通信感知一体化在车联网领域的关键技术与应用
【导读】本文从车联网的演进出发，分析安全辅助驾驶和自动驾驶对环境感知的需求，并论证了通感一体化技术在提供环境感知方面的优势。通过典型用例分析，本文提出了车联网应用对通感一体化的要求和技术挑战。对应这些技术挑战，本文还阐述了波形、端管协同、Sidelink 增强、扩展目标的融合成像、微多普勒检测等通感一体化关键技术。
通信感知一体化（简称“通感一体化”）是无线通信系统新的基础特性之一，而支持安全辅助驾驶和自动驾驶的车联网服务是通感一体化技术的一个重要应用场景。
本文从车联网的演进出发，分析安全辅助驾驶和自动驾驶对环境感知的需求，并论证了通感一体化技术在提供环境感知方面的优势。通过典型用例分析，本文提出了车联网应用对通感一体化的要求和技术挑战。对应这些技术挑战，本文还阐述了波形、端管协同、Sidelink 增强、扩展目标的融合成像、微多普勒检测等通感一体化关键技术。
1 引言
“无线感知”是无线电波的自然属性，利用无线电波的发送与接收感知物理世界，逐渐成为无线通信系统新的基础特性之一 [1]。网络感知能力将使无线通信系统演变为通信感知一体化系统，把基站、终端，甚至整个网络变成传感器，使能探测、定位、识别、成像与制图等功能，为智慧交通、智慧工厂、智慧医疗、环境监测等领域提供增强的解决方案。
近年来学术界和工业界对通感一体化在垂直行业的应用展开了众多研究和探索，其中在车联网领域的应用成为重点研究方向之一。3GPP SA1 [2] 定义和描述了一系列通感一体化相关的用例，有超过 7 成用例与车联网场景相关。
尽管通感一体化在车联网场景有广泛的研究基础，并已经取得了一定的研究成果，但当前汽车行业自身正在发生以智能化和电动化为重要标志的历史性变革，车辆操作自动化不断升级、人车交互界面数字化不断深化。
因此，面向车联网的通感一体化，需要把握车联网演进的关键趋势，寻找通感一体化的关键价值场景，并基于关键趋势和价值场景，进行关键技术和应用研究。本文结合车联网演进的关键趋势（第 2 节），介绍通感一体化的价值场景（第 3 节），分析通感一体化在车联网场景的应用需求和关键挑战（第 4 节），并给出车联网领域通感一体化的若干关键技术（第 5 节），最后总结并展望通感一体化在车联网领域的未来发展。
2 车联网演进趋势
延续百年的汽车产业格局正在发生历史性的变革，而智能化和电动化是这次技术革命的两大标签。
其中，汽车的智能化主要体现在车辆控制系统和人机交互界面的数字化，以及车辆操作的自动化上。汽车智能化的最终目标是提升汽车乘客的舒适度和安全性，而自动驾驶作为关键使能技术，将真正点燃这次汽车产业的技术变革。
当前成熟的自动驾驶还停留在 L2 和 L3 阶段 [3]，即仍然需要驾驶者最终控制汽车。ADAS 系统（AdvancedDriver-Assistance System）可以为驾驶者提供自适应巡 航（Adaptive Cruise Control）， 车 道 对 齐（LaneCentering） 和 低 速 / 堵 车 情 况 下 的 代 驾（Traffic JamChauffeur）等辅助功能。
驾驶者需要时刻保持注意力，以便在复杂或者突发情况下随时接管车辆的控制权。真正意义上的自动驾驶是 L4 及以上自动驾驶能力，乘客将完全从驾驶任务上解放出来，得到完全的舒适和安全体验。
预计到 2025 年，全球 15% 的车辆将具备 L3 自动驾驶功能，但 L4 及以上自动驾驶功能的仅为 5% 左右 [4]。2030 年，全球 L4 及以上级别的自动驾驶车辆可能增长到10%。
从行业来看，谷歌旗下的 Waymo 宣布已经可以实现 L4 自动驾驶，但暂未量产。
奔驰在其 2030 愿景中重点提到了 L4 和 L5 自动驾驶将是未来城市交通方案的主要部分 [5]。
大众将在 2026 年推出 L4 自动驾驶车辆 [6]。
