面向6G的智能通信感知一体化

高宏伟,刘向南,张海君,隆克平

（北京科技大学，北京 100083）

1 引言

移动通信网络从1G不断演进到6G的过程中，生活方式的变化驱动着移动通信方式的变革，同时移动通信技术的革新不断促进着社会需求的发展。全息通信、万物智联、触觉和视觉互联网等6G相关应用场景不仅需要传统网络的通信能力，更需要赋予网络原生感知［1］。同时，6G采用更高的无线电频段以及更加密集的大规模天线阵列将无线信号的通信和感知集成在一个系统中并相互增强。通信感知一体化（ISAC）作为提升6G网络通信性能以及满足6G众多新型沉浸式应用和数字孪生业务需求的关键技术已经受到业界的广泛关注。为了支持具有超低延迟和超高算力的相关应用，6G网络结合边缘计算提高网络的计算能力从而满足终端设备上各种应用的计算需求指标［2］，并最终形成云-边-端的分布式网络架构，在AI辅助下实现边缘计算。当大量智能终端集成了通信和感知功能，ISAC赋能的星地协同网络、无人机网络、移动蜂窝网络等将逐步形成。在ISAC场景下，集成通信和感知的终端设备将产生大量数据，包括通信数据和感知数据等信息，并将数据发送到分布式云基站上实现大规模高算力的数据分析，最终还可以通过数字孪生技术构建基于物理世界的数字空间，实现对物理世界的仿真和操作，并随着虚实重塑技术的大幅度提升最终构建元宇宙。一方面由于6G将实现万物智联，意味着物理世界所有的东西都将成为智能终端，其数量将是非常巨大的；另一方面外部感知和内部感知产生的各种信息不仅需要进行简单的数据分析，还需要对一些数据进行语义转换。上述两方面将与有限多维的资源产生矛盾，包括频谱资源、时间资源、空间资源以及计算资源等。传统的静态资源分配以及小规模资源管控已经无法满足多种分布式架构的需求，随着AI的发展并应用到移动通信网络中［3］，采用AI技术最终将实现面向6G的智能分布式ISAC。

2 通信感知一体化发展历程

虽然ISAC这个新概念作为6G的潜在关键技术近期才被业界广泛关注并加以研究，但在早期的雷达系统中融入通信功能理论研究却早已展开［4］。由于ISAC系统最初是围绕着雷达系统展开研究，因此其名称大都包含着“雷达”，如：雷达通信［5］、联合雷达通信［6］以及双功能雷达通信［7］，同时作为感知功能主流的雷达系统逐渐和通信系统互相影响，从而逐步发展为新型的ISAC。

起初，随着雷达、相控雷达以及多输入多输出雷达系统的产生与发展，研究思路主要围绕着雷达系统进行展开，通常是将通信信号融入到雷达系统中，设计联合调制的波形进行探测和通信，并最终出现了第一种新的射频体系结构，构建了雷达感知和数字通信的双功能调制波［8］。此后，调制雷达和通信双功能波形也成为了ISAC的重要研究方向，众多研究也与联合调制波形密切相关［9-11］。

随着雷达和通信系统集成度的不断提升，以及毫米波和大规模多输入多输出技术在雷达和通信中发展应用，使得雷达和通信产生紧密联系，并朝着共同的方向发展，即高频带和大规模天线阵列。双功能雷达通信不再局限于雷达系统中，而是可以应用到移动通信系统中［12］，从而逐步演进为多种网络融合以及泛在感知的ISAC。

通信和感知进行融合的过程中其一体化技术也分阶段进行着发展。ISAC逐步从功能共存、能力互助、成熟一体化三个阶段进行发展［13］。在功能共存阶段通过信号处理和天线技术利用共同资源实现通信和感知功能共存，完成初步通信和感知的整合。在能力互助阶段则可以实现感知辅助通信和通信辅助感知两种架构，使得通信和感知相互影响和促进，并联合提升其感知和通信性能。最终成熟一体化阶段是从物理硬件、一体化协议、网络架构、AI赋能等方面全方位的融合，从而实现提升网络性能，真正实现6G的原生感知和万物智联。

ISAC首先就将传统物联网中的通信功能在通信层，传感功能在传感层这种分离的思想打破［14］，将物联网中的通信和传感由分离转变为集成，并在车联网中得到广泛应用。自动驾驶需要高精度的定位和识别以及超低延迟的通信和控制［15］，因此ISAC将融入到自动驾驶中，在实现感知周围环境和与车辆通信的同时，也是元宇宙重要的数据来源之一。另外ISAC在构建智慧生活、智慧城市以及产业升级等方面都将发挥重要作用。

ISAC逐步与不同类型的终端和分布式边缘计算结合形成大规模分布式的网络架构。庞大数量的终端需要进行通信和感知，因此对于ISAC中涉及的资源进行分配和优化是巨大的挑战。随着AI在通信领域的发展，AI已经广泛应用于通信中的功率分配［16］、智能反射表面的无源波束赋形［17］以及频谱共享［18］，以此来提升网络的整体性能。AI可以在较高算力的云基站上完成AI算法的高效运行从而动态实现网络架构的调整和资源优化。不仅如此，鉴于ISAC可提供丰富数据这一天然优势，可以基于物理世界构建虚拟世界，在虚拟世界中由于灵的存在不需要人为制定各种静态策略［19］，最终AI将充分集成到6G网络中［20］。6G要实现沉浸化、智能化、分布化离不开ISAC与边缘计算和AI技术的结合，并最终将集成到6G网络中，形成通-感-算-控一体化全方位的网络架构。

3 通信感知一体化分布式架构

3.1 智能分布式架构

ISAC从早期的雷达系统延展到了泛在接入的通信网络中［21］，并将在车联网、智能建筑、无人机网络和智慧生活等方面逐步展开应用。这些应用需要强大的算力支撑其相关垂直应用的发展，因此要结合分布式边缘计算和AI构建面向6G的智能ISAC分布式架构，如图1所示。

在图1中，分布式架构主要分为三层。第一层为终端层，第二层为服务器与基站层，第三层为云与AI层，并且每一层中都独立包含着资源层、控制层和应用层。分层的模式有利于其功能解耦，从而为ISAC高度融合服务化提供基础。终端层是由各种不同设备组成的不同应用场景，包括车联网、智能建筑、无人机网络以及智慧生活等。终端层是大规模数据最直接的产生方式，也是AI管控的主要内容。在终端层的网络中，汽车、机器人、智能建筑、智能眼镜、智能手环以及智能手机等设备都会随着硬件的发展将终端层级的ISAC集成其中，使得这些设备具有通信和感知功能的同时不断促进和发展ISAC的相关应用。在车联网中，特别是自动驾驶场景下，汽车可以通过ISAC技术实现对周围环境的高精度定位、识别和成像，并与其他车辆和路侧设备进行低延迟的通信，从而为自动驾驶提供可靠的数据支持和精准控制。安装集成ISAC硬件的无人机在环境监测、应急救援以及军事应用等方面也具有重要作用。在智慧生活中主要包含智能眼镜、智能手环以及虚拟现实等垂直应用相关联的可穿戴设备，这些设备通过ISAC终端完成个人健康、运动以及状态的监测，并收集大量数据。在终端层完成数据收集之后，会将数据上传到边缘服务器与基站所在的第二层即服务器与基站层，完成各自数据的分析以及基础计算。通过其边缘AI完成对底层的数据分析和管控，再借助服务器的整合将数据进一步上传到云与AI层，完成大规模的数据分析和建模，最终可以构建一个虚拟的智慧云端城市或元宇宙。可以利用构建的虚拟智慧云端城市来解决物理世界的相关难题，例如交通堵塞、新型网络架构适应性以及大规模AI算法试运行等，以此来降低问题解决过程中所花费的高额成本费用。通过构建的元宇宙为人们的生活带来全新的沉浸式体验，并在元宇宙中实现物理世界的操作，提升互动的丰富性、多样性以及智能化。该架构也将为元宇宙这种新型沉浸式现象级的应用及其垂直应用提供架构层面的解决方案。

