基于车辆环境态势感知的毫米波波束跟踪

　　摘要：针对以往车联网动态环境下采用的波束搜索方法无法解决毫米波窄波束实时匹配这一问题，本文结合射线追踪法，提出采用一种基于车辆环境态势感知的波束搜索方法，以提高波束搜索效率。该方法首先通过射线追踪法计算得到最优波束对指数，并对当前场景进行编码，形成特征向量，建立数据库;而后采用机器学习对测试车辆场景进行训练，产生适用于实际情况下车辆网波束匹配的机器学习模型;最后在该模型下进行实际目标车辆的态势搜索，仿真结果表明，该方法能够有效降低波束搜索开销，在保证波束搜索精度的同时提高波束搜索效率。

　　关键词：车联网;毫米波;机器学习;态势感知

　　1引言

　　车联网通过车与人、车与车、车与服务平台之间的信息资源共享，实现信息的快速传递，有效地提升了交通的安全程度，改善了频繁出现的交通拥堵情况，因此，车联网在自动驾驶，智能调度，汽车导航等方面被广泛采用[1]。近年来，随着行驶车辆的急剧增长，越来越多的车辆需要接入网络，导致人们对车载时延、计算能力、数据量的要求越来越高。传统车联网的低频段通信已难以满足高要求的车载应用服务，因此，人们考虑将拥有超高传输速率的毫米波通信应用于车联网，以满足车联网通信对于吞吐量和时延的高要求。

　　目前国际标准化组织已经提出了毫米波车联网通信的相关标准[2]，然而，毫米波的高频特性导致了通信过程中严重的路径损耗。针对这一问题，可以通过采用大规模阵列天线技术，形成定向窄波束来解决。但由于车辆具有移动性，导致窄波束难以实时对齐，影响通信质量。

　　车辆工程论文： 基于移动参考系和周期性边界条件方法的隧道车辆空气阻力系数计算

　　因此，如何实现车载毫米波波束的实时高效匹配成为研究难点。波束搜索是目前使用比较广泛的毫米波波束匹配方法，传统的波束搜索采用穷举搜索方法，将发射端和接收端的所有波束逐一匹配以获得最优波束对，这种方法运算量大且复杂度高。IEEE802.15.3c和IEEE802.11.Ad标准对穷举波束搜索进行了优化，通过将搜索过程区分为扇区级搜索和波束级搜索两部分来降低运算量[3-5]，然而这种方法的复杂度随着码本维数的增加而增大。

　　针对上述问题，文献[6]提出了分层搜索算法，该算法使用一个预先设计的模拟分层码本来搜索多个波束，其中预先设计的模拟分层码本中有一个过采样层以保证对波束方向的准确估计，该算法在一定程度上降低了波束搜索的开销，但在车联网通信中，较高的信道机动性和较短的波束相干时间导致这些波束搜索方法的实施面临较大困难。

　　针对上述搜索方法的不足，文献[7][8][9][10]提出基于边信息辅助的毫米波波束训练方法，该类方法利用来自雷达或者其他通信系统等传感器的信息作为毫米波通信链路配置的辅助信息，可以降低波束匹配开销，但在实现初始波束的快速对准后，车辆的移动性和毫米波的窄波束特点也会导致波束难以实时对齐。文献[11]将接收机的位置量化为像素，通过对位置特征进行机器学习来实现波束训练，并结合统计学习方法推荐可能的波束对。

　　文献[12]采用学习排名这一机器学习方法，利用位置信息和过去的波束测量值，将波束训练范围缩小到某一局限区域，但文献[11]和[12]只考虑了目标车辆的相关位置等信息，没有考虑其他车辆可能对其产生的影响;文献[13]提出将车辆交通模拟器和射线追踪模拟器相结合，生成5G毫米波MIMO场景下的信道状态参数，以简化复杂移动场景中创建数据的过程。

　　此外，文献还将所有车辆的位置信息纳入特征中，并采用深度学习的方法来解决波束选择问题。但该方法没有对环境特征进行编码，忽略了实际实施中环境可能产生的影响。文献[14]提出采用一种用于分类的深度学习神经网络进行波束搜索，该神经网络将接收器的位置和来波方向作为输入，将每个波束对成为最佳波束对的概率作为输出，沿最佳功率的路径方向训练模型，以此来推荐最佳波束对的候选列表，但该方法只考虑了室内场景，与车载通信场景有所不同。

