1、1“6G通感算融合”专题11立体交通系统通感算一体化关键技术李晨玮，周建山*，田大新，段续庭（北京航空航天大学交通科学与工程学院，车路协同与安全控制北京市重点实验室，车路一体智能交通全国重点实验室，北京10 2 2 0 6）【摘要】以无人机、智能网联汽车、道路基础设施等空地平台为载体的立体交通系统是智慧城市综合交通在6 G网络中发展的前沿方向。随着海量无线通信终端、智能传感器等物理设备与交通运输环境、载运工具和道路基础设施深度融合，立体交通系统对通信感知的需求日益增长；然而，当前系统的发展受网络体系结构、通信资源、计算资源和感知能力的制约，其信息交互与综合处理能力呕待协同提高。另一方面，通信感
2、知与边缘计算一体化（ISAC-EC）技术发展及其在空地协同网络中应用，为立体交通系统演进提供了新的推动力。面向立体交通系统应用场景，总结了ISAC-EC技术发展与应用现状，然后构建了空对地、地对空通信感知联合优化模型，给出了通信波束和雷达波束联合设计的关键技术思路；最后，针对典型应用场景开展仿真实验，结果展现了通感算一体化关键技术在立体交通系统中的应用潜力和优势，可为系统发展建设提供指导。【关键词】立体交通系统；无人机；智能网联汽车；通信感知与边缘计算一体化；凸优化doi:10.3969/j.issn.1006-1010.20240122-0001中图分类号：TN929.5文献标志码：A文章编
3、号：10 0 6-10 10(2 0 2 4)0 3-0 0 14-0 7引用格式：李晨玮,周建山,田大新,等.立体交通系统通感算一体化关键技术.移动通信，2 0 2 4,48(3):14-2 0.LI Chenwei,ZHOU Jianshan,TIAN Daxin,et al.Key Technology of Communication Sensing and Computing Integration for Three-Dimensional Transportation SystemJ.Mobile Communications,2024,48(3):14-20.Key Techn
4、ology for Integrated Communication Sensing and Computing in(Beihang University,School of Transportation Science and Engineering,Beijing Key Laboratory for Cooperative Vehicle Infrastructure Systems andAbstractKeywords收稿日期：2 0 2 4-0 1-2 2*基金项目：国家自然科学基青年基金“随机不确定干扰下无人机-车辆群体拓扑可靠性机理及组网传输优化研究”（52 2 0 2 39
5、1）；国家自然科学基区域联合创新基金重点项目“车路云感传一体化与智能汽车安全决策理论及关键技术”（U20A20155）*通信作者14移动通信2024年3月第3期OSID:Three-Dimensional Transportation SystemLI Chenwei,ZHOU Jianshan,TIAN Daxin,DUAN XutingSafety Control,State Key Lab of Intelligent Transportation System,Beijing 102206,China)Incorporating unmanned aerial vehicles(UAV
6、s),intelligent connected vehicles,and road infrastructure,three-dimensionaltransportation systems emerge as a cutting-edge direction in smart city integrated transport development in the 6G network.With the increasing integration of a myriad of wireless communication terminals and smart sensors into
7、 the transportationenvironment,vehicles,and road infrastructure,the demand for communication and sensing in three-dimensional transportationsystems is on the rise.However,the development of current systems is hindered by constraints in network architecture,communication resources,computational resou