图1 面向6G的智能ISAC分布式架构

3.2 关键技术

在面向6G的智能ISAC分布式架构中仍有很多关键技术需要进行研究，包括ISAC一体化理论研究、空口设计以及硬件系统研发等。其中空口设计中的物理层至关重要，是实现ISAC迈入成熟阶段的重要内容。本节主要阐述ISAC中物理层的干扰消除、波束赋形、帧结构设计以及信息超材料的应用。

（1）空间映射与干扰消除

在6G的ISAC中通信和感知是同步进行的，在有限的频谱资源下，为了提高频谱利用率，其可能工作在同一频段，因此在系统中可能会存在感知回波信号和通信信号间的干扰问题。在图1中终端层的车辆之间、智能建筑之间以及可穿戴智能设备之间都会存在通信和感知回波信号相互干扰的问题。同一设备的通信和感知信号的干扰会降低感知的精确性以及通信信号的稳定性。在不影响通信和感知系统的同时，采用互干扰对齐方法可以有效解决雷达和通信系统之间的干扰问题，因此将该方法应用在终端层面的ISAC系统中具有优势［22］。但是信号干扰不仅是双天线的收发互干扰问题，还存在上下行通信状态切换的复杂性。随着深度神经网络引入到强化学习中，强化学习解决各种非凸问题的能力进一步提升。各种强化学习算法也广泛应用在通信系统中，可以引入协作频谱感知结合局部频谱感知，并采用深度强化学习算法提高频谱共享效能同时降低ISAC系统中感知和通信的相互干扰［23］。信号处理的本质是对信号线性和非线性的变换，利用高维度的深度神经网络代替这种变换，甚至可以学习到无法用公式表征的ISAC一体化干扰特征。从而利用神经网络可以将有用信号和干扰信号分别映射到各自的子空间，实现基于深度学习的抗干扰ISAC信号处理技术。更高频段的太赫兹通信由于其在通信系统中具有更大的通信带宽以及感知系统中具有更高的分辨率成为ISAC重要研究方向之一。并且太赫兹由于其极短的波长，使得可以在极狭小的空间集成超大规模天线阵列，虽然高方向性极窄的波束可以采用空分复用降低一定的干扰，但是未来面对超大规模数量的智能终端，太赫兹的智能干扰消除技术研究仍极为关键。

（2）智能预判与波束赋形

波束赋形技术在ISAC中具有很大的发挥潜力，它逐步成为很多新型平台的技术要求。对于通信和感知两个不同的功能，在不同场景下其波束赋形的要求也不同，因此在联合的系统下进行波束赋形具有一定的难度。新型多天线波束赋形架构可以实现可操作性的模拟天线阵列和高度集成的通信和感知［24］。除了在波束赋形模型上的设计之外，还可以考虑在满足通信性能指标的情况下，以多天线雷达的波束赋形性能为指标，将波束赋形结果以加权的方式发送给感知目标和通信接收机［25］，从而动态调整通信和感知的权重。但是由于传统的波束赋形方式无法满足动态环境下的自适应性，因此在车联网这种高速移动的终端组成的网络中难以实现其预估的目标性能。毫米波可以提供高分辨率的感知精度和高速率的数据通信，自适应毫米波相控快速波束赋形设计提升了通信和感知的性能［26］。太赫兹通信下的自适应波束赋形算法也需要逐步跟进。随着AI的逐步发展并应用到多天线的波束赋形中从而去提升整个通信和感知的性能，在不同网络中通信和感知的需求指标有差异，同时随着周围环境的变化，同一场景下的波束赋形也需要进行相应的参数调整以此来适应环境的变化，因此采用高级的AI算法动态实现波束赋形调整对于各种异构网络性能的提升和鲁棒性的改善也至关重要。只利用已知的感知信息去进行波束赋形，即使采用AI赋能训练，巨大的训练开销也可能会导致系统性能的降低。从某种角度上看波束赋形最重要的是对“变化”的预判。通过面向6G的智能ISAC分布式架构中云与AI层上构建的元宇宙，对所需的变化在虚拟空间中进行仿真和预判，从而大幅度降低波束赋形中的训练开销，从控制层完成智能化的波束赋形将成为新型的解决方案。

