⚡ electrical engineering

Evaluation of gNB Monostatic Sensing for UAV Use Case

本文基于 3GPP 第 19 版标准，评估了利用 5G NR 下行链路定位参考信号进行 gNB 单站感知以检测无人机目标的性能，实现了高检测概率与低虚警率，并发布了开源模拟器 5GNRad 以支持可复现的基准研究。

原作者： Steve Blandino, Neeraj Varshney, Jian Wang, Jack Chuang, Camillo Gentile, Nada Golmie

发布于 2026-04-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Steve Blandino, Neeraj Varshney, Jian Wang, Jack Chuang, Camillo Gentile, Nada Golmie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文其实是在讲一个非常酷的想法：让普通的 5G 手机基站，变身成为“超级雷达”，用来发现空中的无人机。

想象一下，未来的城市里，我们不需要到处安装昂贵的专用雷达，而是利用已经遍布大街小巷的 5G 基站，就能像“天眼”一样，时刻盯着天空，看看有没有无人机在飞，甚至能算出它飞得多快、在哪、飞多高。

为了验证这个想法是否靠谱，作者们（来自美国国家标准与技术研究院 NIST 等机构）做了一次详细的“模拟考试”。以下是用大白话和比喻对这篇论文的解读：

1. 核心任务：让基站“兼职”当雷达

背景：现在的 5G 基站主要用来发信号给手机（通信）。但 3GPP（制定通信标准的组织）在最新的标准（Release 19）里，开始研究怎么让基站顺便“看”东西（感知）。
挑战：以前大家做研究时，假设太理想化了（比如假设没有干扰、没有杂波），导致结果没法互相比较。就像大家都在“真空环境”下跑步，到了现实世界可能就跑不动了。
做法：作者们搭建了一个真实的、端到端的模拟系统。他们不仅模拟了信号怎么发、怎么传，还模拟了基站接收信号后，怎么像侦探一样从一堆噪音里把无人机“揪”出来。

2. 怎么“看”？（工作原理）

想象基站是一个拿着手电筒（发射信号）和耳朵（接收回声）的哨兵。

发射信号：基站发出一种特殊的 5G 信号（叫 PRS，就像一种独特的“哨音”）。
接收回声：如果空中有无人机，这个“哨音”会撞在无人机上弹回来，被基站接收。
处理噪音：城市里到处都是干扰（比如大楼反射的信号、其他无线电的噪音）。这就好比在嘈杂的菜市场里听清一个人的声音。作者设计了一套算法（处理链），能过滤掉这些“菜市场噪音”，只保留无人机反射回来的微弱信号。
定位：通过计算信号回来的时间（算距离）、频率变化（算速度，多普勒效应）和角度（算方向），基站就能在三维空间里画出无人机的位置。

3. 考试环境：3GPP 的“标准考场”

为了公平，作者们完全按照 3GPP 规定的“考场规则”来模拟：

场景：城市宏基站（UMa-AV），就像在繁华的大城市里。
目标：5 架小型无人机，在 25 米到 300 米的高空乱飞，速度从静止到 180 公里/小时不等。
干扰：模拟了真实的信号干扰和基站自身的“回声干扰”（自干扰，就像你大声喊叫时，自己的耳朵也被震得嗡嗡响）。

4. 考试成绩：表现如何？

这次“模拟考”的成绩相当不错：

发现率（检测概率）：在设定“误报率”很低（只有 5% 的误报，即很少把鸟当成无人机）的情况下，基站能成功发现 70% 以上的无人机。
定位精度：对于发现的无人机，基站能算出它的位置，误差大概在几米以内。
- 水平方向（左右前后）：90% 的情况下，误差小于 6 米（大概一辆车加半辆车的长度）。
- 垂直方向（高低）：90% 的情况下，误差小于 4 米（大概一层楼的高度）。
速度：测速也很准，大部分误差很小。

