一种融合蓝牙和地磁的位置指纹室内定位方法.pdf

第48 卷总第52 3期网络首发：2 0 2 3-0 4-2 7一种融合蓝牙和地磁的位置指纹室内定位方法周安顺，王绥民，纪龙，霍明德（中国联合网络通信有限公司海南省分公司，海南海口57 2 50 0）【摘要】室内定位服务目前已经普遍运用到了导航、抢险救灾等领域，其中基于蓝牙传感器的室内定位易于普及、实用性强，并且可以借助手机自带的一些功能实现，然而在人员较多和电磁环境复杂的区域往往定位效果较差。针对这个问题，本文提出了一种蓝牙与地磁融合的位置指纹室内定位方法，即在待定位的商场等区域设置若干蓝牙信标，采用手机自带的iBeacon功能和霍尔传感器分别接收蓝牙和地磁信号，之后对蓝牙估计坐标和地磁估计坐标在决策层进行融合计算用户的位置，既减小了定位误差又没有耗费额外的硬件资源。实验结果表明该融合定位方法具有较高的估计精度。【关键词】关键词：室内定位；位置指纹；蓝牙；地磁doi:10.3969/j.issn.1006-1010.20220805-0003文献标志码：A文章编号：10 0 6-10 10(2 0 2 4)0 3-0 12 5-0 6引用格式：周安顺,王绥民,纪龙,等.一种融合蓝牙和地磁的位置指纹室内定位方法.移动通信,2 0 2 3,48(3):12 5-130.ZHOU Anshun,WANG Suimin,JI Long,et al.A Fingerprint Indoor Positioning Method Fusing Bluetooth and GeomagnetismJ.MobileCommunications,2024,48(3):125-130.A Fingerprint Indoor Positioning Method Fusing Bluetooth and GeomagnetismAbstractIndoor positioning services have been widely used in various fields such as navigation,rescue and disaster relief.Indoorpositioning methods based on Bluetooth sensors can be realized by some built-in functions of mobile phones,so they are easy topopularize and practical,but they ofen perform poorly in crowded areas and complex electromagnetic environments.To addressthis issue,a fingerprint indoor positioning method fusing Bluetooth and geomagnetism is proposed.Firstly,a number of Bluetoothbeacons are set up in the shopping mall to be positioned,and the iBeacon function and Hall sensor of mobile phones are utilizedto receive Bluetooth and geomagnetic signals respectively.Then,the Bluetooth estimated coordinates and the geomagnetismestimated coordinates are fused at the decision-making level to calculate the user position,which not only reduces the positioningerror but also avoids the additional hardware resource consumption.The experimental results show that the proposed methodsignificantly improves positioning accuracy.Keywordsindoor positioning;location fingerprint;bluetooth;geomagnetism0引言现代人日常生活中经常会使用到基于位置的服务-2,目前应用于室外的高德、百度等定位服务功能越来越全面和人性化，给生活带来了许多方便。相比之下室内环境较为狭窄，而且由于人员走动、建筑物反射等原因，环境更加复杂，导致这些室外定位技术应用于室内环境时往往效果并不理想，因此越来越多的工程研究人员开始把注意力集中到了室内定位技术的研发3-1。如图1所示。