CN116390114A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116390114A CN116390114A CN202310151290.9A CN202310151290A CN116390114A CN 116390114 A CN116390114 A CN 116390114A CN 202310151290 A CN202310151290 A CN 202310151290A CN 116390114 A CN116390114 A CN 116390114A
- Authority
- CN
- China
- Prior art keywords
- base station
- target
- line
- state information
- link
- 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.)
- Pending
Links
- 238000004891 communication Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008447 perception Effects 0.000 title claims abstract description 22
- 230000006855 networking Effects 0.000 claims abstract description 12
- 230000007704 transition Effects 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 3
- 238000002592 echocardiography Methods 0.000 abstract 1
- 239000013598 vector Substances 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
-
- 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
- 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
-
- 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]
- H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种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，通信基站基于接收到的感知信号回波提取目标物体的状态信息，基站结合感知到的物体状态信息与目标跟踪过程中预测的车辆状态信息判断当前时隙基站与目标车辆之间是否存在视距链路。若基站判断当前视距链路被障碍物阻断，则通过调整通信模式与目标车辆跟踪方案以保证基本的信息传输。若判断当前链路为视距链路，则基站基于目标车辆跟踪过程中预测的目标车辆位置提前进行波束对准，实现无开销的预波束对准。本发明通过回波信号感知，降低波束对准开销；同时通过非视距链路识别，有效解决了车联网通信场景中由动态障碍物引发的通信中断问题，提升链路可靠性与有效通信速率。
Description
技术领域
本发明属于通信技术领域，尤其涉及一种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。
背景技术
V2X(Vehicle-to-everything,车辆到一切)通信技术在下一代自动驾驶车辆与智能交通***中将扮演重要的角色，其数据传输需要达到毫秒级时延与吉比特级的传输速率。5G技术利用了大规模多输入多输出天线阵列和毫米波频段，被认为是实现V2X通信一种有前途的解决方案。一方面，毫米波频带中可用的大带宽能够提供更高数据速率的优势。另一方面，大规模多输入多输出天线阵列能够通过形成指向用户方向的波束来补偿施加在毫米波信号上的高路径损耗。为充分发挥大规模天线阵列发射定向波束对毫米波通信性能的增益，需要正确选择基站端发射的波束，现有的波束选择方式主要有以下几种方式：
(1)基于波束训练的方案，即基站端在通信前遍历自身码本中所有波束，最后选择运动终端接收信噪比最大的波束进行通信。该方式训练开销大，导致通信效率低，尤其是当天线规模巨大时，波束训练可能占用全部通信资源。
(2)基于分层码本搜索的方案，此类方法通常使用具有不同分辨率的码字进行分层训练，相较于基于穷举码本的方案开销更低。该方式码本设计复杂，且没有从根源上避免码本训练开销。
(3)基于传感器辅助的方案，通过在基站端配备独立的雷达传感设备来感知终端的位置信息，进而极大地减少基站进行波束训练的开销。该方式设备配置和维护的成本高。
