[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

说明书

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，在城市环境下通过路边单元RSU实现车辆位置精确估计，城市环境下通过RSU实现车辆位置精确估计采用深度学习方法，即采用卷积神经网络方法与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CNN进行下刻位置估计；采用2D‑ESPRIT算法对MCSI进行处理获取有效DOA和TOA定位参数。

技术领域

本发明提出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，适用于城市环境中车辆等移动目标位置的精确估计，属于无线通信的技术领域。

背景技术

在如今的信息时代，移动自组织网络(Mobile Ad hoc Network,MANET)的兴起已经成了一个热门话题，而由此产生的车辆自组织网络促进了智能交通系统的快速发展，与此同时由于其能够为司机提供实时的辅助驾驶应用和道路信息感知能力，提高了人们出行的效率和安全性。车辆终端的自动控制和对道路的有效感知都需要位置信息的支持，因此如何实现车辆的精确实时定位依然是一个具有重要研究意义的领域。目前已知常用的车辆定位方式就包括数种以全球定位系统为代表已大规模民用化的全球导航卫星系统、激光测距雷达、基于图像处理的车辆检测与定位以及通过提取无线信号的信道状态信息(Multipath Channel State Information,CSI)来定位，这些定位方式各有特点也存在相应的不足，在户外定位中GPS具有较好的定位精度和使用成本，但在城市交通环境中存在绿荫、建筑和隧道等遮蔽物，极易造成严重的精度误差和信号丢失。由于LiDAR的昂贵花费难以被大多个人车主所接受。类似于基于图象处理的车辆检测方法虽然能应用于实际，但也存在相应的技术制约，例如对车辆的检测效果严重受限于行驶速度和使用环境，包括天气因素，因此急需新的定位方案来解决这些存在的问题。

随着信息技术和计算机科学的快速发展，越来越多的研究人员将信号指纹和深度学习算法相结合来实现对目标位置的估计。无线电指纹包含独特的信号传输特征，能用于鉴别移动电话或任何其它无线电收发终端。利用指纹识别定位的性能不易受多径效应的影响，一般来说对于接收端信号的接收信号强度和CSI都可以表示信号指纹。该深度学习方法的不同是将卷积神经网络(Convolutional Neural Network,CNN)应用于室外城市交通环境下的车辆位置估计中，将接收信号的CSI所包含的DOA与TOA融合车辆的速度分量作为CNN的训练数据库样本，该方法相比于上述基于图像识别的车辆检测方法的明显优势是能够克服车速与天气因素的影响，此外还能够对大范围内的车辆行驶进行预测，提高了路边单元(Roadside Unit，RSU)在多径环境下对覆盖区域内车辆节点的感知能力，具有很高的实际应用价值。

发明内容

本发明目的是，提供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。该方法以车辆移动终端为例，利用单个RSU测距使得目标节点获取多径信道状态信息(Multipath Channel State Information，MCSI)，在车辆节点的不同行驶路径中，该方法测量并采集大量的车辆接收信号，以提取视线路径(Line of Sight，LOS)的到达角度(Direction of Arrival,DOA)和到达时间(Time of Arrival,TOA)，并融合车辆的历史速度信息作为车帘位置的指纹，对卷积神经网络进行训练。在训练数据收集过程中对城市道路网络中的行驶车辆建立曼哈顿移动模型，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，该深度学习方法能够在城市交通环境下通过DOA与TOA和速度高效地预测车辆终端的行驶位置。