一種基于低復雜度建模的車聯網多維信道感知系統的制作方法
【專利摘要】本發明公開了一種基于低復雜度建模的車聯網多維信道感知系統，其利用分布式移動信道探測方法，通過布置于車身周圍的分布式隱形微帶感知天線陣列，進行時空域的多維掃描探測，采用基于離散橢球序列（DPS）子空間的低復雜度建模算法，通過分析車輛移動過程中的信道傳播特性，實時獲取移動信道的多維時變參數，精確估計移動車輛的信道變化軌跡，分析車輛周圍環境的變化情況，實現車聯網移動信道的多維感知。本發明突破傳統基于多種傳感器進行車輛感知的局限性，利用先進的分布式移動信道探測和低復雜度建模技術，提高了車聯網應用中的車輛環境感知能力。
【專利說明】一種基于低復雜度建模的車聯網多維信道感知系統
【技術領域】
[0001]本發明屬于車聯網通信領域，涉及一種基于低復雜度建模的車聯網多維信道感知系統和方法，尤其針對物聯網通信與感知系統的設計與優化需求，可廣泛應用于車聯網移動信道的探測、特征提取、模型構建與環境感知等。
【背景技術】
[0002]車聯網利用當前正在快速發展的傳感技術、網絡技術、計算技術、控制技術、智能技術等，對道路和交通進行全面感知，實現多個系統間大范圍、大容量數據的交互，對每一輛汽車進行交通全程控制，對每一條道路進行交通全時空控制，以提供交通效率和交通安全為主的網絡與應用。同時，隨著社會的發展，人們對車聯網的需求，除了關注交通效率與交通安全之外，還希望利用網絡，滿足自身對信息、娛樂、車輛遠程診斷與控制等多方面的需求。由“物聯網”衍生的“車聯網”，將成為未來智慧城市的重要標志，中國的“十二五”規劃中明確提出要大力推動基于車載信息化的物聯網戰略向縱深發展。
[0003]車聯網最核心的問題之一是車輛環境的智能感知，并將感知的環境信息體現到車輛的控制與協同上，讓整個車輛網絡處于最佳運行狀態，從而提高交通運行效率，避免交通事故的發生。
[0004]傳統的環境感知手段主要采用各類傳感器進行數據獲取，如視頻傳感器、雷達傳感器、紅外傳感器等。這些感知手段局限性較大，無法實現車輛環境的全方位感知，而且易受光照、溫度、氣候變化等環境因素的影響，造成感知能力受限。由于車聯網的通信技術是車輛協同的保障，通信的媒介是無線傳播信道，分析移動信道的變化特征是車聯網無線通信系統優化設計的前提，而移動信道的探測技術同時又能為車聯網環境感知提供重要的信息源。為了保證車聯網無線通信系統設計的可靠性和穩定性，需要精確地獲取車聯網移動信道傳播特性，并構建移動信道模型，目前尚缺乏分布式移動傳播信道的通用模型，而模型的建立又為車聯網環境感知以及車聯網系統的評估提供了重要依據。通過分布式移動信道的時空多維參數的提取與建模，實時掌握車輛周邊環境的變化情況，構建時域、頻域、空域多維映射關系，通過多維參數功率譜的解析，提取車聯網環境的有效感知信息。
【發明內容】
[0005]本發明針對現有車輛環境感知手段局限性較大，易受環境影響，無法實現車輛環境的全方位感知等問題，而提供一種基于低復雜度建模的車聯網多維信道感知系統。該系統能夠實現車輛環境的實時全方位感知，且精度高，不易受環境影響。
[0006]為了達到上述目的，本發明采用如下的技術方案:
[0007]一種基于低復雜度建模的車聯網多維信道感知系統，所述感知系統包括:
[0008]I)分布式天線陣列，所述分布式天線陣列布置在車身周圍，進行時空域的多維掃描探測；
[0009]2)移動信道探測模塊，所述移動信道探測模塊控制分布式天線陣列的多維掃描，并實時獲取信道掃描數據，實現高帶寬、高分辨率的信道特征采集；
[0010]3)多維信道分析與感知模塊，所述多維信道分析與感知模塊通過分析車輛移動過程中的信道傳播特性，實時獲取移動信道的多維時變參數，精確估計移動車輛的信道變化軌跡，感知車輛周圍環境的變化情況。
[0011]在本發明的優選實例中，所述移動信道探測模塊通過信號發射機和信號接收機發射和采集分布式天線陣列掃描信號，并通過高速微波切換開關，控制分布式天線陣列的多維掃描，通過高速數據采集系統，實時獲取信道掃描數據，實現高帶寬、高分辨率的信道特征采集，數據采用高速磁盤陣列進行存取。