相比于传统通信网络中终端的低移动性，车辆的高移动性与其运动轨迹的不确定性使得波束训练结果的时效性较差，波束失准的问题严重。这使得毫米波车载通信不仅要求波束对准，还要求对波束的方向进行预测，即预波束对准。
为了解决V2X通信面临的上述问题以及技术要求，由于毫米波大带宽带来的高距离分辨率以及大规模天线阵列带来的高角度分辨率使得通信***具有高精度感知能力，最近学术界提出了一种具有高频谱效率、低硬件开销的新技术——ISAC(integratedsensing and communication,感知通信一体化)技术。其中，感知与通信***被联合设计以共享相同的频段和硬件，可以提高频谱效率，降低硬件成本。在以通信为中心的ISAC***中，可以通过无线信号感知包括目标位置在内的周围环境的物理特征，从而降低波束训练的开销，获得比传统波束训练方案更高的性能增益，提高信息吞吐量和网络效率。基于此想法，最近有研究者提出使用DFRC(dual-functionalradarandcommunication,双功能雷达通信)信号同时对动态车辆进行波束对准与波束预测，其中基站定向波束的回波信号被用来估计目标车辆的状态信息，且使用卡尔曼滤波算法对目标状态信息进行跟踪与预测，通过向目标预测位置发送定向波束以实现预波束对准，省去了波束训练过程。
然而，尽管上述基于DFRC信号中的预波束对准设计能够极大降低毫米波车载通信的预波束对准的开销，但是其基于基站和目标车辆之间始终存在视距链路的假设难以成立。由于毫米波对阻塞很敏感，因而在现实通信场景中应考虑阻塞对通信链路的影响。这需要基站在发射定向波束与目标车辆进行通信之前，需要提前判断当前链路的阻塞状态以便于选择更加合适的通信策略。现有的非视距链路识别方法主要有：1)基于距离估计的方法；2)基于信道脉冲响应的方法；3)基于周围环境上下文感知的方法。这些方法通常有很高的实现复杂度，并且需要将链路识别的结果从终端反馈到基站，实现开销高，不适用于频繁需要进行非视距链路识别的高动态性车载通信场景。
基于对上述基于感知通信一体化技术对车载通信中预波束对准的方案分析，可以看出在车载通信中急需一种能够克服有非视距链路存在的动态链路场景下高效可靠的预波束对准方案。
发明内容
本发明目的在于提供一种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,通过在目标跟踪和预波束对准之前对当前链路状态进行判断并及时调整通信模式，可以提升高移动性车载网络在非视距链路情况下的通信性能，以解决在有非视距链路存在的动态链路场景中不能可靠进行预波束对准的技术问题。
为解决上述技术问题，本发明的具体技术方案如下：
一种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，包括以下步骤：
步骤1、当目标车辆进入基站覆盖区域时，基站使用传统波束训练方法估计目标状态信息，并向目标车辆发送定向波束以建立基站与目标车辆之间的通信链路；其中目标状态信息包括距离、方位角、速度以及信号反射系数，定向波束被目标车辆反射回基站形成回波信号；
步骤2、基站从定向波束的回波信号中获得对目标状态信息的观测，通过建立运动目标的状态转移模型，基站执行目标跟踪算法对目标状态信息进行跟踪与预测；
步骤3、基站利用从回波信号中提取的目标状态信息进行非视距链路识别；具体是：基站比较上一时隙中对目标状态信息的一步预测值与从当前时隙回波信号中获得的目标状态信息的估计值，判断当前时隙基站与目标车辆之间是否存在视距链路；
步骤4、基站根据非视距链路识别的结果调整与目标车辆之间的链路；具体是：若当前时隙链路被识别为非视距链路，则基站调整通信模式保证与目标车辆之间的必要数据通信；当前时隙的链路判断为视距链路，则无需进行链路调整，基站向预测的目标车辆位置方向发射定向波束以实现预波束对准；
步骤5、基站根据状态信息判断目标车辆是否仍在基站覆盖区域，若不在，基站将目标车辆移交给相邻基站并结束通信；若在，则基站重复步骤2至步骤4直至通信结束。
进一步的，步骤2中，对于每个回波信号，使用匹配滤波算法估计目标车辆的距离、速度、方位角以及反射系数。
进一步的，步骤2中，基站基于运动目标的状态转移模型，将从回波信号中提取的关于目标状态信息的观测作为目标跟踪算法的输入，修正对当前时隙目标状态信息的估计，并给出下一时隙目标状态信息的预测值。
进一步的，步骤3中，使用假设检验方法来判断当前时隙基站与目标车辆之间是否存在视距链路；具体是，若当前时隙存在视距链路，则目标车辆状态预测值与估计值之差认为是高斯白噪声变量，若当前时隙为非视距链路，则由于回波信号反射自障碍物而非目标车辆，状态预测值与估计值之差不为高斯白噪声变量。
进一步的，步骤4中，若当前链路被判断为非视距链路，则基站调整通信模式保证与目标车辆之间的必要数据通信，如基本安全信息(basic safety message,BSM)；同时，为避免非视距链路状态为目标状态信息跟踪带来的偏差，目标跟踪算法在跳过当前时隙目标状态信息估计值的情况下对下一时隙目标状态信息进行预测。
