基于基扩展模型的UKF-RTSS高可靠鲁棒V2V信道估计

车联网应用场景对无线通信在带宽、时延、可靠性方面提出了更高的需求,特别是车辆对车辆(Vehicle to Vehicle, V2V)场景。针对V2V高速移动场景,时/频域选择性衰落(双选衰落)和非平稳特性给信道估计带来的技术挑战,该文提出了一种基于基扩展模型(Basis Expansion Model, BEM)的UKF-RTSS (Unscented Kalman Filter- Rauch-Tung-Striebel Smoother)信道估计方法。该方法采用BEM拟合快时变信道,将信道参数的估计转化为基函数系数的估计;通过无迹卡尔曼滤波(UKF),联合估计数据处信道冲激响应与时域自相关系数,用于追踪快时变的信道响应。为了进一步提升信道估计的精度,引入RTSS对后向信道状态信息进行信道估计和插值,与UKF构成了“滤波和平滑”结构的UKF-RTSS联合估计器。系统仿真分析表明,在不同速度的快时变条件下,所提方法相比其他经典方法具有更高的信道估计精度和鲁棒性,特别适用于车联网下的无线通信场景。     

面向C-V2I的基于边缘计算的智能信道估计

车联网对于超高可靠与低时延通信(Ultra-Reliable and Low Latency Communications,URLLC)具有严格的要求,特别对于车到基础设施(Vehicle to Infrastructure,V2I)场景,URLLC对传输管理交通状况至关重要.3GPP Cel-lular-V2X(C-V2X)作为现在支撑车联网URLLC主流的无线技术,仍存在技术挑战.为进一步提升通信性能,本文在V2I场景下,基于车载终端、路侧单元(Road Side Unit,RSU)与边缘计算车联网服务器(Internet of Vehicles Server,IoV Server)的交互,设计了一种基于C-V2I规范的智能信道估计框架.在IoV Server中,本文提出了一种基于深度学习的信道估计算法,该算法利用一维卷积神经网络(One Dimensional Convolution Neural Network,1D CNN)完成频域插值和条件循环单元(Conditional Recurrent Unit,CRU)进行时域状态预测,通过引入额外的速度编码矢量和多径编码矢量跟踪环境的变化,对不同移动环境下的信道数据进行精确训练.最后通过系统仿真与分析表明,所提算法能够通过信道参数编码追踪不同高速移动环境下的信道变化,实现对信道数据的精确训练.与车联网代表性信道估计算法相比,所提算法提升了信道估计精度,降低了误码率和增强了鲁棒性.     

蜂窝车联网中基于服务异构性的V2V通信资源分配算法研究

在支持车与车直接通信(V2V)的蜂窝网络场景下,针对密集环境下复用车与设备(V2I)上行链路的资源分配问题,在V2V的干扰下,利用移动链路的信道状态信息(CSI)的慢衰落统计,联合通信可靠性、功率控制,建立最大化V2I信道容量的优化模型以满足车辆网络服务的异构性的需求。基于此,该文提出一种基于超图理论和遗传算法的资源分配算法。仿真结果表明,该算法在保证V2V通信可靠性的前提下,提高了V2I的信道容量。     

两种隧道场景下车对车无线信道衰落特性的测量与分析

针对车-车(vehicle to rechicle, V2V)通信系统对无线电信道衰落特性和模型的需求,分别在两种隧道场景中5.9 GHz和5.2 GHz频段下进行了V2V无线电信道测量活动,并对隧道外、隧道内和两者之间的连接部分场景进行了小尺度衰落特性分析. 基于近距离(close-in, CI)对数模型和ABG (α-β-γ)模型建立了基于距离的接收功率模型,对两种场景隧道内外的接收功率进行了评估和比较,路径损耗指数分别为1.83和1.9,结果表明参考距离为1 m的CI对数模型具有更高的拟合度. 此外,将测量数据幅度的衰落分布与五种典型的理论衰落分布进行比较分析,发现其特征更接近于具有最小拟合优度值的莱斯分布,且隧道内的莱斯K因子小于隧道外. 同时,给出了隧道内和隧道外之间连接处基于距离的莱斯K因子模型,发现连接处的K因子与距离无关,而隧道内的K因子随距离增大而减小.     

