6G ISAC实现环境物体重建：从3GPP仿真到室内原型验证

《IEEE Journal of Selected Topics in Electromagnetics, Antennas and Propagation》：6G ISAC Enables Environment Object Reconstruction

本文针对6G集成感知与通信(ISAC)中环境物体(EO)重建的标准化需求，提出基于3GPP Urban Grid场景的EO离散化建模方法，开发包含反向投影成像、滤波和聚类的重建算法。仿真显示90%散射点重建误差约1米，室内原型系统在机器人姿态识别中达到95%准确率，为数字孪生、具身AI等应用提供了关键技术支撑。

　　

当我们畅想未来的6G世界时，一个能够实时感知物理环境的智能网络将成为支撑自动驾驶、机器人协作等应用的核心基础设施。然而，当前5G网络主要专注于数据传输，对于非联网被动物体的探测能力存在明显不足。特别是在环境物体(Environment Object, EO)重建方面，如何让无线通信系统具备对建筑物、日常物品等复杂物体的三维重构能力，成为6G集成感知与通信(Integrated Sensing and Communication, ISAC)技术面临的关键挑战。

传统基于Wi-Fi的传感技术主要局限于目标定位和活动识别，而现有蜂窝网络传感研究多聚焦于特定物体的成像，缺乏对大规模环境物体的系统性重建方法。3GPP Release 19虽然首次引入了EO概念，但其信道模型仅考虑镜面反射路径，难以真实反映建筑物表面复杂结构的散射特性。正是针对这些技术空白，华为技术有限公司的研究团队在《IEEE Journal of Selected Topics in Electromagnetics, Antennas and Propagation》上发表了题为"6G ISAC Enables Environment Object Reconstruction"的创新性研究。

该研究通过仿真和现场试验双重验证，证明了6G感知技术实现EO重建的可行性。研究人员首先创新性地将建筑物EO离散化为散射点模型，提出两种雷达散射截面(Radar Cross Section, RCS)模式——半空间均匀散射模式(H模式)和定向散射模式(D模式)。针对3GPP Urban Grid场景，他们开发了完整的重建算法流程，包括基于反向投影(Back Projection, BP)的三维成像、空间滤波和DBSCAN密度聚类。仿真结果表明，在考虑用户设备(User Equipment, UE)定位误差等实际因素下，仍能实现90%散射点误差约1米的重建精度。

在技术方法层面，研究团队采用了多维度验证策略：基于3GPP标准的Urban Grid场景建模、EO离散化散射点信道模型、 chirp-over-OFDM调制信号设计、非相干UE信号处理机制以及适应实际场景的RA成像算法优化。室内原型系统采用10.2GHz载波频率和400MHz带宽，通过L形天线阵列实现单站感知，结合相机标定和卷积神经网络(Convolutional Neural Network, CNN)完成姿态识别任务。

仿真模型建立

研究人员基于3GPP Release 19定义的Urban Grid部署场景，将建筑物EO建模为10m×10m网格上的离散散射点。每个散射点采用H模式(σ_H(θ)=18.62dBsm)或D模式(σ_D(θ)=max(11.66-20·(θ/60)²,-8.34)dBsm)的RCS模式，更真实地模拟建筑物表面复杂结构的电磁散射特性。信号模型采用上行链路双站感知配置，UE发射基于OFDM调制的啁啾信号，基站(Base Station, BS)通过多天线接收回波信号。

重建方法设计

研究团队开发了三阶段重建方法：首先通过BP算法生成三维复杂值图像，利用匹配滤波实现距离压缩；然后设计十字形空间滤波器（核尺寸L_x=L_y=L_z=10）结合阈值滤波（稀疏度s=0.01）去除旁瓣；最后采用DBSCAN聚类（邻域大小3，核心点最小邻居数5）提取散射点中心。与相干UE处理相比，非相干策略显著改善了重建性能，d₉₀误差从>60%降低到1.1m。

仿真结果分析

在Urban Grid场景下，研究发现UE选择策略对重建性能影响显著：H模式适合选择所有UE，而D模式仅需选择最近的两个UE。UE定位误差（高斯分布，标准差0.6m）会使重建性能下降25-45%，但OFDM符号数量（1-112个）对性能影响较小，表明信噪比不是主要限制因素。这些发现为实际系统设计提供了重要参考。

现场试验验证

针对室内场景开发的原型系统采用单站感知架构，使用32发32收的L形天线阵列（载频10.2GHz，带宽400MHz）。为降低计算复杂度，将BP算法替换为基于2D-FFT的雷达成像(Range-Angle, RA)算法，结合恒虚警率(Constant False Alarm Rate, CFAR)检测和CNN分类器。在三个用例测试中：日常物体检测达到0.1m距离精度和0.5°角度精度；机器人五姿态识别准确率98%；人机交互姿态识别在400次测试中达到95%准确率。

研究结论表明，6G ISAC技术能够有效实现环境物体重建，为数字孪生和具身人工智能(Embodied AI)等应用奠定基础。仿真和试验结果验证了所提方法在复杂场景下的适用性，特别是在UE选择策略、定位精度要求等方面提供了实用指导。讨论部分进一步展望了EO重建结果在环境感知通信、传感定位增强等方向的潜在价值，指出通过多模态、多节点协同感知，未来网络将能够为自动驾驶、机器人等智能体提供实时空间上下文信息。

这项研究的重要意义在于，它首次系统性地提出了6G ISAC环境下EO重建的完整技术框架，从3GPP标准化场景建模到实际原型验证，为后续学术研究和产业应用提供了重要参考。特别是在UE协作策略、信道模型优化、实际约束下的算法适配等方面提供了创新性解决方案，为6G网络实现通信-感知-智能深度融合指明了技术路径。