Networking Based ISAC Hardware Testbed and Performance Evaluation

Applications and Challenges of Networked Sensing

Cooperation Mechanism in Networked Sensing

未来的6G移动系统将在增强现有通信能力的基础上，整合定位、感知和成像等新功能，实现在物理世界和数字世界之间的实时映射。为了服务多种应用场景，需要在多基地、多频段和多源之间进行协调，以实现全面的、多维度的感知参数获取。

Multi-static cooperation：
在感知移动网络（PMNs）中，感知可以分为下行和上行感知，这与下行和上行通信一致。由于远程射频单元（RRU）通常有更大的天线和更高的发射功率，下行感知可以进一步分为下行主动感知和下行被动感知。在下行被动感知中，发射机和接收机空间上分离，来自其他RRU的信号被目标反射后可以被某个RRU接收，从而进行环境重建。在PMN中，密集分布的RRU由集中单元统一控制，这可以为用户提供更精确的定位和无缝的通信覆盖。

Multi-band cooperation：
6G移动系统的频谱需求表现出全频谱特性，包括6GHz以下、毫米波、太赫兹和可见光频段。由于不同频段的电磁波有不同的感知能力，理论上，高频段和更大带宽的电磁波可以提供更高的时间频率分辨率和更高的检测精度。然而，由于不可预测的衰减或遮挡，实际的有效检测距离和速度会有所下降。因此，多频段合作有机会弥补感知分辨率和通信覆盖之间的差距。

Multi-source cooperation：
以自动驾驶为例，不同类型的传感器（如相机、毫米波雷达和激光雷达）具有不同的检测性能，包括抗遮挡和抗天气干扰的能力、感知距离、分辨率和设备成本等。因此，ISAC信号与多传感器的数据融合和校准有潜力提高单车自动驾驶的安全性和能力。通过多层次、多空间的信息互补，最终生成对观察环境的一致解释，从而提升单车的环境认知能力。此外，在单车智能的基础上，驾驶员、车辆、云端和路侧单元等交通元素将结合起来，实现连接的自动驾驶，并提高智能决策能力。

Challenges and Key Enabling Technologies

为了支持传感节点之间的竞争与合作，挑战总结如下：

性能界限：在蜂窝网络下，集成的感知功能有助于协调增益，如提高频谱复用因子、改善通信容量和提升定位精度。为了定量地表征协调增益，目前关于网络感知的系统级性能分析的研究仍较少，除了少数几项关于基于多波束共享的ISAC系统的性能分析工作[9]。此外，自干扰消除和杂波抑制应考虑在内，以便更准确地估算性能界限。

5G NR Frame Structure Based ISAC Approach

将ISAC集成到现有蜂窝网络体系中可以被看作是一种以通信为中心的ISAC方法。在这种方法中，通信子系统优先于感知子系统，这意味着引入感知功能对现有通信基础设施的修改较少，同时确保通信性能。由于正交频分复用（OFDM）信号的自然二维结构，通过利用时频域雷达处理技术，参考信号和数据有效载荷都可以用于雷达感知。在多用户场景中，资源优化调度应从时频域扩展到多个维度，以满足不同的通信和感知需求。

Signals Available for Radio Sensing

对于每个用户，分配的资源格点的数量和填充模式将直接影响通信和感知的性能。帧结构中的可分配无线资源在时域中表示为OFDM符号，在频域中表示为子载波。最小的资源单元是资源元素（RE），它占用一个OFDM符号和一个具有给定子载波间隔的子载波。十二个连续的子载波可以定义为频域中的一个资源块。

对于5G NR，雷达感知可用的信号可分为用于信道估计的参考信号、非信道估计信号和数据有效载荷信号[3]。根据3GPP标准[11]，参考信号主要包括与PDSCH和物理上行共享信道（PUSCH）相关的DMRS，信道状态信息参考信号（CSI-RS）用于下行链路，和上行链路的探测参考信号（SRS）。它们大多数采用梳状结构（comb-type structures），并为不同用户采用正交码。同时，在时频域中有可选配置以支持不同需求。非信道估计信号，包括同步信号（SS）和物理广播信道（Physical Broadcast Channel，PBCH），通常周期性传输，并可用于估算多普勒频移。然而，由于有限的占用子载波数量，距离估计的精度受到限制。在数据有效载荷信号如PDSCH和PUSCH的传输中，对于特定用户，数据始终是随机的。这种随机性将导致感知歧义和信号处理复杂性的增加。此外，在双基地设置中，未知的数据有效载荷是获取感知参数的主要挑战。可以得出结论，基于OFDM的雷达处理算法应该根据不同物理信号的传输和映射特性合理设计。

Multi-Dimensiona Resource Optimization Scheduling for ISAC

在ISAC系统中，波形设计正在从松耦合逐步发展为完全统一。通过分配正交无线资源，感知和通信功能通过时间、频率、空间和码分方法的协调来互不干扰。为了最大化协调增益，提出了面向通信的设计、面向感知的设计以及联合设计方法，旨在实现完全统一的波形[10]。与4G LTE系统中的固定配置相比，5G NR架构有潜力将感知功能集成到蜂窝网络中，覆盖时域、频域、空间和功率域，如下所述。