8、rces,and sensing capabilities,necessitating a coordinated enhancement intheir information exchange and integrated processing capabilities.On the other hand,the progression of integrated sensingand communication with edge computing(ISAC-EC)technologies and their deployment in air-ground cooperative n
9、etworksfurnish new impetus for the evolution of three-dimensional transportation systems.Tailored to the application scenarios ofthree-dimensional transportation systems,this study recapitulates the current advancements and applications of ISAC-ECtechnologies,subsequently establishing an air-to-grou
10、nd and ground-to-air communication sensing joint optimization model,and delineating pivotal technological approaches for the joint design of communication and radar beams.Ultimately,simulationexperiments conducted in typical application scenarios elucidate the application potential and advantages of
11、 integrated sensing,communication,and computing technologies in three-dimensional transportation systems,offering guidance for future systemdevelopment and construction.three-dimensional transportation system;unmanned aerial vehicle;intelligent connected vehicle;integrated sensing andcommunication w
12、ith edge computing;convex optimization扫描二维码与作者交流第48 卷总第52 3期李晨玮，周建山，田大新，等：立体交通系统通感算一体化关键技术0引言为加快建设交通强国建设，国家计划构建现代化高质量国家综合立体交通网，而下一代无线网络（如后5G和6 G）将成为许多新兴应用的关键推动者，为立体交通的发展提供了技术支撑，使得国家综合立体交通网的建设前景更加广阔。立体交通的发展应用需要高质量的无线连接，以及高度精确的感知能力。无线感知和通信系统都在向更高的频段、更大的天线阵列和小型化发展，从而在硬件架构、信道特性和信号处理方面变得越来越相似，为利用无线基础设施实现
13、感知提供了可能性，使得未来网络将超越传统通信，为测量甚至成像周围环境提供感知服务。这种感知功能以及网络从环境中收集感知数据的能力被视为未来智能世界中学习和构建智能的推动因素，并可能在许多环境感知场景中得到广泛应用。随着无线通信的不断发展，以及对感知能力的巨大需求，通信感知与边缘计算一体化（ISAC-EC,IntegratedSensing and Communication with Edge Computing）已经成为未来无线通信框架的一项有前途的技术，使通信、感知与计算功能相辅相成。在这种框架中，雷达感知和无线通信共享波形和硬件，以提高频谱效率2-3。然而，传统的陆地通信感知一体化网络只
14、能在固定和有限的范围内提供感知服务，因为周围的障碍物可能会阻挡对长距离目标的直射视线链接，从而导致严重的感知性能下降4。充分利用边缘侧的计算资源，辅助提升通信感知一体化能力，形成了通信-感知计算融合体系架构，为立体交通系统支持交通事故救援、非授权窃听者监测以及临时热点区域的服务增强等应用场景带来促进作用，如图1所示。因此，边缘计算辅助通信感知一体化的发展为立体交通的发展提供了新机遇。在6 G中，ISAC-EC具有物理环境的检测能力，通过接收电磁波信号求解空间环境的构成，通过虚拟环境的探测与重构，感知获取周围物理环境的信息，有效利用无线资源，提升通信能力5-7 。一方面，整个通信网络可以作为一个