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle, V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit, GRU)和长短期记忆网络(Long Short-Term Memory, LSTM)的组合模型的车联网信道分配算法。算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行。在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure, V2I)链路的信道资源,实现网络效用最大化。仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了5个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%。     

基于CFR虚拟阵列天线的AOA室内定位

准确地估计信号的到达角（Angle Of Arrival,AOA）为实现在室内高精度定位提供了可能,为了能够准确地估计室内多径信号的AOA,并提取出直射路径的AOA信息进行定位,本文提出一种利用信道频率响应信息（Channel Frequency Response,CFR）扩展阵列天线的亚米级室内定位系统.首先,采集CFR信息进行AOA和信号到达时间（Time Of Arrival,TOA）的联合估计;其次,提出了一种基于AOA和TOA二维聚类信息的直射路径识别算法;另外,还提出了可视环境（Line Of Sight,LOS）以及非可视环境（Non Line Of Sight,NLOS）的识别算法,可以准确的判断出当前接收机相对发射机是处于LOS还是NLOS环境;最后,利用现有的三天线Wi-Fi设备在室内进行了测角以及定位测试,实验结果表明本文提出的定位系统在室内LOS和NLOS环境下分别可以达到中值误差为0.8m,1.3m的定位精度,可用于室内高精度定位.     

车联网通信技术简析

作为下一代智能交通的核心,车联网的研究为智能交通系统提供了解决方案。车联网通信的模式具体分为三种:车与车通信(V2V),车与路边基础设施通信(V2I),车与行人通信(V2P)三类,这三类统称为Vehicle to Everything(V2X)通信。本文对车联网中的上述三种通信模式作了简要的介绍和分析。     

基于Wi-Fi的室内实时角度定位算法

针对现有商用Wi-Fi接入点(Access Point,AP)天线的个数限制了基于多天线到达角(Angle of Arrival,AoA)高精度定位的问题,本文提出了一种基于Wi-Fi的室内实时角度定位算法.提出了基于Wi-Fi系统的角度估计算法,能够在天线数量以及快拍数少的情况下快速地估计直视(Line of Sight,LoS)路径的到达角,保证定位的实时性;利用IEEE 802.11 Saleh-Valenzuela(S-V)信道模型分析了多径信号对直达信号能量谱峰的影响;为了提高定位精度提出了基于天线选择的多AP联合定位算法;为了验证系统的有效性搭建了实时定位演示系统.本文通过实际测试验证了所提算法可以达到67％1.2m的定位精度,定位时延在0.5s以内.     

一种适用于战术通信环境的车对车信道模型

在战术通信环境下,机动车载平台间的无线信道特性更加复杂。传统移动信道模型没有考虑战术场景下的特殊因素对车对车信道的影响,所以此类模型不能应用于战术车载通信系统的设计和优化。为解决传统移动信道模型的局限性,该文提出一种适用于战术通信环境的车对车(Tactical-Vehicle-to-Vehicle, T-V2V)信道模型。该模型充分考虑了实际战术场景中两个车载平台间相互运动、方向性天线的对准问题以及地形地貌等因素对车对车信道的影响,并基于电平通过率(Lever Crossing Rate, LCR)和平均衰落持续时间(Average Duration of Fading, ADF)指标对所提模型进行统计分析。仿真结果表明,所提模型更加贴合战术通信实际情况,能够更为准确地反映出战术通信环境下的车对车信道的变化特性。最后,该文对影响T-V2V信道模型的相关因素进行了仿真分析,所得结果对战术车载通信系统的物理层设计具有重要参考价值。     

车联网信道特性综述

信道建模是设计无线通信系统的基础,为设计智慧交通系统,必须对车联网(vehicle to everything, V2X)信道进行深入研究. 文中首先总结了V2X标准化信道的特点,讨论了天线设置、非平稳特性以及毫米波对V2X信道的影响;然后对车与车(vehicle to vehicle, V2V)信道参数进行了描述,并分析了V2V信道三种建模方式的优缺点;最后提出将来需要做的工作.