CN111526499B - 基于在线学习和毫米波束选择的车载终端通信方法 - Google Patents
基于在线学习和毫米波束选择的车载终端通信方法 Download PDFInfo
- Publication number
- CN111526499B CN111526499B CN202010305829.8A CN202010305829A CN111526499B CN 111526499 B CN111526499 B CN 111526499B CN 202010305829 A CN202010305829 A CN 202010305829A CN 111526499 B CN111526499 B CN 111526499B
- Authority
- CN
- China
- Prior art keywords
- beams
- vehicle
- entering
- sector
- variable
- 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
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]
- H04W4/48—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for in-vehicle communication
-
- 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
- H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/046—Wireless resource allocation based on the type of the allocated resource the resource being in the space domain, e.g. beams
-
- 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
Abstract
本发明公开了一种基于在线学习和毫米波束选择的车载终端通信方法,包括系统初始化;在每一个调度周期内收集每个进入毫米波频段小基站覆盖区域的注册车载终端的上下文信息并根据收集的车载终端的上下文信息确定所属的上下文子空间;对所有车载终端检查每个波束在对应的上下文子空间下的使用次数和对应的波束性能估计值并选定出待探测波束集合和待利用波束集合;选出若干个最优波束并分配给车载终端;车载终端利用波束进行通信,同时更新对应波束在对应上下文子空间下的使用次数和波束性能估计值;重复上述步骤实现车载终端的通信。本发明的可靠性高、实用性好且能够有效提升车载终端通信容量。
Description
技术领域
本发明属于移动通信领域,具体涉及一种基于在线学习和毫米波束选择的车载终端通信方法。
背景技术
随着通信技术的发展,第四代(4G)移动通信系统使用的6GHz以下传统频段已无法满足日益增长的网络容量需求。因此,第五代(5G)移动通信系统使用了频率更高的毫米波段频谱。然而,毫米波段的无线信号传播特性具有高路径损耗和高穿透损失等缺陷。幸运地是已有研究证实,通过波束赋形与定向发射可以抑制高路径损耗,通过部署更密集的基站形成短距离通信环境可减少非视距通信概率从而减少高穿透损失。定向发射需要收发双方的波束对齐。然而,在使用毫米波的车载通信场景下,因车辆的移动,这种基站与车载终端之间波束对齐操作需要频繁地进行,不仅增加了操作难度,而且难以保证对齐的准确性。
以车载终端从毫米波基站接收数据为例,G.H.Sim等人在2018年11月发表的论文“An Online Context-Aware Machine Learning Algorithm for 5G mmWave VehicularCommunications”(文献1)探讨了如何通过对通信环境的自动探测与学习以适应接收端的移动性,确保毫米波基站为车载终端选择的毫米波束能为该车载终端传输更多的数据。该文献的工作是以预先设定的时间片为调度周期。在调度周期之初,基站选择自认为性能最好的若干个毫米波束并分配给自认为最合适的相应数量的车载终端,然后收集这些车载终端在该调度周期内实际接收到的数据量,以便对这些波束的性能进行更新。更新后的波束性能在随后的调度周期内作为选择毫米波束的依据。该方法不需要事先的训练过程,是一种边使用边学习的在线学习方案,被称为快速机器学习(fast machine learning,FML)算法。该算法本质上是通过对以往经验的学习,再结合当前车载终端的上下文信息,为车载终端从已有波束资源集合中选择合适尺寸和方位的波束。这等同于在每个调度周期内进行了通信双方的波束对齐操作。这种统计学习的方式减轻了实际波束对齐操作的难度,并能通过不断地学习使得波束对齐的准确性越来越高。
在FML算法中,由于受波束不能重叠的限制,波束资源集合中不同尺寸和方位的波束数量设置也受到限制。因此,对每个车载终端来说,获得合适尺寸和方位的波束的机会也受限。同时,由于FML算法仅使用少量的车辆到达角信息,导致上下文信息不充分,给基于上下文的决策带来更多不确定性。另外,对波束性能更新的方法也不够灵活。若波束性能较为稳定,FML算法的波束性能更新的方法能很好地抵御波束性能受偶然因素波动的影响。但是,当通信环境发生根本性改变,该更新方法的实时性却很差。
