CN111901026A - 一种通信中的到达角估计方法 - Google Patents

Abstract

本发明公开了一种通信中的到达角估计方法。该方法包括：获取阵列天线实时接收到的无线信号；将所述阵列天线实时接收的无线信号输入至到达角估计模型，输出相应的到达角估计结果，其中所述到达角估计模型是利用训练数据集通过预先训练获得，所述训练数据集用于表征多种通信场景下阵列天线接收的无线信号与到达角之间的映射关系。利用本发明能够快速准确地估计通信过程的到达角，对于快速变化的通信场景尤其适用。

Description

一种通信中的到达角估计方法

技术领域

本发明涉及无线通信技术领域，更具体地，涉及一种到通信中的到达角估计方法。

背景技术

近年来，阵列信号处理技术发展迅速，已广泛应用于通信、雷达、天文等领域。到达角估计是阵列信号处理的典型应用之一。

对于无线通信系统，信道的到达角估计在许多领域起着重要的作用。例如，在智能天线系统中，到达角估计可以降低波束形成设计的复杂性。特别是对于毫米波大规模多输入多输出，如果能够获得到达角信息，通过控制向量的波束形成可以在信号到达方向上以较低复杂度获得更大增益。除了在基站处，还可以在用户设备处执行到达角估计。通过设计合理的方案，可以减少甚至消除基站和用户设备之间的信道状态信息反馈，从而提高波束训练效率。此外，第五代移动通信系统的一些关键技术也需要到达角估计的支持来提高性能，例如同时无线信息和功率传输(simultaneous wireless information and powertransfer，SWIPT)和非正交多址(non-orthogonal multiple access，NOMA)。

在现有技术中，到达角估计方法通常分为两种：1)基于谱的方法，包括多信号分类算法(multiple signal classification，MUSIC)和旋转不变性技术估计信号参数算法(estimation signal parameter via rotational invariance techniques，ESPRIT)。2)基于参数的方法，包括空间交替广义期望最大化算法(space-alternating generalizedexpectation-maximization，SAGE)等。MUSIC和SAGE不受天线阵列形式的限制，而ESPRIT要求阵列子阵列具有平移不变性，因此这些技术只能应用于均匀线阵或平面阵列。

到达角估计方案的复杂性对于降低设备能耗和复杂度至关重要。然而，现有方法需要根据天线接收信号进行复杂的数学运算，包括谱峰搜索和迭代计算等。对于通信环境快速变化的场景，例如车辆通信，环境往往在数秒之内就发生剧烈的变化，而相关数学运算难以在短时间内完成，因此无法实现随着环境的改变实时得到对应的到达角。这是由于车辆通信具有如下特征：车辆通信的发射机和接收机都是快速移动的；低高度的车载天线，使得发射和接收载具附近存在密集的近散射体；收发端之间的视距传播会遇到经常性的随机阻断；车辆通信环境迅速变化等。因此如将现有技术的到达角估计方法直接应用于通信环境快速变化的车辆通信，具有很大的局限性，难以实现到达角的快速实时估计。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种新的快速到达角估计方法，能够快速、准确的实时估计无线通信中的快速到达角，尤其适用于通信环境快速变化的场景。

本发明提供一种通信中的到达角估计方法。该方法包括以下步骤：

获取阵列天线实时接收到的无线信号；

将所述阵列天线实时接收的无线信号输入至到达角估计模型，输出相应的到达角估计结果，其中所述到达角估计模型是利用训练数据集通过预先训练获得，所述训练数据集用于表征多种通信场景下阵列天线接收的无线信号与到达角之间的映射关系。

在一个实施例中，根据以下步骤训练所述到达角估计模型：

得到天线阵列的导向矩阵，基于所述导向矩阵计算阵列天线接收的无线信号；

在多种通信场景下，预先测量阵列天线接收的无线信号和对应的到达角；

利用阵列天线接收到的无线信号和对应的到达角构建训练数据集；

使用机器学习建立阵列天线接收的无线信号和到达角之间的映射关系，表示为：

f(ε)＝ω^Tε+b

其中，ε表示阵列天线接收的无线信号，ω和b是权重和偏置；

通过求解参数ω和b获得到达角估计模型f(ε)。

在一个实施例中，训练数据集中的阵列天线接收的无线信号是经过对原始样本进行降维处理后的数据。

在一个实施例中，根据以下步骤进行降维处理：

根据主成分分析理论，得到一组阵列天线接收的无线信号中所有样本的协方差矩阵，并对其进行特征值分解，获得多个特征值；

将对应于其中一个特征值的特征向量作为原始样本的一个成分；

将获得的多个特征值降序排列，并选取最大的k个特征值，将该k个特征值的特征向量组成投影矩阵作为降维处理后的训练数据，其中k小于无线信号原始样本的数量。

在一个实施例中，所述多种通信场景是根据环境特征选取的市区、郊区、校园、高速公路的通信场景。

与现有技术相比，本发明的优点在于，训练的到达角估计模型可以持续使用，通信系统只需要采集阵列快照并进行少量的数据预处理，并将接收信号输入离线阶段得到的到达角估计模型中便可快速得到到达角，计算的耗时很低。本发明能够在实际通信过程中实现快速实时的到达角估计，尤其适用于车辆通信场景。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的到达角估计方法的流程图；

