程翔，張浩天，楊宗輝，黃子蔚，李思江，余安瀾

（1.北京大學電子學院，北京 100871；2.北京大學計算機學院，北京 100871）

0 引言

隨著5G 的推出和普及，5G 技術(shù)具備的高可靠低時延通信能力助力了車聯(lián)網(wǎng)行業(yè)的快速發(fā)展。車聯(lián)網(wǎng)作為5G 新基建的重要應(yīng)用領(lǐng)域之一，也將成為未來智能交通系統(tǒng)的核心組成部分。如今的車輛已經(jīng)配備了許多通信系統(tǒng)裝置和感知設(shè)備，從傳統(tǒng)的交通工具轉(zhuǎn)變?yōu)橹悄苘囕v。通過新一代的通信技術(shù)，車與網(wǎng)絡(luò)（V2N,vehicle-to-network）、車與車（V2V,vehicle-to-vehicle）、車與人（V2P,vehicle-to-pedestrian）、車與基礎(chǔ)設(shè)施（V2I,vehicle-to-infrastructure）可以實現(xiàn)全方位的網(wǎng)絡(luò)連接（如圖1 所示）；通過種類多樣、性能優(yōu)異的感知技術(shù)，車輛可以持續(xù)地對周圍環(huán)境進行探測感知，獲得的感知信息以及與鄰近車輛和路邊單元（RSU,road side unit）的通信數(shù)據(jù)對于其避開障礙物、選擇導航路線和檢測危險至關(guān)重要。為了實現(xiàn)厘米級分辨率的高精度定位感知功能，目前智能車輛已經(jīng)配備了種類多樣、性能各異的感知設(shè)備。如前文所述，除了高精度感知環(huán)境的能力外，智能車輛在行駛的過程中需要完成種類廣泛的任務(wù)并與交通環(huán)境內(nèi)的不同對象進行通信，不同任務(wù)的時延需求、吞吐量需求和可靠性要求也有很大差異。為了滿足未來車聯(lián)網(wǎng)中不同任務(wù)的關(guān)鍵性能要求，用于車聯(lián)網(wǎng)的通信技術(shù)應(yīng)提供Gbit/s 級傳輸速率的高容量通信服務(wù)?？偠灾?，高質(zhì)量的通信與感知功能在車聯(lián)網(wǎng)中需要得到重視與研究。

圖1 通信感知一體化車聯(lián)網(wǎng)架構(gòu)示意

隨著車聯(lián)網(wǎng)以及自動駕駛技術(shù)的不斷發(fā)展，智能車輛配備了更強大的傳感器、更先進的信號處理技術(shù)、更多的計算資源以及更強的通信能力。車輛配備的傳感器捕獲海量環(huán)境信息的能力日益增強，來自不同車輛的海量感知信息交互和融合，形成充滿感知信息的網(wǎng)絡(luò)。不僅限于車輛所具備的感知功能，車聯(lián)網(wǎng)的感知功能同樣分布于大量的路邊單元、基礎(chǔ)設(shè)施以及行人。配備大量不同種類傳感器的RSU 也會在車聯(lián)網(wǎng)中不斷進行感知并傳輸海量的感知數(shù)據(jù)。除此之外，隨著現(xiàn)代通信技術(shù)的發(fā)展以及用戶終端數(shù)量的飛速增長，一些智能車輛應(yīng)用需要更高的數(shù)據(jù)傳輸速率支持，如實時視頻傳輸業(yè)務(wù)、3D 高清地圖、電視娛樂活動等低時延服務(wù)[1]，對通信系統(tǒng)的帶寬、時延等性能指標提出了更高要求。用于通信的頻譜資源日益短缺，給其他電磁感知系統(tǒng)造成了嚴重的壓力?？傊?，隨著車聯(lián)網(wǎng)中感知信息量指數(shù)級的增長以及車輛對通信系統(tǒng)性能要求的提升，稀缺的頻譜資源問題變得日益突出。因此，在車聯(lián)網(wǎng)中融合設(shè)計通信感知雙功能以提高各種資源的利用率，是解決這一問題的關(guān)鍵可行技術(shù)。除了有效地緩解頻譜擁塞，通信感知一體化設(shè)計也會帶來額外的協(xié)作增益。從感知與通信的應(yīng)用層功能來看，隨著電磁環(huán)境日趨復雜，單車感知設(shè)備工作的性能是有限的，通過通信技術(shù)聯(lián)網(wǎng)可實現(xiàn)感知設(shè)備之間信息的傳遞，進而達到大量感知數(shù)據(jù)的快速融合以及對環(huán)境更準確的刻畫；通信功能也需要感知功能的輔助以實現(xiàn)更佳的性能，如感知功能輔助下更準確的信道估計和波束對齊等?？傊?，通信與感知的一體化設(shè)計能夠在硬件上提升頻譜資源的利用效率，在各自的功能層面上發(fā)揮輔助作用并為各自性能帶來協(xié)作增益。因此，車聯(lián)網(wǎng)中的通信感知融合設(shè)計具有極大的研究價值與廣泛的應(yīng)用前景，也是未來智能交通系統(tǒng)的大勢所趨。

本文綜述了車聯(lián)網(wǎng)中的通信感知一體化技術(shù)的相關(guān)研究。首先，定義了車聯(lián)網(wǎng)中通信感知一體化系統(tǒng)的2 種不同模型，即功能融合以及信號融合。其次，對車聯(lián)網(wǎng)中通信感知一體化功能融合模型的研究工作進行了綜述分析，分為感知輔助通信以及通信支撐感知兩大部分。再次，對通信感知一體化信號融合模型的相關(guān)工作進行了回顧，介紹了應(yīng)用于一般場景的普適信號融合技術(shù)，進而介紹了為車聯(lián)網(wǎng)應(yīng)用而設(shè)計的專用信號融合技術(shù)。最后，總結(jié)了車聯(lián)網(wǎng)的通信感知一體化技術(shù)未來的發(fā)展方向以及面臨的挑戰(zhàn)，并對全文工作進行總結(jié)。