进一步的，基站使用目标跟踪算法修正对当前时隙目标状态信息的估计，并给出下一时隙目标状态信息的预测值之前，还包括：
对应于运动目标状态转移模型的状态转移噪声协方差矩阵Qs，对回波信号进行目标状态信息提取的观测噪声协方差矩阵Qm。
进一步的，基站使用假设检验方法进行当前链路状态判别之前，还包括：
障碍物与目标车辆的回波信号所包含的状态信息差值的概率分布：反射系数偏移的概率密度函数p(ρn b)，距离偏移的概率密度函数p(dn b)，速度偏移的概率密度函数p(vn b)；假设检验贝叶斯判决的门限γ。
本发明的一种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，具有以下优点：
(1)本方法用了步骤2的内容，能够充分利用毫米波信号的感知能力，从回波信号中提取的目标状态信息反映目标的实际运动状态，为基站提供最佳波束发射方向，从而大大降低波束对准的开销。
(2)本方法用了步骤3的内容，能够充分利用回波信号与车辆跟踪算法所提供的目标状态信息进行非视距链路识别，无上行反馈开销，复杂度低，适合高动态性车载通信场景。
(3)本方法用了步骤4的内容，能够根据非视距链路识别结果自适应调整通信链路及车辆跟踪算法，提升了在有障碍物存在的环境中车载通信的鲁棒性和可靠性。
附图说明
图1是本发明实施例提供的城市环境中车载通信示意图；
图2是本发明实施例提供的车辆运动状态转移模型示意图；
图3是本发明实施例提供的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流程示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能，下面结合附图，对本发明一种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做进一步详细的描述。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本发明实施例提供的一种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，基站端基于定向波束的回波信号判断当前链路状态，使得基站能够根据链路状态及时调整通信策略，从而避免在非视距链路状态下的链路中断，实现存在障碍物的车载网络中的可靠通信。同时，基于感知到的目标状态信息设计的目标跟踪算法，能够给出对目标车辆未来状态信息的预测，从而辅助基站选择发射波束，大大降低在高度动态的车载网络场景中的预波束对准开销。
在一个实施例中，参考图3所示的流程示意图，本发明所提出的一种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，包括以下主要步骤：
a)当目标车辆进入基站覆盖区域时，基站使用传统波束训练方法估计目标状态信息，并向目标车辆发送定向波束以建立基站与目标车辆之间的通信链路；其中目标状态信息包括距离、方位角、速度以及信号反射系数，定向波束被目标车辆反射回基站形成回波信号；
b)基站从定向波束的回波信号中获得对目标状态信息的观测，基于运动目标状态转移模型，基站执行目标跟踪算法对目标状态信息进行跟踪与预测；
c)基站利用从回波信号中提取的目标状态信息进行非视距链路识别。具体是：基站比较上一时隙中对目标状态信息的一步预测值与从当前时隙回波信号中获得的目标状态信息的估计值，使用假设检验方法判断当前时隙基站与目标车辆之间是否存在视距链路；
d)基站根据非视距链路识别的结果调整与目标车辆之间的链路；具体是：若当前时隙链路被识别为非视距链路，则基站调整通信模式保证与目标车辆之间的必要数据通信，如基本安全信息(basic safety message,BSM)。若当前时隙的链路判断为视距链路，则无需进行链路调整，基站向预测的目标车辆位置方向发射定向波束以实现预波束对准；
e)基站根据状态信息判断目标车辆是否仍在基站覆盖区域，若不在，基站将目标车辆移交给相邻基站并结束通信；若在，则基站重复步骤b)-d)直至通信结束。
其中，
该预波束对准方法使用回波信号进行目标状态感知，充分利用了毫米波信号大带宽带来的高距离分辨力与大规模天线带来的高角度分辨率。基于物体的反射回波信号，所使用的非视距链路识别方法判断当前的回波信号是否来自于目标车辆，以此来进行通信链路的调整。
步骤a)中当目标进入基站覆盖范围后，可以通过波束扫描的方法获得最佳波束，进而通过定向发射波束并接收回波信号感知物体的初始运动状态，包括目标的距离、方位角、速度以及信号发射系数。
步骤b)中当基站接收到回波信号后，使用带有时延和多普勒移位的发射信号对回波信号进行雷达匹配滤波，获取目标车辆时延以及多普勒频率。同时，利用得到的时延与多普勒频率对回波信号进行脉冲压缩，可以获取关于目标方位角与反射系数的观测向量。建立目标车辆状态转移模型，将从回波信号中提取的关于时延、多普勒频率、方位角与反射系数的观测作为输入，采用低复杂度的扩展卡尔曼滤波方法来对目标状态进行跟踪与预测，可以实现基站对目标车辆的预波束对准。