图2是根据本发明一个实施例的天线阵列示意；

图3是根据本发明一个实施例的天线接收到的无线信号示意；

图4是根据本发明一个实施例的天线接收到的无线信号到达角示意；

图5根据本发明一个实施例的到达角估计模型的流程图；

图6是根据本发明一个实施例的到达角估计结果示例1；

图7是根据本发明一个实施例的到达角估计结果示例2。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为了解决通信环境中现有的基于谱和基于参数的方法难以实现到达角的快速估计的问题，本发明提供了一种新的快速到达角估计方法，将天线接收信号和到达角建模成一种非线性映射关系，并建立描述这种映射关系的模型，因此能够将复杂的运算过程从通信过程中剥离出来，使主要的运算过程可以在离线阶段完成；而在实际通信过程中利用建立的映射关系能够快速实时地根据天线接收信号实现到达角的估计。以下主要以车辆通信为例介绍本发明的原理，但应理解时，在其他通信场景下，本发明同样适用。

简言之，本发明提供的快速到达角估计的技术方案整体上可分为离线训练过程和在线到达角估计过程。

结合图1所示，对于离线训练过程，其任务是使用包含已知输出的训练数据集，通过机器学习算法获得回归模型。具体包括以下步骤：

步骤1，设置用于通信的天线陈列。

本发明的到达角估计方法基于阵列天线，因此需要准备可以正常接收无线信号的阵列天线，如图2所示。

步骤2，执行预先测量。

预先测量是在实际车辆通信场景中通过阵列天线接收无线信号。

步骤3，生成训练数据集。

训练数据集包含两部分，第一部分是到达角信息，可使用现有的到达角估计方法获得；第二部分是阵列天线接收到的无线信号，无线信号可以在步骤2的基础上执行了预处理操作，例如校准和数据降维等。

步骤4，训练获得到达角估计模型。

例如，使用机器学习算法建立阵列天线接收的无线信号和到达角之间的映射关系，这种映射关系即到达角估计模型。该模型的输入为阵列天线接收到的无线信号，输出为估计的到达角，训练过程可以在服务器或云端离线进行。

对于在线到达角估计过程，其任务是在实际车辆通信过程中，利用离线阶段得到的到达角估计模型，使用阵列天线实时接收到的无线信号，快速得到对应的到达角。具体包括以下步骤：

步骤5，进行实际通信。

在实际通信中，可使用于步骤1和步骤2中相同的天线阵列，实时接收无线信号。

步骤6，数据预处理。

对阵列天线接收到的无线信号执行数据预处理，数据预处理过程与步骤3中相同。

步骤7，实时到达角估计。

将步骤6中得到的处理后的阵列天线接收的无线信号作为输入，输入到步骤4中得到的到达角估计模型，模型输出即为对应于输入无线信号的到达角估计结果。

对于在线估计过程，基于天线阵列的数据接收和数据预处理过程与离线训练过程相同。不同之处在于在线过程不需要模型训练，而是直接使用离线阶段已经获得的到达角估计模型。到达角估计模型的输入是预处理后的测量数据，输出是到达角估计结果。本发明所提出的到达角估计方案，大多数操作集中在估计模型的训练上，这些耗时的运算可以离线执行，并且一旦训练完成，所获得的估计模型可以持续使用。

为进一步理解本发明，以下更详细介绍步骤3中的数据预处理过程、步骤4中的获得到达角估计模型的过程，即如何从阵列天线接收到的无线信号得到训练数据集，以及如何利用训练数据集得到到达角估计模型。

具体地，仍结合图1所示，本发明提供的到达角估计方法包括以下步骤：

步骤1，设置用于通信的天线陈列。

例如，可使用的阵列天线如图2所示，其中A1-A16为16个天线单元，O为坐标系原点，xy平面为水平面。16个天线单元中的每一个虽然部署位置和方向不同，但是都具有相同的辐射方向图，且每一个单元都可以接收无线信号。

应该理解的是，图2所给出的天线阵列阵型的形状和单元数量仅为了对技术方案做详细的解释和说明。所有具有方向性天线单元的阵列天线都能适用于本发明提出的技术方案，形状和天线单元数量的差异仅会影响输出到达角的准确性。