15、巨大的传感器，网元发送和接收无线信号，利用无线电波的传输、反射和散射，可以更好地感知和理解物理世界；另一方面，感知所提供的高精度定位、成像和环境重构能力可以帮助提升通信性能。ISAC-EC与仅具有通信功能或单独设计的雷达与通信共存的传统无线网络相比，优势显著。首先，ISAC-EC在边缘计算的辅助下，允许将无线基础设施和有限的频谱资源无缝共享，实现感知和通信的双重使用，具有低硬件成本、低功耗、低信令延迟、以及频谱效率高等优势。其次，随着毫米波和大规模多输人多输出（MIMO，M u l t i-In p u t-Multi-Output）的部署，通信信号有望提供超高的感知精度和分辨率。此外，集成的
16、感知功能还可以使通信设计受益8-9。通过利用先进的MIMO和毫米波/太赫兹技术，预计ISAC-EC将为6 G提供高吞吐量、超可靠和低延迟的无线通信，以及超精准和高分辨率的无线感知11-1。771010热点目标ISAC波束七用IISAC信号一回波一无人机之间千扰一阻塞的通道图1ISAC-EC在立体交通中的典型应用场景未来，智能交互、智能交通、智慧工业等新型业务场景不断涌现，6 G网络需要打造与通信融合一体的感知、计算等全新能力。ISAC-EC技术将利用无线通信信号与边缘侧的计算资源，实现对目标的检测、定位、识别、成像等感知功能，进而获取和重构周围的环境信息，构建与物理世界融合的数字世界【12 。
17、通过利用智能体在三维空间中的高机动性和它们强大的空地视距通道，立体交通能够成为未来ISAC-EC应用的重要平台，预计将提供更好的传感与通信覆盖、更灵活的监视以及比陆地通信感知一体化更强的传感与通信性能。1现状与发展趋势1.1空天地一体化的发展无线通信和雷达传感系统的共存已在过去十年中得到广泛研究，使得这两个单独部署的系统可以在不相互干扰的情况下平稳运行13-14。一方面，射频传感和通信系统在高频段上逐渐接近，朝着天线阵列小型化的方向发展；另一方面，传感系统和通信系统在硬件架构、信道特性和信号处理方面具有相似的特性，促进了通信感知一体化研究的发展。然而，当前交通系统仍然存在着一些问题，通信覆盖和
18、质量、计算资源和安全都已经渐15空中边缘云移动通信2024年3月第3期地面边缘服务器第48 卷“6G通感算融合”专题总第52 3期V2P渐无法满足日益增长的用户需求15。随着对交通系统的研究逐渐向空天地发展，空天地一体化机制的出现，立体交通系统与边缘计算辅助通信感知一体化的融合应用开始受到关注，为解决上述问题提供了全新的机遇。空天地一体化信息网络将地面网络从近地表向空间延伸、从二维覆盖走向三维泛在，空天地一体化信息网络系统是6 G的关键技术之一，也是国家战略性通信网络基础设施。传统的通信网络主要依赖于地面基站和卫星通信，其覆盖范围有限，且易受地形、建筑等因素的影响。而空天地边缘计算辅助通信感知
19、一体化则可以通过整合卫星、无人机和地面通信设备，实现对通信环境的全方位感知，从而提高通信网络的覆盖范围和稳定性。空天地一体化应用场景如图2 所示：卫星飞艇无人机BS基站图2 空天地一体化应用场景1.2ISAC-EC在低空智联网中的应用发展近年来，低空空域已成为国家战略资源，低空经济的发展需求使低空智联网应运而生，低空智联网是在低空空域实现“人-机-物”三元融合智能互联的重要基础设施，能助力实现低空业务网络化、数字化、智能化运营的实体网络空间，同时也是推进低空产业化发展最重要的基础设施，依托空天地网络基础设施构建的低空智联网有望助力下一代移动通信网络加速实现“万物智联”、“空天地一体化”等远大愿
20、景17 。然而低空智联网的发展正在带来新的监管和管理难题。由于低空、小尺寸和各种形状的优点，低空飞行器很难被其他监视技术如视频或热传感器检测到。利用现有蜂窝网络进行感知，不仅可以提供一种经济实惠的解决方案来监视低空空域中的飞行器，还可以作为一个无线接人网来管理和控制带有蜂窝连接的合作型飞行器，并协助它们在群体中进行导航。面向低空智联网的ISAC-EC系统可以最小化低空飞行器负载，提高负载灵活性和降低功耗。此外，借助灵活部署的低空飞行器，地面的车联网（V2X，Vehicle-to-Everything）可以克服车辆上配备的传感器的有限感知范围，并确保安全驾驶。ISAC-EC辅助的V2X通信可以向
