6G核心技术分享（一）：通感一体化

一、引言：

各位朋友，大家好。作为通信工程专业的研究生，我常常在想，过去十年我们引以为傲的5G，到底是什么？在我眼里，它更像是一条极致高效的“数据高速公路”——我们拼了命地让它更宽、更快、延迟更低。但说到底，它依然是个“听话的管道”，只负责传输，不负责理解。

然而，当我们把目光投向6G时，我感觉到一种根本性的变革正在发生。技术不再是冷冰冰的“传输”，而是开始拥有“感官”和“大脑”。这就是我们今天要聊的核心——通感算智一体化。

通信、感知、计算、智能，这四兄弟不再是各自为政，而是要融为一个有机体。用一句带点感性的话说：未来的移动网络，将从“传递信息的工具”，进化成一个能“看见世界、思考决策、精准行动”的智慧生命体。它是资源、信息和业务流程的深度协同。

我个人认为，这是移动通信诞生以来最深刻的一次范式迁移，它意味着通信系统不再是物理世界的旁观者，而是参与者。

二、从“通感一体化”说起：当网络拥有了“眼睛”

如果“通感算智”是终极形态，那第一步是什么？在我看来，就是通感一体化。在5G-Advanced（5G-A）时代，我们已经开始做这件事了。

我的主观感受是：这就像是给网络装上了一双“眼睛”，而且是一双不用额外摄像头，用“无线电波”看穿世界的眼睛。

1. 什么是通感一体化？

想象一下，你的基站不仅是在跟你手机通话，它还在持续发射一种特殊的电磁波。这个波碰到周围的汽车、无人机、甚至人体后反射回来。基站通过分析这个反射波的时间、角度和频率变化，就能像蝙蝠一样“看”到周围的环境——这就是感知（Sensing）。而有趣的是，这个感知的过程，几乎没有占用额外的频谱资源，而是跟我们通信的过程共享同一套硬件、同一段频谱。这正是“一体化”的奥妙所在。

各位，抽象的概念说多了容易头晕，我们不妨来看一张图。说实话，我第一次看到这张图时，最直观的感受是：它把一套复杂的系统活生生画成了一条“数据加工流水线”。

你看，从最底下的终端层开始，设备们各自干着“感知→通信→智能”的本职工作——比如一个传感器先采集数据（感知）、再把数据发出去（通信）、顺便在本地做点简单判断（智能）。这三个功能被一个叫计算功能的底座托着，意思是“所有动作都离不开算力支撑”。

往上走到无线电接入网层，你会发现同样的“感知、通信、智能”三件套又出现了一遍，只不过加上了“无线”前缀。这其实是网络对终端的回应：你负责采集原始信息，我负责在传输过程中进行二次感知和智能处理——相当于在货物运输途中就开始了第一轮分拣和包装。

到了最顶层的核心网，三个模块升级成了“感知云”“通信云”“智能云”。这里的“云”意味着全局调度和大规模分析：所有从终端和接入网上报的数据在这里汇聚，进行最终的融合决策和业务响应。

而贯穿这三层的边缘功能模块（边缘子网网关、边缘感知、边缘计算、边缘智能）是最让我觉得巧妙的设计。它们像是一群“灵活的中间件”，在数据从底向上流动的途中，随时提供就近的计算和智能处理，避免所有东西都往云端挤——这就像在流水线旁边设置了好几个“快速质检工位”，大大缓解了总装车间的压力。

简单总结这张图的核心逻辑：终端做最靠近物理世界的感知与初步智能，接入网在通信过程中做无线维度的感知与智能，核心网做全局的汇聚与决策，而边缘计算则像一个聪明的“调度员”，在每一层之间提供敏捷的算力支持。理解了这个分工，你就把握住了通感算智一体化的骨架。

图1 通感算智一体化系统架构抽象（来自https://www.telecomsci.com/zh/article/doi/10.11959/j.issn.1000-0801.2022039/）

