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与流程

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(mobileadhocnetwork,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(multipathchannelstateinformation,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(convolutionalneuralnetwork,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/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(roadsideunit，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。

技术实现要素：

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(multipathchannelstateinformation，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(lineofsight，los)的到达角度(directionofarrival,doa)和到达时间(timeofarrival,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/toa和速度高效地预测车辆终端的行驶位置。

技术方案：为解决上述技术问题，本发明提供了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位置的精确估计；在城市环境下通过(roadsideunit,rsu)实现车辆位置精确估计，城市环境下通过路边单元(roadsideunit,rsu)实现车辆位置精确估计采用深度学习方法，所述深度学习方法如下：采用卷积神经网络(convolutionalneuralnetwork,cnn)方法，与目标车辆节点接收信号的多路径信道状态信息(multipathchannelstateinformation,mcsi)，部署具有较大通信半径的路边单元来覆盖相应区域(街区)，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(dedicatedshortrangecommunications,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(directionofarrival,doa)和到达时间(timeofarrival,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；此外该方法将采用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，一般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，可以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。

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部署的通信性能最优化。根据图1所示，当rsu的部署位置处于建筑物顶层时，可以认为车辆与rsu之间的信号传播路径存在视线路径，即较大通信半径。

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。

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，车辆端可以接收实时的rsu测距信号通过cnn进行车辆的位置估计。

在车辆自组织网络中，对目标车辆进行实时精确的位置估计和跟踪是至关重要的，车辆的自动驾驶或安全应用都依赖于对位置信息的感知。该深度学习方法针对诸多现存定位方式的不足提出了一种利用多路径信道状态信息以实现车辆位置估计，该方法利用单个rsu测距获取mcsi，在车辆节点的不同行驶路径中，本发明测量并采集大量的车辆接收信号，以提取视线路径的到达角度和到达时间，并融合车辆的历史速度信息，对卷积神经网络进行训练。并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/toa和速度高效地预测车辆终端的行驶位置；

所述的利用多路径信道状态信息中doa/toa参数以实现车辆位置估计的深度学习方法，步骤是：

在车辆运动模型中，车辆移动性建模过程中需要考虑其运动特征和城市行驶环境，以确保仿真结果的真实性。曼哈顿移动模型已广泛应用于城市地区的建模，能够十分真实地模拟闹市区的交通场景；汽车移动节点在该模型的网格街道中行驶时，须沿着水平街道和垂直街道移动；将车辆在覆盖范围内行驶时的信号传输路径理想化为los(无线传输信号的视距)，θ和τ表示los的doa和toa；车辆在道路交点处的行驶方向与概率相关，一般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。

vi(t+δt)＝vi(t)+rai(t)δt(1)

在上式中vi(t)表示第i个车辆(终端)节点在t时刻的速度矢量，其数值在[vmin，vmax]内均匀分布。ai(t)为节点i的加速度矢量，设为常量a。r为在[-1，1]上均匀分布的随机数。此外为确保车辆节点间的安全距离，前节点i+1与节点i的t时刻瞬时速度应满足以下条件。

vi+1(t)＝vi(t)+a/2(2)

令前节点i+1的加速度矢量ai+1(t)的值为a，由此可见车辆节点的当前时速不但与前一时刻的速度有关，而且还取决于相同车道内前方车辆的行驶速度，直观地反映了车辆在城市交通中的运动状态。

mcsi与接收信号的信道频率响应(channelfrequencyresponse,cfr)有关，在车辆接收端采用均匀线性阵列天线接收专用短距离通信(dedicatedshortrangecommunications,dsrc)生成的多径信道状态信息，多径信道状态信息的最小二乘估计可以表示成如下形式：

在上式中，m，k分别为子天线阵列和子载波的索引，第p条传输路径的doa和toa则由θp和τp表示。γk，p可理解为广义平稳高斯过程，独立于不同的路径和子载波，与无线电传播的反射等物理现象有关，第k个子载波的频率可以表示为fk＝fc+fd+kδf，fc、fd和δf分别表示载波频率、多普勒频移和子载波频率间隔。nm,k表示第m个天线和第k个子载波处的加性白高斯噪声。在此信号模型中，dsrc发射机和车辆接收端之间的多径信道可完全以cfr为特征，并利用cfr来提取doa/toa等定位参数，虽然高斯白噪声的存在使得cfr的估计存在误差，但依然可将doa/toa作为车辆节点所在位置的标签。