发明内容
本发明的目的在于提供一种可靠性高、实用性好且能够有效提升车载终端通信容量的基于在线学习和毫米波束选择的车载终端通信方法。
本发明提供的这种基于在线学习和毫米波束选择的车载终端通信方法,包括如下步骤:
S1.对于毫米波频段小基站,将其覆盖区域划分为若干个扇区,确定每个扇区内上下文子空间数量,并初始化每个扇区中对于每个波束、每个上下文子空间的使用次数变量和对应的波束性能估计值变量;
S2.在每一个调度周期内,收集每个进入毫米波频段小基站覆盖区域的注册车载终端的上下文信息,以根据收集的车载终端的上下文信息确定所属的上下文子空间;
S3.对所有扇区内所有已注册的车载终端,检查每个波束在对应的上下文子空间下的使用次数和对应的波束性能估计值,并选定出待探测波束集合和待利用波束集合;
S4.从步骤S3得到的待探测波束集合和待利用波束集合中,选出若干个最优波束作为选定波束,并分配给车载终端;
S5.车载终端利用步骤S4分配的选定波束进行通信,同时毫米波频段小基站收集车载终端在当前调度周期内的通信情况数据,更新对应波束在对应上下文子空间下的使用次数和波束性能估计值;
S6.重复步骤S2~S5,从而实现车载终端的通信。
步骤S1所述的对于毫米波频段小基站,将其覆盖区域划分为若干个扇区,确定每个扇区内上下文子空间数量,并初始化每个扇区中对于每个波束、每个上下文子空间的使用次数变量和对应的波束性能估计值变量,具体为对于毫米波频段小基站,将其覆盖区域划分为L个扇区,并确定每个扇区内上下文子空间数量为其中T为设定的调度周期总数,α为设定的参数值,优选取值为D为上下文信息的维度;同时初始化使用次数变量表示在时间周期t前毫米波频段小基站对于特定的上下文s选择并使用过波束b的总次数;初始化波束性能估计值表示波束b在上下文子空间s下的波束性能估计值。
步骤S3所述的对所有扇区内所有已注册的车载终端,检查每个波束在对应的上下文子空间下的使用次数和对应的波束性能估计值,并选定出待探测波束集合和待利用波束集合,具体为采用如下步骤选定出待探测波束集合和待利用波束集合:
A.检查每个波束在该上下文子空间下的使用次数和对应的波束性能估计值;
B.根据步骤A的检查结果,将使用次数低于探测设定值的波束,形成进一步探测波束集合;将使用次数不低于探测设定值的波束,形成稳定波束集合;
C.若任一扇区中的进一步探测波束集合非空,则进入探测阶段:
对于每一个扇区,若该扇区中进一步探测波束集合中波束的个数n1不小于系统可并发使用的波束数量n,则直接在进一步探测波束集合中随机选出n个波束,组成待探测波束集合;稳定波束集合直接形成待利用波束集合;
对于每一个扇区,若该扇区中进一步探测波束集合中波束的个数n1小于系统可并发使用的波束数量n,则直接在进一步探测波束集合中选出所有波束,并在稳定波束集合中按波束性能高低选出n-n1个波束进行补齐,从而形成待探测波束集合;稳定波束集合中的剩余所有波束形成待利用波束集合。
步骤S4所述的从步骤S3得到的待探测波束集合和待利用波束集合中,选出若干个最优波束作为选定波束,具体为采用如下原则选定最优波束:统计当前的待探测波束集合的波束数量u:
若当前的待探测波束集合的波束数量u不小于系统可并发使用的波束数量n,则从当前的待探测波束集合中随机选取n个待探测波束作为最终的最优波束;
若当前的待探测波束集合的波束数量u小于系统可并发使用的波束数量n,则选取当前的待探测波束集合中的所有u个波束,并从当前的待利用波束集合中按照性能高低选出n-u个波束,并一同作为最终的最优波束。
步骤S5所述的更新对应波束在对应上下文子空间下的使用次数和波束性能估计值,具体为采用如下算式更新使用次数和波束性能估计值:
所述的基于在线学习和毫米波束选择的车载终端通信方法,具体为采用如下步骤进行通信:
输入:调度周期的数量T,扇区的数量L,上下文子空间数量CT,探测设定值K(t);
输出:最优波束以及使用最优波束的车载终端;
步骤1.1:设置扇区计数变量l为1,进入步骤1.2;
步骤1.2:判断l是否不大于L(L是扇区数量):若是,则进入步骤1.3;否则进入步骤1.7;
步骤1.6:将扇区计数变量l的值增1,返回步骤1.2;
步骤1.7:设置调度周期计数变量t为1;进入步骤1.8;
步骤1.8:判断t是否不大于T:如果是,则进入步骤1.9,否则算法结束;
步骤1.12:判断u是否不小于n;n为可并发使用的波束数量:若是,则进入步骤1.13;否则进入步骤1.14;
步骤1.16:车载终端利用选定的波束进行通信,并更新波束使用次数变量和波束性能估计值变量;进入步骤1.17;
步骤1.17:将调度周期计数变量t的值增1,返回步骤1.8。
步骤2.2:设置扇区计数变量l为1,进入步骤2.3;
步骤2.3:判断l是否不大于L:若是,则进入步骤2.4;否则算法结束;
步骤2.8:判断ul是否不小于n:若是,则进入步骤2.9;否则进入步骤2.10;
步骤1.16所述的更新波束使用次数变量和波束性能估计值变量,具体为采用如下步骤更新波束使用次数变量和波束性能估计值变量:
步骤3.3:设置扇区计数变量l为1,进入步骤3.4;
步骤3.4:判断l是否不大于L:若是,则进入步骤3.5;否则算法结束;
步骤3.5:变量l自身加1,并设置车辆计数变量i为1,进入步骤3.6;
步骤3.7:变量i自身加1,并设置波束计数变量j为1;进入步骤3.8;
步骤3.8:判断j是否不大n:若是,则进入步骤3.9;否则返回步骤3.6;