1 車聯(lián)網(wǎng)通信感知一體化系統(tǒng)模型

隨著車輛的智能化程度不斷提升，其配備的傳感器數(shù)量與感知能力也在提升。車聯(lián)網(wǎng)配備的各種傳感器可以被分為兩類，第一類是通過發(fā)射射頻信號進行測量或傳輸?shù)膫鞲醒b置，稱為射頻傳感器；第二類是通過光敏元件等感應(yīng)元件產(chǎn)生信號進行測量或傳輸?shù)膫鞲醒b置，稱為非射頻傳感器。在車聯(lián)網(wǎng)中，感知單元依據(jù)自身功能類型提供相應(yīng)的感知信息，與通信單元進行交互和融合，從而實現(xiàn)感知和通信兩類設(shè)備的功能層級上的融合，稱為通信感知一體化系統(tǒng)的功能融合模型，該融合模型適用于非射頻傳感器和射頻傳感器。感知單元與通信單元聯(lián)合設(shè)計雙功能無線信號波形可同時滿足感知和傳輸需求，從而實現(xiàn)射頻信號層面上的融合，稱為通信感知一體化系統(tǒng)的信號融合模型，該融合模型僅適用于射頻傳感器。圖2 展示了車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的2 種融合模型之間的關(guān)系以及分別適用的傳感器類型。

圖2 車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的2 種融合模型

通信與感知的功能融合模型關(guān)注車聯(lián)網(wǎng)的應(yīng)用和系統(tǒng)設(shè)計層面，即感知與通信兩大功能如何在各自的應(yīng)用和設(shè)計上相互協(xié)作。從感知輔助通信的角度來看，無論是通信功能還是感知功能，它們都需要對周圍的無線電通信環(huán)境進行信息獲取。雷達感知功能可以為車輛間通信提供大量先驗信息，如信道狀態(tài)信息（CSI,channel state information）及用戶位置等，極大地減少通信雙方為實現(xiàn)可靠通信而產(chǎn)生的信令開銷。從通信支撐感知的角度來看，車聯(lián)網(wǎng)中車輛配備的傳感器（雷達、攝像機）易受障礙物、惡劣天氣等多種因素的影響，僅基于單車所能實現(xiàn)的環(huán)境信息感知能力十分有限。依托通信網(wǎng)絡(luò)作為信息傳輸?shù)拿浇閬碇胃兄畔⒌膫鬏斉c融合，構(gòu)建協(xié)同感知網(wǎng)絡(luò)實現(xiàn)超視距感知成為提高單車感知能力的有力技術(shù)。基于通信與感知雙功能各自的功能優(yōu)勢，它們在車聯(lián)網(wǎng)的應(yīng)用和系統(tǒng)設(shè)計層面上的融合將極大程度地提升各自的性能。

通信與感知的信號融合模型則關(guān)注如何在合適的硬件平臺和時域、頻域、空域資源上實現(xiàn)感知與通信功能以緩解射頻頻譜擁塞等問題并同時提升通信與感知的性能。通過對時域、頻域、空域等資源與功率進行合理分配與優(yōu)化調(diào)度，設(shè)計通信與感知雙功能一體化的信號，這一新的信號設(shè)計架構(gòu)將使通信感知耦合得更加緊密，帶來軟件操作的靈活性，并在硬件資源、系統(tǒng)尺寸、重量和功耗上產(chǎn)生顯著的改進效果。通信感知雙功能信號的設(shè)計策略可以被分為三類，即正交式融合設(shè)計、非正交式融合設(shè)計以及機會主義融合設(shè)計。通過整合通信感知的信號層面資源，硬件資源利用效率、頻譜資源、能量效率、信號傳輸與環(huán)境感知準確率等方面都會得到一定的改進。

2 車聯(lián)網(wǎng)通信感知一體化功能融合模型

本節(jié)將回顧車聯(lián)網(wǎng)中通信與感知雙功能在各自的應(yīng)用與設(shè)計上相互協(xié)作增強的技術(shù)，即通信感知一體化功能融合模型的相關(guān)工作。

2.1 感知輔助通信

本節(jié)回顧了車聯(lián)網(wǎng)中各類型感知信息輔助通信功能的相關(guān)工作，分別是感知功能輔助的信道建模、信道估計、V2I 波束對準。

2.1.1 感知功能輔助的信道建模

完備的無線信道知識和精確實用的信道模型是成功設(shè)計車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的基石[2]。為了支撐海量感知數(shù)據(jù)的傳輸，毫米波通信受到廣泛關(guān)注。借助大規(guī)模多輸入多輸出（mMIMO,massive multiple-input multiple-output）天線陣列的高波束成形增益可補償毫米波通信中的高路徑損耗。

當毫米波和mMIMO 聯(lián)合應(yīng)用到車聯(lián)網(wǎng)通信感知一體化系統(tǒng)時，需要捕捉一個重要的信道特征，即空時一致性。具體而言，相鄰天線的間隔在毫米波通信時較小，使其共享大量的有效簇。在這種情況下，如圖3 所示，有效簇會在陣列/空間軸平滑一致地演進，從而相鄰天線的子信道會經(jīng)歷相似的傳輸效應(yīng)，展現(xiàn)出空間一致性。同時，高動態(tài)毫米波車聯(lián)網(wǎng)信道存在顯著的多普勒擴展，這使信道具有較小的相干時間而被頻繁地更新。在這種情況下，信道在相鄰時刻會共享大量的有效簇。因此，簇會在時間軸平滑一致地演進，展現(xiàn)出時間一致性。另外，毫米波通信具有高路徑損耗的特點，導致環(huán)境中有效簇的數(shù)目少。在這種情況下，每個簇對信道都有不可忽視的影響，也因此需要進一步捕捉每個簇在空時軸的平滑一致演進。