室内定位的相关技术研究最早可追溯到上个世纪末，目前研究较多的室内定位技术主要有Wi-Fi、蓝牙7 、红外线8 、超宽带9、无线射频识别10 和视觉技术 等收稿日期：2 0 2 2-0 8-0 5中图分类号：TN925ZHOU Anshun,WANG Suimin,JI Long,HUO Mingde(China Unicom Hainan Branch,Haikou 572500,China)WiFiRFID图1室内定位途径移动通信2024年3月第3期125OSID:等。但是Wi-Fi、无线射频识别的信号质量并不稳定，超宽带、红外线和视觉技术又需要较为复杂的硬件设施，导致它们在多数场合并不适用。相对而言蓝牙定位精度较高、能耗低，并且多数的手机都配置了相应的功能，只是蓝牙也属于无线电信号，在人员和周围物体较多、扫描二维码与作者交流UWB第48 卷1研究与探讨1总第52 3期以及电磁信号较为复杂时的定位精度会受到很大的影响；随着科技的快速发展，很多地磁和惯性传感器也陆续的集成在了各种智能手机等移动终端中，它们的最大优点是无需依赖任何外部基础设施就可以输出较精确的位置信息，并且这些技术均可以借助相关算法实现室内定位。常见的室内定位算法包括几何法和位置指纹法。其中几何法是基于测距的思想，包括信号到达时间法12 、到达时间差法13、到达角度法14 等，但它们估计精度较低。2002年，R.Battiti利用人工神经网络提高了室内定位的精度，只是容易发生“过学习”的现象。后来M.Brunato又提出了基于支持向量回归的位置指纹定位15，相比于之前的人工神经网络算法，此算法的泛化能力有了进一步的提升。吴雨等人提出了一种基于K均值聚类的位置指纹定位算法，并且利用Android平台以及Wi-Fi定位系统进行了实现6 。J.Cao等人在构建指纹库方面，提出了基于神经网络的粒子滤波算法，对指纹数据进行训练来降低重定位的可能性，构建高精度的指纹库17 。薛伟等人提出了利用堆叠自动编码机进行室内定位，首先采集各个接人点（Accesspoint，A P）和iBeacon的接收信号强度指示（Re c e i v e d Si g n a l St r e n g t h I n d i c a t o r,RSSI）值，在离线阶段训练数据构建位置指纹库，然后使用堆叠自动编码机进行在线定位，实验结果表明该算法提高了室内定位精度18 。李泽等人利用差分飞行时间构建了目标散射体位置的适应函数，之后结合粒子群优化和聚类估计出了室内目标的位置19。刘桂岐等人采用选择算法提取了指纹区域的接人点集合，并利用多分类线性判别分析对接人点集合在不同纵向位置的数据集进行训练，并将接人点信息输入纵向位置信息识别模型，最后利用指纹信息估计出位置坐标2 0 。传统的基于蓝牙和Wi-Fi等无线电信号的定位方法在开阔的区域效果较好，但由于多径传播或信号衰落等原因的影响，在人员和信号较多、以及房间角落等区域的定位精度较差，相比之下，地磁和一些惯性传感器虽然估计精度不如无线电定位方式，但它们不存在无线电信号的那些缺点。因此本文提出采用蓝牙和地磁融合的定位算法，并进行了相应的对比实验，实验结果表明，基于蓝牙和地磁融合的定位方法对比单一的蓝牙定位方法有着明显的优势。1位置指纹定位理论由于信号在传播过程中会不断衰减，因此它的强度与信源的距离是一一对应的，每个位置上接收到的信号像人的指纹一样各不相同，也就相当于此位置的“指纹”。基于位置指纹的室内定位算法的主要思想就是利用这一特点，通过对比待定位点与指纹库的“指纹”信息，进行126移动通信2024年3月第3期位置估计2 1.2 。基于位置指纹的室内定位算法分为离线建库阶段和在线定位阶段。（1）离线建库阶段在离线建库阶段，首先进行数据信息采集以建立每个位置的指纹库，即在室内指定区域选择一定数量且间距适中的参考点进行采样，这些点的位置指纹信息包括接收到的若干AP的RSSI序列以及当前位置的坐标，接着将这些指纹数据保存在位置指纹库里面。（2）在线定位阶段如图2 所示，在线定位阶段需要利用已经建立好的指纹数据库估计用户的实际位置，可以通过智能手机或者其它终端采集当前接收到的若干AP的RSSI信号，之后将它们与预先保存好的位置指纹库里的RSSI数据依次进行对照，得到与当前采集到的RSSI信号最接近的指纹数据，就可以估计出当前用户所在的实际位置。定位AP000AP1移动终端(？9)图2 在线定位阶段示意图(3）K 近邻算法K近邻算法是较为常用的一种位置指纹定位算法2 3,假设定位空间内存在m个采样点，n个AP，则待定位点的RSSI向量为L=rssi,ssiz,rssi,)，第i个采样点的RSSI向量为F,=rssin,rssiz2.,rssim)，位置坐标为(xi,y),可以计算出两点之间的欧氏距离为(1)其中rssi表示接收到第j个AP的信号强度，rssij为第i个采样点中的第j个AP的强度。之后对得到的m个距离进行排序，选择距离最小的K个采样点，再取这些坐标的均值作为估计结果，即(2)式中(xiy)表示第i个采样点的坐标，（,J）为对应的估计值。