6G通信感知一体化（SSaC：Symbiotic Sensing and Communications）概述

Posted 2022-04-12 从善若水

博主未授权任何人或组织机构转载博主任何原创文章，感谢各位对原创的支持！
博主链接

本人就职于国际知名终端厂商，负责modem芯片研发。
在5G早期负责终端数据业务层、核心网相关的开发工作，目前牵头6G算力网络技术标准研究。


博客内容主要围绕：
       5G协议讲解
       算力网络讲解（云计算，边缘计算，端计算）
       高级C语言讲解
       Rust语言讲解

通信感知一体化概述

随着5G的商业化，学术界和业界都将重点转向2030年及以后的6G解决方案的开发。预计将出现由6G网络支持的沉浸式多感官扩展现实(XR)、自动驾驶、全息通信、智能医疗、智能工业、数字孪生等多种新型杀手级应用和服务。为了满足日益增长的需求，6G将从单纯的通信基础设施，发展为容纳无线通信、传感、计算和人工智能(AI)等功能的综合平台，并利用所有这些功能来彻底改变我们的生活和工作方式。


这种持续的趋势，加上对更高频谱利用率的需求，首先推动了两项重要功能的整合，即通信和传感，成为一个单一的平台，在那里它们以共生的方式一起工作，追求互利，由此产生了一个名为通信感知一体化(SSaC)的新兴研究领域。

SSaC：Symbiotic Sensing and Communications

SSaC 概念与愿景

SSaC 概念和特点

• 如何理解SSaC中的感知（Sensing）概念：我们常说的感知有两种形式：

  • 通过电磁波信号感应，例如，射频(RF)信号、光感信号等；
  • 通过传感器或传感器系统感应，例如，摄像头、麦克风、温湿度传感器等。
    
    

  前者强调利用无线信号进行传感，后者强调利用传感器网络获取传感信息。SSaC中的传感概念与前者更为贴切，它侧重于利用电磁波信号，尤其是使用RF信号，因为这样便于将无线传感能力集成到通信网络中。

• SSaC的概念：SSaC的主要设计原则是将无线感知和通信以互惠共生的方式无缝集成到同一个系统中(通过共享相同的频率、信令、硬件等)。具体来说，SSaC可以利用无线电磁波信号进行探测、定位、跟踪以及描述一个对象，识别不同的活动、状态甚至重构环境。而感知的结果可以用来提高无线接入和无线资源管理的性能。此外，SSaC能够支持多种应用，包括基于位置和轨迹的应用，基于状态识别的应用，以及基于环境重建的应用，为6G提供高质量的服务和用户体验。

SSaC的演进路线图和愿景

上图中展示了SSaC发展的三个阶段：共存阶段，合作阶段和一体共生阶段，下面分开介绍一下每个阶段的含义和挑战：

• 通信和感知共存阶段：这意味着感知和通信可以使用分离的信号和处理程序，但共享相同的资源(如频谱频率、天线阵列等)，以实现更高的频谱和硬件效率。设计有效的干扰消除和管理技术是这一阶段的关键研究问题，使SaC（Sensing and Communications）能够在互不干扰的情况下运行
• 通信和感知合作阶段：感知和通信可以使用相同的硬件和信令(例如，共享一个波形)，并利用共同的知识来提高一个系统的性能而不影响另一个系统，即感知辅助通信设计或通信辅助感知设计。这个阶段的研究方向包括从波形、编码方案到信号处理算法的各个阶段。
• 通信和感知一体共生阶段：感知和通信在频谱、硬件、信令、协议、网络等各个方面完全协调和协作。两者可以相互促进，互惠互利，这是SaC之间最高层次的共生关系。在这个阶段，SaC将同时获得最高的性能增益，以支持广泛的新应用程序和服务。

综上所述，在6G时代，SSaC将成为除eMBB、uRLLC、mMTC等5G支持服务外的主要服务之一。如图上图，SSaC将与eMBB+、uRLLC+、mMTC+共存，形成一个包含6G基本功能和服务的“四面体”。

---

SSaC 应用场景分析

应用场景一：基于位置和轨迹的应用

• 高精度定位：SSaC需要提供厘米级的定位精度，例如，室内购物或出租车出行的智能导航，紧急救援的定位服务等；

• 轨迹跟踪和路线规划：利用多个目标(如无人机、车辆、机器人等)的轨迹信息，可以实现精确的路线规划、大规模邻居发现、避碰、车辆组队等，有助于缓解交通拥堵，提高道路安全；