圖3 通信感知一體化車聯(lián)網(wǎng)信道中空時一致的簇陣列/空間?時間演進

目前，已有一些學者針對空時一致性構(gòu)建了一些模型。按照建模方法，可將模型區(qū)分為基于幾何的確定模型（GBDM,geometry-based deterministic model）和基于幾何的統(tǒng)計模型（GBSM,geometry-based stochastic model）。基于GBDM 和GBSM，有能力捕捉信道空時一致性的方法被分為參數(shù)法、幾何法和混合法。參數(shù)法通過應(yīng)用數(shù)學運算來表征空時一致性。不同于參數(shù)法，幾何法在捕捉空時一致性的過程中考慮了簇在幾何散射環(huán)境中的平滑連續(xù)運動?；旌戏ㄊ菂?shù)法和幾何法的結(jié)合。表1 總結(jié)了典型的空時一致性的相關(guān)工作。文獻[3-5]提出了3 個GBDM，這些模型應(yīng)用幾何法，考慮了簇平滑連續(xù)的運動，模擬了時間一致性。然而，GBDM的復雜度高。3GPP Release 14[6]構(gòu)建了一個GBSM，提出了一種基于相關(guān)距離的時間一致信道參數(shù)生成算法，捕捉了時間一致性。5GCM[7]應(yīng)用內(nèi)插算法，提出了基于網(wǎng)格的時間一致的信道參數(shù)生成算法。在QuaDRiGa 模型[8]中，通過引入平方正弦數(shù)學因子模擬簇功率的軟切換，捕捉了時間一致性。參數(shù)法具有較低的復雜度和準確性。COST 2100 模型[9]提出了一種幾何法，即可視區(qū)域法。通過捕捉接收端進出可視區(qū)域，建模了簇可視性的平滑一致的切換，表征了時間一致性。文獻[10]構(gòu)建了一個GBSM 并提出了一種混合法，該混合法引入了基于一致連續(xù)性和有界變差理論的可視因子，以捕獲簇功率的軟切換。該混合法進一步在空時域聯(lián)合構(gòu)建的可視區(qū)域?qū)崿F(xiàn)了簇的可視性在空時域平滑一致的演進。

表1 典型的信道空時一致性的相關(guān)工作

2.1.2 感知功能輔助的信道估計

在通信感知融合諸多應(yīng)用場景中，CSI 中包含的幅度、相位等信息都是系統(tǒng)設(shè)計的基礎(chǔ)，因此，如何高效地進行信道估計以獲得更精確的CSI 得到了廣泛的重視。值得注意的是，CSI 同時取決于環(huán)境信息與通信頻段信息：既可以通過CSI 來獲得環(huán)境相關(guān)信息，也可以利用多種傳感器得到的環(huán)境信息來提供有關(guān)CSI 的知識，實現(xiàn)對信道估計的輔助（如圖4 所示）。

圖4 感知輔助信道估計的信息收集與融合場景

在通信感知一體化應(yīng)用場景中，多種傳感器能夠獲得不同類型感知信息，這些感知信息對于通信信息來說較抽象，且不同類型的傳感器捕獲的環(huán)境信息的特征也不同。傳統(tǒng)信道估計方法難以利用精確的數(shù)學模型提取抽象的環(huán)境特征并用于輔助信道估計。神經(jīng)網(wǎng)絡(luò)具有的抽象特征提取與融合能力則適合解決這類問題。近年來，深度學習方法被廣泛運用在信道估計中。文獻[11]搭建了5 層全連接（FC,fully -connected）神經(jīng)網(wǎng)絡(luò)，利用端到端方法實現(xiàn)正交頻分復用（OFDM,orthogonal frequency division multiplexing）系統(tǒng)的信道估計，在更少導頻信號數(shù)量、忽略循環(huán)前綴等情況下優(yōu)于傳統(tǒng)方法，并避免了繁雜的系統(tǒng)設(shè)計。文獻[12]在頻分雙工（FDD,frequency division duplexing）系統(tǒng)下利用信道稀疏特性，設(shè)計了卷積重構(gòu)網(wǎng)絡(luò)重構(gòu)原始信道，相較于傳統(tǒng)的稀疏信道估計算法性能和速度均有所提升。文獻[13]提出ChanEstNet，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN,recurrent neural network）進行高速場景信道估計，適應(yīng)車聯(lián)網(wǎng)高移動性特點。該方法效果與傳統(tǒng)算法相比有所提升，計算復雜度更低。文獻[14]在IEEE 802.11p 標準下用神經(jīng)網(wǎng)絡(luò)提取信道的時間、頻率相關(guān)性以及移動信道時變特征，取得更低的誤碼率。文獻[15]利用長短期記憶（LSTM,long short-term memory）網(wǎng)絡(luò)將慣性測量單元（IMU,inertial measurement unit）獲得的信息（速度、角速度、加速度等）與CSI 相融合，結(jié)合時序特征實現(xiàn)CSI 預測。相比于不使用IMU 信息，該方法性能更優(yōu)。文獻[16]系統(tǒng)介紹了利用深度學習將多種感知數(shù)據(jù)與通信融合的模型，以及如何利用環(huán)境信息輔助無線通信；提出了數(shù)據(jù)融合、特征融合、決策融合、混合融合4 種層次，分析了不同層次的優(yōu)缺點與適應(yīng)場景，提出了合理的融合結(jié)構(gòu)，以此為基礎(chǔ)進行了信道預測實驗。文獻[17]將增量學習引入時變信道估計網(wǎng)絡(luò)，在上線階段微調(diào)網(wǎng)絡(luò)，為信道估計網(wǎng)絡(luò)實時適應(yīng)具體應(yīng)用場景提供了思路。

2.1.3 感知功能輔助的V2I 波束對準

毫米波因其高速率、大帶寬的特點被視為滿足未來智能車聯(lián)網(wǎng)的各種性能需求的關(guān)鍵技術(shù)之一。為了彌補毫米波頻段的高路徑損耗，發(fā)射器發(fā)射出鉛筆粗細的空間波束，以把能量聚焦在目標方向上，這導致RSU 與車輛之間的波束需要嚴格對準，并且對障礙物極為敏感。因此，RSU 需要周期性掃描所有波束成形角度，然后找到性能最佳的波束對，此過程（即波束訓練）將導致嚴重的通信開銷及較大的時延。為了優(yōu)化波束對準的問題，波束追蹤、波束成形預測以及阻塞預測技術(shù)被大量研究。

1)波束追蹤

波束追蹤指的是RSU 向接收端發(fā)送導頻信號，接收端根據(jù)該信號估計相對角度并將其反饋給RSU，RSU 根據(jù)該反饋信息縮小所需的掃描角度。目前，已經(jīng)存在大量不同種類感知信息輔助波束追蹤的研究[18-23]。Va 等[18]提出使用車輛位置以及過去時刻的波束測量值來對下一時刻所有候選波束的通信性能進行排名，從而縮小波束訓練范圍。文獻[19,23]通過使用雷達感知車輛位置，利用RSU 估計出的角度和位置信息，減少RSU 與車輛之間波束對準過程所需的開銷。Brambilla 等[20]則提出使用天線陣列配備的慣性傳感器在發(fā)射時持續(xù)追蹤波束，避免頻繁重新對準，有效地降低通信開銷以及波束訓練帶來的耗時。文獻[21]使用射線追蹤法得到當前環(huán)境的最優(yōu)波束對指數(shù)并對場景編碼，進而結(jié)合機器學習算法得到最優(yōu)波束對。盡管波束追蹤可以通過RSU 與車輛之間的信令交互使全向波束搜索帶來的通信開銷盡可能降低，RSU 與車輛之間周期性的信令交互仍不可避免。

