Tích hợp Cảm biến và Truyền thông (ISAC): Nền tảng Kỹ thuật và Các Ứng dụng Mang tính Chuyển đổi của Mạng 6G

Tích hợp Cảm biến và Truyền thông (ISAC): Nền tảng Kỹ thuật và Các Ứng dụng Mang tính Chuyển đổi của Mạng 6G.

Giới thiệu: Sự hội tụ của Cảm biến và Truyền thông

Định nghĩa Mô hình ISAC: Vượt ra ngoài Kết nối 5G

Công nghệ Tích hợp Cảm biến và Truyền thông (Integrated Sensing and Communication - ISAC) đại diện cho một sự thay đổi mô hình cơ bản trong công nghệ không dây, đánh dấu một bước tiến vượt bậc so với các thế hệ mạng di động trước đây. Thay vì chỉ tập trung vào việc truyền tải dữ liệu, mạng 6G được hình dung sẽ có khả năng nhận thức, diễn giải và tương tác với môi trường vật lý xung quanh. ISAC không phải là một tính năng bổ sung hay một cải tiến gia tăng; nó được coi là một năng lực cốt lõi, nguyên bản của kiến trúc 6G, khác biệt rõ rệt so với các khả năng của 5G.  

Về bản chất, ISAC hợp nhất hai chức năng vốn được xem là riêng biệt—cảm biến môi trường và truyền thông dữ liệu—vào một hệ thống duy nhất, chia sẻ chung tài nguyên phần cứng và phổ tần. Sự tích hợp này không chỉ dừng lại ở mức độ cùng tồn tại (co-existence), nơi hai chức năng hoạt động song song trên cùng một nền tảng, mà còn hướng tới một sự hợp tác sâu sắc hơn ở cấp độ đồng thiết kế (co-design). Trong mô hình đồng thiết kế, tín hiệu và tài nguyên mạng được tối ưu hóa một cách toàn diện để phục vụ đồng thời cả hai mục tiêu, tạo ra một mối quan hệ cộng sinh và tương hỗ. Mạng lưới không chỉ truyền đi thông tin mà còn chủ động "lắng nghe" các tín hiệu phản xạ (echo) từ môi trường để xây dựng một bức tranh nhận thức tình huống chi tiết.  

Yêu cầu chiến lược cho việc Tích hợp: Hiệu quả, Chi phí và Lợi ích Năng lực

Sự thúc đẩy hướng tới ISAC được bắt nguồn từ những yêu cầu chiến lược và lợi ích rõ ràng mà nó mang lại, có thể được phân loại thành hai nhóm chính: lợi ích tích hợp và lợi ích phối hợp.

Lợi ích Tích hợp (Integration Gain): Đây là những lợi ích trực tiếp phát sinh từ việc chia sẻ tài nguyên.

• Hiệu quả Phổ tần và Năng lượng: Trong bối cảnh phổ tần ngày càng trở nên khan hiếm và đắt đỏ, việc sử dụng cùng một dải tần cho cả truyền thông và cảm biến giúp cải thiện đáng kể hiệu quả sử dụng phổ tần. Thay vì phải cấp phát các băng tần riêng biệt cho radar và truyền thông, ISAC cho phép chúng chia sẻ một cách linh hoạt, giải quyết xung đột và tắc nghẽn phổ tần. Tương tự, việc sử dụng chung các thành phần phần cứng như anten, chuỗi RF và bộ xử lý tín hiệu giúp giảm mức tiêu thụ năng lượng tổng thể của hệ thống.  
• Giảm Chi phí Phần cứng và Triển khai: Việc hợp nhất hai chức năng vào một nền tảng phần cứng duy nhất giúp giảm đáng kể chi phí vốn (CAPEX) và chi phí vận hành (OPEX). Các nhà mạng không cần phải triển khai và bảo trì hai mạng lưới riêng biệt—một cho truyền thông và một cho cảm biến (ví dụ: mạng lưới radar hoặc LiDAR). Thay vào đó, họ có thể tận dụng hạ tầng mạng di động vốn đã được triển khai rộng khắp, giúp giảm chi phí và đơn giản hóa việc bảo trì.  

Lợi ích Phối hợp (Coordination Gain): Đây là những lợi ích sâu sắc hơn, phát sinh từ sự tương tác và hỗ trợ lẫn nhau giữa hai chức năng.

• Cảm biến hỗ trợ Truyền thông (Sensing-assisted Communication): Thông tin thu được từ chức năng cảm biến có thể được sử dụng để cải thiện đáng kể hiệu suất truyền thông. Ví dụ, bằng cách xác định chính xác vị trí của người dùng và các vật cản trong môi trường, hệ thống có thể thực hiện định dạng chùm tia (beamforming) chính xác hơn, theo dõi kênh (channel tracking) hiệu quả hơn và phục hồi sau lỗi chùm tia (beam failure recovery) nhanh hơn. Điều này giúp tăng độ tin cậy và tốc độ của liên kết truyền thông.  
• Truyền thông hỗ trợ Cảm biến (Communication-assisted Sensing): Ngược lại, các nút mạng có thể giao tiếp với nhau để chia sẻ dữ liệu cảm biến, tạo ra một hệ thống cảm biến hợp tác quy mô lớn. Bằng cách tổng hợp thông tin từ nhiều điểm quan sát khác nhau, hệ thống có thể vượt qua các hạn chế như bị che khuất (occlusion) và cải thiện độ chính xác của việc phát hiện và theo dõi mục tiêu.  

Ngoài ra, ISAC còn mở ra các mô hình kinh doanh và nguồn doanh thu mới cho các nhà khai thác mạng. Họ không chỉ bán kết nối dữ liệu mà còn có thể cung cấp "cảm biến như một dịch vụ" (Sensing-as-a-Service), bán dữ liệu nhận thức môi trường thời gian thực cho nhiều ngành công nghiệp khác nhau như giao thông tự hành, thành phố thông minh và logistics.  

Từ các Hệ thống Riêng biệt đến một Khuôn khổ Thống nhất: Một góc nhìn Lịch sử

ISAC không phải là một ý tưởng hoàn toàn mới mà là đỉnh cao của nhiều thập kỷ nghiên cứu và phát triển trong các lĩnh vực riêng biệt, nay hội tụ lại nhờ sự chín muồi của công nghệ. Các nỗ lực tích hợp ban đầu đã xuất hiện dưới nhiều tên gọi khác nhau như Radar-Communications (RadCom), Joint Communication and Radar (JCR), hay Joint Radar and Communication (JRC). Một trong những dự án tiên phong đáng chú ý là chương trình Shared Spectrum Access for Radar and Communications (SSPARC) của Cơ quan Chỉ đạo các Dự án Nghiên cứu Quốc phòng Tiên tiến (DARPA) của Hoa Kỳ, khởi động từ năm 2013 nhằm thúc đẩy việc chia sẻ phổ tần giữa radar và truyền thông.  

Trong các mạng không dây thương mại, các hình thức tích hợp sơ khai cũng đã được khám phá. Ví dụ, công nghệ cảm biến Wi-Fi đã sử dụng các thay đổi trong tín hiệu Wi-Fi để nhận dạng hoạt động của con người, và mạng 5G đã chuẩn hóa việc sử dụng tín hiệu vô tuyến để định vị thiết bị với độ chính xác cao hơn. Tuy nhiên, những nỗ lực này vẫn còn hạn chế và thường xem cảm biến như một chức năng phụ trợ.  

