摘要：針對以往車聯網動態環境下采用的波束搜索方法無法解決毫米波窄波束實時匹配這一問題，本文結合射線追蹤法，提出采用一種基于車輛環境態勢感知的波束搜索方法，以提高波束搜索效率。該方法首先通過射線追蹤法計算得到最優波束對指數，并對當前場景進行編碼，形成特征向量，建立數據庫;而后采用機器學習對測試車輛場景進行訓練，產生適用于實際情況下車輛網波束匹配的機器學習模型;最后在該模型下進行實際目標車輛的態勢搜索，仿真結果表明，該方法能夠有效降低波束搜索開銷，在保證波束搜索精度的同時提高波束搜索效率。

　　關鍵詞：車聯網;毫米波;機器學習;態勢感知

　　1引言

　　車聯網通過車與人、車與車、車與服務平臺之間的信息資源共享，實現信息的快速傳遞，有效地提升了交通的安全程度，改善了頻繁出現的交通擁堵情況，因此，車聯網在自動駕駛，智能調度，汽車導航等方面被廣泛采用[1]。近年來，隨著行駛車輛的急劇增長，越來越多的車輛需要接入網絡，導致人們對車載時延、計算能力、數據量的要求越來越高。傳統車聯網的低頻段通信已難以滿足高要求的車載應用服務，因此，人們考慮將擁有超高傳輸速率的毫米波通信應用于車聯網，以滿足車聯網通信對于吞吐量和時延的高要求。

　　目前國際標準化組織已經提出了毫米波車聯網通信的相關標準[2]，然而，毫米波的高頻特性導致了通信過程中嚴重的路徑損耗。針對這一問題，可以通過采用大規模陣列天線技術，形成定向窄波束來解決。但由于車輛具有移動性，導致窄波束難以實時對齊，影響通信質量。

　　車輛工程論文： 基于移動參考系和周期性邊界條件方法的隧道車輛空氣阻力系數計算

　　因此，如何實現車載毫米波波束的實時高效匹配成為研究難點。波束搜索是目前使用比較廣泛的毫米波波束匹配方法，傳統的波束搜索采用窮舉搜索方法，將發射端和接收端的所有波束逐一匹配以獲得最優波束對，這種方法運算量大且復雜度高。IEEE802.15.3c和IEEE802.11.Ad標準對窮舉波束搜索進行了優化，通過將搜索過程區分為扇區級搜索和波束級搜索兩部分來降低運算量[3-5]，然而這種方法的復雜度隨著碼本維數的增加而增大。

　　針對上述問題，文獻[6]提出了分層搜索算法，該算法使用一個預先設計的模擬分層碼本來搜索多個波束，其中預先設計的模擬分層碼本中有一個過采樣層以保證對波束方向的準確估計，該算法在一定程度上降低了波束搜索的開銷，但在車聯網通信中，較高的信道機動性和較短的波束相干時間導致這些波束搜索方法的實施面臨較大困難。

　　針對上述搜索方法的不足，文獻[7][8][9][10]提出基于邊信息輔助的毫米波波束訓練方法，該類方法利用來自雷達或者其他通信系統等傳感器的信息作為毫米波通信鏈路配置的輔助信息，可以降低波束匹配開銷，但在實現初始波束的快速對準后，車輛的移動性和毫米波的窄波束特點也會導致波束難以實時對齊。文獻[11]將接收機的位置量化為像素，通過對位置特征進行機器學習來實現波束訓練，并結合統計學習方法推薦可能的波束對。

　　文獻[12]采用學習排名這一機器學習方法，利用位置信息和過去的波束測量值，將波束訓練范圍縮小到某一局限區域，但文獻[11]和[12]只考慮了目標車輛的相關位置等信息，沒有考慮其他車輛可能對其產生的影響;文獻[13]提出將車輛交通模擬器和射線追蹤模擬器相結合，生成5G毫米波MIMO場景下的信道狀態參數，以簡化復雜移動場景中創建數據的過程。

　　此外，文獻還將所有車輛的位置信息納入特征中，并采用深度學習的方法來解決波束選擇問題。但該方法沒有對環境特征進行編碼，忽略了實際實施中環境可能產生的影響。文獻[14]提出采用一種用于分類的深度學習神經網絡進行波束搜索，該神經網絡將接收器的位置和來波方向作為輸入，將每個波束對成為最佳波束對的概率作為輸出，沿最佳功率的路徑方向訓練模型，以此來推薦最佳波束對的候選列表，但該方法只考慮了室內場景，與車載通信場景有所不同。

