感知信号处理技术

目录目录IMT-2020(5G)推进组于2013年2月由中国工业和信息化部、国家发展和改革委员会、科学技术部联合推动成立，组织架构基于原IMT-Advanced推进组，成员包括中国主要的运营商、制造商、高校和研究机构。推进组是聚合中国产学研用力量、推动中国第五代移动通信技术研究和开展国际交流与合作的主要平台。前言感知信号处理概述感知信号处理技术感知信息表达总结与展望参考文稿与参考文献缩略词表贡献单位 P1P2P2P92P101P102P106P108 前言通感一体化技术基于通信基础设施实现一网两用，可以赋能众多行业通信与感知的融合应用。在低空经济领域，无人机的广泛应用需要精确的环境感知与实时通信来保障飞行安全与任务执行；智慧交通中，车辆与基础设施之间的高效协同依赖于精准的交通感知与通信支持；工业与矿山的自动化生产、环境监测的精细化管理、智慧城市的高效运营以及健康医疗的远程监测等众多领域，都迫切需要一种能够同时满足通信与感知需求的技术解决方案。通感一体化技术以其独特的优势，能够有效提升这些领域的效率与安全性，展现出极为广阔的应用前景。本报告聚焦于通感一体化中的感知信号处理这一关键环节。感知信号与通信信号在系统中都需经历基带生成、射频发送、空间传播、射频接收以及基带处理等五大过程。无线感知通过接收无线信号或从中提取信道参数来推导环境信息，但不同环境参数对信号的影响各异，这就要求必须有合适的信号处理方法与流程，精准地提取出与感知目标相关的信息参量。此外，在实际系统运行中，往往存在多个感知节点，它们分别负责感知信号测量与感知业务的控制管理，这就需要有合适的格式来规范感知信息的上报，以确保整个系统的高效协同运作。由此主要研究方向包括感知信号处理、感知信息表达两部分，其中感知信号处理包括了感知信号预处理、信号提取技术、目标识别技术、目标跟踪技术和协作信息融合技术等研究。深入研究通感一体化中的感知信号处理，不仅能够为该技术的进一步发展提供坚实的理论基础，还将在推动其落地应用方面发挥至关重要的作用。通过优化信号处理方法，可以提高感知的准确性与可靠性，从而更好地满足各应用场景对环境感知的严格要求；同时，合理的感知信息上报格式设计，有助于实现多个感知节点之间的高效协作，提升整个通感一体化系统的性能与效率。这将为后续通感融合设备产品感知能力提升以更好服务通感融合应用提供重要参考。 1 感知信号处理概述通感一体化中，感知信号与通信信号一样经历了基带生成、射频发送、空间传播、射频接收以及基带处理5大过程。无线感知是基于接收的无线信号或者信号中提取的信道参数推导出环境信息。不同的环境参数对信号的影响不同，因此，需要合适的信号处理方法和流程将与感知目标相关的信息参量提取出来。并且，实际系统中可能会出现多个感知节点分别执行感知信号测量与感知业务的控制管理，对应上述的信号处理方法，还需要合适的格式进行感知信息的上报。3.1信号预处理由于感知信号传播过程中存在周围环境的干扰，无线通信链路本身存在不稳定性，加上感知任务本身存在的数据特性，使得原始数据不利于算法中直接使用，需要合适的预处理算法提高感知精度和感知效率，主要包括数据去噪、干扰抑制、数据降维等几个步骤。具体地，数据去噪是因为信号会受到环境变化和电磁干扰的影响从而包含较多的噪声成分，可以通过离群点去除和滤波平滑除噪等方法保留主要数据特征；干扰抑制主要包括杂波消除，也就是非目标环境形成的回波消除；数据降维是由于数据维度大导致计算复杂度大，一方面数据之前的强相关性会导致原数据存在冗余信息，另外筛选出与感知目标的变化更相关或对其更敏感的数据不仅能够提升感知效率也能够提高精度，可采用的方法包括子载波选择、主成分分析、独立成分分析等。3.1.1数据去噪3.1.1数据去噪基于感知信号从发射端到接收端的传播过程中会受到环境变化和电磁干扰的影响，使得提取感知信息的源信号中包含较多的噪声成分，从而需要合适的去噪技术，去除噪声成分，保留主要数据特征，能够在一定程度上提高感知精度[1]。