IMT-2020(5G)推进组报告指出，通感一体化技术通过通信基础设施实现一网两用，在低空经济、智慧交通、工业与矿山、智慧城市和健康医疗等领域具有广阔的应用前景。报告聚焦于通感一体化中的感知信号处理技术，将其分为信号预处理、感知信息提取、目标识别、信息压缩、协作融合以及AI应用等关键技术领域。
信号预处理阶段主要解决原始感知信号受环境干扰、通信链路不稳定以及感知任务数据特性等问题，主要包括数据去噪、干扰抑制和数据降维等步骤。其中，数据去噪方法包括离群点去除（如Hampel滤波）和滤波平滑（如移动平均滤波、SG滤波、巴特沃斯滤波和小波变换去噪）；干扰抑制方法包括杂波消除（如扩展相消处理算法）和自干扰消除（如基于信道模型的自干扰消除算法）；数据降维方法包括子载波选择（基于统计特性或相关特性）和主成分分析（PCA）。
感知信息提取阶段根据不同的感知任务提取目标信息，主要包括瞬时信息提取、时变信息提取和统计信息提取。瞬时信息提取方法包括周期图类（如3D-DFT）、空间谱类（如MUSIC和ESPRIT）和优化类（如最大似然估计和压缩感知）；时变信息提取方法包括时域差分信息和基于时频分析的相位差分信息；统计信息提取方法包括均值、方差、标准差、峰态特征、偏斜度特征、变化率和相关系数等。
感知目标识别技术主要通过特征参数识别目标数目和种类，包括基于特征参数识别目标数目（如AIC和MDL）和基于特征参数识别目标种类（如基于微多普勒特征和基于RCS的目标识别）。其中，基于微多普勒特征的目标识别方法利用无人机目标的旋翼转动产生的周期性调制现象，通过分析回波信号的相位变化来识别目标类型；基于RCS的目标识别方法通过分析目标的雷达散射截面积（RCS）序列，利用特征参数进行目标识别和分类。
协作信息融合技术通过融合多基站或多资源域的感知数据实现网络化、高精度感知，主要分为多基站协作主动感知、多基站协作被动感知和多基站协作主被动感知三种方式。其中，多基站协作感知面临同步误差和融合挑战，需要采用交叉天线互相关（CACC）、交叉天线信号比（CASR）和NLOS和LOS信号互相关（NLCC）等方法消除同步误差；数据级融合方法包括BR定位、TDOA定位和AOA定位等；信号级融合方法直接将多站的感知信号进行叠加，提升信噪比；符号级融合方法结合数据级和信号级融合方法的特点，实现高精度融合并降低对同步精度的要求。
AI在感知技术中的应用主要体现在基于AI进行感知信息提取和数据的预处理上，例如利用卷积神经网络（CNN）和自编码器进行数据去噪，利用深度学习模型进行特征提取等。
感知信息内容主要包括基本信息表达、压缩信息和协作信息。基本信息表达主要指信道状态信息（CSI）的获取和反馈，压缩信息主要通过设置反馈质量门限、部分信道参数反馈、部分信息域反馈和预先配置图谱等方式提高反馈效率，协作信息则通过多基站协作感知实现高精度目标感知。
感知信息量化是将信号从连续值转换为离散值的过程，主要采用均匀量化和非均匀量化方法，例如A律和μ律量化。感知信息可靠性则通过感知信噪比（SNR）和感知信干噪比（SINR）等指标进行评估，用于判断反馈的感知信息的可靠性，并作为感知设备选择/切换、感知波束管理和感知资源配置调整等方面的参考指标。
报告最后总结指出，感知信号处理技术在典型应用场景中具有广泛适用性，未来研究将聚焦于开发更高效的AI算法、多模态感知信号处理技术等，以实现更精准、更智能的环境感知。
