面向6G的智能通信感知一體化

高宏偉,劉向南,張海君,隆克平

（北京科技大學，北京 100083）

1 引言

移動通信網絡從1G不斷演進到6G的過程中，生活方式的變化驅動著移動通信方式的變革，同時移動通信技術的革新不斷促進著社會需求的發展。全息通信、萬物智聯、觸覺和視覺互聯網等6G相關應用場景不僅需要傳統網絡的通信能力，更需要賦予網絡原生感知［1］。同時，6G采用更高的無線電頻段以及更加密集的大規模天線陣列將無線信號的通信和感知集成在一個系統中并相互增強。通信感知一體化（ISAC）作為提升6G網絡通信性能以及滿足6G眾多新型沉浸式應用和數字孿生業務需求的關鍵技術已經受到業界的廣泛關注。為了支持具有超低延遲和超高算力的相關應用，6G網絡結合邊緣計算提高網絡的計算能力從而滿足終端設備上各種應用的計算需求指標［2］，并最終形成云-邊-端的分布式網絡架構，在AI輔助下實現邊緣計算。當大量智能終端集成了通信和感知功能，ISAC賦能的星地協同網絡、無人機網絡、移動蜂窩網絡等將逐步形成。在ISAC場景下，集成通信和感知的終端設備將產生大量數據，包括通信數據和感知數據等信息，并將數據發送到分布式云基站上實現大規模高算力的數據分析，最終還可以通過數字孿生技術構建基于物理世界的數字空間，實現對物理世界的仿真和操作，并隨著虛實重塑技術的大幅度提升最終構建元宇宙。一方面由于6G將實現萬物智聯，意味著物理世界所有的東西都將成為智能終端，其數量將是非常巨大的；另一方面外部感知和內部感知產生的各種信息不僅需要進行簡單的數據分析，還需要對一些數據進行語義轉換。上述兩方面將與有限多維的資源產生矛盾，包括頻譜資源、時間資源、空間資源以及計算資源等。傳統的靜態資源分配以及小規模資源管控已經無法滿足多種分布式架構的需求，隨著AI的發展并應用到移動通信網絡中［3］，采用AI技術最終將實現面向6G的智能分布式ISAC。

2 通信感知一體化發展歷程

雖然ISAC這個新概念作為6G的潛在關鍵技術近期才被業界廣泛關注并加以研究，但在早期的雷達系統中融入通信功能理論研究卻早已展開［4］。由于ISAC系統最初是圍繞著雷達系統展開研究，因此其名稱大都包含著“雷達”，如：雷達通信［5］、聯合雷達通信［6］以及雙功能雷達通信［7］，同時作為感知功能主流的雷達系統逐漸和通信系統互相影響，從而逐步發展為新型的ISAC。

起初，隨著雷達、相控雷達以及多輸入多輸出雷達系統的產生與發展，研究思路主要圍繞著雷達系統進行展開，通常是將通信信號融入到雷達系統中，設計聯合調制的波形進行探測和通信，并最終出現了第一種新的射頻體系結構，構建了雷達感知和數字通信的雙功能調制波［8］。此后，調制雷達和通信雙功能波形也成為了ISAC的重要研究方向，眾多研究也與聯合調制波形密切相關［9-11］。

隨著雷達和通信系統集成度的不斷提升，以及毫米波和大規模多輸入多輸出技術在雷達和通信中發展應用，使得雷達和通信產生緊密聯系，并朝著共同的方向發展，即高頻帶和大規模天線陣列。雙功能雷達通信不再局限于雷達系統中，而是可以應用到移動通信系統中［12］，從而逐步演進為多種網絡融合以及泛在感知的ISAC。

通信和感知進行融合的過程中其一體化技術也分階段進行著發展。ISAC逐步從功能共存、能力互助、成熟一體化三個階段進行發展［13］。在功能共存階段通過信號處理和天線技術利用共同資源實現通信和感知功能共存，完成初步通信和感知的整合。在能力互助階段則可以實現感知輔助通信和通信輔助感知兩種架構，使得通信和感知相互影響和促進，并聯合提升其感知和通信性能。最終成熟一體化階段是從物理硬件、一體化協議、網絡架構、AI賦能等方面全方位的融合，從而實現提升網絡性能，真正實現6G的原生感知和萬物智聯。