除了估计误差之外，还可以用累积分布函数（CumulativeDistributionFunction,CDF）来评估定位的效果，Fx(x)表示X小于等于x的全部值出现的概率，即Fx(x)=P(X x)分析整个定位过程可知，有两点原因会对定位精度位置指纹库AP2APn?(3.J)()(xJ)定位算法rssi,rssi2rsi,rssi.rssia.,ss.L(x,y)移动终端位置(3)第48 卷总第52 3期周安顺，王绥民，纪龙，等：一种融合蓝牙和地磁的位置指纹室内定位方法产生较大影响：一是指纹库构建的准确性。二是在线匹配时所利用的算法，最好是既满足匹配算法准确度又能够不造成过多的硬件开销，这样不仅可以提升定位的精度，也便于大规模的进行推广。2蓝牙与地磁融合定位算法2.1基于iBeacon的蓝牙定位苹果公司在2 0 13年推出了一种称为iBeacon的精准定位功能，它利用了蓝牙技术，其周围的电子设备可以感知到它发出的蓝牙信号，之后通过软件和硬件的结合来实现室内定位。iBeacon信号覆盖的范围大约在50 8 0 m，用户可以通过手机等移动终端上的应用程序检测到iBeacon信号。当iBeacon蓝牙信标在工作时，设备会每隔一段时间向外发射数据包，间隔时间可分为30 0 ms、50 0 m s 或90 0 ms。一套完整的iBeacon系统应含有一个或几个iBeacon信标，它们在一定距离内发射独一无二的标识码，对应的接收设备上可以找到iBeacon信号。越靠近信标的信号会越强，随着距离的增加信号会不断的衰减，当距离超过一定值时将无法检测到信号。2.2地磁定位地球本身就具有很强的磁场，而不同位置的磁场强度也不同。通过磁力传感器可以检测到x、y 和z三个方向的磁感应强度，其中x和方向与该点处的地面平行，z轴与该点处的地面垂直。目前手机自带的磁力传感器采集的都是这三个轴的地磁数据，但是手机不同的姿态很容易使这三个轴的地磁强度发生改变，导致此时采集的地磁场数据不便于直接使用，所以需要将三轴数据转换为模值，此时无论手机姿态如何，该模值都为较为稳定。假定某点处磁力计三轴的分量为Mbx,Mby,Mb，则可以得到该点处磁场强度的模值为M=Mh+M+Mi目前多数的智能手机都具有“霍尔效应”的磁传感器，原理是通过恒定电流导体侧面的电压会随着外界磁场的改变而程线性变化。所以只要测得通电导体侧面的电压，就可以估算出周围地磁场强度的大小。2.3融合定位为了全面提高定位精度，并且考虑定位成本和部署难易度，设计在指定区域安装若干蓝牙定位设备，与此同时用地磁传感器对蓝牙信息进行补充。即用手机同时活中，多种传感器结合往往相得益彰，信息融合就是将多种传感器结合起来，让它们发挥各自优势的一种技术2 4。它具有一定的信息互补能力，可以得到单一传感器未采集到的数据信息，增加了判决的可信度。一般来说，信息可以在决策层、特征层或者数据层进行融合。本文采用的是决策层融合，也即利用不同的传感器监测某被测物体，每个传感器独自完成数据预处理、特征信息提取、目标判别等一系列过程，得到对被测物体的初始分析，然后在决策层融合，获得最终结果。决策层融合技术相比于其他两种融合技术，优势在于灵活性强、在融合阶段处理数据量较少，实时性好，并具有良好的容错性。决策层融合结构图如图3所示。蓝牙传感器数据预处理特征提取属性判决结论1决策层融合判决图3决策层融合结构图首先分别采集蓝牙和地磁信息，进而构建出各自的(4)指纹数据库。在此基础上都利用K近邻算法进行匹配估计，之后分别计算出地磁和蓝牙定位值，再对二者进行加权确定最终结果，假设蓝牙估计结果为Lw=(x,y)在此期间地磁估计结果集合为Dw=(xi,y1),(X2,y2),(xX,yn)地磁集合取平均加权后坐标为Dw=(x,yi)+(x,2)+(x,yn)N地磁传感器数据预处理特征提取属性判决结论2(5)(6)(7)采集蓝牙与地磁信号，之后对二者进行融合实现定位。其中蓝牙信号定位精度高，但在商场等复杂环境中容易受到各种因素的影响；相比之下地磁信号定位精度虽然没有蓝牙高，但不宜受到干扰。进人信息时代，各种各样的传感器出现在了日常生对坐标分别赋予权值和bRw=aLw+bDw一方面二者的加权值和b受到蓝牙和地磁估计精度的影响，本实验场所移动电话和Wi-Fi等电磁设备较多，蓝牙受干扰较大，这也是目前日常生活中较常见的场景，127(8)移动通信2024年3月第3期第48 卷1研究与探讨总第52 3期所以选择地磁权重b更大一些。另一方面，由于蓝牙的信标较多，因此它的指纹库数据要多于地磁指纹库，使得输出1次蓝牙估计结果的同时会输出多次地磁估计的结果，从而得到一个地磁定位的估计集合。因为蓝牙和地磁结果出现的频率不同，所以二者对定位的贡献也不一样，因此在对它们的结果融合时，将蓝牙和地磁定位结果的权值比例置为1：N。可得出各自的权值1a=N+1Nb=N+1则最终位置估计结果为RW1N+1W倘若在电磁信号干扰较小的场合，蓝牙的精度将大幅度提升，也可以对权值进行灵活调整。3实验与结果分析如图4所示，为了验证该方法的有效性，在某办公楼的4楼进行了实物实验。