步骤c)中进行非视距链路识别时，可以通过使用二元假设检验方法利用回波信号状态信息估计值与目标跟踪状态信息预测值之间的差值来实现。具体的，在特定车载通信场景中，由于回波信号可能来自于障碍物或目标车辆，其分别对应于非视距链路状态和视距链路状态。障碍物与目标车辆的回波信号所包含的状态信息差值可建模为随机变量，其概率密度函数可通过实地测量以及数据拟合的方法来确定。
步骤d)中在当前链路为非视距链路进而需要链路调整时，基站可以开启Sub-6G通信模式，利用低频频段丰富的多径链路与目标车辆进行通信，以避免在非视距链路情况下的链路中断问题。同时，由于在非视距链路状态下回波信号反射自障碍物，所得状态信息无法反映真实的目标运动状态，因而回波信号中提取的状态信息观测将不会被用作下一时隙的卡尔曼滤波的输入。
所述方法不仅适用于单车辆通信场景，也可以适用于多车辆通信场景。对于多车辆通信场景，可以通过数字波束成形方法实现同时对多个车辆的通信与感知。
图1是根据一示例性实施例示出的一种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的场景示意图，t表示时间，可以看出基站与目标车辆之间的视距链路在t＝t2与t＝t3时会受到障碍物的阻挡进而导致链路中断。
图2是根据一示例性实施例示出的目标车辆状态转移模型示例图。其中，目标车辆在平直道路上行驶，并且基站的天线阵列与道路平行。
考虑时长为ΔT的单个时隙，基站端天线为均匀线阵，用Nt表示基站端发射天线的数目，Nr来表示基站端接收天线的数目，pn为第n个时隙的信号发射功率，μn为第n个时隙的多普勒频率，τn为第n个时隙的回波时延，θn为第n个时隙的目标方位角，sn(t)为第n个时隙基站发射的下行链路信号，则第n个时隙基站接收的回波信号表示为
其中nΔT≤t＜(n+1)ΔT，
为at(θn)的共轭转置，βn为第n个时隙的信号反射系数，at为发射导向矢量，ar为接收响应矢量，fn为第n个时隙的波束成形矢量，zn(t)表示第n个时隙的加性高斯白噪声。根据雷达的基本方程，反射系数βn以dB(分贝)表示的数值标志为ρn，具体为
其中，
为毫米波信号波长，f0为毫米波信号中心频率,c为光传播的速度，
为第n个时隙基站与车辆之间的距离，σn为第n个时隙目标的雷达散射截面。当定向波束的回波信号反射自障碍物而不是目标车辆时，由于障碍物与目标车辆可能对应于不同的反射系数、距离(对应于时延)以及速度(对应于多普勒频率)，可利用该性质进行非视距链路识别。具体地，定义用于非视距链路识别的向量为sn＝[ρn,τn,μn]T,其中，[·]T表示向量的转置，/>
vn为第n个时隙目标的运行速度。
对于车辆状态转移模型，如图2，定义目标车辆在第n个时隙的状态矢量为xn＝[dn,vn,θn,ρn]T。根据图2中所描述的车辆状态转移模型，可认为在单个时隙ΔT内(通常为几十毫秒)车辆的运行速度不变，则经过简单的几何分析，可以得到目标车辆的状态转移模型为
其中，wd,wv,wθ,wρ为加性高斯的状态转移噪声。可将上述模型表示为矢量形式为xn＝g(xn-1)+wn，其中，g(·)为表示目标状态转移的映射函数，w＝[wd,wv,wθ,wρ]T为状态转移噪声矢量，其协方差矩阵为Qs。
此外，在第n个时隙，基站可以从回波信号中提取对目标状态信息的观测。具体的，对于接收到的回波信号rn(t)，使用匹配滤波方法获得对时延和多普勒频率的估计为：
其中，zτ,zμ为参数估计噪声，满足均值为0的高斯分布。基于时延和多普勒频率的估计，可以得到对于目标方位角和反射系数的观测向量为：
其中，sn*(·)为sn(·)的共轭信号，φ在基站覆盖范围内为定值，G为匹配滤波增益，zr为高斯白噪声。进一步地，目标方位角θn可通过最大似然方法来估计，表示为
则对于反射系数的估计值为
其中zρ为参数估计噪声，满足均值为0的高斯分布。
基于以上描述与定义，所提方法的示例性实施例的具体实现步骤可概括为如下：
(1)初始接入阶段。基站使用波束扫描方法获取目标车辆初始状态信息x0＝[d0,v0,θ0,ρ0]T，并向初始位置方向发送定向波束建立通信链路。
(2)目标跟踪与状态预测阶段。在第n个时隙，基站对回波信号进行信息提取，获得对目标状态信息的观测向量
其与xn之间的关系可矢量化表示为yn＝h(xn)+zn，其中，h(·)表示目标状态信息到观测向量之间的映射函数，/>
为观测噪声矢量，其协方差矩阵为Qm。基站基于观测向量yn以及目标车辆状态转移模型xn＝g(xn-1)+wn，修正当前时隙的目标状态信息估计，并基于链路状态识别结果对目标车辆未来位置进行预测。具体的，基于扩展卡尔曼滤波的车辆跟踪与状态预测的过程分为以下六个步骤：
a)目标状态信息的预测：
其中/>
为第(n-1)个时隙对目标状态信息的估计值，/>