Sự trỗi dậy của ISAC trong kỷ nguyên 6G được thúc đẩy bởi một sự hội tụ tất yếu giữa nhu cầu và cơ hội. Nhu cầu xuất phát từ áp lực về phổ tần và chi phí khổng lồ của việc triển khai một cơ sở hạ tầng cảm biến song song, chuyên dụng (ví dụ: lắp đặt LiDAR trên mọi cột đèn). Cơ hội đến từ sự tiến hóa tự nhiên của công nghệ truyền thông. Việc các mạng 6G hướng tới sử dụng các dải tần ngày càng cao hơn (sóng milimet - mmWave và Terahertz - THz) để đạt được tốc độ dữ liệu hàng terabit mỗi giây cũng đồng nghĩa với việc chúng sử dụng các tín hiệu có bước sóng ngắn, vốn rất lý tưởng cho việc cảm biến với độ phân giải cao. Đồng thời, các hệ thống này phụ thuộc vào các mảng anten cực lớn (Massive MIMO) để định dạng chùm tia, và các mảng anten này về mặt vật lý lại tương tự như các radar mảng pha, có khả năng quét không gian với độ phân giải góc cao. Do đó, phần cứng được triển khai cho mục đích truyền thông của 6G về bản chất đã là một thiết bị cảm biến hiệu suất cao. Logic kinh tế và kỹ thuật trở nên rõ ràng: thay vì xây dựng một cơ sở hạ tầng cảm biến thứ hai, tại sao không khai phá và giải phóng tiềm năng cảm biến vốn có của chính mạng lưới truyền thông? Sự kết nối này cho thấy rằng chính cuộc chạy đua vì băng thông—một mục tiêu của truyền thông—đã vô tình đặt nền móng cho cuộc cách mạng ISAC.  

Kiến trúc Kỹ thuật của Mạng hỗ trợ ISAC

Các Trụ cột Công nghệ Cốt lõi: Massive MIMO, Băng tần Terahertz, và Tích hợp AI/ML

Sự hiện thực hóa của ISAC phụ thuộc vào một tập hợp các công nghệ nền tảng, trong đó ba trụ cột chính là Massive MIMO, các băng tần tần số cực cao, và trí tuệ nhân tạo/học máy (AI/ML) được tích hợp nguyên bản.

• Massive MIMO và xa hơn nữa là Giga-MIMO: Các hệ thống đa đầu vào đa đầu ra quy mô lớn (Massive MIMO) và các mảng anten cực lớn (Extremely Large Antenna Arrays - ELAA) là yếu tố then chốt cho ISAC. Việc sử dụng hàng trăm hoặc hàng nghìn phần tử anten cho phép tạo ra các chùm sóng vô tuyến cực kỳ hẹp và có thể điều khiển được (pencil beams). Khả năng định dạng chùm tia chính xác này cho phép hệ thống hướng năng lượng đến người dùng truyền thông để tối đa hóa tốc độ dữ liệu, đồng thời quét các chùm tia khác trong không gian để phát hiện và theo dõi các mục tiêu cảm biến một cách đồng thời. Trong tầm nhìn 6G, công nghệ này còn được nâng cấp lên Giga-MIMO, với mật độ anten còn cao hơn nữa, đặc biệt ở các băng tần trung cao (ví dụ, 6-8 GHz), để tăng cường dung lượng và khả năng định hướng.  
• Băng tần Sóng Milimet (mmWave) và Terahertz (THz): Việc chuyển dịch lên các dải tần số cao hơn là một xu hướng tất yếu của mạng 6G để khai thác băng thông rộng lớn. Các băng tần mmWave (30-300 GHz) và THz (0.1-10 THz) cung cấp băng thông lên đến hàng GHz, điều này mang lại hai lợi ích song song cho ISAC. Đối với truyền thông, băng thông rộng cho phép đạt được tốc độ dữ liệu cực cao, lên đến hàng Terabit mỗi giây (Tbps). Đối với cảm biến, băng thông tín hiệu lớn là yếu tố quyết định đến độ phân giải tầm xa (range resolution), cho phép hệ thống phân biệt được các vật thể ở gần nhau với độ chính xác cao, thậm chí tạo ra các hình ảnh radar chi tiết về môi trường. Các nghiên cứu chỉ ra rằng băng tần cmWave (7-15 GHz) sẽ đóng vai trò là phổ tần chính của 6G, trong khi băng tần sub-THz sẽ bổ sung để cung cấp kết nối tốc độ cực cao.  
• Kiến trúc Nguyên bản AI (AI-Native): Không giống như 5G nơi AI thường được tích hợp như một lớp ứng dụng, 6G được hình dung là một mạng lưới có AI làm cốt lõi (AI-Native). Trong bối cảnh ISAC, AI/ML đóng vai trò không thể thiếu ở mọi cấp độ. Ở lớp vật lý, các thuật toán AI được sử dụng để giải quyết các bài toán tối ưu hóa phức tạp trong thiết kế dạng sóng và định dạng chùm tia. Ở lớp mạng, AI quản lý và phân bổ tài nguyên (công suất, băng thông) một cách linh hoạt và thông minh để cân bằng giữa yêu cầu của truyền thông và cảm biến trong các kịch bản động. Hơn nữa, AI là công cụ chính để xử lý và diễn giải khối lượng dữ liệu cảm biến khổng lồ, từ việc phát hiện mục tiêu trong môi trường nhiễu loạn (ví dụ, bộ dò CFAR tăng cường AI) đến việc nhận dạng các hoạt động phức tạp của con người.  

Vai trò của Bề mặt Siêu vật liệu Thông minh: RIS, H-MIMO, và STAR-RIS

Bề mặt siêu vật liệu thông minh (Intelligent Metasurfaces), đặc biệt là Bề mặt Thông minh Tái cấu trúc (Reconfigurable Intelligent Surface - RIS), được xem là một công nghệ đột phá cho 6G và ISAC. RIS là một bề mặt phẳng bao gồm nhiều phần tử siêu vật liệu có thể điều khiển được, cho phép thay đổi pha và biên độ của sóng điện từ tới một cách linh hoạt.  

• Bề mặt Thông minh Tái cấu trúc (RIS): Bằng cách lập trình các hệ số phản xạ của các phần tử, RIS có thể "uốn nắn" môi trường truyền sóng một cách thông minh. Trong ISAC, RIS có thể được sử dụng để :  
1. Tạo ra các đường truyền ảo (virtual line-of-sight) đến những người dùng bị che khuất, cải thiện vùng phủ sóng và chất lượng truyền thông.
2. Tập trung năng lượng tín hiệu vào một mục tiêu cảm biến cụ thể để tăng cường tín hiệu phản xạ, cải thiện độ chính xác của việc phát hiện và định vị.
3. Giảm thiểu nhiễu đa người dùng (multi-user interference) trong truyền thông và nhiễu tạp (clutter) trong cảm biến bằng cách định hình trường sóng một cách có chủ đích.  
• MIMO Toàn ảnh (Holographic MIMO - H-MIMO) và Siêu vật liệu xếp chồng: Đây là các dạng tiên tiến của RIS, được coi là trọng tâm của các bản phát hành 3GPP Rel. 20 trở đi. H-MIMO sử dụng một bề mặt gần như liên tục với vô số phần tử anten, cho phép tạo ra các trường sóng ba chiều (toàn ảnh) với độ chính xác cực cao, mở ra các ứng dụng như tạo ảnh radar và định vị với độ phân giải chưa từng có.  
• RIS Truyền và Phản xạ Đồng thời (STAR-RIS): Một hạn chế của RIS truyền thống là nó chỉ có thể phản xạ tín hiệu, giới hạn vùng hoạt động ở một phía của bề mặt. STAR-RIS là một kiến trúc tiên tiến hơn, cho phép tín hiệu tới được phân chia để vừa phản xạ về không gian bán phần trước, vừa truyền qua không gian bán phần sau. Điều này cung cấp vùng phủ sóng 360 độ, rất quan trọng cho các kịch bản ISAC phức tạp, nơi người dùng truyền thông và mục tiêu cảm biến có thể nằm ở hai phía đối diện của bề mặt. Việc tối ưu hóa hệ thống STAR-RIS-ISAC đòi hỏi phải thiết kế đồng thời chùm tia chủ động tại trạm gốc và các hệ số pha/biên độ (chủ động hoặc thụ động) tại STAR-RIS, đây là một bài toán tối ưu hóa đa biến phức tạp.  

Sự phát triển Kiến trúc Mạng: Từ Đơn tĩnh đến Phân tán và Hợp tác (D-ISAC)

Kiến trúc mạng ISAC sẽ phát triển qua nhiều giai đoạn, từ các cấu hình đơn giản đến các mạng lưới hợp tác phức tạp.

