CN112738764B - 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法 - Google Patents

一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法 Download PDF

Info

Publication number
CN112738764B
CN112738764B CN202011577660.8A CN202011577660A CN112738764B CN 112738764 B CN112738764 B CN 112738764B CN 202011577660 A CN202011577660 A CN 202011577660A CN 112738764 B CN112738764 B CN 112738764B
Authority
CN
China
Prior art keywords
vehicle
vector
time
representing
moment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011577660.8A
Other languages
English (en)
Other versions
CN112738764A (zh
Inventor
张奇勋
冯志勇
孙欢
尉志青
黄赛
张轶凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202011577660.8A priority Critical patent/CN112738764B/zh
Publication of CN112738764A publication Critical patent/CN112738764A/zh
Application granted granted Critical
Publication of CN112738764B publication Critical patent/CN112738764B/zh
Priority to US18/026,433 priority patent/US20240039590A1/en
Priority to PCT/CN2021/141756 priority patent/WO2022143561A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
    • H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
    • H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
    • H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B7/00—Radio transmission systems, i.e. using radiation field
    • H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
    • H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
    • H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
    • H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
    • H04B7/0842—Weighted combining
    • H04B7/086—Weighted combining using weights depending on external parameters, e.g. direction of arrival [DOA], predetermined weights or beamforming
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Radio Transmission System (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，涉及无线通信领域，首先，根据通信场景中双方车辆初始时刻的位置和姿态，得到波束角度的粗估计值，从下一时刻开始，根据发送波束角度的突变变化率判断车辆的状态；如果处于转向突变模式，计算接收信号的观测值
Figure DDA0002864411580000011
如果处于平滑变化模式，计算观测值
Figure DDA0002864411580000012
将不同模式下的观测值输入改进的粒子滤波算法中，进行波束细估计，得到优化值
Figure DDA0002864411580000013
和uk；并利用当前时刻的波束优化值，重新估计收发波束成形向量对给车辆进行调整，发送下一时刻导频信号；通过不断调整各个时刻的波束成形矢量，得到误差范围内的波束追踪。本发明提高角度突变情况下波束追踪的准确性与可靠性。