为第(n-1)个时隙对当前时隙目标状态信息的预测值。
b)状态观测方程的线性化：
c)误差协方差矩阵的预测：
其中M0∣0需要初始化，一般可以设置为与实际状态估计方差同等数量级的对角矩阵。
d)卡尔曼滤波增益计算：
e)目标状态信息更新：
其中bn为当前时隙非视距链路识别的结果，bn＝1表示当前链路为非视距链路状态。可以看出，若当前链路为非视距链路，则回波信号对目标的状态观测向量yn将不会被用于目标状态信息的更新。使用二元假设检验进行非视距链路状态识别的过程将在步骤(3)中具体描述。
f)误差协方差矩阵更新：Mn∣n＝(I-KnHn)Mn∣n-1.其中I为单位矩阵。
(3)非视距链路识别阶段。在第n个时隙，给定基站在第(n-1)个时隙对当前时隙状态信息的预测值
可得/>
给定当前时隙基于回波信号的目标状态估计值，可得/>
定义/>
二元检验问题表示为：
其中，假设
表示目标与基站之间为视距链路，假设/>
表示目标与基站之间为非视距链路，/>
为视距链路状态下关于sn的预测值与估计值之间的差值，为高斯白噪声。定义/>
为障碍物阻挡带来的参数偏差因子，其中，
以化为对判决器L(·)的判决：
其中γ为假设检验贝叶斯判决的门限，给定参数偏差因子的概率密度分布p(bn)(包括
以及判决门限γ，可以解决该二元假设检验问题。
(4)链路调整阶段。若第n个时隙的链路状态判断为bn＝1，即非视距链路状态，则为保证与车辆之间的可靠通信，基站可启用Sub-6G通信模块使用低频通信信号与目标车辆进行通信，以实现必要的数据传输；若第n个时隙的链路状态判断为bn＝0，即视距链路状态，则基站关闭Sub-6G通信模块。同时，基于对车辆下一时隙的位置预测发射定向波束，即发射波束成形矢量
其中/>
为第(n-1)个时隙对当前时隙目标方位角的预测值。
(5)链路移交阶段。基站根据目标状态信息判断目标车辆是否仍在基站覆盖区域，若不在，基站将目标车辆移交给相邻基站并结束通信；若在，则基站重复执行步骤(2)-(4)直至通信结束。
上述预波束对准方法使用回波信号进行目标状态感知与目标跟踪，充分利用了毫米波信号大带宽带来的高距离分辨力与大规模天线带来的高角度分辨率(步骤(2))。另一方面，本发明所使用的非视距链路识别方法仅基于回波信号提取的状态信息与目标跟踪过程中的状态预测(步骤(4))，其低开销性适合于高动态性的车载通信场景。
综上，本发明通过回波信号感知，极大降低波束对准开销；同时通过非视距链路识别，有效解决了车联网通信场景中由动态障碍物引发的通信中断问题，极大提升链路可靠性与有效通信速率。
可以理解，本发明是通过一些实施例进行描述的，本领域技术人员知悉的，在不脱离本发明的精神和范围的情况下，可以对这些特征和实施例进行各种改变或等效替换。另外，在本发明的教导下，可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此，本发明不受此处所公开的具体实施例的限制，所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (7)
1.一种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，其特征在于，包括以下步骤：
步骤1、当目标车辆进入基站覆盖区域时，基站使用传统波束训练方法估计目标状态信息，并向目标车辆发送定向波束以建立基站与目标车辆之间的通信链路；其中目标状态信息包括距离、方位角、速度以及信号反射系数，定向波束被目标车辆反射回基站形成回波信号；
步骤2、基站从定向波束的回波信号中获得对目标状态信息的观测，通过建立运动目标的状态转移模型，基站执行目标跟踪算法对目标状态信息进行跟踪与预测；
步骤3、基站利用从回波信号中提取的目标状态信息进行非视距链路识别；具体是：基站比较上一时隙中对目标状态信息的一步预测值与从当前时隙回波信号中获得的目标状态信息的估计值，判断当前时隙基站与目标车辆之间是否存在视距链路；
步骤4、基站根据非视距链路识别的结果调整与目标车辆之间的链路；具体是：若当前时隙链路被识别为非视距链路，则基站调整通信模式保证与目标车辆之间的必要数据通信；当前时隙的链路判断为视距链路，则无需进行链路调整，基站向预测的目标车辆位置方向发射定向波束以实现预波束对准；
步骤5、基站根据状态信息判断目标车辆是否仍在基站覆盖区域，若不在，基站将目标车辆移交给相邻基站并结束通信；若在，则基站重复步骤2至步骤4直至通信结束。
2.根据权利要求1所述的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，其特征在于，步骤2中，对于每个回波信号，使用匹配滤波算法估计目标车辆的距离、速度、方位角以及反射系数。
3.根据权利要求1所述的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，其特征在于，步骤2中，基站基于运动目标的状态转移模型，将从回波信号中提取的关于目标状态信息的观测作为目标跟踪算法的输入，修正对当前时隙目标状态信息的估计，并给出下一时隙目标状态信息的预测值。