ISAC首先就將傳統物聯網中的通信功能在通信層，傳感功能在傳感層這種分離的思想打破［14］，將物聯網中的通信和傳感由分離轉變為集成，并在車聯網中得到廣泛應用。自動駕駛需要高精度的定位和識別以及超低延遲的通信和控制［15］，因此ISAC將融入到自動駕駛中，在實現感知周圍環境和與車輛通信的同時，也是元宇宙重要的數據來源之一。另外ISAC在構建智慧生活、智慧城市以及產業升級等方面都將發揮重要作用。

ISAC逐步與不同類型的終端和分布式邊緣計算結合形成大規模分布式的網絡架構。龐大數量的終端需要進行通信和感知，因此對于ISAC中涉及的資源進行分配和優化是巨大的挑戰。隨著AI在通信領域的發展，AI已經廣泛應用于通信中的功率分配［16］、智能反射表面的無源波束賦形［17］以及頻譜共享［18］，以此來提升網絡的整體性能。AI可以在較高算力的云基站上完成AI算法的高效運行從而動態實現網絡架構的調整和資源優化。不僅如此，鑒于ISAC可提供豐富數據這一天然優勢，可以基于物理世界構建虛擬世界，在虛擬世界中由于靈的存在不需要人為制定各種靜態策略［19］，最終AI將充分集成到6G網絡中［20］。6G要實現沉浸化、智能化、分布化離不開ISAC與邊緣計算和AI技術的結合，并最終將集成到6G網絡中，形成通-感-算-控一體化全方位的網絡架構。

3 通信感知一體化分布式架構

3.1 智能分布式架構

ISAC從早期的雷達系統延展到了泛在接入的通信網絡中［21］，并將在車聯網、智能建筑、無人機網絡和智慧生活等方面逐步展開應用。這些應用需要強大的算力支撐其相關垂直應用的發展，因此要結合分布式邊緣計算和AI構建面向6G的智能ISAC分布式架構，如圖1所示。

在圖1中，分布式架構主要分為三層。第一層為終端層，第二層為服務器與基站層，第三層為云與AI層，并且每一層中都獨立包含著資源層、控制層和應用層。分層的模式有利于其功能解耦，從而為ISAC高度融合服務化提供基礎。終端層是由各種不同設備組成的不同應用場景，包括車聯網、智能建筑、無人機網絡以及智慧生活等。終端層是大規模數據最直接的產生方式，也是AI管控的主要內容。在終端層的網絡中，汽車、機器人、智能建筑、智能眼鏡、智能手環以及智能手機等設備都會隨著硬件的發展將終端層級的ISAC集成其中，使得這些設備具有通信和感知功能的同時不斷促進和發展ISAC的相關應用。在車聯網中，特別是自動駕駛場景下，汽車可以通過ISAC技術實現對周圍環境的高精度定位、識別和成像，并與其他車輛和路側設備進行低延遲的通信，從而為自動駕駛提供可靠的數據支持和精準控制。安裝集成ISAC硬件的無人機在環境監測、應急救援以及軍事應用等方面也具有重要作用。在智慧生活中主要包含智能眼鏡、智能手環以及虛擬現實等垂直應用相關聯的可穿戴設備，這些設備通過ISAC終端完成個人健康、運動以及狀態的監測，并收集大量數據。在終端層完成數據收集之后，會將數據上傳到邊緣服務器與基站所在的第二層即服務器與基站層，完成各自數據的分析以及基礎計算。通過其邊緣AI完成對底層的數據分析和管控，再借助服務器的整合將數據進一步上傳到云與AI層，完成大規模的數據分析和建模，最終可以構建一個虛擬的智慧云端城市或元宇宙。可以利用構建的虛擬智慧云端城市來解決物理世界的相關難題，例如交通堵塞、新型網絡架構適應性以及大規模AI算法試運行等，以此來降低問題解決過程中所花費的高額成本費用。通過構建的元宇宙為人們的生活帶來全新的沉浸式體驗，并在元宇宙中實現物理世界的操作，提升互動的豐富性、多樣性以及智能化。該架構也將為元宇宙這種新型沉浸式現象級的應用及其垂直應用提供架構層面的解決方案。