现代汽车到 2026 年所有主流车型都将配备 Automode 自动驾驶技术，支持 L4 自动驾驶 [7]。
百度 Apollo RT6 于 2023年在萝卜快跑上投入使用，已经在北京、武汉、重庆和深圳的试点区开始 L4 全无人自动驾驶的运营，并预计 2026–2028 年左右量产 [8]。
图 1 全球各等级自动驾驶渗透率预估（2025–2040）
目前阻碍 L4 以上自动驾驶最终量产和大规模应用的主要原因是公众对自动驾驶的可靠性和安全性的严苛要求。现有的 L4 自动驾驶技术已经有了百万英里级的安全行驶纪录 [9]，复杂环境下的处理能力和应对事故能力远超过人类 [10]。
然而，由于公众理念对自动驾驶和 AI 的谨慎态度，自动驾驶需要达到几乎零失误零事故才能为大众完全接受。自动驾驶的准确判断主要依赖于系统在设计运行域（Operational Design Domain，ODD）中对环境的感知能力。
ODD 定义了为驾驶自动化系统专门设计的特定运行条件，例如环境、地理和时间的限制，或可利用的交通或道路特征。
至今为止，自动驾驶造成的严重事故都是由于当时的驾驶环境超出了 ODD 的覆盖范围，导致自动驾驶系统对环境感知不足而做出的错误判断引起的 [11]。
为了保障自动驾驶在各种环境下的安全性，ODD 的覆盖范围需要趋近无限，这对基于单车的感知方案提出严峻挑战。单车感知面临的主要挑战包括：
? 静态环境检测能力 / 准确度：例如，车道和交通规则（包括交通信号灯）的关系、修路 / 交通管制导致的车道更改等特殊情况。
? 感知长尾场景问题：受限车载感知器件的部署位置导致的非视距感知受限。
这些挑战受限于单车的硬件能力、成本和客观视角的限制，很难用技术方案解决。因此，只依靠单车感知难以实现高级自动驾驶所需的趋近无限 ODD 要求。
实际环境中，即使是 L4 以下的辅助驾驶系统，也强烈依赖于其对周边环境的感知能力，在恶劣天气、视距死角等困难场景下，如果辅助驾驶系统不能得到有效准确的环境感知信息，无法对可能的危险情况做出及时的预警或处理，同样会降低辅助驾驶系统的安全性，或者造成辅助驾驶系统完全失效（见表 1）。
表 1 不同等级的感知和决策
3 通感一体化的价值场景
本节分析在车载感知的基础上融合路侧感知的必要性和价值（第 3.1 节），以及通感一体化相较其他路侧感知方案的增益和优势（第 3.2 节）。
3.1 路侧感知的必要价值
当前，汽车对周边环境的感知在很大程度上依赖于各种车载传感器，主要包括毫米波无线测距设备、激光测距设备和摄像头。这些传感器可以探测物体、测量距离和相对速度。
不同类型的传感器被安装在车辆的不同部位，以便充分感知周围环境并支持各种驾驶辅助功能。通常，安装在车辆前部的长距离无线测距设备可在约 250 米覆盖范围内探测前车的距离和速度，以实现自适应巡航控制。
同样，具有更宽视野的短程前无线测距设备为紧急制动提供支持。不同的传感器技术各有优缺点。例如，毫米波无线测距设备可以在某些极端天气条件下工作，激光测距设备和摄像头则不能。
同样，摄像头可以进行基于图像的探测，而其他技术则不能。由于没有一种单一的传感器技术能够支持全天候和全场景，因此融合来自不同传感器的信息对于车辆可靠感知周围环境至关重要 [12]。
图 2 L4/L5 车载传感器部署方案
随着车载通信系统（Vehicle to Everything，V2X）的应用，ADAS 的无线通信能力得到增强。在车上集成通信功能可视为传感器系统的扩展。车辆间通过互通信息，可以获得其自身传感器无法感知的环境信息，并通过车辆间的合作实现安全高效的驾驶。
这不仅拓展了自动驾驶车辆的远距离感知能力，而且使能车间感知信息融合，使其能够在全天候情况下以高分辨率无死角探测和识别物体，实现自动驾驶车辆的能力提升。
此外，有了通信功能的辅助，基于路侧设备的感知信息也能够被下传到车上。路侧环境感知的主要优势包括：
? 部署位置优势：路侧感知架设位置高，并有俯视视角
