的多策略融合性能對比AP(100)AP.50100AP.75100APs(100)APm(100)APl(100)AR(1)AR(10)AR(100)ARs(100)ARm(100)ARl(100)級融合方法。多策略融合方法的整體性能更優，其中平均召回率（AR）的提升相較于本節提出一種基于雷達區域建議網絡和深度增強的三維目標檢測網絡（以下簡稱RPN）生成的二維先驗錨框，首先通過毫米波雷達點中包含的坐標信息對其進行修正，34圖34三維目標檢測網絡（3DRrpn-depth）總體結構在原始圖像經過骨干網絡Densenet-121處理后得到的圖像特征圖上逐像素生成包含目圖35雷達區域建議網絡工作流程35圖36深度特征增強模塊工作流程本節提出的基于雷達區域建議網絡和深度增強的三維目標檢測網絡3DRrpn-depth與對比方案的特征級融合網絡模型M3D-RPN、對比如表2所示，nuScenes數據集為包含車輛前向視覺與毫米波雷達數據的自動駕駛表2不同方法的三維目標檢測性能對比實驗結果表明本節提出的三維目標檢測網絡3Drpn-depth相較第五章多頻段協作感知算法36其中，B{1,2}表示頻段的集合；xb(k,n,m)表示通信數據；fcb表示第b個頻段的載 其中Tsb是循環前綴（CyclicPrefix,CP）的長度；rect(.)矩形窗函數。第n個子載波上的回波感知信號表示為：y,n=kEQ\*jc3\*hps13\o\al(\s\up2(b),S)ej2πfsbmTbe-j2πnΔfdτ0aRx(θRx)aEQ\*jc3\*hps13\o\al(\s\up2(T),T)x(θTx)x,n其中，表示目標與基站之間的衰減，包括反射系數βEQ\*jc3\*hps14\o\al(\s\up3(b),S)和路徑損耗；0表示目標與基站的相對距離，τ0=2r0c表示相對距離所產生的時延；λb=c/fcb表示波化信號回波，在第m個OFDM符號時間內的第n個子載波上，表達為：37其中zEQ\*jc3\*hps14\o\al(\s\up4(S),m),n表示加性高斯白噪聲（AdditiveWhite其中sb和sEQ\*jc3\*hps23\o\al(\s\up0(—),coop)分別表示單一頻段和協作感知的峰譜信息，pb和σEQ\*jc3\*hps16\o\al(\s\up4(2),b)分別表示第b個EQ\*jc3\*hps16\o\al(\s\up4(b),d)EQ\*jc3\*hps16\o\al(\s\up4(b),c)點感知獲得更優的距離和速度估計性能，僅在SNR=-30~-20dB時，協作感知算法的速度估計性能略低于fEQ\*jc3\*hps16\o\al(\s\up4(3),c)=15GHz的單子帶估計性能。產生性能差異的原因隨著fEQ\*jc3\*hps16\o\al(\s\up4(b),c)數值38(a)距離估計RMSE曲線(b)速度估計RMSE曲線圖37基于峰譜聚合級的多頻段融合算法距離估計和速度估計的RMSE曲線在第b個頻段的第p個接收天線上的信道信息矩陣可以表示為：EQ\*jc3\*hps20\o\al(\s\up3(^),X)39不同。我們采用最大比合并的方式，即給高低頻圖38基于特征向量的多頻段融合算法(a)距離估計的RMSE(b)速度估計的RMSE圖39基于特征向量的多頻段融合算法的仿真結果40第六章多節點協作感知算法知定位。對于基站間的協作感知，如圖40所示主41據每個接收節點的接收SINR、盲區位置等對數據進行篩選，保留相對誤圖40不同協作層級示意圖收的感知數據發送到融合中心進行融合（包括信號級、符號級和數據級對于自發他收，不同的感知數據在被動接收端或進行融合處理（包括信號級、符號級和數據級N-1N-1dm,μesj(2π(f0+mΔf)t+0)ts42符號。