通感一体化系统架构与关键技术：从白皮书到仿真落地-北京尧图网络

简介这份白皮书源自全球6G技术大会2023聚焦通感一体化系统架构与关键技术面向6G通信、雷达感知及无线网络研究方向的工程师、研究生与科研人员帮助读者系统理解通信与感知融合的整体框架与实现路径。资源为单份PDF文档共92页压缩包约10.87MB内容以目录章节形式组织涵盖通感一体化业务分类与性能指标、系统架构、空口关键技术、多天线感知、网络协作通感一体化、感知非理想因素消除及多频点协作感知等模块。读者可从中获取通感融合发展层级、感知服务参考模型、一体化波形设计、基于虚拟阵列与波束赋形的多天线感知方案以及移动性管理、链路自适应、RIS辅助通感等前沿技术要点适合作为课题调研、方案设计与技术选型的参考底稿。目前已有696人学习下载。1. 通感一体化到底在解决什么问题从一份 92 页白皮书说起如果你最近在搜「通感一体化系统架构」或者「6G 通感一体化关键技术」大概率会撞见一份 92 页的白皮书。名字很长内容也不轻。但真正值得花时间读的原因不是它有多权威而是它把一件过去被拆成两件事的活儿——通信和感知——摆到了同一套系统里来设计。通信负责传数据感知负责看环境过去这两套系统各建各的、各算各的频谱、天线、算力都是双份开销。通感一体化ISACIntegrated Sensing and Communication要做的就是让同一套波形、同一套硬件、同一套网络既把数据送出去又把周围的目标测出来。这件事对谁有用做无线网络规划的、做雷达信号处理的、做边缘算力调度的以及正在选 6G 研究方向的研究生和工程师。它解决的核心痛点是频谱越来越挤硬件越来越贵而感知需求低空、车路、室内定位却越来越密。把两者合到一套架构里是 6G 阶段被反复讨论的一条主线。这份白皮书的价值就在于它把架构分层、关键技术和性能边界讲得比较系统适合当作落地前的「地图」来读而不是当作一篇科普。2. 通感一体化的系统架构三层拆分与接口定义2.1 为什么架构要先分层再谈技术拿到一份 92 页的白皮书最容易犯的错是从「关键技术」那一章开始读。我一般会先翻架构图因为架构决定了后面所有技术的落点。通感一体化系统架构通常按三层来拆感知与通信融合层、网络协同与算力调度层、应用与能力开放层。这个拆法不是拍脑袋而是因为通信和感知对时延、精度、覆盖的要求根本不在一个量级上混在一起谈会失焦。融合层是最底层负责波形设计、天线阵列、射频前端和基础信号处理。这一层要回答的问题是一个 OFDM 波形怎么在承载数据的同时还能从回波里提取距离和速度。网络协同层负责多节点之间的感知结果汇聚、时钟同步、算力分配。应用层则把感知能力包装成可调用的服务比如「查询某区域当前目标数量」或「订阅某条路径的障碍物变化」。分层的意义在于每一层可以独立演进。融合层的波形换了只要接口不变上层不用动。这也是为什么白皮书里会花不少篇幅定义层间接口而不是只讲某一项技术多先进。2.2 层间接口与数据流的落地描述接口定义是架构能不能落地的关键。常见做法是融合层向上提供「感知原始数据通信数据」两条流网络协同层负责把多节点的感知原始数据进行时空对齐再向上提供「目标列表置信度」。应用层不直接碰原始回波只消费结构化结果。下面这段伪代码描述的是网络协同层做多节点感知结果汇聚时的最小逻辑用 Python 写方便理解数据流不是生产代码# 多节点感知结果汇聚的最小逻辑示意 # 输入来自不同融合层节点的感知结果每个结果带时间戳和节点坐标 def fuse_sensing_results(node_results, time_window0.01): node_results: list of dict, 每项包含 - timestamp: 感知时刻秒 - node_pos: (x, y) 节点坐标 - targets: [{range: 距离, angle: 角度, velocity: 速度}] time_window: 允许参与融合的时间差窗口秒 # 第一步按时间窗口筛选避免把不同时刻的结果硬融 ref_time max(r[timestamp] for r in node_results) valid [r for r in node_results if ref_time - r[timestamp] time_window] # 第二步把极坐标距离、角度转到统一直角坐标系 fused [] for r in valid: for t in r[targets]: x r[node_pos][0] t[range] * math.cos(t[angle]) y r[node_pos][1] t[range] * math.sin(t[angle]) fused.append({x: x, y: y, v: t[velocity], src: r[node_pos]}) # 第三步简单聚类把空间上接近的点归为同一目标 # 实际系统会用卡尔曼滤波或匈牙利算法做关联 clusters cluster_by_distance(fused, threshold0.5) return clusters这段逻辑里time_window是最关键的参数。