[论文笔记]Kinematic Information Aided User-Centric 5G Vehicular Networks

最新推荐文章于 2021-10-31 17:13:22 发布

Love_marginal

最新推荐文章于 2021-10-31 17:13:22 发布

阅读量907

点赞数 1

分类专栏： V2X 论文解读研究生

本文链接：https://blog.csdn.net/m0_37495408/article/details/104946686

版权

V2X 同时被 3 个专栏收录

41 篇文章 48 订阅

订阅专栏

研究生

21 篇文章 0 订阅

订阅专栏

论文解读

20 篇文章 18 订阅

订阅专栏

5G网络具备：1.高数据速率；2.大用户密度；3.超高可靠性；4.低延迟等特点，其中低延迟是在自动驾驶领域尤其关注的一点。本文提出一种超密集5G车载网络的架构，它采用用户中心式接入，并通过运动信息进行辅助接入。具体来讲，使用LAACS（分布式本地接入和应用中心）来将应用程序的执行和集中式接入控制共同执行。在这个过程中，在网络资源的动态管理中利用来自应用层的车辆运动信息，以便持续的保持车辆和为其服务的LAAC之间的高性能无线通信。

关于CSM（周期性协作感知消息）的UL（上行链路传输），本文整理了影响上述架构的关键元素有哪些，比如说：AP（接入节点）的关联、无线资源分配、移动性支持等。在实际网络部署中的约束和问题也有提及。

本文还提出了一种实用的接入策略的基准集合，它解决了CSM的可靠性和延迟要求，并在高速路和交叉路进行了仿真。

Ⅰ.介绍

推动公路生态转变有两项技术：车辆通信和自动驾驶。两者不是割裂的关系，前者是后者的一种实现手段。车辆间通信传递的内容主要有二：1.车辆状态信息（车辆类型、位置、速度、加速度等）；2.交通信息（信号灯的相位、道路施工和拥挤情况等）。期望实现的功能也有两点：1.协同感知；2.提供可改善道路安全性和效率的应用【统称为C-ITS（协同智能交通系统）应用】。

这里的CAM和上文的CSM的说明：A表示Awareness，S是Sensing，直译过来都是协作感知消息，但CAM是数据传输协议的格式，侧重于格式。而CSM主要侧重于传输的内容。

设施层是用来传递状态信息（state information）的，典型的如CAM（协同感知消息，周期型）、DENM（分散式环境通知消息，事件驱动型）。设施层消息的有效载荷不大，而且相关的通信需求对他们的数据速率、延迟、稳定性等都不是很严格。

车辆间通过通信共享车辆彼此的感知信息就可以实现对驾驶环境的感知，从而实现自动驾驶。对目前的DSRC和LTE-V来说，一些根本的通信需求其实还未实现，这些需求与5G的目标一致。5G的URLLC（超可靠低延迟）服务的一种典型使用场景就是车辆通信。有两件事要注意：1.实际的场景和纸面上的可能会存在很大不同；2.不同场景间的通信需求差别会很大。本文主要讨论协同感知，原因有二：1.在自动驾驶中作用很大；2.通过研究对对通信的要求很严格的协同感知从而让本系统可以适应其他要求不严格的用例。

5G时代的网络架构和无线电接入技术都与过去不同。网络架构方面，MEC（边缘计算）带来了两个变化：1.将云端实现的功能转移到靠近RAN（无线接入网）的位置；2.将核心网的部分功能转移到边缘位置，从而允许分布式数据转发。

NFV，网络功能虚拟化：利用虚拟化技术，将网络节点阶层的功能，分割成几个功能区块，分别以软件方式实作，不再局限于硬件架构。

AP的超密集部署是5G缓解流量密度大的好方法，这个方法简称UDN（超密集网络）。这个方法有两个问题：1.接入点的频繁切换；2.因为RAN以cell为中心向四周辐射，因此cell间的干扰会十分严重（LTE在cell内部使用正交频分复用OFDM，因此cell内部不会干扰，相邻cell有干扰[1]）。

【解决小区间干扰的方法】

通过5G RAN虚拟化的方法：1.直接换架构：SDN（软件定义网络）；2.换一部分架构：NFV（网络功能虚拟化）可解决上述问题。

UUDN（以用户为中心的UDN）中，AP被看作逻辑单元，从而有俩特点：1.AP们协同起来为用户提供接入服务；2.AP会随着用户移动而动态更新自己。其中后者给用户带来了一个好处：那就是对用户来说，它始终位于逻辑单元的中心，所以得到的QoE（服务质量）很好。

