【導讀】本文從車聯網的演進出發，分析安全輔助駕駛和自動駕駛對環境感知的需求，并論證了通感一體化技術在提供環境感知方面的優勢。通過典型用例分析，本文提出了車聯網應用對通感一體化的要求和技術挑戰。對應這些技術挑戰，本文還闡述了波形、端管協同、Sidelink 增強、擴展目標的融合成像、微多普勒檢測等通感一體化關鍵技術。
通信感知一體化（簡稱“通感一體化”）是無線通信系統新的基礎特性之一，而支持安全輔助駕駛和自動駕駛的車聯網服務是通感一體化技術的一個重要應用場景。
本文從車聯網的演進出發，分析安全輔助駕駛和自動駕駛對環境感知的需求，并論證了通感一體化技術在提供環境感知方面的優勢。通過典型用例分析，本文提出了車聯網應用對通感一體化的要求和技術挑戰。對應這些技術挑戰，本文還闡述了波形、端管協同、Sidelink 增強、擴展目標的融合成像、微多普勒檢測等通感一體化關鍵技術。
1 引言
“無線感知”是無線電波的自然屬性，利用無線電波的發送與接收感知物理世界，逐漸成為無線通信系統新的基礎特性之一 [1]。網絡感知能力將使無線通信系統演變為通信感知一體化系統，把基站、終端，甚至整個網絡變成傳感器，使能探測、定位、識別、成像與制圖等功能，為智慧交通、智慧工廠、智慧醫療、環境監測等領域提供增強的解決方案。
近年來學術界和工業界對通感一體化在垂直行業的應用展開了眾多研究和探索，其中在車聯網領域的應用成為重點研究方向之一。3GPP SA1 [2] 定義和描述了一系列通感一體化相關的用例，有超過 7 成用例與車聯網場景相關。
盡管通感一體化在車聯網場景有廣泛的研究基礎，并已經取得了一定的研究成果，但當前汽車行業自身正在發生以智能化和電動化為重要標志的歷史性變革，車輛操作自動化不斷升級、人車交互界面數字化不斷深化。
因此，面向車聯網的通感一體化，需要把握車聯網演進的關鍵趨勢，尋找通感一體化的關鍵價值場景，并基于關鍵趨勢和價值場景，進行關鍵技術和應用研究。本文結合車聯網演進的關鍵趨勢（第 2 節），介紹通感一體化的價值場景（第 3 節），分析通感一體化在車聯網場景的應用需求和關鍵挑戰（第 4 節），并給出車聯網領域通感一體化的若干關鍵技術（第 5 節），最后總結并展望通感一體化在車聯網領域的未來發展。
2 車聯網演進趨勢
延續百年的汽車產業格局正在發生歷史性的變革，而智能化和電動化是這次技術革命的兩大標簽。
其中，汽車的智能化主要體現在車輛控制系統和人機交互界面的數字化，以及車輛操作的自動化上。汽車智能化的最終目標是提升汽車乘客的舒適度和安全性，而自動駕駛作為關鍵使能技術，將真正點燃這次汽車產業的技術變革。
當前成熟的自動駕駛還停留在 L2 和 L3 階段 [3]，即仍然需要駕駛者最終控制汽車。ADAS 系統（AdvancedDriver-Assistance System）可以為駕駛者提供自適應巡 航（Adaptive Cruise Control）， 車 道 對 齊（LaneCentering） 和 低 速 / 堵 車 情 況 下 的 代 駕（Traffic JamChauffeur）等輔助功能。
駕駛者需要時刻保持注意力，以便在復雜或者突發情況下隨時接管車輛的控制權。真正意義上的自動駕駛是 L4 及以上自動駕駛能力，乘客將完全從駕駛任務上解放出來，得到完全的舒適和安全體驗。
預計到 2025 年，全球 15% 的車輛將具備 L3 自動駕駛功能，但 L4 及以上自動駕駛功能的僅為 5% 左右 [4]。2030 年，全球 L4 及以上級別的自動駕駛車輛可能增長到10%。
從行業來看，谷歌旗下的 Waymo 宣布已經可以實現 L4 自動駕駛，但暫未量產。
奔馳在其 2030 愿景中重點提到了 L4 和 L5 自動駕駛將是未來城市交通方案的主要部分 [5]。
大眾將在 2026 年推出 L4 自動駕駛車輛 [6]。
現代汽車到 2026 年所有主流車型都將配備 Automode 自動駕駛技術，支持 L4 自動駕駛 [7]。