设得太小多节点结果永远凑不齐设得太大运动目标会被错误合并。白皮书里一般会给一个典型值范围但实际部署时这个值要跟着场景调低速室内场景可以放到 20 毫秒车路协同场景通常压到 5 毫秒以内。cluster_by_distance的阈值同理它直接决定「一个目标还是两个目标」的判断。2.3 架构选型集中式还是分布式架构落地时绕不开一个选择感知结果的融合放在中心节点做还是让边缘节点先做局部融合再上报。集中式的好处是全局信息完整融合质量高坏处是回传带宽和中心算力压力大。分布式的好处是响应快、带宽省坏处是局部融合可能丢全局信息。我一般会按场景分低空监管这种目标稀疏、节点覆盖广的场景用分布式局部融合加中心兜底室内高密度场景反而适合集中式因为节点之间距离近回传成本可控。白皮书里通常会把两种模式的适用条件列成表读的时候重点看它给的节点密度和回传带宽假设这两个数一变结论就可能反过来。3. 通感一体化关键技术波形、波束与干扰管理3.1 波形设计通信和感知怎么共用一套信号波形是通感一体化最底层也最难妥协的地方。通信要的是高频谱效率、低误码率感知要的是高距离分辨率、高多普勒分辨率。这两组指标对波形的要求并不一致。常见做法是以 OFDM 为基础因为 OFDM 在通信侧已经非常成熟感知侧则利用其子载波和符号结构做距离-多普勒处理。具体来说感知处理会对接收到的 OFDM 信号做两维 FFT一维在子载波上做得到距离信息一维在符号上做得到速度信息。下面是一个简化的距离-多普勒处理代码框架import numpy as np def range_doppler_processing(received_grid, subcarrier_spacing, symbol_duration): received_grid: 二维数组形状为 (子载波数, 符号数)来自接收端解调后的频域数据 subcarrier_spacing: 子载波间隔Hz symbol_duration: 一个 OFDM 符号的时长秒 # 距离维对子载波维度做 IFFT range_profile np.fft.ifft(received_grid, axis0) # 速度维对符号维度做 FFT doppler_profile np.fft.fft(range_profile, axis1) # 距离分辨率光速 / (2 * 带宽)带宽子载波数 * 子载波间隔 num_subcarriers received_grid.shape[0] bandwidth num_subcarriers * subcarrier_spacing range_resolution 3e8 / (2 * bandwidth) # 速度分辨率波长 / (2 * 总观测时间) total_time received_grid.shape[1] * symbol_duration wavelength 3e8 / 3.5e9 # 以 3.5 GHz 为例 velocity_resolution wavelength / (2 * total_time) return doppler_profile, range_resolution, velocity_resolution这里有两个参数直接决定性能上限。subcarrier_spacing越大符号越短对高速运动目标的容忍度越高但频谱效率会下降。symbol_duration和符号数共同决定总观测时间观测时间越长速度分辨率越好但感知刷新率会变慢。白皮书里一般会给出几组典型配置读的时候要对照它假设的场景速度范围别直接照搬。3.2 波束管理一套天线怎么同时服务两个目标通感一体化里波束要同时完成两件事对准通信用户传数据以及扫描或跟踪感知目标。这两件事对波束宽度和指向的要求经常冲突。常见做法是时间分片一部分时隙做通信波束一部分时隙做感知波束中间用统一的波束赋形权重来切换。更精细的做法是空间复用用宽波束覆盖通信用户同时在宽波束内嵌入一个窄波束做感知。这对天线阵列的自由度要求很高通常需要较大规模阵列。落地时要注意波束切换会带来额外的时延和信令开销如果切换太频繁通信吞吐会明显下降。