Description

一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法
技术领域
本发明涉及无线通信领域中5G宽带毫米波波束追踪技术，具体是一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法。
背景技术
针对自动驾驶车联网络宽带感知信息传输面临的频谱资源不足、通信链路容量受限以及时效性差的难题，采用毫米波宽带传输方法能够提高通信链路容量。与传统6GHz以下低频段相比，毫米波高频段可以提供数十吉比特传输速率，是车联网宽带感知信息高效传输的候选技术之一。但是，毫米波频段信号穿透能力弱、信道质量易受高动态环境影响和物体遮挡，无线电波经反射、散射和绕射导致多径和衰落更明显，车间通信链路质量恶化导致接收端误码率升高。通过采用天线阵列和波束赋形技术生成定向性窄波束信号，可以提高车间毫米波通信链路的信号质量和可靠性。但是，如何对定向窄波束信号进行波束对准和追踪是高动态车联网移动场景面临的难题。
车联网络拓扑高动态变化、无线信号传播路径快速生灭和信道非平稳特性显著，是车辆高动态移动场景中毫米波波束对准与追踪技术面临的重大挑战。已有研究仅考虑在路边基站侧位置固定场景的车联网毫米波通信场景，尚未考虑收发两端同时具有高移动性的车间毫米波通信场景，无法科学表征非线性快变波束与车辆移动轨迹之间的本质关系，也无法解决车辆高动态环境下毫米波窄波束方位快速认知和波束精准控制的问题。
对于现有宽带毫米波波束追踪技术，存在以下两个方面的提升空间。
第一，目前的波束追踪方案没有考虑收发两端同时具有高移动性的车间毫米波通信场景，并不能解决车辆间可靠的毫米波通信问题，且无法科学表征非线性快变波束与车辆移动轨迹之间的本质关系。
第二，在车辆转弯变道极端场景下，并没有考虑由车辆转向运动产生的对车间波束角度突变的影响，收发两端间的波束角度难于追踪。
所以，目前的波束追踪方案无法充分利用车辆行为认知实现快速准确的波束追踪并保证车联网络的宽带可靠移动通信。
发明内容
本发明考虑了高动态环境下，建立车辆之间毫米波通信链路面临的波束追踪时，针对车辆转弯变道极端情况下导致车间波束角度突变难于追踪的问题，提出一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，运用车辆运动特性认知辅助的改进粒子滤波毫米波波束追踪，降低波束追踪失败概率、提高波束追踪的准确性与可靠性，实现车联网络的宽带可靠移动通信。
具体步骤如下：
步骤一、在车联V2V通信***中，构建车辆通信的简化动态运动场景；
场景中包括：通信双方车辆(即发送端车辆A和接收端车辆B)，周围车辆，以及周围的建筑物；
通信双方车辆在具有三车道的二维(2-D)道路拐角处行驶，车辆A和车辆B均采用单RF链的均匀平面毫米波相控阵天线模组；
步骤二、针对时刻k，计算水平方向上通信双方车辆之间的距离dTX,RX[k]；
初始k＝0；
公式如下：
Figure BDA0002864411560000021
(pTX,x[k]，pTX,y[k])为发送端车辆A时刻k的位置；(pRX,x[k]，pRX,y[k])为接收端车辆B时刻k的位置；
步骤三、基于时刻k的通信双方车辆位置，结合车辆的姿态信息，得出时刻k的发送端波束角度AoD和接收端波束角度AoA的粗估计值；
二元变量组
Figure BDA00028644115600000210
φazi[k]表示发送端车辆A在时刻k波束角度AoD的水平分量，θazi[k]表示接收端车辆B在时刻k波束角度AoA的水平分量；
Figure BDA0002864411560000022
Figure BDA0002864411560000023
为时刻k波束角度AoA的粗估计值；
Figure BDA0002864411560000024
为时刻k波束角度AoD的粗估计值；βk为时刻k车辆转弯时收发天线间的转向夹角；w[k]为时刻k发送端车辆A波束角度的突变变化率；Δt表示相邻时刻k和时刻k-1的时间间隔。
Figure BDA0002864411560000025
表示在水平方向上波束角度AoD的平滑变化率；
二元变量组
Figure BDA0002864411560000026
φele[k]表示时刻k波束角度AoD的俯仰分量，θele[k]表示时刻k波束角度AoA的俯仰分量；
Figure BDA0002864411560000027
Figure BDA0002864411560000028
为时刻k第l条路径上波束角度AoA的粗估计值；
Figure BDA0002864411560000029
为时刻k第l条路径上波束角度AoD的粗估计值；|HTX-HRX|为车辆的高度差；HTX为发送端车辆A的高度；HRX为接收端车辆B的高度；
Figure BDA0002864411560000031
表示在俯仰方向上波束角度AoD的平滑变化率。
步骤四、发送端车辆A在时刻k＝0按波束角度AoD和AoA的粗估计值，计算发送波束成形矢量f0和接收波束的成形向量w0，并发射导频信号q；
利用发送波束向量的估计值
Figure BDA0002864411560000032
计算波束成形矢量f0。
利用接收波束向量的估计值
Figure BDA0002864411560000033
计算波束的成形向量w0。
