简介：聚焦5G-A与6G通感一体化融合架构及关键技术，面向通信网络研究者、标准化与系统设计人员，提供系统性架构分析与关键技术参考。文档以5G-A阶段为切入点，在延续5G网络架构的基础上，面向广域与局域场景分别提出感知处理网元部署方式：广域场景可增强AMF等核心网网元感知功能或新增感知网元，无线侧可复用Uu口或增加感知接口；局域场景可下沉UPF等核心网网元，兼顾低时延与高可靠。针对6G，文档结合多频谱与算力网络特征，提出高低频联合部署架构，由低频基站负责广覆盖与初步感知，高频基站利用大带宽和波束资源实现精准定位与成像，同时提出基于算力网络的分级分层感知数据处理架构。关键技术部分重点探讨一体化波形设计、全双工技术等核心难点，并涵盖从现有OFDM改良到全新雷达融合波形的不同设计路径。压缩包含1个docx文档，141KB，内容集中、图表分析完整，已有830人浏览学习，适合技术调研、课题研究或标准预研参考。
1. 通感一体化为什么是6G绕不开的硬骨头
通感一体化融合架构及关键技术是6G研究里绕不开的硬骨头。传统的移动通信和雷达感知在很长一段时间里各自发展：通信系统追求频谱效率和连接密度，雷达系统追求探测距离和测距测速精度，谁也不觉得对方的需求和自己有关。到了6G，通信与感知要共用同一套频段、同一套天线、甚至同一个发射波形，这就带来一系列基础问题：发射信号既要被手机正常解调，又要能从反射回波里读懂周围环境，两类指标如何同时满足？融合架构应该分几层？工程中哪些参数决定系统能不能跑起来？这篇围绕融合架构设计和关键基带技术展开，适合正在做无线接入网、NTN或通感算一体预研的工程师。
2. 通感一体化融合架构：从硬件共享到通感算一体的分层模型
2.1 三种融合形态：独立共存、资源共享与波形级融合
通感一体化按字面理解很容易被当成单纯的天线共用，实际上工程上至少有三种融合程度完全不同的做法可选。第一种是独立共存：通信和感知各自独立发射接收，只共享站址、电源和回传，感知数据通过北向接口送给上层业务平台。这个方案改动量最小，但频谱要分成两份，天面和射频也要两套，硬件成本减不下来，6G对低成本低功耗的要求很难兑现。
第二种是资源共享：通信和感知共享天线阵列、射频通道和一部分基带能力，但在时域、频域或空域上做明确划分，比如一组时隙专门做感知、另一组时隙做通信。这是5G-A通感试验网里最常见的方案，改动集中在调度器和射频切换逻辑，风险可控。第三种是波形级融合：同一段时频资源、同一个OFDM或专用感知波形同时承载通信数据和感知回波，接收机要从强通信信号里分离出微弱的目标回波，自干扰消除和参考信号设计变成必备项。选型经验是：把资源共享作为切入方案，把波形级融合作为演进目标，避免一上来就把基带和调度的复杂度叠加在一起。
2.2 通感算一体的四层架构与接口边界
把融合从物理层提升到系统级，我习惯用四层来切。最底层是物理承载层，负责天线阵列、射频通道、OFDM调制解调和波形发射，感知回波和通信信号都在这一层变成基带数据。往上一层是融合处理层，完成两类看似相同但目的不同的估计：感知处理器从回波里估计目标距离、速度和角度，通信处理器从导频里估计CSI，两者还要做时间戳对齐和关联配对，判断感知到的目标是不是正在接入的终端。再往上是编排调度层，负责时频空功率四域资源的分配、感知任务优先级和通信QoS的协同，这一层是通感一体化真正区别于简单雷达加通信的地方。最顶层是应用场景层，把感知结果映射成业务，比如低空无人机监视、车路协同、室内人员感知。
这个分层最主要的价值是把不同团队的交付物隔离开：做射频的不需要关心感知算法怎么分辨两个目标，调度器只需要读标准化的任务描述。跨层接口如果定义得足够干净，物理层升级波形、应用层增加业务，都不需要动其他层的代码，这在做6G预研的系统仿真时尤其重要，因为每个方向都是独立团队在迭代。
2.3 用接口结构体固定架构边界
分层确定之后，跨层接口要用数据结构固定下来，否则做系统级仿真时调度器和信号处理代码会互相改乱。我一般会在工程代码里用dataclass定义三个最小契约：感知任务规格、通信流规格和资源预算。