如[12]和[13]所述，特定雷达数据是通过人工生成并填充到OFDM符号的子帧中。由于具有理想的自相关特性，传统雷达处理算法可以实现下行感知和上行感知。感知和通信符号之间的比率可以灵活配置。然而，雷达感知性能的提升是以通信吞吐量下降为代价的。

这种基于相关性的处理还可以利用参考信号而不占用额外的通信资源。根据3GPP标准[11]，大多数参考信号是由具有良好自相关特性的Gold序列或m序列生成的。然而，稀疏的帧结构可能引入感知模糊性并限制感知分辨率。

与上述依赖于传输数据的方法不同，基于信道估计的处理消除了数据依赖性。通过在传输和接收样本之间进行逐元素划分来获得观察矩阵，而观察矩阵的大小与感知范围和分辨率相关。然而，在随机数据传输中经常出现资源元素缺失的情况，导致感知性能下降。此外，在上行感知和双静态感知中，数据负载对接收端是未知的，这会引入解调误差。

除了时频域，5G NR 还提供了在通信和感知之间进行功率和空间域权衡的机会。根据3GPP标准[14]，5G NR 为不同的参考信号和数据有效载荷定义了每个资源元素的能量（energy per resource element，EPRE）。EPRE 值可以通过功率偏移和同步信号块（synchronization signal block，SSB）的 EPRE 来推导。在单基地感知中，当分配给单个用户的资源格点较少时，可以通过增加参考信号的 EPRE 来实现目标参数的获取。

1. SSB 这是一个特殊的信号块，用于同步无线设备与网络，它也有自己的EPRE值，这个值可以用来推导其他信号的EPRE。
2. 简而言之，当系统的资源（如带宽）有限时，通过提高参考信号的功率，可以弥补资源不足的问题
   
   

作者想表达的意思是上面两个，但是作者的英文写的非常烂，我觉得作者应该好好考究一下自己的措辞。我将英文原文贴在下面：
In mono-static sensing, the acquisition of target parameters can be realized by increasing the EPRE of reference signals when the resource grids allocated for a single user are fewer.

此外，通过资源映射，传输到天线端口的信号会被映射到一组可用的资源元素（REs），这可以满足不同方向的通信和感知服务，以及具有多样化需求的多用户服务。需要注意的是，结合参考信号和数据有效载荷的使用，依据不同的属性，可以提高时域、频域、空间和功率域的效率。

Performance Evaluation for the Trade-Off between Communication and Sensing

在本节中，我们开发了一个仿真平台，以揭示感知和通信性能之间的限制关系。基于5G NR帧结构的雷达感知用于估算目标的距离和速度。以PDSCH-DMRS为例，更多的资源元素可以提升检测精度，但通信吞吐量会减少。

Simulation Setup

实现的ISAC系统仿真平台在28 GHz的中心频率下工作。配置的子载波间距为60 kHz，每个子帧包含4个时隙，对应于总OFDM符号持续时间17.84 微秒。发射器和接收器的天线增益设置为相同的值23 dB。目标车辆的雷达散射截面（RCS）设置为10 m^2。回波信号通过自由空间路径模型接收，雷达感知通过完全占用的1024个子载波和512个OFDM符号进行。

图2展示了5G NR帧结构和四种可选的PDSCH-DMRS时域映射模式。DMRS是通过长度为31的Gold序列生成，具有理想的自相关特性，伪随机序列通过正交相位移键控（QPSK）进行调制。对于配置类型1，单符号DMRS支持最多4个天线端口，端口编号从1000到1003。在频域中，DMRS采用由正交覆盖码组成的梳状结构，并可以支持天线端口复用。在时域中，起始DMRS位于调度发生的位置附近。特别地，在高速移动场景下，5G NR表明可以配置额外的DMRS组与prepositive DMRS一起使用，以补偿多普勒频移。而additional DMRS的时域密度应与目标速度相对应。此外，额外DMRS的频域密度可以小于前置DMRS，以减少信号开销。除此之外，DMRS的密度可以根据无线资源控制（Radio Resource Control，RRC）和下行控制信息（Downlink Control Information，DCI）引导，进行自适应配置和调整，从而提高整体系统性能。

Results and Analysis

在基于信道估计的雷达感知中，目标的距离和相对速度可以通过观察矩阵获取。传播延迟将在不同子载波上引入不同的相位偏移，因此对矩阵的每一列执行逆快速傅里叶变换（IFFT）以估计目标距离。相应地，由于多普勒偏移，在不同OFDM符号上引入的不同相位偏移，执行对矩阵每一行的快速傅里叶变换（FFT）以估计目标速度。需要注意的是，距离分辨率和速度分辨率主要由完全占用的带宽和持续时间决定。