　　文献[15]考虑了多车辆的干扰管理机制，将波束选择问题化为组合多臂强盗(combinatorialmultiarmedbandit，CMAB)问题，在多车辆环境中不仅可以同时精确地估计出多用户的最佳波束对，并能够识别和适应车辆环境中的任何变化，但是该文献所提出的自适应波束跟踪方案在搜索空间上会产生更高的复杂度，并且复杂度会随着用户数量的增加呈指数增长。

　　针对上述方法的不足，本文利用车辆态势信息进行波束搜索，建立基于环境信息的特征数据库，结合机器学习方法，获得最优波束对，从而提高动态环境下的波束搜索效率。该方法首先通过射线追踪法，计算得到测试车辆的最优波束对指数，并对当前场景中车辆的位置进行编码，形成环境特征向量，建立数据库;然后采用机器学习的分类方法对测试车辆场景进行训练，得到训练好的机器学习模型，在该模型下根据实际情况对目标车辆进行态势搜索，实现波束匹配，提高了波束搜索的效率。

　　2系统模型

　　2.1场景建模

　　其中，基站部署在城市道路两边相对较低的位置，由于城市道路中存在大量不同尺寸的车辆并且这些车辆具有机动性，因此，从目标车辆到基站的直视路径(line-of-sight，LOS)可能会受到遮挡。此外，环境中的各种物体均可反射电磁波，形成非直视路径(notline-ofsight，LOS)。

　　在不同类型的反射物体中，建筑物、地面或者其他路边建筑属于静态反射体，车辆、移动的自行车以及行人属于动态反射体，本文不考虑高度较低的行人以及自行车的影响。由于车辆尺寸具有相似性，车辆的运动具有规律性，车道具有固定性，因此，可以通过各种传感器对车辆的位置进行定位跟踪。对于路边高度较低的基站，车辆是导致直视路径和非直视路径堵塞以及反射的主要因素，由于天线一般安置在车辆顶部，因此，车辆的位置和尺寸可以决定波束的方向和强度。

　　本文采用城市中双车道直道场景，利用射线追踪模拟器收集数据并建立数据库，道路两侧的建筑物可建模为以混凝土为材料的立方体且大小随机;车辆主要考虑小汽车和卡车两种车型，均建模为金属外壳的长方体，并且在车道上服从随机分布。由于卡车高度较高，如果接收机安装于卡车顶部，则不会产生传输路径堵塞现象，波束跟踪时也不需要采用机器学习来预测，因此，将接收器安装在较低的汽车顶部。

　　3基于机器学习的V2I波束选择

　　当车辆进入基站的覆盖范围时，会自动检测到网络并连接到基站，此时车辆会将自身的一些基本信息，例如制造商、型号等发送给基站，便于基站确定车辆的大小和类型，并根据此信息进行环境特征编码;同时车辆会发送启动波束训练请求，基站接到请求后在目标车辆间进行波束搜索，找到最优波束对，并记录匹配结果。由于车辆的机动性，基站会实时接收目标车辆位置更新信息，实现车辆跟踪。在获得所有车辆的信息后，基站根据实时信息，制定车辆态势感知图，并将车辆态势作为特征存于基站数据库;定义每个数据样本的最佳波束对指数为分类标签，便于后续对实际目标车辆进行最优波束匹配。

　　3.1环境特征编码

　　本文将机器学习模型和波束训练相结合，建立学习和环境之间的函数关系，为了实现这一目标，需要解决在学习模型中描述目标车辆位置以及车辆周围环境特征这一问题。为了将传感器收集的原始数据转化为适合机器学习模型的特征模式，本文选取自然排序编码、相对排序编码以及二维网格位置编码三种环境特征编码方式。

　　(1)自然排序编码

　　本文采用双车道，假设车辆在每个车道的中心行驶。车道指数用分类变量1和2来表示，每辆车的位置可以通过水平位置和车道索引来表示，其中水平位置是指当原点设置在目标区域的左下方时，车辆中心沿轴的坐标。

　　(2)相对排序编码

　　由于车辆与接收机的相对距离、车辆类型、车辆所在车道有所不同，因此不同的车辆会对信道产生不同的影响。首先，靠近接收机的车辆比远离接收机的车辆更有可能影响波束方向，在更靠近基站的车道上的车辆更有可能阻挡另一条车道上的波束，此外，大型车辆更有可能阻挡路径或充当路径的反射器，而小型车辆对反射的贡献可能会很小。因此，除了自然排序外，车辆还可以根据车辆到基站的相对距离、车辆类型和车辆所在车道来对位置特征进行有序编码。