百度 Apollo RT6 于 2023年在蘿卜快跑上投入使用，已經在北京、武漢、重慶和深圳的試點區開始 L4 全無人自動駕駛的運營，并預計 2026–2028 年左右量產 [8]。
圖 1 全球各等級自動駕駛滲透率預估（2025–2040）
目前阻礙 L4 以上自動駕駛最終量產和大規模應用的主要原因是公眾對自動駕駛的可靠性和安全性的嚴苛要求。現有的 L4 自動駕駛技術已經有了百萬英里級的安全行駛紀錄 [9]，復雜環境下的處理能力和應對事故能力遠超過人類 [10]。
然而，由于公眾理念對自動駕駛和 AI 的謹慎態度，自動駕駛需要達到幾乎零失誤零事故才能為大眾完全接受。自動駕駛的準確判斷主要依賴于系統在設計運行域（Operational Design Domain，ODD）中對環境的感知能力。
ODD 定義了為駕駛自動化系統專門設計的特定運行條件，例如環境、地理和時間的限制，或可利用的交通或道路特征。
至今為止，自動駕駛造成的嚴重事故都是由于當時的駕駛環境超出了 ODD 的覆蓋范圍，導致自動駕駛系統對環境感知不足而做出的錯誤判斷引起的 [11]。
為了保障自動駕駛在各種環境下的安全性，ODD 的覆蓋范圍需要趨近無限，這對基于單車的感知方案提出嚴峻挑戰。單車感知面臨的主要挑戰包括：
? 靜態環境檢測能力 / 準確度：例如，車道和交通規則（包括交通信號燈）的關系、修路 / 交通管制導致的車道更改等特殊情況。
? 感知長尾場景問題：受限車載感知器件的部署位置導致的非視距感知受限。
這些挑戰受限于單車的硬件能力、成本和客觀視角的限制，很難用技術方案解決。因此，只依靠單車感知難以實現高級自動駕駛所需的趨近無限 ODD 要求。
實際環境中，即使是 L4 以下的輔助駕駛系統，也強烈依賴于其對周邊環境的感知能力，在惡劣天氣、視距死角等困難場景下，如果輔助駕駛系統不能得到有效準確的環境感知信息，無法對可能的危險情況做出及時的預警或處理，同樣會降低輔助駕駛系統的安全性，或者造成輔助駕駛系統完全失效（見表 1）。
表 1 不同等級的感知和決策
3 通感一體化的價值場景
本節分析在車載感知的基礎上融合路側感知的必要性和價值（第 3.1 節），以及通感一體化相較其他路側感知方案的增益和優勢（第 3.2 節）。
3.1 路側感知的必要價值
當前，汽車對周邊環境的感知在很大程度上依賴于各種車載傳感器，主要包括毫米波無線測距設備、激光測距設備和攝像頭。這些傳感器可以探測物體、測量距離和相對速度。
不同類型的傳感器被安裝在車輛的不同部位，以便充分感知周圍環境并支持各種駕駛輔助功能。通常，安裝在車輛前部的長距離無線測距設備可在約 250 米覆蓋范圍內探測前車的距離和速度，以實現自適應巡航控制。
同樣，具有更寬視野的短程前無線測距設備為緊急制動提供支持。不同的傳感器技術各有優缺點。例如，毫米波無線測距設備可以在某些極端天氣條件下工作，激光測距設備和攝像頭則不能。
同樣，攝像頭可以進行基于圖像的探測，而其他技術則不能。由于沒有一種單一的傳感器技術能夠支持全天候和全場景，因此融合來自不同傳感器的信息對于車輛可靠感知周圍環境至關重要 [12]。
圖 2 L4/L5 車載傳感器部署方案
隨著車載通信系統（Vehicle to Everything，V2X）的應用，ADAS 的無線通信能力得到增強。在車上集成通信功能可視為傳感器系統的擴展。車輛間通過互通信息，可以獲得其自身傳感器無法感知的環境信息，并通過車輛間的合作實現安全高效的駕駛。
這不僅拓展了自動駕駛車輛的遠距離感知能力，而且使能車間感知信息融合，使其能夠在全天候情況下以高分辨率無死角探測和識別物體，實現自動駕駛車輛的能力提升。
此外，有了通信功能的輔助，基于路側設備的感知信息也能夠被下傳到車上。路側環境感知的主要優勢包括：
? 部署位置優勢：路側感知架設位置高，并有俯視視角
－ 路側感知：增加垂直維度的感知角度，補充車側非視距感知范圍。
