简介：这份文档资料聚焦5G-A与6G阶段的通感一体化融合架构及关键技术，面向通信领域研究人员、标准化工作者及高校相关专业师生，帮助读者系统理解通感融合的网络架构设计思路与技术演进路径。资源为1个docx文档，压缩包约141KB，内容围绕5G-A广域与局域场景下的通感融合架构、6G高低频协作及算力网络两种架构建议展开，并深入分析新型一体化波形、全双工等关键技术。文档结合3GPP、IMT2020等标准化进展，梳理了通感融合的研究需求与架构特征，可为后续网络部署提供技术参考。目前已有834人学习下载，适合需要快速把握通感融合整体框架、开展相关课题研究或技术预研的读者参考使用。
1. 通感一体化融合架构：为什么现在做的人都在聊“一张网既通信又感知”
如果你最近在关注 6G 预研、车路协同或者低空经济，大概率会反复撞见“通感一体化”这个词。它说的是同一套硬件、同一段频谱、同一帧信号，既把数据传出去，又把周围环境“看”回来——通信和感知不再是两套独立系统，而是共用波形、共用基带、共用天线阵列。这件事的价值很直接：基站密度已经很高，再单独铺一张感知网，成本和频谱都吃不消；而通感一体化让现有站点顺手多干一份活。它适合谁？做无线算法、雷达信号处理、边缘计算网关的工程师，以及需要低成本区域感知能力的集成方。但“融合架构”四个字容易把人带偏，以为只是把两个模块塞进一个机箱。真正的难点在波形设计、资源调度和干扰抑制三件事上，下面按落地顺序拆开讲。
2. 融合架构到底融在哪：从波形到调度的三层拆解
2.1 通感一体化的三个融合层级
很多人第一次接触通感一体化，会默认它是“通信模块 + 雷达模块”的物理拼装。实际做下来，融合分三层，层级越深，收益越大，但改动也越大。
第一层是硬件与射频前端融合。通信和感知共用天线阵列、功放和收发链路，靠时分或频分切换工作模式。这一层最容易落地，改造成本低，但感知和通信互相抢时间片，效率上不去。
第二层是波形与基带融合。用同一套 OFDM 波形同时承载数据和感知回波处理，通信信息调制在子载波上，感知靠回波时延和多普勒解算。这一层是当前主流研究方向，也是“融合架构”真正区别于“共站部署”的地方。
第三层是资源调度与协议融合。在 MAC 层统一分配时频资源，根据业务需求动态倾斜——车流量大的路口多给感知资源，数据回传高峰多给通信资源。这一层决定系统能不能在真实场景里跑稳。
我一般建议从第二层切入，因为第一层收益有限，第三层依赖第二层的波形基础。下面给一个最小可跑的 OFDM 通感一体基带仿真骨架，用 Python 写，方便你直接改参数验证。
import numpy as np # 系统参数：子载波间隔 30kHz，带宽 20MHz，FFT 1024 点 N_fft = 1024 N_cp = 72 # 循环前缀长度，约 2.4us scs = 30e3 # 子载波间隔 fs = N_fft * scs # 采样率 30.72MHz T_sym = N_fft / fs # 有效符号时长 # 通信数据占用的子载波（中间段），感知占用边缘子载波 comm_subcarriers = np.arange(200, 824) sens_subcarriers = np.concatenate([np.arange(100, 200), np.arange(824, 924)]) def generate_isdac_symbol(comm_bits, sens_waveform): """生成一个通感一体 OFDM 符号""" freq_grid = np.zeros(N_fft, dtype=complex) # 通信：QPSK 映射到中间子载波 qpsk = (2 * comm_bits[0::2] - 1) + 1j * (2 * comm_bits[1::2] - 1) freq_grid[comm_subcarriers] = qpsk[:len(comm_subcarriers)] / np.sqrt(2) # 感知：边缘子载波放已知参考序列，用于回波相关 freq_grid[sens_subcarriers] = sens_waveform[:len(sens_subcarriers)] # IFFT 加 CP time_sym = np.fft.ifft(freq_grid) * N_fft return np.concatenate([time_sym[-N_cp:], time_sym]) # 生成一帧：14 个符号 frame = [] for _ in range(14): bits = np.random.randint(0, 2, 2 * len(comm_subcarriers)) ref = np.exp(1j * 2 * np.pi * np.random.rand(len(sens_subcarriers))) frame.append(generate_isdac_symbol(bits, ref)) frame = np.concatenate(frame) print(f"一帧样本数: {len(frame)}, 时长: {len(frame)/fs*1e3:.3f} ms")这段代码的关键设计点：通信和感知占用不重叠的子载波，避免相互干扰。感知用已知参考序列，接收端做匹配滤波就能提取时延。参数上，N_cp决定最大无模糊感知距离，按c * N_cp / (2 * fs)算，这里约 350 米，城市微站够用；scs越大，对多普勒越不敏感，但覆盖半径缩小，30kHz 是通感折中的常见选择。
