CN114696932A - 用于车联网通信的空时频非平稳无线通信信道建模方法 - Google Patents
用于车联网通信的空时频非平稳无线通信信道建模方法 Download PDFInfo
- Publication number
- CN114696932A CN114696932A CN202210298647.1A CN202210298647A CN114696932A CN 114696932 A CN114696932 A CN 114696932A CN 202210298647 A CN202210298647 A CN 202210298647A CN 114696932 A CN114696932 A CN 114696932A
- Authority
- CN
- China
- Prior art keywords
- cluster
- dynamic
- static
- clusters
- time
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
-
- 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
- H04B7/0413—MIMO systems
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Electromagnetism (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公布了一种用于车联网通信的空时频非平稳无线通信信道建模方法,通过将车联网通信环境中的簇区分为静态簇和动态簇,并对车联网通信的收发端与动态簇的连续任意轨迹进行建模,使得在构建空时频非平稳车联网通信信道模型中考虑到车联网通信场景中的车流量密度VTD和车辆行驶轨迹VMT的特性,从而提高信道模型构建的精确度和通用性。采用本发明方法构建大规模MIMO毫米波车联网V2V统计信道模型,在空时频非平稳V2V信道模型构建中考虑了VTD和VMT对静态簇和动态簇的阵列演进和时间演进的影响,能够解决现有的V2V信道模型不能有机融合VTD、VMT和空时频非平稳建模的不足。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种用于车联网通信的空时频非平稳无线通信信道建模/设计方法,构建车联网场景下的空时频非平稳信道模型,可用于设计车联网通信系统和为系统级无线通信算法的性能分析提供有效的仿真验证平台。
背景技术
车联网(Vehicle-to-Everything,V2X)是实现车辆与周围的车、人、交通基础设施和网络等全方位连接和通信的新一代信息通信技术。车联网通信包括车与车之间(Vehicle-to-Vehicle,V2V)、车与人之间(Vehicle-to-Pedestrian,V2P)、车与路之间(Vehicle-to-Infrastructure,V2I)、和车与网络之间(Vehicle-to-Network,V2N)等。其中,V2V通信,即车对车的信息交换,是未来智能交通运输系统的关键技术之一。它使得车与车之间能够通信,实时获得一系列的交通信息,从而有效提升交通效率、提高驾驶安全和降低交通事故发生率。进一步地,为了支撑无人驾驶和智能汽车等更多潜在应用,未来V2V通信系统应具有低延迟、高吞吐量和高可靠性的通信要求。为满足上述通信要求,未来V2V通信系统需联合使用毫米波和大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)技术。幸运的是,上述两项技术展现出互利共生的关系。毫米波通信中的短载波波长使得大规模MIMO中的天线尺寸小,而大规模MIMO反过来又提供了高波束成形增益以补偿毫米波通信中的高路径损耗。众所周知,完备、深入的通信信道知识和精确且实用的V2V信道模型是任何V2V通信系统的成功设计的根本与基石。所以,一个高精度且易于使用的大规模MIMO毫米波V2V信道模型在未来V2V通信系统的设计与研究中扮演着至关重要的角色。
与传统蜂窝通信相比,V2V通信更加动态和复杂。在传统的蜂窝通信中,基站是不动的,手机终端在移动。然而,在V2V通信中,发射端车辆和接收端车辆均处于高速移动中且周边环境中可能存在大量高速移动的散射簇(如周边的移动车辆),导致V2V通信信道的散射特性更加的复杂快变。进一步地,V2V通信场景还存在两个场景特殊性,即车流量密度(Vehicular Traffic Density,VTD)和车辆行驶轨迹(Vehicular Movement Trajectory,VMT)。对于VTD,在V2V通信场景中,环境中通常存在静态簇(如静止的路边建筑和树木)和动态簇(如运动的车辆)。在不同的V2V场景下,静态簇和动态簇的比例会展现出显著的不同。一般而言,动态簇的数量大于静态簇的数量的V2V通信场景可以视为高VTD场景,反之则为低VTD场景。对于VMT,收发端车辆和周边的移动车辆具有丰富多样的轨迹,例如直角转弯、U形转弯和曲线行驶。信道测量的结果表明,VTD和VMT都会对V2V信道产生显著的影响,因此需要被充分地研究和建模。
除了上述两个V2V场景特殊性之外,V2V通信信道还表现出一个典型的信道特性,即信道的非平稳性。在一个特定域中的信道非平稳性,例如,空间/时间/频率,意味着信道统计特性会在该域中发生变化。考虑到V2V通信自身固有的高动态和快时变特性,环境中的簇会随着时间的变化呈现快速复杂的生灭现象,对应的V2V信道特性会呈现出在时间域上的变化,即时间非平稳性。当超大带宽毫米波通信技术应用到未来V2V通信中,环境中的传输路径会展现出相关性而存在频率相关的路径增益,对应的V2V信道特性会呈现出在频域上的变化,即频率非平稳性。随着未来V2V通信中大规模MIMO技术的应用,环境中的簇的生灭现象会出现在大规模天线阵列上,对应的V2V信道特性会呈现出在阵列/空间域上的变化,即空间非平稳性。所以,当大规模MIMO技术和毫米波技术联合应用到V2V通信场景时,V2V信道会展现出显著的空时频非平稳性。