步骤五、从时刻k＝1开始，判断发送端车辆A波束角度的突变变化率是否满足w(n)[k]≠0，如果是，则进入步骤六；否则，进入步骤七；
突变变化率w(n)[k]是根据时刻k车辆转弯时收发天线间的转向夹角βk以及发送端车辆A弯道半径r得到；
步骤六、当前发送端车辆A的状态处于转向突变模式，计算时刻k接收信号的观测值
Figure BDA00028644115600000315
方程如下：
Figure BDA0002864411560000034
其中，ραk为路径的信道增益；
Figure BDA0002864411560000035
表示接收波束的成形向量的转置矩阵；
Figure BDA0002864411560000036
表示发送波束的成形向量；
Figure BDA0002864411560000037
表示接收波束向量的估计值；
Figure BDA0002864411560000038
表示发送波束向量的估计值的转置矩阵；
Figure BDA0002864411560000039
表示观测过程中的高斯白噪声向量。
步骤七、当前发送端车辆A的状态处于平滑变化模式，计算时刻k接收信号的观测值
Figure BDA00028644115600000310
方程如下：
Figure BDA00028644115600000311
wk-1为时刻k-1接收波束的成形向量；fk-1为时刻k-1发送波束成形向量；
步骤八、将观测值
Figure BDA00028644115600000312
或观测值yk输入改进的粒子滤波算法中，进行波束细估计，得到波束角度AoD和AoA的优化值
Figure BDA00028644115600000313
和波束角度估计均方误差uk；
具体为：
首先，对每条传播路径，根据信道增益和波束角度计算离散的信道状态矢量：
定义为：
x[k]＝[αRe[k],αIm[k],
Figure BDA00028644115600000314
其中，αRe[k]表示信道增益α[k]的实部分量，αIm[k]表示信道增益α[k]的虚部分量；
进一步，对信道状态矢量修改为含有突变变化率和噪声的矩阵形式的状态方程；
表示为:
x[k]＝Φx[k-1]+Ωw[k]+u[k]
Figure BDA0002864411560000041
其中，
Figure BDA0002864411560000042
表示高斯白噪声向量。P＝diag(ρ,ρ)表示信道系数对角阵，ρ表示信道系数；E＝diag(1,1,1,1)表示波束系数对角阵，R＝diag(mφ,mθ,nφ,nθ)表示波束角度AoD和AoA相关系数的对角阵，{mφ,mθ,nφ,nθ}∈(0，1)Q＝diag(Δt,Δt,Δt,Δt)表示迭代时间差的相关系数对角阵，U＝diag[Δt,Δt,0,0]T表示相关系数对角阵。
然后，针对观测值
Figure BDA0002864411560000043
的粒子进行权重更新，方式为：
Figure BDA0002864411560000044
Figure BDA0002864411560000045
表征时刻k的粒子更新前的初始权值；
Figure BDA0002864411560000046
w(n)[k]}表征包含时刻k的信道状态矢量、波束角度的平滑变化率和突变变化率的状态方程；
针对观测值
Figure BDA0002864411560000047
的粒子进行权重更新，方式为：
Figure BDA0002864411560000048
然后，利用更新后的粒子进行权值归一化和重采样：
Figure BDA0002864411560000049
Figure BDA00028644115600000410
Np表示粒子总个数；x(j)[k]表示第j个粒子的信道状态矢量；
Figure BDA00028644115600000411
表示第j个粒子的粒子权值；
最后，利用信道状态矢量和更新的粒子权重，得到波束角度AoD和AoA的优化值：
Figure BDA00028644115600000412
Figure BDA00028644115600000413
步骤九、利用时刻k的波束状态优化值
Figure BDA00028644115600000414
和波束角度估计均方误差uk，重新估计发送波束成形向量fk和接收波束成形向量wk，并将发送波束成形向量fk的估计值发送给车辆A进行调整，按调整后的波束成形矢量fk发送时刻k+1的导频信号q。
步骤十、返回步骤三，不断调整各个时刻的波束成形矢量，直至调整后的波束成形矢量与真实的波束之间的误差符合设定的阈值范围，完成波束追踪。
本发明的优点在于：
1)、本发明一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，基于改进的粒子滤波波束追踪方法，根据车辆位置-姿态信息预测波束角度是否发生突变(状态方程中突变变化率是否非零)，执行不同的粒子权值更新策略，可以提高角度突变情况下波束追踪的准确性与可靠性。
2)、本发明一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，提出了基于车辆位置-姿态信息进行波束角度粗预测，作为粒子滤波的初始输入值来辅助改进粒子滤波算法进行波束角度进一步细估计，可有效提升波束追踪的时效性与准确性。
3)、本发明一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，为了有效表征非线性快变波束与车辆移动轨迹之间的本质关系，构建车辆行为和波束角度变化率之间的关联矩阵，可有效基于车辆行为辅助波束追踪。