• Các Cấu trúc liên kết Cảm biến (Sensing Topologies):
• Đơn tĩnh (Monostatic): Máy phát và máy thu được đặt cùng một vị trí, ví dụ như một trạm gốc (Base Station - BS) tự phát và tự thu tín hiệu phản xạ. Đây là cấu hình cơ bản nhất, tương tự như một radar truyền thống.  
• Song tĩnh (Bistatic): Máy phát và máy thu được đặt ở hai vị trí khác nhau. Ví dụ, BS phát tín hiệu, tín hiệu phản xạ từ mục tiêu và được thu bởi một thiết bị người dùng (User Equipment - UE).  
• Đa tĩnh/Phân tán (Multistatic/Distributed): Nhiều nút mạng (BS và/hoặc UE) cùng tham gia vào quá trình cảm biến, tạo thành một hệ thống radar MIMO phân tán. Cấu hình này mang lại hiệu suất vượt trội nhờ khả năng quan sát mục tiêu từ nhiều góc độ khác nhau.  
• ISAC Phân tán (D-ISAC): Đây là mục tiêu cuối cùng của kiến trúc ISAC, nơi toàn bộ mạng lưới di động hoạt động như một bộ cảm biến khổng lồ, phối hợp và đồng bộ. D-ISAC mang lại những lợi ích to lớn như tăng cường độ tin cậy phát hiện thông qua phân tập không gian (diversity gain) và khả năng ước tính véc-tơ trạng thái 3D đầy đủ của mục tiêu (vị trí, vận tốc, hướng). Tuy nhiên, nó cũng đặt ra thách thức lớn nhất: đồng bộ hóa toàn mạng ở cấp độ xung nhịp (clock-level synchronization) với sai số chỉ ở mức nano giây. Nếu không giải quyết được vấn đề này, D-ISAC sẽ không thể hoạt động hiệu quả.  
• Kiến trúc dựa trên Dịch vụ: Mạng 6G sẽ cần một kiến trúc mạng lõi và mạng truy cập vô tuyến (RAN) được thiết kế lại để hỗ trợ ISAC như một dịch vụ. Điều này bao gồm việc định nghĩa các giao diện mới (ví dụ, giao diện giữa các BS) và các chức năng mạng để quản lý dữ liệu cảm biến, phối hợp các nút cảm biến và cung cấp thông tin nhận thức cho các ứng dụng lớp trên.  

    Sự tiến hóa kiến trúc từ đơn tĩnh đến D-ISAC không chỉ là sự mở rộng về quy mô; nó phản ánh một sự chuyển đổi cơ bản từ nhận thức cục bộ sang nhận thức môi trường toàn diện. Quá trình này song hành với sự tiến hóa của AI từ các hệ thống tác nhân đơn lẻ sang trí tuệ hợp tác đa tác nhân. Một trạm gốc ISAC đơn lẻ chỉ có thể "nhìn thấy" môi trường xung quanh nó, bị giới hạn bởi tầm nhìn thẳng. D-ISAC kết nối nhiều trạm gốc và thiết bị thành một mạng lưới cảm biến duy nhất, có khả năng tổng hợp dữ liệu từ nhiều góc độ để vượt qua sự che khuất—một vấn đề cốt lõi trong lái xe tự hành—và tạo ra một bản tái tạo 3D trung thực và đáng tin cậy hơn về môi trường. Nhận thức ở cấp độ mạng này chính là lớp dữ liệu nền tảng cần thiết cho các ứng dụng "Bản sao Số" (Digital Twin) thực sự, nơi một bản sao ảo, thời gian thực của thế giới vật lý được duy trì liên tục. Do đó, D-ISAC không chỉ là một cảm biến tốt hơn; nó chính là   cơ quan cảm giác của Bản sao Số trong kỷ nguyên 6G.

Các cân nhắc về Phần cứng cho Trạm gốc và Thiết bị Chức năng Kép

• Phần cứng chia sẻ: Nền tảng của ISAC là việc tái sử dụng phần cứng truyền thông cho mục đích cảm biến. Các chuỗi RF, bộ chuyển đổi tín hiệu, bộ xử lý băng gốc và đặc biệt là các mảng anten được chia sẻ giữa hai chức năng, giúp giảm đáng kể chi phí, kích thước và mức tiêu thụ năng lượng của thiết bị.  
• Mảng Anten và Hiệu ứng Trường gần: Thiết kế mảng anten, chẳng hạn như Mảng Tuyến tính Đồng nhất (Uniform Linear Array - ULA) hoặc Mảng Phẳng Đồng nhất (Uniform Planar Array - UPA), có ảnh hưởng trực tiếp đến hiệu suất cảm biến. Khi sử dụng các mảng anten cực lớn (ELAA) ở tần số cao, hiệu ứng trường gần (Near-Field - NF) trở nên rõ rệt. Trong trường gần, sóng điện từ không còn là sóng phẳng mà là sóng cầu, mang thêm thông tin về khoảng cách trong cấu trúc pha của nó. Việc khai thác hiệu ứng này có thể cải thiện hiệu suất của cả truyền thông và cảm biến.  
• Hiệu chuẩn và Các khiếm khuyết: Một trong những thách thức thực tế lớn nhất là yêu cầu hiệu chuẩn cực kỳ chính xác. Các khiếm khuyết phần cứng như nhiễu pha (phase noise), tính phi tuyến của bộ khuếch đại công suất, hay các sai lệch vật lý rất nhỏ—ví dụ, độ nghiêng của panel anten chỉ lệch 1 độ—có thể không ảnh hưởng nhiều đến hiệu suất truyền thông nhưng lại có thể phá hủy hoàn toàn độ chính xác của các ứng dụng cảm biến nhạy cảm như định vị và tạo ảnh. Do đó, các quy trình hiệu chuẩn nghiêm ngặt là bắt buộc đối với các hệ thống ISAC. Thách thức đồng bộ hóa trong D-ISAC là một ví dụ điển hình; một sai số đồng bộ thời gian chỉ 10 nano giây có thể dẫn đến sai số đo khoảng cách lên tới 3 mét, điều này là không thể chấp nhận được đối với nhiều ứng dụng.  

Thiết kế Dạng sóng Chức năng Kép và Xử lý Tín hiệu

Thách thức Trung tâm: Cân bằng các Mục tiêu Thiết kế Xung đột

    Trái tim của lớp vật lý ISAC nằm ở việc thiết kế một dạng sóng (waveform) duy nhất có thể phục vụ hiệu quả cho cả hai chức năng vốn có những yêu cầu trái ngược nhau. Đây là một bài toán cân bằng phức tạp.  

• Yêu cầu của Truyền thông: Một dạng sóng truyền thông tốt cần có hiệu quả phổ tần cao (truyền nhiều bit trên mỗi Hz), khả năng chống lại sự suy hao đa đường (multipath fading) và nhiễu, và lý tưởng là có Tỷ lệ Công suất Đỉnh trên Trung bình (Peak-to-Average Power Ratio - PAPR) thấp để hoạt động hiệu quả với các bộ khuếch đại công suất.
• Yêu cầu của Cảm biến (Radar): Một dạng sóng radar tốt cần có các thuộc tính khác. Nó phải có hàm tự tương quan (autocorrelation) tốt, lý tưởng là một đỉnh nhọn và các thùy phụ (sidelobes) thấp, để đạt được độ phân giải tầm xa cao và tránh phát hiện nhầm mục tiêu. Nó cũng cần có băng thông tín hiệu lớn để tăng độ phân giải, và nhạy cảm với dịch chuyển Doppler để đo vận tốc mục tiêu một cách chính xác.

Việc thiết kế một dạng sóng đơn lẻ để tối ưu hóa đồng thời tất cả các yêu cầu này là một thách thức cơ bản. Một dạng sóng được tối ưu hóa cho truyền thông có thể có các đặc tính tự tương quan kém, và ngược lại.

Phân tích các Dạng sóng Tiềm năng

    Nghiên cứu về ISAC đã khám phá nhiều loại dạng sóng khác nhau, có thể được phân loại thành các thiết kế lấy truyền thông làm trung tâm, lấy cảm biến làm trung tâm, và thiết kế chung.