为了将V2V通信场景的特殊性有机地融入到空时频非平稳特性的建模中,有必要捕捉由于连续多样的VMT而导致的动静态簇的频繁且复杂的生灭现象。由于V2V通信场景的特殊性与信道特性的深度融合难度很大,目前尚未有有效的用于车联网通信的空时频非平稳无线通信信道建模方法,难以实现一个能联合建模空时频非平稳性并进一步考虑VTD和VMT的影响的大规模MIMO毫米波V2V信道模型。
发明内容
本发明提出了一种用于车联网通信的空时频非平稳无线通信信道建模方法,构建一个大规模MIMO毫米波车联网V2V统计信道模型。通过将车联网通信环境中的簇区分为静态簇和动态簇以及对车联网通信的收发端与动态簇的连续任意轨迹进行建模,使得V2V通信场景中的VTD和VMT特性被有效地建模。进一步地,在空时频非平稳V2V信道模型的构建中考虑了VTD和VMT的影响,弥补了现有的V2V信道模型不能有机融合VTD、VMT和空时频非平稳建模的空白,提高了V2V信道模型的精确度和通用性。
在本发明提出的大规模MIMO毫米波V2V信道模型中,车联网通信环境中的簇被建模为静态簇和动态簇,从而考虑了VTD对信道的影响。同时,在更新因收发端车辆和动态簇的快速运动而带来的位置变化时应用积分算法,并且考虑了二者运动时的时变加速度,实现了对V2V通信收发端车辆和动态簇连续任意的VMT捕捉。进一步地,开发一个有机融合了动静态簇的选择性区域演进、生灭过程和动静态簇的频率相关因子的算法,联合建模了分别来自动静态簇的频率相关的路径增益与因收发端和动态簇的连续任意的VMT而带来的动静态簇的选择性演进,实现了对V2V信道空时频非平稳性的有效捕捉。本发明提出的高精度且易于使用的信道模型能支撑V2V通信系统的合理设计,并为V2V通信系统级算法的研究提供一个有效的仿真验证平台。
为达到上述目的,本发明设计了一个大规模MIMO毫米波V2V信道模型的建模架构,包括:1、给出V2V信道模型的几何模型图,明确典型信道参数的物理含义;2、假设收发端和动态簇的运动有时变的加速度,同时应用积分运算来得到与收发端和动静态簇相关的信道参数;3、确定动静态簇的选择性演进区域,并明确阵列-平稳的动静态簇的条件;4、基于生灭过程,分别建模静态簇阵列和时间演进与动态簇的阵列和时间演进。5、得到信道冲激响应和信道传递函数,并引入动静态簇的频率相关因子分别捕捉来自动静态簇的频率相关的路径增益。
采用本发明的用于车联网通信的空时频非平稳无线通信信道建模方法构建大规模MIMO毫米波V2V统计信道模型包括如下步骤:
1)构建V2V信道模型的几何模型,包括:与收发端天线阵列相关的参数、与动静态簇相关的参数、与动静态簇内射线相关的参数;并确定初始时刻各参数的取值;
1a)与收发端天线阵列相关的参数;
在设有LT根发射天线、LR根接收天线和载波频率为fc的大规模MIMO毫米波V2V通信系统中,发射端车辆和接收端车辆分别以速度向量为vT(t)和vR(t)进行运动;发射端车辆的天线阵列的方位角和俯仰角为αT(t)和βT(t);接收端车辆上的天线阵列的方位角和俯仰角为αR(t)和βR(t);发射端和接收端的相邻天线的间隔分别为δT和δR;将收发端车辆的阵列中心之间的距离向量表示为D(t);将第p个发射端天线和第q个接收端天线的距离向量表示为和
1b)与动静态簇相关的参数;
将大规模MIMO毫米波V2V通信系统的环境中的簇分为静态簇和动态簇。其中,静态簇主要表征V2V通信环境中静止的树木和建筑,而动态簇主要表征收发端周围的高速运动的车辆。在一个三维(Three Dimensional,3D)的基于孪生动静态簇的V2V信道模型中,临近发射端的动态簇和临近接收端的动态簇构成一对孪生动态簇,临近发射端的静态簇和临近接收端的静态簇构成一对孪生静态簇。临近发射端的动态簇/静态簇表征传输中的来自动态簇/静态簇的第一次反射路径,而临近接收端的动态簇/静态簇表征传输中的来自动态簇/静态簇的最后一次反射路径。将孪生动静态簇之间的其他传输路径定义为虚拟动静态簇链路。动态簇数量与静态簇数量的比例表示为表征实际V2V通信场景中的VTD且是随时间变化的。设临近发射端的动态簇和临近接收端的动态簇分别以速度向量为和进行运动。静态簇的运动向量始终为零向量。将孪生动静态簇和发射端/接收端天线阵列中心之间的方位角和仰角表示为和
1c)与动静态簇内射线相关的参数;
在V2V通信系统中,射线和射线分别表示孪生动态簇和内的第nd条射线以及射线和射线分别表示孪生静态簇和内的第ns条射线;设射线的速度矢量与其所在的动态簇的速度矢量相同,满足静态簇内的射线的运动矢量始终为零向量;将射线和发射端/接收端天线阵列中心之间的方位角和仰角表示为和
基于V2V信道模型上述的几何模型图,在初始时刻,确定和计算与收发端天线阵列相关的参数、动态簇及静态簇相关的参数和动静态簇内射线的相关参数,包括速度、角度、距离、时延和功率。
2)设发射端车辆、接收端车辆和环境中的动态簇的运动具有时变的加速度,采用积分运算计算并更新因收发端车辆和动态簇的快速任意运动带来的位置变化,包括时变的距离向量、多普勒频偏、相位和时延。
3)根据瑞利距离确定静态簇和动态簇的选择性演进区域,并明确阵列-平稳静态簇和阵列-平稳动态簇的条件。
4)应用生灭过程建模动态簇和静态簇对于大规模阵列上的不同天线的生灭状态,即动态簇、静态簇的阵列演进,从而得到阵列-有效动态簇的集合和阵列-有效静态簇的集合。同样,基于生灭过程算法,建模动态簇、静态簇在不同时刻下的生灭状态,即动态簇、静态簇的时间演进,从而得到时间-有效动态簇的集合和时间-有效静态簇的集合。
5)基于步骤4)得到的阵列-有效动态簇的集合和阵列-有效静态簇的集合以及时间-有效动态簇的集合和时间-有效静态簇的集合,确定信道的有效动态簇的集合和有效静态簇的集合。
6)计算得到信道冲激响应和信道传递函数,并引入动态簇、静态簇的频率相关因子分别建模毫米波通信中来自动态簇、静态簇的频率相关的路径增益。
7)在下一个时刻tn+1=tn+Δt,分别随机地生成新生的动态簇、静态簇,并进一步分别随机地生成新生的动态簇、静态簇内的射线,同时确定射线的参数。
