[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

摘要

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。

主权项

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，在城市环境下通过路边单元RSU实现车辆位置精确估计，城市环境下通过路边单元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进行下一时刻位置估计；此外采用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，其最理想的位置应该处于建筑物的顶端，以实现信号的视线传播；(2)目标车辆在覆盖区域内行驶时，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)汽车等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/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；所述基于2D‑ESPRIT算法及卷积神经网络的车辆位置估计方法能够有效解决车辆在城市环境中的精确定位问题。