2)波束成形預測

為進一步解決波束追蹤中頻繁的反饋過程仍會造成一定的通信開銷的問題，有研究聚焦于如何使RSU 具備預測下一時刻波束成形角度的能力，車聯(lián)網(wǎng)V2I 場景下波束訓練、追蹤及成形預測場景如圖5 所示?，F(xiàn)階段，車聯(lián)網(wǎng)的波束成形預測大多基于給定的簡單車輛狀態(tài)演化模型以及感知設(shè)備得到的測量值。Liu 等[24]提出了一種基于擴展卡爾曼濾波（EKF,extended Kalman filter）的雷達信息輔助的波束成形預測算法。該算法在下行鏈路上使用雙功能雷達通信（DFRC,dual functional radar communication）信號，通過車輛反射的回波獲取其狀態(tài)信息，降低了上行反饋帶來的通信開銷。為進一步提升預測精度，Yuan 等[25]從最優(yōu)估計的角度出發(fā)，提出基于因子圖與消息傳遞算法的預測模型。盡管該算法相較于基于EKF 的波束成形預測算法具有更好的預測性能，與車輛角度相關(guān)的非線性函數(shù)使該算法需要復雜的求解過程。為緩解高度非線性的狀態(tài)演化模型帶來的高計算量，Mu 等[28]提出了基于神經(jīng)網(wǎng)絡(luò)的預測模型，其將RSU 接收到的從回波信號作為神經(jīng)網(wǎng)絡(luò)的輸入，進而得到下一時刻的波束成形角度，為波束成形預測提供了新的解決思路，但該模型使用的是簡單的FC 神經(jīng)網(wǎng)絡(luò)，預測性能有待提升。目前，大多數(shù)車聯(lián)網(wǎng)波束成形預測的研究均基于直線路徑構(gòu)建，具有非常大的應(yīng)用局限性。為解決非直線軌跡場景中難以給出簡單的狀態(tài)演化模型的問題，Liu 等[29]提出基于車輛歷史運動軌跡點的預測模型。該方案不依賴于車輛的狀態(tài)演化模型，因此其應(yīng)用場景并不局限于直線道路。車聯(lián)網(wǎng)感知功能輔助的V2I 波束對準工作的性能比較如表2 所示，其中，“—”表示該方案未說明使用的感知設(shè)備類型，通信開銷大小為波束訓練、追蹤以及成形預測所有方案之間的比較結(jié)果。

表2 車聯(lián)網(wǎng)感知功能輔助V2I 波束對準工作的性能比較

圖5 車聯(lián)網(wǎng)V2I 場景下波束訓練、追蹤及成形預測場景

3)阻塞預測

如前文所述，毫米波波束對于阻塞的敏感性是保證車聯(lián)網(wǎng)中可靠通信需考慮的問題之一。如果未來某時刻在RSU 預測出的波束對準角度上出現(xiàn)了障礙，阻塞了毫米波波束，將導致嚴重的通信中斷問題。目前，已有利用感知信息輔助未來阻塞預測的工作被提出。Nishio 等[34]提出了一種使用RGB 深度（RGB-D,red-green-blue-depth）相機捕獲的圖像信息來精確測量障礙物的移動速度以及用戶與障礙物的距離，進而輔助完成阻塞預測的方案。文獻[35]將單幀圖像信息引入阻塞預測，使用殘差網(wǎng)絡(luò)（ResNet,residual network）對無線信道以及圖像信息進行處理。盡管該工作所提出的引入圖像信息的思路對于車聯(lián)網(wǎng)阻塞預測來說具有很大的啟發(fā)性，該工作預測復雜情況下動態(tài)障礙物的能力卻很有限。為了解決該問題，Charan 等[36]基于CNN 以及門控循環(huán)單元（GRU,gated recurrent unit）將圖像和波束信息轉(zhuǎn)換為時間序列形式來預測動態(tài)阻塞。由于該網(wǎng)絡(luò)結(jié)構(gòu)具備從連續(xù)圖像信息流中提取特征的能力，動態(tài)阻塞的預測精度進一步提升。此外，激光雷達（LiDAR,light detection and ranging）作為一種廣泛應(yīng)用于自動駕駛汽車高分辨率測繪和定位的傳感器，也被大量用于輔助毫米波通信以及阻塞預測[33,37]。

2.2 通信支撐感知

在車聯(lián)網(wǎng)通信感知一體化系統(tǒng)中，車輛配備有多種環(huán)境感知單元，同時通過車輛間建立的無線通信鏈路，作為數(shù)據(jù)傳輸?shù)耐ǖ溃谲囕v間共享感知數(shù)據(jù)，從而達到擴展感知范圍，提升感知可靠性的目的，即實現(xiàn)超視距感知，進而支撐更復雜的決策規(guī)劃、車輛控制等功能，通信支撐下的超視距感知架構(gòu)如圖6所示。在車輛間傳輸?shù)母兄獢?shù)據(jù)量隨感知單元感知能力增強、車輛總數(shù)增多而提升，并且車聯(lián)網(wǎng)場景對數(shù)據(jù)的實時性和可靠性有較高要求，因此，大連接、高帶寬、低時延的通信網(wǎng)絡(luò)架構(gòu)是協(xié)同超視距感知的重要支撐。

圖6 通信支撐下的超視距感知架構(gòu)