[0012]進一步的，所述移動信道探測模塊控制分布式天線陣列進行多維掃描探測的過程如下:
[0013]I)參數初始化:預置待測試的信道數為MXN，其對應的信道索引參數分別為i=l, j=l。根據天線方向圖校準，為發射機和接收機分別選取兩組合適的波束控制電壓，即
[V1, K，Vm]和[V/，K，V/ ]，其對應的天線輻射方向圖分別為[m]和[Κ，Κ，θΝ];
[0014]2)發射激勵信號:固定發射機天線的其中一個饋電電壓值Vi,從而產生對應的發射天線方向圖$ ,其中i=l，K, M ;利用寬帶PN偽隨機序列連續波作為激勵信號，并進行QPSK調制；
[0015]3)空域掃描測試:切換接收機天線對應的饋電電壓V/，從而改變對應的接收天線的輻射方向圖$，其中j=l，K, N ;進行掃描測試，并完成對應子信道的測試與數據存儲。
[0016]4)MM0數據存儲:重復步驟2和步驟3，直到所有預設信道數的掃描都完成為止，即i>M且j>N ;在相干時間內完成高速數據采樣與存儲；
[0017]5)高精度數據分析:對測試數據進行預處理，直接得到空域功率譜特征；并通過優化的高精度估計算法進行參數估計，提取多徑參數用于模型構建。
[0018]進一步的，多維信道分析與感知模塊通過對分布式天線陣列掃描所獲取的移動信道數據進行實時多維特征提取，估計時域、空域、頻域多維度信道分布參數，根據統計特性建立高精度移動信道模型，再通過對移動信道的多維功率譜特征分布以及時變參數分布的跟蹤估計，獲取移動車輛周邊的環境變換特征，解析信道與環境的映射關系，實現精準的環境感知。
[0019]再進一步的，所述多維信道分析與感知模塊中采用基于離散橢球序列子空間的低復雜度建模算法建立高精度移動信道模型。
[0020]再進一步的，多維信道分析與感知模塊還通過對信道的多維特征進行提取，產生移動信道建模所需的信道樣本，根據樣本空間特性，建立神經網絡結構，經過預處理和權重參數初始化之后，進行模型的訓練，最終得到優化的神經網絡模型，利用神經網絡對移動信道模型進行訓練得到粒子濾波跟蹤的初始值，獲得觀測值后應用似然函數計算每一個粒子的權值，并進行權值歸一化操作，經過重采樣更新權值后，即可由后驗分布得到信道估計值，從而進一步優化移動信道模型的環境適應性。
[0021]本發明突破傳統基于多種傳感器進行車輛感知的局限性，利用先進的分布式移動信道探測和低復雜度、高精度建模技術，提高了車聯網應用中的車輛周邊環境感知能力。[0022]由于采用了上述方案，本發明在具體實施時，具有以下特點:
[0023]1、分布式陣列天線技術，構建時空信道探測，實現全方位掃描。
[0024]2、多維時空頻特征提取，構建移動信道模型，實現高精度解析。
[0025]3、低復雜度建模算法，構建高效信道分析，實現實時感知。
【專利附圖】
【附圖說明】
[0026]以下結合附圖和【具體實施方式】來進一步說明本發明。
[0027]圖1是移動信道探測感知的基本原理圖；
[0028]圖2是移動信道探測感知系統總體架構圖；
[0029]圖3是移動信道掃描探測流程圖；
[0030]圖4是多維信道分析與感知模塊結構圖；
【具體實施方式】
[0031]為了使本發明實現的技術手段、創作特征、達成目的與功效易于明白了解，下面結合具體圖示，進一步闡述本發明。
[0032]移動信道探測感知的基本原理如圖1所示，圖中為V2V通信場景示意圖，通過分布式陣列天線探測方法，可直接獲取空域信道特征，有效提高移動信道空間解析度，為后續的實時信道多維分析提供了保障。利用波束掃描天線的空間組合，實現環形天線陣列，天線輻射方向圖的切換采用直流饋電控制方式，而天線間的切換采用高速微波切換開關來實現。該方法可通過測試信號直接得到發射和接收空間功率譜，省去了數據計算所必要的數據存儲時間，實時性好。還可通過增加輻射方向圖的數量來增加空間陣列響應矢量間的正交性，從而提高了信道多維特性分析的精確度。
