《华为研究-2022年9月第二期-6G 跨越人联、物联迈向万物智联-190正式版.pdf》由会员分享，可在线阅读，更多相关《华为研究-2022年9月第二期-6G 跨越人联、物联迈向万物智联-190正式版.pdf（189页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2022 年 9 月华为研究1 华为研究2022 年 9 月2跨越人联、物联，迈向万物智联6G2022 年 9 月华为研究1编者按毫无疑问，6G研究之旅已经启航。许多国家已把6G作为重要的国家战略，所有的长期研究项目都加大了对6G研究的投入，这已成为一个全球势头。因此，我们可以肯定地说：6G已经在路上。然而，6G的诞生需要革命性的创新技术，6G的成功需要创新的应用，二者是6G发展进程中不可或缺的必要条件。本期华为研究聚焦的正是6G技术的创新。作为工程师，我们正在探索实现6G的具体技术，也欣喜地发现探索的方向日渐清晰。6G要考虑商业演进节奏，不可能一蹴而就。同时，6G创新的本质在于聚变出更多超乎
2、想象的创新。换言之，6G不仅仅是技术创新，而是力求通过技术创新带动各产业发展、创造更大的社会价值。基于此，6G-原生智能、6G-通信感知一体化、6G-极致连接、6G-卫星、6G-可信、6G-绿色将成为6G发展的技术支柱，从根本上支撑移动通信网的转型，从而真正把6G网络打造成连接物理世界与数字世界的智能桥梁。在6G推进的同时，移动通信的重心也在演进：从网络走向终端，从低频迈向高频，从2C转向2B。这些变化，既是挑战，更是机遇。作为面向未来十余年的ICT基础平台特别是移动通信基础平台6G的大厦一定是扎根于丰沃的理论土壤，立足于尖端的工程技术之上。建造这座大厦，需要广博的技术积累和深厚的专业功底。只
3、有加大对移动技术的攻坚和投入，才能完成6G这项如此巨大的系统工程。历史经验告诉我们，6G的成功，必定是开放合作的结果，必定要拥抱、包容所有的伙伴和参与者。国际合作已成为移动通信行业传统，本期华为研究也秉承了这一传统，衷心感谢所有业界同行朋友们赐稿。最后，本期华为研究仅代表我们6G研究之旅的起点，而非终点。谨以此与诸位共勉！童文华为无线 CTO 华为研究2022 年 9 月2华为研究内部资料，免费交流准印证号：(粤 BL）022060040主编：廖恒本期责任主编：童文编委会：廖恒，童文，肖新华，胡邦红，周慧慧，鲍丰，JeffXu，陈海波，陆品燕，张小俊，李瑞华，白博索阅、投稿、建议和意见反馈，请
4、联系：HWR印刷数量：4000 本印刷单位：雅昌文化（集团）有限公司印刷地址：深圳市南山区深云路 19 号印刷日期：2022 年 9 月 15 日版权所有 2022华为技术有限公司，保留一切权利。AlirezaBayesteh，何佳，陈雁，朱佩英，马江镭，AhmedWagdyShaban，余子明，张云昊，周知，王光健通信感知一体化从概念到实践 4李顼，张航，彭程晖，刘哲，王飞NET4AI：6G 支持 AI 即服务22刘斐，RobSun，王东晖，ChitraJavali，刘鹏6G 原生可信78罗禾佳，施学良，陈莹，孟贤，赵斐然，MichaelMayer，PeterAshwoodSmith，Bil
5、lMcCormick，ArashmidAkhavain，刘大庆，温怀林，汪宇，王晓鲁，杨若男，李榕，王斌，王俊，童文6G 超低轨卫星网络34王光健，顾欢欢，李先进，余子明，李欧鹏，刘乔，曾昆，何佳，陈雁，卢建民，童文，DavidWessel面向未来智能互联网络的太赫兹感知与通信46PetarPopovski,FedericoChiariotti,VictorCroisfelt,AndersE.Kalr,IsraelLeyva-Mayorga,LetiziaMarchegiani,ShashiRajPandey,BeatrizSoret6G 物联网：时间、空间、智能与价值的相互作用68前瞻202
6、2 年 9 月华为研究3童佳杰，王献斌，张其蕃，张华滋，李榕，王俊用于 Tbps 吞吐率通信的快速极化码92葛屹群，史无限，王坚，李榕，童文面向深度学习的联合消息传递与自编码器102FabianGottsch,GiuseppeCaire,WenXu,MartinSchubert面向 6G 的以用户为中心的无蜂窝无线网络：通信理论模型与研究挑战114RahimTafazolli，YiMa，JiuyuLiu，PeiXiao，AlexandrKuzminskiy，FabienHeliot，MohsenKhalily，汪凡超大孔径天线阵列与可重构智能表面：mMIMO 演进关键技术130FayezHyj