步骤3.11:变量j自身加1,返回步骤3.8。
本发明提供的这种基于在线学习和毫米波束选择的车载终端通信方法,可以选择具有更合理的波束宽度和波束方向的一组波束,而这些选定的波束可以同时被分配给更合适的车载终端使用,这有助于增加这些车载终端在每个调度周期内接收的数据量;本发明方法利用了更丰富的上下文,这有助于挑选出更合理的波束子集,毫米波基站的覆盖范围被划分为多个子覆盖区,先分区搜索所需的波束子集,然后从所有分区搜索的结果中挑选最终使用的波束子集,这种先分区后汇总的搜索方法减少了波束搜索开销;本发明方法的波束性能更新方法更加灵活,通过调整最新收集的观测值对当前更新的波束性能值的贡献的权重系数,既可以将波束性能更新方法调整到侧重于对偶尔通信环境波动的鲁棒性,又可以调整到侧重于对通信环境重大变化的及时适应性;最后,与现有的相关算法相比,仿真结果表明本发明方法在每个调度周期内显著提高了系统中车载终端接收的数据量,虽然开销略有增加,但在一定的调度周期后,波束性能更新成本没有差异。
附图说明
图1为本发明方法的车载终端通信系统结构示意图。
图2为本发明方法的方法流程示意图。
图3为本发明方法的实施例的随着车辆数量变化的系统累计接收数据量变化趋势示意图。
图4为本发明方法的实施例的随着车辆数量变化的在线学习代价变化趋势示意图。
图5为本发明方法的实施例的随着每个调度周期内可并发使用的波束数量变化的系统累计接收数据量变化趋势示意图。
图6为本发明方法的实施例的随着每个调度周期内可并发使用的波束数量变化的在线学习代价变化趋势。
具体实施方式
本发明考虑一个集成了毫米波频段和6GHz以下传统频段的蜂窝系统下的下行单播通信场景。即一个4G基站(LTEeNB)覆盖范围内部署了若干毫米波频段小基站(mmSBSs)(如图1所示)。每个mmSBS通过回程链路以有线模式(如光纤)或无线模式(如毫米波段链路)连接到LTEeNB。车载终端具备两种类型的无线通信接口,即一个LTE接口(用于维持与LTEeNB的连接)和一个毫米波段接口(用于高速数据通信)。每个车载终端安装在车辆上,车辆在移动过程中通过mmSBS与基站进行通信和数据交互。
理论上,每个mmSBS可以设置无限个概念上的波束,每个概念波束的波宽范围可以设置为0~360°并允许概念波束之间重叠。如果一个mmSBS同时使用它的所有概念波束,则它的潜在并发传输能力可以倍增。为达到此目的,实际上每个概念波束必须配备一个专用的射频(RF)链。如果概念波束之间相互重叠,则必须为它们分配不同的频带才能并发使用。由于mmWave频段具有丰富的带宽资源,所以为重叠的概念波束分配不同的信道并非难事。另外,由于一个mmSBS装备的RF链数量是有限的,所有并发的概念波束数量也是有限的。因此,重叠的概念波束数量不会超过RF链数量,因而需要并发使用的频段资源块数量也不会超出RF链数量。一个mmSBS可以同时服务的车载终端数量受到mmSBS所能装备的最大RF链数的限制。当一个mmSBS的概念波束数目和其覆盖范围内的车载终端数目分别超过其RF链的数目时,应选择概念波束的最佳子集,以提供最佳的总下行数据传输能力。
本发明方法不限制一个mmSBS所能拥有的概念波束的数量,以期望在一个更大的概念波束空间为每个被选择的车载终端找到更适合的波宽尺寸和方位的波束。为了保持这一优势,同时减少在线学习算法的搜索时间,本发明将一个mmSBS的覆盖区域平均划分为L个扇区,且第l个扇区(l∈{1,...,L})的波束数量记为Ml。不同扇区之间的概念波束不允许重叠,而同一扇区内的概念波束允许重叠。一个mmSBS可以在第l个扇区使用的波束被表示为一个有限集合 对任一扇区,这个mmSBS可以同时选择的概念波束的数量至多为因此,可以同时服务最多n个车载终端。由于同一扇区的n个最好概念波束可能不是整个覆盖区内最好的n个概念波束,因此,这个mmSBS在分别从各个扇区选出至多n个最佳概念波束后,需要再从这些被选出的波束中挑选出最好的n个概念波束。当选择一个概念波束来限制发射信号的能量传播区域时,需要将射频链和频带分配给它,才能真正实现收发操作。此时,选中的概念波束变成了实际波束。
本发明让LTEeNB向mmSBS提供必要的信息,即下文提到的车载终端的上下文信息。同时,LTEeNB也可以向车载终端提供mmSBS的位置和mmSBS为车载终端选择的波束信息。在阐述本发明内容(即IFML的细节)之前,先简要阐述一下将IFML集成到车载毫米波通信过程中的信息交互过程。由于车载终端通过其LTE接口与LTEeNB保持持续的连接,因此,当它需要与某个邻近的mmSBS进行大容量数据传输时,它可以向LTEeNB发送一个注册请求消息。这个消息应该包含车载终端的位置和速度。在LTEeNB收到注册请求,并根据车载终端的位置和速度做出一定的决策和判断后,向潜在的mmSBS发送mmWave通信服务请求消息。此消息应包含该车载终端在蜂窝系统中的标识符、车辆行驶道路的标识符、车辆到达该mmSBS的预期方向。
通过运行本发明方法,mmSBS能获得一个调度周期内拟并发使用的波束以及使用这些波束的车载终端。若mmSBS为某个注册的车载终端分配了波束,则它会响应这个车载终端相关的mmWave通信服务请求。这个响应包会由LTE eNB转发给相应的车载终端,因此,这个车载终端会获得mmSBS的位置及其为其选择的波束。然后,当这个车载终端到达mmSBS的覆盖范围时,它开始向mmSBS发送一个关联请求并等待mmSBS的关联响应。当这步操作完成后,这个车载终端即可从mmSBS接收数据。若数据传输阶段成功,则mmSBS将从传输的数据帧中获得确认,因此不需要任何反馈。若车载终端无法在选定的波束内与mmSBS进行连通,则会将反馈发送到LTE eNB。此反馈将被转发给mmSBS作为未来决策的参考。同时,在本发明中,由mmSBS运行的本方法将运行时间离散化为固定的时间片,被称之为调度周期。