圖1 面向6G的智能ISAC分布式架構

3.2 關鍵技術

在面向6G的智能ISAC分布式架構中仍有很多關鍵技術需要進行研究，包括ISAC一體化理論研究、空口設計以及硬件系統研發等。其中空口設計中的物理層至關重要，是實現ISAC邁入成熟階段的重要內容。本節主要闡述ISAC中物理層的干擾消除、波束賦形、幀結構設計以及信息超材料的應用。

（1）空間映射與干擾消除

在6G的ISAC中通信和感知是同步進行的，在有限的頻譜資源下，為了提高頻譜利用率，其可能工作在同一頻段，因此在系統中可能會存在感知回波信號和通信信號間的干擾問題。在圖1中終端層的車輛之間、智能建筑之間以及可穿戴智能設備之間都會存在通信和感知回波信號相互干擾的問題。同一設備的通信和感知信號的干擾會降低感知的精確性以及通信信號的穩定性。在不影響通信和感知系統的同時，采用互干擾對齊方法可以有效解決雷達和通信系統之間的干擾問題，因此將該方法應用在終端層面的ISAC系統中具有優勢［22］。但是信號干擾不僅是雙天線的收發互干擾問題，還存在上下行通信狀態切換的復雜性。隨著深度神經網絡引入到強化學習中，強化學習解決各種非凸問題的能力進一步提升。各種強化學習算法也廣泛應用在通信系統中，可以引入協作頻譜感知結合局部頻譜感知，并采用深度強化學習算法提高頻譜共享效能同時降低ISAC系統中感知和通信的相互干擾［23］。信號處理的本質是對信號線性和非線性的變換，利用高維度的深度神經網絡代替這種變換，甚至可以學習到無法用公式表征的ISAC一體化干擾特征。從而利用神經網絡可以將有用信號和干擾信號分別映射到各自的子空間，實現基于深度學習的抗干擾ISAC信號處理技術。更高頻段的太赫茲通信由于其在通信系統中具有更大的通信帶寬以及感知系統中具有更高的分辨率成為ISAC重要研究方向之一。并且太赫茲由于其極短的波長，使得可以在極狹小的空間集成超大規模天線陣列，雖然高方向性極窄的波束可以采用空分復用降低一定的干擾，但是未來面對超大規模數量的智能終端，太赫茲的智能干擾消除技術研究仍極為關鍵。

（2）智能預判與波束賦形

波束賦形技術在ISAC中具有很大的發揮潛力，它逐步成為很多新型平臺的技術要求。對于通信和感知兩個不同的功能，在不同場景下其波束賦形的要求也不同，因此在聯合的系統下進行波束賦形具有一定的難度。新型多天線波束賦形架構可以實現可操作性的模擬天線陣列和高度集成的通信和感知［24］。除了在波束賦形模型上的設計之外，還可以考慮在滿足通信性能指標的情況下，以多天線雷達的波束賦形性能為指標，將波束賦形結果以加權的方式發送給感知目標和通信接收機［25］，從而動態調整通信和感知的權重。但是由于傳統的波束賦形方式無法滿足動態環境下的自適應性，因此在車聯網這種高速移動的終端組成的網絡中難以實現其預估的目標性能。毫米波可以提供高分辨率的感知精度和高速率的數據通信，自適應毫米波相控快速波束賦形設計提升了通信和感知的性能［26］。太赫茲通信下的自適應波束賦形算法也需要逐步跟進。隨著AI的逐步發展并應用到多天線的波束賦形中從而去提升整個通信和感知的性能，在不同網絡中通信和感知的需求指標有差異，同時隨著周圍環境的變化，同一場景下的波束賦形也需要進行相應的參數調整以此來適應環境的變化，因此采用高級的AI算法動態實現波束賦形調整對于各種異構網絡性能的提升和魯棒性的改善也至關重要。只利用已知的感知信息去進行波束賦形，即使采用AI賦能訓練，巨大的訓練開銷也可能會導致系統性能的降低。從某種角度上看波束賦形最重要的是對“變化”的預判。通過面向6G的智能ISAC分布式架構中云與AI層上構建的元宇宙，對所需的變化在虛擬空間中進行仿真和預判，從而大幅度降低波束賦形中的訓練開銷，從控制層完成智能化的波束賦形將成為新型的解決方案。