附图说明
图1是本发明一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法的流程图；
图2是本发明一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法的场景图；
图3是本发明采用的改进的粒子滤波算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明是在车联V2V通信场景下，保证车间信链路质量的毫米波波束追踪的方案；具体为：在车联网高速非线性运动的典型场景下，利用波束角度变化和车辆移动轨迹，结合直射和散射多种路径的频繁快速交替变化对车联V2V通信的影响，实现高可靠的波束追踪，以保证通信链路连接的持续性和高效性。然而，现有研究工作仅考虑在路边基站侧位置固定场景的车联网毫米波通信场景，尚未考虑收发两端同时具有高移动性的车间毫米波通信场景，缺乏针对车辆运动特性、窄波束方向性快速准确认知的理论与波束控制方法研究，无法满足未来自动驾驶典型场景的车辆间超宽带低时延信息共享要求。同时，车辆高动态运动及转弯变道等行为将导致通信收发端之间的相对方位角突变，这也增大了毫米波波束追踪的难度。
针对上述问题，本发明针对车联V2V通信场景下的宽带毫米波波束追踪问题，考虑到波束角度变化和车辆运动轨迹行为之间的关联关系，提出车辆运动轨迹认知辅助的改进粒子滤波波束追踪方法。在宽带毫米波通信***中，该方案相比已有的方案降低波束追踪失败概率、能大幅度提升波束追踪的准确性与可靠性，实现车联网络的宽带可靠移动通信。
本发明主要解决的技术问题包括两点：
1)考虑车辆移动轨迹对毫米波波束角度变化的影响，表征非线性快变波束与车辆移动轨迹之间的本质关系，用以辅助波束追踪。
2)考虑到收发两端同时具有高移动性的车间毫米波通信场景中，车间波束角度突变难于追踪，提出车辆行为认知辅助的改进粒子滤波波束追踪方法，降低波束追踪失败概率、提高波束追踪的准确性与可靠性。
本发明提出利用车辆位置-姿态转向信息确定波束搜索空间子集，建模车辆行为和波束角度变化率之间的关系，并基于改进的粒子滤波算法对先验信息以及波束角度非线性变化过程进行追踪。如图1所示，具体步骤如下：
步骤一、在车联V2V通信***中，构建车辆通信的简化动态运动场景；
观察到的车辆和周围物体的潜在移动性导致通信链路的高质量变化，如图2所示，场景中包括：通信双方车辆(即发送端车辆A和接收端车辆B)，周围车辆，以及周围的建筑物；
通信双方车辆在具有三车道的二维(2-D)道路拐角处行驶，车辆A和车辆B均采用单RF链的均匀平面毫米波相控阵天线(uniform planar array,UPA)模组；Nt表示接收端阵列天线的尺寸；Nr表示发送端阵列天线的尺寸；
周围的建筑物例如：道路标志，树木和道路上的周围车辆是复杂车辆环境中的重要物体，其导致接收信号衰减和反射。通常，LOS路径很少被静态周围环境阻挡，但经常被周围的车辆阻挡。如果未检测到LOS路径，则来自车辆的NLOS反射路径将成为主路径，由于毫米波的损耗性，实际测得的反射路径的接收信号强度很弱，不足以作为可靠的观测值。
因此，本发明考虑的动态运动模型的环境特征，满足在周围车辆没有遮挡的情况下，通信双方车辆间一定存在LOS通信链路的。若通信双方车辆间受周围车辆阻挡，不存在LOS路径，可考虑重新建立新的通信双方，借助原收发双方与其他车辆建立新的通信***。
步骤二、针对时刻k，计算水平方向上通信双方车辆之间的距离dTX,RX[k]；
初始k＝0；
公式如下：
Figure BDA0002864411560000061
(pTX,x[k]，pTX,y[k])为发送端车辆A时刻k的位置；(pRX,x[k]，pRX,y[k])为接收端车辆B时刻k的位置；
步骤三、基于时刻k的通信双方车辆位置，结合车辆的姿态信息，得出时刻k的波束角度AoD和AoA的粗估计值；
当收发两端车辆行驶在直道上，收发两端天线保持平行关系，满足
Figure BDA0002864411560000062
此时，收发天线间转向夹角βk＝0；当在转弯变道时，βk≠0并由突变变化率计算得出，综上，基于车辆位置-姿态信息得出粗估计的波束角度AoD和AoA的水平分量为：
Figure BDA0002864411560000071
二元变量组
Figure BDA0002864411560000072
φazi[k]表示发送端车辆A在时刻k波束角度AoD的水平分量，θazi[k]表示接收端车辆B在时刻k波束角度AoA的水平分量；
Figure BDA0002864411560000073
为时刻k波束角度AoA的粗估计值；
Figure BDA0002864411560000074
为时刻k波束角度AoD的粗估计值；βk为时刻k车辆转弯时收发天线间的转向夹角；w[k]为时刻k发送端车辆A波束角度的突变变化率；Δt表示相邻时刻k和时刻k-1的时间间隔。
Figure BDA0002864411560000075
表示在水平方向上波束角度AoD的平滑变化率；
在俯仰方向上，波束角度AoD和AoA的俯仰分量不受车辆转向行为的影响，仅却决于车辆的高度差|HTX-HRX|和车辆之间的水平距离dTX,RX[k]。因此，基于车辆位置-高度信息得出粗估计的波束角度AoD和AoA的俯仰分量如下：