8)不断循环与重复步骤2)~7),得到每一个时刻的信道有效动静态簇的集合、信道冲激响应和信道传递函数。
通过上述步骤,即实现用于车联网通信的空时频非平稳无线通信信道建模方法,进一步可构建得到大规模MIMO毫米波V2V统计信道模型。
与现有技术相比,本发明的有益效果:
本发明提出了一个具有高精确度和低复杂度的大规模MIMO毫米波V2V统计信道模型。通过区分静态簇和动态簇和建模收发端和动态簇的连续任意轨迹,两个V2V场景的特殊性,即VTD和VMT,被合理地捕捉。进一步地,基于本发明的信道模型,提出了一个有机融合了动静态簇的选择性区域演进、生灭过程和动静态簇的频率相关因子的算法,在考虑VTD和VMT的同时,实现了对V2V信道空时频非平稳性的有效建模。本发明提出的信道模型能有效支撑大规模MIMO毫米波V2V通信系统的成功设计,并为V2V通信系统级算法的性能分析与验证提供一个有效的仿真平台。
本发明提出的大规模MIMO毫米波V2V统计信道模型具有以下技术优点:
(一)提出的V2V信道模型采用基于几何的统计信道建模方法,通过调整信道模型的关键参数,提出的V2V信道模型能被应用于多种V2V通信场景;
(二)将环境中的簇划分为静态簇和动态簇,并应用时变的加速度和积分运算建模收发端车辆和动态簇的连续任意轨迹,联合捕捉了VTD和VMT对信道的影响;
(三)通过有机地融合动静态簇的选择性区域演进、生灭过程和动静态簇的频率相关因子,本发明提出的V2V信道模型捕捉了在阵列和时间轴上的可选择性的动静态簇演进以及动静态簇的频率相关的路径增益,在考虑VTD和VMT的影响的同时,实现了对大规模MIMO毫米波V2V信道的空时频非平稳性的建模。
附图说明
图1是本发明提出方法构建大规模MIMO毫米波V2V统计信道模型的建模流程框图。
图2是本发明实施例构建的三维的基于孪生动静态簇的V2V信道模型的几何模型示意图;
其中,为临近发射端的第d个动态簇;为临近接收端的第d个动态簇;和构成一对孪生动态簇;为临近发射端的第s个静态簇;为临近接收端的第s个静态簇;和构成一对孪生静态簇;表征传输中的来自动态簇/静态簇的第一次反射路径;表征传输中的来自动态簇/静态簇的最后一次反射路径;是动态簇的速度向量;是动态簇的速度向量;vT(t)为发射端的车辆的速度向量;vR(t)为接收端的车辆的速度向量;为将第p个发射端天线的距离向量;为第q个接收端天线的距离向量;为第p个发射天线与第q个接收天线之间的距离向量;为动态簇内的射线和第p个发射端天线之间的距离向量;为动态簇内的射线和第q个接收天线之间的距离向量;为静态簇内的射线和第p个发射端天线之间的距离向量;为静态簇内的射线和第q个接收天线之间的距离向量;为动态簇内的射线和第p个发射端天线之间的方位角;为动态簇内的射线和第p个发射端天线之间的仰角;为动态簇内的射线和第q个发射端天线之间的方位角;为动态簇内的射线和第q个发射端天线之间的仰角;为静态簇内的和第p个发射端天线之间的方位角;为静态簇内的射线和第p个发射端天线之间的仰角;为静态簇内的射线和第q个发射端天线之间的方位角;为静态簇内的射线和第q个发射端天线之间的仰角。
图3是本发明提出的信道模型中动态簇内的射线与收发端的距离的几何关系图。
图4是本发明提出的信道模型中静态簇内的射线与收发端的距离的几何关系图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
采用本发明提出的方法构建大规模MIMO毫米波V2V统计信道模型的建模流程如图1所示。本发明方法构建的信道模型考虑了VTD和VMT对V2V通信信道的影响,并建模了结合VTD和VMT的空时频非平稳性。构建的信道模型具有高精确度和低复杂度的特点,能支撑大规模MIMO毫米波V2V通信系统的合理设计,也能为系统级算法的研究提供一个有效的仿真验证平台。
根据本发明提出方法构建大规模MIMO毫米波V2V统计信道模型的具体步骤如下:
S10:确定信道模型的几何架构。
如图2所示,为临近发射端的第d个动态簇;为临近接收端的第d个动态簇;和构成一对孪生动态簇;为临近发射端的第s个静态簇;为临近接收端的第s个静态簇;和构成一对孪生静态簇;表征传输中的来自动态簇/静态簇的第一次反射路径;表征传输中的来自动态簇/静态簇的最后一次反射路径。基于图2的信道模型的架构和几何关系,在初始时刻区分静态簇和动态簇,并确定与收发端天线相关、动静态簇相关和动静态簇内射线相关的参数,包括速度、角度、距离、时延和功率。
S20:对收发端车辆和环境中的动态簇具有时变加速度的运动建模,以模拟动态簇在实际通信环境中的任意轨迹。应用积分运算更新因收发端车辆和动态簇的快速运动而带来的它们在位置上的变化,以捕捉收发端车辆和动态簇的连续轨迹。
S30:考虑到大规模MIMO信道的近场效应,基于瑞利距离的表达式,确定动态簇、静态簇的选择性演进区域。进一步地,分别明确静态簇和动态簇是阵列-平稳静态簇的条件和阵列-平稳动态簇的条件。
S40:考虑大规模天线阵列上不同的天线具有不同的有效动态簇的集合和有效静态簇的集合,应用生灭过程算法建模动态簇、静态簇的阵列演进,确定阵列-有效动态簇的集合和阵列-有效静态簇的集合。考虑收发端车辆和动态簇的连续任意轨迹,基于生灭过程算法,建模因动态簇、静态簇与收发端车辆的相对运动而导致的动态簇、静态簇的时间演进,确定时间-有效动态簇的集合和时间-有效静态簇的集合。
S50:基于步骤S40确定的阵列-有效动态簇的集合和阵列-有效静态簇的集合以及时间-有效动态簇的集合和时间-有效静态簇的集合,得到信道的有效动态簇的集合和有效静态簇的集合。只有信道的有效动态簇的集合和有效静态簇的集合才会对信道冲激响应做出贡献。
S60:基于步骤S50确定的信道有效动态簇的集合和有效静态簇的集合,得到信道冲激响应。对信道冲激响应做傅里叶变换得到信道传递函数。进一步地,提出并引入动态簇、静态簇的频率相关因子,分别建模来自动态簇、静态簇的频率相关的路径增益。
