车联网中感知-通信-计算一体化(ISCC)技术：面向6G自动驾驶的系统性挑战与机遇

《IEEE Communications Standards Magazine》：Integrated Sensing, Communication, and Computation for IoV: Challenges and Opportunities

本刊编辑推荐：为解决车联网(IoV)中感知、通信、计算功能分离导致的频谱效率低下、数据冗余和资源失衡等系统性问题，研究人员开展了面向车联网的感知-通信-计算一体化(ISCC)范式的首次深度综述。研究系统梳理了ISCC在车联网中的三阶段发展路径（协同、融合、集成），建立了涵盖物理层信号集成和网络级任务资源管理的实现路径分类，并综述了初步应用研究。该研究为6G时代车联网实现高效可靠的自动驾驶提供了重要的理论框架和技术路线图。

　　

随着5G/6G通信技术的飞速发展，车联网(IoV)已从最初的车载信息服务阶段，演进至智能网联阶段，并朝着车路协同控制的高级形态发展。然而，传统的车联网设计将感知、通信和计算功能作为独立的实体进行优化，在面对高级别自动驾驶和车路协同系统的多样化、高要求时，暴露出诸多固有局限。例如，即便5G/6G网络提供了Gbps级别的理论带宽，若通信与感知、计算解耦优化，仍会导致资源利用效率低下，产生冗余数据传输，并在车辆高速移动导致链路不稳定的动态场景中形成性能瓶颈。此外，虽然从其他车辆和路侧基础设施共享数据对于增强单车感知能力至关重要，但多源并发传输常常引发网络拥塞，进而导致通信和计算延迟过高，使得共享信息过时，最终可能触发如碰撞避免等安全关键操作中的错误驾驶决策。

这些挑战催生了多种融合技术的进步，主要包括三大范式：旨在提升频谱和资源效率的集成感知与通信(ISAC)、通过多接入边缘计算(MEC)和空中计算(AirComp)等技术提升计算效率并保证可靠数据传输的集成通信与计算(ICC)、以及通过多传感器数据融合和协同感知来增强可靠性的集成感知与计算(ISC)。然而，这些两两集成的范式仍存在系统性不足。例如，ISAC通常依赖单一传感器模态（如雷达），在复杂交通场景下易受视野限制和遮挡影响；ICC在优化数据传输和处理时，往往忽略上游感知数据的质量，可能导致有限资源被低价值数据占用；ISC虽提升感知精度，却生成了巨大的数据交互需求，对通信信道提出了极高要求。车联网独特的使命目标（以安全和感知为核心）以及高度动态、资源受限的网络环境，加剧了这些系统性低效问题。因此，迫切需要针对车联网场景，深入研究一种特定的ISCC范式。

为此，本文首次提供了以车联网为中心的ISCC范式深度综述。首先，文章全面回顾了车联网的发展轨迹，并基于此演化路径，将ISCC的发展定义并归类为三个 distinct 阶段——协同阶段、融合阶段和集成阶段，以厘清其集成过程。

其次，文章分析了部分集成范式（ISAC, ICC, ISC）的局限性，进而建立了一个全面的ISCC实现路径分类法，涵盖了物理层信号集成和网络级任务导向的资源管理。第三，综述了ISCC在车联网及相关领域的初步应用和研究。最后，展望了在车联网中实现ISCC所面临的挑战和潜在解决方案。

为开展此项研究，作者团队主要运用了系统性文献综述与分类法。通过对车联网及无线通信领域大量现有研究的梳理与分析，构建了ISCC发展的三阶段模型和实现路径的分类体系。此外，对ISAC、MEC、AirComp、多传感器数据融合等关键使能技术的工作原理、研究进展及其在车联网中的应用进行了归纳和比较分析。

ISCC的实现路径

研究将ISCC的实现路径系统地分为两个基本层面：物理层信号集成和网络级资源管理。

在物理层信号集成层面，重点关注信号的协同设计，使多种功能共享相同的物理资源。这包括单功能信号设计（如不同功能的信号在共享资源块中共存，需管理跨功能干扰）和双/三重功能信号设计（如设计统一的波形以固有地执行两种或全部三种功能，例如双功能波束成形器，其高增益主瓣用于通信，宽旁瓣用于雷达感知）。