Figure BDA0002864411560000076
二元变量组
Figure BDA0002864411560000077
φele[k]表示时刻k波束角度AoD的俯仰分量，θele[k]表示时刻k波束角度AoA的俯仰分量；
Figure BDA0002864411560000078
为时刻k第l条路径上波束角度AoA的粗估计值；
Figure BDA0002864411560000079
为时刻k第l条路径上波束角度AoD的粗估计值；HTX为发送端车辆A的高度；HRX为接收端车辆B的高度；
Figure BDA00028644115600000710
表示在俯仰方向上波束角度AoD的平滑变化率。
步骤四、发送端车辆A在时刻k＝0按波束角度AoD和AoA的粗估计值，计算发送波束成形矢量f0和接收波束的成形向量w0，并发射导频信号q；
利用发送波束向量的估计值
Figure BDA00028644115600000711
计算波束成形矢量f0。
利用接收波束向量的估计值
Figure BDA00028644115600000712
计算波束的成形向量w0。
步骤五、从时刻k＝1开始，判断发送端车辆A波束角度的突变变化率是否满足w(n)[k]≠0，如果是，则进入步骤六；否则，进入步骤七；
突变变化率w(n)[k]是根据时刻k车辆转弯时收发天线间的转向夹角βk以及发送端车辆A弯道半径r得到；
步骤六、当前发送端车辆A的状态处于转向突变模式，计算时刻k接收信号的观测值yk；
当车辆转弯时，由于角度突变率w(n)[k]≠0，相邻时刻的波束角度因为发生突变，将波束角度粗估计值
Figure BDA00028644115600000713
代入
Figure BDA00028644115600000714
得到发送波束成形向量
Figure BDA00028644115600000715
和接收波束成形向量
Figure BDA00028644115600000716
考虑到毫米波信道稀疏性，接收端车辆接收到发射机发送的导频q后，新的观测值
Figure BDA00028644115600000717
如下：
Figure BDA0002864411560000081
其中，ραk为路径的信道增益；
Figure BDA0002864411560000082
表示接收波束的成形向量的转置矩阵：
Figure BDA0002864411560000083
Figure BDA0002864411560000084
表示发送波束的成形向量：
Figure BDA0002864411560000085
Figure BDA0002864411560000086
表示接收波束向量的估计值；
Figure BDA0002864411560000087
表示发送波束向量的估计值的转置矩阵；
Figure BDA0002864411560000088
表示观测过程中的高斯白噪声向量。
Hk表示时刻k的信道矩阵：
Figure BDA0002864411560000089
Lp＝Lcs*Lm表示传播路径的总条数。其中，Lcs表示簇的个数，Lm表示每个簇中的传播路径条数。φij和θij表示第i簇中第j条传播路径对应的波束发送角(angle-of-departure,AoD)和波束到达角(angle-of-arrival,AoA)。
Figure BDA00028644115600000810
和αij,k表示对应路径的信道增益，(*)H是共轭转置运算符。
为了简化表示：
Hk＝Ar(Θk)GkAt(Φk)H
其中，
Figure BDA00028644115600000811
Figure BDA00028644115600000812
Figure BDA00028644115600000813
由于收发两端的车辆具有移动性，信道矩阵具有时变性，在时刻k+1，信道矩阵Hk+1可以表示为：
Hk+1＝Ar(Θk+1)Gk+1At(Φk+1)H
步骤七、当前发送端车辆A的状态处于平滑变化模式，计算时刻k接收信号的观测值
Figure BDA00028644115600000814
方程如下：
Figure BDA0002864411560000091
wk-1为时刻k-1接收波束的成形向量；fk-1为时刻k-1发送波束成形向量；
步骤八、将观测值
Figure BDA0002864411560000092
或观测值
Figure BDA0002864411560000093
输入改进的粒子滤波算法中，进行波束细估计，得到波束角度AoD和AoA的优化值
Figure BDA0002864411560000094
和波束角度估计均方误差uk；
如图3所示，首先输入各变量初始值：
Figure BDA0002864411560000095
u0,
Figure BDA0002864411560000096
ck；粒子从n＝1开始，当n＜Np时，生成粒子
Figure BDA0002864411560000097
并分配权重
Figure BDA0002864411560000098
然后，根据转向命令的随机过程ck计算角度突变变化率w(n)[k]，并更新状态方程：x*(n)[k]＝Φx*(n)[k-1]+Ωw(n)[k]+u(n)[k]，根据角度变化w(n)[k]是否为0，执行不同的粒子权值更新策略，若满足条件w(n)[k]≠0，判断当前状态处于转向突变模式，反之，处于平滑变化模式。对不同模式下的粒子权重进行更新后，做归一化和重采样操作，最后输出波束状态优化值
