类型a：

面向低空无人机的通感一体化关键技术及原型验证研究学术报告

一、作者与发表信息
本研究由清华大学自动化系赵川斌（博士生）、张腾宇（博士生）、冯源（硕士生）、罗东琦（博士后）及高飞飞（教授）团队与中国电信股份有限公司四川分公司合作完成，发表于《Chinese Journal on Internet of Things》2025年第9卷第2期。

二、学术背景
研究领域为6G通感一体化（Integrated Sensing and Communications, ISAC）技术，聚焦低空无人机监管与通信需求。随着低空经济快速发展，无人机规模化应用面临两大挑战：一是需构建低时延、大带宽的通信网络以支持飞行控制与数据传输；二是需解决非合作无人机（如“黑飞”无人机）的安全监管问题。传统雷达感知与通信系统分立部署存在成本高、覆盖有限等缺陷，而ISAC技术通过蜂窝基站实现通信与感知功能融合，可同时满足低空通信与动态目标感知需求。本研究旨在突破单基站感知局限，提出多基站协同与多模态感知方案，并开发硬件原型验证平台。

三、研究流程与方法
1. 单基站低空感知关键技术
- 目标：实现单个基站对动态无人机的实时检测与参数估计（距离、角度、速度）。
- 方法：
- 基站通过多天线波束扫描划分的感知区域，接收目标回波信号。
- 采用静态杂波滤除算法（如自适应滤波）消除环境干扰，结合匹配滤波与快速傅里叶变换（FFT）提取目标运动参数。
- 通过航迹关联算法（如交互式多模型算法）实现目标跟踪与轨迹预测。
- 创新点：提出基于OFDM（正交频分复用）信号的参数估计方法，优化波束成形架构以提升角度分辨率。

1. 多基站协同感知技术

   • 目标：解决单基站覆盖与精度不足的问题。
     
   • 方法：
     
     • 设计“特征级”协同方案：各基站压缩回波数据并提取感知特征，传输至边缘计算中心进行融合。
       
     • 开发基于深度学习的特征提取与重建算法，降低数据传输量并保留关键信息。
       
   • 实验验证：仿真表明，多基站协同可使感知精度按ln(2N)规律提升（N为基站数量）。
     

2. 融合视觉的多模态感知技术

   • 目标：结合视觉与无线信号优势，提升目标识别鲁棒性。
     
   • 方法：
     
     • 基站挂载光学摄像机，通过深度学习提取目标图像特征。
       
     • 视觉模块引导通信波束对准目标，利用毫米波信号生成点云图，与视觉特征融合。
       
     • 设计空间校准算法，将图像二维坐标与点云三维坐标映射统一。
       
   • 创新点：提出动态效果判定系统，在视觉失效时自动切换至纯无线感知模式。
     

3. 多基站资源管理与干扰消除

   • 目标：优化蜂窝网中通信与感知信号的资源分配。
     
   • 方法：
     
     • 基于强化学习设计基站开关策略与波束扫描避让机制。
       
     • 联合优化功率、带宽与波束成形，以半正定规划（SDP）求解非凸问题。
       
   • 实验验证：通过站间协作将感知信干噪比提升30%以上。
     

4. 硬件原型验证

   • 平台架构：基于Xilinx FPGA实现820 MHz带宽OFDM基带处理，集成26 GHz毫米波射频阵列。
     
   • 测试结果：
     
     • 无人机追踪：距离分辨率达0.1828米，速度分辨率0.0907 m/s，识别率>99%。
       
     • 飞鸟识别：通过SVM、KNN等算法分类准确率超90%，主成分分析（PCA）可视化显示显著特征分离。
       

四、主要结果与逻辑关联
- 单基站实验验证了OFDM信号感知的可行性，为多基站协同提供理论基础；
- 多基站仿真显示协同可显著提升覆盖与精度，驱动资源管理方案设计；
- 多模态融合结果证明视觉与无线信号的互补性，支持全天候监管需求；
- 原型平台实测数据直接支撑ISAC技术的工程落地潜力。

五、结论与价值
1. 科学价值：提出首个多基站“特征级”协同感知框架，突破传统信号级融合的高计算瓶颈。
2. 应用价值：为低空智联网提供“通信-感知-识别”一体化解决方案，助力非合作无人机监管。
3. 技术革新：开发的硬件原型实现820 MHz带宽实时处理，较现有5G基站感知能力提升3倍。

六、研究亮点
- 方法创新：将深度学习引入多基站特征压缩与重建，降低回波传输开销80%；
- 跨模态设计：首创视觉引导波束对准机制，缩短毫米波波束扫描时间至1/50；
- 工程突破：FPGA基带处理支持1 Gbps通信速率与300米感知距离同步实现。

七、其他贡献
公开无人机-飞鸟联合数据集，为后续研究提供基准；提出的强化学习资源分配算法可扩展至车联网等垂直场景。