我见过一些方案在仿真里性能很好一到实际调度就翻车原因就是没把切换开销算进去。3.3 干扰管理自干扰和互干扰怎么压通感一体化的干扰比纯通信系统复杂。一是自干扰发射信号直接泄漏到接收链路感知回波本来就很弱自干扰不压下去感知就是黑匣子。二是互干扰感知波束和通信波束之间的相互影响以及多节点之间的交叉干扰。自干扰抑制常见做法是射频域和数字域联合射频域用隔离器和自适应对消数字域用参考信号重建发射波形再减掉。互干扰则更多靠调度和波束隔离比如让相邻节点在不同时隙做感知或者用正交的波束方向。白皮书里通常会给一个干扰抑制的指标要求比如自干扰抑制比要达到多少 dB这个数要结合你的射频前端能力来看别只看理论值。4. 从白皮书到仿真把架构跑起来的最小验证路径4.1 验证环境怎么搭先跑通单节点再扩多节点读完架构和关键技术下一步是验证。我一般不建议一上来就搭多节点系统先跑通单节点的通感一体链路确认波形、距离-多普勒处理、自干扰抑制这几步能出合理结果再扩到多节点。单节点验证的最小环境包括一个 OFDM 收发链路、一个目标回波模型、一个距离-多普勒处理模块。目标回波模型可以先用点目标加上时延和多普勒频移再叠上噪声。下面是一个点目标回波生成的最小示例def generate_echo(tx_signal, target_range, target_velocity, carrier_freq, sample_rate): tx_signal: 发射的基带信号 target_range: 目标距离米 target_velocity: 目标径向速度米/秒正为远离 carrier_freq: 载波频率Hz sample_rate: 采样率Hz c 3e8 # 往返时延 delay 2 * target_range / c delay_samples int(delay * sample_rate) # 多普勒频移 doppler_shift 2 * target_velocity * carrier_freq / c # 时延补零再截断 delayed np.concatenate([np.zeros(delay_samples), tx_signal])[:len(tx_signal)] # 多普勒乘复指数 t np.arange(len(delayed)) / sample_rate echo delayed * np.exp(1j * 2 * np.pi * doppler_shift * t) # 加衰减和噪声 echo echo * 0.01 (np.random.randn(len(echo)) 1j * np.random.randn(len(echo))) * 0.001 return echotarget_range和target_velocity是你要扫的参数用来验证距离和速度估计是否准确。carrier_freq决定多普勒灵敏度频率越高同样速度产生的频移越大但传播损耗也越大。这个模型很粗糙但足够验证处理链路是否通。4.2 关键参数怎么设一张对照表仿真里参数很多但真正影响结论的就那么几个。下面这张表是我在验证通感一体链路时常用的参数对照数值是典型范围不是唯一答案参数典型范围影响调整方向子载波间隔30 / 60 / 120 kHz符号长度、速度容忍度高速场景选大带宽100 / 400 / 1000 MHz距离分辨率要高分辨率就加带宽符号数64 / 128 / 256速度分辨率、刷新率要细速度就加符号数感知占空比10% / 25% / 50%通信吞吐与感知刷新权衡通信优先就压低自干扰抑制比60 / 80 / 100 dB感知灵敏度看射频前端能力这张表里最容易设错的是感知占空比。很多人为了感知性能把占空比拉到 50%结果通信吞吐掉得厉害整体系统效率反而下降。实际部署时占空比要根据业务优先级动态调而不是固定值。4.3 结果怎么读别只看分辨率要看检测概率仿真跑完最容易只看距离分辨率和速度分辨率这两个数。但分辨率是理论极限实际能不能检测到目标还要看检测概率。检测概率受信噪比、积累时间、恒虚警率影响。我一般会画检测概率随信噪比变化的曲线再看在目标信噪比下能不能达到可用水平。如果检测概率上不去先查自干扰抑制是否到位再查积累时间是否够最后才怀疑波形。顺序反了容易在波形上白花时间。5. 通感一体化落地避坑五条血泪经验5.1 坑一仿真里没算波束切换开销现象仿真显示通信吞吐和感知精度都很好一上调度就掉一半。原因波束切换需要时间和信令仿真里默认切换是瞬时的。解决在调度里显式加入切换时隙或者用宽波束同时覆盖通信和感知减少切换次数。5.2 坑二多节点时钟没对齐就融合现象多节点感知结果融合后目标位置跳变严重。