（3）全場景與幀結構設計

面對ISAC不同場景，對于通信和感知的需求指標不同，在通信標準高于感知標準、通信標準均衡感知標準以及通信標準低于感知標準的不同場景下，需要設計新的傳輸協議來保證不同場景下ISAC技術的實現。時分雙工的通信協議模式相較于頻分雙工模式可以更加有效地利用有限的頻譜資源。在同一時間幀下，分時對通信和感知信號進行傳送，通過有效分配通信和感知的時隙，進一步提升系統的性能。在幀結構設計中，主要是對時間資源的有效分配。利用長短期記憶網絡、循環神經網絡、生成式對抗網絡等都可以對時間資源進行動態分配和優化。利用神經網絡去探索全新的幀結構設計和適配環境動態變化可以在減小鏈路開銷和降低干擾的同時，顯著提升系統性能。

（4）信息超材料

在ISAC系統中需要對電磁波進行靈活而有效的調控，而傳統的射頻體系結構無法滿足高動態性的要求。對不同環境和要求進行動態變化和調整的能力主要表現在可編碼或者可編程的能力上，編碼超材料和現場可編程超材料可以基于物理空間中的電磁波構筑其相應的數字空間，進一步構建集射頻與數字處理統一的新型通信體系架構。基于裸眼的全息通信業務由于具有高沉浸式的多樣化交互方式成為ISAC系統實現目標之一。相控陣體制、合成孔徑體制以及新體制微波成像系統通過編碼的方式實現波束數量和角度的動態調整并構建全息成像系統促進未來新型全息通信業務和其相關垂直產業的發展［27］。在ISAC中需要雙天線進行通信和感知，將信息超材料應用于天線陣列輻射單元可以通過降低天線耦合度來提升通信和感知的空間復用效率。基于信息超材料的智能反射表面近年來在無人機網絡、海洋網絡以及移動網絡中受到廣泛研究并成為6G的關鍵技術。ISAC網絡架構可以借助智能反射表面并采用卷積神經網絡完成計算成像［28］，智能反射表面不能僅局限于ISAC場景化下的應用，更需要關注的是其對于無線信道的可操控變化。通過智能反射表面對于無線信道的改變，以解決ISAC中信號干擾，一方面可以采取改變通信和感知信道狀態方式，另一方面也可以采用AI完成通信和感知不同功能下信道的自適應性。超材料在陣列輻射天線的波束合成以及目標探測方法廣泛研究也進一步促進了信息超材料在ISAC的應用和發展。

ISAC物理層涉及的關鍵技術如圖2所示。

圖2 ISAC物理層關鍵技術

4 智能通信感知一體化分層管控

隨著AI技術的發展，6G不再只把AI作為一種輔助工具更需要原生AI。AI成熟化的趨勢已逐步明晰，廣泛應用在計算機視覺、工業控制以及數據分析等行業。面向2030，“數字孿生”和“智能泛在”將成為未來社會發展的趨勢和目標［29］。ISAC生成的大量數據為數字孿生提供數據支撐，并通過原生AI實現“智能泛在”和“元宇宙”。針對圖1中面向6G的智能ISAC分布式架構，本文將AI管控的ISAC資源分配主要分為邊緣側的資源優化以及整個分布式系統層級的資源調度與管理兩部分。