S70:在下一个时刻tn+1=tn+Δt,随机地生成新生动态簇和静态簇,他们的数量服从泊松分布。同时,分别在新生动态簇内和新生静态簇内随机地生成射线,他们的数量也服从泊松分布。新生动静态簇和新生动静态簇内射线的参数的确定方式与初始时刻生成的动静态簇确定参数的方式一致。通过考虑新生动静态簇和新生动静态簇内的射线,增加了提出的V2V信道模型的精确度和通用性。
S80:不断重复和迭代步骤S20~S70,得到每一个时刻的信道的有效动静态簇的集合、信道冲激响应和信道传递函数。
在步骤S10:需分别确定与收发端天线阵列相关、动静态簇相关和动静态簇内射线相关的参数。该步骤包含以下流程S11~S13:
S11:确定与收发端天线阵列相关的参数。
本发明提出的信道模型是针对有LT根发射天线、LR根接收天线和载波频率为fc的大规模MIMO毫米波V2V通信系统。发射端的车辆和接收端的车辆分别以速度向量为vT(t)和vR(t)进行运动。收发端车辆的阵列中心之间的距离向量表示为D(t)。进一步地,发射端车辆的天线阵列的方位角和俯仰角为αT(t)和βT(t)。接收端车辆上的天线阵列的方位角和俯仰角为αR(t)和βR(t)。发射端和接收端的相邻天线的间隔分别为δT和δR。将第p个发射端天线和第q个接收端天线的距离向量表示为和
S12:确定与动态簇、静态簇相关的参数。为了捕捉VTD对V2V信道的影响,在本发明的提出的信道模型中,环境中的簇被合理地区分为静态簇和动态簇。其中,静态簇主要表征V2V通信环境中静止的树木和建筑,而动态簇主要表征收发端周围的高速运动的车辆。参考图2所示的信道模型的几何模型图,本发明提出的信道模型是一个三维(ThreeDimensional,3D)的基于孪生动静态簇的V2V信道模型。具体而言,临近发射端的动态簇和临近接收端的动态簇构成一对孪生动态簇,临近发射端的静态簇和临近接收端的静态簇构成一对孪生静态簇。进一步地,临近发射端的动态簇/静态簇表征传输中的来自动态簇/静态簇的第一次反射路径,而临近接收端的动态簇/静态簇表征传输中的来自动态簇/静态簇的最后一次反射路径。根据孪生动静态簇的建模规则与考虑到V2V信道模型的复杂度和通用性,孪生动静态簇之间的其他传输路径被抽象为虚拟动静态簇链路。在提出的V2V信道模型中,环境中的动态簇数量与静态簇数量的比例为从而μ(t)可以表征实际V2V通信场景中的VTD且是随时间变化的。进一步地,假设临近发射端的动态簇和临近接收端的动态簇分别以速度向量为和进行运动。显然,静态簇的运动向量始终为零向量。孪生动静态簇和发射端/接收端天线阵列中心之间的方位角和仰角可以被表示为和对于动态簇,临近发射端的动态簇和发射天线阵列中心之间的距离向量以及临近发射端的动态簇和接收天线阵列中心之间的距离向量表示为:
S13:确定与动态簇内射线、静态簇内射线相关的参数。在毫米波通信中,信道具有高延迟分辨率的特点。在这种情况下,动静态簇内的射线需要被合理地解析。基于提出的V2V信道模型,射线和射线分别表示孪生动态簇和内的第nd条射线以及射线和射线分别表示孪生静态簇和内的第ns条射线。假设射线的速度矢量与其所在的动态簇的速度矢量相同,满足同样,静态簇内的射线的运动矢量始终为零向量。进一步地,射线和发射端/接收端天线阵列中心之间的方位角和仰角可以被表示为和对于动态簇内的射线,射线和发射天线阵列中心之间的距离向量以及射线和接收天线阵列中心之间的距离向量被分别表示为:
在步骤S20:假设发射端车辆、接收端车辆和动态簇的运动具有时变的加速度,并应用积分运算来计算因收发端与动静态簇的相对运动而带来的时变的距离向量、多普勒频偏、相位和时延。该步骤包含以下流程S21~S23:
S21:假设收发端车辆有时变的加速度,并计算时变的视距(Line-of-Sight,LoS)分量的距离向量、多普勒频偏、相位和时延。
为了捕捉收发端车辆的连续任意的VMT,包括直角转弯、U型转弯和曲线行驶等,我们假设了发射端车辆/接收端车辆的运动具有时变的加速度,有aT/R(t)=[aT/R,x(t),aT/R,y(t),0]T。根据时变的加速度,我们可以得到发射端车辆/接收端车辆的速度矢量为vT/R(t)=[vT/R,x(t),vT/R,y(t),0]T,其中
vT/R,x(0)和vT/R,y(0)代表了初始时刻下的发射端/接收端车辆的速度在x轴和y轴方向上的分量。基于收发端车辆的速度矢量,进一步求得因收发端的连续任意的VMT带来的时变的距离矢量为:
其中D(0)为初始时刻的收发端的天线阵列中心之间的距离向量。进一步地,LoS分量的多普勒频偏为:
其中λ是载波波长和<·,·>是内积算子。进一步地,从第p个发射端天线到第q个接收端天线的LoS分量的相位为:
S22:假设动态簇有时变的加速度,并计算时变的经过动态簇内的射线的非视距(Non-LoS,NLoS)分量的距离向量、多普勒频偏、相位、时延和功率。
在步骤S30:确定动态簇、静态簇的选择性演进区域,并分别明确静态簇和动态簇是阵列-平稳静态簇的条件和阵列-平稳动态簇的条件。该步骤包含以下流程S31~S32。
S31:动静态簇的选择性演进区域的明确。大规模的天线阵列带来了新的传输机制,包括近场效应和簇的阵列演进。近场效应归因于簇会位于天线阵列的菲涅尔区域内的。进一步地,菲涅尔区域由瑞利距离来界定。当收发端与簇之间的距离小于瑞利距离时,大规模MIMO信道会经历近场效应,出现明显的球面波前传输现象。在这种情况下,大规模MIMO信道被视为空间非平稳信道。信道测量结果显示,环境中的簇会对大规模阵列上不同的天线呈现出不同的存活状态。具体而言,若簇在天线阵列演进时对某一根天线是存活状态,则该簇会该天线有效而影响与该天线有关的子信道。所以,在大规模MIMO信道中,簇并不会对所有天线有效。然而,当临近发射端的簇与发射端的距离大于瑞利距离时,则可以认为该簇对所有发射端上的天线都有效,并被命名为一个发射端阵列-平稳簇。同样的,当临近接收端的簇与接收端的距离大于瑞利距离时,则可以认为该簇对所有接收端上的天线都有效,并被命名为一个接收端阵列-平稳簇。考虑到近场效应的影响和V2V通信场景中车辆在二维(Two-Dimensional,2D)地面上运动,簇的选择性区域演进被建模为分别以发射端天线阵列中心和接收端天线阵列中心为球心,瑞利距离为半径的两个半球。进一步地,发射端和接收端的簇的选择性区域演进的半球的半径分别被表示为:
由于簇的选择性演进区域的确定完全取决于天线阵列的尺寸和载波波长,因此可以合理地假设静态簇和动态簇共享相同的选择性演进区域。
S32:基于动态簇、静态簇的选择性演进区域,确定静态簇和动态簇是阵列-平稳静态簇的条件和阵列-平稳动态簇的条件。根据S31所述,簇的选择性演进的区域是半径为γT和γR,球心为发射端和接收端的天线阵列中心的两个半球。借助于信道测量的结果和近场效应,静态簇和动态簇为发射/接收端阵列-平稳静态簇和发射/接收端阵列-平稳动态簇的条件为:
在步骤S40:分别确定阵列-有效动静态簇的集合和时间-有效动静态簇的集合。该步骤包含以下流程S41~S42。
S41:确定阵列-有效动态簇的集合和阵列-有效静态簇的集合。信道测量的结果表明,簇对大规模阵列上不同的天线会呈现出不同的存活状态。为了建模这一现象,我们在空间域上应用生灭过程算法。生灭过程算法是连续马尔可夫过程的一种特殊情况,其中的状态转换包括两种类型,即出生状态和死亡状态。为了简洁,我们以临近发射端的静态簇为例进行分析。其他的发射/接收端的静态簇经历一致的阵列演进。
判断静态簇是否满足阵列-平稳静态簇的条件。如果静态簇满足发射端阵列-平稳静态簇的条件,即位于演进区域外,则静态簇对发射端所有的天线都有效。反之,则需经历簇的阵列演进。首先,随机地挑选一根发射端天线,例如第p根发射端天线假设静态簇对天线发射端天线有效。接着,静态簇对天线发射端天线的相邻天线,即天线或天线有效的概率,即阵列-有效概率,表示为:
其中是静态簇的重组率和表示天线阵列轴上的场景相关系数。基于阵列-有效概率静态簇从发射端天线演进到以及同时从发射端天线演进到当初始化时选择的发射端天线为或时,则静态簇仅需经历单侧阵列演进,即从天线演进到或者从天线演进到根据簇的阵列演进,可以得到能观察到静态簇的发射端天线集合显然,每一个临近发射端的静态簇都具有相同的有效概率。进一步地,类似于发射端的静态簇临近接收端的静态簇的阵列-有效概率可以被表示为:
S42:确定时间-有效动静态簇的集合。基于信道测量的结果,在复杂快变的V2V通信信道中,簇在不同的时刻会呈现出不同的存活状态。为了建模这一现象,我们在时间域上应用生灭过程算法。同样以临近发射端的静态簇为例进行分析。具体而言,在进入到下一个时刻前,静态簇会经历簇的时间演进。考虑到发射端连续任意的VMT和基于生灭过程,静态簇在时刻t有效,则在下一时刻t+Δt有效的概率,即时间-有效概率,表示为:
其中为时间轴上的场景相关系数。同样地,每一个发射端的静态簇都具有相同的时间-有效概率。但是,对于相同的静态簇,在不同的时刻下会具有不同的时间-有效概率,这与阵列-有效概率不同。类似地,接收端的静态簇的时间-有效概率为:
在进入到下一个时刻前,动态簇也会经历簇的时间演进。动态簇的连续任意的VMT带来了更复杂的簇的时间演进。具体而言,同时考虑发射端和动态簇的连续任意的VMT和基于生灭过程算法,动态簇在时刻t有效,则在下一时刻t+Δt有效的概率,即时间-有效概率,为:
根据静态簇和动态簇的时间-有效概率和可以确定时刻t下所有在该时刻有效的静态簇和动态簇。按照相同的步骤遍历每一个仿真时刻,可以得到时间-有效静态簇和时间-有效动态簇的集合。该集合包含了每一个静态簇和动态簇在每一个时刻下的有效性的结果。
在步骤S50:分别确定基于信道的有效静态簇集合和信道的有效动态簇集合。该步骤包含以下流程S51~S52。
S51:确定信道的有效静态簇的集合。首先,基于S41确定的阵列-有效静态簇集合,将发射端阵列-有效静态簇和接收端阵列-有效静态簇进行随机地匹配,只有成功匹配的发射端阵列-有效静态簇和接收端阵列-有效静态簇才会组成一对阵列-有效静态簇。进一步地,基于时间-有效静态簇的集合,当且仅当匹配成功的阵列-有效静态簇都为时间-有效静态簇时,才会构成一对信道的有效静态簇。按照上述方法,可以获得信道的有效静态簇的集合。只有信道的有效静态簇才会对信道冲激响应做出贡献。
S52:确定信道的有效动态簇的集合。同样,将发射端阵列-有效动态簇和接收端阵列-有效动态簇进行随机地匹配,只有成功匹配的动态簇才会组成一对阵列-有效动态簇。基于时间-有效动态簇的集合,当且仅当匹配成功的阵列-有效动态簇同时为时间-有效动态簇时,才会构成一对信道的有效动态簇。所以,信道的有效动态簇的集合可以被获得。同样,只有信道的有效动态簇才会对信道冲激响应做出贡献。
在步骤S60:需首先得到信道冲激响应,然后基于信道冲激函数得到信道传递函数,并引入动态簇、静态簇的频率相关因子分别建模来自动态簇、静态簇的频率相关的路径增益。该步骤包含以下流程S61~S62。
其中,第p根发射端天线和第q根接收端天线对的信道冲激响应可被表示为
其中K(t)代表时变的莱斯因子、D(t)为信道的有效动态簇的对数、Nd(t)为第d对有效动态簇内射线的个数、S(t)为信道的有效静态簇的对数和Ns(t)为第s对有效静态簇内射线的个数。ηD(t)和ηS(t)分别为动态簇的功率比例和静态簇的功率比例,满足ηD(t)+ηS(t)=1。进一步地,在信道冲激响应hqp(t,τ)中,关于第p根发射端天线和第q根接收端天线的LoS分量的复信道增益可以被表示为:
S62:得到信道传递函数并引入动态簇、静态簇的频率相关因子,分别建模来自动态簇、静态簇的频率相关的路径增益。基于得到的信道冲激响应,对时延τ做傅里叶变化,从而得到信道传递函数,表示为:
需要注意的是,公布实施例的目的在于帮助进一步理解本发明,但是本领域的技术人员可以理解:在不脱离本发明及所附权利要求的范围内,各种替换和修改都是可能的。因此,本发明不应局限于实施例所公开的内容,本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种用于车联网通信的空时频非平稳无线通信信道建模方法,通过将车联网通信环境中的簇区分为静态簇和动态簇,并对车联网通信的收发端与动态簇的连续任意轨迹进行建模,使得在构建空时频非平稳车联网通信信道模型中考虑到车联网通信场景中的车流量密度VTD和车辆行驶轨迹VMT的特性,从而提高信道模型构建的精确度和通用性;包括如下步骤:
