[发明专利]一种基于多路径信道状态信息的车辆位置估计的深度学习方法

权利要求书

1.一种基于多路径信道状态信息实现移动目标位置估计的深度学习方法，其特征是，采用深度学习方法在城市环境下通过路边单元RSU实现车辆位置精确估计，所述深度学习方法即采用卷积神经网络方法，基于目标车辆节点接收信号的多路径信道状态信息MCSI，部署具有较大通信半径的路边单元RSU来覆盖相应区域，目标车辆在RSU信号覆盖区域内行驶时车辆接收端采用均匀线性阵列天线接收专用短距离通信DSRC生成的多径信号，通过提取目标车辆节点接收信号在视线路径上的到达角度DOA和到达时间TOA，并根据车辆的当前速度信息，利用卷积神经网络CNN进行下一时刻位置估计；采用2D-ESPRIT算法对MCSI进行处理以获取有效的DOA和TOA定位参数；包括如下步骤：

(1)将通信距离足够大的路边单元部署于城市里的建筑物中或处于建筑物的顶端，以实现信号的视线传播；

(2)目标车辆在RSU信号覆盖区域内行驶时，将曼哈顿移动模型应用于城市地区的车辆移动性建模，能够十分真实地模拟城市的交通场景；

(3)目标车辆节点即车辆移动节点在该模型的网格状街道中行驶时，须沿着水平街道和垂直街道移动，车辆在道路交点处的行驶方向与概率相关，默认为左转或右转的概率为0.25，直行的概率为0.5；在曼哈顿模型中，车辆节点间的相对运动关系具有高度的空间相关性和时间相关性，因此车辆的行驶速度存在相应条件限制；

(4)利用该车辆移动模型以及2D-ESPRIT算法生成车辆行驶时的DOA与TOA数据，并生成相应的数据集；

(5)融合车辆行驶方向的速度分量,将DOA、TOA和车辆行驶方向的速度分量这三维的数据集合用于训练卷积神经网络以获得可用的CNN；

(6)当卷积神经网络训练完成时，每当车辆在覆盖区域内行驶时，利用车载设备接收的实时DOA/TOA及速度数据来预测车辆当前的位置信息。

2.根据权利要求1所述的实现移动目标位置估计的深度学习方法，其特征在于：路边单元的部署位置依据城市建筑的高度来确定，以确保单个RSU部署的通信性能优化；当RSU的部署位置处于建筑物顶层时，认为车辆与RSU之间的信号传播路径存在视线路径。

3.根据权利要求1所述的实现移动目标位置估计的深度学习方法，其特征在于：当车辆行驶在RSU覆盖范围内时，其移动模型依赖于曼哈顿模型，即车辆在目标区域内行驶的路径与道路交叉点的转向概率相关，且须沿着水平街道和垂直街道移动，对于车辆的行驶速度存在相应条件限制。

4.根据权利要求1所述的实现移动目标位置估计的深度学习方法，其特征在于：利用2D-ESPRIT算法来获取接收信号视线路径上的DOA和TOA参数，并依据车辆的速度分量和曼哈顿移动模型生成CNN的训练数据集，当CNN训练完成后，车辆端接收实时的RSU测距信号通过CNN进行车辆的位置估计。