根據(jù)車輛間交互的信息類型，已有的協(xié)同超視距感知方法可以分為3 個層面：數(shù)據(jù)級協(xié)同、特征級協(xié)同、語義級協(xié)同。其中，數(shù)據(jù)級協(xié)同指在車輛間直接交互未經(jīng)處理的原始感知數(shù)據(jù)。由于原始感知數(shù)據(jù)包含的信息較為完整，理論上經(jīng)統(tǒng)一融合處理可以獲得更優(yōu)的性能，因此許多工作在此層面展開，如文獻[38-40]。文獻[38]采用原始圖像融合的策略，直觀地顯示被遮擋的環(huán)境。文獻[39]則先在單車端融合雷達傳感器和攝像機的數(shù)據(jù)以生成地圖，再交互地圖實現(xiàn)超視距感知，融合地圖將被用于后續(xù)的超車輔助等上層應(yīng)用。文獻[40]將激光雷達點云數(shù)據(jù)進行融合對齊，再基于完整點云進行3D目標檢測。雖然后續(xù)處理有所不同，上述方法中交互的內(nèi)容均為傳感器原始數(shù)據(jù)或地圖原始數(shù)據(jù)。

雖然數(shù)據(jù)級協(xié)同對數(shù)據(jù)利用程度最高，但對通信帶寬有很高的要求，難以滿足車聯(lián)網(wǎng)系統(tǒng)的實時性需求，因此需要先處理數(shù)據(jù)再進行交互，這種協(xié)同方式包括特征級協(xié)同和語義級協(xié)同。其中，特征級協(xié)同指的是將原始數(shù)據(jù)初步加工，把從數(shù)據(jù)中抽象出的特征作為交互信息，根據(jù)融合后的特征再做后續(xù)處理的協(xié)同方式，特征的概念往往伴隨著深度學習算法，后續(xù)從特征中提取的信息也為包含類別、位置等內(nèi)容的語義信息，如文獻[41]對壓縮的感知預測（P&P,perception and prediction）神經(jīng)網(wǎng)絡(luò)中間數(shù)據(jù)進行交互。文獻[42]對基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（RCNN,region convolutional neural network）的特征圖進行融合，在融合端對融合的特征數(shù)據(jù)進行后續(xù)處理。特征級協(xié)同位于協(xié)同中間層級，對信息的利用程度和產(chǎn)生的通信負擔也為中等水平，并且選取的特征形式會因數(shù)據(jù)處理方法不同而存在較大差異。

語義級協(xié)同首先在單車端基于感知單元的原始數(shù)據(jù)直接提取單車語義信息，然后將語義信息作為交互信息在融合端融合，屬于更高層級的協(xié)同。如文獻[43]使用語義分割算法對圖像數(shù)據(jù)進行語義分割之后，將車道線和車道線上的障礙物信息進行共享。文獻[44-45]則采用障礙物語義提取算法，融合語義信息用于周邊物體分類和定位。文獻[46]利用路側(cè)設(shè)備對車輛目標進行感知和追蹤，將得到的語義信息廣播給車輛，用以輔助交通調(diào)度。語義級協(xié)同在交互數(shù)據(jù)量方面最小，數(shù)據(jù)形式方面也最精簡抽象，但較依賴單車端語義提取的準確性。單車端在語義提取過程中舍棄的部分信息不會參與到交互和融合中，因此理論效果不如原始數(shù)據(jù)級協(xié)同。表3 總結(jié)了典型的協(xié)同超視距感知相關(guān)工作。

表3 典型的協(xié)同超視距感知相關(guān)工作

3 車聯(lián)網(wǎng)通信感知一體化信號融合模型

3.1 雙功能信號融合設(shè)計基礎(chǔ)

雙功能信號波形的設(shè)計是通信感知一體化系統(tǒng)設(shè)計的關(guān)鍵環(huán)節(jié)之一。首先，本節(jié)在普適的應(yīng)用場景下，總結(jié)了通信感知一體化信號融合的基本方式。根據(jù)通信與感知功能的耦合程度，首先介紹耦合程度較為松散的正交融合方式，然后介紹耦合更緊密的非正交融合方式與機會主義融合方式。雙功能信號融合的3 種方式及特點如圖7 所示。表4 集中比較了3 種信號融合方式。

表4 3 種信號融合方式的比較

圖7 雙功能信號融合的3 種方式及特點

3.1.1 雙功能信號的正交融合設(shè)計

如圖8 所示，一種常用的DFRC 信號設(shè)計方式是使用不同的信號來實現(xiàn)雷達感知和通信功能，使用正交資源復用的方式控制感知功能和通信功能的工作，以最大限度地減輕雙功能的相互干擾。

圖8 正交融合設(shè)計示意

減輕通信感知雙功能間干擾的最簡單的方法是頻分復用模式，如文獻[47]提出了通過使用固定的非重疊頻帶和天線來實現(xiàn)正交融合的方法。還有空域上實現(xiàn)正交的方式，如在不同的天線組上發(fā)送雙功能信號，或利用多天線空間波束成形，通過聯(lián)合設(shè)計雷達功能與通信功能的波束成形矩陣，進而在滿足性能需要的前提下，減緩雙功能之間的互相干擾。

3.1.2 雙功能信號的非正交融合設(shè)計

顯然，正交融合方式會導致頻譜利用效率的顯著降低，不適合通信感知的深層融合。因此，近年來學者們更多地關(guān)注于靈活性更高的非正交融合方式研究。如圖9 所示，通過硬件共享、頻譜共享的一體化波形同時實現(xiàn)通信與感知雙功能的性能優(yōu)化。

圖9 非正交融合設(shè)計示意

在時頻域，文獻[48-49]在多載波傳輸基礎(chǔ)上考慮了子載波加權(quán)功率分配的OFDM 波形。以雷達估計中的檢測概率或克拉美羅下界（CRLB,Cramér-Rao lower bound）等性能界與通信中的信道容量為聯(lián)合優(yōu)化目標，擴展了原有OFDM 波形的性能，實現(xiàn)通信與感知性能的協(xié)同優(yōu)化。

在空域利用同一組天線分別完成感知與通信信號的定向發(fā)送，也是非正交融合設(shè)計的經(jīng)典方法。例如文獻[50]介紹了一種利用波形分集和旁瓣控制實現(xiàn)DFRC 的新方法。在這種方案下，通信信息可以傳送到單個或多個通信方向，通信過程不受預先指定通信方向以外的干擾，并且，每個雷達脈沖內(nèi)發(fā)送相同的波形，使雷達能夠進行相干處理。