走廊合计有30 个采样点，楼梯拐角处合计8 个采样点，彼此之间距离为1.5m。一共设置了6 个智石公司的SmartBeacon蓝牙信标，发射功率设置为0 dBm，覆盖范围8 0 m，配置在416-42 2 房间的门口。同时利用带有蓝牙和地磁传感器的智能手机分别在走廊和楼梯拐角区域进行信号采样，其中某点处蓝牙和地磁信号的手机采集界面分别如图5和图6 所示（在该点收集了6 个蓝牙信标的信号，只显示了其中一个信标的信号）。422420墙418416128移动通信2024年3月第3期?*10163%2:47配置参数默认已连换601-06UUIDE2C56DB5-DFFB-48D2-B060-D0F5A71096E0Major设备名称BrtBeacon发射功率测量功率（1米处RSSI值）发射间隔多播间隔电量间隔(9)温感间隔电量T00%温度29C广播模式(10)URL广播频点（MHz)自定义广播000000NDWN+1图4实验定位区域16161Minor852.5ms(推荐)500ms12h12h监测iBeacon调辅入标准的EddyStone-URL(不支持中文）240224262480(11)图5蓝牙信号手机采集图HDD37%19:04磁力计面图装绝对值多方向简明值帮助精确度高轴磁力计-1.50-2.00-2.50-3.000.00轴磁力计611.010.00.00Z轴磁力计-50.050.5-51.0-51.5528.001.00图6地磁信号手机采集图在图4中以中间某点为原点建立直角坐标系，之后将图4区域采样后的地磁数据模值用matlab仿真软件进行插值并419归一化得到图7 的结果，纵向网格和横向网格以米为单位构成二维平面，磁场强度以颜色的亮暗来区分，颜色越明亮表明地磁强度越大，颜色越深暗表明地磁强度越小。基于此可以分别构建蓝牙和地磁指纹数据库，之后进行位置估计。0.160.9楼梯拐角0.140.120.10.08X0.060.040.0241734431OdBm(80米)-651.002.00时间（移）1.002.00时间（秒）2.003.00时间（移）0.020.040.060.080.1横向区域（米）图7 归一化地磁信号强度3.003.004.004.0C4.0C0.120.80.70.60.50.40.30.20.1第48 卷总第52 3期周安顺，王绥民，纪龙，等：一种融合蓝牙和地磁的位置指纹室内定位方法移动通信在此区域内随机选择6 个测试点进行实验，坐标分别为(0 m,0 m),(1 m,0 m),(1 m,1 m),(2 m,1 m),(1 m,2m)，(2 m，2 m)，对采集到的数据进行限幅滤波去除异常采样值后分别利用蓝牙、地磁和融合方法进行估计，每隔3s完成一次定位。2 0 0 次实验的平均值作为该点的估计结果，图8 给出了几个测试点的估计误差，可以看出蓝牙定位的平均精度约为1.9 7 m，最大误差2.15m，最小误差1.74m；地磁定位的平均精度约为1.1m，最大误差1.35m，最小误差0.9 7 m；融合定位的平均精度约为0.9 6 m，最大误差为1.2 m，最小误差为0.8 m。经过估算可知，融合定位相比蓝牙定位而言平均误差减小了约51%，比地磁定位平均误差减小了约12.7%。对应的融合定位和蓝牙定位的累积概率分布如图9如示。2.5中21.50.510.90.80.70.60.50.30.20.1仔细观察图9 可以看出，蓝牙定位曲线误差在1m以内的概率约为5%，地磁定位曲线误差在1m以内的概率约为30%，相比之下融合定位曲线误差在1m以内的概率约为41%；此外蓝牙定位结果误差在2.2 m以内的概率为10 0%，地磁定位结果误差在1.5m以内的概率为10 0%，而融合定位误差在1.3m以内的概率就达到了100%，实验结果表明将蓝牙和地磁进行融合后，定位精度得到了较好的改善，说明在电磁信号较复杂的场合应用地磁技术可以有效的弥补蓝牙定位的不足。4结论在人员和信号较多、以及房间角落等区域单独采用蓝牙信号定位效果较差，本文针对这个问题，利用手机自带的霍尔型传感器采集了地磁信号，通过对蓝牙信号和地磁信号在决策层融合有效的提高了定位的精度，并且该定位方法实现过程并不复杂。但本文目前只研究了室内定位技术，而如何在定位技术的基础上实现导航仍然值得进一步的研究。参考文献：1 门茂琛，赵世豪。某机场航站楼室内位置服务平台设计.智能建筑,2 0 2 1,2 52:6 6-6 9.2秘金钟，周宁，吴文坛，等.室内位置服务智慧化应用研究1.测绘科学,2 0 2 1,46(6):1-8.一日一蓝牙定位3 一一地磁定位一一一融合定位23图：蓝牙定位与融合定位误差对比图0.51误差距离（米）1.5图9地磁定位与融合定位累积概率分布图徐浩，秘金钟，李得海，等室内位置服务云平台设计及应用研究J.导航定位学报，2 0 2 1,9(5)：12 6-133.45测试点序号678一日一蓝牙定位一一地磁定位一一融合定位22.59104 杨红梅，关沧海，周雅慧。