[发明专利]基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法及系统

说明书

本发明公开了一种基于CNN‑LSTM网络的ISAC使能车联网环境角度估计方法及系统，获取车辆位于不同位置时相对于基站的水平角度以及对应的基站接收天线处的信号抽样值作为训练样本；将训练样本变形为二维矩阵后送入CNN‑LSTM神经网络模型；提取特征数据间的空间联系，基于特征数据间的空间联系确定特征数据间的时间联系，对空间联系和时间联系进行整合和加权，输出网络角度预测值计算误差，再进行误差反向传播，得到训练好的角度估计网络；将待估计的基站接收天线接收信号值输入训练好的角度估计网络中，得到验证样本的角度估计值。采用本发明方法提高了角度估计的精确度，提升网络的最终角度估计性能。

技术领域

本发明属于通信技术领域，具体涉及一种基于CNN-LSTM网络的ISAC使能车联网环境角度估计方法及系统。

背景技术

V2X(Vehicle to everything)是未来智能车辆交通运输的关键技术，该技术使得车与车、车与基站之间进行通信，实时交互各自所掌握的信息，从而获得实时路况、道路信息等一系列交通信息，进而提高驾驶安全、提高交通效率、实现自动驾驶，以及提供其他信息服务等。实现V2X将需要Gbps级的通信速率、精确到毫米级的感知性能以及特定的工作频带。

通信和感知是V2X的核心技术。长期以来，通信与雷达感知属于不同的研究领域：前者的主要功能提高通信速率，实现高可靠通信；后者的主要功能是快速准确的识别出现在其覆盖区域的目标，估计相应目标的有关参数。两者独立发展，互不影响：使用不同频段的频谱资源，使用相互独立的硬件设备和信号处理算法。然而当前科技有实现ISAC的趋势，其原因主要有三：一，随着信息化时代的来领，电子设备被期望实现更高速更可靠的数据传输，通信系统不得不拓宽所用频带以实现上述要求，这导致可被分配的频谱资源越来越紧张；二，在某些场合下，电子设备被期望在更低或不变的物理成本下实现更多的功能(如集通信、感知以及侦察于一体等)，尤其是车联网中自动驾驶这一情景；三，当前通信系统和雷达系统交叉重叠部分越来越多，彼此之间的差别越来越小：工作频段层面，两者存在部分频谱重叠；在硬件设施层面，两者都包含天线系统、发射系统、接收系统等；信号处理层面，两者都需要上下变频、调制解调等。上述原因使得实现Integrated sensing andcommunication(ISAC)成为一种必然。在未来车联网中，ISAC将采用单一设备和单一信号实现通信功能和车辆位置参数感知功能：一方面基站发射ISAC信号与车辆进行通信；另一方面，基站发射的ISAC信号被车辆反射，基站根据接收到反射信号估计车辆的位置参数。这不仅提高了频谱利用率，缓解当前频谱资源紧张问题，而且降低车辆能耗以及车辆硬件复杂度。

V2X需要Gbps级通信速率，当前所用通信频段无法满足这一要求，为解决这一问题，毫米波是关键因素：毫米波具有较大的可用频带宽度，这将提高系统通信速率。同时，毫米波波长更短，这将提高V2X系统的感知精度。毫米波通信具有传播损耗大、覆盖范围小等缺陷。为弥补这一缺陷，波束形成技术可以形成指向特定方向的“pencil-like”波束，在该特定方向上信号增益最大。在V2X场景下，考虑到车辆的高速移动性，需要进行波束跟踪以精确对准发射波束和接收波束，进而建立可靠稳定的通信链路，保证系统的服务质量。为实现高精度波束对准，基站需要根据车辆回波实时估计车辆的相对角度，并以此提高系统通信速率。由于估计模型是非线性的，传统方法在进行角度估计时均采用了近似值，这将降低了角度估计的精度。

近年来随着人工智能的发展，深度学习越来越流行。深度学习在图像识别和语音识别领域取得了显著成就，这为非线性模型的参数估计提供了新思路。从本质上讲，用于角度估计的深度学习属于基于特征的估计方法，通过训练神经网络得到特征参数的权重。卷积神经网络(CNN)广泛应用于深度学习模型，尤其是图像识别。CNN起源于对动物视觉神经感受野的研究。它利用感受野的相关知识，通过卷积运算从输入中提取局部特征信息，然后通过全连接进行全局特征分析。基本的卷积神经网络由输入层、卷积层、池层、全连接层和输出层组成。根据不同的层结构，可以形成各种卷积神经网络结构。尽管CNN体系结构可以探索信号的特征，但通过长短期记忆网络(LSTM)网络可以更好地提取与时间相关性相关的信号特征。