　　文獻[15]考慮了多車輛的干擾管理機制，將波束選擇問題化為組合多臂強盜(combinatorialmultiarmedbandit，CMAB)問題，在多車輛環境中不僅可以同時精確地估計出多用戶的最佳波束對，并能夠識別和適應車輛環境中的任何變化，但是該文獻所提出的自適應波束跟蹤方案在搜索空間上會產生更高的復雜度，并且復雜度會隨著用戶數量的增加呈指數增長。

　　針對上述方法的不足，本文利用車輛態勢信息進行波束搜索，建立基于環境信息的特征數據庫，結合機器學習方法，獲得最優波束對，從而提高動態環境下的波束搜索效率。該方法首先通過射線追蹤法，計算得到測試車輛的最優波束對指數，并對當前場景中車輛的位置進行編碼，形成環境特征向量，建立數據庫;然后采用機器學習的分類方法對測試車輛場景進行訓練，得到訓練好的機器學習模型，在該模型下根據實際情況對目標車輛進行態勢搜索，實現波束匹配，提高了波束搜索的效率。

　　2系統模型

　　2.1場景建模

　　其中，基站部署在城市道路兩邊相對較低的位置，由于城市道路中存在大量不同尺寸的車輛并且這些車輛具有機動性，因此，從目標車輛到基站的直視路徑(line-of-sight，LOS)可能會受到遮擋。此外，環境中的各種物體均可反射電磁波，形成非直視路徑(notline-ofsight，LOS)。

　　在不同類型的反射物體中，建筑物、地面或者其他路邊建筑屬于靜態反射體，車輛、移動的自行車以及行人屬于動態反射體，本文不考慮高度較低的行人以及自行車的影響。由于車輛尺寸具有相似性，車輛的運動具有規律性，車道具有固定性，因此，可以通過各種傳感器對車輛的位置進行定位跟蹤。對于路邊高度較低的基站，車輛是導致直視路徑和非直視路徑堵塞以及反射的主要因素，由于天線一般安置在車輛頂部，因此，車輛的位置和尺寸可以決定波束的方向和強度。

　　本文采用城市中雙車道直道場景，利用射線追蹤模擬器收集數據并建立數據庫，道路兩側的建筑物可建模為以混凝土為材料的立方體且大小隨機;車輛主要考慮小汽車和卡車兩種車型，均建模為金屬外殼的長方體，并且在車道上服從隨機分布。由于卡車高度較高，如果接收機安裝于卡車頂部，則不會產生傳輸路徑堵塞現象，波束跟蹤時也不需要采用機器學習來預測，因此，將接收器安裝在較低的汽車頂部。

　　3基于機器學習的V2I波束選擇

　　當車輛進入基站的覆蓋范圍時，會自動檢測到網絡并連接到基站，此時車輛會將自身的一些基本信息，例如制造商、型號等發送給基站，便于基站確定車輛的大小和類型，并根據此信息進行環境特征編碼;同時車輛會發送啟動波束訓練請求，基站接到請求后在目標車輛間進行波束搜索，找到最優波束對，并記錄匹配結果。由于車輛的機動性，基站會實時接收目標車輛位置更新信息，實現車輛跟蹤。在獲得所有車輛的信息后，基站根據實時信息，制定車輛態勢感知圖，并將車輛態勢作為特征存于基站數據庫;定義每個數據樣本的最佳波束對指數為分類標簽，便于后續對實際目標車輛進行最優波束匹配。

　　3.1環境特征編碼

　　本文將機器學習模型和波束訓練相結合，建立學習和環境之間的函數關系，為了實現這一目標，需要解決在學習模型中描述目標車輛位置以及車輛周圍環境特征這一問題。為了將傳感器收集的原始數據轉化為適合機器學習模型的特征模式，本文選取自然排序編碼、相對排序編碼以及二維網格位置編碼三種環境特征編碼方式。

　　(1)自然排序編碼

　　本文采用雙車道，假設車輛在每個車道的中心行駛。車道指數用分類變量1和2來表示，每輛車的位置可以通過水平位置和車道索引來表示，其中水平位置是指當原點設置在目標區域的左下方時，車輛中心沿軸的坐標。