专注于基于DMRS的雷达感知及其不同映射模式，我们评估了通信和传感子系统之间的性能权衡，如图3所示。固定前置DMRS的位置后，在时域中给出了四种可选的配置密度，同时保持频域密度与前置DMRS一致。在图3a中，配置额外的DMRS将增加观测样本的数量，而较少的附加DMRS组则需要更高的信噪比（SNR）来保持距离估计的更好传感性能。在图3b中，当SNR低于-10 dB时，估计精度受噪声峰值的严重影响。当SNR高于-10 dB时，较高的时域密度导致速度估计的均方根误差（RMSE）减小。在10 dB的SNR下，没有和有1、2、3组附加DMRS时，速度估计的RMSE分别为0.65 m/s、0.59 m/s、0.34 m/s和0.22 m/s。需要注意的是，与PDSCH关联的附加DMRS将占用原本属于数据载荷的位置，因此，图3c所示，3组附加DMRS时通信吞吐量下降了12.29%。此外，基于DMRS的雷达感知比Positioning Reference Signal（PRS）with the comb size of 4 表现更好，并节省了5.36%的时频资源。

图3. 在目标距离和速度分别为50米和15米/秒时，估计的均方根误差（RMSE）和通信吞吐量与信噪比（SNR）的比较： a) 距离估计； b) 速度估计； c) 通信吞吐量，针对不同的DMRS和PRS映射模式。

ISAC Enabled Cooperative Perception Hardware Testbed

为了提高单一ISAC系统的感知能力，已经设计并实现了启用协同感知硬件测试平台，如图4所示。通过利用5G NR帧结构的雷达感知，PDSCH符号被用来实现通信和感知功能的同时进行。依赖于两个ISAC系统之间的感知数据共享，现场试验结果验证了所提出的 cooperative perception ISAC系统的性能提升。

Testbed Architecture and Key Components

实施的协同感知ISAC系统由两个基于5G NR帧结构的ISAC系统、一个喇叭天线（horn antenna）、一个角反射器和一个百度Apollo自动驾驶汽车（automated driving vehicle，ADV）组成，如图4b和图4c所示。每个ISAC系统由两个5G NR毫米波通信平台和两个64元素相控阵天线（phased array antennas，PAA）组成[15]。在每个ISAC系统中，设置在ADV上的喇叭天线作为接收器，持续接收通信数据。两个PAA连接到发射（Tx）和接收（Rx）端的射频头，分别作为固定的5G NR毫米波平台的发射器和接收器。在雷达感知阶段，ADV沿着圆形轨迹移动，被视为感知目标。两个ISAC系统测量相控阵天线（PAA）的方位角，以获取目标的角度。它们发送集成波形，接收并处理回波以确定目标的距离。64元素PAA的等效全向辐射功率（equivalent isotropically radiated power，EIRP）设置为51 dBm。一个由恒温晶体振荡器生成的内部时钟信号，精度为十亿分之50，然后被共享以实现两个协作ISAC系统之间的时钟同步。最后，ISAC系统1的感知数据与ISAC系统2共享，以实现感知数据融合，如图4a所示。

在以通信为中心的ISAC系统中，基于5G NR帧的雷达感知是通过使用PDSCH符号实现的。载波频率为28 GHz，通信带宽为800 MHz，雷达感知带宽为100 MHz。一个通信帧包含50个子帧，总持续时间为10 ms。主机模块首先生成集成波形，并将其发送到基带发射和处理模块。通过信号处理和数字到模拟转换器（DAC），处理后的基带信号被上变频到28 GHz，由中频（IF）模块和射频（RF）头发射。然后，射频信号通过相控阵列（PAA）发送并反射到被感知的目标，同时实现通信数据传输。

Field Trial and Results

为了保持数据融合的完整性并提高可靠性，需要在多个节点之间共享传感数据。在现场试验中，设置了两个ISAC系统之间的距离为2.7米，并且目标为以1米/秒的速度移动的ADV。在数据融合阶段，ISAC系统2将首先聚合由每个ISAC系统生成的50个观测样本。通过密度峰值聚类算法（density-peak based clustering algorithm），去除观测数据集中的不可靠样本和噪声，从而实现更精确的目标定位。通过聚类中的剩余样本计算得到的估计 RMSE 为0.1319米，比单个ISAC系统的定位均方根误差（RMSE）低61%。同时，通信吞吐量可以保证达到2.8 Gbps。

结论

在本文中，为了最大化通信与传感子系统之间的协调增益，结合现有蜂窝网络中的ISAC技术，预计能够实现多节点协同感知和传感数据共享。在ISAC启用的网络化场景中，我们讨论了协作机制、潜在应用以及未来需要解决的挑战。基于5G NR灵活的帧结构，我们利用DMRS符号进行雷达感知，量化通信和传感功能之间的性能权衡。在实现的硬件测试平台中，现场测试结果证明，所提出的协作感知ISAC系统能够使定位精度比单个ISAC系统提高61%。可以预见，多节点协作将增强ISAC技术，从点对点链路层向大规模系统层发展。