－ 路側攝像頭：可針對性布設遮擋防護，暴雨等極端天氣對路側攝像頭的識別干擾幾乎為零。
? 器件尺寸優勢：
－ 路側感知：大尺寸天面（更多陣子），方位角和俯仰角的角度分辨率更高。
－ 路側攝像頭：多種大尺寸攝像頭，具備不同焦距（從廣角到長焦等不同焦段）和曝光能力（超低曝光時間），圖像合成可實現零畸變。
圖 3 網絡提供全域高可靠的環境信息
3.2 通感一體化的優勢
按照傳統方法，在車輛中集成基于車載傳感器和 V2X通信的感知系統會導致兩個獨立的子系統。這種互不關聯的系統會影響多個方面，如功耗、傳感器占用的空間、感知系統的總重量、所需天線的數量和車內布線要求等。
隨著傳感器 / 通信設備數量的不斷增加，車上有限的安裝空間給車輛的內部設計帶來了巨大的挑戰。此外，獨立的車載無線測距設備和 V2X 通信還需要解決頻譜干擾問題，包括無線測距設備之間的干擾，以及無線測距設備與通信之間的干擾。
特別是無線測距設備之間的干擾，是當前車載無線測距設備面臨的一個棘手問題。如果相鄰車輛的多個同頻無線測距設備同時工作，它們的視場可能會重疊導致干擾，從而影響整體探測性能。
此外，從頻譜利用的角度來看，感知和通信兩個獨立的系統對頻譜的需求是雙倍的。因此，將通信和感知集成到一個系統中，實現通感一體，就成了必然的技術方向。
從系統的角度來看，這意味著從頻譜復用和部分硬件重用，到聯合信號處理和統一協議棧等多個方面的集成，在不同層次上實現一體化，從松散耦合到緊密集成。通感一體化系統可同時傳輸數據和感知環境，從而帶來多種潛在優勢。
這些優勢涉及多個方面，如硬件尺寸、所需天線數量、成本、延遲、頻譜和能效等。此外，緊密集成的系統設計可以減少通信和傳感系統之間的隔離，這為實現兩種功能之間的高效信息和資源共享提供了可能。
此外，由于通信系統自帶多用戶資源管理和干擾管理機制，當多個通感一體化同時工作時，類似無線測距設備的干擾問題也可以得到有效的解決。同時，通感一體化中獲得的感知信息也可用于提高其通信的性能。比如感知到的位置信息可用于波束預測和管理、阻塞預測、信道狀態信息（Channel State Information，CSI）壓縮、自適應傳輸等方面。
圖 4 通感一體化示意圖
4 通感一體化在車聯網中的應用
從上文的介紹可知，基于網絡的感知機制可加強系統對環境的感知的能力。例如，由于車輛上安裝傳感器的位置和視野有限，網絡感知可以補充傳統傳感器視野以外部分的覆蓋范圍，而提供額外的感知信息，特別是用于覆蓋交叉口等復雜道路場景中的感知盲點等。
基于網絡的感知功能可更好地感知與道路 / 高速公路狀況相關的信息，包括移動物體（如車輛、動物和行人）、交通密度、人群等。
4.1 場景和用例分析
3GPP定義和描述了一組與通感一體化相關的用例 [2]，有相當一部分與車輛場景相關，其中考慮以下幾種實現方案：
? 基站和終端設備上集成通信和感知功能
? 移動網絡協調多個終端設備和網絡實體之間的感知信息交互
? 基站和終端設備的感知結果作為環境感知的額外輸入
表 2 3GPP SA1 中部分 V2X 用例
表2中是部分用例的描述。從這些用例的功能要求來看，網絡中的通感一體化需要提供以下的機制：
? 選擇和配置執行傳感功能的基站和終端設備
? 在無線接入網（Radio Access Network，RAN）和核心網（Core Network，CN）之間共享傳感信息
? 授權網絡節點執行傳感功能
? 將網絡中的傳感信息提供給第三方服務提供商
? 實現基于網絡的感知服務收費
對于通感一體化的性能要求很大程度上取決于不同用例的服務目標。車聯網相關的用例中，感知的環境和對象主要在室外，不同用例中性能要求的差異點則主要在位置和速度測量的準確性、范圍、可信度和延遲、刷新率等方面。
高速公路上行人/動物入侵檢測：考慮到高速公路的寬度和長度，基于基站的感知需要在較遠距離外有效的識別行人和動物。由于車輛的運動速度通常很高，導致場景高度動態化，因此對感知的刷新率和精度提出了更高的要求。3GPP 定義了以下需求 [2]：
? 定位精度（水平方向）：小于 1 米
? 刷新率：小于 0.1 秒
交叉路口感知：交叉路口的車輛密度會影響感知的性能需求。例如，在高峰時段，除了高感知精度和刷新率外，高密度的人流和車流還需要更高的感知分辨率。對于漏檢率和虛檢率的要求也會根據人流車流的密度而變化。3GPP 定義了以下需求 [2]：
? 定位精度（水平）：小于 1 米
? 刷新率：小于 0.1 秒
? 漏檢率：小于 5%
? 誤報率：小于 5%
傳感輔助汽車操控和導航：該場景需要協調來自多個車載終端的感知相關信息，并提供給車輛用于操控和導航。由于行駛中車輛間距可能很小，所以感知信息必須保證高精度和高刷新率。
此外，由于感知相關信息來自多個車載終端，確保這些感知信息的低延遲同步也非常重要。
用于 ADAS 的車輛感知：汽車上的 ADAS 系統由長距離和短距離傳感器組成，通感一體化技術將對車上原有傳感器提供補充或者替代。
此外，考慮到 ADAS 系統對安全的要求，該場景對通感結果的誤差率和誤差幅度有嚴格的要求。3GPP 定義了以下需求 [2]：
? 定位精度（水平）：長距離（250 到 300 米）小于 40厘米，短距離（30 到 100 米）小于 10 厘米
? 刷新率：長距離小于 0.2 秒，短距離小于 0.05 秒
? 誤報率：小于 1%
4.2 關鍵訴求和挑戰
為實現上述的用例，有若干技術挑戰需要解決。首先，由于車聯網場景中的感知對象種類眾多，包括各種車輛、人、動物和臨時障礙物體（如道路工程中使用的路障），因此感知環境過程中除了定位之外，還需要識別不同類型的感知對象。
其次，并不是感知對象都有無線通信能力，因此通感一體化技術需要同時對有通信能力的主動目標（如配有 V2X能力的車輛）和沒有通信能力的被動目標（行人、動物等）進行感知。
此外，感知對象的移動性也對通感一體化提出了額外的要求。例如，在多輛車協調操控的使用案例中，感知功能需要持續跟蹤附近的多輛車和物體，而不是一次性檢測一個瞬間事件。
由于單個感知設備的感知范圍有限，在涉及高流動性的場景中提供連續感知服務需要部署多個感知信號發射器和接收器。當這些發射器和接收器位于不同的網絡節點時，（例如在雙向傳感場景中），則有必要對其進行協調并進行測量結果融合，以避免或盡量減少漏檢事件。
通感一體化技術有望增強V2X用例中的環境感知能力，但無線測距設備等傳統傳感器仍將（至少在一段時間內）被保留。這可能導致無線測距設備和蜂窩系統共存于同一頻段或相鄰頻段（例如 77 GHz）。在這種情況下，傳輸數據的車輛可能會對無線測距設備接收器造成干擾。
同樣，無線測距設備發射信號也可能對車輛或基站造成干擾。這就要求在頻譜共享、波形、資源分配和人工智能方法等方面提供技術解決方案，以有效處理集成系統中的干擾。
5 適用于車聯網的通感一體化關鍵技術
由業務需求和應用場景催生的通感一體化方案顯示出巨大的潛力，但仍面臨不少技術挑戰。本節針對車聯場景，列舉和分析幾項通感一體化關鍵技術。
5.1 通感一體化的基本方案
通感一體化旨在通信系統中賦能感知，以實現網絡資源共享，頻譜共享以及處理能力共享。具體到實現方式，通感一體化的融合可以體現在以下三個不同的層面：
? 業務級融合：感知和通信由不同硬件實現，運行在各自頻段。兩個系統在應用層進行交互，達到相互促進共贏的效果。例如基站可通過感知模塊，獲取環境信息從而進行更有效的波束預測及管理。感知設備可通過通信單元進行站間協調從而實現干擾管理。
? 頻譜級融合：感知和通信兩功能模塊運行于同一系統，可通過時分、頻分或空分的方式實現頻譜資源共享。兩功能模塊亦可通過共享部分硬件資源，降低硬件及實現開銷。
? 全融合：單一系統同時支持兩大功能，共用空口技術及頻譜資源。全融合場景下，系統可根據業務需求和相應的性能指標對資源調度甚至空口設計進行動態優化，實現網絡資源效率最大化。
5.2 通感一體化波形
業界對通感一體化波形有大量研究，從性能考慮，本 文 僅 介 紹 其 中 的 四 種 波 形：OFDM（OrthogonalFrequency Division Multiplexing）、OFDM-Chirp、OCDM（Orthogonal Chirp Division Multiplexing）以及OTFS（Orthogonal Time Frequency Space）。
OFDM-Chirp 的感知性能在這幾種波形中較為優秀，但瑞利信道下通信性能和 OFDM 相比有一定損失。OFDM是目前主流的通信多載波調制技術之一，其積分旁瓣比和峰值旁瓣比在不同參數下略低于 LFM，目前學術界也在積極探索 OFDM 的感知性能提升方法。
OFDM-Chirp 波形，其基本原理是將 Chirp 信號分別調制到不同的子載波組上，由于 OFDM 信號子載波之間是正交的，不同的子載波組上的信號自然滿足正交性。時域產生的 OFDM-Chirp 信號模型 [13] 為：
式 中：t (0 ≤ t ≤ T) 為 信 號 的 時 間 采 樣；u(t)=1,( 0 ≤ t ≤ T) 為矩形窗函數；fn 和 kn 分別為信號 s(t) 的第 n個子載波的起始頻率和斜率。
OFDM-Chirp 系統的多載波特性，可解決 LFM 單載波信號傳輸速率過低的問題。考慮對現有系統兼容性，實現復雜度情況下，OFDM-Chirp 是較為有潛力的通感一體化波形，其感知性能在這幾種多載波中較為優秀。
在相同參數下，OFDM-Chirp 與 OFDM 信號的距離和速度分辨率相同。在高斯信道下，不同信噪比的誤碼率如圖 5 所示，在不同信噪比下，性能并無較大差別。
由于OFDM-Chirp 信號由 OFDM 信號通過 LFM 擴頻得到，故其信號模型將與 OFDM 信號模型有很多相似性。通過分析OFDM-Chirp 和 OFDM 信號的 PAPR 曲 線 可 知，OFDMChirp 一體化信號的峰均比性能與 OFDM 信號幾乎相同。
圖 5 OFDM 波形與 OFDM-Chirp 波形性能對比
OCDM 的基本原理是通過在相同帶寬中利用菲涅爾變換形成一組正交的線性 Chirp 信號，并將通信信息調制到這一組 Chirp 信號的幅度和相位上 [14]，從而實現高效通信數據傳輸。
OCDM 信號為多個 Chirp 信號構成，因此對多普勒頻移不敏感，在保護間隔長度不足的情況下，可有效對抗時間選擇性衰落。
OCDM 信號與 OFDM 相比在發射端需要增加兩個點乘矩陣，生成條件相比 OFDM 信號較為復雜，要真正實現商業化還存在一些技術難點，比如構造出優越的光地址碼、設計制作高性能的光編/解碼器、改善系統性能、增大系統容量及提高系統資源利用率等。
OTFS 調制可以看作是一種特殊的 OFDM 調制，在傳統 OFDM 調制的輸入輸出端上分別添加一個預編碼模塊和后解碼模塊 [15]，OTFS 信號調制解調過程如圖 6 所示。
OTFS 調制的有效信道矩陣在時延多普勒域，此時矩陣中的元素大部分都為零，而非零值的元素位置與路徑的時延和多普勒頻移有關，因此只要估計信道中各條路徑的時延和多普勒頻移以及有效復增益即可，這樣能夠大大降低信道估計的復雜度。
由于 OTFS 調制使用矩形收發脈沖，輸入輸出關系不是直接的二維卷積運算，因此在接收端不能直接使用頻率時間域的均衡算法，其他符號解調算法的復雜度都遠遠大于 OFDM 調制。
圖 6 OTFS 信號調制解調過程
5.3 端管協同分布式通感一體化
面向車聯網場景，單車感知受限于5%的感知長尾場景，因此引入路側的感知信息尤為重要。
而在融合車側和路側感知信息時，車輛的高移動性對分布式感知會帶來如下挑戰：例如，路側和車側對于車輛的位置和速度的不確定性，以及，路側和車側對于同一個物體感知到的物理特性不同，比如，由于感知視角不同，路側感知到的物體是靜止的，而車側感知到的是運動的。
為解決這一挑戰，可以考慮基于不確定性的車側和路側感知信息融合，即車輛將位置和移動性參數的不確定性作為未知變量代入目標檢測問題中，形成目標和車側未知參數的聯合檢測問題，然后通過優化算法，比如牛頓法或者模擬退火算法尋找最優解，從而提升目標檢測的準確度。
如圖 7 所示，不同車輛和路側 RSU 或者 gNB 在進行聯合感知時，由于高移動性，車輛自身估計的位置和實際位置是有偏差的，同時各感知源對于同一個物體的感知本身有感知誤差，信息融合時誤差可能會被放大。
為解決這個問題，各車輛可以將車輛的估計誤差報給融合中心，構造優化問題，提升聯合感知精度 [16]。
圖 7 不確定性的端管協同感知
5.4 Sidelink 增強分布式通感一體化
面向車聯場景，考慮到終端設備可能處于無蜂窩網覆蓋的區域，各終端設備除了具備基本的 Uu 口上下行通信能力以外，更應該具備 PC5 接口（Sidelink）的通信能力。多個終端通過 PC5 接口通信構成了一個分布式網絡，以提升車輛的通信和感知能力。
然而現有分布式側行傳輸空口技術的設計只考慮了極致的通信能力，并未考慮感知能力，因此如何在 PC5 接口上在不影響通信性能的情況下使能高性能 Sidelink 感知能力就成了最重要的技術挑戰。
一種應對方式是對 Sidelink 的幀結構進行增強設計。考慮到分布式場景下，各終端相對位置都不固定，為了保障可靠的信息傳輸，現有的 Sidelink 幀結構中引入了 AGC 符號，如圖8所示。
在真實數據傳輸之前，需要做自動增益控制，而一般AGC符號的具體內容采用的復制第二個符號的信息，所以第一個 AGC 符號不具備傳輸有效信息的作用，所以該符號也給 Sidelink 構造感知能力提供了空間。
圖 8 New Radio (NR) Sidelink 幀結構設計
一種直接的方法是，將 AGC 符號使用感知序列進行填充，但當前 AGC 符號占用的頻域帶寬可以很小，而感知的距離分辨率和信號帶寬強耦合。
為了使能更高的感知精度，考慮構造寬帶的 AGC 序列，即 AGC 符號在頻域資源上占據盡可能寬的帶寬，如圖 9 所示，AGC 符號可以在時域切成兩部分，前一部分用于發送寬帶的感知序列，后一部分用于接收感知回波信號。
但當 AGC 在頻域上占用較大帶寬時，多個終端設備都會在該帶寬上發送感知序列，各序列會疊加，造成互相干擾，針對該問題，可以將不同終端發送的感知序列構造成正交寬帶序列，比如使用終端的 ID 對序列進行加擾，當終端收到序列的回波時，濾除掉其他終端的干擾信號，接收感知回波，從而保障在不影響通信性能的前提下，使能感知能力。
圖 9 寬帶 AGC 感知信號設計
5.5 面向擴展目標檢測的融合成像
通感一體化旨在為各種車聯網應用提供關鍵目標物體的檢測、定位和分類能力。這些目標物體包括車輛、行人 /非機動車 / 兩輪摩托車（Vulnerable Road User，VRU）以及其他固定和移動障礙物。
傳統的 5G NR 定位方案只針對能發送或接收 5G NR 信號的有源物體進行定位，相比之下，下一代感知技術可通過解析傳輸環境反射的無線信號，對無源物體進行檢測、定位、識別。
車聯網應用中感知能力面臨的挑戰之一是很多感知目標是體積龐大的車輛，其外部表面通常延展數米，如車頭、車尾和車身側面。因此，感知目標不僅在單一位置形成單個反射，而是可以產生相隔數米的多個反射。這樣的目標通常被稱為擴展目標。
因此，通過對擴展目標產生的多個反射、散射信號進行觀測，不僅可以估計目標的位置、狀態，也可以推斷目標的形狀和輪廓，即成像。當分布式基站以不同視角對此目標進行觀測時，各基站對車輛的不同位置形成估計值。
這些估計值與目標車輛特定側面（或部分）相對應作為一組與特定基站相關的散射點集。由于每個基站看到的散射點都不同，可能相距數米，因此需要以下步驟進行數據關聯、聚類和定位：