利用波束成形等空域信號處理方法也將為毫米波DFRC 系統(tǒng)的設(shè)計與應(yīng)用提供可能。文獻[51]提出了可同時用于目標感知和下行通信的一體化系統(tǒng)波形設(shè)計的優(yōu)化方法并設(shè)計了良好的低復雜度參數(shù)估計算法。文獻[52]提出了針對MIMO 雷達感知通信系統(tǒng)的波束成形技術(shù)，其中單個設(shè)備作為雷達和通信基站（BS,base station），同時與下行用戶通信并探測雷達目標。

3.1.3 雙功能信號的機會主義融合設(shè)計

非正交融合波形對于資源的重疊利用會帶來通信與感知信號的干擾，并且為實現(xiàn)雙功能需要求解復雜的帶約束優(yōu)化、定向多波束成形等問題。在雙功能波形協(xié)同設(shè)計中的另一種方式則是機會主義融合，即利用傳統(tǒng)通信（或雷達）波形進行感知（或信息傳輸）功能的耦合，發(fā)送波形設(shè)計相對簡單，同時可以在不使用額外時域、頻域、空域資源的前提下實現(xiàn)雙功能在信號層面的融合。如圖10所示，機會主義融合設(shè)計方式可以進一步分為以雷達信號為中心的通信信息嵌入與以通信信號為中心的感知功能耦合這2 種機制。

圖10 機會主義融合設(shè)計示意

1)以雷達信號為中心的機會主義融合設(shè)計

由于用于感知的雷達波形是確定的波形，不能被直接用于傳輸信息，因此設(shè)計以雷達信號為中心的通信感知一體化波形核心在于將通信數(shù)據(jù)嵌入雷達波形，且盡可能不影響感知性能。

通過使用雷達信號作為載波，可以在時域或頻域上調(diào)制通信符號，例如在chirp 信號[53]的幅度、起始頻率以及相位上調(diào)制通信信息，形成振幅、相位或頻移鍵控，或通過使用分數(shù)傅里葉變換[54]將數(shù)據(jù)映射到多個chirp 子載波。

基于索引調(diào)制的機會主義融合設(shè)計方式近年來也得到了較多的研究。索引調(diào)制由于其高能量和頻譜效率而受到越來越多的關(guān)注?；谒饕{(diào)制的DFRC 技術(shù)將數(shù)字信息自然地嵌入雷達波形參數(shù)中，例如載波頻率、時隙、天線的分配或MIMO 雷達的正交波形。例如文獻[55]提出的MAJoRCom 模型，在不同脈沖之間隨機改變載波頻率，保持捷變頻雷達的頻率敏捷性，同時以隨機方式在其天線單元之間分配這些頻率，引入空間敏捷性。通信信息則通過頻率和空間索引調(diào)制來進行傳遞。

2)以通信信號為中心的機會主義融合設(shè)計

為實現(xiàn)高精度的感知，以通信信號為中心的波形設(shè)計主要考慮低旁瓣、低峰均比與有效雜波抑制的波形特性約束[56]。大多數(shù)基于通信波形的DFRC系統(tǒng)設(shè)計均采用OFDM 信號，尤其在車輛相關(guān)場景中。本節(jié)介紹了在現(xiàn)有通信協(xié)議與波形基礎(chǔ)上進行感知功能擴展的若干方案?，F(xiàn)有的通信中心雙功能波形主要從符合協(xié)議標準的通信波形出發(fā)來耦合雷達感知的功能。通信協(xié)議通常是IEEE 802.11p 或IEEE 802.11ad[57-60]。

IEEE 802.11p 標準側(cè)重于車輛通信，并支持用于安全應(yīng)用的短距離設(shè)備間傳輸。該協(xié)議工作在5.9 GHz頻段，使用OFDM 信令。文獻[61]提出了利用OFDM波形的目標檢測和測距算法，但在對目標進行估計和檢測時僅使用了窮舉優(yōu)化算法，高復雜度可能對工程應(yīng)用造成較大的壓力。基于IEEE 802.11p 標準的波形設(shè)計仍存在較大的研究空間，多車輛環(huán)境的信道模型、高分辨率低復雜度的檢測與估計算法等都是亟待解決的問題。

IEEE 802.11ad 是一種在60 GHz 頻段下運行的毫米波通信的通用標準，60 GHz 頻段的更大帶寬帶來了更強的感知能力與通信速率。文獻[59]給出了通過利用IEEE 802.11ad 標準在60 GHz 下運行的波束成形訓練協(xié)議中產(chǎn)生的回波信號，實現(xiàn)了雷達關(guān)鍵監(jiān)視功能的可能性，如探測潛在障礙物及其在距離多普勒域中的定位。

對于機會主義融合設(shè)計方式，一個難以避免的問題是，優(yōu)先考慮其中一種功能時，另一種功能往往會受到較大程度的限制。以通信信號為中心的波形設(shè)計由于傳輸信號的隨機性，可能導致信號自相關(guān)與互相關(guān)特性變差，從而降低雷達的動態(tài)范圍與分辨率，或?qū)е吕走_感知的范圍被較多地限制在通信的方向等；以感知信號為中心的波形設(shè)計則由于雷達的波形以及脈沖重復頻率的限制，通信速率大大降低，難以在車聯(lián)網(wǎng)等具有大帶寬低時延需求的場景中得到應(yīng)用。因此，不再嚴格區(qū)分功能主體的雙功能聯(lián)合機會主義融合設(shè)計也是當前缺少考慮的設(shè)計方式。

3.2 車聯(lián)網(wǎng)中的雙功能信號融合設(shè)計

目前，雖然學者們已經(jīng)對通信感知一體化系統(tǒng)設(shè)計進行了大量研究工作，但仍需要在更嚴格的條件限制以及應(yīng)用場景內(nèi)對其進一步討論與研究，如高動態(tài)的車聯(lián)網(wǎng)場景。