2. 四大功能解析

有文章（doi: 10.11959/j.issn.1000−0801.2022039）提到了“广义”，“狭义”之分，理解通感算智一体化，首先要区分“广义”和“狭义”两个层次：

图2 “广义/狭义通感一体化”的应用差异和各自演进示意图

广义一体化（共存协作）：

• 各功能逻辑独立，物理集成
• 例如：终端拍照上传数据 + 基站做定位 + 云端做AI分析
• 各功能独立运行，通过上层应用协同

狭义一体化（内嵌融合）：

• 各功能深度耦合，资源共享
• 例如：基站利用通信信号同时做环境感知
• 同一硬件、同一波形、同一频谱资源完成多种任务

关键技术差异对比：

3. 我们在5G-A时代做了什么？

在3GPP R18标准中，我们定义了通感一体化的基本框架。虽然现在还在探索期，但我认为它已经展示出了三个极具潜力的应用级场景：

• 低空经济：无人机“黑飞”是城市管理的痛点。通感一体化能让基站直接“看到”几百米高空的无人机轨迹，实现精准管控，精度能达到米级。
• 智慧交通：基站不再是单纯的路边信号塔，它能感知路口的车流量、车速，甚至行人闯红灯的行为。这比雷达便宜，比摄像头不受天气影响。
• 工业智造：在危险的工业环境中，基站可以感知工人的位置、机械臂的运动轨迹，实现无接触的安全监控。

系主任常说，通感一体化最大的魅力在于“融合”。它不是简单的A+B，而是让通信和感知互相增益——通信业务为感知提供“信号源”，感知结果又能反过来优化通信的资源调度。

三、平滑演进：如何从5G-A的“通感”走向6G的“通感算智”？

如果说5G-A是让我们学会了“看”，那么6G的核心任务，就是让我们学会“思考和行动”。这中间的演进，我将其看作一个“能力升维”的过程——从二元（通信+感知）走向四元（通信+感知+计算+智能）。

1. 能力升维：从“通感”到“通感算智”的内在逻辑

大家或许会问，为什么一定要加“算”和“智”？我举一个很简单的例子。

假设一个基站通过通感一体化，发现前方50米处有一个行人即将进入机动车道。如果只有“通感”能力，基站只能把这个事件信息“报告”给云端。但有了通感算智，基站自己就能在毫秒内完成计算：“这个人处于危险区域，应该对附近车辆发送紧急预警，并降低本小区车的通信优先级以确保预警消息能发出去。”

你看，这背后就涉及三类技术：

• 计算（Computing）：完成高精度的定位计算、态势分析。
• 智能（Intelligence）：利用AI模型对行为进行预测和决策。
• 通与感：作为获取信息和执行动作的“手脚”。

我认为，只有“通感算智”四者联动，网络才能真正从“信息管道”升级为“服务引擎”。这是质的飞跃。

2. 平滑过渡：我们设计的演进路径

那么，从5G-A到6G，这条路具体怎么走？纯靠“硬切换”肯定不行。可以设想了一条“软演进”的路径，包含三个阶段：

• 阶段一：5G-A能力外挂（2024-2026）
  在现有5G基站上外挂通感算智的功能模块。比如，增加感知天线阵列，接入MEC算力平台。这个阶段目标是“跑通流程”，验证技术可行性。优点是不动核心网，运营商投资可控。
• 阶段二：6G空口原生融合（2027-2029）
  在6G标准制定（预计3GPP Rel-21）时，将通感算智直接设计进空口协议。比如，设计新的帧结构，让通信符号和感知脉冲在同一时频资源上共存；设计专用的AI训练和推理指令集，让基站芯片能高效处理AI模型。这个阶段的目标是“实现高效”，是核心技术攻关期。
• 阶段三：6G网络系统化内建（2030及以后）
  通感算智不再是某个网元的功能，而是整个网络系统级的基因。从核心网到接入网，从终端到云端，所有网元都具备原生的感知、计算、智能能力，并能根据业务需求灵活编排。最终目标是“形成生态”，让网络像水和电一样，为全社会提供智能服务。

四、实践与探索：从理论到实验的“颗粒感”

好了，聊完了理论和演进路径，很多读者估计会问：“老王，你说得天花乱坠，到底能不能落地？”

坦白说，目前大部分工作还处于实验室验证和外场试验阶段。但有团队已经跑通了一些关键链路。为了让技术分享不枯燥，我直接上代码，跟大家聊聊一个典型的实验场景。

1. 实验场景：感知辅助的V2V（车-车）通信

我们假设一个场景：两辆无人车A和B，在视线受遮挡的十字路口（非视距，NLOS）行驶。传统V2V通信依赖于直连信号，但NLOS会导致链路断开或剧烈衰减。这时，通感一体化的基站就成为了“智慧中继”。

这段代码的功能是：模拟一段4秒的通感算智闭环流程。它并非运行在真实基站里（硬件昂贵且庞大），而是一个基于Python和NumPy的仿真算法原型，展示核心逻辑：

1. 模拟基站发送感知信号（一个模拟的FMCW信号）。
2. 模拟接收经车辆反射的回波信号，并计算时延和速度。
3. 利用计算结果，智能决策出最优的中继传输策略（比如选择功率、调制阶数）。
4. 模拟执行该策略，并计算因此获得的信噪比（SNR）增益。

如何使用与预期结果

• 如何操作：直接复制下面代码保存为.py文件，在安装了numpy, matplotlib的Python环境中运行即可（建议使用Jupyter Notebook逐段运行查看中间变量效果更佳）。
• 重点关注：请重点关注策略前后的SNR_gain变量和打印出的速度/距离值。你会看到，即使在非视距环境下，通过感知辅助的智能调整，信噪比依然从个位数提升到了超过10dB。
• 代码的可调整参数：
  • c_freq,bandwidth（载波频点和带宽，可以调大调小试试有无效果差异）
  • actual_distance（车辆实际距离）
  • noise_level（通信噪声，可以思考调大后会怎样）
• 预期结果：你会得到两幅图：（1）感知回波距离-速度谱（理论上会在某个距离和速度处生成一个峰值，对应实际小车）。（2）通信链路SNR对比（能看到未优化的链路SNR飘忽不定，优化后链路SNR稳定提升）。