原因各节点时钟不同步时间戳对不上融合时把不同时刻的结果硬凑。解决先做时钟同步或者用时间窗口筛选窗口大小按同步精度来定。同步精度差一个数量级窗口就要放大一个数量级。5.3 坑三自干扰抑制只做数字域现象感知灵敏度始终上不去弱目标完全看不到。原因自干扰在射频域就已经饱和了接收链路数字域再减也救不回来。解决射频域先做隔离和对消把自干扰压到接收链路线性范围内再上数字域处理。5.4 坑四把感知占空比设成固定值现象通信业务忙的时候吞吐崩感知业务忙的时候刷新率不够。原因占空比固定没法适应业务变化。解决做成动态占空比按业务优先级和队列长度实时调。调的时候要有下限和上限避免震荡。5.5 坑五忽略感知结果的置信度现象应用层拿到目标列表就直接用误检导致误判。原因融合层没输出置信度或者应用层不看置信度。解决融合层每个目标都要带置信度应用层按置信度做过滤或二次确认。置信度阈值按场景定低空监管可以严一点室内定位可以松一点。6. 进阶技巧用感知辅助通信把一体化做成闭环前面讲的都是通信和感知怎么共存但通感一体化真正有意思的地方是让感知结果反过来帮通信。这一步做通了系统才从「两件事共用一套硬件」变成「两件事互相成就」。一个具体技巧是用感知结果做波束预测。通信用户移动时传统做法是靠反馈信道状态信息来调整波束反馈有延迟高速移动时波束容易偏。如果系统同时在做感知可以直接从感知结果里估计用户位置和速度提前预测下一时刻的波束方向减少对反馈的依赖。这在车路协同场景里特别有用因为车辆位置变化快反馈根本跟不上。实现上感知辅助波束预测分三步第一步从感知结果里提取用户或目标的位置和速度第二步用运动模型预测下一时刻位置第三步把预测位置转成波束方向提前配置赋形权重。下面是一个简化的预测逻辑def predict_beam_direction(current_pos, current_vel, delta_t, array_pos): current_pos: 当前目标位置 (x, y) current_vel: 当前目标速度 (vx, vy) delta_t: 预测时间步长秒 array_pos: 天线阵列位置 (x, y) # 匀速模型预测 pred_x current_pos[0] current_vel[0] * delta_t pred_y current_pos[1] current_vel[1] * delta_t # 计算相对于阵列的方位角 dx pred_x - array_pos[0] dy pred_y - array_pos[1] azimuth math.atan2(dy, dx) return azimuth, (pred_x, pred_y)delta_t是关键参数。设得太短预测收益不明显设得太长匀速模型误差变大。我一般会按波束切换周期来设让预测刚好覆盖下一次切换。如果目标机动性强匀速模型不够就要换成交互式多模型或者扩展卡尔曼滤波但复杂度会上去。另一个进阶方向是用感知结果做资源调度。感知到某区域目标密集就提前把算力和频谱往那个区域倾斜感知到某区域空闲就把资源收回来。这个闭环做起来系统效率会比静态配置高不少。但要注意调度策略要有滞后和阻尼不然感知一抖动资源就跟着抖反而更不稳定。我自己在这块踩过的坑是一开始太相信感知结果调度完全跟着感知走结果感知误检一次资源就切错一次通信质量反而下降。后来加了置信度门限和切换惩罚才稳下来。所以我的习惯是感知辅助可以激进地试但调度一定要保守地落。希望帮到你。本文还有配套的精品资源点击获取

通感一体化系统架构与关键技术：从白皮书到仿真落地

相关推荐

五款降AI改写工具实测：从AIGC检测原理到论文降重实战

降AI工具横评：毕业论文AIGC率从78%降到9%的实测方案

图像处理管线中的多语言协作：从Python原型到C++引擎

更多资讯

AnyPS5 主机扩展工具：局域网串流与输入映射实操指南

GEO报告分数怎么读？三步拆解指标定位优化优先级

GEO报告解读指南：从子项拆解到优先级判断的AI搜索优化方法

从Cursor杀回命令行：AI IDE与CLI工作流的平衡之道

Hugging Face开源数学推理RL环境：用形式化验证替代奖励模型

PS5实用优化手册：屏幕、网络、外设与存储的适配

今日更新

防关联浏览器哪个好？三款产品实测差异解析

2026钢铁行业AI转型系统选型对比：多基地排产、大宗原燃料采购与质量追溯，六家厂商能力差异在哪里

影刀RPA深度实战：大模型Fine-tuning定制RPA专用Prompt与指令生成

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？