21、支持快速车队行驶的环境提供信息，安全和无缝地接入，以及同时定位和地图绘制。且ISAC-EC系统在设计时就能够达到互利互惠的效果，从而提高系统能量效率1。因此，ISAC-EC蜂窝网络可提供低空智能体的监测和管理服务，以确保未来低空空域应用的安全19。面向低空智联网的ISAC-EC系统如图3所示：车联网通信无人机通信感知云服务器V2N2V心工图3面向低空智联网的ISAC-EC系统1.3ISAC-EC在立体交通中的发展ISAC-EC在立体交通中的应用存在新的设计挑战。首先，在立体交通系统中，智能体必须满足严格的尺寸、重量和动力约束，这限制了它们的通信、感知和续航能力。其次，空地视距链路不可避免地会在
22、ISAC-EC网络中引起严重干扰，然而这种干扰可以被用来提取大量目标信息，如位置、速度和方向。第三，立体交通ISAC-EC系统需要整合雷达感知性能指标（例如检测概率和估计识别准确性）、感知信号处理（例如回波信号处理和杂波干扰抑制）以及高效的协作机制。因此，如何设计面向立体交通的ISAC-EC以实现高传感与通信性能和智能体之间的有效协调，是一个具有挑战性的新问题。鉴于上述考虑，迫切需要研究联合传感与通信设计，以改善面向立体交通的ISAC-EC系统的频谱效率，实现硬件重复使用，并减少功耗。具体来说，需要适当的轨迹规划和资源分配，以满足不同的传感与通信性能要求，并平衡性能与成本2 0 。例如，通信服
23、务通常会根据数据量持续一段时间，而感知任务则倾向于根据目标的位置和速度以及任务的及时性要求以一定的感知频率执行。另一方面，始终强制进行连续感知和通信不可避免地会导致更高的能耗，浪费频谱资源，并对通信用户造成更强的干扰。此外，部署大量的智能体，其中一部分智能体提供通信服务，另外一部分执行雷达感知，不仅会引人通信系统和雷达系统之间的同频干扰，还会增加资源消耗2 1。利用多个智能体协作提供ISAC-EC服务是进一步增强传感与通信覆盖范围并增加集成增益的高效解决方案。16移动通信2024年3月第3期第48 卷总第52 3期李晨玮，周建山，田大新，等：立体交通系统通感算一体化关键技术(8)移动通信除了通
24、过传感与通信的联合设计获得的整合增益之外，传感与通信的相互协助还能够使面向立体交通的ISAC-EC实现协调增益，从而实现感知辅助的立体交通通信和通信辅助的立体交通感知。例如，配备雷达感知能力的智能体可以根据它们的感知结果设计实时轨迹并分配通信资源，同时只产生较小的信令开销。反过来，无线通信为智能体提供了一种有效的方式，通过例如传感数据卸载和空中计算的方式来增强它们的感知数据处理能力。2面向立体交通的边缘计算辅助通信感知一体化关键技术本文考虑一个联合MIMO雷达通信系统，它可以同时向感兴趣的目标发送探测信号，并向下行用户发送通信符号。联合系统配备了M个天线的均匀线性阵列，在下行为N个单天线用户提
25、供服务，同时进行目标检测。2.1共享部署信号模型下面介绍本文中考虑的共享部署信号模型。所有的M个天线都被共享，同时用于雷达探测和下行通信，如图4所示。在第i个用户处接收到的信号为：x,k=g,Es,w,k+m,k,Vi其中，s,CMxI，mK CM(0,M。)分别表示第i个用户的波束形成向量和接收噪声。接下来，做出以下两个假设：（1）雷达通信系统采用通信信号为雷达探测波形；（2）雷达通信系统与用户之间的通道G是瑞利平坦衰落，并且估计完美。目标目标目标图4边缘计算辅助的配置雷达和通信的共享部署在设计雷达信号时，通信信号被用作共享部署中的双功能波形，发射功率为：p=Zls,IP-Z tr(S,)n
26、=其中，S,=s,s%。第1个用户接收到的信噪比为：n=1川=n牛in=1在上式中，没有对用户施加雷达干扰。预编码符号的协方差矩阵为：R=Zs.n=1通过使用不相关的波形，MIMO雷达比传统的相控阵雷达具有更高的自由度。这种波束形成的设计等同于设计探测信号的协方差矩阵，可以采用凸优化方法。在文献2 2 中，提出了一个受限最小二乘问题来接近理想的波束形成：min Zlvk(e,)-b(e,)Qb(e,)(5a).Qj=1s.t.diag(Q)=Q=0,Q=Qc0其中，定义(,3j-为一个精细的角度网格，覆盖检测角范围发射天线阵列的波束形成向量，其中 为由波长归一化的相邻元件之间的间距，M,是阵列
27、天线的数量，K(o,）是,处期望的理想波束增益，Q是波形协方差矩阵，P是功率预算，是缩放因子，定义1为1=1,.1 TRM。约束式(5b)是为了确保不同天线发射的波形具有相同的平均功率。总功率约束的加权问题可以表示为：(1)min|GY-Tle+(I-a)|Y-Yol,S.t.-D其中，0 1是一个权重因子，用于确定双功能系统中雷达和通信性能的权重。Y=yj,y2.YeCMxD是传输的信号矩阵，TeCNxD为给定下行用户所需的符号矩阵，D为通信顿的长度，Y。是最小化下行多用户干扰的波形矩阵最优解，P，为总发射功率。由于在实践中雷达通常需要以边缘计算节点最大可用功率进行传输，因此对总功率预算强制