无线资源由分布式本地控制器管理，通过协调的方式提供服务，所以可靠性高、等待时间短。

【跨边界的解决方法】

UDN中用户通信时经常跨cell，这会导致信令开销过大，原因有二：1.AP切换频繁；2.对一个AP来说，‘相邻AP’的数量很多。而以用户为中心的接入策略可以解决这个问题。

对于高移动性引起的CSI（信道状态信息）需频繁更新的问题，有人[3]提出了一种可以估计CSI的帧结构和一种考虑CSI不能及时更新问题的空间域调度器。有人[4]使用随机集成工具分析了车辆的移动性能（包括切换率和开销）。有人[5]从车联网中典型的DL广播流量入手，扩展了以用户为中心的接入，使一个逻辑单元可以服务一组临近的车辆。其作者意图通过功率分配的方法最大化接受服务的车辆的数量。（详细文章在这篇文章的Reference列出）。

我们发现一些用户中心是网络的关键特点有待我们研究，比如：

移动性支持：如何随着车辆的高速移动动态管理时空频率资源。
车辆通信本质上以应用为中心。因此需要考虑不同应用程序各自的流量模式和通信要求。
车辆运动一般可预测，因此可以在应用层提取车辆运动状态从而解决问题。但具体如何提取如何使用。

本文综合考虑了应用和通信，提出一种以用户为中心的，基于车辆运动数据的车载网络体系架构。

具体来说：

我们设计了一个部署在MEC服务器上的功能实体，并将它命名为LAAC（本地接入和应用程序中心），它的功能是：1.实现应用程序；2.接入控制。
我们讨论了在满足严格的通信要求的前提下，如何利用车辆运动数据进行以用户为中心的接入。对于实际部署带来的问题也有提及。
提出了用于CSM（协同感知消息）的UL传输的基准策略，功能是实现协同感知，并仿真了它的性能

Ⅱ.自动驾驶中的合作感知

本节从自动驾驶技术的角度说明概念和重要性，并定义用于协同感知的交通模式和通信需求。

A.概念和重要性

协同感知没有对传感器高要求缺点，但它要求车辆能彼此共享感测到的环境信息和自身的状态信息。本文将携带感知信息的设施层消息称为CSM 。如图所示：【上】：仅凭单车感知，LDM（动态地图）范围很小；【下】使用CSM和CAM可以将道路上所有车都感知到。

B.交通模式和通信需求

目前设施层消息虽未标准化，但达成一些共识：1.为更快地传输车辆环境信息，CSM希望能以高频率生成和传输；2.希望CSM中包含环境更详细的描述信息，比如位置、方向、速度、加速度以及置信度。3.以免CSM的信息跟不上变化，需要更短的E2E延迟。4.因为涉及生命安全，需要传输可靠性够高。

NGMN（下一代移动网络联盟）和3GPP（第三代合作伙伴项目）对CSM负载、信息速率、E2E延迟、置信度的估计如下表所示。而合作感知的需求比他们的要求宽松的多。

【场景 -> 需求】

传输载荷大、空中延迟限制严格 -> 高传输速率

协同感知的使用场景车辆密度一般很大，车辆传输的数据量大 -> 网络吞吐量大

（以上两点与5G期望实现的目标重合。）

自动车辆机动性高导致：1.无线信道随时间变化快；2.多普勒频移可能很大；3.车辆频繁穿越小区边界 -> 如何合理分配无线资源来确保车辆QoE的稳定。

Ⅲ.支持5G的用户中心式车载网络架构

A.设计考量

协作感知的分布式实现策略：每辆车通过其他车传来的CAMs/CSMs信息，并使用车载计算机构建LDM。

因为LDM对整个区域的车都适用，因此可以将协同感知应用从车上转移到MEC服务器上。优点如下：1.MEC服务器计算能力强，数据处理时间短；2.与云相比，消除因网络回传导致的延迟；3.当自动汽车渗透率够大时，甚至可以以高于CSM的速率生成LDM；4.因为信息汇聚到了MEC，因此可以解决身份验证、授权、加密等安全问题；5.C-ITS应用也可以部署在MEC上，通过设备传输给通信范围内的所有用户（包括非自动驾驶车辆），在这里可将MEC视作C-ITS路边单元。但这个方法要求CSM的UL传输和LDM的DL分发性能高。

改进LDM下行：可通过增强多播和广播可以使LDM的分发效率更高；改进CSM的上行：相邻车辆生成的环境信息是相似的，都传输的话导致传输密度过大。传输密度大可以通过加大AP密度解决，而伴随而来的关于干扰控制和连接质量的问题可以通过用户中心式的方法解决。

要使大量AP能正常提供自动驾驶相关的服务，有以下条件：1.根据用户移动主动进行服务AP更新；2.无线资源管理。

现有以用户为中心的接入策略通常基于CSI（信道状态信息）。但是有以下缺点：1.AP覆盖范围小、车辆移动性高->信令开销高；2.协作感知及其他应用是周期发信，因此用半持久性调度正合适，但CSI不支持这个。