• 波束管理和信道估计：利用SSaC感知到的目标位置，可以实现快速、高效的波束扫描、配对和对准过程，尤其适用于高机动性场景。此外，角度和定时信息(即通过定位得到的AoA/AoD/ToA)可以进一步用于通信信道估计。

应用场景二：基于状态识别的应用

在该场景中，通过信道状态信息(channel state information, CSI)与机器学习/人工智能算法的联合，可以提取和识别手势/活动/健康状态/天气状况等不同类型的状态信息。

• 手势和活动识别：通过分析通信通道(如mmWave/THz/WiFi通信)获得的声谱图或成像结果，准确识别人体的各种动作(如站/走/跑)。此外，手机可以通过其无线电信号或嵌入式传感器探测到人类的手势；

• 健康状况检测：利用CSI的相位变化可以检测和跟踪人体的呼吸频率和呼吸状态。SSaC还可以通过分析射频信号、CSI或使用可穿戴设备进行医疗诊断和生命体征监测；

• 天气监测和预报：由于降雨、冰雹等天气条件会对毫米波链路的路径损失或多普勒有显著影响，因此可以利用蜂窝网络进行天气监测和预测，以及大气观测。

基于环境重建的应用

SSaC的一个重要功能是对重要目标或事件进行感知，并利用超高分辨率的射频图像重建环境。

• 即时定位与地图构建（SLAM）：SLAM的主要目的是构建和更新未知环境的地图。利用射频信号[如毫米波/太赫兹(THz)]代替相机或激光测量进行SLAM将是一种很有前途的方法，因为它具有更大的探测范围、相对较低的复杂性和相对较少的数据量；

• 沉浸式扩展现实(XR)：为了丰富XR中的沉浸式用户体验，SSaC将用于捕捉详细的物理环境和人体运动，进一步提高虚拟世界的保真度，支持远程呈现等沉浸式应用；

• 数字孪生应用：通过联合利用SSaC，在人工智能和传感器网络的帮助下，通过被称为“数字孪生兄弟”的数字复制品来复制虚拟世界中的物理物体将是可行的。在这对数字孪生兄弟中，历史和实时数据都被用来模拟、验证、预测和控制物理对象或过程，为现实物理世界中的问题提供最佳解决方案。

---

SSAC 的性能指标

基于位置和轨迹的应用程序的性能指标

目标检测和定位(即跟踪)是基于位置和轨迹的应用中的两个基本功能，可以通过使用下面讨论的指标来描述。

• 检测概率：目标检测是SSaC系统的基本功能之一，是指通过分析反射回波来确定目标的存在或不存在。然而，回波信号经常受到附加噪声或杂波的干扰，导致虚警或漏检。测量虚警或漏检概率的数学模型是假设检验。假设H₀和H₁分别表示目标不存在和目标存在。虚警概率定义为P_fal = P_r(H₁|H₀)，检测概率由P_det = 1−P_r(H₀|H₁)定义。在给定上述参数的情况下，利用neiman-pearson准则，在约束为P_fal条件下，最大化检测概率P_det。 此外，还利用receiver operating characteristic (ROC)曲线来表征P_val和P_det在给定信噪比等参数下的关系；

• 定位精度：定位精度在很大程度上取决于角度、距离、多普勒、速度等参数估计结果。性能估计可以用估计参数与其真值之间的均方误差(MSE)来刻画。为了便于对均方差进行易于处理的分析，CramerRao界(CRB)被广泛用作最优性能指标，它提供了所有无偏估计方差的下界。

基于状态识别的应用程序的性能指标

基于状态识别的应用的基本工作流程主要包括传感信号接收、测量预处理和识别三个阶段，如图所示，

• Signal-to-interference-and-noise-ratio (SINR)：在信号接收阶段，感知接收器首先接收感知目标反射的无线信号。用于评估原始接收信号质量的性能指标是SINR；

• Heisenberg不确定原则：在测量预处理阶段，将接收到的原始信号进行快速傅里叶变换(STFT)得到频谱图，可以更好地揭示运动引起的多普勒频移是如何随时间变化的。通过检查频谱图，可以提取目标的运动状态。这一阶段的相关性能指标是频谱图的时间和频率分辨率。这两个度量之间存在一个权衡，它是由为STFT选择的时间窗口的宽度控制的。特别是，增加时间分辨率将以牺牲频率分辨率为代价，反之亦然。这种权衡被称为海森堡（Heisenberg）不确定原理；

• 训练速度和推理准确性：在识别阶段，预处理后的测量数据将输入机器学习模型，例如传统的神经网络，用于识别模型训练和推理。这里使用的两个关键性能指标是训练速度和推理准确性。