1)构建车联网通信信道模型的几何模型;包括:确定与收发端天线阵列相关的参数、与动态簇及静态簇相关的参数、与动静态簇内射线相关的参数;并确定初始时刻各参数的取值;
2)设定发射端车辆、接收端车辆和动态簇的运动具有时变加速度,计算并更新因收发端车辆和动态簇的快速任意运动带来的位置变化,同时计算得到时变的距离向量、多普勒频偏、相位和时延;
3)确定静态簇和动态簇的选择性演进区域,并确定阵列-平稳静态簇和阵列-平稳动态簇的条件;
4)将动态簇和静态簇在大规模阵列上对于不同天线的生灭状态建模,所述不同天线的生灭状态即动态簇、静态簇的阵列演进,从而得到阵列-有效动态簇的集合和阵列-有效静态簇的集合;对动态簇、静态簇在不同时刻下的生灭状态建模,所述不同时刻下的生灭状态即动态簇、静态簇的时间演进,从而得到时间-有效动态簇的集合和时间-有效静态簇的集合;
5)基于步骤4)得到的阵列-有效动态簇的集合、阵列-有效静态簇的集合、时间-有效动态簇的集合和时间-有效静态簇的集合,确定信道的有效动态簇的集合和有效静态簇的集合;
6)计算得到信道冲激响应和信道传递函数,并采用动态簇、静态簇的频率相关因子分别建模毫米波通信中来自动态簇、静态簇的频率相关的路径增益;
7)在下一个时刻,分别随机地生成新生的动态簇、静态簇,并进一步分别随机地生成新生的动态簇、静态簇内的射线,同时确定射线的参数;
8)循环执行步骤2)~7),得到每个时刻的信道的有效动态簇的集合、有效静态簇的集合、信道冲激响应和信道传递函数;
通过上述步骤,即实现用于车联网通信的空时频非平稳无线通信信道建模方法,进一步可构建得到大规模MIMO毫米波V2V车联网通信信道模型。
2.如权利要求1所述的用于车联网通信的空时频非平稳无线通信信道建模方法,其特征是,步骤1)构建车联网通信信道模型的几何模型进一步包括:
1a)确定与收发端天线阵列相关的参数;
在设有LT根发射天线、LR根接收天线和载波频率为fc的大规模MIMO毫米波V2V通信系统中,发射端车辆和接收端车辆分别以速度向量为vT(t)和vR(t)进行运动;发射端车辆的天线阵列的方位角和俯仰角为αT(t)和βT(t);接收端车辆上的天线阵列的方位角和俯仰角为αR(t)和βR(t);发射端和接收端的相邻天线的间隔分别为δT和δR;将收发端车辆的阵列中心之间的距离向量表示为D(t);将第p个发射端天线和第q个接收端天线的距离向量表示为和
1b)确定与动静态簇相关的参数;
将大规模MIMO毫米波V2V通信系统的环境中的簇分为静态簇和动态簇;在基于孪生动静态簇的三维V2V信道模型中,临近发射端的动态簇和临近接收端的动态簇构成一对孪生动态簇,临近发射端的静态簇和临近接收端的静态簇构成一对孪生静态簇;临近发射端的动态簇/静态簇表征传输中的来自动态簇/静态簇的第一次反射路径,临近接收端的动态簇/静态簇表征传输中的来自动态簇/静态簇的最后一次反射路径;将孪生动静态簇之间的其他传输路径定义为虚拟动静态簇链路;动态簇数量与静态簇数量的比例表示为表征实际V2V通信场景中的VTD且是随时间变化的;设临近发射端的动态簇和临近接收端的动态簇分别以速度向量为和进行运动;静态簇的运动向量始终为零向量;将孪生动静态簇和发射端/接收端天线阵列中心之间的方位角和仰角表示为和
1c)确定与动态簇内射线和静态簇内射线相关的参数;
射线和射线分别表示孪生动态簇和内的第nd条射线;射线和射线分别表示孪生静态簇和内的第ns条射线;设射线的速度矢量与其所在的动态簇的速度矢量相同,满足静态簇内的射线的运动矢量始终为零向量;将射线和发射端/接收端天线阵列中心之间的方位角和仰角表示为和
3.如权利要求2所述的用于车联网通信的空时频非平稳无线通信信道建模方法,其特征是,进一步地,步骤2)采用积分运算方法计算并更新因收发端车辆和动态簇的快速任意运动带来的位置变化,包括如下步骤:
S21:设定收发端车辆有时变的加速度,计算时变的视距分量LoS的距离向量、多普勒频偏、相位和时延;具体过程如下:
设发收发端车辆有时变的加速度,表示为:aT/R(t)=[aT/R,x(t),aT/R,y(t),0]T;
根据时变的加速度,通过下式计算得到发射端车辆/接收端车辆的速度矢量:
vT/R(t)=[vT/R,x(t),vT/R,y(t),0]T
其中:
vT/R,x(0)和vT/R,y(0)分布为初始时刻下的发射端/接收端车辆的速度在x轴和y轴方向上的分量;
S22:设动态簇有时变的加速度,计算时变的经过动态簇内的射线的非视距分量NLoS的距离向量、多普勒频偏、相位、时延和功率;
动态簇内的射线的功率表示为:
S23:计算时变的经过静态簇内射线的NLoS分量的距离向量、多普勒频偏、相位、时延和功率,包括:
8.如权利要求2所述的用于车联网通信的空时频非平稳无线通信信道建模方法,其特征是,步骤4)具体是采用生灭过程算法分别对动态簇和静态簇对于大规模阵列上的不同天线的生灭状态、动态簇、静态簇在不同时刻下的生灭状态建模,得到时间-有效动态簇的集合和时间-有效静态簇的集合;包括:
S41:确定阵列-有效动态簇的集合和阵列-有效静态簇的集合;
S42:确定时间-有效动静态簇的集合;
在时间域上应用生灭过程算法,包括:
不同的动态簇具有不同的时间-有效概率;动态簇的时间-有效概率是时变的;
遍历每一个仿真时刻,得到时间-有效静态簇和时间-有效动态簇的集合,该集合包含每一个静态簇和动态簇在每一个时刻下的有效性的结果。
9.如权利要求2所述的用于车联网通信的空时频非平稳无线通信信道建模方法,其特征是,步骤5)分别确定基于信道的有效静态簇集合和信道的有效动态簇集合,进一步包括:
S51:确定信道的有效静态簇的集合;
首先,基于阵列-有效静态簇集合,将发射端阵列-有效静态簇和接收端阵列-有效静态簇进行随机匹配;将成功匹配的发射端阵列-有效静态簇和接收端阵列-有效静态簇组成一对阵列-有效静态簇;
基于时间-有效静态簇的集合,当且仅当匹配成功的阵列-有效静态簇都为时间-有效静态簇时,才会构成一对信道的有效静态簇;
