Applications and Challenges of Networked Sensing

Cooperation Mechanism in Networked Sensing

未來的6G移動系統將在增強現有通信能力的基礎上，整合定位、感知和成像等新功能，實現在物理世界和數字世界之間的實時映射。為了服務多種應用場景，需要在多基地、多頻段和多源之間進行協調，以實現全面的、多維度的感知參數獲取。

Multi-static cooperation：
在感知移動網絡（PMNs）中，感知可以分為下行和上行感知，這與下行和上行通信一致。由于遠程射頻單元（RRU）通常有更大的天線和更高的發射功率，下行感知可以進一步分為下行主動感知和下行被動感知。在下行被動感知中，發射機和接收機空間上分離，來自其他RRU的信號被目標反射后可以被某個RRU接收，從而進行環境重建。在PMN中，密集分布的RRU由集中單元統一控制，這可以為用戶提供更精確的定位和無縫的通信覆蓋。

Multi-band cooperation：
6G移動系統的頻譜需求表現出全頻譜特性，包括6GHz以下、毫米波、太赫茲和可見光頻段。由于不同頻段的電磁波有不同的感知能力，理論上，高頻段和更大帶寬的電磁波可以提供更高的時間頻率分辨率和更高的檢測精度。然而，由于不可預測的衰減或遮擋，實際的有效檢測距離和速度會有所下降。因此，多頻段合作有機會彌補感知分辨率和通信覆蓋之間的差距。

Multi-source cooperation：
以自動駕駛為例，不同類型的傳感器（如相機、毫米波雷達和激光雷達）具有不同的檢測性能，包括抗遮擋和抗天氣干擾的能力、感知距離、分辨率和設備成本等。因此，ISAC信號與多傳感器的數據融合和校準有潛力提高單車自動駕駛的安全性和能力。通過多層次、多空間的信息互補，最終生成對觀察環境的一致解釋，從而提升單車的環境認知能力。此外，在單車智能的基礎上，駕駛員、車輛、云端和路側單元等交通元素將結合起來，實現連接的自動駕駛，并提高智能決策能力。

Challenges and Key Enabling Technologies

為了支持傳感節點之間的競爭與合作，挑戰總結如下：

性能界限：在蜂窩網絡下，集成的感知功能有助于協調增益，如提高頻譜復用因子、改善通信容量和提升定位精度。為了定量地表征協調增益，目前關于網絡感知的系統級性能分析的研究仍較少，除了少數幾項關于基于多波束共享的ISAC系統的性能分析工作[9]。此外，自干擾消除和雜波抑制應考慮在內，以便更準確地估算性能界限。

5G NR Frame Structure Based ISAC Approach

將ISAC集成到現有蜂窩網絡體系中可以被看作是一種以通信為中心的ISAC方法。在這種方法中，通信子系統優先于感知子系統，這意味著引入感知功能對現有通信基礎設施的修改較少，同時確保通信性能。由于正交頻分復用（OFDM）信號的自然二維結構，通過利用時頻域雷達處理技術，參考信號和數據有效載荷都可以用于雷達感知。在多用戶場景中，資源優化調度應從時頻域擴展到多個維度，以滿足不同的通信和感知需求。

Signals Available for Radio Sensing

對于每個用戶，分配的資源格點的數量和填充模式將直接影響通信和感知的性能。幀結構中的可分配無線資源在時域中表示為OFDM符號，在頻域中表示為子載波。最小的資源單元是資源元素（RE），它占用一個OFDM符號和一個具有給定子載波間隔的子載波。十二個連續的子載波可以定義為頻域中的一個資源塊。

對于5G NR，雷達感知可用的信號可分為用于信道估計的參考信號、非信道估計信號和數據有效載荷信號[3]。根據3GPP標準[11]，參考信號主要包括與PDSCH和物理上行共享信道（PUSCH）相關的DMRS，信道狀態信息參考信號（CSI-RS）用于下行鏈路，和上行鏈路的探測參考信號（SRS）。它們大多數采用梳狀結構（comb-type structures），并為不同用戶采用正交碼。同時，在時頻域中有可選配置以支持不同需求。非信道估計信號，包括同步信號（SS）和物理廣播信道（Physical Broadcast Channel，PBCH），通常周期性傳輸，并可用于估算多普勒頻移。然而，由于有限的占用子載波數量，距離估計的精度受到限制。在數據有效載荷信號如PDSCH和PUSCH的傳輸中，對于特定用戶，數據始終是隨機的。這種隨機性將導致感知歧義和信號處理復雜性的增加。此外，在雙基地設置中，未知的數據有效載荷是獲取感知參數的主要挑戰。可以得出結論，基于OFDM的雷達處理算法應該根據不同物理信號的傳輸和映射特性合理設計。

Multi-Dimensiona Resource Optimization Scheduling for ISAC

在ISAC系統中，波形設計正在從松耦合逐步發展為完全統一。通過分配正交無線資源，感知和通信功能通過時間、頻率、空間和碼分方法的協調來互不干擾。為了最大化協調增益，提出了面向通信的設計、面向感知的設計以及聯合設計方法，旨在實現完全統一的波形[10]。與4G LTE系統中的固定配置相比，5G NR架構有潛力將感知功能集成到蜂窩網絡中，覆蓋時域、頻域、空間和功率域，如下所述。