Dạng sóng	Nguyên tắc cốt lõi	Ưu điểm cho Truyền thông	Ưu điểm cho Cảm biến	Nhược điểm / Thách thức chính	Nguồn tham khảo
OFDM	Ghép kênh phân chia theo tần số trực giao.	Hiệu quả phổ tần cao, dễ dàng cân bằng kênh trong môi trường đa đường.	Có thể xử lý như khối dữ liệu radar (radar data cube), hàm mơ hồ dạng "đinh ghim" (thumbtack).	PAPR cao, thùy phụ thời gian cao, nhạy cảm với dịch chuyển Doppler (ICI).
OFDM-LFM	Tín hiệu LFM ( модуляция частоты линейная) được điều chế lên các sóng mang con của OFDM.	Giữ lại các ưu điểm của OFDM.	Cải thiện độ nhạy Doppler và giảm lỗi ước tính vận tốc nhờ tích thời gian-băng thông lớn.	Tăng độ phức tạp của bộ phát và bộ thu.
OTFS	Điều chế trong miền trễ-Doppler (delay-Doppler).	Độ tin cậy rất cao trong các kịch bản di động cao, chống lại hiệu ứng Doppler mạnh mẽ.	Miền hoạt động tự nhiên để ước tính tầm xa và vận tốc, không bị nhiễu ICI.	Độ phức tạp tính toán cao hơn OFDM, nhạy cảm với lỗi đồng bộ hóa.
FBMC	Ghép kênh đa sóng mang dựa trên bộ lọc.	Hiệu quả phổ tần cao hơn OFDM (không cần tiền tố chu kỳ - CP), thùy phụ phổ tần thấp.	Hàm mơ hồ dạng "đinh ghim", không có thùy phụ do CP, ước tính vận tốc chính xác hơn.	Độ phức tạp của bộ lọc cao, khó tích hợp với các hệ thống MIMO.

Các thiết kế lấy Truyền thông làm trung tâm (OFDM-based): Do sự thống trị của Ghép kênh Phân chia theo Tần số Trực giao (Orthogonal Frequency Division Multiplexing - OFDM) trong 4G và 5G, việc tái sử dụng nó cho ISAC là một hướng đi tự nhiên và thực tế. Nguyên tắc cơ bản là sử dụng các tín hiệu tham chiếu giải điều chế (Demodulation Reference Signals - DM-RS) có sẵn trong khung 5G NR. Bộ thu truyền thông sử dụng các tín hiệu này để ước tính kênh và giải điều chế dữ liệu. Chức năng cảm biến có thể sử dụng chính ma trận ước tính kênh này và xử lý nó như một "khối dữ liệu radar" (radar data cube), với các chiều tương ứng với tầm xa (sóng mang con), thời gian chậm (ký hiệu OFDM), góc đến (anten thu), và góc đi (cổng tham chiếu). Tuy nhiên, OFDM có những nhược điểm cố hữu cho việc cảm biến, bao gồm PAPR cao làm méo tín hiệu và các thùy phụ cao trong hàm mơ hồ (ambiguity function), gây khó khăn trong việc phát hiện nhiều mục tiêu gần nhau. Để khắc phục, các nhà nghiên cứu đã đề xuất các sửa đổi như kết hợp OFDM với điều chế tần số tuyến tính (LFM) hoặc mã hóa pha để cải thiện hiệu suất cảm biến.  

Các thiết kế lấy Cảm biến làm trung tâm và Thiết kế chung (Beyond OFDM): Để vượt qua các giới hạn của OFDM, các dạng sóng mới đã được đề xuất. Trong số đó, Không gian Tần số Thời gian Trực giao (Orthogonal Time Frequency Space - OTFS) nổi lên như một ứng cử viên sáng giá, đặc biệt cho các kịch bản di động cao. OTFS điều chế thông tin trực tiếp trong miền trễ-Doppler, là miền tự nhiên của các tham số radar như tầm xa và vận tốc. Điều này làm cho OTFS vốn đã mạnh mẽ trước các hiệu ứng Doppler, một thách thức lớn đối với OFDM. Các dạng sóng khác như Ghép kênh Đa sóng mang dựa trên Bộ lọc (Filter-Bank Multicarrier - FBMC) và Ghép kênh Phân chia theo Tần số Tổng quát (Generalized Frequency Division Multiplexing - GFDM) cũng được nghiên cứu, với các ưu điểm như loại bỏ được tiền tố chu kỳ (cyclic prefix) và có các thùy phụ phổ tần thấp hơn, giúp cải thiện hiệu quả phổ tần và hiệu suất cảm biến.  

Các Khuôn khổ Tối ưu hóa cho ISAC

Thiết kế dạng sóng và phân bổ tài nguyên trong ISAC thường được xây dựng dưới dạng một bài toán tối ưu hóa toán học. Mục tiêu phổ biến là tối đa hóa hiệu suất của một chức năng (ví dụ: tốc độ truyền thông) trong khi đảm bảo hiệu suất tối thiểu cho chức năng kia (ví dụ: xác suất phát hiện mục tiêu).  

• Tối ưu hóa Định dạng chùm tia (Beamforming): Đây là một trong những bài toán cốt lõi, liên quan đến việc thiết kế các ma trận tiền mã hóa (precoding matrices) để định hình chùm sóng. Ví dụ, một bài toán có thể là tối thiểu hóa một chỉ số lỗi cảm biến như Giới hạn Dưới Cramér-Rao (CRB) trong khi vẫn đảm bảo Tỷ lệ Tín hiệu trên Nhiễu và Tạp (SINR) cho mỗi người dùng truyền thông. Các bài toán này thường không lồi (non-convex), đòi hỏi các kỹ thuật giải quyết tiên tiến như Nới lỏng Bán xác định (Semidefinite Relaxation - SDR) hoặc Xấp xỉ Lồi Kế tiếp (Successive Convex Approximation - SCA).  
• Tiền mã hóa cấp Ký hiệu (Symbol-Level Precoding - SLP): SLP là một kỹ thuật tiên tiến hơn, tối ưu hóa tiền mã hóa cho từng ký hiệu dữ liệu riêng lẻ thay vì cho cả một khối dữ liệu. Điều này cung cấp thêm các bậc tự do (degrees of freedom) trong cả miền thời gian và không gian, cho phép quản lý nhiễu một cách tinh vi hơn và cải thiện đồng thời cả hiệu suất cảm biến và truyền thông.  
• Tối ưu hóa dựa trên AI/ML: Một xu hướng đột phá là sử dụng học sâu (deep learning) để giải quyết các bài toán tối ưu hóa phức tạp này. Thay vì giải các phương trình toán học phức tạp trong thời gian thực, một mạng nơ-ron có thể được huấn luyện ngoại tuyến (offline) để học ánh xạ từ trạng thái hệ thống (ví dụ: thông tin kênh) đến giải pháp tối ưu (ví dụ: ma trận chùm tia). Sau khi được huấn luyện, mạng này có thể đưa ra các giải pháp gần tối ưu trong thời gian thực với độ phức tạp tính toán thấp hơn đáng kể, ví dụ, giảm thời gian thực thi tới 1000 lần so với các phương pháp truyền thống. Sự phát triển này cho thấy AI không chỉ là một ứng dụng của dữ liệu ISAC mà còn là một công cụ cơ bản để  

làm cho ISAC khả thi về mặt kỹ thuật ở lớp vật lý.

Xử lý Tín hiệu Tiên tiến để Ước tính Tham số

Sau khi tín hiệu ISAC được phát đi và phản xạ trở lại, các thuật toán xử lý tín hiệu tiên tiến là cần thiết để trích xuất thông tin hữu ích.

• Các Thuật toán Cốt lõi: Các phương pháp chính bao gồm phương pháp ma trận thông tin kênh, các bộ ước tính dòng phổ, và các phương pháp siêu phân giải (super-resolution) để đạt được độ chính xác cao hơn giới hạn của biến đổi Fourier truyền thống. Các phương pháp lặp như FFT 2D lặp và tương quan chéo chu kỳ lặp cũng được sử dụng để cải thiện độ chính xác với độ phức tạp thấp.  
• Nhiễu: Bạn hay Thù?: Một khái niệm quan trọng trong xử lý tín hiệu ISAC là cách đối xử với tín hiệu phản xạ từ mục tiêu. Đối với bộ thu truyền thông, tín hiệu phản xạ này là một nguồn nhiễu. Tuy nhiên, đối với chức năng cảm biến, nó lại chứa thông tin quý giá. Do đó, các thuật toán không thể đơn giản là loại bỏ nhiễu này, mà phải tìm cách "giải mã" nó để trích xuất các tham số của mục tiêu.  
• Tận dụng Dữ liệu để Cảm biến: Một đổi mới quan trọng là việc sử dụng không chỉ các tín hiệu hoa tiêu (pilot) xác định mà cả phần tải dữ liệu (data payload) ngẫu nhiên cho mục đích cảm biến. Vì phần tải dữ liệu chiếm phần lớn tài nguyên thời gian-tần số của khung tín hiệu, việc khai thác nó cho cảm biến có thể làm tăng đáng kể độ chính xác. Các nghiên cứu cho thấy phương pháp này có thể giảm lỗi cảm biến tới 5.6 dB so với việc chỉ sử dụng tín hiệu hoa tiêu.  