（3）全场景与帧结构设计

面对ISAC不同场景，对于通信和感知的需求指标不同，在通信标准高于感知标准、通信标准均衡感知标准以及通信标准低于感知标准的不同场景下，需要设计新的传输协议来保证不同场景下ISAC技术的实现。时分双工的通信协议模式相较于频分双工模式可以更加有效地利用有限的频谱资源。在同一时间帧下，分时对通信和感知信号进行传送，通过有效分配通信和感知的时隙，进一步提升系统的性能。在帧结构设计中，主要是对时间资源的有效分配。利用长短期记忆网络、循环神经网络、生成式对抗网络等都可以对时间资源进行动态分配和优化。利用神经网络去探索全新的帧结构设计和适配环境动态变化可以在减小链路开销和降低干扰的同时，显著提升系统性能。

（4）信息超材料

在ISAC系统中需要对电磁波进行灵活而有效的调控，而传统的射频体系结构无法满足高动态性的要求。对不同环境和要求进行动态变化和调整的能力主要表现在可编码或者可编程的能力上，编码超材料和现场可编程超材料可以基于物理空间中的电磁波构筑其相应的数字空间，进一步构建集射频与数字处理统一的新型通信体系架构。基于裸眼的全息通信业务由于具有高沉浸式的多样化交互方式成为ISAC系统实现目标之一。相控阵体制、合成孔径体制以及新体制微波成像系统通过编码的方式实现波束数量和角度的动态调整并构建全息成像系统促进未来新型全息通信业务和其相关垂直产业的发展［27］。在ISAC中需要双天线进行通信和感知，将信息超材料应用于天线阵列辐射单元可以通过降低天线耦合度来提升通信和感知的空间复用效率。基于信息超材料的智能反射表面近年来在无人机网络、海洋网络以及移动网络中受到广泛研究并成为6G的关键技术。ISAC网络架构可以借助智能反射表面并采用卷积神经网络完成计算成像［28］，智能反射表面不能仅局限于ISAC场景化下的应用，更需要关注的是其对于无线信道的可操控变化。通过智能反射表面对于无线信道的改变，以解决ISAC中信号干扰，一方面可以采取改变通信和感知信道状态方式，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适应性。超材料在阵列辐射天线的波束合成以及目标探测方法广泛研究也进一步促进了信息超材料在ISAC的应用和发展。

ISAC物理层涉及的关键技术如图2所示。

图2 ISAC物理层关键技术

4 智能通信感知一体化分层管控

随着AI技术的发展，6G不再只把AI作为一种辅助工具更需要原生AI。AI成熟化的趋势已逐步明晰，广泛应用在计算机视觉、工业控制以及数据分析等行业。面向2030，“数字孪生”和“智能泛在”将成为未来社会发展的趋势和目标［29］。ISAC生成的大量数据为数字孪生提供数据支撑，并通过原生AI实现“智能泛在”和“元宇宙”。针对图1中面向6G的智能ISAC分布式架构，本文将AI管控的ISAC资源分配主要分为边缘侧的资源优化以及整个分布式系统层级的资源调度与管理两部分。