28、执行相等约束。加权设计实际上是帕累托优化，通过解决上式中的gMgg2_UEMtr(g,g,s,)Nn=1(4)P1(5b)M,(5c)(5d)(6)加权问题，得到的最优解达到了帕累托最优点。目标函数中的两个弗罗比尼乌斯范数可以通过以下形式组合起来：GY-Tl+(I-a)|Y-Yol=VaGT,1-al,J-VaTT,VI-aY(7)在上式的基础上，令U=VaG,VI-al,eC(MM,V=NaT,VI-Y eC(MxD,式(6)可以改写为:minlUY-vl(2)D这是一个非凸二次约束二次优化，可以很容易地利用半定松弛（SDR，Se m i d e f i n i t e Re la x a
29、t i o n）技术转换成半定规划(3)（SD P，Se mi d e f i n i t e Pr o g r a mmi n g）。由于它只有一个二次约束，因此SDR解的秩为-1，可以得到式（8)的全局最优解。172024年3月第3期第48 卷“6G通感算融合”专题1总第52 3期MiWWA2.2单天线功率约束下的加权设计与式(6)类似，单个天线功率的加权问题约束表示为：min|GY-Tl,+(1-)|Y-Yll(9)1s.t.diag(YY)二DM其中，diag()为矢量的对角线元素形成的向量，1=1,1.TeRM表示全为1的向量。根据式(8)中的相同定义，问题(9)可以改写为：min|
30、UY-vleDP1s.t.diag(YY)=M对角约束可以分解为M个二次等式约束，这又导致了非凸可行区域。通过使用SDR方法，可以将式（10)变为一个凸SDP问题，并通过数值工具轻松解决。然而，由于涉及多个约束，SDR不再紧密，这种情况下必须使用高斯随机化来获得近似的秩-1解决方案。上述模型是在边缘计算的辅助下进行求解的。3典型应用案例3.1基于无人机的空地通信感知计算一体化技术应用案例应用案例场景：无人机机载探测雷达对地面目标进504030(8p)20100-10204030(ap)20100-1018移动通信2024年3月第3期行探测并向其他用户节点传输跟踪数据，在边缘计算辅助下进行通信感
31、知联合优化。针对这一应用场景，本文提出基于式(5)的机载探测雷达波束成形和下行通信链路联合优化设计方法。图5（a）和图5（b）从波束模式P的角度展现了本应用场景理想情况下雷达发射波束方向（Ra d a r D i r e c t i o n s）和通信波束发射方向（CommunicationDirections），为了验证本文的空地边缘计算辅助通信感知一体化（UAV-ISAC-EC,UAV-assisted IntegratedSensing and Communication with Edge Computing）的可(10)行性与优势，将其与基于迫零（ZF,Zero Force）算法的传
32、统技术进行了对比。迫零算法是当前常用于实现波束成形的技术手段，其在期望波束方向上产生单位响应并在非期望方向上迫使响应为零，从而能够消除多用户间干扰的影响2 3-2 4。通过对比可见，传统的波束成形技术只对通信信道中的4个目标形成波束，无法对其他4个目标进行探测跟踪，而所提出的优化技术成功地将下行链路通信波束和雷达探测波束分别聚焦到8 个目标，实现了空地边缘计算辅助通信感知一体化应用。3.2基于基站的空地通信感知计算一体化技术应用案例应用案例场景：具有边缘计算能力的地面基站探测雷达对空中“低慢小”（指飞行高度低、飞行速度慢、雷达反射面积小的航空器具，例如无人机、飞艇等）目标，迫零算法一一雷达波束
33、一通信波束-80-60-80-60图5基于迫零算法和联合优化算法的发射波束-40（a）基于迫零算法的发射波束1-40（b）联合优化算法的发射波束-20波束角度范围-90 90-200波束角度范围-90,90 2020404060联合优化算法一雷达波束一通信波束608080第48 卷总第52 3期李晨玮，周建山，田大新，等：立体交通系统通感算一体化关键技术通过调度边缘算力，进行探测跟踪并为地面其他用户节点提供下行链路通信服务，实现通信感知联合优化。针对这一场景，本文分别在总功率约束和单天线功率约束下实现基站通信感知联合优化算法，并分别应用于全向波形设计和定向波形设计，其中雷达感知性能优化权重系数
34、取值为0.2。同时，将所设计的联合优化算法与当前先进的全向波束成形、定向波束成形以及理想情况下（无下行链路多用户干扰情况）的波束成形三种算法进行对比，结果如图6 至图8 所示。通过图6 至图8 可知，联合优化方法所产生的波束与期望的波束模式一致，并且联合优化算法的平均可达总数据传输速率和符号错误率性能都优于全向波形设计和定向波形设计。具体地，本文算法的平均可达总数据传输速率比全向波形设计算法、定向波形设计算法分别平均提升了16.0 9%、43.6 7%；本文算法的符号错误率比上述两种先进方法分别平均降低了2 2.6 4%、51.8 3%。同时所提出的全向通信感知联合优化方法无论是在平均可达总数