Sự tiến hóa của thiết kế dạng sóng ISAC đang chuyển từ "thích ứng lấy truyền thông làm trung tâm" (làm cho tín hiệu 5G hoạt động cho cảm biến) sang "đồng thiết kế thực sự" (tạo ra các tín hiệu mới như OTFS được tối ưu hóa cho cả hai mục đích ngay từ đầu). Giờ đây, quá trình này đang được thúc đẩy bởi một làn sóng thứ ba: "tối ưu hóa do AI điều khiển", giúp vượt qua nút thắt cổ chai về độ phức tạp tính toán của các phương pháp tối ưu hóa truyền thống. Tuy nhiên, sự phụ thuộc vào AI ở lớp vật lý cũng tạo ra một thách thức mới: hiệu suất của hệ thống ISAC sẽ phụ thuộc trực tiếp vào chất lượng dữ liệu huấn luyện và tính mạnh mẽ của các mô hình mạng nơ-ron, đặt ra các vấn đề về xác minh, xác thực và đảm bảo hiệu suất có thể dự đoán được, đặc biệt là đối với các ứng dụng liên quan đến an toàn tính mạng.

Phân tích Hiệu suất: Các Chỉ số và Sự đánh đổi Cơ bản

Để thiết kế và vận hành hiệu quả các hệ thống ISAC, việc hiểu và định lượng hiệu suất của cả hai chức năng cũng như sự đánh đổi cố hữu giữa chúng là cực kỳ quan trọng. Phân tích này dựa trên một tập hợp các chỉ số hiệu suất (metrics) riêng biệt cho truyền thông và cảm biến.

Định lượng Hiệu suất: Sự song hành của các Chỉ số

• Các Chỉ số Truyền thông: Hiệu suất của chức năng truyền thông thường được đánh giá bằng các chỉ số quen thuộc trong mạng không dây :  
• Tổng Tốc độ (Sum Rate - SR): Tổng tốc độ dữ liệu có thể đạt được của tất cả người dùng trong một ô (cell), thường được đo bằng bit/giây.
• Tỷ lệ Tín hiệu trên Nhiễu và Tạp (SINR): Một chỉ số quan trọng đo lường chất lượng của tín hiệu nhận được tại một người dùng cụ thể.
• Tỷ lệ Lỗi Bit/Ký hiệu (BER/SER): Tỷ lệ các bit hoặc ký hiệu bị giải mã sai, phản ánh độ tin cậy của liên kết truyền thông.
• Các Chỉ số Cảm biến: Hiệu suất của chức năng cảm biến phức tạp hơn và được đo lường bằng nhiều chỉ số khác nhau, thường bắt nguồn từ lĩnh vực radar :  
• Phát hiện (Detection): Xác suất Phát hiện (PD​) là xác suất phát hiện chính xác một mục tiêu khi nó thực sự có mặt. Tỷ lệ Báo động Giả Không đổi (Constant False Alarm Rate - CFAR) là một kỹ thuật thiết kế bộ dò để duy trì một tỷ lệ báo động giả cố định trong các điều kiện tạp nhiễu (clutter) thay đổi.  
• Độ chính xác Ước tính: Sai số Bình phương Trung bình (Mean Squared Error - MSE) được sử dụng để định lượng độ chính xác của việc ước tính các tham số mục tiêu như tầm xa, vận tốc và góc.  
• Hàm Mơ hồ (Ambiguity Function - AF): Đây là một công cụ toán học quan trọng để phân tích khả năng phân giải của một dạng sóng trong cả miền trễ (tầm xa) và miền Doppler (vận tốc). Một hàm mơ hồ lý tưởng có một đỉnh chính hẹp và các thùy phụ (sidelobes) rất thấp. Tỷ lệ Mức Thùy phụ Tích hợp (Integrated Sidelobe Level Ratio - ISLR) là một chỉ số thường được sử dụng để tối thiểu hóa các thùy phụ này.  
• Các Chỉ số dựa trên Lý thuyết Thông tin: Thông tin Tương hỗ (Mutual Information - MI) giữa trạng thái của mục tiêu và tín hiệu phản xạ nhận được, hoặc Tốc độ Cảm biến (RB​), có thể được sử dụng để định lượng lượng thông tin về mục tiêu mà hệ thống có thể trích xuất.  

Giới hạn Dưới Cramér-Rao (CRB) làm Chuẩn mực cho Độ chính xác Cảm biến

Giới hạn Dưới Cramér-Rao (Cramér-Rao Bound - CRB) và phiên bản Bayes của nó (BCRB) là một khái niệm cơ bản trong lý thuyết ước tính thống kê, đóng vai trò cực kỳ quan trọng trong phân tích hiệu suất ISAC.  

• Định nghĩa và Tầm quan trọng: CRB đặt ra một giới hạn dưới về phương sai của bất kỳ bộ ước tính không chệch (unbiased estimator) nào cho một tham số chưa biết. Trong ISAC, nó cung cấp một giới hạn lý thuyết về độ chính xác mà hệ thống có thể đạt được khi ước tính các tham số của mục tiêu (ví dụ: góc phương vị, tầm xa) với một dạng sóng và cấu hình hệ thống nhất định. Một hệ thống có MSE của bộ ước tính tiến gần đến CRB được coi là hiệu quả. Về mặt toán học, phương sai của một bộ ước tính  

θ^ cho tham số θ bị giới hạn bởi:

Var(θ^)≥I(θ)1​

trong đó I(θ) là Thông tin Fisher (Fisher Information Matrix - FIM), một ma trận đo lường lượng thông tin mà tín hiệu quan sát được mang về tham số chưa biết.  

• Ứng dụng trong Tối ưu hóa: Do mối liên hệ trực tiếp với độ chính xác ước tính, việc tối thiểu hóa CRB (hoặc một hàm của nó, như trace của ma trận nghịch đảo FIM) đã trở thành một mục tiêu tối ưu hóa phổ biến trong thiết kế chùm tia ISAC. Bằng cách tối thiểu hóa CRB, các nhà thiết kế đang tìm cách tối đa hóa tiềm năng độ chính xác cảm biến của hệ thống. Các công thức CRB cũng khác nhau tùy thuộc vào mô hình mục tiêu, ví dụ như mục tiêu điểm đơn giản so với các mục tiêu mở rộng (extended targets) phức tạp hơn có cả hướng và hình dạng.  

Phân tích Vùng Đánh đổi Cảm biến-Truyền thông

• Xung đột Cố hữu: Một trong những đặc điểm cơ bản nhất của ISAC là sự đánh đổi hiệu suất giữa hai chức năng. Các tài nguyên mạng như công suất phát, băng thông, và các bậc tự do không gian (từ các anten) là hữu hạn. Việc phân bổ nhiều tài nguyên hơn để cải thiện hiệu suất cảm biến (ví dụ, tạo ra một chùm radar rất sắc nét để quét) thường có nghĩa là ít tài nguyên hơn cho truyền thông (ví dụ, phục vụ ít người dùng hơn hoặc với tốc độ thấp hơn), và ngược lại.  
• Trực quan hóa Sự đánh đổi: Sự đánh đổi này thường được biểu diễn bằng một đường cong biên trong không gian hai chiều, với một trục là chỉ số hiệu suất truyền thông (ví dụ: Sum Rate) và trục còn lại là chỉ số hiệu suất cảm biến (ví dụ: 1/CRB hoặc Xác suất Phát hiện). Đường cong này đại diện cho giới hạn hiệu suất của hệ thống. Bất kỳ điểm nào bên trong đường cong đều là dưới tối ưu, và các điểm bên ngoài là không thể đạt được. Mục tiêu của thiết kế ISAC là đẩy đường cong này ra xa nhất có thể và hoạt động tại một điểm trên biên phù hợp với yêu cầu của ứng dụng.  
• Các Chỉ số Hiệu suất Hợp nhất: Để đơn giản hóa việc phân tích sự đánh đổi phức tạp này, các nhà nghiên cứu đã tìm kiếm các chỉ số hiệu suất hợp nhất có thể bao hàm cả hai chức năng. Một ví dụ là Phân kỳ Kullback-Leibler (Kullback-Leibler Divergence - KLD), có thể được liên kết với cả tỷ lệ lỗi ký hiệu của truyền thông và khả năng phát hiện của radar, cung cấp một thước đo duy nhất cho hiệu suất tổng thể của hệ thống.  