[0033]圖2所示為本發明提供的車聯網多維信道感知系統的整體架構圖。由圖可知，整個感知系統主要包括分布式天線陣列、移動信道探測模塊以及多維信道分析與感知模塊。通過車身周圍布置的全方位智能天線陣列，進行時空域的多維掃描探測，天線陣列可實現水平域和仰俯域的波束掃描。通過分析車輛移動過程中的信道傳播特性，實時獲取移動信道的多維時變參數，精確估計移動車輛的信道變化軌跡，感知車輛周圍環境的變化情況。移動信道探測模塊能有效發射和采集分布式天線陣列掃描信號，通過高速微波切換開關，控制分布式天線陣列的多維掃描，通過高速數據采集系統，實時獲取信道掃描數據，實現高帶寬、高分辨率的信道特征采集，數據采用高速磁盤陣列進行存取。在整個過程中，需要保持嚴格的時間同步從而保證獲取精準的信道脈沖響應，系統采用GPS銣鐘實現同步，該時鐘將高穩定性銣振蕩器與GPS高精度授時、測頻及時間同步技術有機的結合在一起，使銣振蕩器輸出頻率馴服同步于GPS衛星銫原子鐘信號上，提高了頻率信號的長期穩定性和準確度。
[0034]分布式移動信道掃描探測的基本流程如圖3所示，其主要實現步驟為:
[0035]I)參數初始化。預置待測試的信道數為MXN，其對應的信道索引參數分別為i=l, j=l。根據天線方向圖校準，為發射機和接收機分別選取兩組合適的波束控制電壓，即
[V1, K, VJ和[V/，K, V/ ]，其對應的天線輻射方向圖分別為[θρΚ，θΜ]和[θ1，Κ，θΝ]。[0036]2)發射激勵信號。固定發射機天線的其中一個饋電電壓值Vi,從而產生對應的發射天線方向圖& ,其中i=l，K, M ;利用寬帶PN偽隨機序列連續波作為激勵信號，并進行QPSK調制。
[0037]3)空域掃描測試。切換接收機天線對應的饋電電壓V/，從而改變對應的接收天線的輻射方向圖^，其中j=l，K, N ;進行掃描測試，并完成對應子信道的測試與數據存儲。
[0038]4)MIM0數據存儲。重復步驟2和步驟3，直到所有預設信道數的掃描都完成為止，即i>M且j>N ;在相干時間內完成高速數據采樣與存儲。
[0039]5)高精度數據分析。對測試數據進行預處理，直接得到空域功率譜特征；并通過優化的高精度估計算法進行參數估計，提取多徑參數用于模型構建。
[0040]多維信道分析與感知模塊通過對分布式天線陣列掃描所獲取的移動信道數據進行實時多維特征提取，估計時域、空域、頻域多維度信道分布參數，根據統計特性建立高精度移動信道模型，再通過對移動信道的多維功率譜特征分布以及時變參數分布的跟蹤估計，獲取移動車輛周邊的環境變換特征，解析信道與環境的映射關系，實現精準的環境感知。
[0041]另外，多維信道分析與感知模塊還通過對信道的多維特征進行提取，產生移動信道建模所需的信道 樣本，根據樣本空間特性，建立神經網絡結構，經過預處理和權重參數初始化之后，進行模型的訓練，最終得到優化的神經網絡模型，利用神經網絡對移動信道模型進行訓練得到粒子濾波跟蹤的初始值，獲得觀測值后應用似然函數計算每一個粒子的權值，并進行權值歸一化操作，經過重采樣更新權值后，即可由后驗分布得到信道估計值，從而進一步優化移動信道模型的環境適應性。
[0042]由于分布式路徑分量的數量大，用傳統的復指數求和法構建基于幾何的分布式移動信道模型，計算復雜度很高，非常耗時。因此本發明采用基于離散橢球序列(DPS)子空間的低復雜度建模算法，其計算時間可獨立于信道傳播路徑的數量，利用DPS波動函數有效地降低了移動信道幾何模型構建的復雜度，DPS子空間低復雜度算法特別適用于車聯網時變信道的模型構建中，計算效率顯著提高。
[0043]該多維信道分析與感知模塊在實現時，可利用現場可編程邏輯門陣列(FPGA)和數字信號處理器(DSP)構成嵌入式雙核處理系統來實現，其中DSP負責低復雜度建模算法的實現，FPGA負責分布式并行數據的處理與計算，并針對分布式移動信道的多維復雜特性，弓丨入神經網絡優化的機制，結合FPGA的并行處理特性，構建更為實用的移動信道模型。
[0044]參見圖4，多維信道分析與感知模塊具體要包括DSP模塊、FPGA模塊和經驗模型(即移動信道模型)。DSP模塊主要由傳播模型和DPS子空間映射模塊構成，用于完成移動信道模型的建立、參數計算、DPS子空間映射；FPGA模塊主要由卷積模塊和神經網絡優化模塊組成，用于完成輸入樣本與信道脈沖響應的卷積，從而獲取信道特征，同時還要利用神經網絡優化機制來進行移動信道模型自適應校準。
[0045]由此形成的多維信道分析與感知模塊進行移動信道分析的流程如下:
[0046]I)利用現場可編程邏輯門陣列(FPGA)和數字信號處理器(DSP)構成嵌入式雙核處理器系統，由DSP負責低復雜度建模算法的實現，FPGA負責分布式并行數據的處理與計算，并利用神經網絡優化的機制，結合FPGA并行處理特性，構建多維信道分析與感知模塊；[0047]2) DSP模塊對移動信道探測數據進行實時多維特征提取，分析移動信道的時空頻分布參數，建立高精度、多維度移動信道模型，再通過對移動信道的多維功率譜特征分布以及時變參數分布的跟蹤估計，獲取移動車輛周邊的環境變換特征，與周邊環境散射分量建A映射關系；
[0048]3) DSP模塊中的傳播模型利用高速DSP計算傳播路徑多維參數，并由DSP模塊中的DPS子空間映射模塊將所得路徑參數進一步分解為子空間系數以便進行DPS低復雜度建模；FPGA模塊中的卷積模塊對輸入樣本和信道脈沖響應完成卷積，以此來獲取信道實時變化特征，感知環境的動態變化；同時神經網絡優化模塊通過對信道的多維特征進行提取，產生移動信道建模所需的信道樣本，根據樣本空間特性，建立神經網絡結構，經過預處理和權重參數初始化之后，進行模型的訓練，最終得到優化的神經網絡模型，利用神經網絡對移動信道模型進行訓練得到粒子濾波跟蹤的初始值，獲得觀測值后應用似然函數計算每一個粒子的權值，并進行權值歸一化操作，經過重采樣更新權值后，即可由后驗分布得到信道估計值，從而進一步優化移動信道模型的環境適應性。
[0049]針對移動信道輸入輸出的復雜非線性特性，本發明利用小波神經網絡進行信道建模與仿真。小波神經網絡具有很強的非線性處理能力以及快速收斂性能，因此能實現移動信道快速衰落特性的建模與仿真，并能有效地學習和掌握不同環境下信道的傳播特性。小波變換在時域和頻域上同時具有良好的局部化特性，再加上神經網絡的自適應學習能力，因此能較好地處理非線性系統。同時利用典型場景中的實測數據訓練神經網絡模型，進一步優化模型。
[0050]根據小波變換原理，在希爾伯特空間選取小波母函數，對小波母函數進行伸縮、平移和旋轉變換，即可得到小波基函數。當確定了小波基函數的數量之后，即可得到小波神經網絡的輸出。采用基于梯度下降算法的學習機制對小波神經網絡進行訓練，基本流程如下:
[0051]I)對所有權重參數進行初始化，并設置初值；
[0052]2)根據梯度算法計算權重參數；
[0053]3)利用步驟2中計算的參數更新小波神經網絡的輸出；
[0054]4)評估有效性誤差是否滿足精度要求；
[0055]5)如果誤差計算滿足精度要求，則停止訓練；否則返回到步驟2。
[0056]多徑傳播環境以及車輛終端的快速移動，使得分布式移動信道具有雙選擇性，也即:快速移動通信環境所導致的時間選擇性；多徑時延擴展長度大于碼元周期時造成的頻率選擇性衰落。粒子濾波可自由選擇跟蹤空間，并且適用于參數出現非高斯分布的非線性時變系統，所以非常適合對信道功率譜中的多分量進行跟蹤建模。數據估計與建模的基本流程如下:
[0057]I)利用小波神經網絡對雙選擇性信道進行訓練，得到粒子濾波跟蹤的初始值；
[0058]2)獲得觀測值，由AR模型更新粒子集；
[0059]3)應用似然函數計算每一個粒子的權值；
[0060]4)對步驟3所得權值進行歸一化；