　　(2)相對排序編碼

　　由于車輛與接收機的相對距離、車輛類型、車輛所在車道有所不同，因此不同的車輛會對信道產生不同的影響。首先，靠近接收機的車輛比遠離接收機的車輛更有可能影響波束方向，在更靠近基站的車道上的車輛更有可能阻擋另一條車道上的波束，此外，大型車輛更有可能阻擋路徑或充當路徑的反射器，而小型車輛對反射的貢獻可能會很小。因此，除了自然排序外，車輛還可以根據車輛到基站的相對距離、車輛類型和車輛所在車道來對位置特征進行有序編碼。

　　3.2基于機器學習的波束匹配

　　本文的核心思想是選擇環境參數，例如車輛位置、基站位置、周邊建筑物等作為特征，以最佳波束對指數作為標簽，對候選波束進行分類預測，以此搜索出最佳匹配波束。基于機器學習的波束選擇主要分為兩個階段。第一階段通過將數據集劃分為訓練集和測試集來對波束進行訓練。

　　本文采用的劃分比例為訓練集80%，測試集20%，通過訓練集對分類器進行訓練，然后利用測試集驗證機器學習模型的性能，通過變換參數得到一個訓練好的機器學習模型;第二階段是實際預測階段，使用訓練好的機器學習模型在實際情況下對波束進行分類預測，以較少的損耗和較快的速度得到最佳波束對，當使用訓練好的模型來對波束進行選擇時，算法復雜度主要體現在在相應的環境特征中尋找出對應的最優波束對指數，該方法相較于遍歷搜索方法極大的降低了算法的復雜度。

　　4實驗仿真

　　仿真結果證明深度學習的性能并不優于隨機森林分類器，這是由于與深度學習相比，隨機森林分類器能夠很好地處理數據局部集中且不平衡的問題，在數據樣本規模較小的情況下，隨機森林能夠很好地泛化數據集，可以從原始數據集中生成多個數據樣本子集用于訓練，其中訓練用的數據樣本子集是由原始數據集使用重復的組合生成的，而深度學習對數據的要求很高，數據的缺少導致深度學習算法的不理想，以上優勢使得隨機森林分類器成為解決具體問題的有效方法。

　　不同級別的態勢感知對各個分類器所產生的影響有所不同，本文在笛卡爾坐標中結合不同級別的態勢感知情況來評估訓練分類器的性能。首先，通過環境信息的完整性來量化態勢感知的層次，具體表現為特征僅含有接收機位置、添加第一車道卡車位置、添加第二車道卡車位置。當定位誤差增大時，基于自然編碼的軸坐標的誤差預測精度迅速下降到70%以下，由此可見，本文所采用的基于機器學習輔助波束搜索模型的局限性在于依賴于不同傳感器提供的車輛的精確位置。

　　5結論

　　本文將機器學習方法應用于車載毫米波通信的波束搜索，通過車輛環境態勢感知獲取環境特征，建立數據庫，采用機器學習方法將目標車輛與數據庫進行比對，找到最優波束對。仿真表明，基于機器學習的波束對齊方法能夠在保證匹配精度的同時有效地減少波束搜索開銷，滿足車聯網的實時波束對齊需求。雖然該方法能夠大幅度降低搜索開銷，但其搜索精度仍低于窮盡搜索等傳統方法，因此，今后的研究中需要通過增加環境特征、改進編碼方式以及尋找更加快速準確的機器學習等方法來進一步提高匹配精度。

　　參考文獻：

　　[1]陳文,周進.車聯網通信技術發展現狀及趨勢研究[J].中國新通信,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]張姍妹.60GHz無線通信系統波束成形技術研究[D].青島:中國海洋大學,2013.ZHANGShanmei.Researchofthebeamformingtechnologyin60GHzwirelesscommunicationsystems[D].Qingdao,China:OceanUniversityofChina,2013.(inChinese)

　　[4]劉凌.毫米波通信中一種優化的波束搜索算法研究[J].自動化技術與應用,2014,33(4):33-36,46.LIULing.Algorithmstudyofbeammillimeterwavecommunicationinanoptimizedsearching[J].TechniquesofAutomationandApplications,2014,33(4):33-36,46.(inChinese)

　　[5]鄒衛霞,杜光龍,李斌,等.60GHz毫米波通信中一種新的波束搜索算法[J].電子與信息學報,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：張璐璐1仲偉志1張俊杰1朱秋明2陳小敏2