对于具有M个天线单元的阵列天线，阵列接收到的信号x(t)可以表示为矩阵形式：

x(t)＝As(t) (1)

其中，x(t)＝[x₁(t),x₂(t),…,x_M(t)]^T，且s(t)为所有P个信源的的信号：

s(t)＝[s₁(t),s₂(t),…,s_P(t)]^T (2)

其中A是M×P的导向矩阵，A的每一行

是第i个信源的导向向量，因此完整的导向矩阵A可以表示为：

其中，中

和θ分别为方位角和俯仰角，ω和τ表示相位信息。

对于本发明所要解决的到达角估计问题，目标是在已知x(t)和A的情况下，得到s(t)中每一个信源的角度，即建立天线阵列接收到的无线信号和到达角之间的映射关系。为了实现这一目标，步骤1需要得到天线阵列的导向矩阵。

在本发明实施例中，得到导向向量的方式有两种，第一种是在电波暗室中进行测量，得到每一个天线单元的辐射方向图，可以从辐射方向图中得到导向矩阵；第二种是只测量一个天线单元的辐射方向图，然后根据每一个天线单元的相对位置关系，利用几何计算得到整个天线阵列的导向矩阵。在本发明提出的技术方案中只要天线阵列的形状和天线单元数量保持不变，得到的导向向量可以持续性使用。

步骤2，执行预先测量。

预先测量是在实际车辆通信场景中通过阵列天线接收无线信号。预先测量目的是得到实测数据，以用于步骤3中根据实测数据生成训练数据集。例如，预先测量是在一套无线信号收发设备的帮助下，从各种车辆通信实际环境中开展的。

例如，发射信号是带宽为30MHz的宽带多载波信号，中心频率5.9GHz，发射功率34dBm。步骤1中的天线阵列安装在车顶，高度约为1.8米，图2中天线阵列的x轴方向是车辆的前进方向。为了使技术方案不失一般性，本发明在各种环境下采集了大量的接收信号，包括市区、郊区、校园、高速公路等。在这些场景中，道路宽度、交通密度、建筑物数量以及其他环境特征都有所不同。来自各种环境的测量数据有助于使步骤4中得到的到达角估计模型更具代表性和通用性。

需要说明的是，上述的无线信号收发设备、所给出的测试方法和参数仅为了对技术方案做详细的解释和说明，并不用于限制本发明。当改变测试方式、场景和参数时，只要在步骤5中采取与步骤3同样的测试配置，本技术方案同样适用。

步骤3，生成训练数据集。

训练数据集包含阵列天线接收到的无线信号和已知的到达角两部分。例如，数据集可以表示为

其中ε_i是天线接收到的无线信号，如图3所示。l_i是使用现有的到达角估计方法获得的到达角信息，如图4所示。每一个ε_i与其对应的到达角信息l_i构成一组训练数据对，s是训练数据集中的训练数据对的个数。

考虑到每一组接收到的无线信号样本数一般较高，在步骤3中优选地对无线信号ε_i进行数据降维。具体而言，依据主成分分析理论，首先得到某一组接收信号中所有样本的协方差矩阵XX^T，并对其进行特征值分解。随后，对应于其中一个特征值λ_i的特征向量ω_i,(i＝1,2,…,d)即是原始样本的一个成分。因此可以将特征值降序排列，并选取最大的k个特征值，进而它们的特征向量可以组成投影矩阵W^*＝(ω₁,ω₂,…,ω_d)。利用投影矩阵可以将原始样本映射到k维空间中。k一般小于无线信号原始样本的数量，进而实现了对无线信号的数据降维。

对于训练数据集中的到达角信息，可以使用现有的到达角估计方法求解，在此不再赘述。

步骤4，训练获得到达角估计模型。

例如，使用机器学习算法建立阵列天线接收到的无线信号和到达角之间的映射关系，这种映射关系即到达角估计模型。该模型的输入为天线接收到的无线信号，输出为到达角。具体地，可利用基于支持向量机理论或其他的机器学习模型获得到达角估计模型。

具体地，参见图5的获得到达角估计模型的流程，包括以下步骤：

步骤S41，问题建模和转化。

对于步骤3中的包含m个数据的训练数据集

本发明的目标是建立接收信号ε和到达角信息l之间的映射关系，这种映射关系可以抽象成一个回归问题，即：

f(ε)＝ω^Tε+b (4)

其中f(ε)为模型输出，到达角估计问题可以转化为求解模型参数ω和b，使得模型输出f(ε)尽可能的接近接收信号ε对应的到达角信息l。根据现有的凸优化理论，上述回归问题的求解可以转化为如下优化问题：