在每一个调度周期内,必须完成如下任务:
任务一:对每个扇区来说,在一个调度周期之初,会记录该扇区内的车载终端集合,例如,和分别表示第l个扇区内在第t个调度周期内注册的车载终端集合和该集合内车载终端的数量,其中表示第l个扇区中在第t个调度周期内编号为i的车载终端。既然RF链的数目通常较小,而车载终端数量通常较大,那么,在一个调度周期内,车载终端数量通常能大于RF链的数目n。
同时,在注册过程中,mmSBS会接收到每个正在接近的车载终端的上下文信息(被表示为)。形式上,上下文被看作是一个D维向量。在第t个调度周期的第一个时隙之后,mmSBS会得到新的上下文信息。该上下文信息被表示为其中,表示第l个扇区中在第t个调度周期内编号为i的车载终端的第一维上下文信息,而表示第l个扇区中在第t个调度周期内编号为i的车载终端的第D维上下文信息。在本发明中,设定上下文向量是二维的,因此,D=2,即本发明只考虑道路标识符和到达方向作为车载终端的上下文。
任务二:基于上述信息,mmSBS首先从每个扇区选取最多n个最佳波束。例如,被选出的波束集合被表示为其中表示第l个扇区中第t个调度周期内编号为j的波束。然后,从所有扇区选出的最佳波束集中,再重新选择出最多n个最佳波束,并确定这些波束的使用车载终端后,再由LTE eNB进行通知。
任务三:当每个接收到来自LTEeNB的通知的车载终端(例如)进入mmSBS的覆盖范围内时,mmSBS将通过为它选择的波束(例如)给它发送数据,并收集其在该调度周期内实际接收数据的情况。通常,具有上下文的车载终端通过波束接收的数据被记录在变量中。这个变量表示车载终端在第l个扇区中的第t个调度周期内通过编号为j的波束接收到的数据量,它被看作一个随调度周期变化的随机变量。
因此,本发明方法如图2所示,包括如下步骤:
S1.对于毫米波频段小基站,将其覆盖区域划分为若干个扇区,确定每个扇区内上下文子空间数量,并初始化每个扇区中对于每个波束、每个上下文子空间的使用次数变量和对应的波束性能估计值变量;具体为对于毫米波频段小基站,将其覆盖区域划分为L个扇区,并确定每个扇区内上下文子空间数量为其中T为设定的调度周期总数,α为设定的参数值,优选取值为D为上下文信息的维度;同时初始化使用次数变量表示在时间周期t前毫米波频段小基站对于特定的上下文s选择并使用过波束b的总次数;初始化波束性能估计值表示波束b在上下文子空间s下的波束性能估计值;
S2.在每一个调度周期内,收集每个进入毫米波频段小基站覆盖区域的注册车载终端的上下文信息,以根据收集的车载终端的上下文信息确定所属的上下文空间;
S3.对所有扇区内所有已注册的车载终端,检查每个波束在对应的上下文子空间下的使用次数和对应的波束性能估计值,并选定出待探测波束集合和待利用波束集合;具体为采用如下步骤选定出待探测波束集合和待利用波束集合:
A.检查每个波束在该上下文子空间下的使用次数和对应的波束性能估计值;
B.根据步骤A的检查结果,将使用次数低于探测设定值的波束,形成进一步探测波束集合;将使用次数不低于探测设定值的波束,形成稳定波束集合;
C.若任一扇区中的进一步探测波束集合非空,则进入探测阶段:
对于每一个扇区,若该扇区中进一步探测波束集合中波束的个数n1不小于系统可并发使用的波束数量n,则直接在进一步探测波束集合中随机选出n个波束,组成待探测波束集合;稳定波束集合直接形成待利用波束集合;
对于每一个扇区,若该扇区中进一步探测波束集合中波束的个数n1小于系统可并发使用的波束数量n,则直接在进一步探测波束集合中选出所有波束,并在稳定波束集合中按波束性能高低选出n-n1个波束进行补齐,从而形成待探测波束集合;稳定波束集合中的剩余所有波束形成待利用波束集合;
S4.从步骤S3得到的待探测波束集合和待利用波束集合中,选出若干个最优波束作为选定波束,并分配给车载终端;具体为采用如下原则选定最优波束:统计当前的待探测波束集合的波束数量u:
若当前的待探测波束集合的波束数量u不小于系统可并发使用的波束数量n,则从当前的待探测波束集合中随机选取n个待探测波束作为最终的最优波束;
若当前的待探测波束集合的波束数量u小于系统可并发使用的波束数量n,则选取当前的待探测波束集合中的所有u个波束,并从当前的待利用波束集合中按照性能高低选出n-u个波束,并一同作为最终的最优波束;
S5.车载终端利用步骤S4分配的选定波束进行通信,同时毫米波频段小基站收集车载终端在当前调度周期内的通信情况数据,更新对应波束在对应上下文子空间下的使用次数和波束性能估计值;具体为采用如下算式更新使用次数和波束性能估计值:
S6.重复步骤S2~S5,从而实现车载终端的通信。
同时,在具体实施时,本发明方法具体可以表现为如下具体步骤:
输入:调度周期的数量T,扇区的数量L,上下文子空间数量CT,探测设定值K(t);
输出:最优波束以及使用最优波束的车载终端;
步骤1.1:设置扇区计数变量l为1,进入步骤1.2;
步骤1.2:判断l是否不大于L(L是扇区数量):若是,则进入步骤1.3;否则进入步骤1.7;
步骤1.6:将扇区计数变量l的值增1,返回步骤1.2;