－ 路侧感知：增加垂直维度的感知角度，补充车侧非视距感知范围。
－ 路侧摄像头：可针对性布设遮挡防护，暴雨等极端天气对路侧摄像头的识别干扰几乎为零。
? 器件尺寸优势：
－ 路侧感知：大尺寸天面（更多阵子），方位角和俯仰角的角度分辨率更高。
－ 路侧摄像头：多种大尺寸摄像头，具备不同焦距（从广角到长焦等不同焦段）和曝光能力（超低曝光时间），图像合成可实现零畸变。
图 3 网络提供全域高可靠的环境信息
3.2 通感一体化的优势
按照传统方法，在车辆中集成基于车载传感器和 V2X通信的感知系统会导致两个独立的子系统。这种互不关联的系统会影响多个方面，如功耗、传感器占用的空间、感知系统的总重量、所需天线的数量和车内布线要求等。
随着传感器 / 通信设备数量的不断增加，车上有限的安装空间给车辆的内部设计带来了巨大的挑战。此外，独立的车载无线测距设备和 V2X 通信还需要解决频谱干扰问题，包括无线测距设备之间的干扰，以及无线测距设备与通信之间的干扰。
特别是无线测距设备之间的干扰，是当前车载无线测距设备面临的一个棘手问题。如果相邻车辆的多个同频无线测距设备同时工作，它们的视场可能会重叠导致干扰，从而影响整体探测性能。
此外，从频谱利用的角度来看，感知和通信两个独立的系统对频谱的需求是双倍的。因此，将通信和感知集成到一个系统中，实现通感一体，就成了必然的技术方向。
从系统的角度来看，这意味着从频谱复用和部分硬件重用，到联合信号处理和统一协议栈等多个方面的集成，在不同层次上实现一体化，从松散耦合到紧密集成。通感一体化系统可同时传输数据和感知环境，从而带来多种潜在优势。
这些优势涉及多个方面，如硬件尺寸、所需天线数量、成本、延迟、频谱和能效等。此外，紧密集成的系统设计可以减少通信和传感系统之间的隔离，这为实现两种功能之间的高效信息和资源共享提供了可能。
此外，由于通信系统自带多用户资源管理和干扰管理机制，当多个通感一体化同时工作时，类似无线测距设备的干扰问题也可以得到有效的解决。同时，通感一体化中获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预测和管理、阻塞预测、信道状态信息（Channel State Information，CSI）压缩、自适应传输等方面。
图 4 通感一体化示意图
4 通感一体化在车联网中的应用
从上文的介绍可知，基于网络的感知机制可加强系统对环境的感知的能力。例如，由于车辆上安装传感器的位置和视野有限，网络感知可以补充传统传感器视野以外部分的覆盖范围，而提供额外的感知信息，特别是用于覆盖交叉口等复杂道路场景中的感知盲点等。
基于网络的感知功能可更好地感知与道路 / 高速公路状况相关的信息，包括移动物体（如车辆、动物和行人）、交通密度、人群等。
4.1 场景和用例分析
3GPP定义和描述了一组与通感一体化相关的用例 [2]，有相当一部分与车辆场景相关，其中考虑以下几种实现方案：
? 基站和终端设备上集成通信和感知功能
? 移动网络协调多个终端设备和网络实体之间的感知信息交互
? 基站和终端设备的感知结果作为环境感知的额外输入
表 2 3GPP SA1 中部分 V2X 用例
表2中是部分用例的描述。从这些用例的功能要求来看，网络中的通感一体化需要提供以下的机制：
? 选择和配置执行传感功能的基站和终端设备
? 在无线接入网（Radio Access Network，RAN）和核心网（Core Network，CN）之间共享传感信息
? 授权网络节点执行传感功能
? 将网络中的传感信息提供给第三方服务提供商
? 实现基于网络的感知服务收费
对于通感一体化的性能要求很大程度上取决于不同用例的服务目标。车联网相关的用例中，感知的环境和对象主要在室外，不同用例中性能要求的差异点则主要在位置和速度测量的准确性、范围、可信度和延迟、刷新率等方面。