4.根据权利要求1所述的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，其特征在于，步骤3中，使用假设检验方法来判断当前时隙基站与目标车辆之间是否存在视距链路；具体是，若当前时隙存在视距链路，则目标车辆状态预测值与估计值之差认为是高斯白噪声变量，若当前时隙为非视距链路，则由于回波信号反射自障碍物而非目标车辆，状态预测值与估计值之差不为高斯白噪声变量。
5.根据权利要求1所述的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，其特征在于，步骤4中，若当前链路被判断为非视距链路，则基站调整通信模式保证与目标车辆之间的必要数据通信，所述必要数据包括基本安全信息BSM；同时，为避免非视距链路状态为目标状态信息跟踪带来的偏差，目标跟踪算法在跳过当前时隙目标状态信息估计值的情况下对下一时隙目标状态信息进行预测。
6.根据权利要求3所述的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，其特征在于，基站使用目标跟踪算法修正对当前时隙目标状态信息的估计，并给出下一时隙目标状态信息的预测值之前，还包括：
对应于运动目标状态转移模型的状态转移噪声协方差矩阵Qs，对回波信号进行目标状态信息提取的观测噪声协方差矩阵Qm。
7.根据权利要求4所述的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，其特征在于，基站使用假设检验方法进行当前链路状态判别之前，还包括：
障碍物与目标车辆的回波信号所包含的状态信息差值的概率分布：反射系数偏移的概率密度函数
距离偏移的概率密度函数/>
速度偏移的概率密度函数/>
假设检验贝叶斯判决的门限γ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310151290.9A CN116390114A (zh) | 2023-02-22 | 2023-02-22 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310151290.9A CN116390114A (zh) | 2023-02-22 | 2023-02-22 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116390114A true CN116390114A (zh) | 2023-07-04 |
Family
ID=86960565
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310151290.9A Pending CN116390114A (zh) | 2023-02-22 | 2023-02-22 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116390114A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116582163A (zh) * | 2023-07-07 | 2023-08-11 | 北京邮电大学 | 一种无线感知协同的多用户波束对准方法 |
-
2023
- 2023-02-22 CN CN202310151290.9A patent/CN116390114A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116582163A (zh) * | 2023-07-07 | 2023-08-11 | 北京邮电大学 | 一种无线感知协同的多用户波束对准方法 |
| CN116582163B (zh) * | 2023-07-07 | 2023-12-05 | 北京邮电大学 | 一种无线感知协同的多用户波束对准方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113285897B (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*** | |
| US10405360B2 (en) | Method and equipment for establishing millimetre connection | |
| US11838993B2 (en) | Communication system and method for high-speed low-latency wireless connectivity in mobility application | |