步骤1.7:设置调度周期计数变量t为1;进入步骤1.8;
步骤1.8:判断t是否不大于T:如果是,则进入步骤1.9,否则算法结束;
步骤1.12:判断u是否不小于n;n为可并发使用的波束数量:若是,则进入步骤1.13;否则进入步骤1.14;
步骤1.16:车载终端利用选定的波束进行通信,并更新波束使用次数变量和波束性能估计值变量;进入步骤1.17;
步骤1.17:将调度周期计数变量t的值增1,返回步骤1.8。
步骤2.2:设置扇区计数变量l为1,进入步骤2.3;
步骤2.3:判断l是否不大于L:若是,则进入步骤2.4;否则算法结束;
步骤2.8:判断ul是否不小于n:若是,则进入步骤2.9;否则进入步骤2.10;
此外,步骤1.16中的“更新波束使用次数变量和波束性能估计值变量”,具体为采用如下步骤更新波束使用次数变量和波束性能估计值变量:
步骤3.3:设置扇区计数变量l为1,进入步骤3.4;
步骤3.4:判断l是否不大于L:若是,则进入步骤3.5;否则算法结束;
步骤3.5:变量l自身加1,并设置车辆计数变量i为1,进入步骤3.6;
步骤3.7:变量i自身加1,并设置波束计数变量j为1;进入步骤3.8;
步骤3.8:判断j是否不大n:若是,则进入步骤3.9;否则返回步骤3.6;
步骤3.11:变量j自身加1,返回步骤3.8。
以下,结合一个实施例,对本发明方法进行进一步说明:
将毫米波基站的覆盖范围划分为4(即L=4)个扇区且每个扇区大小相同。对于每个扇区都有两条道路经过,并且扇区中的阻塞位置和大小是固定的,这些阻塞会影响基站和车辆之间的毫米波通信。对于车辆来说,车辆遵循曼哈顿移动模型在设定的道路上移动。在整个仿真区域随机投放车辆节点,每个车辆的静止和移动概率分别为20%和80%,其移动速度大小在5m/s~10m/s之间随机产生,当车辆移动至道路交叉口时,车辆直行经过路口、左拐经过路口和右拐经过路口的概率分别为50%、25%和25%。
毫米波基站覆盖区的每个扇区均设置了7种不同波宽的波束(即从30°到90°,步长为10°),其中每种类型的波束数量为1。此外,一个调度周期被定义为固定的时间长度,被设为3秒。在这个调度周期内,mmSBS接收车辆的注册信息,然后结合车辆的上下文信息,并从以往经验中学习该如何选择波束。我们选择道路标识符和车辆的到达方向作为上下文。即上下文向量是二维向量。车辆的到达方向定义为该车辆与mmSBS的连线与以mmSBS为原点的平面坐标系中X轴正向之间的夹角。在mmSBS的每个扇区中,参数α和二维子空间的数目分别设置为α=0.33和CT=10。基于这些参数设置,并根据和知道调度周期的数量T约为1000,而控制函数K(t)的值约为2.02。
在仿真过程中,对比算法是基于文献[1]中FML算法核心思想的变体方案,除了调度周期采用固定长度值和车辆针对基站的到达方向采用本发明所定义外,其它都遵循背景中文献1中FML算法的思想。评估中使用的性能指标是累计接收数据量和在线学习成本。累计接收数据量被定义为在所有调度周期内所有车辆从基站接收的数据量,而在线学习成本被定义为达到规定的性能时,学习算法所需探测波束性能的轮数,而在一个调度周期内的波束性能探测操作都被视为一轮。
仿真采用的毫米波信道传播模型如下:
式中为mmSBS向车辆i定向波束发射的功率;为当mmSBS的发射功率为时,车辆i所接收到的功率;为定向发射增益;为定向接收增益;为mmSBS与车辆i之间的信道增益;当mmSBS与车辆i之间的波束对准时,发射增益和接收增益可由下式估计:
其中di为mmSBS和车辆i之间的距离,c是光速;λ为波长且λ=c/fc;fc为载波频率;Γ为毫米波反射路径的反射系数;当mmSBS与车辆i之间为非视距(Non Line of Sight,NLOS)通信时,振幅还与路径损耗和反射系数有关。计算车辆i与mmSBS之间的数据传送速率Ci的香农定理表示如下:
其中W为毫米波链路带宽;N0为环境噪声功率密度。在数据传输阶段,mmSBS观察并记录在每一调度周期内每辆被服务的车辆在每一特定的选定波束下得到的数据量是数据传送速率Ci与基站和车辆有效通信时间的乘积;
仿真参数如表1所示:
表1仿真参数
采用OMNeT++5.4.1网络仿真器得到图3至图6所示结果。从图3中可看到随着车辆数量的增加,系统接收数据总量也会增加。这是因为,当车辆数量较少时,上下文信息量不足,导致学习效果欠佳,因而准确选中能最大化累计接收数据量的车辆的概率较小;随着车辆数量的增加,相应的上下文信息也日渐丰富,有助于提升学习效果,因而准确选中能最大化累计接收数据量的车辆的概率变大。从图3中,也能看到,当车辆密度的增加到一定量时,累计接收数据量几乎没有明显增加。这是因为,总的并发波束数量(即同时使用的波束数量)是固定的,同时当上下文信息量足够多时,通过学习,已能比较合理地选中规定数量的服务车辆,再增加上下文信息对学习效果没有明显提升了。图3显示本发明方案比对比方案更优。原因主要在于两个方面;一个方面是本发明方案相比对比方案能够为服务车辆找到更合适的波宽尺寸和波束方位的波束,另一个方面是本发明方案的二维上下文相比于对比方案的一维上下文能带来更准确信息,因而能作出更合理的决策。