高速公路上行人/动物入侵检测：考虑到高速公路的宽度和长度，基于基站的感知需要在较远距离外有效的识别行人和动物。由于车辆的运动速度通常很高，导致场景高度动态化，因此对感知的刷新率和精度提出了更高的要求。3GPP 定义了以下需求 [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：交叉路口的车辆密度会影响感知的性能需求。例如，在高峰时段，除了高感知精度和刷新率外，高密度的人流和车流还需要更高的感知分辨率。对于漏检率和虚检率的要求也会根据人流车流的密度而变化。3GPP 定义了以下需求 [2]：
? 定位精度（水平）：小于 1 米
? 刷新率：小于 0.1 秒
? 漏检率：小于 5%
? 误报率：小于 5%
传感辅助汽车操控和导航：该场景需要协调来自多个车载终端的感知相关信息，并提供给车辆用于操控和导航。由于行驶中车辆间距可能很小，所以感知信息必须保证高精度和高刷新率。
此外，由于感知相关信息来自多个车载终端，确保这些感知信息的低延迟同步也非常重要。
用于 ADAS 的车辆感知：汽车上的 ADAS 系统由长距离和短距离传感器组成，通感一体化技术将对车上原有传感器提供补充或者替代。
此外，考虑到 ADAS 系统对安全的要求，该场景对通感结果的误差率和误差幅度有严格的要求。3GPP 定义了以下需求 [2]：
? 定位精度（水平）：长距离（250 到 300 米）小于 40厘米，短距离（30 到 100 米）小于 10 厘米
? 刷新率：长距离小于 0.2 秒，短距离小于 0.05 秒
? 误报率：小于 1%
4.2 关键诉求和挑战
为实现上述的用例，有若干技术挑战需要解决。首先，由于车联网场景中的感知对象种类众多，包括各种车辆、人、动物和临时障碍物体（如道路工程中使用的路障），因此感知环境过程中除了定位之外，还需要识别不同类型的感知对象。
其次，并不是感知对象都有无线通信能力，因此通感一体化技术需要同时对有通信能力的主动目标（如配有 V2X能力的车辆）和没有通信能力的被动目标（行人、动物等）进行感知。
此外，感知对象的移动性也对通感一体化提出了额外的要求。例如，在多辆车协调操控的使用案例中，感知功能需要持续跟踪附近的多辆车和物体，而不是一次性检测一个瞬间事件。
由于单个感知设备的感知范围有限，在涉及高流动性的场景中提供连续感知服务需要部署多个感知信号发射器和接收器。当这些发射器和接收器位于不同的网络节点时，（例如在双向传感场景中），则有必要对其进行协调并进行测量结果融合，以避免或尽量减少漏检事件。
通感一体化技术有望增强V2X用例中的环境感知能力，但无线测距设备等传统传感器仍将（至少在一段时间内）被保留。这可能导致无线测距设备和蜂窝系统共存于同一频段或相邻频段（例如 77 GHz）。在这种情况下，传输数据的车辆可能会对无线测距设备接收器造成干扰。
同样，无线测距设备发射信号也可能对车辆或基站造成干扰。这就要求在频谱共享、波形、资源分配和人工智能方法等方面提供技术解决方案，以有效处理集成系统中的干扰。
5 适用于车联网的通感一体化关键技术
由业务需求和应用场景催生的通感一体化方案显示出巨大的潜力，但仍面临不少技术挑战。本节针对车联场景，列举和分析几项通感一体化关键技术。
5.1 通感一体化的基本方案
通感一体化旨在通信系统中赋能感知，以实现网络资源共享，频谱共享以及处理能力共享。具体到实现方式，通感一体化的融合可以体现在以下三个不同的层面：
? 业务级融合：感知和通信由不同硬件实现，运行在各自频段。两个系统在应用层进行交互，达到相互促进共赢的效果。例如基站可通过感知模块，获取环境信息从而进行更有效的波束预测及管理。感知设备可通过通信单元进行站间协调从而实现干扰管理。
? 频谱级融合：感知和通信两功能模块运行于同一系统，可通过时分、频分或空分的方式实现频谱资源共享。两功能模块亦可通过共享部分硬件资源，降低硬件及实现开销。
? 全融合：单一系统同时支持两大功能，共用空口技术及频谱资源。全融合场景下，系统可根据业务需求和相应的性能指标对资源调度甚至空口设计进行动态优化，实现网络资源效率最大化。
