川海智库

报告概述

本报告聚焦5G-A通感融合技术，在前期研究基础上结合3GPP最新进展，构建了通感信道模型（包括目标RCS、大尺度与小尺度衰落、空间一致性等），针对无人机、车辆、室内外行人等场景明确了系统与链路仿真配置，提出了分辨率、精确度、检测概率、感知更新频率等性能指标的定义与评估方法，并给出了最新仿真评估结果。为5G-A通感技术的方案评估、标准化及实际部署提供了重要参考。

报告的核心结论

自发自收模式定位精度更高，但双基地模式检测率更优。

在无人机场景中，基站自发自收感知的95%位置误差可达1.43米（30GHz），而双基地感知的单pair检测率可达98%，但位置误差较大（7.785米）。这为不同场景的感知模式选择提供了依据。

多链路协作感知能显著提升检测概率与定位精度。

在无人机仿真中，采用2个收发pair进行协作感知，水平位置误差从单pair的2.442米降至0.85米，检测率从81%提升至98%。多站协同可有效克服目标遮蔽效应。

感知性能高度依赖于载频、带宽和天线配置。

在无人机场景下，30GHz相比4GHz，95%位置误差从2.89米降至1.43米，速度误差从0.08m/s降至0.005m/s。更高频段和大带宽带来更好的分辨率和精度。

室内人员感知可实现米级定位精度和较高检测率。

在Indoor Room场景中，1个TRP发3个UE收的感知模式，目标定位RMSE为1.1655米，检测概率92.2%；而有3个目标时，检测概率降低至80.6%，表明多目标场景下性能有所下降。

报告回答的关键问题

什么是5G-A通感融合？

5G-A通感融合是指通信与感知一体化设计，通过共享硬件和信号，使5G网络具备对无人机、车辆、人员等目标的检测、定位、测速能力。报告给出了系统的信道模型、评估方法和仿真结果，为技术落地提供参考。

通感融合如何实现无人机感知？

通过基站或终端发送感知信号，接收反射回波，利用RD图、角度估计等算法获取无人机位置与速度。报告给出了UMa、UMi、RMa场景下的仿真配置和性能结果，如4GHz下95%位置误差小于2.89米。

通感融合的评估指标有哪些？

包括分辨率（距离/速度/角度）、精确度（RMSE和置信度误差）、检测概率、虚警概率、感知更新频率等。报告详细定义了这些指标的计算公式，并规范了系统与链路仿真的评估流程。

室内感知的典型场景和性能如何？

室内场景包括InH、InF和Indoor Room。以Indoor Room为例，采用TRP发UE收模式，1个目标时定位RMSE为1.1655米，检测概率92.2%，虚警概率14.8%。多目标场景下检测概率会降低。

报告中的代表性数据

95%位置误差<2.89米

无人机感知位置误差（4GHz，UMa）

仿真结果，采用基站自发自收模式，载频4GHz，带宽100MHz，无人机高度25~300米。

定位RMSE=1.1655米

室内人定位误差（Indoor Room，4GHz）

仿真结果，1个感知目标，1个TRP发3个UE收，载频4GHz，带宽100MHz。

以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。

完整报告包含什么

  • 完整的通感信道模型，包括目标RCS建模（无人机、车辆、人体）、环境物体分类与建模、大尺度与小尺度衰落、空间一致性方法。
  • 无人机（UMa/UMi/RMa）、车辆（Highway/Urban Grid）、室内人员（InH/InF/Indoor Room）及室外人员的系统仿真配置参数表。
  • 链路仿真配置方法，基于CDL信道建模，给出感知模式、信道模型、目标距离角度范围等参数。
  • 感知性能指标的定义与度量，包括分辨率、精确度（RMSE和置信度误差）、检测概率、虚警概率、感知更新频率的计算公式。
  • 系统级和链路级仿真评估流程，含信号生成、信道卷积、杂波消除、参数估计算法（如DFT/IDFT、MUSIC、ESPRIT）。
  • 多场景仿真结果图表，如无人机在不同频段和感知模式下的位置/速度误差CDF曲线，车辆在城区和高速公路的误差分布，室内人员的定位精度。
  • 干扰建模方法，包括小区内目标干扰、其他基站/UE干扰、全双工自干扰，以及简化建模选项。
  • 附录包含RCS实测结果（无人机、车辆、人体）、环境物体外场实测数据、链路预算模板、术语和缩略词表。

本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。

相关报告