f0是上變頻頻率，mΔf是第m個子載波的調制頻率，Ts是單個符號持續時間，對于徑向速度為v，距離為R的目標，定義U為復幅度衰減，自發自收的信號回波2R其中R2表示目標到被動接收端的距離，fD2表示移動目標對被動信號產生的多普勒進行MIMO模式相參處理，估計不同接收信號間的時延、相位差參數，在實現信號間可以形成關于同一目標的N2路回波接收通道，從而獲得最大為N2的信噪比增益。43圖41分布式全相參方法的MIMO模式接收相參處理框圖第三個階段是相參跟蹤階段，如圖42所示，所有發射機改為發射同頻同編碼的寬全相參系統總計能夠獲得最大為N3的信噪比增益。圖42分布式全相參方法的收發相參模式相參處理框圖兩基站使用兩相互正交的脈沖信號s1(t)和s2(t)為基帶信號，則發射信號可表示為：EQ\*jc3\*hps23\o\al(\s\up8(x),x)EQ\*jc3\*hps15\o\al(\s\up8(1),2)EQ\*jc3\*hps23\o\al(\s\up10(t),t)1(t)ej2πft2(t-Δτ)ej(2πft-Δφ)τ1和τ2，則到達目標時兩信號表達式為：44y1=s1(t-2τ1)e-j2πf2τ1+s2(t-Δτ-τ1-τ2)e-j(2πf(τ1+τ2)+Δφ)y2=s1(t-τ1-τ2)e-j(2πf(τ1+τ2)-Δφ)+s2(t-Δτ-2τ2)e-j2πf2τ2對于基站1，分別使用與s1(t)和s2(t)相對應的匹配濾波器對接收信號y1進行處理，兩匹配濾波器輸出信號峰值對應時延分別為2τ1和τ1+τ2+Δτ,對應相位分別為2πf2τ1ΔT1=τ2-τ1+ΔτΔφ=2πf(τ2-τ1)+Δφ同理，基站2分別使用與s1(t-Δτ)和s2(t-Δτ)相對應的匹配濾波器對接收信號y2進行處理，匹配濾波器輸出信號峰值對應時延分別為τ1+τ2-Δτ和2τ2，對應相位分別為2πf(τ1+τ2)-Δφ和2πf2τ2，因此兩信號時延、相位差異估計值為：ΔT2=τ2-τ1+ΔτΔφ=2πf(τ2-τ1)+Δφ信號間相位差為π/3。兩基站分別獨立對目標回波進行積累后的頻域表示如所示。比較圖43(a)、圖43(b)和圖44可知，兩基站接收信號相參合成后，檢測信噪45(a)相參合成前基站1接收信號(b)相參合成前基站2接收信號圖43參合成前的接收信號圖44兩基站接收信號相參合成結果本小節介紹一種基于最小誤差累積的多基站融合算法。在A發A收場景下，站的感知較為獨立，缺少相關性，無法確定融合依據參量。因此[30]提出一種基于誤差處理和晶格點搜索兩步，如圖45所示。單個基站采用MUSIC算法，接收天線為平面46圖45基于最小誤差累積的多基站融合算法流程圖47(a)不同信噪比場景(b)相同信噪比場景圖46基于誤差累積融合算法的定位融合結果(a)不同信噪比場景(b)相同信噪比場景圖47基于誤差累積融合算法的速度估計融合結果考慮了A發B收下的同步誤差消除問題和多節點回波數據的符號級融合感知處理問題[31]。針對同步誤差的消除，該算法提出獲得的第i個節點的距離和速度特征向量分別表示為：48和和圖48基于網格搜索的多基站感知融合算法49(a)(b)圖49基于網格搜索的多基站感知融合算法的(a)定位RMSE(b)測速RMSE關聯自發自收和自發他收感知信息來緩解時間偏移（TimeOffsets,TOs）和載波頻率偏模有限的低復雜度高精度到達角（ArriveofAngle,AoA）估計挑戰[32]。圖50雙基站協作感知場景圖50同一目標的自發自收和自發他收感知之間的延遲和多普勒頻移的偏差可以分別表（Cross-CorrelationCoopertiveSensing,CCCS）算法，如圖51所示。