車聯(lián)網(wǎng)場景與普適性的場景存在諸多不同，通信感知信號融合的難度更大。首先，用戶的高速移動特性對通信和感知性能提出挑戰(zhàn)：多普勒頻移既會對多載波傳輸?shù)牟蓸优c定時產(chǎn)生干擾，也會降低目標感知估計的精度。盡管普適的一體化波形設(shè)計方案也對移動性進行了考慮，并采用了時頻域變換、高分辨率估計算法等對距離和速度的估計精度進行改進，但仍難以適用于高速靈活的移動場景；序號調(diào)制作為克服移動性的一種較有效的方法，也可以為適應(yīng)移動性的一體化波形設(shè)計提供基礎(chǔ)，這種基于序號調(diào)制的新波形還有待更多的研究。其次，車聯(lián)網(wǎng)覆蓋范圍廣，需要較大的動態(tài)范圍；實時性高，需要極高的數(shù)據(jù)傳輸速率與極低的傳輸時延以提高駕駛的安全性，這些都會給一體化波形設(shè)計帶來難度，也是傳統(tǒng)的設(shè)計方法較難滿足的。最后，高密度的用戶接入帶來了更多的通信節(jié)點、目標檢測估計任務(wù)以及復雜的網(wǎng)絡(luò)架構(gòu)。另外，行人車輛行為預測的難度以及高度動態(tài)的信道/感知環(huán)境，都是車聯(lián)網(wǎng)不同于傳統(tǒng)多用戶場景的特點，也使應(yīng)用于車聯(lián)網(wǎng)的一體化波形需要數(shù)據(jù)驅(qū)動的輔助與更高性能波形的設(shè)計技術(shù)。已有的方法在功能層面實現(xiàn)了基本的預測功能與感知對通信的輔助，但在信號層面的硬件一體化方面還缺少考慮。

針對車聯(lián)網(wǎng)場景特殊要求指標的通信感知融合是一項充滿前景的技術(shù)。車車、車路之間的海量連接帶來了更豐富的感知信息，將有助于通信系統(tǒng)的優(yōu)化設(shè)計；同時，通信技術(shù)構(gòu)建了車輛信息交互網(wǎng)絡(luò)，將極大增強單車的感知能力，克服單車智能所面臨的一系列問題，有助于應(yīng)對復雜的路況。盡管已有研究發(fā)現(xiàn)通信感知一體化信號波形的設(shè)計具備明顯的理論優(yōu)勢，但由于實際應(yīng)用場景的限制，專用雙功能信號波形在車聯(lián)網(wǎng)系統(tǒng)中的應(yīng)用目前仍然受到限制。例如，目前的聯(lián)合波形設(shè)計大多涉及解決相對復雜的優(yōu)化問題，而優(yōu)化問題的解決依賴于信道的先驗信息。然而，在高動態(tài)的車聯(lián)網(wǎng)中，準確的瞬時信道知識很難獲取，為求解優(yōu)化問題帶來困難。雖然目前的DFRC 系統(tǒng)考慮了具有雙重功能的傳感器，但它們主要用于低頻段，不能輕易擴展到車聯(lián)網(wǎng)場景。

常用的汽車雷達波形是調(diào)頻連續(xù)波（FMCW,frequency modulated continuous wave）。FMCW 能提供高精度的分辨率，接收成本低，但是存在距離多普勒耦合現(xiàn)象，并且它沒有可以用于嵌入通信數(shù)據(jù)的調(diào)制方法。調(diào)相連續(xù)波（PMCW,phase modulated continuous wave）也具有作為高分辨率汽車雷達的可行性，因為通信數(shù)據(jù)可以被嵌入其中。文獻[63]在PMCW 的基礎(chǔ)上，利用了OFDM的多載波特性以及PMCW 的碼序列來同時嵌入雷達和通信雙功能，克服了傳統(tǒng)PMCW 和OFDM波形的局限性。文獻[64]在車聯(lián)網(wǎng)場景中避免兩功能相互干擾的背景下，提出了一種基于PMCW 的通信感知雙功能系統(tǒng)，并確保其聯(lián)合設(shè)計的波形對動態(tài)多目標設(shè)置中的干擾具有穩(wěn)健性。文獻[65]提出了一種全新的雙站感知系統(tǒng)，采用基于OFDM 的單一波形來服務(wù)于汽車雷達感知和通信功能?；谏鲜龉ぷ鳎墨I[65]對文獻[63]提出的PMCW-JRC 聯(lián)合波形的性能進行了研究，并進一步闡述波形參數(shù)的選擇對通信和雷達性能指標之間的權(quán)衡的影響，還進一步通過誤碼率（BER,bit error rate）和CRLB 來分析雙功能信號系統(tǒng)中通信和雷達系統(tǒng)的性能。表5 對車聯(lián)網(wǎng)中的雙功能信號融合設(shè)計方法進行了比較。

表5 車聯(lián)網(wǎng)中的雙功能信號融合設(shè)計方法的比較

4 車聯(lián)網(wǎng)通信感知一體化未來發(fā)展方向

4.1 功能融合模型面臨的挑戰(zhàn)及發(fā)展方向

4.1.1 感知功能輔助通信

1)感知功能輔助的信道建模

目前，從信道應(yīng)用的角度來指導車聯(lián)網(wǎng)通信感知一體化信道模型的構(gòu)建仍處于起步階段。車聯(lián)網(wǎng)通信感知一體化系統(tǒng)可以精確地感知周圍環(huán)境信息，這對信道模型的準確性提出了更高的要求。構(gòu)建高精度信道模型最直觀的方法是GBDM 建模法。然而，車聯(lián)網(wǎng)通信感知一體化系統(tǒng)依然基于通信網(wǎng)絡(luò)。采用完全確定的信道建模方法會帶來超高的計算復雜度，難以支撐車聯(lián)網(wǎng)通信感知一體化系統(tǒng)級的仿真。在未來，從信道應(yīng)用的角度，需提出一種在準確性和復雜度之間有更好折中的信道建模方法。

3)感知功能輔助的信道估計

當前感知功能輔助信道估計涉及的感知信息種類較少，通常為位置、速度等信息。如何充分利用更復雜的感知信息（如LiDAR、圖像）以獲得更好的估計效果與更低的開銷，是感知功能輔助信道估計任務(wù)中值得研究的問題。同時，如何利用深度學習融合多模態(tài)感知信息需要更深入的認知，有必要理解性地設(shè)計感知融合的方案，從而避免盲目套用。