35、据速率还是符号错误率方面都优于定向的联合优化设计。此外，通过在雷达感知之间引人权重系数=0.2，联合优化设计的平均可达总数据传输速率和符号错误率性能能够接近理想无干扰情况。通过进一步研究单天线功率约束设计，可以发现，无论是全向波形设计和定向波形设计，单天线功率约束与总功率约束的平均可达总数据速率和10505-10-15-20-25-30-35-4018一*一全向成形一定向成形16会总功率约束下全向联合优化，Q=0.2一总功率约束下定向联合优化，=0.2(ZH/Sdg）率资明研14-含-单天线功率约束下全向联合优化，=0.2+-单天线功率约束下定向联合优化，Q=0.212一-理想无干扰情况10R
36、全向成形定向成形总功率约束下全向联合优化，=0.2总功率约束下定向联合优化，=0.2单天线功率约束下全向联合优化，Q=0.2单天线功率约束下定向联合优化，Q=0.2-80-60图6三种算法对目标探测的雷达波束-40-20角度e(deg)020406080符号错误率均基本相同，雷达或通信的相应性能损失可以忽略不计，这表明所提出的算法可以有效地产生非凸问题（9）的近似最优解。64-24结束语本文围绕立体交通的发展及其应用场景，总结阐述了边缘计算辅助通信感知一体化的概念与发展应用现状，构建了通信感知联合优化模型，阐释了通信波束和雷达波束联合设计的关键技术，并针对两个典型应用场景进行了仿真实验分析。研
37、究表明了边缘计算辅助通信感知一体化技术能够有效提升空对地、地对空的目标探测与数据传输性能，从而展现了边缘计算辅助通信感知一体化关键技术在立体交通系统中的技术可行性与应用潜力。参考文献：1 Hu Y,Tang L,Zhuo X,et al.Imaging Based onCommunication-Assisted Sensing for UAV-EnabledISACCJ/2023 IEEE 98th Vehicular Technology Conference(VTC2023-Fall).IEEE,2023:1-5.2 Liu F,Masouros C.A tutorial on join
38、t radar andcommunication transmission for vehicular networks-Part0图7三种算法在不同信噪比下的传输速率100101102103一*一全向成形一定向成形总功率约束下全向联合优化，=0.210-4*一总功率约束下定向联合优化，Q=0.2含-单天线功率约束下全向联合优化，Q=0.2-+-单天线功率约束下定向联合优化，=0.2一以-理想无干扰情况10-5-2202图8三种算法在不同信噪比下的符号错误率移动通信2024年3月第3期194信噪比SNR(dB)46信噪比SNR(dB)68文810101212第48 卷“6G通感算融合”专题1总
39、第52 3期I:Background and fundamentalsJ.IEEE CommunicationsLetters,2020,25(2):322-326.3 Liu F,Cui Y,Masouros C,et al.Integrated sensing andcommunications:Toward dual-functional wireless networks for 6Gand beyondJ.IEEE journal on selected areas in communications,2022,40(6):1728-1767.4 Zhang J A,Rahman M
40、 L,Wu K,et al,Enabling jointcommunication and radar sensing in mobile networksAsurveyJ.IEEE Communications Surveys&Tutorials,2021,24(1):306-345.5周知，何佳，瞿辉洋，等，基于6 G网络的通信感知一体化1.信息通信技术与政策，2 0 2 3,49(9)：2 8-37.6IMT-2030(6G)推进组.6 G典型场景和关键能力白皮书R.2022.7IMT-2030(6G)推进组.通信感知一体化技术研究报告R.2021.8Lyu Z,Zhu G,Xu J.J
41、oint maneuver and beamforming designfor UAV-enabled integrated sensing and communicationJ.IEEE Transactions on Wireless Communications,2022,22(4):2424-2440.9Wang Y,Zhang Y,Tian Z,et al.Super-resolution channelestimation for arbitrary arrays in hybrid millimeter-wave massiveMIMO systemsJ.IEEE Journal