如[12]和[13]所述，特定雷達數據是通過人工生成并填充到OFDM符號的子幀中。由于具有理想的自相關特性，傳統雷達處理算法可以實現下行感知和上行感知。感知和通信符號之間的比率可以靈活配置。然而，雷達感知性能的提升是以通信吞吐量下降為代價的。

這種基于相關性的處理還可以利用參考信號而不占用額外的通信資源。根據3GPP標準[11]，大多數參考信號是由具有良好自相關特性的Gold序列或m序列生成的。然而，稀疏的幀結構可能引入感知模糊性并限制感知分辨率。

與上述依賴于傳輸數據的方法不同，基于信道估計的處理消除了數據依賴性。通過在傳輸和接收樣本之間進行逐元素劃分來獲得觀察矩陣，而觀察矩陣的大小與感知范圍和分辨率相關。然而，在隨機數據傳輸中經常出現資源元素缺失的情況，導致感知性能下降。此外，在上行感知和雙靜態感知中，數據負載對接收端是未知的，這會引入解調誤差。

除了時頻域，5G NR 還提供了在通信和感知之間進行功率和空間域權衡的機會。根據3GPP標準[14]，5G NR 為不同的參考信號和數據有效載荷定義了每個資源元素的能量（energy per resource element，EPRE）。EPRE 值可以通過功率偏移和同步信號塊（synchronization signal block，SSB）的 EPRE 來推導。在單基地感知中，當分配給單個用戶的資源格點較少時，可以通過增加參考信號的 EPRE 來實現目標參數的獲取。

1. SSB 這是一個特殊的信號塊，用于同步無線設備與網絡，它也有自己的EPRE值，這個值可以用來推導其他信號的EPRE。
2. 簡而言之，當系統的資源（如帶寬）有限時，通過提高參考信號的功率，可以彌補資源不足的問題
   
   

作者想表達的意思是上面兩個，但是作者的英文寫的非常爛，我覺得作者應該好好考究一下自己的措辭。我將英文原文貼在下面：
In mono-static sensing, the acquisition of target parameters can be realized by increasing the EPRE of reference signals when the resource grids allocated for a single user are fewer.

此外，通過資源映射，傳輸到天線端口的信號會被映射到一組可用的資源元素（REs），這可以滿足不同方向的通信和感知服務，以及具有多樣化需求的多用戶服務。需要注意的是，結合參考信號和數據有效載荷的使用，依據不同的屬性，可以提高時域、頻域、空間和功率域的效率。

Performance Evaluation for the Trade-Off between Communication and Sensing

在本節中，我們開發了一個仿真平臺，以揭示感知和通信性能之間的限制關系。基于5G NR幀結構的雷達感知用于估算目標的距離和速度。以PDSCH-DMRS為例，更多的資源元素可以提升檢測精度，但通信吞吐量會減少。

Simulation Setup

實現的ISAC系統仿真平臺在28 GHz的中心頻率下工作。配置的子載波間距為60 kHz，每個子幀包含4個時隙，對應于總OFDM符號持續時間17.84 微秒。發射器和接收器的天線增益設置為相同的值23 dB。目標車輛的雷達散射截面（RCS）設置為10 m^2。回波信號通過自由空間路徑模型接收，雷達感知通過完全占用的1024個子載波和512個OFDM符號進行。

圖2展示了5G NR幀結構和四種可選的PDSCH-DMRS時域映射模式。DMRS是通過長度為31的Gold序列生成，具有理想的自相關特性，偽隨機序列通過正交相位移鍵控（QPSK）進行調制。對于配置類型1，單符號DMRS支持最多4個天線端口，端口編號從1000到1003。在頻域中，DMRS采用由正交覆蓋碼組成的梳狀結構，并可以支持天線端口復用。在時域中，起始DMRS位于調度發生的位置附近。特別地，在高速移動場景下，5G NR表明可以配置額外的DMRS組與prepositive DMRS一起使用，以補償多普勒頻移。而additional DMRS的時域密度應與目標速度相對應。此外，額外DMRS的頻域密度可以小于前置DMRS，以減少信號開銷。除此之外，DMRS的密度可以根據無線資源控制（Radio Resource Control，RRC）和下行控制信息（Downlink Control Information，DCI）引導，進行自適應配置和調整，從而提高整體系統性能。

Results and Analysis

在基于信道估計的雷達感知中，目標的距離和相對速度可以通過觀察矩陣獲取。傳播延遲將在不同子載波上引入不同的相位偏移，因此對矩陣的每一列執行逆快速傅里葉變換（IFFT）以估計目標距離。相應地，由于多普勒偏移，在不同OFDM符號上引入的不同相位偏移，執行對矩陣每一行的快速傅里葉變換（FFT）以估計目標速度。需要注意的是，距離分辨率和速度分辨率主要由完全占用的帶寬和持續時間決定。