从图4中,可以看到,在线学习的探索轮数随着仿真区域内车辆数量的增加而减少。这是因为,在一个调度周期内进入系统的车辆数量越多,其覆盖的上下文子空间数量越多,则能将每个波束在更多上下文子空间上的性能表现进行检测。若发现没有性能表现的历史数据,或已记录的历史数据不够充分,则能尽快地进入探测调度中。因而,在一个调度周期内能够调度更多的波束进行探测操作,有利于更快地将每个波束在每个上下文子空间下的性能探测完毕,从而减少了探索轮数。同时,也能从图4中观察到本发明方案的探索轮数多于对比方案。这是因为本发明方案的波束数量设置得比对比方案的多。通过多设置波束数量有利于为每辆被选中的车辆分配具备更合理尺寸和方位的波束,但同时需要学习的信息空间更大,因而探索轮数会更多。随着车辆数量的增加,两种方案的探索轮数的差别在缩小。这说明本发明方案通过对基站覆盖区进行划分,采取先分区探索再合成的双层探索模式,其探索效率随着车辆数量的增加而提升的幅度更大。
从图5中,可以看到,随着每个调度周期内可并发使用的波束数量的增加,所有方案的累积接收数据量也随之增加。这是因为可并发使用的波束数量的增加意味着更多的车辆可以同时获得服务,因而系统的累积接收数据量会更多。不同方案之间累积接收数据量存在差异的原因的解释类似于对图1结果的解释。
从图6中,可以看到,随着每个调度周期内可并发使用的波束数量的增加,所有方案的波束探索轮数随之减少。这是因为每个调度周期内可并发使用的波束数量的增加意味着同一调度周期内可能探索的未知性能或性能信息不确定波束的数量更多,因而在总的波束和子空间数量固定情况下,所需的探索轮数会减少。不同方案之间波束探索轮数存在差异的原因的解释类似于对图2结果的解释。同时,在可并发使用的波束数量更多时,本发明方案的先分区探索再合成的双层探索模式的效果更好。这是因为在可并发使用的波束数量更多时,每个分区在每轮能探索的波束数量也更多,因而能更快探测完未知性能或性能信息不确定波束。
Claims (4)
1.一种基于在线学习和毫米波束选择的车载终端通信方法,包括如下步骤:
S1.对于毫米波频段小基站,将其覆盖区域划分为若干个扇区,确定每个扇区内上下文子空间数量,并初始化每个扇区中对于每个波束、每个上下文子空间的使用次数变量和对应的波束性能估计值变量;具体为对于毫米波频段小基站,将其覆盖区域划分为L个扇区,并确定每个扇区内上下文子空间数量为其中T为设定的调度周期总数,α为设定的参数值;D为上下文信息的维度;同时初始化使用次数变量表示在时间周期t前毫米波频段小基站对于特定的上下文s选择并使用过波束b的总次数;初始化波束性能估计值表示波束b在上下文子空间s下的波束性能估计值;l为扇区计数变量;
S2.在每一个调度周期内,收集每个进入毫米波频段小基站覆盖区域的注册车载终端的上下文信息,以根据收集的车载终端的上下文信息确定所属的上下文空间;
S3.对所有扇区内所有已注册的车载终端,检查每个波束在对应的上下文子空间下的使用次数和对应的波束性能估计值,并选定出待探测波束集合和待利用波束集合;具体为采用如下步骤选定出待探测波束集合和待利用波束集合:
A.检查每个波束在该上下文子空间下的使用次数和对应的波束性能估计值;
B.根据步骤A的检查结果,将使用次数低于探测设定值的波束,形成进一步探测波束集合;将使用次数不低于探测设定值的波束,形成稳定波束集合;
C.若任一扇区中的进一步探测波束集合非空,则进入探测阶段:
对于每一个扇区,若该扇区中进一步探测波束集合中波束的个数n1不小于系统可并发使用的波束数量n,则直接在进一步探测波束集合中随机选出n个波束,组成待探测波束集合;稳定波束集合直接形成待利用波束集合;
对于每一个扇区,若该扇区中进一步探测波束集合中波束的个数n1小于系统可并发使用的波束数量n,则直接在进一步探测波束集合中选出所有波束,并在稳定波束集合中按波束性能高低选出n-n1个波束进行补齐,从而形成待探测波束集合;稳定波束集合中的剩余所有波束形成待利用波束集合;
S4.从步骤S3得到的待探测波束集合和待利用波束集合中,选出若干个最优波束作为选定波束,并分配给车载终端;具体为采用如下原则选定最优波束:统计当前的待探测波束集合的波束数量u:
若当前的待探测波束集合的波束数量u不小于系统可并发使用的波束数量n,则从当前的待探测波束集合中随机选取n个待探测波束作为最终的最优波束;
若当前的待探测波束集合的波束数量u小于系统可并发使用的波束数量n,则选取当前的待探测波束集合中的所有u个波束,并从当前的待利用波束集合中按照性能高低选出n-u个波束,并一同作为最终的最优波束;
S5.车载终端利用步骤S4分配的选定波束进行通信,同时毫米波频段小基站收集车载终端在当前调度周期内的通信情况数据,更新对应波束在对应上下文子空间下的使用次数和波束性能估计值;具体为采用如下算式更新使用次数和波束性能估计值:
S6.重复步骤S2~S5,从而实现车载终端的通信。
2.根据权利要求1所述的基于在线学习和毫米波束选择的车载终端通信方法,其特征在于所述的基于在线学习和毫米波束选择的车载终端通信方法,具体为采用如下步骤进行通信:
输入:调度周期的数量T,扇区的数量L,上下文子空间数量CT,探测设定值K(t);
输出:最优波束以及使用最优波束的车载终端;
步骤1.1:设置扇区计数变量l为1,进入步骤1.2;
步骤1.2:判断l是否不大于L:若是,则进入步骤1.3;否则进入步骤1.7;
步骤1.6:将扇区计数变量l的值增1,返回步骤1.2;
步骤1.7:设置调度周期计数变量t为1;进入步骤1.8;
步骤1.8:判断t是否不大于T:如果是,则进入步骤1.9,否则算法结束;
步骤1.12:判断u是否不小于n;n为可并发使用的波束数量:若是,则进入步骤1.13;否则进入步骤1.14;
步骤1.16:车载终端利用选定的波束进行通信,并更新波束使用次数变量和波束性能估计值变量;进入步骤1.17;
步骤1.17:将调度周期计数变量t的值增1,返回步骤1.8。
步骤2.2:设置扇区计数变量l为1,进入步骤2.3;
步骤2.3:判断l是否不大于L:若是,则进入步骤2.4;否则算法结束;
步骤2.8:判断ul是否不小于n:若是,则进入步骤2.9;否则进入步骤2.10;
4.根据权利要求3所述的基于在线学习和毫米波束选择的车载终端通信方法,其特征在于步骤1.16所述的更新波束使用次数变量和波束性能估计值变量,具体为采用如下步骤更新波束使用次数变量和波束性能估计值变量:
步骤3.3:设置扇区计数变量l为1,进入步骤3.4;
步骤3.4:判断l是否不大于L:若是,则进入步骤3.5;否则算法结束;
步骤3.5:变量l自身加1,并设置车辆计数变量i为1,进入步骤3.6;
步骤3.7:变量i自身加1,并设置波束计数变量j为1;进入步骤3.8;
步骤3.8:判断j是否不大n:若是,则进入步骤3.9;否则返回步骤3.6;
步骤3.11:变量j自身加1,返回步骤3.8。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305829.8A CN111526499B (zh) | 2020-04-17 | 2020-04-17 | 基于在线学习和毫米波束选择的车载终端通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010305829.8A CN111526499B (zh) | 2020-04-17 | 2020-04-17 | 基于在线学习和毫米波束选择的车载终端通信方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111526499A CN111526499A (zh) | 2020-08-11 |
CN111526499B true CN111526499B (zh) | 2022-05-17 |
Family
ID=71904338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010305829.8A Active CN111526499B (zh) | 2020-04-17 | 2020-04-17 | 基于在线学习和毫米波束选择的车载终端通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111526499B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113271569A (zh) * | 2021-06-09 | 2021-08-17 | 南京万般上品信息技术有限公司 | 一种基于5G mmWaves的智能车载通信方法 |
CN113630887B (zh) * | 2021-09-16 | 2024-02-09 | 中南大学 | 一种基于在线学习的毫米波网络的车联网通信方法 |
CN114553284B (zh) * | 2022-04-27 | 2022-07-05 | 四川太赫兹通信有限公司 | 一种波束对准方法、装置、基站及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101925166A (zh) * | 2010-08-04 | 2010-12-22 | 中国电信股份有限公司 | 扇区间的协作调度方法和系统 |
WO2018094384A1 (en) * | 2016-11-21 | 2018-05-24 | Nio Usa, Inc. | Optimal route selection for autonomous vehicles |
CN108932840A (zh) * | 2018-07-17 | 2018-12-04 | 北京理工大学 | 基于强化学习的无人驾驶车辆城市交叉口通行方法 |
CN109327252A (zh) * | 2018-10-30 | 2019-02-12 | 电子科技大学 | 一种基于联系上下文的在线学习波束选择方法 |
CN109831236A (zh) * | 2018-11-13 | 2019-05-31 | 电子科技大学 | 一种基于蒙特卡洛树搜索辅助的波束选择方法 |
-
2020
- 2020-04-17 CN CN202010305829.8A patent/CN111526499B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101925166A (zh) * | 2010-08-04 | 2010-12-22 | 中国电信股份有限公司 | 扇区间的协作调度方法和系统 |
WO2018094384A1 (en) * | 2016-11-21 | 2018-05-24 | Nio Usa, Inc. | Optimal route selection for autonomous vehicles |
CN108932840A (zh) * | 2018-07-17 | 2018-12-04 | 北京理工大学 | 基于强化学习的无人驾驶车辆城市交叉口通行方法 |
CN109327252A (zh) * | 2018-10-30 | 2019-02-12 | 电子科技大学 | 一种基于联系上下文的在线学习波束选择方法 |