对于cnn的训练数据样本，本发明方法采用了将无线定位参数doa/toa与车辆速度分量融合作为数据训练网络，首先，车辆节点利用rsu的ofdm信号提取出当前位置的doa/toa，其次，在通过自身的速度传感器获取当前的速度信息，之后将采集的数据融合形成doa/toa-speed训练数据，并且在车辆的行驶过程中以时间间隔tsampling进行采样以形成训练数据库，最后通过接收实时的测距信号来实现车辆的位置估计。

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都可以表示信号的fp。基于rss和dl的定位算法较多的应用于室内定位场景中，具有较好的定位性能和实用价值。在实际场景中都利用csi或其中包含的定位参数来处理多径信号的定位问题。相比于仅以rss为信号标签，csi包含更多关于接收方的位置信息，虽然其表示的是物理层的信号特征，但随着装配相应辅助网络接口卡和软硬件的升级亦能被更高层获取。

本发明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。该深度学习方法的不同是将cnn应用于室外城市交通环境下的车辆位置估计中，对于cnn的训练数据样本，该方法将无线定位参数doa/toa与车辆速度分量融合作为数据训练网络，车辆节点利用rsu的多径信号提取出当前位置的doa/toa，在通过自身的速度传感器获取当前的速度信息，将采集的数据融合形成doa/toa-speed训练数据，并且在车辆的行驶过程中以时间间隔tsampling进行采样以形成训练数据库.

在移动自组织网络(mobileadhocnetwork,manet)中，对移动目标进行实时精确的位置估计和跟踪是至关重要的，目标节点的智能应用都依赖于对位置信息的感知。本发明针对诸多现存移动定位方式的不足提出了一种利用多路径信道状态信息以实现移动目标位置估计的深度学习方法，该方法利用单个基础设施单元锚节点测距使目标获取多径信道状态信息(multipathchannelstateinformation,mcsi)，在目标节点的不同运动路径中，该方法测量并采集大量的目标接收信号，以提取视线路径(lineofsight,los)的到达角度(directionofarrival,doa)和到达时间(timeofarrival,toa)，并融合目标节点的历史速度信息，对卷积神经网络进行训练。以车辆节点为例，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/toa和速度高效地预测车辆终端的行驶位置。

有益效果：本发明利用cnn和mcsi中的doa/toa参数及车辆的速度分量为标签进行在城市环境下的车辆位置估计。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。

附图说明

图1是城市环境中的车辆移动模型。

图2是数据的采样与训练流程。

图3是使用卷积神经网络的结构图。

具体实施方式

如图所示，在城市环境下通过rsu实现车辆位置精确估计的深度学习方法采用卷积神经网络与车辆接收信号的mcsi，其特征在于：部署具有较大通信半径的路边单元来覆盖相应街区，目标车辆在rsu信号覆盖区域内行驶时通过提取接收信号在视线路径上的doa和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；此外该方法将采用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，一般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，可以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。

在车辆运动模型中，车辆移动性建模过程中需要考虑其运动特征和城市行驶环境，以确保仿真结果的真实性。曼哈顿移动模型已广泛应用于城市地区的建模，能够十分真实地模拟闹市区的交通场景。汽车等移动节点在该模型的网格街道中行驶时，须沿着水平街道和垂直街道移动。可将车辆在覆盖范围内行驶时的信号传输路径理想化为los，θ和τ表示los的doa和toa。车辆在道路交点处的行驶方向与概率相关，一般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。

vi(t+δt)＝vi(t)+rai(t)δt(1)

在上式中vi(t)表示第i个车辆节点在t时刻的速度矢量，其数值在[vmin，vmax]内均匀分布。ai(t)为节点i的加速度矢量，可以设为常量a。r为在[-1，1]上均匀分布的随机数。此外为确保车辆节点间的安全距离，前节点i+1与节点i的t时刻瞬时速度应满足以下条件。

vi+1(t)＝vi(t)+a/2(2)