7、azie，童文，陈大庚，张碧军，李波杰，金黄平，张关喜，肖伟宏四臂螺旋天线（QHA）：使能 5G与未来的高效 Massive MIMO 144庞继勇，郭志恒，金黄平，彭金磷，唐臻飞，汪少波5G-Advanced：上行超宽带通信（UCBC）162MaximKuschnerov，TalhaRahman，林友熙，NebojsaStojanovic，StefanoCalabro，JinlongWei，史文俊，蔡念，李志伟，郑建宇，周蒙，胡立辉，于飞，曾金林，黄沁辉，马会肖，梁伟光，ChangsongXie，张乐伟800 Gbit/s 和 1.6 Tbit/s 数据中心光模块技术174技术研究6G 太赫
8、兹通信感知一体化，开启无线新可能182超低功耗高速短距无线，使能 6G沉浸式体验1846G 光无线通信感知一体化，拓展无线通信频谱新边界185技术验证前瞻 华为研究2022 年 9 月4通信感知一体化从概念到实践Alireza Bayesteh 1，何佳 2，陈雁 1，朱佩英 1，马江镭 1，Ahmed Wagdy Shaban 1，余子明 2，张云昊 2，周知 2，王光健 21渥太华无线先进系统能力中心2无线技术实验室摘要6G 将构建分布式神经网络，连接物理世界与数字世界，真正开启智通万物、慧达千行的“万物智联”时代。网络感知与原生 AI 将成为 6G 两大全新的应用场景，这意味着，6G 将
9、感知与通信能力融入同一套系统，利用无线电波超越人眼、“观察”物理世界，并在虚拟世界中构建数字孪生。本文介绍了通信感知一体化（Integrated Sensing and Communication，ISAC）的概念及其典型应用，并举例说明如何使用 6G ISAC 提高定位精度以及用便携式终端进行太赫兹毫米级成像。此外，本文还探讨了 ISAC 在实际应用中所面临的挑战。关键词通信感知一体化（ISAC），定位，太赫兹成像，感知精度，感知分辨率，原型样机物理-生物世界数字世界边缘神经网络中枢神经网络XR触感推理感知学习2022 年 9 月华为研究51 引言在 6G 移动通信系统中，更高的频段（毫米波
10、乃至太赫兹）、更宽的带宽、更大规模天线阵列使高精度、高分辨感知成为可能，从而可以在一个系统中实现通信感知一体化（Integrated Sensing and Communication，ISAC），使通信与感知功能相辅相成。一方面，整个通信网络可以作为一个巨大的传感器，网元发送和接收无线信号，利用无线电波的传输、反射和散射，可以更好地感知和理解物理世界。通过从无线信号中获取距离、速度、角度信息，可以提供高精度定位、手势捕捉、动作识别、无源对象的检测和追踪、成像及环境重构等广泛的新服务 1，实现“网络即传感器”（Network as a Sensor）。另一方面，感知所提供的高精度定位、成像和环
11、境重构能力可以帮助提升通信性能，例如波束赋形更准确、波束失败恢复更迅速、终端信道状态信息（Channel State Information，CSI）追踪的开销更低 2-3，实现“感知辅助通信”。感知同时也是对物理世界、生物世界进行观察、采样，使其连接数字世界的“新通道”。正因如此，实时的网络感知，能为物理世界复刻出一个平行的数字世界，这对未来实现“数字孪生”这一概念极为重要。基于 5G-Advanced 空口的 ISAC 应用场景和潜在需求表 1 ISAC 在 6G 中的新应用场景（按类别）的研究，在 3GPP 中已初步启动。未来 6G ISAC 系统的应用场景很可能会包括超高精度定位追踪、
12、同步成像、地图构建、人类感官增强等（详情参见表 1）1，这要求 6G ISAC 系统突破当前 5G 系统的局限、持续优化，以实现全面的通感一体化。在第 2 节中，将展开讨论具体应用场景和性能要求。感知与通信从松耦合到完全一体化可分为三个等级。在最低等级，通信与感知共享硬件和频谱。硬件共享可以有效降低成本、简化部署并减少维护问题，使感知从移动通信网络的规模效益中受益；频谱共享相比于各自使用独立频谱，频谱的利用更加高效。第二等级实现波形和信号处理一体化，时域、频域、空域波形和信号处理技术可以组合起来，为感知和通信两个功能服务。到了第三等级，信息可以跨层、跨模块、跨节点共享，通信与感知完全一体化，系