5.2 通感一体化波形
业界对通感一体化波形有大量研究，从性能考虑，本 文 仅 介 绍 其 中 的 四 种 波 形：OFDM（OrthogonalFrequency Division Multiplexing）、OFDM-Chirp、OCDM（Orthogonal Chirp Division Multiplexing）以及OTFS（Orthogonal Time Frequency Space）。
OFDM-Chirp 的感知性能在这几种波形中较为优秀，但瑞利信道下通信性能和 OFDM 相比有一定损失。OFDM是目前主流的通信多载波调制技术之一，其积分旁瓣比和峰值旁瓣比在不同参数下略低于 LFM，目前学术界也在积极探索 OFDM 的感知性能提升方法。
OFDM-Chirp 波形，其基本原理是将 Chirp 信号分别调制到不同的子载波组上，由于 OFDM 信号子载波之间是正交的，不同的子载波组上的信号自然满足正交性。时域产生的 OFDM-Chirp 信号模型 [13] 为：
式 中：t (0 ≤ t ≤ T) 为 信 号 的 时 间 采 样；u(t)=1,( 0 ≤ t ≤ T) 为矩形窗函数；fn 和 kn 分别为信号 s(t) 的第 n个子载波的起始频率和斜率。
OFDM-Chirp 系统的多载波特性，可解决 LFM 单载波信号传输速率过低的问题。考虑对现有系统兼容性，实现复杂度情况下，OFDM-Chirp 是较为有潜力的通感一体化波形，其感知性能在这几种多载波中较为优秀。
在相同参数下，OFDM-Chirp 与 OFDM 信号的距离和速度分辨率相同。在高斯信道下，不同信噪比的误码率如图 5 所示，在不同信噪比下，性能并无较大差别。
由于OFDM-Chirp 信号由 OFDM 信号通过 LFM 扩频得到，故其信号模型将与 OFDM 信号模型有很多相似性。通过分析OFDM-Chirp 和 OFDM 信号的 PAPR 曲 线 可 知，OFDMChirp 一体化信号的峰均比性能与 OFDM 信号几乎相同。
图 5 OFDM 波形与 OFDM-Chirp 波形性能对比
OCDM 的基本原理是通过在相同带宽中利用菲涅尔变换形成一组正交的线性 Chirp 信号，并将通信信息调制到这一组 Chirp 信号的幅度和相位上 [14]，从而实现高效通信数据传输。
OCDM 信号为多个 Chirp 信号构成，因此对多普勒频移不敏感，在保护间隔长度不足的情况下，可有效对抗时间选择性衰落。
OCDM 信号与 OFDM 相比在发射端需要增加两个点乘矩阵，生成条件相比 OFDM 信号较为复杂，要真正实现商业化还存在一些技术难点，比如构造出优越的光地址码、设计制作高性能的光编/解码器、改善系统性能、增大系统容量及提高系统资源利用率等。
OTFS 调制可以看作是一种特殊的 OFDM 调制，在传统 OFDM 调制的输入输出端上分别添加一个预编码模块和后解码模块 [15]，OTFS信号调制解调过程如图 6 所示。
OTFS 调制的有效信道矩阵在时延多普勒域，此时矩阵中的元素大部分都为零，而非零值的元素位置与路径的时延和多普勒频移有关，因此只要估计信道中各条路径的时延和多普勒频移以及有效复增益即可，这样能够大大降低信道估计的复杂度。
由于 OTFS 调制使用矩形收发脉冲，输入输出关系不是直接的二维卷积运算，因此在接收端不能直接使用频率时间域的均衡算法，其他符号解调算法的复杂度都远远大于 OFDM 调制。
图 6 OTFS信号调制解调过程
5.3 端管协同分布式通感一体化
面向车联网场景，单车感知受限于5%的感知长尾场景，因此引入路侧的感知信息尤为重要。
而在融合车侧和路侧感知信息时，车辆的高移动性对分布式感知会带来如下挑战：例如，路侧和车侧对于车辆的位置和速度的不确定性，以及，路侧和车侧对于同一个物体感知到的物理特性不同，比如，由于感知视角不同，路侧感知到的物体是静止的，而车侧感知到的是运动的。