| 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 | |
| Brambilla et al. | Inertial sensor aided mmWave beam tracking to support cooperative autonomous driving | |
| Liu et al. | A tutorial on joint radar and communication transmission for vehicular networks—Part II: State of the art and challenges ahead | |
| 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 | |
| CN103873119A (zh) | 一种车载双天线通信方法 | |
| Herschfelt et al. | Vehicular rf convergence: Simultaneous radar, communications, and pnt for urban air mobility and automotive applications | |
| Liu et al. | Joint localization and predictive beamforming in vehicular networks: Power allocation beyond water-filling | |
| CN101615943B (zh) | 智能天线多子阵列***的波达角估计方法 | |
| EP3553966B1 (en) | Beam pattern selection for vehicular communication using machine learning | |
| US11218211B2 (en) | Iterative beam training method for accessing a mm-wave network | |
| 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 | |
| KR102165835B1 (ko) | 밀리미터파 통신 파티클 필터 기반 빔 추적 방법 및 그 방법을 구현하는 기지국 | |
| Feng et al. | Beam design for V2V communications with inaccurate positioning based on millimeter wave | |
| Mghabghab et al. | High accuracy adaptive microwave ranging using SNR-based perception for coherent distributed antenna arrays | |
| US20110143657A1 (en) | Method of establishing communication link between a mobile earth station and a satellite of mss and apparatus therefor | |
| CN114222312B (zh) | 基于自适应波束的运动目标跟踪方法 | |
| US20240089758A1 (en) | Method for evaluating channel information of database, communication device, database, and wireless communication system | |
| Junsheng et al. | A low-complexity beam searching method for fast handover in mmWave vehicular networks | |
| CN111372190A (zh) | 移动终端位置追踪的机器学习模型、方法、设备及存储介质 | |
| CN110601737A (zh) | 一种基于多波束并行发送的车联网链路可靠性增强方法 | |
| KR102637482B1 (ko) | 위치 및 속도 인식 기반 다중 안테나 어레이 사용 차량 간 통신의 빔 관리 방법 | |
| US11610478B2 (en) | Communication system and method for controlling cooperation between edge devices arranged in vehicle |
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 |