4.1 邊緣側智能優化

終端設備基于AI的資源優化主要受限于AI加速芯片性能以及終端設備的體積，致使終端層的資源優化是初級和小范圍內自身的優化。圖1終端層的設備中可穿戴智能設備由于體積的小型化以及向微型化的轉變，導致其搭載高算力應用具有一定的限制，無法滿足其高算力及其垂直應用的需求。在智慧城市和車聯網中雖然可以裝備高算力的硬件實現本地AI，但是仍無法滿足在未來場景下更高算力的應用需求。在未來場景下，自動駕駛不僅需要對當前收集的數據進行分析從而做出控制，還需要對收集的信息以及其他車輛信息進行結合構建具有超前時間的虛擬路況，從而提前對未知的危險情況進行判斷和預警。并且虛擬現實以及擴展現實都需要更高的算力支撐，所以本地的AI是無法進行快速且強有力的管控。對于終端設備的資源優化一方面通過設備自身攜帶了智能硬件進行實現，例如ISAC中通信硬件的波束賦形、功率優化以及時間資源的調度［30］。在通信和計算輔助感知、通信和感知輔助計算以及感知和計算輔助通信不同的邊緣側的環境下，資源優化存在動態自適應性。另一方面，在完成終端層級設備自身資源優化的同時，需要將數據上傳到本區域的基站和高性能服務器上，完成本區域的數據分析以及AI管控。在數據傳輸的過程中與基站的通信會和ISAC中的通信和感知信號相互干擾，因此如何解決任務卸載過程中的干擾問題也至關重要。任務計算卸載的優化也可以進一步改善系統的性能，基于通信和感知的流量任務卸載機制可以降低系統整體的響應時間［31］。在考慮響應時間的同時還需要考慮到干擾和吞吐量等各方面因素，傳統的數學工具解決這種多目標多約束問題可能會遇到目標函數是非凸的情況，無法利用傳統方法解決較為復雜的約束目標函數。因此利用AI來構建高維度的神經網絡，通過梯度下降的方式來解決優化問題具有更大的優勢，但是AI中的深度強化學習在訓練過程中也會存在梯度爆炸導致無法正確有效學習，因此對于通信方面專用的AI算法研究也需要進行著重關注和研究。

4.2 系統級智能管控

對于通-感-算-控和云-邊-端形成的分布式系統的管控難度非常大。一方面需要對系統中存在的頻譜資源、時間資源、計算資源以及功率進行管控，另一方面還需要對系統中不同類型的任務進行編排和調度。系統級智能管控需要達到局部決策和執行以及全局系統最優解。系統級智能管控不再將重心單獨放到某一區域或者場景下，而是結合分布式邊緣計算實現全方位的AI管控。在分布式的云基站側，可以通過有效的任務調度顯著降低網絡擁塞率，以此來避免較高的網絡延遲和嚴重的網絡故障。在基本調度器的基礎上，考慮時間消耗和任務吞吐量，構建新型的調度器也是提升網絡性能的方式之一［32］，但在不同場景下其調度器自適應性差。因此將AI引入到分布式云系統中使得在多任務場景中探索數據驅動成為有效解決方案［33］。在系統層級的資源調度和管理中，不僅需要考慮邊緣層上的優化，更需要對所涉及到的所有AI組件進行任務的卸載調度，從而使得AI和邊緣計算的結合有更多實際的應用［34］。在系統層級的資源優化由于云架構的分布式特點，聯邦學習可以得以發揮其巨大的優勢［35］。聯邦學習通過局部學習模型與全局模型不斷交互迭代和優化，局部學習通過學習完成本地的數據模型建立，然后將數據模型的參數上傳到中心服務器，該服務器將眾多局部數據模型進行整合和優化并更新全局模型。本地服務器再從中心服務器進行全局模型參數的下載，不斷迭代更新使得其最終的訓練模型具有良好的性能。隨著AI的發展，會涌現出更多性能比聯邦學習更好的AI算法和架構，進而促進AI賦能下的ISAC各項性能指標以及分布式ISAC的系統級智能管控。