CN109831236A (zh) * | 2018-11-13 | 2019-05-31 | 电子科技大学 | 一种基于蒙特卡洛树搜索辅助的波束选择方法 |
Non-Patent Citations (2)
Title |
---|
基于值函数和策略梯度的深度强化学习综述;刘建伟等;《计算机学报》;20181022(第06期);全文 * |
毫米波波束管理的设计与研究;马腾等;《信息技术》;20200117(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111526499A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111526499B (zh) | 基于在线学习和毫米波束选择的车载终端通信方法 | |
US10880800B2 (en) | Method and apparatus for supporting mobility of terminal in wireless communication system | |
EP1800443B1 (en) | Method and apparatus for implementation of ad hoc mesh network | |
CN109347525A (zh) | 毫米波高铁车地通信的自适应多波束成形与波束切换方法 | |
US10624111B2 (en) | Methods and apparatuses for scheduling service area in drone network environment | |
CN110636523B (zh) | 一种基于q学习的毫米波移动回程链路能量效率稳定方案 | |
CN110166100A (zh) | 基于位置公平的毫米波高铁车地通信稳定波束成形方法 | |
CN107736071B (zh) | 确定用于引导要发送到用户设备的信号的波束的装置和方法 | |
US8862133B2 (en) | Method and system for determination of wireless device speed via channel quality indicator fading characteristics | |
CN111479239A (zh) | 一种多天线无人机数据采集系统的传感器发射能耗优化方法 | |
CN108901000B (zh) | 一种基于毫米波的车载自组织网络性能分析法 | |
Zhang et al. | Adaptive beamforming-based gigabit message dissemination for highway VANETs | |
Wu et al. | Cooperative content delivery in vehicular networks with integration of sub-6 GHz and mmWave | |
CN108259076B (zh) | 空中基站数据传输方法、装置、设备及系统 | |
EP3799471A1 (en) | Antenna keyhole management in wireless radio communication | |
CN111837447A (zh) | 用于基于物理运动的侧行资源池选择的装置和方法 | |
KR101170004B1 (ko) | 적응성 빔 기반 통신시스템 및 그 멀티홉 릴레이 전송방법 | |
Wu et al. | Reducing handoff delay of wireless access in vehicular environments by artificial neural network-based geographical fingerprint | |
Parada et al. | Context-aware handover in mmWave 5G using UE's direction of pass | |
Strzoda et al. | Measurements and analysis of large scale lora network efficiency | |
Edwertz | Performance evaluation of 5G vehicle-to-network use cases-A study of site configuration and network impact | |
CN113347606A (zh) | 一种基于弹性分区的v2i/v2v网络协作传输方法及系统 | |
CN113630887B (zh) | 一种基于在线学习的毫米波网络的车联网通信方法 | |
Lou et al. | Efficient DRL-based HD map Dissemination in V2I Communications | |
Lee et al. | Vehicles clustering for low-latency message dissemination in VANET |
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 |