Các Mô hình Hình học Ngẫu nhiên để Đánh giá Hiệu suất Cấp Mạng

Phần lớn các phân tích hiệu suất tập trung vào một liên kết ISAC duy nhất. Tuy nhiên, để hiểu được hoạt động của ISAC trong một mạng lưới thực tế, cần phải xem xét các yếu tố ở quy mô lớn hơn, chẳng hạn như vị trí ngẫu nhiên của người dùng và các nút mạng, nhiễu tích lũy từ nhiều nguồn, và các hiệu ứng che khuất.

• Hình học Ngẫu nhiên (Stochastic Geometry): Đây là một công cụ toán học mạnh mẽ được sử dụng để mô hình hóa các mạng không dây quy mô lớn và ngẫu nhiên. Bằng cách sử dụng các mô hình như Quá trình Điểm Poisson (Poisson Point Process - PPP) để biểu diễn vị trí của các trạm gốc và người dùng, các nhà nghiên cứu có thể rút ra các biểu thức giải tích cho các chỉ số hiệu suất trên toàn mạng. Các chỉ số này bao gồm  

Xác suất Phủ sóng (Probability of Coverage) cho truyền thông (xác suất SINR của một người dùng điển hình vượt qua một ngưỡng nhất định) và Xác suất Phát hiện (Probability of Detection) cho cảm biến ở cấp độ mạng.  

Sự đánh đổi hiệu suất trong ISAC không phải là một hằng số tĩnh mà có tính động cao và phụ thuộc vào bối cảnh. Một hệ thống được thiết kế "tối ưu" cho một kịch bản (ví dụ, đường cao tốc thoáng đãng với ít mục tiêu) có thể trở nên dưới tối ưu trong một kịch bản khác (ví dụ, hẻm phố đô thị đông đúc với nhiều người dùng và tạp nhiễu). Điều này đòi hỏi một cơ chế phân bổ tài nguyên thích ứng, thời gian thực. Một sự thay đổi trong môi trường—một chiếc xe di chuyển, một người dùng mới kết nối—sẽ làm thay đổi bài toán tối ưu hóa cơ bản và do đó, dịch chuyển điểm hoạt động tối ưu trên đường cong đánh đổi. Ví dụ, khi một mục tiêu ưu tiên cao xuất hiện, hệ thống nên tự động phân bổ nhiều công suất hơn cho cảm biến, chấp nhận việc giảm tạm thời tốc độ truyền thông cho một số người dùng. Điều này không thể được quản lý bằng một thiết kế cố định mà cần một vòng lặp điều khiển, có khả năng được thúc đẩy bởi AI/ML. Vòng lặp này liên tục đánh giá môi trường (sử dụng chính chức năng cảm biến) và tái tối ưu hóa việc phân bổ tài nguyên trong thời gian thực. Điều này tạo ra một vòng phản hồi tích cực: cảm biến tốt hơn cung cấp bối cảnh môi trường chính xác hơn, cho phép bộ điều khiển AI đưa ra quyết định phân bổ tài nguyên tốt hơn, từ đó cải thiện hiệu suất của cả hai chức năng. Khái niệm "quản lý tài nguyên được hỗ trợ bởi cảm biến" này là một ví dụ mạnh mẽ về lợi ích phối hợp, làm cho ISAC không chỉ đơn thuần là chia sẻ tài nguyên.  

Các Ứng dụng Mang tính Chuyển đổi và Các Trường hợp Sử dụng trong Ngành

Khả năng nhận thức môi trường của ISAC mở ra một loạt các ứng dụng đột phá, có khả năng thay đổi sâu sắc nhiều ngành công nghiệp, từ giao thông vận tải đến chăm sóc sức khỏe và giải trí. Một sợi chỉ chung xuyên suốt các ứng dụng này là khả năng cung cấp thông tin phong phú, thời gian thực về các đối tượng không hợp tác—những vật thể không có radio và không chủ động giao tiếp. Đây là sự khác biệt cơ bản so với các mạng di động truyền thống, vốn chỉ biết về các thiết bị mà chúng đang phục vụ.

Hệ thống Tự hành và Giao thông Thông minh

Đây được xem là một trong những lĩnh vực ứng dụng quan trọng và có tác động lớn nhất của ISAC.

• Nhận thức Hợp tác (Cooperative Perception) cho V2X: Đây là một "ứng dụng sát thủ" (killer application) của ISAC. Trong các phương tiện tự hành được kết nối (Connected and Autonomous Vehicles - CAVs), các cảm biến trên xe như camera và LiDAR có những hạn chế cố hữu, đặc biệt là vấn đề bị che khuất (occlusion) và các điểm mù. ISAC giải quyết vấn đề này một cách trực tiếp. Các phương tiện và cơ sở hạ tầng ven đường (Roadside Units - RSUs) có thể sử dụng chức năng cảm biến của mình để "nhìn" xung quanh các góc cua hoặc xuyên qua các vật cản, sau đó sử dụng chức năng truyền thông tốc độ cao của Giao tiếp từ Phương tiện đến Mọi thứ (Vehicle-to-Everything - V2X) để chia sẻ bản đồ nhận thức này với các phương tiện khác trong thời gian thực. Điều này tạo ra một nhận thức tập thể, cho phép một chiếc xe "nhìn thấy" một người đi bộ bị che khuất bởi một chiếc xe tải đang đỗ, một kịch bản cực kỳ nguy hiểm mà các cảm biến đơn lẻ không thể xử lý.  
• Tạo bản đồ Môi trường Độ phân giải cao: ISAC có thể được sử dụng để thực hiện Định vị và Lập bản đồ Đồng thời dựa trên sóng vô tuyến (Radio-based Simultaneous Localization and Mapping - SLAM). Mạng lưới có thể liên tục tạo và cập nhật các bản đồ 3D có độ nét cao về môi trường xung quanh, bao gồm các đối tượng tĩnh và động. Các hệ thống thử nghiệm đã chứng minh được độ chính xác ấn tượng, với sai số ước tính tầm xa là 0.3 mét và sai số góc là 2.3 độ. Những bản đồ động này bổ sung và hiệu chỉnh các bản đồ tĩnh đã có sẵn, cung cấp cho xe tự hành một sự hiểu biết chính xác và cập nhật về thế giới xung quanh để điều hướng an toàn.  

Các Dịch vụ Lấy Con người làm Trung tâm

ISAC cho phép tương tác và theo dõi con người một cách tinh vi và ít xâm phạm hơn so với các công nghệ hiện có.

• Cảm biến Không cần Thiết bị (Device-Free Sensing): Đây là một khái niệm mang tính cách mạng, cho phép cảm biến hoạt động và hành vi của con người mà không yêu cầu họ phải đeo bất kỳ thiết bị nào. Hệ thống phân tích những nhiễu loạn tinh vi mà cơ thể con người gây ra đối với các tín hiệu vô tuyến xung quanh, chẳng hạn như Thông tin Trạng thái Kênh (Channel State Information - CSI) của tín hiệu Wi-Fi.  
• Nhận dạng Hoạt động và Cử chỉ của Con người (HAR): Dựa trên nguyên tắc cảm biến không cần thiết bị, ISAC có thể được sử dụng để nhận dạng một loạt các hoạt động, từ các hành động lớn như đi, đứng, ngồi, đến các hành động tinh vi như cử chỉ tay để điều khiển các thiết bị thông minh. Điều này có ứng dụng to lớn trong nhà thông minh, tương tác người-máy, và các giao diện người dùng thế hệ mới.  
• Chăm sóc Sức khỏe Thông minh: ISAC mở ra tiềm năng cho việc theo dõi sức khỏe từ xa một cách không tiếp xúc. Hệ thống có thể theo dõi các dấu hiệu sinh tồn như nhịp thở và nhịp tim bằng cách phát hiện các chuyển động nhỏ của lồng ngực. Một ứng dụng quan trọng khác là phát hiện té ngã cho người cao tuổi. So với các hệ thống dựa trên camera, ISAC bảo vệ quyền riêng tư tốt hơn nhiều vì nó không ghi lại hình ảnh nhận dạng được, mà chỉ phân tích các mẫu tín hiệu vô tuyến.  