5 深度融合服務化

未來為了滿足ISAC結合邊緣計算和AI形成的通-感-算-控一體化智能ISAC分布式架構下多樣化的業務及其垂直應用對網絡靈活擴展的需求，網絡向虛擬化和云化的轉變是必然的趨勢。全息通信、多感官互聯網和元宇宙作為ISAC典型的應用范例需要不同級別的端對端時延，而對于傳統的無線接入網需要單獨并大量調整網絡單元來改變網絡架構，從而完成不同業務對于網絡需求的指標。未來的ISAC一定是動態化的，隨著通用硬件設備的開發，網絡中的單元承載的功能不是固定的，而是要根據周圍環境變化及時做出調整。因此ISAC深度融合服務化則顯得非常必要。

為了提高基站側的資源利用率以及降低蜂窩網絡的干擾，一種云無線接入網（cloud radio access network，C-RAN）架構被提出并進行研究［36］。主要將基站分為兩部分，即基帶處理單元和射頻拉遠單元。一個或多個射頻拉遠單元由一個基帶處理單元進行管理，而基帶處理單元可以依據需求進行集中放置或者分布式放置。集成的基帶處理單元將形成基帶處理單元池，該池中的資源可以進行共享，并且可以結合AI進行高級的資源分配和調控。云無線接入網采用通用計算平臺搭載無線接入網絡的功能軟件方式實現資源池化共享和功能的按需部署，通過這種方式可以降低無線接入網的運營成本以及提高其靈活性。

隨著通用硬件平臺的發展以及云原生技術的發展，云無線接入網已經無法滿足6G智能ISAC的需求，全方位深度融合服務化是未來的發展趨勢之一。本文提出的面向6G的智能ISAC分布式架構從技術層面來講涉及ISAC、邊緣計算以及AI。這三類技術涉及的應用和內容若將其按照傳統方式進行部署，那么隨著網絡復雜度的提升其網絡維護的成本是相當巨大的。元宇宙動態發展和變化，承載著元宇宙的網絡架構也會進行逐步演進和變化，該變化對于傳統部署方式將帶來無法想象的壓力。因此將高內聚、低耦合服務的定義完成之后，采用通用硬件設備平臺搭載不同功能的軟件實現ISAC分布式架構的搭建可以實現控制層面與用戶層面的分離，在響應外部變化的同時可以快速做到靈活調整和部署，更重要的是將進一步實現從網絡架構層面原生AI。AI通過大量學習以及模擬仿真可以實現某種不可解釋性的系統性能提升，但是由于傳統的硬件部署集成度較高，對于其改變網絡系統架構是非常困難的。隨著分布式ISAC高度融合服務化，將各種網絡功能和應用功能轉化為各種服務軟件，并部署到通用硬件設備上，AI不僅可以完成現在大量研究所涉及的資源分配，更重要的是可以真正提供網絡架構動態調整的方案。

在圖3中，ISAC場景下終端設備、服務器與基站、云端超級計算機以及網絡中的各種設備都可以直接抽象成為節點，每個節點都是由通用硬件設備平臺搭載的應用軟件來完成各種服務的運行。每個應用軟件就是獨立的容器，采用容器技術，將各個功能進行解耦創建為容器，可以進行獨立部署、獨立擴容以及獨立自修復。在服務的另一側AI全方位管控服務化，從服務化的定義到控制容器編排集群進行容器的創建和分發，最終將容器部署到所需要的通用硬件平臺完成ISAC深度融合服務化，最終形成靈活可擴展和維護的通-感-算-控和云-邊-端一體化的全方位ISAC。

圖3 ISAC深度融合服務化架構

6 結論

未來，ISAC將結合邊緣計算和AI，構建面向6G的智能ISAC分布式網絡架構，形成通-感-算-控和云-邊-端的模式。在提出智能分布式架構中，物理層中的干擾消除、波束賦形、幀結構的設計以及信息超材料方面探索都將是實現ISAC走向成熟的關鍵部分，同時持續挖掘AI在邊緣側和系統級的資源分配和網絡智能管控能力，從而充分利用有限資源和合理的任務調度實現系統高效可靠的運行。為了實現原生AI對于網絡的調控，提出ISAC深度融合服務化的解決方案，全方位實現6G網絡下分布式ISAC網絡的動態調控。