# 通感一体化控制面接口的最小结构定义 from dataclasses import dataclass from enum import Enum, auto class SensTaskType(Enum): UAV_DETECT = auto() # 低空无人机探测 VEH_TRACK = auto() # 车路协同目标跟踪 INDOOR = auto() # 室内感知 @dataclass class SensTaskSpec: task_id: int task_type: SensTaskType max_range: float = 150.0 # 最大探测距离，单位 m range_res: float = 5.0 # 距离分辨率要求，单位 m update_rate: float = 10.0 # 感知更新频率，单位 Hz @dataclass class CommFlowSpec: flow_id: int latency_us: int = 1000 # 时延预算，单位 us rate_mbps: float = 100.0 # 目标速率，单位 Mbps @dataclass class ResourceBudget: bw_mhz: float = 100.0 # 系统总带宽，单位 MHz sens_power_ratio: float = 0.3 # 感知功率占比，0~1这段代码定义的是控制面接口，调度器只读取这些结构体做资源分配，不关心物理层用OFDM还是LFM。几个字段需要注意：max_range和range_res直接决定感知子帧需要占用多少时频资源，如果range_res要求从5米收紧到2米，带宽或积累时间就得大幅增加；update_rate决定一个调度周期内感知任务能不能跑完，10Hz更新在低速移动场景够用，高速目标要提到20Hz以上。实际项目中这个结构体由系统组统一定义，射频和算法组各自认领字段，避免跨组扯皮。
2.4 融合架构的演进路线与选型建议
不同融合程度适合不同阶段，直接对照看更清楚。
| 融合程度 | 频谱共享方式 | 硬件改动范围 | 感知性能 | 适用阶段 |
|---|---|---|---|---|
| 独立共存 | 不共享 | 站址、供电、回传 | 与通信链路无关 | 5G时代各做各的 |
| 资源共享 | 时域/频域划分 | 射频切换、调度器 | 中等，受资源比例限制 | 5G-A通感试点 |
| 波形级融合 | 同一时频资源 | 收发信机全链路 | 高，可连续感知 | 6G预研和标准化 |
独立共存的最大问题是频谱利用率低，感知分到的频段在通信忙时无法借调；资源共享的问题是感知是间歇的，探测帧之间有时间窗，跟踪高速目标容易断点；波形级融合带宽利用率最高，但接收机设计最难，通信信号对感知回波的自干扰可能高出回波70dB以上，数字自干扰消除和模拟对消缺一不可。现在大多数团队都卡在第二和第三个形态之间，核心矛盾往往不是算法，而是调度器是否真的把感知任务当成一等公民来排优先级。
3. 关键技术落地：波形选择、回波分离与感知参数设计
3.1 波形复用：OFDM与LFM的取舍
通感一体化的第一个选择是波形。通信侧OFDM是绝对主流，感知侧毫米波雷达用的多是FMCW，即LFM的一种，两边都有成熟产业链，但直接组合要么浪费频谱要么增加干扰。实际项目里我看到的做法有三类：复用现有OFDM，在频域用接收到的参考信号做相关处理，提取时延和多普勒；在OFDM帧里插入专用感知导频，感知精度比纯复用高；单独设计双功能波形，比如LFM叠加数据调制，但复杂度最高。选择的关键维度是感知精度和通信兼容性。
| 波形方案 | 通信兼容性 | 距离分辨率 | 接收机复杂度 | 典型用途 |
|---|---|---|---|---|
| OFDM复用 | 高，改动小 | 受子载波带宽限制 | 低 | 现有基站升级感知 |
| OFDM + 感知导频 | 中高，需新参考信号 | 取决于导频带宽 | 中 | 5G-A通感试点 |