42、 of Selected Topics in SignalProcessing,2019,13(5):947-960.10 Zhang J A,Liu F,Masouros C,et al.An overview of signalprocessing techniques for joint communication and radarsensingJJ.IEEE Journal of Selected Topics in Signal Processing,2021,15(6):1295-1315.1l Liu F,Masouros C,Petropulu A P,et al.Joint
43、 radar andcommunication design:Applications,state-of-the-art,and the roadaheadJ.IEEE Transactions on Communications,2020,68(6):3834-3862.12王友祥，裴郁杉，黄蓉，等.6 G通感算一体化网络架构和关键技术研究.移动通信，2 0 2 3,47(9):2-10.13 Martone A F,Gallagher K A,Sherbondy K D.Joint radar andcommunication system optimization for spectru
44、m sharingCJ/2019IEEE Radar Conference(RadarConf).IEEE,2019:1-6.14】聂逸文，空地协同交通系统中通信与计算关键技术研究D.北京：北京交通大学，2 0 2 2.15】康绍莉，缪德山，索士强，等，面向6 G的空天地一体化系统设计和关键技术.信息通信技术与政策，2 0 2 2(9)：18-2 6.16 重董超，经宇骞，屈毓，等.面向低空智联网频谱认知与决策的云边端融合体系架构/OL.通信学报：1-132 0 2 4-0 1-0 8 17】廖佳佳，向路平，胡杰，等，基于无人机的6 G通感算研究概述.移动通信,2 0 2 3,47(3):92
45、-10 0.18 Liu F,Masouros C,Petropulu A P,et al.Joint radar andcommunication design:Applications,state-of-the-art,and the roadaheadJj.IEEE Transactions on Communications,2020,68(6):3834-3862.19 Meng K,Wu Q,Xu J,et al.UAV-enabled integrated sensing andcommunication:Opportunities and challengesJJ.IEEE W
46、irelessCommunications,2023.20移动通信2024年3月第3期20 Wang X,Fei Z,Zhang J A,et al.Constrained utility maximizationin dual-functional radar-communication multi-UAV networksJ.IEEE Transactions on Communications,2020,69(4):2660-2672.21 Fuhrmann D R,San Antonio G.Transmit beamforming for MIMOradar systems usin
47、g signal cross-correlationJJ.IEEE Transactionson Aerospace and Electronic Systems,2008,44(1):171-186.22鲁伟鑫，李佳保，安康，等.认知星-地融合无线网络中的波束形成算法研究1.南京邮电大学学报（自然科学版）,2023,43(4):26-34.23李民政，李艳峰，大规模MIMO系统中基于迫零预编码的能效优化算法.计算机工程，2 0 18,44(7)：12 1-12 5+130.李晨玮：北京航空航天大学在读硕士研究生，主要研究方向为低空智联网、通信感知一体化、无人集群系统。周建山：博士毕业于北京航空航天大学，现任北京航空航天大学副教授，主要研究方向为立体交通与低空智联网、通信感知一体化、边缘计算。田大新：博士，现任北京航空航天大学教授，主要研究方向为立体交通与低空智联网、车联网、通信感知一体化、群体智能。作者简介