Môi trường Công nghiệp, Không gian và Nhập vai

• Phát hiện, Theo dõi và Điều hướng UAV: Việc quản lý không lưu cho các phương tiện bay không người lái (Unmanned Aerial Vehicles - UAVs) là một thách thức ngày càng tăng. ISAC là một công nghệ lý tưởng cho nhiệm vụ này. Mạng di động có thể được sử dụng để phát hiện và theo dõi các UAV trái phép trong các khu vực cấm (ví dụ: xung quanh sân bay, cơ sở hạ tầng quan trọng). Đồng thời, nó cũng có thể cung cấp dữ liệu định vị và điều hướng chính xác để hỗ trợ các UAV hợp pháp, giúp tránh va chạm và tối ưu hóa đường bay.  
• Nhà máy Thông minh (Công nghiệp 4.0): Trong môi trường công nghiệp, ISAC cho phép theo dõi tài sản và robot di động tự hành (AMRs) với độ chính xác cao. Nó cung cấp cả liên lạc đáng tin cậy giữa các máy móc và khả năng cảm biến thời gian thực để đảm bảo hoạt động an toàn và hiệu quả, ví dụ như tránh va chạm giữa robot và công nhân.  
• Tái tạo Môi trường cho Bản sao Số và AR/VR: Khả năng của ISAC trong việc tạo ảnh và lập bản đồ môi trường là nền tảng cho việc xây dựng và duy trì các "Bản sao Số" (Digital Twins)—các bản sao kỹ thuật số, thời gian thực của các đối tượng hoặc không gian vật lý. Dữ liệu môi trường có độ trung thực cao này sau đó có thể được đưa vào các ứng dụng Thực tế Tăng cường (AR) và Thực tế Ảo (VR), tạo ra các trải nghiệm nhập vai thực sự có khả năng tương tác với thế giới thực một cách liền mạch.  

    Khả năng cảm biến các đối tượng không hợp tác của ISAC đã biến mạng lưới từ một hệ thống quản lý một tập hợp khép kín các thiết bị đã biết thành một hệ thống mở có khả năng nhận thức toàn bộ môi trường vật lý, bao gồm cả các yếu tố thụ động, không giao tiếp. Chính năng lực này lại tạo ra một thách thức lớn về quyền riêng tư. Nếu mạng lưới có thể "nhìn thấy" mọi thứ và mọi người, dữ liệu đó sẽ được quản lý như thế nào? Khả năng thực hiện nhận dạng hoạt động của con người mà không cần thiết bị là một cuộc cách mạng về công nghệ, nhưng cũng đầy rẫy những vấn đề phức tạp về đạo đức và pháp lý, tạo ra một rào cản xã hội đối với việc triển khai, có tầm quan trọng không kém bất kỳ rào cản kỹ thuật nào.

Tiêu chuẩn hóa, Bảo mật và Triển vọng Tương lai

    Để ISAC chuyển từ một khái niệm nghiên cứu thành một công nghệ được triển khai rộng rãi, cần phải vượt qua các rào cản về tiêu chuẩn hóa toàn cầu, giải quyết các thách thức nghiêm trọng về bảo mật và quyền riêng tư, và chứng minh được tính khả thi về mặt kinh tế.

Con đường đến các Tiêu chuẩn Toàn cầu: Phân tích Hoạt động của 3GPP, ITU và IEEE

Quá trình tiêu chuẩn hóa là rất quan trọng để đảm bảo khả năng tương tác và thúc đẩy một hệ sinh thái toàn cầu cho ISAC. Các tổ chức tiêu chuẩn hóa lớn đang tích cực làm việc trong lĩnh vực này.

• Khuôn khổ của ITU: Liên minh Viễn thông Quốc tế (International Telecommunication Union - ITU) đã chính thức công nhận ISAC là một trong sáu kịch bản sử dụng chính cho 6G trong khuôn khổ IMT-2030. Điều này cung cấp tầm nhìn cấp cao và các yêu cầu chung, định hướng cho các nỗ lực phát triển kỹ thuật chi tiết hơn.  
• Tiêu chuẩn hóa của 3GPP: Dự án Đối tác Thế hệ thứ 3 (3rd Generation Partnership Project - 3GPP) là nơi diễn ra công việc kỹ thuật chi tiết nhất để đưa ISAC vào các tiêu chuẩn di động.
• Các giai đoạn đầu (Release 16/17/18): Công việc nền tảng bắt đầu với các cải tiến về định vị dựa trên sóng vô tuyến, được xem là tiền thân của ISAC đầy đủ.  
• Release 19 và xa hơn: Đây là giai đoạn quan trọng nơi ISAC được nghiên cứu và định nghĩa một cách chính thức. Các nhóm làm việc của 3GPP, đặc biệt là RAN1 và SA1, đang tập trung vào các lĩnh vực chính sau :  
• Các trường hợp sử dụng: Đã xác định 32 trường hợp sử dụng, bao gồm các ứng dụng trong giao thông, công nghiệp và giám sát.  
• Các loại mục tiêu cảm biến: Các mục tiêu chính được tiêu chuẩn hóa bao gồm UAV, con người (trong nhà), phương tiện ô tô, và robot AGV.  
• Các chế độ cảm biến: Sáu chế độ cảm biến đã được định nghĩa, bao gồm các cấu hình đơn tĩnh và song tĩnh giữa trạm gốc (BS) và thiết bị người dùng (UE), ví dụ: BS-UT-Bistatic, BS-BS-Monostatic, UE-UE-Bistatic, v.v..  
• Mô hình hóa kênh: Một nỗ lực lớn đang được dành cho việc phát triển các mô hình kênh ISAC tiêu chuẩn. Khuôn khổ chung xác định kênh ISAC là sự kết hợp của "kênh mục tiêu" (phản xạ từ đối tượng quan tâm) và "kênh nền" (phản xạ từ môi trường xung quanh). Mô hình hóa chính xác Tiết diện Tán xạ Radar (Radar Cross Section - RCS) cho các loại mục tiêu khác nhau là một phần quan trọng của công việc này.  

Lĩnh vực Tiêu chuẩn hóa (3GPP Rel-19+)	Chi tiết chính từ các Thảo luận	Ví dụ	Nguồn tham khảo
Trường hợp sử dụng (Use Cases)	Nhóm công tác SA1 đã xác định 32 trường hợp sử dụng, tập trung vào các lĩnh vực như giao thông, công nghiệp, và giám sát môi trường.	Phát hiện vật cản trên đường cao tốc, theo dõi robot trong nhà máy, giám sát không phận cho UAV.
Mục tiêu Cảm biến (Sensing Targets)	Tiêu chuẩn hóa các mô hình RCS cho các loại mục tiêu quan trọng để đảm bảo mô phỏng và kiểm thử nhất quán.	UAV, con người (trong nhà), phương tiện ô tô, robot tự hành (AGV), các vật thể nguy hiểm trên đường bộ/đường sắt.
Chế độ Cảm biến (Sensing Modes)	Sáu chế độ hoạt động đã được định nghĩa để bao quát các cấu trúc liên kết cảm biến khác nhau.	Đơn tĩnh (BS-BS-Mono, UE-UE-Mono), Song tĩnh (BS-UT-Bi, UT-BS-Bi, BS-BS-Bi, UT-UT-Bi).
Mô hình hóa Kênh (Channel Modeling)	Kênh ISAC được định nghĩa là sự kết hợp của kênh mục tiêu và kênh nền. Tương thích với các mô hình kênh 5G hiện có.	Kênh mục tiêu (phản xạ từ xe) được thêm vào kênh nền (phản xạ từ các tòa nhà, mặt đất).