Figure BDA00028644115600000915
和波束角度估计均方误差uk；然后选择下一个粒子，重复上述过程。
具体为：
首先，提取信道模型中的增益和波束角度变量表示信道状态，对每条传播路径，将离散的信道状态矢量定义为：
x[k]＝[αRe[k],αIm[k],
Figure BDA0002864411560000099
其中，αRe[k]表示信道增益α[k]的实部分量，αIm[k]表示信道增益α[k]的虚部分量；二元变量组
Figure BDA00028644115600000910
表示在水平方向上AoD和AoA的平滑变化率；二元变量组
Figure BDA00028644115600000911
表示在俯仰方向上AoD和AoA的平滑变化率。
假设AoD和AoA在水平方向和俯仰方向上的平滑变化率服从高斯随机过程，其中，{mφ,mθ,nφ,nθ}∈(0，1)表示相关系数，
Figure BDA00028644115600000912
表示高斯白噪声向量。
Figure BDA00028644115600000913
此外，在转弯情况下，车辆转向行为会引起波束角度突变。假设时刻k，车辆速度v[k]，转弯半径为r，由于车辆转向行为引起的波束角度变化量表示为βk，波束角度突变变化率w[k]可以表示为：
Figure BDA00028644115600000914
则，信道状态矢量修改为含有突变变化率和噪声的矩阵形式的状态方程；
表示为:
x[k]＝Φx[k-1]+Ωw[k]+u[k]
Figure BDA0002864411560000101
其中，
Figure BDA0002864411560000102
表示高斯白噪声向量。P＝diag(ρ,ρ)表示信道系数对角阵，ρ表示信道系数；E＝diag(1,1,1,1)表示波束系数对角阵，R＝diag(mφ,mθ,nφ,nθ)表示波束角度AoD和AoA相关系数的对角阵，{mφ,mθ,nφ,nθ}∈(0，1)Q＝diag(Δt,Δt,Δt,Δt)表示迭代时间差的相关系数对角阵，U＝diag[Δt,Δt,0,0]T表示相关系数对角阵。
然后，针对观测值
Figure BDA0002864411560000103
的粒子进行权重更新，方式为：
Figure BDA0002864411560000104
Figure BDA0002864411560000105
表征时刻k的粒子更新前的初始权值；
基于信道状态矢量和提出的状态方程，波束角度AoD和AoA的变化过程可以建模为信道状态矢量的变化过程。并且，用
Figure BDA00028644115600001016
表征时刻k的信道状态矢量、波束角度的平滑变化率和突变变化率的状态方程，则基于接收信号的观测方程可以表示为：
Figure BDA0002864411560000107
针对观测值
Figure BDA0002864411560000108
的粒子进行权重更新，方式为：
Figure BDA0002864411560000109
然后，利用更新后的粒子进行权值归一化和重采样：
Figure BDA00028644115600001010
Figure BDA00028644115600001011
Np表示粒子总个数；x(j)[k]表示第j个粒子的信道状态矢量；
Figure BDA00028644115600001012
表示第j个粒子的粒子权值；
最后，利用信道状态矢量和更新的粒子权重，得到波束角度AoD和AoA的优化值：
Figure BDA00028644115600001013
Figure BDA00028644115600001014
步骤九、利用时刻k的波束状态优化值
Figure BDA00028644115600001015
和波束角度估计均方误差uk，重新估计发送波束成形向量fk和接收波束成形向量wk，并将发送波束成形向量fk的估计值发送给车辆A进行调整，按调整后的波束成形矢量fk发送时刻k+1的导频信号q。
步骤十、返回步骤三，不断调整各个时刻的波束成形矢量，直至调整后的波束成形矢量与真实的波束之间的误差符合设定的阈值范围，完成波束追踪。
本发明基于波束状态方程x[k]和观测方程y[k]，提出改进的粒子滤波算法，将基于车辆位置-姿态信息进行波束角度粗预测值作为输入值，通过粒子的权值更新对非线性变化的波束角度进行细估计。根据转向命令的随机过程ck计算角度突变变化率w(n)[k]，改进的粒子滤波算法会根据角度变化是否发生突变，即w(n)[k]是否为0，执行不同的粒子权值更新策略，若满足条件w(n)[k]≠0，判断当前状态处于转向突变模式，反之，处于平滑变化模式。当处于模式A时，角度突变率w(n)[k]＝0，相邻时刻的波束角度变化量较小，最后得到波束状态方程中包含波束角度的各个参量的估计值。
本发明相比于现有技术，首先基于波束状态方程，构建车辆行为和波束角度变化率之间的关联矩阵，可有效表征非线性快变波束与车辆移动轨迹之间的本质关系。其次，由于现有技术并未考虑到在车辆转弯变道极端场景下，由车辆转向运动产生的对车间波束角度突变的影响，为了解决收发两端同时具有高移动性的车间毫米波通信场景中车间波束角度突变难于追踪的问题，提出车辆行为认知辅助的改进粒子滤波波束追踪方法，降低波束追踪失败概率、提高波束追踪的准确性与可靠性，实现车联网络的宽带可靠移动通信。