　　3.2基于机器学习的波束匹配

　　本文的核心思想是选择环境参数，例如车辆位置、基站位置、周边建筑物等作为特征，以最佳波束对指数作为标签，对候选波束进行分类预测，以此搜索出最佳匹配波束。基于机器学习的波束选择主要分为两个阶段。第一阶段通过将数据集划分为训练集和测试集来对波束进行训练。

　　本文采用的划分比例为训练集80%，测试集20%，通过训练集对分类器进行训练，然后利用测试集验证机器学习模型的性能，通过变换参数得到一个训练好的机器学习模型;第二阶段是实际预测阶段，使用训练好的机器学习模型在实际情况下对波束进行分类预测，以较少的损耗和较快的速度得到最佳波束对，当使用训练好的模型来对波束进行选择时，算法复杂度主要体现在在相应的环境特征中寻找出对应的最优波束对指数，该方法相较于遍历搜索方法极大的降低了算法的复杂度。

　　4实验仿真

　　仿真结果证明深度学习的性能并不优于随机森林分类器，这是由于与深度学习相比，随机森林分类器能够很好地处理数据局部集中且不平衡的问题，在数据样本规模较小的情况下，随机森林能够很好地泛化数据集，可以从原始数据集中生成多个数据样本子集用于训练，其中训练用的数据样本子集是由原始数据集使用重复的组合生成的，而深度学习对数据的要求很高，数据的缺少导致深度学习算法的不理想，以上优势使得随机森林分类器成为解决具体问题的有效方法。

　　不同级别的态势感知对各个分类器所产生的影响有所不同，本文在笛卡尔坐标中结合不同级别的态势感知情况来评估训练分类器的性能。首先，通过环境信息的完整性来量化态势感知的层次，具体表现为特征仅含有接收机位置、添加第一车道卡车位置、添加第二车道卡车位置。当定位误差增大时，基于自然编码的轴坐标的误差预测精度迅速下降到70%以下，由此可见，本文所采用的基于机器学习辅助波束搜索模型的局限性在于依赖于不同传感器提供的车辆的精确位置。

　　5结论

　　本文将机器学习方法应用于车载毫米波通信的波束搜索，通过车辆环境态势感知获取环境特征，建立数据库，采用机器学习方法将目标车辆与数据库进行比对，找到最优波束对。仿真表明，基于机器学习的波束对齐方法能够在保证匹配精度的同时有效地减少波束搜索开销，满足车联网的实时波束对齐需求。虽然该方法能够大幅度降低搜索开销，但其搜索精度仍低于穷尽搜索等传统方法，因此，今后的研究中需要通过增加环境特征、改进编码方式以及寻找更加快速准确的机器学习等方法来进一步提高匹配精度。

　　参考文献：

　　[1]陈文,周进.车联网通信技术发展现状及趋势研究[J].中国新通信,2021,23(2):1-2.CHENWen,,ZHOUJin..ResearchonthedevelopmentstatusandtrendsofTelematicscommunicationtechnology[J].ChinaNewTelecommunications,2021,23(2):1-2.(inChinese).

　　[2]ISO/DIS21216Std.IntelligentTransportSystems——CommunicationAccessforLand Mobiles(CALM)——MillimeterWaveAirInterface[S].2012.

　　[3]张姗妹.60GHz无线通信系统波束成形技术研究[D].青岛:中国海洋大学,2013.ZHANGShanmei.Researchofthebeamformingtechnologyin60GHzwirelesscommunicationsystems[D].Qingdao,China:OceanUniversityofChina,2013.(inChinese)

　　[4]刘凌.毫米波通信中一种优化的波束搜索算法研究[J].自动化技术与应用,2014,33(4):33-36,46.LIULing.Algorithmstudyofbeammillimeterwavecommunicationinanoptimizedsearching[J].TechniquesofAutomationandApplications,2014,33(4):33-36,46.(inChinese)

　　[5]邹卫霞,杜光龙,李斌,等.60GHz毫米波通信中一种新的波束搜索算法[J].电子与信息学报,2012,34(3):683-688.ZOUWeixia,DUGuanglong,LIBin,etal.Anovelbeamsearchalgorithmfor60GHzmillimeterwavecommunication[J].JournalofElectronics&InformationTechnology,2012,34(3):683-688.(inChinese)[6]XIAOZhenyu,XIAPengfei,XIAXianggen.Channelestimationandhybridprecodingformillimeter-waveMIMOsystems:Alowcomplexityoverallsolution[J].IEEEAccess,2017,5(99):16100-16110.

　　作者：张璐璐1仲伟志1张俊杰1朱秋明2陈小敏2