按照上述方法,获得信道的有效静态簇的集合;
S52:确定信道的有效动态簇的集合;
将发射端阵列-有效动态簇和接收端阵列-有效动态簇进行随机地匹配;将成功匹配的动态簇组成一对阵列-有效动态簇;
基于时间-有效动态簇的集合,当且仅当匹配成功的阵列-有效动态簇同时为时间-有效动态簇时,构成一对信道的有效动态簇;
由此获得信道的有效动态簇的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210298647.1A CN114696932B (zh) | 2022-03-22 | 2022-03-22 | 用于车联网通信的空时频非平稳无线通信信道建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210298647.1A CN114696932B (zh) | 2022-03-22 | 2022-03-22 | 用于车联网通信的空时频非平稳无线通信信道建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114696932A true CN114696932A (zh) | 2022-07-01 |
CN114696932B CN114696932B (zh) | 2023-03-31 |
Family
ID=82139867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210298647.1A Active CN114696932B (zh) | 2022-03-22 | 2022-03-22 | 用于车联网通信的空时频非平稳无线通信信道建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114696932B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107172677A (zh) * | 2017-05-25 | 2017-09-15 | 北京大学 | 一种车联网广播中继选择方法及系统 |
CN108768565A (zh) * | 2018-04-17 | 2018-11-06 | 南京航空航天大学 | 一种面向车联网的动态mimo信道建模及参数计算方法 |
US20180357529A1 (en) * | 2017-06-09 | 2018-12-13 | University Of Southern California | Non-stationary mimo model for prosthesis |
US20190246321A1 (en) * | 2018-02-07 | 2019-08-08 | Qualcomm Incorporated | Mobile device centric clustering in wireless systems |
CN113541836A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种车联网信道冲激响应确定方法及系统 |
CN114071420A (zh) * | 2021-11-17 | 2022-02-18 | 湖北大学 | 一种基于动态分簇的v2x高速车载信息传输方法 |
-
2022
- 2022-03-22 CN CN202210298647.1A patent/CN114696932B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107172677A (zh) * | 2017-05-25 | 2017-09-15 | 北京大学 | 一种车联网广播中继选择方法及系统 |
US20180357529A1 (en) * | 2017-06-09 | 2018-12-13 | University Of Southern California | Non-stationary mimo model for prosthesis |
US20190246321A1 (en) * | 2018-02-07 | 2019-08-08 | Qualcomm Incorporated | Mobile device centric clustering in wireless systems |
CN108768565A (zh) * | 2018-04-17 | 2018-11-06 | 南京航空航天大学 | 一种面向车联网的动态mimo信道建模及参数计算方法 |
CN113541836A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种车联网信道冲激响应确定方法及系统 |
CN114071420A (zh) * | 2021-11-17 | 2022-02-18 | 湖北大学 | 一种基于动态分簇的v2x高速车载信息传输方法 |
Non-Patent Citations (4)
Title |
---|
LU BAI 等: "A 3D Cluster-Based Channel Model for 5G and Beyond Vehicle-to-Vehicle Massive MIMO Channels", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
ZIWEI HUANG 等: "A 3-D Non-Stationary Model for Beyond 5G and 6G Vehicle-to-Vehicle mmWave Massive MIMO Channels", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
周文轩: "车联网无线通信统计信道建模及仿真分析", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