(a)不同基站通過對不同散射點的觀測，估計多散射點的位置。這些位置估計需要與同一物體（在本例中為車輛）相關聯，以形成該物體對應的散射點集合。這通常稱為聚類（Clustering）。
圖 10 擴展目標檢測示意圖
(b) 得到擴展目標的散射點集合后（通常形成物體外部形狀的輪廓），需要確定該目標的位置。通常情況下，定位參考中心可以是散射點集合的幾何中心；或者當觀測到的與目標表面對應的散射點集不完整導致幾何中心不準時，也可使用其他參考點。
步驟 (a)和(b) 可以應用不同的擴展目標處理算法來完成。這些算法包括使用點散射集合的移動動態來執行目標關聯和聚 [17, 18]，以及后處理與目標分類方案相結合 [19]。
需要指出的是，有源目標定位不存在上述擴展目標的問題，因為有源目標的發送和接收天線端口即是目標物體的定位參考點，其在物體上的位置是固定的。
此外，用于V2X 碰撞檢測或自適應巡航控制的傳統感知系統也不存在上述問題，因為它們只需在單一視角對目標物體或車輛的最凸出部分進行檢測，以避免與該物體或車輛的該部分發生碰撞。
5.6 基于微多普勒檢測的目標檢測與識別
如 5.5 節所述，目標物體識別分類對于許多車聯網應用至關重要，包括各種協調操控和保護 VRU 的安全應用。
目標物體識別分類可以通過多種不同方式實現。一種直接的方法是利用感知觀測獲得的點散射來確定物體的形狀或輪廓（如 4.1 節所示的車輛），即成像。然而要獲得這樣的圖像，系統需要從多視角對目標物體進行觀測，并且具有較高的角度和深度分辨率，以獲得對應目標物體各表面的多個點散射集。
另一種不需要物體完整圖像的方法是基于感知信號的多普勒參數，特別是由物體內部組件微運動造成的多普勒分量。
例如，人行走時擺動的腿、汽車或自行車上旋轉的輪子或無人機上高速旋轉的葉片。這些由于物體內部組件的運動速度與物體整體的運動速度不同而造成的多普勒分量被稱為微多普勒。圖 11 為飛行無人機在多普勒范圍剖面上的微多普勒示例 [20]。
圖 11 測目標微多普勒示例
特定的目標物體（行人、車輛、自行車等）具有不同類型的內部運動，從而形成獨特的多普勒特征。將該特征用于目標物體的識別和分類，既無需從多個角度對目標物體進行詳細的高分辨率成像處理，又可達到更高準確率（>90%）的人物分類，實例可參見文獻 [21]。基于微多普勒的目標識別分類可選擇與較低分辨率的圖像融合，以提高物體分類的可靠性。
6 總結與展望
可以預見，通感一體化技術將給車聯網帶來功能和性能的提升。為了達到這個目的，需要解決從空口到上層應用的多個領域中的關鍵技術問題，最終達到預期的感知和通信要求。
通感一體化的整體設計還需考慮到無線網絡和車聯網的復雜性，比如車載終端設備的移動性、可用頻段（許可頻段和非許可頻段）、基站的部署、PC5 和 Uu 的協同架構等方面。
除了與技術相關的挑戰外，通感一體化的一個關鍵成功因素與法規相關。通感一體化系統擴展了最初專門分配給感知或智能交通系統（Intelligent Transportation System，ITS）通信的頻段和用于移動/V2N 通信網絡的許可頻段的用途，在這些頻段上同時實現通信和感知功能可能面臨合規問題。
而且，一旦需要重新分配用于通信或感知的頻譜，車載的通感一體化設備也需要升級，這會影響車載通感一體化設備的生命周期。
此外，由于無線測距設備傳感是安全關鍵功能，因此通感一體化的解決方案需要滿足汽車安全等級（Automotive Safety Integrity Level，ASIL）的要求。
同時，通感一體化系統需要支持不同廠商的網絡和終端設備，使其能夠無縫參與和集成到感知服務中。車聯網的場景要求來自多個制造商的通感一體化設備能夠相互協作，特別是在干擾管理方面。因此，不同通感實體的功能和接口的標準化對其未來的廣泛部署至關重要。
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯系小編進行處理。
推薦閱讀：