基于环境重建应用的性能指标

许多未来的智能和沉浸式应用，如基于虚拟现实的游戏、全息渲染和数字孪生，预计将要求超精确的成像和更高比特率和更低延迟的最终用户体验。以下指标对于评估成像性能和用户体验至关重要。

• 图像精度：Hausdorff 距离是图像应用中常用的度量指标之一，它用来量化两幅图像的相似性，进而评价图像检索性能。具体来说，考虑两幅图像A(真实图像)和B(检索图像)，对应的Hausdorff距离是：H(A, B) = max(h(A, B), h(B, A))，其中 h(A, B) = max_a∈A min_b∈B || a − b ||。

• Quality-of-Physical-Experience (QoPE)：为了在SSaC中测量以人为中心的服务的用户体验 (例如， cloud-XR，全息通信)，QoPE的设计和提出集成了原始无线指标和人的物理因素。换句话说,
  QoPE不仅可以表征与服务相关的软硬件性能，还可以量化人类用户的真实感受或体验。

---

SSaC 使能技术和挑战

最近，广泛的研究努力致力于开发使能技术，从波形设计，收发机架构，到信号处理和机器学习算法，以支持SSaC。

基于位置和轨迹的应用使能技术

联合波形设计和组网设计是SSaC中定位和跟踪的两项基础技术。这是因为最优的波形有助于提高目标检测和数据传输的性能，而组网设计可以实现对多目标的大规模感知。

• 联合波形（Joint waveform）设计：一个关键的研究问题是联合信号波形的设计。很多研究都在研究这个问题。其中，正交频分复用(OFDM)波形因其灵活的子载波调制和高频谱利用率，在SSaC设计中倍受关注。为了进一步提高SaC的能力并抑制它们之间的相互干扰，提出了一种新型的 code-division OFDM (CD-OFDM) 波形和对应的信号处理算法。此外，另一个有前途的候选是基于正交时频空间(OTFS)的波形，它可以在高移动性场景中支持可靠的SaC功能，如车辆网络；

• 组网设计：随着智能产业和智慧城市的日益普及，大量的无线设备将密集部署在我们生活的每一个角落。因此，SSaC应该能够同时支持大量设备。为此，需要考虑SSaC的网络设计。一种很有前途的方法是通过优化分组和调度设备来设计一个分布式的可协作的SaC网络，例如在蜂窝拓扑结构下实现网络感知。

基于状态识别的应用使能技术

作为状态识别的两类关键技术，模型驱动方法和数据驱动方法在从感知信号中提取关键特征以提供高分类精度的运动检测或手势识别方面具有很大的潜力。

• 模型驱动方法：模型驱动的方法是指那些使用节点或观察之间的几何或统计关系，以一种数学上可解释的方式进行状态识别的方法。基于模型的方法的优点是低复杂度，不需要耗时的训练过程。然而，建立一个精确的几何或统计模型来描述感知环境通常是很困难的；

• 数据驱动的方法：对于数据驱动的方法，机器学习算法是以一种黑盒的方式来直接学习输入特征和输出预测之间的关系。数据驱动方法的优点是它们不依赖于精确的感知环境建模。然而，如何获取足够数量的标注数据用于学习模型训练是需要解决的关键问题。

基于环境重建应用的使能技术

近年来在智能反射表面和太赫兹技术方面的突破，使得对各种物体的精细感知成为可能，并以此为基础实现环境的精确重建。

• 智能反射表面（IRS）：目前，人们提出了一种名为智能无线电环境的创新概念，其愿景是利用低成本的IRS技术，使无线信道完全可控(如创建LoS链路、重塑信道实现、提高信道等级等)。除了通信目的，IRS还可以在室内和室外场景中提供精确和高效的基于无线电的环境感知和成像，为实现SSaC提供了新的思路；

• 太赫兹技术（THz）：利用高频率(如太赫兹频段)的潜力，将为感知和环境重建提供独特的机会，因为它允许在所有物理维度(包括角度、距离、多普勒)的超高分辨率。目前的研究趋势太赫兹传感技术包括太赫兹成像、太赫兹海量MIMO和全息MIMO系统。

---

总结

通过实现多种应用和更高的频谱利用率，SSaC将成为实现6G愿景的关键技术之一。在本文中，我们首先介绍了我们对SSaC的概念、愿景和演进路线图的理解。然后介绍SSaC的三个应用场景，然后详细描述几个典型用例、相应的性能指标和关键的启用技术。

---

这里是从善若水的博客，感谢您的阅读📕📕📕

---

《新程序员》：云原生和全面数字化实践 50位技术专家共同创作，文字、视频、音频交互阅读