Claims (2)

1.一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，其特征在于，具体步骤如下：
步骤一、在车联V2V通信***中，构建车辆通信的简化动态运动场景；
步骤二、针对时刻k，计算水平方向上通信双方车辆之间的距离dTX,RX[k]；
初始k＝0；
步骤三、基于时刻k的通信双方车辆位置，结合车辆的姿态信息，得出时刻k的发送端波束角度AoD和接收端波束角度AoA的粗估计值；
二元变量组
Figure FDA0003357235430000011
φazi[k]表示发送端车辆A在时刻k波束角度AoD的水平分量，θazi[k]表示接收端车辆B在时刻k波束角度AoA的水平分量；
Figure FDA0003357235430000012
Figure FDA0003357235430000013
为时刻k波束角度AoA的粗估计值；
Figure FDA0003357235430000014
为时刻k波束角度AoD的粗估计值；βk为时刻k车辆转弯时收发天线间的转向夹角；(pTX,x[k]，pTX,y[k])为发送端车辆A时刻k的位置；(pRX,x[k]，pRX,y[k])为接收端车辆B时刻k的位置；w[k]为时刻k发送端车辆A波束角度的突变变化率；Δt表示相邻时刻k和时刻k-1的时间间隔；
Figure FDA0003357235430000015
表示在水平方向上波束角度AoD的平滑变化率；
二元变量组
Figure FDA0003357235430000016
φele[k]表示时刻k波束角度AoD的俯仰分量，θele[k]表示时刻k波束角度AoA的俯仰分量；
Figure FDA0003357235430000017
Figure FDA0003357235430000018
为时刻k第l条路径上波束角度AoA的粗估计值；
Figure FDA0003357235430000019
为时刻k第l条路径上波束角度AoD的粗估计值；|HTX-HRX|为车辆的高度差；HTX为发送端车辆A的高度；HRX为接收端车辆B的高度；
Figure FDA00033572354300000110
表示在俯仰方向上波束角度AoD的平滑变化率；
步骤四、发送端车辆A在时刻k＝0按波束角度AoD和AoA的粗估计值，计算发送波束成形矢量f0和接收波束的成形向量w0，并发射导频信号q；
利用发送波束向量的估计值
Figure FDA00033572354300000111
计算波束成形矢量f0；
利用接收波束向量的估计值
Figure FDA00033572354300000112
计算波束的成形向量w0；
步骤五、从时刻k＝1开始，判断发送端车辆A波束角度的突变变化率是否满足w(n)[k]≠0，如果是，则进入步骤六；否则，进入步骤七；
突变变化率w(n)[k]是根据时刻k车辆转弯时收发天线间的转向夹角βk以及发送端车辆A弯道半径r得到；
步骤六、当前发送端车辆A的状态处于转向突变模式，计算时刻k接收信号的观测值
Figure FDA0003357235430000021
方程如下：
Figure FDA0003357235430000022
其中，ραk为路径的信道增益；
Figure FDA0003357235430000023
表示接收波束的成形向量的转置矩阵；
Figure FDA0003357235430000024
表示发送波束的成形向量；
Figure FDA0003357235430000025
表示接收波束向量的估计值；
Figure FDA0003357235430000026
表示发送波束向量的估计值的转置矩阵；
Figure FDA0003357235430000027
表示观测过程中的高斯白噪声向量；
步骤七、当前发送端车辆A的状态处于平滑变化模式，计算时刻k接收信号的观测值
Figure FDA0003357235430000028
方程如下：
Figure FDA0003357235430000029
wk-1为时刻k-1接收波束的成形向量；fk-1为时刻k-1发送波束成形向量；
步骤八、将观测值
Figure FDA00033572354300000210
或观测值
Figure FDA00033572354300000211
输入改进的粒子滤波算法中，进行波束细估计，得到波束角度AoD和AoA的优化值
Figure FDA00033572354300000212
和波束角度估计均方误差uk；
具体为：
首先，粒子从n＝1开始，当n＜Np时，生成粒子
Figure FDA00033572354300000213
并分配权重
Figure FDA00033572354300000214
Np表示粒子总个数；
然后，根据转向命令的随机过程ck计算角度突变变化率w(n)[k]，并更新状态方程：
x[k]＝Φx[k-1]+Ωw[k]+u[k]
Figure FDA00033572354300000215
其中，
Figure FDA00033572354300000216
表示高斯白噪声向量；P＝diag(ρ,ρ)表示信道系数对角阵，ρ表示信道系数；E＝diag(1,1,1,1)表示波束系数对角阵，R＝diag(mφ,mθ,nφ,nθ)表示波束角度AoD和AoA相关系数的对角阵，{mφ,mθ,nφ,nθ}∈(0，1)Q＝diag(Δt,Δt,Δt,Δt)表示迭代时间差的相关系数对角阵，U＝diag[Δt,Δt,0,0]T表示相关系数对角阵；
接着，根据角度变化w(n)[k]是否为0，执行不同的粒子权值更新策略，若满足条件w(n)[k]≠0，判断当前状态处于转向突变模式，反之，处于平滑变化模式；
平滑变化模式下对观测值
Figure FDA00033572354300000217
的粒子进行权重更新，方式为：
Figure FDA00033572354300000218
Figure FDA00033572354300000219
表征时刻k的粒子更新前的初始权值；
Figure FDA00033572354300000220
表征包含时刻k的信道状态矢量、波束角度的平滑变化率和突变变化率的状态方程；
根据信道增益和波束角度计算离散的信道状态矢量，定义为：
Figure FDA0003357235430000031
其中，αRe[k]表示信道增益α[k]的实部分量，αIm[k]表示信道增益α[k]的虚部分量；
转向突变模式下对观测值
Figure FDA0003357235430000032
的粒子进行权重更新，方式为：
Figure FDA0003357235430000033
继续，利用更新后的粒子进行权值归一化和重采样：
Figure FDA0003357235430000034
Figure FDA0003357235430000035
x(j)[k]表示第j个粒子的信道状态矢量；
Figure FDA0003357235430000036
表示第j个粒子的粒子权值；
最后，利用信道状态矢量和更新的粒子权重，得到波束角度AoD和AoA的优化值：
Figure FDA0003357235430000037
Figure FDA0003357235430000038
得到当前粒子对应的最优值
Figure FDA0003357235430000039
后，n自增1，选择下一个粒子重复上述过程；
步骤九、利用时刻k的波束状态优化值
Figure FDA00033572354300000310
和波束角度估计均方误差uk，重新估计发送波束成形向量fk和接收波束成形向量wk，并将发送波束成形向量fk的估计值发送给车辆A进行调整，按调整后的波束成形矢量fk发送时刻k+1的导频信号q；
步骤十、返回步骤三，不断调整各个时刻的波束成形矢量，直至调整后的波束成形矢量与真实的波束之间的误差符合设定的阈值范围，完成波束追踪。
2.如权利要求1所述的一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法，其特征在于，步骤一所述的场景中包括：通信双方车辆，周围车辆，以及周围的建筑物；通信双方车辆在具有三车道的二维道路拐角处行驶，车辆A和车辆B均采用单RF链的均匀平面毫米波相控阵天线模组。
CN202011577660.8A 2020-12-28 2020-12-28 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法 Active CN112738764B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202011577660.8A CN112738764B (zh) 2020-12-28 2020-12-28 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法
US18/026,433 US20240039590A1 (en) 2020-12-28 2021-12-27 Broadband millimeter wave beam tracking method based on vehicle motion trajectory cognition
PCT/CN2021/141756 WO2022143561A1 (zh) 2020-12-28 2021-12-27 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011577660.8A CN112738764B (zh) 2020-12-28 2020-12-28 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法