1）离群点去除1）离群点去除当原始信号的幅度值序列中存在少量与其他数值差异较大的点，这些离群值不符合特征变化规感知信号处理技术 2 3图1Hampel滤波效果图(a) Hampel滤波前的序列(b) Hampel滤波后的序列(a)(b)2）平滑除噪2）平滑除噪去噪另一个目的是使得数据平滑，使数据前后变化连贯，主要包括加窗统计滤波、SG滤波、巴特沃斯滤波、小波变换去噪等。加窗统计滤波是一种简单的平滑除噪方式，其中移动平均滤波[2]是利用历史一段数据的值预测当前值，表示为，进一步加权移动平均给数据加上了不同的权值，表示为，一般而言距离当前时刻越近数据权值越大，越远权值越小，基于权值的移动平均平滑的效果更好，另外，还存在中值滤波[3]，能够通过更鲁棒地处理信号内的高度异常噪声来弥补求中值函数所带来的更高的复杂性。Savitzky-Golay滤波[4]被广泛地运用于数据流平滑除噪，是一种在时域内基于局域多项式最小二乘法拟合的滤波方法。这种滤波器最大的特点在于在滤除噪声的同时可以确保信号的形状、宽度不变。律，不利于提取感知信息提取感知任务，属于异常值，可以使用Hampel滤波器[1]进行去除。Hampel滤波器使用Hampel标识符检测并去除输入信号中的离群值，Hampel标识符基于中值和中值绝对偏差（Median Absolute Deviation, MAD）对离群值的位置和散布进行鲁棒的估计。其中是窗口大小下从序列到的中值，而相应的为中值绝对偏差。 4其中是在滑动窗口口大小与拟合多项式阶数。巴特沃斯滤波[6]是在定义的频段内产生平坦的幅度响应，同时减少指定频带之外的幅度响应。在一些应用场景下，人员行为引起的信号变化属于低频信息，而干扰噪声引起的信号变化属于高频信息，可以采用低通滤波器去除干扰噪声的同时可以保留有用信息的同时保持信号相位信息稳定。另外对于其他的应用，还可以利用带通滤波允许区间范围内的信号通过，利用高通滤波分析高频目标信号，将其他低频信号当作噪声滤除。小波变换去噪[7]是利用小波分解能在去除干扰噪声的同时保留行为特征信息。小波分解的原理是利用小波基函数尺度伸缩、平移变换的函数集合中找到源信号的最佳映射关系，尺度的伸缩代表频率的变化，因此可以区分出不同频率信号，进一步再处理不同频率的信号系数，提高有用信号小波系数，降低噪声，最后进行小波重构，得到最终的去噪信号。具体地，给出一个SG系数序列图2SG滤波效果图(a) SG滤波前的序列(b) SG滤波后的序列IMT-2020(5G)推进组 内通过最小二乘法用多项式拟合相邻数据点的连续子集[5]得出,性能取决于窗，长度为，则滤波后的序列为(a)(b) 5其中，表示脉冲响应、为随机信号、是信号、是噪声。希望得到的输出尽量接近于，即用均方误差分析的话，希望其数学期望最小令导数为零得到，这就是维纳-霍夫方程：写成矩阵形式也就是维纳滤波系统滤波的过程是解维纳-霍夫方程获得最小均方差下的脉冲响应的表达式。在离散域上对求导维纳滤波[8]它基于最小均方误差准则，通过构建一个线性滤波器最小化信号估计与真实信号之间的均方误差，提取观测信号中的有用信息，同时滤除噪声成分。维纳滤波器的设计依赖于信号和噪声的统计特性，包括它们的自相关和互相关函数。对一个线性系统，观测信号可以表示为原始信号与噪声的叠加： 6通过多帧信号与信号前缀进行互相关之后的结果求和达到减小噪声提高信噪比的目的，数学表示为3.1.2干扰抑制3.1.2干扰抑制多目标检测中的杂波干扰消除多目标检测中的杂波干扰消除[2]基于IEEE 802.11ad定义的信号帧结构执行感知时，可利用前缀的自相关性，根据峰的位置估计时延而得到目标距离。注意到，该信号帧结构的前缀部分由短训练字段(Short Training Field, STF)和信道估计字段(Channel Estimation Field, CEF)组成,其中STF部分由16个重复的长度为256的互补序列组成，主要用于帧同步和频偏估计。