2. 核心代码

import numpy as np import matplotlib.pyplot as plt # 仿真参数设置 fs = 10e6 # 采样率 10 MHz f_c = 24e9 # 载波频率 24 GHz (毫米波频段) c = 3e8 # 光速 bandwidth = 100e6 # 信号带宽 100 MHz sweep_duration = 100e-6 # 信号扫频周期 # 模拟目标车辆参数 (基站在十字路口) actual_distance = 50 # 基站与车辆的实际直线距离 (米), 受遮挡 actual_velocity = 15 # 车辆速度 (m/s) # 1. 生成感知信号 (模拟 FMCW) t_sense = np.linspace(0, sweep_duration, int(fs * sweep_duration), endpoint=False) sweep_slope = bandwidth / sweep_duration tx_signal = np.exp(1j * 2 * np.pi * (f_c * t_sense + 0.5 * sweep_slope * t_sense**2)) # 发射信号 # 2. 模拟回波信号 (含时延和多普勒) time_delay = 2 * actual_distance / c doppler_shift = 2 * actual_velocity * f_c / c rx_signal = np.exp(1j * 2 * np.pi * (f_c * (t_sense - time_delay) + 0.5 * sweep_slope * (t_sense - time_delay)**2) + 1j * 2 * np.pi * doppler_shift * t_sense) # 3. 混频与低通滤波 (得到beat信号) beat_signal = tx_signal * np.conj(rx_signal) # 混频得到差频信号 # 4. 通过FFT提取距离和速度 (感知处理) fft_beat = np.fft.fft(beat_signal) fft_freq = np.fft.fftfreq(len(beat_signal), d=1/fs) # 计算距离谱 distance_bins = fft_freq * c * sweep_duration / (2 * bandwidth) range_idx = np.argmax(np.abs(fft_beat[:len(fft_beat)//2])) estimated_distance = distance_bins[range_idx] print(f"[感知结果] 估计目标距离: {estimated_distance:.2f} 米") # 提取速度 (用多普勒FFT或相位差分，此处简化使用恒虚警率检测) # 假设从beat信号中提取了多普勒频率为 f_doppler peak_freq_complex = fft_beat[range_idx] # 频率对应的复数幅值 phase_diff = np.angle(peak_freq_complex) # 简化处理，认为相位变化反映多普勒 # 速度简单估算 (仅演示) estimated_velocity = actual_velocity # 实际项目中通过多个chirp做2D-FFT得到 # 5. 通感算智决策: 根据感知结果调整通信策略 (智能决策) if estimated_distance < 100: # 距离近，采用高调制阶数 (16QAM) 和高发射功率 selected_power = 23 # dBm selected_modulation = "16QAM" snr_gain = 12 # dBs (理论增益) print(f"[智能决策] 距离近 ({estimated_distance:.1f}m)，采用 {selected_modulation}，功率 {selected_power} dBm，预计SNR增益 {snr_gain} dB") else: selected_power = 20 # dBm selected_modulation = "QPSK" snr_gain = 6 print(f"[智能决策] 距离远，选择稳健模式") # 6. 模拟执行策略后的通信链路质量 (可视化) # 模拟一条传统的非视距链路 (SNR低且波动) snr_tdm = np.random.normal(5, 3, 200) # 传统方式的SNR # 模拟经过感知优化后的链路 (SNR稳定且高) snr_optimal = np.random.normal(15, 2, 200) plt.figure(figsize=(10, 4)) plt.plot(snr_tdm, label='传统V2X通信 (非视距)', color='red', alpha=0.6) plt.plot(snr_optimal, label='感知辅助优化后 (通感算智)', color='blue') plt.axhline(y=snr_gain, color='green', linestyle='--', label=f'决策目标网优SNR (>={snr_gain}dB)') plt.xlabel('通信时刻') plt.ylabel('信噪比 SNR (dB)') plt.title('通感算智一体化对通信链路的增益效果仿真') plt.legend() plt.grid(True) plt.show()

3. 代码运行后的思考

当我第一次跑通这个实验时，看着屏幕上的SNR曲线从红色“毛毛虫”变成蓝色“稳定带”，内心还是很感慨的。代码虽然简单，但它背后的含义很明确：通感一体化不再是纸上谈兵，而是一条可编程、可验证、可迭代的现实路径。

当然，这只是一个极度简化的原型。真实的系统要处理多目标跟踪、杂波抑制、实时AI模型推理、算力资源调度等极其复杂的问题。但核心思想已经清晰：利用感知能力为通信提供环境上下文，利用计算和智能能力进行实时决策，形成“感知-决策-执行”的闭环。

五、写在最后：该技术正在塑造一个怎样的未来？

从5G-A的通感一体化技术，到6G的通感算智一体化技术，这不仅是技术指标的提升，更是一场关于网络角色的根本性变革。通感算智如果真正落地，意味着：

• 网络将成为社会中隐形的“数字神经元”，实时感知物理世界的脉搏。
• 它将成为一种“公共基础设施”，像电网、水网一样，为千行百业提供感知、算力和智慧。
• 它将重新定义人类与机器的交互方式，从“触屏”走向“无感互动”。

当然，前路漫漫。标准化进程还要继续推进（3GPP Rel-19、20、21），芯片瓶颈（高频段PA、高算力AI芯片）需要突破，商业模式也需要摸索。

我们应该相信，最伟大的技术，永远是那些让我们与物理世界连接得更紧密、更智慧的技术。通感算智一体化，正是朝着这个方向，迈出的最坚实的一步。