Publications (2)

Publication Number Publication Date
CN112738764A CN112738764A (zh) 2021-04-30
CN112738764B true CN112738764B (zh) 2021-12-24

Family

ID=75606488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011577660.8A Active CN112738764B (zh) 2020-12-28 2020-12-28 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法

Country Status (3)

Country Link
US (1) US20240039590A1 (zh)
CN (1) CN112738764B (zh)
WO (1) WO2022143561A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112738764B (zh) * 2020-12-28 2021-12-24 北京邮电大学 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法
CN113543017B (zh) * 2021-06-02 2022-07-29 北京邮电大学 毫米波车联网的波束切换方法及相关设备
CN113746581B (zh) * 2021-09-09 2022-06-17 南京航空航天大学 一种基于粒子滤波的三维毫米波波束跟踪方法
CN114285442B (zh) * 2021-12-31 2023-10-13 南京国博电子股份有限公司 一种基于列车位置触发的波束跟踪方法
CN115412844B (zh) * 2022-08-25 2024-05-24 北京大学 一种基于多模态信息联觉的车联网波束实时对准方法
CN115603789B (zh) * 2022-11-29 2023-03-14 广东越新微***研究院 一种高动态毫米波定向窄波束的生成和跟踪方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014036150A1 (en) * 2012-08-28 2014-03-06 Interdigital Patent Holdings, Inc. Method for handover of a communication link using a primary beam
CN110044371A (zh) * 2018-01-16 2019-07-23 华为技术有限公司 一种车辆定位的方法以及车辆定位装置
US10827548B2 (en) * 2018-10-19 2020-11-03 Toyota Jidosha Kabushiki Kaisha Efficient beam tracking for vehicular millimeter wave communication
CN110429964B (zh) * 2019-06-14 2020-12-29 清华大学 一种基于二维相控天线阵列的快速精确波束跟踪方法
CN110492911B (zh) * 2019-07-10 2021-10-15 鹰潭泰尔物联网研究中心 一种用于无人机通信的波束追踪方法与***
KR102239277B1 (ko) * 2019-08-09 2021-04-12 엘지전자 주식회사 자율 주행 시스템에서 차량의 무선 통신을 위한 방법 및 장치
CN111918238B (zh) * 2020-07-30 2021-12-03 厦门大学 车联网v2i下行链路波束控制方法及装置
CN111988126B (zh) * 2020-09-14 2021-10-01 北京邮电大学 毫米波车联网下的信道追踪方法、装置、电子设备及介质
CN112738764B (zh) * 2020-12-28 2021-12-24 北京邮电大学 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于射线跟踪的车联网毫米波信道准平稳区间研究;崔壮壮等;《电波科学学报》;20171015(第05期);全文 *
室外微蜂窝毫米波信道测试与射线追踪建模技术;何继勇等;《电力信息与通信技术》;20200825(第08期);全文 *
毫米波视距MIMO安全通信技术研究;王世练等;《电波科学学报》;20200815(第04期);全文 *

Also Published As

Publication number Publication date
US20240039590A1 (en) 2024-02-01
WO2022143561A1 (zh) 2022-07-07
CN112738764A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112738764B (zh) 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法
CN113489560B (zh) 一种无人机非平稳空地mimo信道的几何随机建模方法
CN113285897A (zh) 车联网环境下ris***中基于定位信息辅助的信道估计方法及***
CN112865846B (zh) 一种基于容积卡尔曼滤波的毫米波波束跟踪方法
CN111479239A (zh) 一种多天线无人机数据采集***的传感器发射能耗优化方法
CN112147600A (zh) 面向射频隐身和目标跟踪的多基雷达发射参数优化方法
Zhou et al. Path loss model based on cluster at 28 GHz in the indoor and outdoor environments
CN114584235A (zh) 基于感知的针对移动空中窃听者的上行通信安全方法
CN113438596B (zh) 一种面向北斗与5g融合的毫米波低时延波束赋形方法
CN113949474A (zh) 基于智能反射面辅助的无人机几何模型建立方法
Mahabal et al. Dual mode localization assisted beamforming for mmWave V2V communication
CN111372195B (zh) 移动通信网络中移动终端的位置追踪方法、设备及存储介质
CN116390114A (zh) 基于非视距链路识别的车联网感知辅助通信预波束对准方法
Hongyao et al. Beam tracking method based on reconfigurable intelligent surface for obstructed communication
CN112383336B (zh) 一种用于远距离高速飞行物体的波束追踪方法
Hashida et al. IRS-aided communications without channel state information relying on deep reinforcement learning
CN113093171A (zh) 基于目标跟踪的机载雷达路径与辐射资源联合优化方法
CN113162712A (zh) 一种基于传播图理论的多波束信道建模方法
CN118282438A (zh) 一种可重构智能反射面辅助的无线通信信道模型的相位补偿方法
Pu et al. Impact of perception errors on sensing assisted vehicle-to-vehicle communications
CN115603789B (zh) 一种高动态毫米波定向窄波束的生成和跟踪方法
Zhang et al. 5G Multi-Base Station Optimal Deployment for Communication and Illegal UAVs Detection
CN114567400B (zh) 一种基于几何随机的无人机空地mimo信道建模方法
Duggineni et al. Comparison of RLS, LMS and SMI Algorithms for Smart Antennas
CN114696932A (zh) 用于车联网通信的空时频非平稳无线通信信道建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant