![]()
大连理工大学赵楠教授团队与卢为党教授、邢成文教授、AI-Dhahir教授、Karagiannidis教授和杨小牛院士合作撰写智能通感综述。
文章下载
Zhang J F, Lu W D, Xing C W, et al. Intelligent integrated sensing and communication: a survey. Sci China Inf Sci, 2025, 68(3): 131301
![]()
通感一体化技术通过共享频谱和硬件资源来提高频谱利用率、降低硬件尺寸和功耗，支撑各种5G新兴应用。然而，传统的通感一体化技术高度依赖精确的数学模型，在实际场景中面临计算复杂度高、性能差等诸多挑战。近年来，人工智能凭借其强大的学习能力、令人满意的泛化能力、快速的推理速度和对动态环境的高度适应性，成为解决这些问题的一种可行技术，促成了系统设计从模型驱动向数据驱动的转变。集成人工智能技术的智能通感一体化已成为当前的研究热点。该文对智能通感一体化的研究动机、典型应用、最新发展趋势和挑战进行了综述。首先介绍了通感一体化的基本原理和关键技术；然后，对人工智能技术进行了概述，并对比了基于模型和基于人工智能的通感一体化方法；此外，还综述了人工智能在通感一体化中的典型应用，以及人工智能赋能的通感一体化最新发展趋势。最后，讨论了智能通感一体化未来的研究问题和挑战。本文涉及的人工智能技术不限于机器学习，还包括联邦学习、生成式人工智能和迁移学习等。通过讨论这些人工智能技术在通感一体化中的广泛应用，为读者提供了对这一领域的全面了解，为后续研究铺平了道路。
![]()
图1 通感一体化在5G通信中的各种应用场景
尽管已经有许多智能通感一体化的研究，但仍有几个开放问题和挑战亟待解决：
1. 训练数据：一般来说，人工智能模型需要大量样本来训练，特别是模型参数量特别大时。然而，在实践中，训练人工智能模型面临着几个挑战。首先，训练数据的质量会随着传感器和测量噪声的变化而变化，这可能会导致错误或有偏见的模型无法学习底层系统的正确模式。其次，由于某些特定场景中的数据安全问题，通感一体化网络可能难以获得足够的训练样本。此外，收集训练样本的过程可能既耗时又昂贵。因此，这些限制对在训练样本有限、延迟要求低的通感一体化系统中部署人工智能技术构成了巨大障碍。2. 模型自适应性：在通感一体化系统是静态的假设下，人工智能模型通常离线训练并在线部署，以提高训练过程的稳定性并满足实时要求。一旦人工智能模型经过良好训练，其权重在推理阶段保持不变，这可能会导致在一些高度动态的场景中性能下降。
3. 模型复杂度：尽管人工智能模型在建模各种通感一体化系统方面展示出巨大潜力，但它可能需要复杂结构和大量可学习参数来确保模型的准确性。然而，复杂人工智能模型面临着几个实施问题。一方面，它需要更多的时间来训练大量参数，这阻碍了它在实时场景中的使用。另一方面，在某些实际情况下，可能无法获得足够的训练数据，增加了过拟合的风险。4. 模型解释性：全数据驱动的人工智能缺乏足够的可解释性，很难理解复杂人工智能模型的底层学习机制。该特点对训练阶段超参数的调整构成了挑战。通过结合领域知识和人工智能技术，模型驱动的深度学习可以提高模型的可解释性，压缩模型参数量，并降低训练样本的要求。![]()
图2 人工智能辅助的通感一体化应用场景
![]()
![]()