胡向东 等: "一种新的无线传感网局域按需簇维护算法", 《重庆邮电大学学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114696932B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cheng et al. | Vehicular communication channel measurement, modelling, and application for beyond 5G and 6G | |
Jiang et al. | Three-dimensional non-stationary wideband geometry-based UAV channel model for A2G communication environments | |
Mao et al. | Machine-learning-based 3-D channel modeling for U2V mmWave communications | |
Yang et al. | Measurements and cluster-based modeling of vehicle-to-vehicle channels with large vehicle obstructions | |
CN111245480B (zh) | 一种基于三维空间的双簇几何信道建模方法 | |
Jiang et al. | Three-dimensional geometry-based stochastic channel modeling for intelligent reflecting surface-assisted UAV MIMO communications | |
Yang et al. | Machine-learning-based fast angle-of-arrival recognition for vehicular communications | |
Huang et al. | A non-stationary 6G V2V channel model with continuously arbitrary trajectory | |
CN107171757B (zh) | 一种融合智能天线的mimo无线信道建模方法 | |
Pang et al. | Investigation and comparison of 5G channel models: From QuaDRiGa, NYUSIM, and MG5G perspectives | |
CN110212955B (zh) | 一种基于射线的3d mimo信道建模的方法 | |
CN110417498A (zh) | 一种用于三维空间的虚拟宽带几何信道的建立方法 | |
Huang et al. | A general 3D non-stationary 6G channel model with time-space consistency | |
Liu et al. | Deep reinforcement learning-based beam tracking for low-latency services in vehicular networks | |
Li et al. | Modelling and simulation for UAV‐aided vehicular MIMO communication channels | |
CN111263327B (zh) | 一种用于多输入多输出单环模型建模方法及其仿真平台 | |
Zhou et al. | Channel modelling for vehicle‐to‐vehicle MIMO communications in geometrical rectangular tunnel scenarios | |
CN114696932B (zh) | 用于车联网通信的空时频非平稳无线通信信道建模方法 | |
Zheng et al. | A deep learning-based mmWave beam selection framework by using lidar data | |
CN114499721A (zh) | 一种隧道场景下的多散射簇车对车信道建模方法 | |
Zhang et al. | Three‐Dimensional MIMO Channel Model with High‐Mobility Wireless Communication Systems Using Leaky Coaxial Cable in Rectangular Tunnel | |
Wu et al. | A learning-based beam training method for multi-user milli-meter wave systems | |
Benelmir et al. | A novel MmWave Beam Alignment Approach for Beyond 5G Autonomous Vehicle Networks | |
Gao et al. | Localization-Oriented Digital Twinning in 6G: A New Indoor-Positioning Paradigm and Proof-of-Concept | |
S Hisabo et al. | Channel Modeling Techniques for Multiband Vehicle to Everything Communications: Challenges and Opportunities |
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 |