針對k1,R和k2,R的為了補償ΔfD+δf(m)，針對k1,D和k2,D的CCCS算法可表述為其中，Δτ+δτ(m)被轉換為沿載波頻率軸變化的調制符號之間的線性相移，ΔfD+δf(m)被轉換為沿OFDM符號軸變化的調制符號之間的線性相移。因此，Δτ+δτ(m)和ΔfD+δf(m)可以使用離散傅里葉變換算法估計出來。51圖51互相關協同感知算法的流程圖圖52和圖53展示了不同TO和CFO條件下測距測速的歸一化均方誤差CFO會導致測速精度降低。如圖52所示，TO的均值E(δτ)越大，距離估計精度起伏均值E(δτ)越大，速度估計精度起伏越大E(δf)越大，則測速的NMSE也越大，說明測圖52不同TO下的測距NMSE52圖53不同CFO下的測速NMSE1）基于算術平均的融合算法：對各基站獲得的感知數據取算數平均，適用于測量2）基于加權平均的融合算法：根據各基站測量的可靠性賦予不同權重，適用于各4）基于濾波器遞歸的融合算法：基于用戶移動過程中與周圍基站通信產生的多徑53果噪聲峰值幅度超過目標峰值幅度，將會造成目標峰值IFFT采樣點序號判斷錯誤，造峰值IFFT采樣點序號的概率分布為40%和70%，距離遠的基站概率更低，由于30%甚至60%錯誤感知數據的引入，如果簡單的用所有獲得的感知數據了不對估計坐標進行任何處理的定位誤差CDF分布，圖54（b）給出了重復測量（10次）并利用改進算術平均法處理后的定位誤差CDF分多次測量并進行改進算術平均數據融合處理可以有效去除由于噪聲引起的異常距離估(a)(b)圖54定位誤差CDF分布(a)未進行數據融合(b)采用改進算術平均數據融合處理6.1節方法感知接收節點獲得關于目標的到達角φnEQ\*jc3\*hps23\o\al(\s\up13(務器或數據處),對應的到達角)EQ\*jc3\*hps23\o\al(\s\up13(單元),與時)EQ\*jc3\*hps23\o\al(\s\up13(務器),數據)EQ\*jc3\*hps23\o\al(\s\up13(數),根)EQ\*jc3\*hps23\o\al(\s\up13(據),據)EQ\*jc3\*hps23\o\al(\s\up13(處),最)EQ\*jc3\*hps23\o\al(\s\up13(理),小)EQ\*jc3\*hps23\o\al(\s\up13(單),誤)EQ\*jc3\*hps23\o\al(\s\up13(元),差)EQ\*jc3\*hps23\o\al(\s\up13(假),原)EQ\*jc3\*hps23\o\al(\s\up13(設),則)EQ\*jc3\*hps23\o\al(\s\up13(目),優)EQ\*jc3\*hps23\o\al(\s\up13(標),化)EQ\*jc3\*hps23\o\al(\s\up13(置為),y值)EQ\*jc3\*hps23\o\al(\s\up13(y),可)EQ\*jc3\*hps23\o\al(\s\up13(并計),寫成)54需要傳輸一對到達角φn與N個時延τn數據，服務器或數據處理單元需要迭代優化x,y最小誤差原則優化(vx,vy)值，可以寫成其中εx,n=cosφT,n+cosφR,n，εy,n=sinφT,n+sinφR,n,利用該目標速度初值可以加圖55多節點數據級融合55(a)(b)圖56數據級融合的(a)定位的RMSE(b)測速的RMSE量，在多節點融合技術中可以選擇接收信號功率（例如：RSRP）最強的多個感知收發門限的收發扇區pair作為協同感知的收發節點；然后建模用于協同感知的多收發扇區pair和感知目標之間的小尺度信道，產生信道系56圖57各個感知接收節點的感知目標位置估計分布圖DBSCAN聚類算法。進一步地，為了提高聚類的精度，可以采用畫柵格的方法進行聚圖58展示了基于柵格聚類的感知目標位置融合結果分布圖。