2.2 感知回波处理链路怎么接
波形发出去只是第一步，回波处理才是感知能力的来源。接收端要做的事：去掉 CP、FFT 回到频域、在感知子载波上做参考序列的共轭相乘、再 IFFT 得到距离-多普勒二维图。
def range_doppler_map(rx_frame, ref_seq, n_sym=14): """从接收帧生成距离-多普勒图""" sym_len = N_fft + N_cp rd_matrix = np.zeros((N_fft, n_sym), dtype=complex) for i in range(n_sym): seg = rx_frame[i*sym_len + N_cp : i*sym_len + sym_len] freq = np.fft.fft(seg) / N_fft # 只在感知子载波上做相关 corr = freq[sens_subcarriers] * np.conj(ref_seq[:len(sens_subcarriers)]) # 补零到 N_fft 做距离维 IFFT full = np.zeros(N_fft, dtype=complex) full[sens_subcarriers] = corr rd_matrix[:, i] = np.fft.ifft(full) # 多普勒维 FFT rd_map = np.fft.fftshift(np.fft.fft(rd_matrix, axis=1), axes=1) return np.abs(rd_map) # 模拟一个目标：距离 bin 120，速度对应多普勒 bin 3 rx = frame.copy() delay = 120 doppler_shift = 3 rx = np.roll(rx, delay) * np.exp(1j*2*np.pi*doppler_shift*np.arange(len(rx))/N_fft) rd = range_doppler_map(rx, np.exp(1j*2*np.pi*np.random.rand(len(sens_subcarriers)))) peak = np.unravel_index(np.argmax(rd), rd.shape) print(f"检测到峰值: 距离bin={peak[0]}, 多普勒bin={peak[1]}")逻辑说明：range_doppler_map先逐符号做频域相关，再在符号间做 FFT 提取多普勒。距离分辨率由带宽决定，20MHz 对应约 7.5 米；速度分辨率由帧时长决定，一帧 0.5ms 对应约 ±30m/s 无模糊范围。参数上，感知子载波数量越多，相关增益越高，但留给通信的资源越少，一般感知占 10%~20% 子载波是常见配比。
2.3 资源分配：通信和感知怎么分才不打架
固定分配简单但浪费。真实系统里，通信业务是突发的，感知需求也随场景变化。常见做法是设一个资源仲裁器，按优先级和队列深度动态调整。
| 分配策略 | 通信吞吐损失 | 感知检测概率 | 适用场景 |
|---|---|---|---|
| 固定 8:2 | 约 12% | 0.92 | 业务稳定、感知要求固定 |
| 时分轮询 | 约 8% | 0.88 | 通信突发性强 |
| 动态加权 | 约 5% | 0.90 | 车路协同、低空监测 |
动态加权的核心是给感知资源设一个下限，保证最小检测概率，剩余资源按通信队列长度分配。实现上可以用一个滑动窗口统计过去 100ms 的通信缓冲占用率，超过阈值就把感知子载波压缩到下限。
3. 从仿真到半实物：把通感一体链路跑起来的四个步骤
3.1 用 SDR 搭最小验证平台
仿真跑通后，下一步是上软件无线电平台验证。常见组合是 USRP 或类似 SDR 加一台主机，收发共用天线。步骤：
- 在主机上把上面的 Python 链路改成实时流式处理，采样率对齐 SDR 能力，一般降到 10MHz 以内。
- 配置 SDR 中心频率和增益，通信和感知共用同一射频通道。
- 发送端循环发帧，接收端持续采集，用环形缓冲区分帧。
- 在接收端跑
range_doppler_map，把结果实时画出来。
# 以常见 SDR 工具链为例，先确认设备识别和采样率设置 # 具体命令随平台不同，这里只示意参数位置 sdr_tool --args "type=b200" --rate 10e6 --freq 3.5e9 --gain 40 --ant TX/RX参数说明：rate决定距离分辨率，10MHz 对应约 15 米；freq选在合法可用的实验频段；gain太大会饱和，太小感知回波淹没在噪声里，一般从 30dB 起步，看接收频谱调。
3.2 同步与定时：通感一体的隐形门槛