專注于基于DMRS的雷達感知及其不同映射模式，我們評估了通信和傳感子系統之間的性能權衡，如圖3所示。固定前置DMRS的位置后，在時域中給出了四種可選的配置密度，同時保持頻域密度與前置DMRS一致。在圖3a中，配置額外的DMRS將增加觀測樣本的數量，而較少的附加DMRS組則需要更高的信噪比（SNR）來保持距離估計的更好傳感性能。在圖3b中，當SNR低于-10 dB時，估計精度受噪聲峰值的嚴重影響。當SNR高于-10 dB時，較高的時域密度導致速度估計的均方根誤差（RMSE）減小。在10 dB的SNR下，沒有和有1、2、3組附加DMRS時，速度估計的RMSE分別為0.65 m/s、0.59 m/s、0.34 m/s和0.22 m/s。需要注意的是，與PDSCH關聯的附加DMRS將占用原本屬于數據載荷的位置，因此，圖3c所示，3組附加DMRS時通信吞吐量下降了12.29%。此外，基于DMRS的雷達感知比Positioning Reference Signal（PRS）with the comb size of 4 表現更好，并節省了5.36%的時頻資源。

圖3. 在目標距離和速度分別為50米和15米/秒時，估計的均方根誤差（RMSE）和通信吞吐量與信噪比（SNR）的比較： a) 距離估計； b) 速度估計； c) 通信吞吐量，針對不同的DMRS和PRS映射模式。

ISAC Enabled Cooperative Perception Hardware Testbed

為了提高單一ISAC系統的感知能力，已經設計并實現了啟用協同感知硬件測試平臺，如圖4所示。通過利用5G NR幀結構的雷達感知，PDSCH符號被用來實現通信和感知功能的同時進行。依賴于兩個ISAC系統之間的感知數據共享，現場試驗結果驗證了所提出的 cooperative perception ISAC系統的性能提升。

Testbed Architecture and Key Components

實施的協同感知ISAC系統由兩個基于5G NR幀結構的ISAC系統、一個喇叭天線（horn antenna）、一個角反射器和一個百度Apollo自動駕駛汽車（automated driving vehicle，ADV）組成，如圖4b和圖4c所示。每個ISAC系統由兩個5G NR毫米波通信平臺和兩個64元素相控陣天線（phased array antennas，PAA）組成[15]。在每個ISAC系統中，設置在ADV上的喇叭天線作為接收器，持續接收通信數據。兩個PAA連接到發射（Tx）和接收（Rx）端的射頻頭，分別作為固定的5G NR毫米波平臺的發射器和接收器。在雷達感知階段，ADV沿著圓形軌跡移動，被視為感知目標。兩個ISAC系統測量相控陣天線（PAA）的方位角，以獲取目標的角度。它們發送集成波形，接收并處理回波以確定目標的距離。64元素PAA的等效全向輻射功率（equivalent isotropically radiated power，EIRP）設置為51 dBm。一個由恒溫晶體振蕩器生成的內部時鐘信號，精度為十億分之50，然后被共享以實現兩個協作ISAC系統之間的時鐘同步。最后，ISAC系統1的感知數據與ISAC系統2共享，以實現感知數據融合，如圖4a所示。

在以通信為中心的ISAC系統中，基于5G NR幀的雷達感知是通過使用PDSCH符號實現的。載波頻率為28 GHz，通信帶寬為800 MHz，雷達感知帶寬為100 MHz。一個通信幀包含50個子幀，總持續時間為10 ms。主機模塊首先生成集成波形，并將其發送到基帶發射和處理模塊。通過信號處理和數字到模擬轉換器（DAC），處理后的基帶信號被上變頻到28 GHz，由中頻（IF）模塊和射頻（RF）頭發射。然后，射頻信號通過相控陣列（PAA）發送并反射到被感知的目標，同時實現通信數據傳輸。

Field Trial and Results

為了保持數據融合的完整性并提高可靠性，需要在多個節點之間共享傳感數據。在現場試驗中，設置了兩個ISAC系統之間的距離為2.7米，并且目標為以1米/秒的速度移動的ADV。在數據融合階段，ISAC系統2將首先聚合由每個ISAC系統生成的50個觀測樣本。通過密度峰值聚類算法（density-peak based clustering algorithm），去除觀測數據集中的不可靠樣本和噪聲，從而實現更精確的目標定位。通過聚類中的剩余樣本計算得到的估計 RMSE 為0.1319米，比單個ISAC系統的定位均方根誤差（RMSE）低61%。同時，通信吞吐量可以保證達到2.8 Gbps。

結論

在本文中，為了最大化通信與傳感子系統之間的協調增益，結合現有蜂窩網絡中的ISAC技術，預計能夠實現多節點協同感知和傳感數據共享。在ISAC啟用的網絡化場景中，我們討論了協作機制、潛在應用以及未來需要解決的挑戰。基于5G NR靈活的幀結構，我們利用DMRS符號進行雷達感知，量化通信和傳感功能之間的性能權衡。在實現的硬件測試平臺中，現場測試結果證明，所提出的協作感知ISAC系統能夠使定位精度比單個ISAC系統提高61%。可以預見，多節點協作將增強ISAC技術，從點對點鏈路層向大規模系統層發展。