3)感知功能輔助的多車資源聯(lián)合分配

在車聯(lián)網(wǎng)中，車輛所需的各種資源，如功率、波束、頻譜、存儲、計算等均需要隨時進行優(yōu)化分配以優(yōu)化整個車聯(lián)網(wǎng)系統(tǒng)的性能。不同車輛在同一時刻執(zhí)行的任務(wù)以及業(yè)務(wù)需求有所不同，其對于不同維度資源的需求也同樣具有異構(gòu)性。盡管目前有工作[24,66-67]研究了多車輛的功率以及時間分配問題，如何實現(xiàn)大規(guī)模高動態(tài)車聯(lián)網(wǎng)的多維度資源聯(lián)合優(yōu)化分配卻仍然是一個開放性問題。感知功能的引入有助于輔助探測多車輛的任務(wù)時空分布特征、預測未來的任務(wù)時空分布變化趨勢以及相應(yīng)的資源需求。感知功能輔助的車聯(lián)網(wǎng)多維度資源聯(lián)合優(yōu)化分配問題是未來的研究方向之一。

4)波束成形預測中的波束寬度自適應(yīng)調(diào)整

在車聯(lián)網(wǎng)中，隨著車輛與RSU 之間距離的變化，固定寬度的波束是無法保證隨時覆蓋車輛的通信接收機的。然而，目前針對波束追蹤以及波束成形預測的工作絕大多數(shù)并未考慮車輛在實際應(yīng)用場景下相對于RSU 尺寸的變化，忽略了波束寬度動態(tài)變化的需求，這將會導致RSU與車輛之間的波束無法嚴格對準進而導致通信速率下降甚至無法正常建立V2I 鏈路。據(jù)本文調(diào)研，目前極少存在針對實際應(yīng)用場景下，車輛尺寸相對于RSU的演化而帶來的波束覆蓋范圍問題的研究。未來，如何在感知信息輔助下實現(xiàn)高動態(tài)寬度調(diào)整的波束成形預測值得被進一步研究。

4.1.2 通信支撐的超視距感知

在未來，考慮到通信支撐的超視距感知與車聯(lián)網(wǎng)系統(tǒng)的有機結(jié)合，亟須提出一種針對周邊環(huán)境特征設(shè)計的多級分層的協(xié)同超視距感知方法。在數(shù)據(jù)交互方面，需要進行多級交互的超視距感知，利用特征數(shù)據(jù)乃至原始數(shù)據(jù)，補充語義提取較差區(qū)域的信息，平衡精度與效率；在融合處理方面，需要采用分層融合、動態(tài)更新的模式，以適應(yīng)動態(tài)靜態(tài)目標并存的復雜環(huán)境。利用交互和融合2 個層面，共同形成多級分層的協(xié)同超視距感知，用以提升車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的感知能力。

4.2 信號融合模型面臨的挑戰(zhàn)及發(fā)展方向

4.2.1 專為車聯(lián)網(wǎng)場景設(shè)計的雙功能波形

車輛、路邊單元乃至行人等各端的通信感知硬件層面共享可以極大縮減硬件成本，同時為車聯(lián)網(wǎng)的設(shè)計提供新的范式，較大規(guī)模地擴展傳統(tǒng)的通信感知功能。但在實際應(yīng)用中，高速移動的車輛需要更加精確的波束指向，這為先前的波束成形方法帶來了更大的挑戰(zhàn)；另外，車車之間密集的信息傳遞與車輛對周圍環(huán)境的感知，在先前的波形設(shè)計中也難以同時進行考慮。總而言之，專為車聯(lián)網(wǎng)場景設(shè)計的雙功能波形仍需研究。

4.2.2 統(tǒng)一實用的性能界度量研究

為刻畫通信感知一體化系統(tǒng)的性能極限，需要發(fā)展通信感知一體化的信息論來統(tǒng)一兩者的數(shù)學模型，這將從理論上指導波形的設(shè)計與資源的分配。目前，已有工作提出了“估計速率”來描述雷達的估計性能[68]。然而，這一指標與雷達的常用性能指標，如檢測概率、虛警概率和均方誤差等聯(lián)系尚不明確。因此，還需要進一步揭示感知性能與信息論的內(nèi)在聯(lián)系。

4.2.3 適用于車聯(lián)網(wǎng)場景的系統(tǒng)架構(gòu)設(shè)計

為實現(xiàn)通信與感知體制的進一步融合，需要設(shè)計新的傳輸協(xié)議與系統(tǒng)架構(gòu)，以實現(xiàn)全場景下的通信與感知功能的互不干擾甚至協(xié)同優(yōu)化。因此，需要考慮針對不同的場景，設(shè)計低成本、低復雜度和高效率的通信感知一體化的新系統(tǒng)架構(gòu)。已有的工作只對V2I 場景下的車輛直行、通過路口等基本任務(wù)進行了考慮，但現(xiàn)實路況往往更加復雜，還需要考慮更多現(xiàn)實因素與復雜的信道環(huán)境，設(shè)計更加完善的協(xié)議與架構(gòu)。表6 總結(jié)了車聯(lián)網(wǎng)通信感知一體化功能融合模型以及信號融合模型的未來發(fā)展方向及挑戰(zhàn)。

表6 車聯(lián)網(wǎng)通信感知一體化未來發(fā)展方向及挑戰(zhàn)

5 結(jié)束語

隨著智能車輛具備的感知能力與通信能力日益增強以及智能車聯(lián)網(wǎng)技術(shù)和產(chǎn)業(yè)的迅速發(fā)展，通信與感知雙功能的融合設(shè)計也因其能帶來的強大協(xié)作增益受到廣泛關(guān)注。依托車聯(lián)網(wǎng)中的通信設(shè)備以及種類豐富的感知設(shè)備，通信感知一體化技術(shù)就是利用通信和感知的協(xié)同融合，實現(xiàn)雙功能在硬件資源以及功能層面上的相互增強。首先，定義了車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的2 種融合模型：功能融合與信號融合。其次，回顧總結(jié)了車聯(lián)網(wǎng)通信感知一體化功能融合模型的相關(guān)研究工作。再次，回顧了應(yīng)用于一般場景下的三類信號融合方式，介紹了目前專用于車聯(lián)網(wǎng)中的雙功能信號設(shè)計的研究現(xiàn)狀。最后，提出了功能融合模型以及信號融合模型在未來的發(fā)展方向以及面臨的挑戰(zhàn)。本文通過對車聯(lián)網(wǎng)通信感知一體化已有研究成果的綜述，總結(jié)了研究思路，為相關(guān)領(lǐng)域研究人員快速全面地了解車聯(lián)網(wǎng)通信感知一體化研究現(xiàn)狀及進展提供參考與幫助。