| LFM/FMCW双模 | 低，需双模式切换 | 高，带宽利用率好 | 高 | 6G专用感知节点 |
OFDM做感知的另一个好处是可以直接复用通信接收链路，接收到的回波和上行数据一样经过FFT和解映射，只是多一步频域匹配滤波。缺点是纯OFDM的距离分辨率受限于整体带宽，子载波间隔的选择又和最大无模糊时延互相矛盾，这个约束在下一章会具体展开。
3.2 回波分离与测距的最小实现
波形选好之后，感知处理链路的第一个模块是回波分离，第二个模块是参数估计。为了把原理讲清，我用一个最小可运行的LFM测距脚本演示，工程上的收敛算法再复杂，本质还是匹配滤波找峰值。
import numpy as np # 通感一体化感知链路的最小实现：LFM 发射、回波接收、匹配滤波测距 fs = 20e6 # 采样率 20 MHz T = 20e-6 # 脉冲宽度 20 us B = 5e6 # 带宽 5 MHz N = int(T * fs) # 单脉冲采样点数 t = np.arange(N) / fs s_tx = np.exp(1j * np.pi * B / T * t ** 2) # 发射端 LFM 信号 R_true = 120.0 # 目标真实距离 120 m tau = int(2 * R_true / 3e8 * fs) # 双程时延对应的采样点数 s_rx = np.zeros(N, dtype=complex) s_rx[tau:] = s_tx[:N - tau] # 回波等于发射信号的时延副本 noise = 0.2 * (np.random.randn(N) + 1j * np.random.randn(N)) s_rx += noise s_ref = np.conj(s_tx[::-1]) # 匹配滤波参考：发射信号翻转取共轭 y = np.convolve(s_rx, s_ref) # 卷积实现相关峰检测 peak_idx = np.argmax(np.abs(y)) R_est = (peak_idx - (N - 1)) / fs * 3e8 / 2 # 峰值位置换算距离 print(f"真实距离 {R_true:.1f} m，估计距离 {R_est:.1f} m")这段代码的逻辑是：发射一个带宽5MHz、脉宽20微秒的LFM脉冲，目标回波只是发射信号延迟了tau个采样点，匹配滤波后相关峰的位置就是时延，再乘光速除以2得到距离。参数上最关键的是fs=20e6和B=5e6，采样率决定了时延量化误差，这里的距离量化步长是c/(2fs)=7.5米，真实距离120米估计出来可能落在112.5或127.5，这是采样量化层的固有误差，工程上可以用插值或更高采样率细化。带宽B决定距离分辨率，ΔR=c/(2B)=30米，两个目标相距30米以内在这个配置下无法区分，想要1米分辨率带宽至少要150MHz。
3.3 测速测角与感知分辨率参数表
测距只是第一项指标。目标速度来自多普勒频移，在OFDM系统里可以通过两个相邻OFDM符号的相位差估计，也可以用脉冲多普勒FFT一次算出全部速度单元；测角则用阵列流形做波束扫描或子空间类算法。工程上不是每个指标都要用最先进的算法，先把雷达方程和系统参数对应关系摸清楚，能省大量排错时间。
| 感知指标 | 决定它的系统参数 | 典型关系 |
|---|---|---|
| 距离分辨率 | 信号带宽 B | ΔR ≈ c/(2B) |
| 最大无模糊距离 | 符号周期/子载波间隔 | Rmax ≈ c/(2Δf) |
| 速度分辨率 | 相干积累时长 T | Δv ≈ λ/(2T) |
| 最大无模糊速度 | 感知帧周期 Tf | vmax ≈ λ/(4Tf) |
这张表的实用点在于它能快速暴露矛盾。加大带宽可以提升距离分辨率，但会让射频和ADC成本上升；缩小感知帧周期可以扩大无模糊速度，但会让感知抢占更多通信资源。通感一体化的参数设计根本不是找最优波形，而是在这张表的约束下找可用的折中区间。毫米波频段40GHz以上时波长λ只有7.5mm，同样的速度对应多普勒频率剧烈变大，这是感知性能最容易出现惊喜和惊吓的地方。