IMT-2020(5G)推进组 图3 IEEE 802.11ad信号结构图4 STF由16个重复序列组成 7其中为发射信号前缀，为其长度，为接收到的第帧信号。根据前缀序列的特征，在目标对应的时延符号处会出现峰值，可以通过检测该峰值进行时延估计，由于STF由16个重复序列组成，单个目标将会产生多个峰值，将由目标产生的峰值定义为主峰，由序列重复产生的峰值为子峰，则主峰峰值序号为。在进行多目标估计时，需要循环检测峰值，然而部分目标的主峰可能会淹没在其他目标的子峰当中难以检测，因此在每次峰值检测完成之后需要首先进行子峰消除，再进行下一次主峰检测。由于STF中单个子序列长度为128，则由重复产生的峰值间隔因此也为128，可以利用此性质在检测出主峰位置后，消除子峰，再进行下一次峰值检测，即该过程将重复循环直到检测非目标峰值，而非目标峰值的判断可由设置阈值完成。基于扩展相消处理算法实现干扰消除[11]基于扩展相消处理算法实现干扰消除[11]根据多普勒信息的动目标消除(moving target indication，MTI)算法常用于空载雷达的静杂波的抑制。MTI可以构造零多普勒处的凹口，滤出强的静止背景杂波。不过对于通感基站，MTI算法容易将图5 (a)单目标由序列重复产生的主峰与子峰(b)多目标主峰被子峰淹没(a)(b) 8其中最终的接收信号是，分别是目标回波个数，背景回波个数，目标，背景回波信道系数，目标回波的时延，多普勒频偏和背景回波时延。下面根据接收信号构造杂波子空间信号。由于目的是为了消除自干扰和周围强大建筑组成的背景干扰，可以认为需要进行消除的范围是先验知识。根据先验的背景时延范围(设需要消除的范围是时延0到时延K-1个样点)，可以有如下表达:速度较慢的人，悬停的无人机等目标回波一同消除，造成目标检测失败或者是已检测目标的丢失。此外，基于解调后信号的杂波抑制对于OFDM感知可能会引入符号间干扰和子载波间干扰。所以，对原始信号进行静杂波抑制对于OFDM感知是必要的预处理手段。扩展相消处理算法(Extensive Cancellation Algorithm, ECA)是一种常用的杂波抑制算法[9]。根据接收到的直达波信号，ECA会对直接利用直达波信号，和期待响应的信息计算自适应权值，无需引入输出信息的反馈，避免了诸如LMS (Least Mean Squares), RLS (Recursive Least Squares)等闭环自适应滤波算法迭代类算法的收敛问题。ECA算法的执行流程可以由以下步骤总结。在进行杂波抑制之前，获取干净的直达波信号是必要的。一种方式是利用已知的发射数据对OFDM信号进行重构。另一种方式是将直达波从接收信号中分离。假设发射的频域信号是达的频域信号可以表示为们可以写作如下形式IMT-2020(5G)推进组 ，是高斯白噪信号。,,,,,，则直和目标与背景回波可以表示。它 9最小二乘法对静杂波进行消除。通感自干扰消除算法[25]通感自干扰消除算法[25]在实际通信场景的感知探测过程中，由于收发端的相对距离较近，可能出现发射信号未经环境反射而直接泄露至接收端的现象。这一信号分量被称为自干扰信号，而经过环境反射的信号则是有用信号。自干扰信号具有传输距离较短、功率较大的特点，会导致有用信号受到强烈干扰，从而影响5G-A通感系统的整体感知性能。传统自干扰消除算法可划分为传播域消除、模拟域消除和数字域消除[10]。传播域消除是通过环形器隔离、天线隔离等方法提高收发隔离度，使得自干扰信号在到达接收机时经历较大的衰减。模拟域方法则通过可调控的硬件电路在接收机射频前端重建模拟自干扰信号的副本，并完成相应的消除过程。数字域方法则以发射机基带信号作为参考源，利用数字信号处理技术估计自干扰信道参数，进而重建自干扰信号，然后通过从接收信号中减去估计的自干扰信号，实现自干扰信号的消除。就是杂波抑制后的信号，它相当于在的补空间上投影，