5. 遇到的“小插曲”与发现

飞太高或太慢会漏掉：
- 如果无人机飞得太高（超过 60 度仰角），就像基站“抬头”看东西有点吃力，容易漏看。
- 如果无人机飞得太慢，它的信号容易和背景噪音混在一起，像慢动作镜头容易被当成静止背景，导致漏检。
硬件配置的影响：
- 基站天线排得越密、接收通道越多（全数字架构），效果越好。
- 如果为了省钱减少接收通道（混合架构），虽然也能发现目标，但容易把“噪音”误当成“目标”（误报变多）。
观察时间：基站盯着看的时间越长（CPI 越长），看得越清楚，但超过一定时间（40 毫秒）后，提升就不明显了，属于“边际效应递减”。

6. 最大的贡献：开源“模拟器”

这篇论文最珍贵的地方不仅仅是数据，而是作者把整个“考试系统”（模拟器 5GNRad）开源了。

比喻：以前大家研究雷达，都是各自在脑子里想公式，或者用黑盒子做实验，很难互相验证。现在，作者把整个“实验室”的图纸、仪器和实验步骤都公开了。
意义：全世界的科学家都可以下载这个工具，用同样的标准去测试新的算法。这就像大家用同一套“标准试卷”和“评分系统”来考试，谁的成绩好、谁的方法更优，一目了然。

总结

简单来说，这篇论文证明了：利用现有的 5G 基站网络来监测无人机是完全可行的，而且精度能达到米级。 虽然还有一些挑战（比如飞得太高或太慢时容易漏检），但这为未来 6G 时代的“通感一体化”（通信和感知合二为一）打下了坚实的基础。作者还大方地送出了“实验工具包”，让全行业能一起把这项技术做得更好。

这是一份关于论文《Evaluation of gNB Monostatic Sensing for UAV Use Case》（面向无人机用例的 gNB 单站感知评估）的详细技术总结。

1. 研究背景与问题 (Problem)

随着 6G 的发展，将感知功能集成到蜂窝网络（ISAC，通感一体化）已成为关键趋势，支持空中监视、基础设施监控等用例。然而，现有的研究存在以下局限性：

评估碎片化：先前的研究常依赖简化的传播假设（如单径目标、忽略杂波）和理想化的硬件模型（忽略天线方向图和残余自干扰），导致结果难以复现和横向比较。
标准缺失：虽然 3GPP 在 Release 19 中启动了 ISAC 的标准化工作，定义了信道模型、评估场景和假设，但感知接收机的处理链（Signal Processing Chain）并未被标准化。这意味着缺乏一个透明的、基于标准假设的端到端实现基准，难以客观评估 5G NR 波形在实际场景下的感知性能。

核心问题：如何在遵循 3GPP Release 19 标准假设（特别是 UMa-AV 场景）的前提下，构建一个透明的、可复现的端到端感知处理链，以评估基于 5G NR 下行链路波形（PRS）的 gNB 单站感知在无人机（UAV）检测与定位方面的真实性能？

2. 方法论 (Methodology)

本文提出并实现了一个名为 5GNRad 的开源模拟器，构建了一个完整的端到端感知处理链。

系统模型：
- 波形：使用标准的 5G NR 下行链路 CP-OFDM 波形和定位参考信号（PRS）。
- 场景：基于 3GPP Release 19 的 UMa-AV（城市宏基站 - 空中车辆）场景。
- 信道模型：采用 3GPP Release 19 定义的 ISAC 信道模型，包含：
  - 目标模型：基于雷达散射截面积（RCS）的散射点模型，考虑了大尺度衰落和小尺度波动。
  - 背景杂波模型：引入专用的单站背景信道模型，模拟视距外的多径杂波（Clutter）。
  - 硬件损伤：显式建模了残余自干扰（Residual Self-Interference, SI）和真实的阵列天线方向图。
处理链 (Processing Chain)：
1. 信道估计：基于最小二乘法（LS）估计有效频域信道。
2. 距离处理：对每个射频链（RF Chain）进行去交错（Destaggering）和 IFFT，生成距离剖面。
3. 静态杂波抑制：在慢时间域（CPI 内）进行均值减法，消除静止背景。
4. 多普勒处理：对距离剖面进行 FFT，生成距离 - 多普勒图（Range-Doppler Map）。
5. 检测 (Detection)：采用非相干积分和二维恒虚警率（CA-CFAR）检测器进行目标检测。
6. 参数估计：
  - 角度估计：支持波束空间 FFT（Beamspace FFT）和 Bartlett 扫描两种方法。
  - 3D 定位：结合距离和角度（方位角/俯仰角）计算目标的三维坐标。
仿真设置：
- 载波频率 4 GHz，带宽 100 MHz。
- 基站配备 8x8 均匀矩形阵列（URA）。
- 对比了全数字（Full-digital）和混合（Hybrid）接收机架构。
- 每个仿真落点（Drop）包含 5 个随机分布的小型无人机目标。