13、统性能显著提升，网络系统的总体成本和能耗将大大减少、系统规模也更小，基站与用户设备（User Equipment，UE）之间更大规模的协同、通信感知波形联合设计、先进的干扰消除技术、原生 AI 技术等其他技术创新还可以进一步提升感知数据的处理能力。本文后续内容中，将重点探讨典型的 ISAC 应用场景，介绍 ISAC 在增强定位能力和毫米级成像两个方面的应用，讨论ISAC 系统设计中面临的挑战，并在最后进行总结。场景分类高精度定位和追踪同步成像、地图构建与定位人类感官增强手势和表情识别应用分类垂直行业智能医疗智能交通智能工厂智慧农业公共服务智慧城市智慧环境智慧公安机器人协助手术人机停靠在移动车辆
14、设备/模块安装家禽移动/动物迁徙监测无人机服务员水文监测（降水、水位监测）大型活动人群管理和应急疏散无线同步定位与地图构建无人机-基站群合成孔径雷达成像车载司乘监控感知协作式家务机器人使用手机精准定位小物件（追踪器或有源设备）近距离场景和物体成像超高分辨率图像感知眼镜3D 路况成像仓库机器人和自动化系统作物生理监测和生产远程手术污染和空气质量监测产品缺陷自动化检测作物养分、水压、病害智能监测墙后水管成像热量检测污染食材检测建筑、桥梁、人造结构裂缝检测细颗粒物检测（PM10、PM2.5）爆炸物检测和燃气监测包裹安全检查虚拟钢琴无接触控制家电无接触控制智能屏幕老年人、残疾人手势控制无障碍设施恐慌情
15、绪识别基于手势控制的智能手术室座舱监控和无接触控制智能生产系统无接触控制基于手势的精准农业机器人和机械控制 消费者智能家居娱乐智能移动终端前瞻 华为研究2022 年 9 月62 ISAC潜在应用场景2.1 概述长期以来，无线感知一直是一项独立发展的技术，与移动通信系统的发展没有明显交集。感知服务是由各种专门的传感设备，如普通雷达、激光雷达、计算机断层扫描、磁共振成像等设备提供的。5G 及更早期通信系统中，定位是移动通信系统唯一可以提供的感知服务。6G 移动通信系统中，定位之外的通用感知将集成入通信系统中，成为一项全新功能，从而开辟出全新的服务。ISAC可以帮助移动运营商提供许多新服务，如高精度
16、定位、追踪、生物医学和安检成像、用于复杂室内外环境地图构建的同步定位和地图构建、污染和自然灾害监测、手势和动作识别、缺陷和材料检测等服务。这些新服务反过来也将为未来的消费者和各垂直行业创造新的业务场景。表 1 列举了未来 ISAC 系统可能支持的新服务，并将不同行业（垂直行业、消费者、公共服务）的应用场景按功能分成四类：高精度定位和追踪；同步成像、地图构建与定位；人类感官增强；手势和动作识别。值得一提的是，除了可以提供以上新服务和新业务外，感知还可以辅助通信和定位，这部分内容将在 5.4 节中阐述。2.2 高精度定位和追踪从工厂到仓库，从医院到零售商店，从农业到矿业，低时延、高精度的定位和追踪
17、构建了数字信息和实体位置之间的有意义关联。6G 网络可提供有源和无源两种定位服务，有源定位是针对联网设备的定位，目标设备的位置信息来源于接收到的参考信号（设备侧定位）或目标设备的测量反馈（网络侧定位）；无源定位则不要求目标设备联网，通过收发机相同的单站感知（接收机与发射机共设）或双站感知（接收机是单独的一个节点或设备），从散射和反射信号中估算时延、多普勒和角度谱信息，对应物体的距离、速度和角度，以估算出目标设备位置。通过进一步信号处理，还可以提取坐标、朝向、速度和其他物理三维空间的几何信息。由于带宽更宽、天线孔径更大，6G ISAC 系统的多径分离能力也更强，可以提供更优秀的定位和追踪性能，对
18、户外目标的定位精度可达到厘米级。当两个或多个实体互相接近或将互相影响运动方向与速度时，高精度的相对定位非常重要。在自动仓储场景中，厘米级相对定位精度可实现器件的自动放置，而准毫米级精度可进一步实现在狭小空间中安装和放置模块，从而提高小尺寸部件的贮存效率。此外，近距离操作也需要相对定位，因为要使每个机器人准确地确定自身相对于某个基准点的位置，必须综合考虑复杂性、物理限制、外部基础设施等重要因素。例如，当无人机需要停靠在移动中的车辆上，受限于平台面积，着陆面积极小，需要采用相对定位。未来，ISAC 还可以获得网络原生 AI 能力的支持，实现基于上下文感知的语义定位。在未来的智能家居、商场、餐厅、酒