可令前节点i+1的加速度矢量ai+1(t)的值为a，由此可见车辆节点的当前时速不但与前一时刻的速度有关，而且还取决于相同车道内前方车辆的行驶速度，直观地反映了车辆在城市交通中的运动状态。

mcsi与接收信号的信道频率响应(channelfrequencyresponse,cfr)有关，在车辆接收端采用均匀线性阵列天线接收专用短距离通信(dedicatedshortrangecommunications,dsrc)生成的多径信号，其最小二乘估计可以表示成如下形式。

在上式中，m，k分别为子天线阵列和子载波的索引，第p条传输路径的doa和toa则由θp和τp表示。γk，p可以理解为广义平稳高斯过程，独立于不同的路径和子载波，与无线电传播的反射等物理现象有关，第k个子载波的频率可以表示为fk＝fc+fd+kδf，fc、fd和δf分别表示载波频率、多普勒频移和子载波频率间隔。nm,k表示第m个天线和第k个子载波处的加性白高斯噪声。在此信号模型中，dsrc发射机和车辆接收端之间的多径信道可完全以cfr为特征，并利用cfr来提取doa/toa等定位参数，虽然高斯白噪声的存在使得cfr的估计存在误差，但依然可将doa/toa作为车辆节点所在位置的标签。

对于cnn的训练数据样本，该方法采用了将无线定位参数doa/toa与车辆速度分量融合作为数据训练网络，首先，车辆节点利用rsu的ofdm信号提取出当前位置的doa/toa，其次，在通过自身的速度传感器获取当前的速度信息，之后将采集的数据融合形成doa/toa-speed训练数据，并且在车辆的行驶过程中以时间间隔tsampling进行采样以形成训练数据库，最后通过接收实时的测距信号来实现车辆的位置估计。

在全连接神经网络结构中，输出层最终的结果与隐藏层中每个神经元的输出有关，且遵循将前一层神经元输出作为下一层神经元输入的前向传播算法，神经元的输出包括线性部分和非线性的激活部分，其计算过程如下，在线性部分中本文将第k层的第i个神经元与第k+1层的第j个神经元的连接权重定义为w^k+1ji，以便于矩阵形式运算无须转置，第k层的第i个神经元的偏置可以表示为b^ki。本文还将神经元的激活函数定义为a(*)，因此第k+1层中的第j个神经元激活输出表达式y^k+1j可以表示为

目前在分类问题上常用的激活函数包括elu函数、tanh函数、整流线性单元(relu)和sigmod函数，通常来说每个神经元只需要一种激活函数。神经网络的隐藏层数决定了它可以近似的函数的复杂度[8]，其层数越多则导致网络线性参数即权重w和偏置b的数量也越多，因此神经网络的参数调优是一个很困难的问题。在实际用中可采用基于梯度下降的方法并利用输出层损失函数和反向传播算法来更新网络参数，但这需要样本数据在训练过程中是有监督的。输出层的损失函数一般可采用交叉熵损失或均方损失，此外在多分类问题中，可以使用softmax函数将输出的值归一化为概率值。

然而越复杂的全连接神经网络就能包含越多的参数，因此需要强大的计算能力才能实现前向传播和反向传播，当样本数据集合的数量不足以训练网络时会出现过拟合现象，此外，无论是在车辆节点还是在rsu端，维护庞大的样本数据库和复杂的全连接神经网络都是十分困难的，此问题的通常解决方法是对神经网络进行局部连接以及共享网络参数的权值，对比于其它神经网络，cnn具有这两种明显特征。cnn常在计算机视觉中应用于处理图片等三维数据，其层级结构为输入层、卷积层(conv)、激活层(relu)、池化层(pool)、全连接层(fc)和输出层，将样本数据输入神经网络之前需均值化和归一化，卷积层利用卷积核实现特征提取，不同卷积核对应的特征图表示某一维度的特征，随着卷积层的增加，特征提取的越来越具体化。激励层将卷积层的线性计算结果进行非线性映射。池化层实现特征图的降维，但可以保持大分重要的信息。全连接层起到了分类器的作用，然后softmax函数将分类结果归一化为概率。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。