3. 关键贡献 (Key Contributions)

首个基于 3GPP Release 19 的端到端基准实现：填补了 3GPP 标准中“信道模型”与“接收机处理”之间的空白，提供了一个透明的参考实现。
开源模拟器 5GNRad：发布了完整的模拟器代码、场景脚本和评估工具，支持社区复现结果并扩展新算法，极大地促进了 ISAC 研究的复现性。
全面的性能评估：不仅评估了检测概率，还详细分析了定位误差、速度估计误差，并研究了不同架构（全数字 vs 混合）、天线间距、残余自干扰和相干处理间隔（CPI）长度对性能的影响。
实际场景下的性能验证：在考虑了杂波、自干扰和真实天线方向图的复杂条件下，验证了 5G NR PRS 波形用于 UAV 感知的可行性。

4. 主要结果 (Key Results)

在设定的基准配置（全数字阵列，0.5λ间距，CPI=128ms）下，主要结果如下：

检测性能：
- 在5% 的虚警率（False Alarm Rate）下，实现了70% 以上的检测概率（Detection Probability, $P_d$ ）。
- 若将检测概率提升至 80%，虚警率会显著上升至约 20%，表明存在明显的检测 - 虚警权衡。
- 漏检（FN）主要发生在低信噪比（远距离）、大俯仰角（>60°，受天线增益限制）以及低径向速度（易与残余杂波重叠）的情况下。
定位精度：
- 对于正确检测到的目标，实现了米级的 3D 定位精度。
- 水平定位误差：90% 分位误差约为 6 米。
- 垂直定位误差：90% 分位误差约为 4 米。
- 径向速度估计误差较小且集中，表明多普勒估计稳定。
架构与参数敏感性分析：
- 接收机架构：混合接收机（Hybrid，32 路 RF 链）虽然保持了与全数字（64 路）相近的检测概率，但虚警控制能力显著下降（正预测值 $P_{TP}$ 降低），导致 F1 分数下降。
- 垂直间距：增加垂直间距（从 0.5λ到 0.8λ）对性能有轻微负面影响，但相对于接收机架构的影响较小。
- 自干扰：残余自干扰增加会降低检测概率，但 F1 分数在标称条件下保持相对稳定，表明系统具有一定的鲁棒性。
- CPI 长度：延长 CPI 可提高检测概率和速度分辨率，但超过 40ms 后收益递减，且可能因噪声相干积累而略微增加虚警。

5. 意义与影响 (Significance)

标准化推动：该工作为 3GPP 及后续 ISAC 标准制定提供了宝贵的实证数据，展示了在标准信道模型下，现有 5G NR 基础设施无需额外硬件即可实现 UAV 感知。
研究基准：通过发布 5GNRad 模拟器，解决了该领域长期存在的“结果不可复现”和“评估标准不统一”的问题，为学术界和工业界提供了一个共同的比较基准。
技术可行性验证：证明了利用 5G NR 下行 PRS 信号进行单站雷达感知，在城市宏基站覆盖范围内，能够有效检测并定位无人机，精度满足许多监控和安全应用的需求。
指导系统设计：研究结果揭示了混合接收机架构在控制虚警方面的挑战，以及 CPI 长度和自干扰抑制对系统性能的关键影响，为未来的 ISAC 系统参数优化提供了指导。

总结而言，这篇论文通过构建一个严格遵循 3GPP Release 19 标准的透明仿真框架，证实了 5G NR gNB 在 UAV 感知场景下的巨大潜力，并为未来的通感一体化系统设计与标准化奠定了坚实的实验基础。