4.1 边缘侧智能优化

终端设备基于AI的资源优化主要受限于AI加速芯片性能以及终端设备的体积，致使终端层的资源优化是初级和小范围内自身的优化。图1终端层的设备中可穿戴智能设备由于体积的小型化以及向微型化的转变，导致其搭载高算力应用具有一定的限制，无法满足其高算力及其垂直应用的需求。在智慧城市和车联网中虽然可以装备高算力的硬件实现本地AI，但是仍无法满足在未来场景下更高算力的应用需求。在未来场景下，自动驾驶不仅需要对当前收集的数据进行分析从而做出控制，还需要对收集的信息以及其他车辆信息进行结合构建具有超前时间的虚拟路况，从而提前对未知的危险情况进行判断和预警。并且虚拟现实以及扩展现实都需要更高的算力支撑，所以本地的AI是无法进行快速且强有力的管控。对于终端设备的资源优化一方面通过设备自身携带了智能硬件进行实现，例如ISAC中通信硬件的波束赋形、功率优化以及时间资源的调度［30］。在通信和计算辅助感知、通信和感知辅助计算以及感知和计算辅助通信不同的边缘侧的环境下，资源优化存在动态自适应性。另一方面，在完成终端层级设备自身资源优化的同时，需要将数据上传到本区域的基站和高性能服务器上，完成本区域的数据分析以及AI管控。在数据传输的过程中与基站的通信会和ISAC中的通信和感知信号相互干扰，因此如何解决任务卸载过程中的干扰问题也至关重要。任务计算卸载的优化也可以进一步改善系统的性能，基于通信和感知的流量任务卸载机制可以降低系统整体的响应时间［31］。在考虑响应时间的同时还需要考虑到干扰和吞吐量等各方面因素，传统的数学工具解决这种多目标多约束问题可能会遇到目标函数是非凸的情况，无法利用传统方法解决较为复杂的约束目标函数。因此利用AI来构建高维度的神经网络，通过梯度下降的方式来解决优化问题具有更大的优势，但是AI中的深度强化学习在训练过程中也会存在梯度爆炸导致无法正确有效学习，因此对于通信方面专用的AI算法研究也需要进行着重关注和研究。

4.2 系统级智能管控

对于通-感-算-控和云-边-端形成的分布式系统的管控难度非常大。一方面需要对系统中存在的频谱资源、时间资源、计算资源以及功率进行管控，另一方面还需要对系统中不同类型的任务进行编排和调度。系统级智能管控需要达到局部决策和执行以及全局系统最优解。系统级智能管控不再将重心单独放到某一区域或者场景下，而是结合分布式边缘计算实现全方位的AI管控。在分布式的云基站侧，可以通过有效的任务调度显著降低网络拥塞率，以此来避免较高的网络延迟和严重的网络故障。在基本调度器的基础上，考虑时间消耗和任务吞吐量，构建新型的调度器也是提升网络性能的方式之一［32］，但在不同场景下其调度器自适应性差。因此将AI引入到分布式云系统中使得在多任务场景中探索数据驱动成为有效解决方案［33］。在系统层级的资源调度和管理中，不仅需要考虑边缘层上的优化，更需要对所涉及到的所有AI组件进行任务的卸载调度，从而使得AI和边缘计算的结合有更多实际的应用［34］。在系统层级的资源优化由于云架构的分布式特点，联邦学习可以得以发挥其巨大的优势［35］。联邦学习通过局部学习模型与全局模型不断交互迭代和优化，局部学习通过学习完成本地的数据模型建立，然后将数据模型的参数上传到中心服务器，该服务器将众多局部数据模型进行整合和优化并更新全局模型。本地服务器再从中心服务器进行全局模型参数的下载，不断迭代更新使得其最终的训练模型具有良好的性能。随着AI的发展，会涌现出更多性能比联邦学习更好的AI算法和架构，进而促进AI赋能下的ISAC各项性能指标以及分布式ISAC的系统级智能管控。