19、店，以及自动化工厂等场景中，系统需要为物品和部件提供调度所需的定位信息，如货架层数、座位号、桌号等。在餐厅中，机器人服务员具备语义定位能力，可以准确地将食物送到客人的餐桌。在物流运输中，网络自动调整定位和测速的精度，区别对待易碎物品和坚硬物品。2.3 成像、地图构建和环境重构在同步成像、地图构建和定位应用场景中，这三个方面的感知能力可以相互增强。例如，通过成像可捕捉周围环境的图像，通过定位可获取周边物体的位置，再利用这些图像、位置来构建地图，而构建出的地图又反过来提升位置推理能力。ISAC 将利用先进的算法、边缘计算和 AI 技术，生成超分辨率、高识别度的图像与地图，地图中的车辆、基站等形成庞
20、大网络，发挥传感器的作用，大幅扩大成像范围。此外，成像结果通过云服务网络轻松融合并实现全网共享，可以显著提升成像性能。6G 超分辨率、高精度的感知能力，可支持 3D 室内成像与地图构建，从而实现室内场景重建、空间定位和室内导航等应用，并向网络和终端提供最新的环境信息。物体表面会像镜面一样反射信号，精确的地图信息可以用于确定多径的反射点，并利用镜像技术重构非视距物体的补偿图像。因此，环境重构完成后，利用场景的几何先验信息，可以进行非视距目标的定位与成像，更精确地检测目标位置。在室外成像和地图构建场景中，由于天气、障碍物和传感器的功率控制等原因，车辆的传感器通常视野受限，导致覆盖范围有限。此时，附
21、近的固定基站可以从移动车辆获取感知数据，将基站和各车辆的感知数据整合后再反馈给车辆，因此车辆视场更大、感知距离更长、分辨率更高。因此，移动中的车辆可以利用由基站重建的地图来确定下一步动作，实现更高级别的自动驾驶。并且，融合成像结果可在全网共享，带来整体感知分辨率和精度的显著提升。在智能城市管理和交通管理中，密集的基站和 ISAC 系统可用于环境重构和 3D 定位，从而构建虚拟城市，用于交通流量监控、车辆拥塞检测和事故检测，这是动态虚拟城市的一个重要应用场景。2022 年 9 月华为研究76G 网络，充分利用终端设备，通过云服务网络实现更大范围的数据关联和融合，极大地提升整体识别性能。未来的智慧
22、医院将会具备先进的手势和动作识别能力，实现对患者的自动监护，确保了患者在物理治疗期间的姿态和动作符合康复训练的标准要求。一旦有不正确的动作或姿态，系统会及时提醒，大大改善患者的康复过程。另外，如果患者在运动中跌倒，或发现可疑人员闯入禁区，医院控制中心会向医护人员或管理人员发出警报。未来的智慧家庭将配备先进的手势捕捉和识别系统，追踪手部的 3D 位置、旋转和手势。这样，家人只要挥一挥手或者做个手势，智能灯、智能电视等各种家电都可以远程控制。此外，6G 网络中先进的手势捕捉和识别技术可以实现更加复杂的功能，例如在空中弹奏虚拟钢琴，使随时随地享受沉浸式娱乐体验成为现实。毫无疑问，这一超前概念会激发更
23、多与高精度手指运动检测和追踪有关的创新应用。2.6 关键性能指标6G ISAC 系统中，感知能力引入了若干新的关键性能指标（Key Performance Indicator，KPI），如表 2 所示。2.4 人类感官增强科技进步可以增强人类的感知能力，基于便携式终端（如6G 终端、可穿戴设备和皮下植入式医疗设备）感知周围环境，使信息搜集更方便，并可提供安全、高精度、低功耗和超越人类自身的感知与成像能力，将环境信息尽可能多地融入 6G 网络。人类感官增强的相关技术将催生许多新的应用，如远程手术、癌症诊断、产品裂缝检测和水槽漏水检测等。外科医生可以通过超高分辨率成像监控系统和远程手术平台为身处异
24、地的患者进行手术；智慧工厂利用先进的感知解决方案，可以实现产品的非接触式超高精度检测、追踪和质量控制。这类应用需要毫米级径向距离分辨率和超高横向距离分辨率，而毫米级径向距离分辨率依赖于更高的带宽，超高横向分辨率依赖于更大的天线阵列孔径，借助频率高达太赫兹、波长小于 1 毫米的6G 通信技术，带宽得以极大提升，阵列规模明显缩小，从而将这些人类感官增强功能集成到便携式设备中。超高分辨率场景需要更高的带宽和更大的天线孔径，通过“超越人眼”的应用，可以获得皮肤下、遮挡物后或黑暗中隐藏的重要信息。6G 系统中，基于频率高达太赫兹的无线电波感应，可以实现非视距成像。如果在便携式设备上配置隐藏物体检测技术，
25、就可以利用太赫兹电磁波的穿透特性，用手机来检测墙体后的管道状态，或者对包裹进行安全扫描。此外，6G ISAC 能够让医疗检测无创化，在诊断、检测和治疗等医疗过程中有着重要的意义。在不对患者身体造成伤害的情况下，获得更可靠、更准确的信息。谱识别是 6G ISAC 系统另一个值得关注的应用。谱识别是基于目标的电磁或光学特性，对目标进行性质识别的频谱感知技术，包括对吸收、反射率和介电常数等参数的分析，区分材料的类型的和质量。谱识别技术的一些潜在应用包括污染检测和产品质量管理等。谱识别还可以用于食物检测，基于太赫兹信号的透射和反射来检测食物的种类和成分，不仅有助于识别食物的种类，还可以检测食物的卡路里