一种室内位置服务云平台建设方法J.导航定位学报,2 0 2 1,9(5):9 6-10 0.5 赵增华，童跃凡，崔佳洋，基于域自适应的Wi-Fi指纹设备无关室内定位模型.通信学报，2 0 2 2，43(4)：143-153.6S.Mazuelas,A.Bahillo,R.M.Lorenzo,et al.Robust IndoorPositioning Provided by Real-time RSSI Values in UnmodifiedWLAN NetworksJJ.IEEE Journal of Selected Topics in SignalProcessing,2009,3(5):821-831.7葛敏婕，赵子涵.基于蓝牙技术的物联网室内定位系统.物联网技术，2 0 2 1,11(11)：52-57.8H.Santo,T.Maekawa,Y.Matsushita.Device-free andPrivacy Preserving Indoor Positioning Using Infrared Retro-reflection ImagingC.Proceedings of 2017 IEEE InternationalConference on Pervasive Computing and Communications(PerCom),2017:141-152.9Zhichao Cui,Tianwei Liu,Shiwei Tian.Non-Line-of-SightIdentification for UWB Positioning Using Capsule NetworksJ.IEEE Communications Letters,2020,24(10):2187-2190.10】毛颉，李明兰，罗云飞.基于人工神经网络和智能RFID的室内定位导航系统J.传感器与微系统，2 0 2 1,40(10):98-101+105.1l Sungho Yoon,Ayoung Kim.Line as a Visual Sentence:Context-Aware Line Descriptor for Visual LocalizationJ.IEEERobotics and Automation Letters,2021,6(4):8726-8733.1292024年3月第3期第48 卷1研究与探讨1总第52 3期12 X.Wang,Z.Wang,B.O dea.A TOA-Based Location作者简介Algorithm Reducing The Errors Due to Non-Line-of-Sight(NLOS)PropagationJJ.Journal of China Institute ofCommunications,2003,52(1):112-116.13朱振海，超宽带精准实时定位系统的TDOA定位算法研究D.海口：海南大学.2 0 19:32-50.14 D.Rodriguez-Navarro,Lazaro-Galilea,Jos,et al.IndoorPositioning System Based on A PSD Detector,PrecisePositioning of Agents in Motion Using AOA TechniquesJ.Sensors,2017,17(9):2124.15 Mizuho Wakabayashi,Hiroshi G.Okuno,Makoto Kumon.Multiple Sound Source Position Estimation by Drone AuditionBased on Data Association Between Sound Source Localizationand IdentificationJJ.IEEE Robotics and Automation Letters,2020,5(2):782-789.16吴雨，杨力，王梦茹，等.基于Android平台的WiFi定位系统研究与实现.全球定位系统，2 0 16,41(4)：90-93.17 J.Cao,B,Zeng,J Liu,et al,A Novel Relocation Method forSimultaneous Localization and Mapping Based on DeepLearning AlgorithmJ.Computers&Electrical Engineering,2017,63(1):79-90.18薛伟，陈璟，张熠.基于深度学习的Wi-Fi与iBeacon 融合的室内定位方法J.计算机工程与应用，2 0 19,55(0 1):2 9-34+46.19】李泽，田增山，王中春，等，基于粒子群优化的多径辅助室内定位算法.电子学报，2 0 2 0,48(10)：1952-196 0.20】刘桂岐，钱志鸿，李华亮：基于有效AP选择和多分类LDA的室内定位算法J.