4. 资源复用与一体化性能的仿真验证
4.1 时频空功率四域资源的复用方式对比
融合架构落地到调度器，核心问题是感知和通信怎么分资源。四域里最容易做的是频域划分：一部分子载波归通信、一部分归感知，互不干扰，但感知能用的带宽被固定分割，距离分辨率上不去。时域划分是5G-A试点的主流，按子帧轮换，实现简单，代价是雷达目标在通信时隙里完全无法探测，跟踪出现盲区。空域划分用不同的波束方向同时做通信和感知，适合站点有大规模天线阵列的场景，但波束之间要有足够的隔离度才能共用时频资源。功率域划分最灵活但难度最高，它让通信和感知信号完全重叠发射，靠接收端的自干扰消除和功率分配来平衡两类性能。
| 复用方式 | 感知连续性 | 通信速率影响 | 实现复杂度 | 典型约束 |
|---|---|---|---|---|
| 频域划分 | 连续 | 带宽被占用 | 低 | 感知带宽不足 |
| 时域划分 | 有盲区 | 时隙被占用 | 低 | 高速目标跟踪掉点 |
| 空域划分 | 连续 | 需波束隔离 | 中高 | 阵列规模要求高 |
| 功率域划分 | 连续 | 有效SNR下降 | 高 | 自干扰消除能力 |
实际系统的通感一体调度器通常不会只选一种，而是按目标场景混合使用：低速移动目标用频域划分加稀疏感知帧，高速目标临时切到时域连续探测模式，优先级由上层应用决定。调度粒度上我习惯以slot为单位而不是symbol级别，粒度太细会导致控制信令开销反而吃掉一体化增益。
4.2 功率域分配的帕累托边界仿真
功率域划分是唯一能同时保证感知连续性和通信覆盖的方案，代价是两类性能的折中。折中关系不是拍脑袋定的，可以用一条帕累托边界描述。下面这个脚本模拟一个100MHz带宽系统在不同感知功率占比下的通信速率和感知SNR。
import numpy as np # 通感一体化功率分配的帕累托边界计算 bw = 100e6 # 系统带宽 100 MHz pt = 1.0 # 归一化总发射功率 h2 = 1e-12 # 通信链路信道增益（路径损耗+收发增益） n0 = 1e-20 # 通信接收噪声功率谱密度 g2 = 1e-11 # 感知回波等效增益（目标RCS+双程损耗） n_s = 1e-14 # 感知接收机噪声功率 print("感知功率占比 | 通信速率(Mbps) | 感知SNR(dB)") for alpha in np.linspace(0.05, 1.0, 10): rate = bw * np.log2(1 + (1 - alpha) * pt * h2 / (bw * n0)) / 1e6 snr_db = 10 * np.log10(alpha * pt * g2 / n_s) print(f"{alpha:6.1%} | {rate:10.2f} | {snr_db:8.2f}")脚本的输出是一条向右下倾斜的曲线：感知功率占比从5%提升到100%，感知SNR从17dB升到30dB，通信速率从96Mbps掉到0。这里面的alpha是调度器的实际调度变量，取值不应该由算法工程师拍脑袋，而是由业务侧给定感知SNR门限反推。比如低空无人机探测要求感知SNR不低于20dB，查到对应的alpha大约0.2，接下来调度器只要保证总功率里至少20%分给感知即可，其余功率全部给通信。公式里h2=1e-12和g2=1e-11分别代表两类链路的差异，感知回波经历双程损耗，但目标散射截面在近距离时增益反而可以很大，实际项目要拿链路预算表替换这两个值。
4.3 仿真与原型验证中常见的四个坑
仿真跑通不代表外场能工作，下面四个问题是我在通感一体化验证里见过最多的。
第一个坑是循环前缀不够长。OFDM复用感知时，远距离目标回波的时延会超过CP长度，导致子载波间干扰，感知结果出现假峰。验证方法是把目标放在最大探测距离边界，观察距离-多普勒谱的底噪抬高程度。