在网络级资源管理层面，其重点是如何分配和协调不同进程或任务之间的资源。这包括面向任务共存的联合资源管理（将感知、通信、计算视为独立的共存任务，它们竞争公共资源池，例如通过时分复用为不同功能分配专用时隙）和面向ISCC的任务导向资源分配（将感知、通信和计算视为单个复杂任务中紧密耦合的模块，优化统一的端到端任务目标，如协同感知中的感知精度或任务完成延迟，而非各模块的中间指标）。

车联网的发展阶段与核心挑战

研究回顾了车联网大约二十年发展历程中的两个主要阶段：车载信息服务阶段和智能网联阶段。当前，车辆正从传统交通工具向智能机器(IM)转变，驱动因素是传感设备与信息类型的扩展、人工智能研究的激增以及计算技术的进步。在智能网联阶段，车联网研究面临三大核心挑战：

1. 1.
   有限频谱资源与高吞吐量通信及精准感知需求之间的矛盾：车载传感器（如多个摄像头、LiDAR、雷达）可产生超过8 Gbps的聚合数据流，远超当前5G蜂窝网络的实际上行链路能力（约100 Mbps）。而安全关键应用（如协同避撞）要求端到端延迟小于100毫秒，甚至需要低于10毫秒的超低延迟及99.999%的可靠性。ISAC技术通过在同一硬件和频谱上集成感知与通信能力，有效利用此前专用的雷达频段，显著提高频谱效率。
2. 2.
   受限计算资源与高可靠性、低延迟需求之间的矛盾：自动驾驶车辆处理来自10个高清摄像头的数据每秒可能需要2.5×10¹⁷次计算操作，而车载计算资源有限。同时，商用V2V技术（如DSRC）带宽仅约6 Mbps，V2I通信通过5G网络的上行速度（约100-200 Mbps）也远低于传感器产生的多Gbps数据流。ICC技术（如MEC和AirComp）支持实时任务卸载和智能数据处理，通过利用云、边、端资源的差异化和互补能力，满足车联网应用的高可靠、低延迟计算需求。

   
3. 3.
   自动驾驶安全可靠决策的挑战：复杂多变的交通环境对准确、完整地感知环境并做出安全可靠的决策提出了重大挑战。ISC技术，如多传感器数据融合和协同感知，通过系统整合车辆各处多个同质或异质传感器的原始数据，利用AI技术分析，消除传感器输入间的矛盾和冗余，获得对环境的一致解释。

初步探索与未来挑战

研究综述了ISCC在车联网及相关领域（如边缘智能和6G）的初步探索。在车联网领域，现有研究可分为任务导向的ISCC优化（关注优化车辆与路侧基础设施在车联网中感知、通信、计算的端到端协作过程，以最小化延迟、最大化吞吐量或确保可靠性为目标）和通过ISAC-MEC/AirComp集成实现的系统级ISCC（架构上深度融合ISAC与MEC或AirComp，通常涉及信号处理、资源分配和通信协议的联合设计，以实现频谱效率、延迟降低等系统级改进）。

尽管ISCC前景广阔，但其在车联网中的实现仍面临诸多挑战，包括：ISCC理论基础（如感知、通信、计算之间相互依赖关系和约束的理论研究不足）、按需资源调度（资源约束相互依存、竞争激烈、需求动态异构）、多传感器优化部署、网络化协作与数据融合（数据质量多样、冗余度高）、干扰管理（ISAC系统中的自干扰、互干扰、杂波和跨链路干扰）以及ISCC硬件设计（现有基站结构复杂，需考虑感知、通信、计算的协同设计）等。

结论与意义

本综述系统性地阐述了车联网中ISCC范式的发展脉络、技术路径、研究现状及未来挑战。研究指出，车联网的发展驱动力正从解决单一问题（如频谱稀缺、计算瓶颈）的部分集成技术（ISAC, ICC, ISC），转向应对系统性低效问题的深度ISCC范式。ISCC通过在多层面（从物理层信号到网络级任务）实现感知、通信、计算的深度集成与协同资源管理，有望显著提升车联网的频谱效率、资源利用率、系统可靠性及任务完成效能。这项研究为6G时代车联网，特别是高级别自动驾驶和车路协同系统的实现，提供了重要的理论框架、技术路线图和发展指南，对学术界和工业界均有显著的参考价值。该论文已发表于《IEEE Communications Surveys & Tutorials》。