26、，以及是否存在污染成分等。2.5 手势和动作识别基于机器学习的手势和动作识别是推广人机接口的关键。用户可以使用手势和动作传递指令、与设备交互。在 6G 中，更高的频段会带来更高的分辨率和精度，可以捕捉更细微的动作和手势，在检测物体运动产生的多普勒频移时，高频段的灵敏度也更高。此外，大规模天线阵列能够显著提高空间探测的分辨率和精度。6G 姿态和手势感知的另一大优点在于，它可以将通过摄相机识别产生的个人隐私信息泄露风险降至最低，因此非常适合智能家居等场景。未来，手势和动作识别系统将基于密集分布的表 2 感知能力 KPI指标描述 覆盖分辨率 精度检测概率和 虚警概率 可用性 刷新率系统可检测到对象的
27、距离和视场角限制从距离、角度、速度等维度区分多个物体的能力在距离、角度、速度等维度感测值与实际值之间的差异分别指物体存在和不存在时被检测到的概率系统能够按需提供传感服务的时间百分比定位数据刷新率表 3 列举了相关性能指标以及实现前面章节中提到的重要应用场景必须满足的要求。3 ISAC实现厘米级定位3.1 背景、动机与解决方案6G 需要亚厘米级定位的解决方案，以满足未来各种类型的应用场景。要实现该定位精度，我们应对无线信号的传播环前瞻 华为研究2022 年 9 月8（a）真实环境中的映射（b）抽象为可见散射体的几何映射 图 1 通过环境对象/散射体将 TP 映射到 vTP表 3 ISAC 应用场
28、景及关键性能指标要求应用场景分类覆盖分辨率精度检测概率可用性刷新率 模块安装和放置 移动平台无人机对接机器人/无人机服务员同步定位与地图构建（SLAM）室内非视距定位 城市环境重构（虚拟城市）远程手术和医疗诊断利用移动设备进行包裹安全扫描 利用谱识别进行食物热量检测 医疗康复动作识别随时随地弹奏虚拟钢琴10 m50 m50 m2 m0.5 m0.5 m10 m10 m1 cm0.5 cm0.5 cm0.1 cm1 mm12 mm1 mm 0.5 mm0.5 mm0.5 mm5 cm5 cm0.5 m 50 m 100 m100200 m99.99%99.99%99.9%99.9%99.9%99
29、%99.9999%99%99%99.9%99.9%99.9%99%100 ms 10 ms 100 ms 10 ms 10 ms 1s 1 ms 100 ms 100 ms 1s 1 ms1 mm1 cm1 cm1 cm1 cm0.1 m-高精度定位追踪同步成像、地图构建与定位人类感官增强手势和动作识别境有更为深入的了解。通过获取传播环境的射频地图，我们可设法获得对应的 UE 位置。这样，传播信道的多径性质将会起到一定的帮助作用 4。高频段信道更加稀疏，主要反射径数量少，用户位置与其传播信道之间的映射更加容易，更有利于这种方式的感知辅助定位。此外，在高频段场景中，电磁波以反射为主，通过将多径信
30、道分解为来自多个锚点的多个 LOS信道，即可获得这样的映射。这些锚点是通过在每个路径上散射体的表面对 TP（Transmission Point，传输点）进行镜像来获得的，一般称为虚拟 TP 或 vTP（Virtual Transmission Point，虚拟传输点）。这种表征方式有两个优点：vTP 与 TP 完全同步，这解决了当前定位技术中多个 TP不同步的突出问题；vTP 和 UE 之间的信道为 LOS 信道，意味着不会引入NLOS 偏差。因此，这种方式可以解决 NR 定位中的两个关键问题，即同步误差和 NLOS 误差。尽管如此，在现实蜂窝系统中实施此类技术，仍面临着各种挑战。本节探讨如
31、何应对这些挑战提供解决方案，为在未来的 6G 网络中应用感知辅助定位技术做好准备。潜在大量 vTP：在环境感知的初始阶段，可以获得 TP 位置相对于地图中所有散射体反射表面的反射。问题是，vTP 的数量随着反射平面的数量而线性增长，并随着允许反射的次数呈指数级增长。这个问题在大量户外散射体的场景中尤其突出。多径测量与 vTP 的关联：多径辅助定位技术的另一个主要挑战是，UE 不清楚如何将每个测量参数向量（由角度、时延和多普勒组成）匹配到 vTP，这可能会产生较大的定位误差。一般来说，观察结果和可见 vTP 之间的匹配是一个具有指数复杂性的组合问题。为 解 决 上 述 问 题，我 们 提 出 了