第二个坑是子载波间隔和最大无模糊距离互相锁死。子载波间隔30kHz对应符号周期33.3微秒，最大无模糊距离约5公里，看起来够用；但真正制约探测距离的是回波信号强度，不是模糊距离。很多人把这两个概念混在一起，导致带宽选择错误。
第三个坑是相位噪声。毫米波频段共用本振时，相位噪声会同时污染通信星座图和感知回波，通信侧可以用导频补偿，感知侧的补偿要额外设计，否则测速误差明显偏大。
第四个坑是同步偏差。回波和通信信号共用同一个帧结构，但回波传播的双程时延造成到达时间偏差，接收机如果按通信同步点截取数据，感知处理的参考窗口就偏了。工程上至少要做粗同步后再拉一个感知专用搜索窗。
提示：上述四个坑都是参数选得看起来合理、跑到室外才暴露的类型，建议在仿真阶段就把最差情形做成回归用例，而不是只验证本征信道。
5. 进阶：通感一体化中感知辅助通信闭环的工程技巧
5.1 用卡尔曼滤波把感知轨迹变成波束预测
感知辅助通信闭环的第一种落地形态是波束预测。传统波束管理要周期扫描几十个候选波束，开销高而且响应慢；感知系统既然已经跟踪到了目标，直接把下一帧位置换算成到达角，调度器只在这个角度附近放一到两个窄波束即可。但感知输出直接进调度器会有抖动，帧间隔内位置变化也没有模型，我习惯在感知侧和调度器之间加一个匀速模型卡尔曼滤波器。
import numpy as np # 匀速模型卡尔曼滤波器，平滑感知轨迹并外推下一帧 class ISACTracker: def __init__(self, dt=0.04): self.dt = dt self.F = np.array([[1.0, dt], [0.0, 1.0]]) # 匀速运动模型 self.H = np.array([[1.0, 0.0]]) # 观测位置 self.R = np.array([[1.0]]) # 测距噪声方差 self.Q = np.array([[0.1, 0.0], [0.0, 0.1]]) # 过程噪声 self.x = None self.P = np.eye(2) * 10.0 def step(self, z): # z 是当前帧感知输出的目标位置 if self.x is None: self.x = np.array([z, 0.0]) return self.x[0], np.copy(self.P) x_pred = self.F @ self.x P_pred = self.F @ self.P @ self.F.T + self.Q S = self.H @ P_pred @ self.H.T + self.R K = P_pred @ self.H.T / S[0, 0] innov = z - float(self.H @ x_pred) self.x = x_pred + K[:, 0] * innov self.P = (np.eye(2) - np.outer(K[:, 0], self.H[0, :])) @ P_pred return self.x[0], np.copy(self.P)这段代码实现的是标准匀速模型卡尔曼滤波，状态向量是[位置,速度]，dt是感知帧间隔，25Hz更新时取0.04秒。step的返回值里，x[0]用来做下一帧的波束指向，协方差P[0,0]反映位置估计的不确定度。R来自感知链路的测距方差，不能随便给；Q控制滤波器对运动模型的信任程度，Q太大会让输出跟随感知抖动，Q太小会平滑掉真实加速，这个比值建议在现场用一段真实轨迹标定。
5.2 反馈量、置信度门限与更新周期
闭环上线前有三个参数必须定下来。第一是反馈量粒度，不要送原始RCS和多普勒，只送位置、速度、置信度三元组，波束管理拿到这些就够决定指向和波束宽度。第二是置信度门限，只有当位置协方差对应的角度误差小于窄波束宽度时才用感知预测替代CSI扫描，否则继续走原波束管理流程，防止感知误检中断通信。第三是更新周期对齐，感知帧周期与SRS上报周期必须归属同一个调度基准，感知处理时延要在调度器里做外推补偿，否则预测指向总落后一帧。这三个参数在原型验证阶段就留成可配置项，外场联调时才不用反复改代码。
本文还有配套的精品资源，点击获取