为解决这一挑战，可以考虑基于不确定性的车侧和路侧感知信息融合，即车辆将位置和移动性参数的不确定性作为未知变量代入目标检测问题中，形成目标和车侧未知参数的联合检测问题，然后通过优化算法，比如牛顿法或者模拟退火算法寻找最优解，从而提升目标检测的准确度。
如图 7 所示，不同车辆和路侧 RSU 或者 gNB 在进行联合感知时，由于高移动性，车辆自身估计的位置和实际位置是有偏差的，同时各感知源对于同一个物体的感知本身有感知误差，信息融合时误差可能会被放大。
为解决这个问题，各车辆可以将车辆的估计误差报给融合中心，构造优化问题，提升联合感知精度 [16]。
图 7 不确定性的端管协同感知
5.4 Sidelink 增强分布式通感一体化
面向车联场景，考虑到终端设备可能处于无蜂窝网覆盖的区域，各终端设备除了具备基本的 Uu 口上下行通信能力以外，更应该具备 PC5 接口（Sidelink）的通信能力。多个终端通过 PC5 接口通信构成了一个分布式网络，以提升车辆的通信和感知能力。
然而现有分布式侧行传输空口技术的设计只考虑了极致的通信能力，并未考虑感知能力，因此如何在 PC5 接口上在不影响通信性能的情况下使能高性能 Sidelink 感知能力就成了最重要的技术挑战。
一种应对方式是对 Sidelink 的帧结构进行增强设计。考虑到分布式场景下，各终端相对位置都不固定，为了保障可靠的信息传输，现有的 Sidelink 帧结构中引入了 AGC 符号，如图8所示。
在真实数据传输之前，需要做自动增益控制，而一般AGC符号的具体内容采用的复制第二个符号的信息，所以第一个 AGC 符号不具备传输有效信息的作用，所以该符号也给 Sidelink 构造感知能力提供了空间。
图 8 New Radio (NR) Sidelink 帧结构设计
一种直接的方法是，将 AGC 符号使用感知序列进行填充，但当前 AGC 符号占用的频域带宽可以很小，而感知的距离分辨率和信号带宽强耦合。
为了使能更高的感知精度，考虑构造宽带的 AGC 序列，即 AGC 符号在频域资源上占据尽可能宽的带宽，如图 9 所示，AGC 符号可以在时域切成两部分，前一部分用于发送宽带的感知序列，后一部分用于接收感知回波信号。
但当 AGC 在频域上占用较大带宽时，多个终端设备都会在该带宽上发送感知序列，各序列会叠加，造成互相干扰，针对该问题，可以将不同终端发送的感知序列构造成正交宽带序列，比如使用终端的 ID 对序列进行加扰，当终端收到序列的回波时，滤除掉其他终端的干扰信号，接收感知回波，从而保障在不影响通信性能的前提下，使能感知能力。
图 9 宽带 AGC 感知信号设计
5.5 面向扩展目标检测的融合成像
通感一体化旨在为各种车联网应用提供关键目标物体的检测、定位和分类能力。这些目标物体包括车辆、行人 /非机动车 / 两轮摩托车（Vulnerable Road User，VRU）以及其他固定和移动障碍物。
传统的 5G NR 定位方案只针对能发送或接收 5G NR 信号的有源物体进行定位，相比之下，下一代感知技术可通过解析传输环境反射的无线信号，对无源物体进行检测、定位、识别。
车联网应用中感知能力面临的挑战之一是很多感知目标是体积庞大的车辆，其外部表面通常延展数米，如车头、车尾和车身侧面。因此，感知目标不仅在单一位置形成单个反射，而是可以产生相隔数米的多个反射。这样的目标通常被称为扩展目标。
因此，通过对扩展目标产生的多个反射、散射信号进行观测，不仅可以估计目标的位置、状态，也可以推断目标的形状和轮廓，即成像。当分布式基站以不同视角对此目标进行观测时，各基站对车辆的不同位置形成估计值。
这些估计值与目标车辆特定侧面（或部分）相对应作为一组与特定基站相关的散射点集。由于每个基站看到的散射点都不同，可能相距数米，因此需要以下步骤进行数据关联、聚类和定位：