32、 感 知 辅 助 位 置 估 计（Sensing-Assisted Position Estimation，SAPE）方案。SAPE 的基本工作原理是利用大规模 MIMO 和毫米波技术在空域、角域和时域的高分辨率能力来提高多径分量的可分辨性，并利用环境射频地图来识别此类多径分量的潜在反射面，从而在实现高分辨率和高精度 UE 定位的同时感知环境。通过从 UE 上报的观测结果与对应于主要反射面的先验信息之间的关联关系，可以利用多径分量（包括 NLOS）提高位置、速度2022 年 9 月华为研究9和朝向信息的准确性。高效的关联和精确的映射需要特定感知信号的设计、新的收发信号处理技术及相应的测量和信令
33、机制。具体而言，该方案包括两个主要步骤：第一步感知或环境感知：网络（TP）试图找到/更新环境的主要反射面的位置，并获取进行第二步感知的子空间；第二步感知：TP 在第一步感知获得的子空间中发送特定的感知信号，以增强多径的可分辨性和关联性。UE 在接收到的感知信号上执行测量，将测量值正确映射到 vTP，获得 UE位置以及速度矢量和朝向（此过程也称为 UE 姿态估计）。本文提出的 SAPE 方案与大多数 SLAM 技术不同，SLAM 技术中所有定位工作与处理都在 UE 侧完成，而本文的SAPE 方案需借助基站完成。3.2 SAPE方案详细说明3.2.1 第一步与第二步感知在初始环境感知阶段（第一步感
34、知），TP 通过使用相对宽的波束或较小的带宽来感知整个通信空间，以生成环境中主要反射面/对象的粗略射频地图。此阶段的主要目标是识别潜在的反射面，并将它们映射到 vTP。通过第一步感知，TP 可获得静态射频地图，并基于该地图预先计算静态物体或反射面的位置和朝向。在第二步感知，即环境感知更新或特定感知阶段，TP 根据获取的射频地图和粗略的 UE 位置开始进行针对性的感知。具体而言，TP 基于粗略的 UE 位置和主反射面的位置感知某些子空间，并处理反射信号以获得这些反射面更精细的感知信息。同时，UE 也会对感知信号进行测量，获得包括多径识别、距离、多普勒、角度和朝向测量结果在内的信息，以获得 UE位
35、置。因此，第二步感知实质上是细化了前一步获得的预先计算的信息，从而实现对准静态环境的支持。此外，第一步感知获得的 vTP 位置可能存在较大误差，第二步感知可以纠正这一误差。vTP 位置误差的影响将在第 4 节中进行研究。3.2.2 多径参数估计多径参数估计主要指的是估计 UE 接收的每个发射波束的 J个主要多径分量参数，包括时延j，多普勒j，信道路径系数j和到达角 jr，jr，即第j个路径的仰角和方位角。对于所有j，所有这些参数都被集合到一个向量中，表示为j。假设第m个波束上的发射信号为sm(t)，接收信号表示如下：式中，Xj(t;j)为第j条路径的接收信号。注意，这里Xj(t;j)包含了发射
36、端的波束赋形的影响和接收端的加性高斯白噪声。此外，在第二步感知阶段，发送端波束赋形使Y(m)(t)变得稀疏，即J(m)变小。这些空时频参数的联合估计带来了复杂的非凸优化问题。此外，路径参数的纠缠也会限制精度，降低估计参数的分辨率，从而影响其可分辨性。此外，鉴于空域、时域和频域的高维性以及实时处理要求，必须考虑参数估计算法的复杂性。因此，我们致力于寻找一种低复杂度、超分辨率信道参数估计方法。当前，多径参数估计的理论主要分为四类，即基于谱分析 5-6、基于子空间 7-8、基于压缩感知（稀疏信号恢复/重建）和基于最大似然（Maximum Likelihood，ML）方法 911。表 4 是针对这四种
37、方案的总体比较。在这些算法中，空间交替广义期望（Space Alternating Generalized Expectation，SAGE）最大化是一种降低计算复杂度的合理方法。通过在每条路径的估计参数上采用交替优化，提高了 EM 算法中最大化步骤的收敛速度。与 EM 类似，SAGE 由两个连续的迭代步骤组成，即期望和最大化。在期望步骤中，不可观察数据（在我们的场景中为多径分量j）的估计是基于对不完整数据的观察和参数向量的先前估计值(i)。在最大化步骤中，通过交替优化时延、多普勒、信道系数和到达角分量，对第j个路径的参数向量j进行迭代估计。这样，多参数优化问题被简化为多个单参数优化问题。表