圖59對比了UAV場景圖58基于柵格聚類的感知目標位置融合結果分布圖57(a)多站融合前位置精度（b）多站融合后位置精度圖59多站融合前和多站融合后目標位置精度CDF曲線與周圍基站通信過程中會經由信道估計產生LoS和NLoS徑信道參數，如AoA、AoD用戶形成的LoS徑，其只涉及單目標估計問題，可以用擴展卡爾曼濾波器融合多基站待估計地圖特征的關聯性未知，則采用PHD濾波器來對地圖特征進行融合估計。進一58利用上一時刻的地圖估計結果作為當前時刻的先驗信息，結合EKF估計的用戶位EQ\*jc3\*hps16\o\al(\s\up5(i),1)(m)+Bt(k,i)(m)其中，Bt(k,i)(m)是依據當前時刻觀測值生成的新生PHD地圖分量，DEQ\*jc3\*hps16\o\al(\s\up6(i),1)當新的信道參數估計值到達時，可以基于PHD濾波器更新用戶位置和無線地圖特征。采用了基于粒子濾波器實現的方式對PHD地圖進行更新，以避免由于高維集合積每個點都代表一個用戶位置粒子。針對每個粒子，利用PHD濾波器融合NLoS多徑參更新粒子權重。接著，依據粒子權重對不同粒子的PHD地圖進行加權平均即可完成當59圖60射頻地圖特征幾何關系示意圖圖61給出了雙基站視野重疊場景的仿真結果，其中圖(a)(b)分別是用戶定位精度站本地地圖間無融合、加權平均融合和幾何平均融合的結果。可以看到，通過EKF和PHD分別融合LoS和NLoS多徑參數可以顯著提升估計精度；在視野重疊的地圖重建(a)(b)圖61云端融合算法仿真結果第七章多節點協作感知的原型驗證60原型樣機主要由基帶平臺（中央處理板、射頻前端板處理板支持資源密集型信號處理和100Gbps高速數支持百兆級帶寬。通感一體化信號設計采用通感性能最佳折中的OFDM一體化波形，包括兩臺一體化信號收發機（一臺作為通感發射端、一臺作為感知接收端一臺通信圖62測試場景示意圖61圖63單次目標檢測結果圖64蜂窩網絡下的多終端協作感知與通信一體化場景示意圖USRP驗證了A發B收感知模式下利用多個終端節點進行行人軌跡跟蹤的可行性。實驗結果表明，該終端協作原型能夠實現準確的行人軌跡跟蹤，同時進行多用戶62圖65軌跡追蹤樣機以及環境照片(a)實驗中發射機和接收機布局(b)實測感知目標運動區域(c)接收機(d)發射機(e)發射天線(f)接收天線圖66多UE協作軌跡追蹤實測結果示例(a)直線軌跡下4個UE的MUSIC偽譜(b)M形軌跡下4個UE的MUSIC偽譜(c)S形軌跡下4個UE的MUSIC偽譜(d)估計的直線軌跡(e)估計的M 形軌跡(f)估計的S形軌跡633.7小節的非理想因素消除方案，本節所述多終端協作軌跡追蹤方案能夠達到較好的通通信感知一體化作為ITU-R確立的6G六大場景之一，將賦能未來6G網絡提供原功率控制、資源沖突解決、干擾管理、雜波抑制、高64年3GPP將正式開啟6G標準化。本研究報告中的協作感知場景、65[1]Frameworkandoverbeyond,RecommendationITU-RM.2160,202PerformanceandFieldTrial,”IEEEJournLearningBasedMulti-NodeISAC4DEnvironmentalReconstructiUplink-DownlinkCooperation,”IEEEInternetofThingsJournal,EarlyAccess,2024.MIMO-OFDMIntegratedSensingandCoonWirelessCommunications,inarxivpreprintarxCommunicationSignalProcessingBasedOnCompressed“IntegratedSensingandCommunicationenabledMultipleBaseStationsCooperativeSensingTowar