(a)不同基站通过对不同散射点的观测，估计多散射点的位置。这些位置估计需要与同一物体（在本例中为车辆）相关联，以形成该物体对应的散射点集合。这通常称为聚类（Clustering）。
图 10 扩展目标检测示意图
(b) 得到扩展目标的散射点集合后（通常形成物体外部形状的轮廓），需要确定该目标的位置。通常情况下，定位参考中心可以是散射点集合的几何中心；或者当观测到的与目标表面对应的散射点集不完整导致几何中心不准时，也可使用其他参考点。
步骤 (a)和(b) 可以应用不同的扩展目标处理算法来完成。这些算法包括使用点散射集合的移动动态来执行目标关联和聚 [17, 18]，以及后处理与目标分类方案相结合 [19]。
需要指出的是，有源目标定位不存在上述扩展目标的问题，因为有源目标的发送和接收天线端口即是目标物体的定位参考点，其在物体上的位置是固定的。
此外，用于V2X 碰撞检测或自适应巡航控制的传统感知系统也不存在上述问题，因为它们只需在单一视角对目标物体或车辆的最凸出部分进行检测，以避免与该物体或车辆的该部分发生碰撞。
5.6 基于微多普勒检测的目标检测与识别
如 5.5 节所述，目标物体识别分类对于许多车联网应用至关重要，包括各种协调操控和保护 VRU 的安全应用。
目标物体识别分类可以通过多种不同方式实现。一种直接的方法是利用感知观测获得的点散射来确定物体的形状或轮廓（如 4.1 节所示的车辆），即成像。然而要获得这样的图像，系统需要从多视角对目标物体进行观测，并且具有较高的角度和深度分辨率，以获得对应目标物体各表面的多个点散射集。
另一种不需要物体完整图像的方法是基于感知信号的多普勒参数，特别是由物体内部组件微运动造成的多普勒分量。
例如，人行走时摆动的腿、汽车或自行车上旋转的轮子或无人机上高速旋转的叶片。这些由于物体内部组件的运动速度与物体整体的运动速度不同而造成的多普勒分量被称为微多普勒。图 11 为飞行无人机在多普勒范围剖面上的微多普勒示例 [20]。
图 11 测目标微多普勒示例
特定的目标物体（行人、车辆、自行车等）具有不同类型的内部运动，从而形成独特的多普勒特征。将该特征用于目标物体的识别和分类，既无需从多个角度对目标物体进行详细的高分辨率成像处理，又可达到更高准确率（>90%）的人物分类，实例可参见文献 [21]。基于微多普勒的目标识别分类可选择与较低分辨率的图像融合，以提高物体分类的可靠性。
6 总结与展望
可以预见，通感一体化技术将给车联网带来功能和性能的提升。为了达到这个目的，需要解决从空口到上层应用的多个领域中的关键技术问题，最终达到预期的感知和通信要求。
通感一体化的整体设计还需考虑到无线网络和车联网的复杂性，比如车载终端设备的移动性、可用频段（许可频段和非许可频段）、基站的部署、PC5 和 Uu 的协同架构等方面。
除了与技术相关的挑战外，通感一体化的一个关键成功因素与法规相关。通感一体化系统扩展了最初专门分配给感知或智能交通系统（Intelligent Transportation System，ITS）通信的频段和用于移动/V2N通信网络的许可频段的用途，在这些频段上同时实现通信和感知功能可能面临合规问题。
而且，一旦需要重新分配用于通信或感知的频谱，车载的通感一体化设备也需要升级，这会影响车载通感一体化设备的生命周期。
此外，由于无线测距设备传感是安全关键功能，因此通感一体化的解决方案需要满足汽车安全等级（Automotive Safety Integrity Level，ASIL）的要求。
同时，通感一体化系统需要支持不同厂商的网络和终端设备，使其能够无缝参与和集成到感知服务中。车联网的场景要求来自多个制造商的通感一体化设备能够相互协作，特别是在干扰管理方面。因此，不同通感实体的功能和接口的标准化对其未来的广泛部署至关重要。
免责声明：本文为转载文章，转载此文目的在于传递更多信息，版权归原作者所有。本文所用视频、图片、文字如涉及作品版权问题，请联系小编进行处理。