其中C为正则化系数，ρ_∈为损失函数。

步骤S42，优化问题求解。

例如，可以引入一组松弛变量ξ_i和

将上述优化问题进一步表示为：

该优化问题可以通过拉格朗日乘子法解决，引入拉格朗日乘子α_i和

上述优化问题中的拉格朗日乘子可以使用已有的方法求解。

步骤S43，获得到达角估计模型。

通过步骤S42中对拉格朗日乘子的求解，回归模型的参数ω和b可以得到求解：

至此，在模型参数ω和b已知的情况下，可以得到所需的达角估计模型f(ε)。

步骤5，进行实际通信。

在实际通信中，使用于步骤1和步骤2中相同天线阵列，实时接收无线信号。接收信号的格式应与步骤1与步骤2相同。

步骤6，数据预处理。

对阵列接收到的无线信号执行数据预处理。数据预处理过程与步骤3中对接收信号的处理相同。在步骤6中无需使用现有方法计算到达角信息。

步骤7，实时到达角估计。

将步骤6中得到的处理后的无线信号作为输入，输入到步骤4中获得的到达角估计模型f(ε)，模型输出即是对应于输入无线信号的到达角。图6和图7是到达角估计结果示例。

综上，本发明提出的到达角估计方法，耗费时间的数学运算集中在离线阶段。离线阶段的步骤1至步骤4可以事先单独执行，并且一旦训练完成，在不改变天线阵列结构、天线部署位置和天线辐射方向图的情况下，步骤4中所获得的到达角估计模型可以连续使用。在线阶段中，车辆通信系统只需要采集阵列快照并进行少量的数据预处理，将接收信号输入离线阶段得到的估计模型中便可快速得到到达角，计算的耗时很低。因此本发明提出的方法能够在实际通信过程中实现快速实时的到达角估计。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (9)

1.一种通信中的到达角估计方法，包括以下步骤：

获取阵列天线实时接收到的无线信号；

将所述阵列天线实时接收的无线信号输入至到达角估计模型，输出相应的到达角估计结果，其中所述到达角估计模型是利用训练数据集通过预先训练获得，所述训练数据集用于表征多种通信场景下阵列天线接收的无线信号与到达角之间的映射关系。

2.根据权利要求1所述的通信中的到达角估计方法，其中，根据以下步骤训练所述到达角估计模型：

得到天线阵列的导向矩阵，基于所述导向矩阵计算阵列天线接收的无线信号；

在多种通信场景下，预先测量阵列天线接收的无线信号和对应的到达角；

利用阵列天线接收到的无线信号和对应的到达角构建训练数据集；

使用机器学习建立阵列天线接收的无线信号和到达角之间的映射关系，表示为：

f(ε)＝ω^Tε+b

其中，ε表示阵列天线接收的无线信号，ω和b是权重和偏置；

通过求解参数ω和b获得到达角估计模型f(ε)。

3.根据权利要求2所述的通信中的到达角估计方法，其中求解参数ω和b获得到达角估计模型f(ε)包括：

设定优化问题：

将该优化问题进一步表示为：

s.t.f(ε_i)-l_i≤∈+ξ_i,

ξ_i≥0,

通过拉格朗日乘子法求解该优化问题：

0≤α_i,

对拉格朗日乘子求解，获得参数ω和b：

其中，C为正则化系数，ρ_∈为损失函数，ξ_i和

为松弛变量，α_i和

为拉格朗日乘子，m表示训练数据集中的样本数目，ε_i是训练数据集中阵列天线接收的无线信号，l_i是训练数据集中到达角信息。

4.根据权利要求1所述的通信中的到达角估计方法，其中根据以下步骤获得所述天线阵列的导向矩阵：

在电波暗室中测量得到每一个天线单元的辐射方向图，进而从辐射方向图中得到导向矩阵；或者

仅测量一个天线单元的辐射方向图，根据每一个天线单元的相对位置关系，利用几何计算得到整个天线阵列的导向矩阵。

5.根据权利要求1所述的通信中的到达角估计方法，其中，训练数据集中的阵列天线接收的无线信号是经过对原始样本进行降维处理后的数据。

6.根据权利要求5所述的通信中的到达角估计方法，其中根据以下步骤进行降维处理：

根据主成分分析理论，得到一组阵列天线接收的无线信号中所有样本的协方差矩阵，并对其进行特征值分解，获得多个特征值；

将对应于其中一个特征值的特征向量作为原始样本的一个成分；

将获得的多个特征值降序排列，并选取最大的k个特征值，将该k个特征值的特征向量组成投影矩阵作为降维处理后的训练数据，其中k小于无线信号原始样本的数量。

7.根据权利要求1所述的通信中的到达角估计方法，其中，所述多种通信场景是根据环境特征选取的市区、郊区、校园、高速公路的通信场景。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。

9.一种电子设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法的步骤。

Images