38、4 信道参数估计方案综合对比类别 描述优点缺点基于 ML基于 ML基于 ML基于 ML稀疏信号重构稀疏信号重构基于子空间基于频谱最优解卓越性能卓越性能超分辨率有竞争力的性能超分辨率中分辨率中分辨率复杂度过高高复杂度、低收敛速度高复杂度、低收敛速度中复杂度、高收敛速度中复杂度高复杂度中复杂度低复杂度最大似然估计法重要性抽样 M期望最大化SAGEOMP 及其变体基于凸松弛，如l1范数、核范数和原子范数MUSIC、ESPRIT 及二者的变体FFT（1）前瞻 华为研究2022 年 9 月103.2.3 多径参数关联多径参数关联的关键是找到一种方法，将信道中不同多径分量的估计参数（如时延和到达角）与由真
39、值集合相关的可见vTP 进行关联，如图 2 所示。其中，不同信道多径分量的估计参数为Z=1,.,Nobs（Nobs表示观察次数，由 UE 针对每个测量波束对获得）；真值集合为G=g1,.,gNvtp（Nvtp表示可见 vTP 的数量，G由 TP 通过第一步和第二步感知获得）。图 2 vTP 关联问题测量示意图图 3（a）基于Z的相对/差分距离（b）基于G的相对/差分距离关于如何减轻关联误差及降低关联算法的计算复杂性，当下已有广泛的研究。相关方案主要分为两条思路，即软决策/概率数据关联和硬决策数据关联 12。在概率数据关联方法13-16 中，所有 vTP 都被分配给具有不同概率的特定测量/观察，
40、其中概率指给定测量由于特定 vTP 而产生的可能性。为合理的分配这些概率，我们需要选择适当的统计模型。在硬决策数据关联方法 12,17 中，每个测量/观察仅与一个 vTP 关联，可通过基于概率的硬决策算法和基于距离度量的选择算法。前者测量根据某种概率测度（如最大似然或后验）与最有可能的关联事件进行关联，后者测量则根据某种距离度量（如马哈拉诺比斯距离 12,17）与最近的关联事件进行关联。这种方法的主要不足之处在于，它在很大程度上依赖于准确的 UE 位置作为先验信息。现有技术对测量集Z=1,.,Nobs 与预期真值集G=g1,.,gNvtp 之间的距离进行测量，其中1是包含测量到达范围和角度的第
41、i个向量，gk是预期 UE 位置p和从先前估计获得的第k个 vTP 之间的距离向量。然而，这种技术有两个主要缺点。首先，它需要 UE 位置的先验信息，而这些信息在许多情况下可能无法获得。其次，它需要很长的训练周期和测量来迭代更新 UE 位置的先验信息，以便实现关联算法收敛。为弥补上述不足，我们提出了一种新的算法，主要利用两个测量集成员之间的相对距离。该算法的关键理念是将测量集成员之间的相对距离与预期的可见 vTP 子集之间的相对距离相匹配，如图 3 所示。这样做的目的主要是为了避免G对p的依赖。这需要对两个测量集Z和G进行两次不同的修改。首先，不直接使用Nobs测量值，而是将其转换为相对于原点
42、的Nobs的假设 vTP位置。用Hz=h1,.,hNobs 表示这组假设 vTP 位置，其中hi是第i个假设 vTP 的相对位置向量。基于这些相对位置向量，计算这些相对位置之间的距离，即dij=hi-hji,j,i j。假设vTP 位置之间的相对欧氏距离集的定义为D，并且其大小为(Nobs2)个元素，其中第n个元素表示为dij(n)。第二次修改是建立实际 vTP 位置之间的相对距离集，即D。由于假设 vTP位置集（即Hz）和实际 vTP 位置集（即R）通常具有不同的基数，将后者划分为大小为Nobs的 个子集，每个子集包含不同的 vTP 位置组合。用ri =ri1,.,riNobs,i 1,.,
43、表示这些子集，其中ri1是第i个子集中第一个 vTP 的位置向量。对于任意Ri，其成员之间的相对距离为dimn=rim-rin,m,n,mn。ri的成员之间的相对距离集表示为Di，测量D和Di集之间的距离可由以下公式得出：（2）其中d(n)和diDij(n)分别表示D和Dij的第n个元素，j表示Di元素的第j个排列。使用此新度量方式，关联可以由以下公式得出：（3）opt包含分配给D的R条目的最佳索引。3.3 SAPE方案的性能评估3.3.1 链路级评估本小节中主要使用统计获得的测量值来对本文提出的关联算法的平均行为进行评估。具体做法是，设置位置均匀分布的8个vTP，进一步假设每个接收到的观测（
44、可以是范围或角度）具有标准偏差为-c*CR-LB()高斯噪声，其中 CRLB()表示的均方误差估计值的克拉美罗下界（Cram r-Rao Lower Bound，CRLB），常量c表示检测中导致实际估计值和下界之间差距的非理想因子（在评估结果中，c=6）。其后通过计基于Z基于G2022 年 9 月华为研究 11算关联 vTP 的不同索引与观察到的索引的数量来计算关联误差。如图 4 所示，本文提出的关联算法性能优异。当有更多的测量点（更多的 vTP），则有更多的相对距离可用于关联，有助于性能的进一步提升。图 4 中的关联误差表示关联错误的vTP 数量与平均 vTP 总数的比率。例如，在 3 次观