通信学报，2 0 2 1,42(11):10 9-12 0.21】袁杨鹏，郭贤生，何袁虎.双频-时频信道联合指纹优化室内定位方法J.信号处理，2 0 2 2,38(4)：7 0 8-7 19.22朱清山，王伟基于RSSI的指纹地图室内定位算法.国外电子测量技术，2 0 2 0,39(10):6-9.23席志红，占梦奇，基于位置范围限定的WiFi-KNN室内定位算法.应用科技，2 0 2 0,47(4):6 6-7 0.24胡钊政，刘佳蕙，黄刚等.融合WiFi、激光雷达与地图的机器人室内定位J.电子与信息学报，2 0 2 1，43(8)：2 30 8-2316.周安顺（orcid.org/0000-0002-4191-7080）：高级工程师，硕士毕业于中山大学，现任职于中国联通海南省分公司，研究方向为网络安全。王绥民：高级工程师，学士毕业于上海交通大学，现任职于中国联通海南省分公司，研究方向为项目管理。纪龙：工程师，学士毕业于西安邮电大学，现任职于中国联通海南省分公司，研究方向为网络安全。霍明德：高级工程师，硕士毕业于重庆大学，现任职于中国联通重庆市分公司，研究方向为网络安全。（上接第12 4页）1l Kumari P.Adaptive virtual waveform design formillimeterwave joint communication-radarJ.IEEE Trans.Signal Process.,2020,68(2):715-730.12 Chiriyath A R.Inner bounds on performance of radarand communications co-existenceJ.IEEE Trans.SignalProcess.,2016,64(2):464-474.13Yuan X.Spatio-Temporal Power Optimization for MIMOJoint Communication and Radio Sensing Systems WithTraining OverheadJ.IEEE Transactions on VehicularTechnology,2021,70(1):514-528.14 Ouyang C,Liu Y,Yang H.Performance of Downlink andUplink Integrated Sensing and Communications(ISAC)SystemsJ.IEEE Wireless Communications Letters,2022,11(9):1850-1854.15 Du J,Zhao L,Feng J,et al.Computation offloadingand resource allocation in mixed fog/cloud computingsystems with min-max fairness guaranteeJ.IEEE Trans.Commun.,2018,66(4):1594-1608.16 Tang B,Li J.Spectrally constrained MIMO radar waveformdesign based on mutual informationJ.IEEE Trans.SignalProcess,2019,67(3):821-834.17 Heath Jr R W,Lozano A.Foundation MIMOCommunication.Cambridge,U.K.:Cambridge Univ.Press,2018.18 Yang Y,Blum R S.MIMO radar waveform design basedon mutual information and minimum mean-square errorestimationJ.IEEE Trans.Aerosp.Electron,Syst.,2007,43(1):330-343.19 Mao Y,You C,Zhang J,et al.A survey on mobile edgecomputing:The communication perspectiveJ.IEEECommun.Surveys Tuts.,2017,19(4):2322-2358.20 Ouyang C,Liu Y,Yang H.On the Performance of UplinkISAC SystemsJ.IEEE Communications Letters,2022,26(8):1769-1773.作者简介杨君怡：西安电子科技大学在读硕士研究生，研究方向为车联网通信-感知-计算融合。付宇：现任西安电子科技大学副教授、硕士生导师，研究方向为车联网、智能驾驶等。李长乐：现任西安电子科技大学教授、博士生导师，研究方向为6 G与未来智能无线网络、车联网与自动驾驶技术等。130移动通信2024年3月第3期