5 深度融合服务化

未来为了满足ISAC结合边缘计算和AI形成的通-感-算-控一体化智能ISAC分布式架构下多样化的业务及其垂直应用对网络灵活扩展的需求，网络向虚拟化和云化的转变是必然的趋势。全息通信、多感官互联网和元宇宙作为ISAC典型的应用范例需要不同级别的端对端时延，而对于传统的无线接入网需要单独并大量调整网络单元来改变网络架构，从而完成不同业务对于网络需求的指标。未来的ISAC一定是动态化的，随着通用硬件设备的开发，网络中的单元承载的功能不是固定的，而是要根据周围环境变化及时做出调整。因此ISAC深度融合服务化则显得非常必要。

为了提高基站侧的资源利用率以及降低蜂窝网络的干扰，一种云无线接入网（cloud radio access network，C-RAN）架构被提出并进行研究［36］。主要将基站分为两部分，即基带处理单元和射频拉远单元。一个或多个射频拉远单元由一个基带处理单元进行管理，而基带处理单元可以依据需求进行集中放置或者分布式放置。集成的基带处理单元将形成基带处理单元池，该池中的资源可以进行共享，并且可以结合AI进行高级的资源分配和调控。云无线接入网采用通用计算平台搭载无线接入网络的功能软件方式实现资源池化共享和功能的按需部署，通过这种方式可以降低无线接入网的运营成本以及提高其灵活性。

随着通用硬件平台的发展以及云原生技术的发展，云无线接入网已经无法满足6G智能ISAC的需求，全方位深度融合服务化是未来的发展趋势之一。本文提出的面向6G的智能ISAC分布式架构从技术层面来讲涉及ISAC、边缘计算以及AI。这三类技术涉及的应用和内容若将其按照传统方式进行部署，那么随着网络复杂度的提升其网络维护的成本是相当巨大的。元宇宙动态发展和变化，承载着元宇宙的网络架构也会进行逐步演进和变化，该变化对于传统部署方式将带来无法想象的压力。因此将高内聚、低耦合服务的定义完成之后，采用通用硬件设备平台搭载不同功能的软件实现ISAC分布式架构的搭建可以实现控制层面与用户层面的分离，在响应外部变化的同时可以快速做到灵活调整和部署，更重要的是将进一步实现从网络架构层面原生AI。AI通过大量学习以及模拟仿真可以实现某种不可解释性的系统性能提升，但是由于传统的硬件部署集成度较高，对于其改变网络系统架构是非常困难的。随着分布式ISAC高度融合服务化，将各种网络功能和应用功能转化为各种服务软件，并部署到通用硬件设备上，AI不仅可以完成现在大量研究所涉及的资源分配，更重要的是可以真正提供网络架构动态调整的方案。

在图3中，ISAC场景下终端设备、服务器与基站、云端超级计算机以及网络中的各种设备都可以直接抽象成为节点，每个节点都是由通用硬件设备平台搭载的应用软件来完成各种服务的运行。每个应用软件就是独立的容器，采用容器技术，将各个功能进行解耦创建为容器，可以进行独立部署、独立扩容以及独立自修复。在服务的另一侧AI全方位管控服务化，从服务化的定义到控制容器编排集群进行容器的创建和分发，最终将容器部署到所需要的通用硬件平台完成ISAC深度融合服务化，最终形成灵活可扩展和维护的通-感-算-控和云-边-端一体化的全方位ISAC。

图3 ISAC深度融合服务化架构

6 结论

未来，ISAC将结合边缘计算和AI，构建面向6G的智能ISAC分布式网络架构，形成通-感-算-控和云-边-端的模式。在提出智能分布式架构中，物理层中的干扰消除、波束赋形、帧结构的设计以及信息超材料方面探索都将是实现ISAC走向成熟的关键部分，同时持续挖掘AI在边缘侧和系统级的资源分配和网络智能管控能力，从而充分利用有限资源和合理的任务调度实现系统高效可靠的运行。为了实现原生AI对于网络的调控，提出ISAC深度融合服务化的解决方案，全方位实现6G网络下分布式ISAC网络的动态调控。