45、察中，当SNR 为 5 dB 时，平均关联误差为 0.07，即平均 100 个 vTP中只有其中 7 个关联错误。平均关联误差不等同于平均位置误差，但是前者会影响后者。例如，假设 10 个 vTP 中的 1 个vTP 出现关联错误，如果此 vTP 的测量值在位置误差计算中的权重较低，这种情况可能并不会造成显著的位置误差。图 4 本文提出的关联算法的平均关联误差 （当可见 vTP 的数量为 3 和 5 时）图 5 SAPE 技术在链路级的总体定位性能此外，我们评估了本文提出的关联算法在实际多径环境中对定位误差的影响。在不失普遍性的情况下，假设信道参数估计阶段引起的估计误差由克拉美罗下界确定。图
46、5 显示了关联方案的 UE 定位误差界（Positioning Error Bound，PEB）的 累 积 分 布 函 数（Cumulative Distribution Function，CDF），并将其与理想的关联情况进行比较，结果表明，SAPE 技术定位性能较好，其在 6G 定位方面具有巨大的潜力。3.3.2 系统级评估本小节将介绍 SAPE 方案的系统级评估性能。与系统级通信性能评估类似，这种评估的关键步骤是对物理层性能进行抽象，即所谓的物理层抽象。感知物理层抽象背后的原理是将SINR、带宽、持续时间和天线配置等系统参数映射到感知性能（例如距离、多普勒或角度均方误差）。根据该物理层抽象
47、方法，我们在两种场景下从 PEB 角度评估了 SAPE 方案，并将之与基线 NR 进行了比较：理想场景：假设感知是理想的，基于在 SLS 中的物理层抽象方法，在室内热点（Indoor Hotspot，InH）和室外城市微蜂窝（Urban Micro，UMi）两种场景中评估候选方案。评估都是在毫米波频段上进行的，仿真参数见表 5。基于上表所示参数，仿真结果如图 6 所示。表 5 SLS 评估参数参数值带宽感知时间子载波间隔子载波数部署信道模型载波频率仿真方法非理想建模传输接收点（TRP）同步误差80 MHz14 符号60 kHz1024室内热点，256 32室外城市微蜂窝，32 16（20 个
48、RRU 和 200 个 UE）SCM（随机）60 GHz基于 SLS 的感知物理层抽象感知误差0（完美同步）或 1 ns观察数-3观察数-5关联误差现实关联理想关联P(PEB x)PE(m)10-510-410-310-210-110010110.80.60.40.20前瞻 华为研究2022 年 9 月12图 6 理想场景下 SAPE 方案与基线 NR 的 SLS 结果对比图 7 现实场景下 SAPE 方案与基线 NR 的 SLS 结果对比结果显示，在理想条件下（无射频损伤、无感知误差、无衍射），SAPE 方案的精度可以比 NR 高一个数量级。此外，由于 TP 之间存在 NLOS 偏差和同步误
49、差，NR 基线在任何场景下都无法获得良好的性能，即使在理想条件下也是如此。现实场景：假设存在感知误差，在 UMi 场景中评估候选方案。仿真参数如表 5 所示。为了建模感知误差，假设与每个路径/群集对应的 vTP 呈高斯分布，将其中存在的方差建模为随机变量。此外，由于 vTP 的位置与实际 TP 对应，因此 LOS链路的定位方差为 0。基于这些参数，仿真结果如图 7 所示。感知辅助定位NR 定位基线，1 ns 同步误差NR 定位基线，完美 TRP 同步UMi（户外）感知辅助定位NR 定位基线，理想的 LOS 识别和同步NR 定位基线感知辅助定位，真实感知结果显示，即使存在感知误差，SAPE 方案
50、的依然能实现比 NR 高一个数量级的精度（达到厘米级精度）。4 ISAC实现太赫兹波段毫米级成像太赫兹位于毫米波和红外频率之间，具有毫米级甚至亚毫米级波长，因此太赫兹频段的 ISAC 系统（ISAC-THz）特别适合于高分辨率感知应用，如毫米级分辨率 3D 成像。与其他低频无线电波一样，太赫兹可以穿透某些障碍物，在多种天气和亮度条件下实现高精度传感。半导体技术的最新发展弥合了“太赫兹带隙”，使终端在硬件上实现太赫兹成为可能。因此，基于 ISAC-THz 的便携式设备将打开超高分辨率的人类感官增强等大量新的感知应用的大门。表 6 显示了连续带宽大于 5 GHz 的移动频段分配。太赫兹级超大带宽还