报告概述
本报告围绕5G-Advanced通感融合技术，系统研究通感信道模型、评估配置与评估方法。覆盖无人机、车辆、室内外行人等典型感知场景，提出基于3GPP TR 38.901的感知信道建模框架，定义分辨率、精确度、检测概率等感知性能指标，并给出系统与链路仿真评估流程。报告为5G-A通感技术方案性能评估和标准化提供重要参考。
报告的核心结论
5G-A通感融合需建立统一信道模型
报告在3GPP信道模型基础上，提出包含目标RCS、环境物体、大尺度衰落、小尺度衰落及空间一致性的通感信道建模方法，为方案评估奠定基础。
感知性能指标需分场景差异化定义
报告针对分辨率、精确度、检测概率、感知更新频率等指标，结合不同场景（无人机、车辆、人员）给出具体度量方法和统计方式。
多链路协作感知可显著提升性能
仿真结果表明，相比单链路感知，多链路协作可提高检测概率和定位精度，减轻目标“遮蔽效应”，如无人机场景检测率从81%提升至98%。
通感融合在低空和交通场景具有应用潜力
报告给出的无人机和车辆感知仿真结果展示了5G-A系统在低空管理和智能交通中的感知能力，位置精度可达米级，速度误差小于0.1m/s。
报告回答的关键问题
5G-A通感融合指标有哪些？
报告定义了分辨率、精确度、检测概率和感知更新频率等四类通用指标，以及定位、成像、目标识别等相关指标，并给出距离、速度、角度等具体度量方法。
无人机感知的性能如何？
在UMa场景4GHz下仿真显示，95%目标位置误差小于2.89米，径向速度误差小于0.08m/s，检测率97.8%；30GHz下位置误差小于1.43米，速度误差小于0.005m/s。
车辆感知中多链路融合有什么优势？
多收发pair协作感知可提升检测概率和定位精度，例如单pair检测率81%，多pair提升至98%，水平位置误差从2.44米降至0.85米，垂直误差从0.875米降至0.565米。
室内人感知的评估方法是什么？
报告给出Indoor Office、Indoor Factory、Indoor Room场景的仿真配置和系统/链路评估方法，采用TRP-UE双基地感知，通过RMSE和CDF统计定位、测速性能。
报告中的代表性数据
无人机位置误差RMSE (4GHz, UMa场景)
仿真时间未明确，TRP单基地感知，无人机高度25-300米，速度0-180km/h，95%位置误差小于2.89米。
无人机速度误差RMSE (4GHz, UMa场景)
仿真时间未明确，对应径向速度，95%速度误差小于0.08m/s。
车辆检测概率 (Urban Grid, 4GHz)
仿真时间未明确，TRP单基地感知，车辆速度60km/h，95%位置误差小于5.35米。
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
- 详细的通感信道建模方法，包括目标RCS建模（无人机、车辆、人的RCS参数及实测拟合）、环境物体（Type-1/Type-2）建模、大尺度/小尺度衰落及空间一致性建模。
- 无人机、车辆、室内外行人等场景的系统仿真配置与参数表格，涵盖网络拓扑、天线配置、载频、带宽、功率等。
- 链路级仿真配置方法及CDL信道建模参数，包括感知模式、信道模型、目标距离/角度范围、运动模型、算法等。
- 感知性能指标的数学定义与计算公式，包括分辨率（距离、角度、多普勒）、精确度（置信度、RMSE）、检测概率、虚警概率、感知更新频率。
- 系统仿真与链路仿真的具体评估流程，包括信道生成、信号处理、参数估计、度量统计等步骤。
- 多个仿真案例的评估结果图表，包括无人机的UMa/UMi场景、车辆Urban Grid/Highway场景、室内Indoor Office/Factory/Room场景的误差CDF曲线。
- 附录中的RCS实测数据（无人机、车辆、人体在不同频点下的测量结果及建模公式）、环境物体外场实测、干扰建模方法（自干扰、小区间干扰等）、链路预算模板。
- 术语和缩略词表，以及9家贡献单位名单（华为、维沃、中国信通院、中兴等）。
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。