通信对定时误差的容忍度是 CP 长度的一部分，感知对定时误差更敏感，因为时延直接映射距离。常见做法是用通信链路的同步信号做粗同步，再用感知参考序列做精同步。
def fine_sync(rx, ref): """用感知参考序列做滑动相关，找精确起始点""" corr = np.correlate(rx[:len(ref)*4], ref, mode='valid') return np.argmax(np.abs(corr)) # 粗同步后，在 ±CP 范围内做精同步 coarse = 0 fine = fine_sync(frame[coarse:coarse+5000], np.tile(ref[:100], 4)) print(f"精同步偏移: {fine - coarse} 样本")逻辑：粗同步给出大致帧头，精同步在局部窗口内找相关峰。偏移量超过 CP 长度就会产生符号间干扰，感知距离也会整体偏移。实测中，采样时钟不同源时，偏移会随帧数累积，需要定期重同步。
3.3 干扰抑制：通信和感知互扰怎么压
即使子载波不重叠，功放非线性也会产生带外泄漏，感知弱回波容易被通信强信号淹没。三个常用手段：
- 功率控制：通信子载波功率回退 3~6dB，感知子载波满功率发。
- 保护带：通信和感知子载波之间留 5~10 个空子载波。
- 接收端滤波：在感知相关前，先对感知子载波做窄带滤波，抑制通信泄漏。
我一般先加保护带，代价最小；不够再上功率回退，最后才动接收端滤波，因为滤波会引入额外时延。
4. 通感一体化落地避坑：五个真实翻车点
4.1 感知距离算出来总是偏大
现象：仿真里目标在 100 米，实测解出来 130 米。原因：射频链路和滤波器引入固定群时延，没做校准。解决：在已知距离放一个强反射体，测出固定偏移，从所有距离结果里减掉。这个校准值随温度和增益变化，建议每次开机做一次。
4.2 多普勒维出现假峰
现象：静止目标在多普勒图上出现对称的两个峰。原因：I/Q 不平衡导致镜像干扰。解决：在接收端做 I/Q 幅相校正，或者用实数采样加希尔伯特变换。校正系数可以用一个单音信号提前标定。
4.3 通信误码率在感知开启后飙升
现象：单独跑通信 BER 正常，一开感知就恶化。原因：感知子载波功率太高，功放进入非线性区，产生互调。解决：降低感知子载波功率，或者把感知子载波放在频谱边缘，让互调产物落在带外。实测中，感知功率比通信低 3dB 时，互调影响基本可忽略。
4.4 动态调度导致感知帧率不稳
现象：通信忙的时候，感知结果更新明显变慢。原因：资源仲裁器没有给感知设硬下限。解决：在调度器里给感知资源设一个最小配额，比如每 10ms 至少保证 2 个感知符号。这个下限按最小检测概率反推，不要拍脑袋。
4.5 长时间跑出现时钟漂移
现象：跑十几分钟后，感知距离整体缓慢偏移。原因：收发时钟不同源，采样率有微小偏差。解决：用通信链路的导频做时钟跟踪，定期调整接收端重采样相位。或者直接用同一个时钟源给收发两端。
5. 把通感一体做扎实的一个进阶习惯：先定感知指标再调通信参数
很多团队做通感一体，习惯先把通信链路调通，再往上加感知。这个顺序容易导致后期为了感知指标反复改通信参数，返工量大。我踩过几次坑之后，习惯反过来：先定感知的最小可用指标，再倒推通信参数的可调范围。
具体做法是列一张指标对照表，把感知的距离分辨率、速度分辨率、检测概率和通信的吞吐、时延、误码率放在一起，标出哪些参数是共享的、哪些是独立的。
| 指标 | 决定参数 | 与通信的耦合关系 |
|---|---|---|
| 距离分辨率 | 带宽 | 带宽越大通信速率越高，正相关 |
| 速度分辨率 | 帧时长 | 帧越长通信时延越大，负相关 |
| 检测概率 | 感知子载波数 | 占用越多通信吞吐越低，负相关 |
| 通信误码率 | 发射功率 | 功率越高感知回波越强，正相关但受非线性限制 |
这张表的作用是：当感知检测概率不达标时，你知道可以动哪些参数，以及动了之后通信会受什么影响。比如检测概率差 5%，优先加感知子载波数，而不是加功率，因为加功率会先触发功放非线性，通信先崩。
另一个习惯是每次改参数只动一个，并且记录改动前后的感知和通信指标。通感一体的参数耦合比纯通信或纯感知都强，一次动两个，出了问题根本分不清是谁引起的。我一般用一个简单的 CSV 记录：时间、改动项、旧值、新值、感知检测概率、通信吞吐、误码率。跑上几十组，参数敏感度就清楚了。
最后说一个验证技巧：在暗室或开阔场地放两个角反射器，一个静止一个移动，看距离-多普勒图上两个峰是否稳定分离。如果两个峰在距离维分不开，说明带宽不够；在多普勒维分不开，说明帧太短。这个测试比看单一指标直观得多，也更容易说服团队加资源。希望帮到你。
本文还有配套的精品资源，点击获取