• IEEE và các tổ chức khác: Viện Kỹ sư Điện và Điện tử (IEEE) cũng đóng vai trò quan trọng trong việc phát triển các tiêu chuẩn liên quan, trong khi các tổ chức như Viện Tiêu chuẩn Viễn thông Châu Âu (ETSI) thực hiện các nghiên cứu tiền tiêu chuẩn hóa quan trọng.  

Bối cảnh Đe dọa của ISAC: Các Lỗ hổng Bảo mật và Vấn đề Quyền riêng tư

Bản chất kép của ISAC tạo ra một bối cảnh đe dọa hoàn toàn mới, đòi hỏi các giải pháp bảo mật và quyền riêng tư vượt ra ngoài các phương pháp truyền thống.

• Các bề mặt tấn công mới:
• Nghe lén Dữ liệu Truyền thông: Các tín hiệu công suất cao được sử dụng để cảm biến có thể mang thông tin truyền thông bí mật. Chính các mục tiêu đang được cảm biến (nếu chúng là các đối tượng có khả năng xử lý tín hiệu) có thể trở thành những kẻ nghe lén (eavesdroppers), cố gắng giải mã dữ liệu này.  
• Rò rỉ Dữ liệu Cảm biến: Ngược lại, dữ liệu cảm biến—chẳng hạn như vị trí, hình dạng, vận tốc, và hoạt động của một người hoặc một vật thể—là cực kỳ nhạy cảm. Các bộ thu trái phép có thể cố gắng chặn và phân tích các tín hiệu phản xạ để thu thập thông tin tình báo về môi trường, vi phạm quyền riêng tư một cách nghiêm trọng.  
• Các loại tấn công: Các mối đe dọa cụ thể bao gồm các cuộc tấn công giả mạo (spoofing), trong đó kẻ tấn công sử dụng thông tin cảm biến để mạo danh một người dùng hoặc nút mạng hợp pháp, và các cuộc tấn công xen giữa (man-in-the-middle).  
• Thế lưỡng nan về Quyền riêng tư: Thách thức lớn nhất có lẽ là về quyền riêng tư. Khả năng thực hiện cảm biến không cần thiết bị có nghĩa là mạng lưới có thể theo dõi vị trí, hoạt động, và thậm chí cả các dấu hiệu sinh tồn của mọi người mà không cần sự đồng ý rõ ràng và liên tục của họ. Điều này đặt ra những câu hỏi sâu sắc về đạo đức và pháp lý, và đòi hỏi phải có các cơ chế bảo vệ quyền riêng tư mạnh mẽ được tích hợp ngay từ khâu thiết kế.  

Bảo mật Lớp Vật lý (PLS) như một Tuyến phòng thủ Đầu tiên

Do các giải pháp bảo mật truyền thống (như mã hóa ở lớp trên) không thể bảo vệ chính thông tin cảm biến và có thể gây ra độ trễ không mong muốn, Bảo mật Lớp Vật lý (Physical Layer Security - PLS) đã nổi lên như một tuyến phòng thủ quan trọng. PLS tận dụng các đặc tính của kênh truyền không dây để đảm bảo an toàn cho thông tin.

Loại Đe dọa	Đe dọa Cụ thể	Mô tả	Biện pháp Đối phó Lớp Vật lý (PLS)	Cơ chế Hoạt động	Nguồn tham khảo
An ninh Dữ liệu	Nghe lén thông tin truyền thông bởi mục tiêu cảm biến.	Mục tiêu sử dụng tín hiệu ISAC công suất cao để giải mã dữ liệu bí mật.	Nhiễu nhân tạo (AN), Định dạng chùm tia an toàn, Giao thoa xây dựng/phá hủy (CI/DI).	Cố tình phát nhiễu vào hướng của kẻ nghe lén; Tối thiểu hóa công suất tín hiệu tại vị trí kẻ nghe lén; Điều khiển pha tín hiệu để gây lỗi giải mã.
An ninh Dữ liệu	Tấn công giả mạo (Spoofing).	Kẻ tấn công khai thác thông tin cảm biến để mạo danh người dùng hợp pháp.	Xác thực dựa trên đặc điểm kênh vật lý.	Sử dụng các đặc điểm độc nhất của kênh truyền (ví dụ: đáp ứng tần số) làm "dấu vân tay" để xác thực.
Quyền riêng tư	Theo dõi vị trí và hoạt động trái phép.	Một bộ thu không được phép chặn các tín hiệu phản xạ để theo dõi người hoặc vật thể.	Định dạng chùm tia vì quyền riêng tư, Làm ẩn danh vị trí dựa trên CSI.	Thiết kế dạng sóng/chùm tia có độ phản xạ thấp hoặc khó xử lý đối với các cảm biến trái phép; Che giấu thông tin vị trí chính xác.
Quyền riêng tư	Rò rỉ thông tin nhạy cảm (ví dụ: dấu hiệu sinh tồn).	Phân tích các nhiễu loạn tín hiệu tinh vi để suy ra thông tin sức khỏe cá nhân.	Thêm nhiễu vào tín hiệu cảm biến, Giảm độ phân giải có chủ đích.	Cố tình làm giảm chất lượng của dữ liệu cảm biến để ngăn chặn việc trích xuất các chi tiết nhạy cảm bởi các bên không được ủy quyền.

Các Thách thức Mở và Hướng nghiên cứu Tương lai

Mặc dù có tiềm năng to lớn, con đường thương mại hóa ISAC vẫn còn nhiều thách thức.

• Tính khả thi về Kinh tế: Một trong những rào cản lớn nhất không phải là kỹ thuật mà là kinh tế. Mặc dù ISAC hứa hẹn sẽ giảm chi phí, việc phát triển và triển khai các hệ thống mới vẫn đòi hỏi đầu tư lớn. Các mô hình kinh doanh và tính khả thi kinh tế của các dịch vụ dựa trên ISAC vẫn đang được xem xét kỹ lưỡng và được coi là một rủi ro cao đối với việc thương mại hóa.  
• Các Thách thức Kỹ thuật: Các vấn đề kỹ thuật cốt lõi vẫn cần được giải quyết, bao gồm:
• Đồng bộ hóa toàn mạng với độ chính xác nano giây cho D-ISAC.  
• Quản lý nhiễu hiệu quả trong các mạng lưới dày đặc với nhiều người dùng và mục tiêu.  
• Phát triển các thuật toán xử lý tín hiệu có độ phức tạp thấp hơn nữa để có thể triển khai trên các thiết bị có tài nguyên hạn chế.  
• Cảm biến Đa phương thức: Một hướng nghiên cứu tương lai đầy hứa hẹn là việc kết hợp dữ liệu từ ISAC với các loại cảm biến khác như camera, LiDAR, hoặc cảm biến quang học/VLC. Việc tổng hợp đa phương thức này có thể tạo ra một hệ thống nhận thức toàn diện, mạnh mẽ và đáng tin cậy hơn nhiều so với bất kỳ loại cảm biến đơn lẻ nào.  

    Cuối cùng, có một sự căng thẳng cơ bản giữa mục tiêu của tiêu chuẩn hóa và tốc độ đổi mới nhanh chóng, đặc biệt là với AI. Tiêu chuẩn hóa đòi hỏi các mô hình cố định, có thể dự đoán được (ví dụ, cho kênh và RCS) để đảm bảo khả năng tương tác. Trong khi đó, ISAC do AI điều khiển lại phát triển mạnh mẽ nhờ khả năng thích ứng động, dựa trên dữ liệu, có thể không hoàn toàn phù hợp với các mô hình đơn giản hóa này. Việc giải quyết sự căng thẳng này có thể đòi hỏi một mô hình tiêu chuẩn hóa mới, có lẽ là "tiêu chuẩn sống" hoặc "tiêu chuẩn nhận biết AI", nơi các bộ dữ liệu huấn luyện, giao diện cập nhật mô hình AI, và các khung hiệu suất được tiêu chuẩn hóa, thay vì chỉ là các tham số kênh tĩnh. Hơn nữa, tính khả thi thương mại của ISAC phụ thuộc vào việc giải quyết các vấn đề bảo mật và quyền riêng tư trước tiên; không một nhà khai thác nào sẽ triển khai một công nghệ khiến họ phải đối mặt với rủi ro pháp lý và danh tiếng khổng lồ, bất kể năng lực kỹ thuật của nó.