[0061]5)進行重采樣:對具有大權值的樣本，重復采樣；而小權值樣本，拋棄處理。如此獲得的隨機樣本分布趨于后驗分布；[0062]仿真分析:I)假設在仿真時間段t e [O, T]和頻率范圍f e [fc-B/2, fc+B/2]內，信道處于廣義平穩(WSS)狀態，即傳播路徑的復值權重及其相位在此間隔內不會發生劇烈的變化，路徑延時線性變化且可以通過Doppler頻移進行建模；2)假設仿真信道在時域和延時域上均存在帶限，即有最大Doppler頻移和最大延時的限制。因此，可以在帶限內利用減少的子空間來進行仿真，從而計算時間不再依賴于信道傳播多徑的數量。
[0063]基于以上假設，漫散射信道的時變頻率響應可以表示為:
[0064]
【權利要求】
1.一種基于低復雜度建模的車聯網多維信道感知系統，其特征在于，所述感知系統包括: 分布式天線陣列，所述分布式天線陣列布置在車身周圍，進行時空域的多維掃描探測； 移動信道探測模塊，所述移動信道探測模塊控制分布式天線陣列的多維掃描，并實時獲取信道掃描數據，實現高帶寬、高分辨率的信道特征采集； 多維信道分析與感知模塊，所述多維信道分析與感知模塊通過分析車輛移動過程中的信道傳播特性，實時獲取移動信道的多維時變參數，精確估計移動車輛的信道變化軌跡，感知車輛周圍環境的變化情況。
2.根據權利要求1所述的一種基于低復雜度建模的車聯網多維信道感知系統，其特征在于，所述移動信道探測模塊通過信號發射機和信號接收機發射和采集分布式天線陣列掃描信號，并通過高速微波切換開關，控制分布式天線陣列的多維掃描，通過高速數據采集系統，實時獲取信道掃描數據，實現高帶寬、高分辨率的信道特征采集，數據采用高速磁盤陣列進行存取。
3.根據權利要求1或2所述的一種基于低復雜度建模的車聯網多維信道感知系統，其特征在于，所述移動信道探測模塊控制分布式天線陣列進行多維掃描探測的過程如下: 1)參數初始化:預置待測試的信道數，根據天線輻射方向圖分布，為發射機和接收機分別選取兩組合適的波束 控制電壓，電壓值與所產生的天線輻射方向圖一一對應； 2)發射激勵信號:固定發射機天線的其中一個饋電電壓值，從而產生對應的發射天線方向圖，利用寬帶PN偽隨機序列連續波作為激勵信號，并進行QPSK調制； 3)空域掃描測試:切換接收機天線對應的饋電電壓，從而改變對應的接收天線的輻射方向圖，進行掃描測試，并完成對應子信道的測試與數據存儲。 4)MIMO數據存儲:重復步驟2和步驟3，直到所有預設信道數的掃描都完成為止，在相干時間內完成高速數據采樣與存儲； 5)高精度數據分析:對測試數據進行預處理，直接得到空域功率譜特征；并通過優化的高精度估計算法進行參數估計，提取多徑參數用于模型構建。
4.根據權利要求1所述的一種基于低復雜度建模的車聯網多維信道感知系統，其特征在于，多維信道分析與感知模塊通過對分布式天線陣列掃描所獲取的移動信道數據進行實時多維特征提取，估計時域、空域、頻域多維信道分布參數，根據統計特性建立高精度移動信道模型，再通過對移動信道的多維功率譜特征分布以及時變參數分布的跟蹤估計，獲取移動車輛周邊的環境變換特征，解析多維信道與環境的映射關系，實現精準的環境感知。
5.根據權利要求4所述的一種基于低復雜度建模的車聯網多維信道感知系統，其特征在于，所述多維信道分析與感知模塊中采用基于離散橢球序列子空間的低復雜度建模算法建立高精度移動信道模型。
6.根據權利要求4所述的一種基于低復雜度建模的車聯網多維信道感知系統，其特征在于，多維信道分析與感知模塊還通過對信道的多維特征進行提取，產生移動信道建模所需的信道樣本，根據樣本空間特性，建立神經網絡結構，經過預處理和權重參數初始化之后，進行模型的訓練，最終得到優化的神經網絡模型，利用神經網絡對移動信道模型進行訓練得到粒子濾波跟蹤的初始值，獲得觀測值后應用似然函數計算每一個粒子的權值，并進行權值歸一化操作，經過重采樣更新權值后，即可由后驗分布得到信道估計值，從而進一步優化移動信道模型的環境適應性。`
【文檔編號】H04B17/00GK103618576SQ201310385954
【公開日】2014年3月5日 申請日期:2013年8月29日 優先權日:2013年8月29日
【發明者】周毅 申請人:上海永暢信息科技有限公司