用于自动驾驶的车辆通信的特点

UDN中车辆与服务AP之间距离短 -> LOS（视线）传输成为可能
轻量级AP可以部署在战略性地点 -> 基于地理位置的通信和无线资源管理技术变得可行
自动车辆的运动状态（即位置、速度、加速度、航向等），都传递给应用中心
车辆具有高机动性但运动范围受限（比如只能在道路和停车场运动），因此车辆的位置在很大程度上可预测

3、4两点使在应用中心提取的车辆运动数据为以用户为中心的车辆网络的移动性管理提供了可能性。

基于以上考虑，本文提出一种自动驾驶汽车系统体系结构，它有以下特点：

支持5G
以用户为中心
综合考虑了应用程序的实现和通信需求
在接入控制中利用了一个用程序的运动信息

B.系统描述

LAAC：分布式本地接入和控制中心

系统架构如上图所示。

AP沿道路密集部署。可以部署在现有的基础设施上（比如路灯或建筑物的墙壁）；BS（宏基站）要覆盖整个区域。AP和BS都通过前传链路连接到MEC服务器。MEC服务器可以与BS部署在相同站点，为分割后的网络资源提供LAAC管理。

LAAC由两个功能单元组成：1.APC（应用中心）：用于运行协同感知或其他C-ITS应用程序；2.ACC（接入控制中心）：用于管理基础设施的接入和无线资源。

数据传输由逻辑cell（由多个AP组织而成）负责，可能发生在车辆通信的专用频带（比如5.9GHz）上；而控制信令的传输使用不用的频带（通常比数据的频带频率低）经由宏BS传送。

UL中协同车辆发送的设施层消息（如CAM和CSM）从ACC传递到APC，之后回传协同感知产生的LDM和其他C-ITS应用数据。这些应用数据使用单播、多播、广播，以DL的形式发送到目标车辆。

ACC接受：1.由APC提取的车辆运动信息；2.LDM中的车辆运动信息，用于接入管理。

详细流程如下：车启动时，通信终端开启，入网请求通过宏BS发送到位于核心网的控制中心。如请求被批准，则：1.分配逻辑cell的id给车辆；2.将管理任务移交给车辆所在区域的LAAC。对用户来说，ACC完成以下功能：1.选择为用户服务的逻辑cell的服务AP；2.确定协作的发送/接受策略；3.分配无线电资源；4.根据车辆的移动和网络拓扑的变化进行动态调整。

UL中，服务AP对为其分配的无线资源上发送的CSM执行写作接受；DL中，每辆车会分配一个cell，由它给汽车提供服务。一种更有效的方式是：1.合并附近车辆的逻辑cell；2.使用多播/广播传播LDM。

注意：这个架构除了支持协同感知外，对于其他用例也适用，但是具体的接入策略要根据流量模式和通信需求调整。

Ⅳ.运动信息辅助用户中心式接入

本节讨论：1.如何在一用户为中心的介入策略中利用车辆运动信息；2.实际网络部署时会遇到的问题；3.周期性CSM的UL传输

整理一下需求：1.高数据速率；2，低端到端延迟；3.高可靠性。1和3可以转换为：对接收信号SINR（信号干扰加噪声比）的要求。2具体来讲是CSM的生成和MEC成功接收的时间差=排队延迟+空中传输延迟+处理延迟+重传延迟。

A.AP集团和协同接收

【服务AP的选择】

AP和车的位置都可知 ->适用和位置有关的策略选择逻辑cell的服务AP。比如可以使用距离车辆最近的一定数量的AP或车辆附近一定范围内的所有AP。

选择服务AP时，如果以车辆和AP的距离为参照，有以下缺点：1.两者距离短，但障碍物多的情况时有发生（如其他车辆或者数目等），此时会出现严重的阴影衰落；2.多个链路可能遇到同一个的障碍物，此时他们的衰落时空间相关的。因此选择AP时也要考虑从不同的方向进行选择。

不同车辆的逻辑cell可能重叠，这时会有干扰。解决方法是：为其分配单独的时频资源。

在实践中要注意：1.处理能力有限；前传容量有限 -> AP可以服务的最大用户数量有上限。2.车辆在空间上分布不均 -> AP关联策略需要考虑负载平衡。

【AP的基带处理能力】CSM的UL传输要求高速率和高可靠。如果AP仅有RF单元，则所有基带处理将在MEC上执行，好处有：可以应用许多高级的CoMP联合接受技术（如MRC，最大比合并）；如AP有基带处理能力，则服务AP可独立完成接收。好处有：减小前传的负担，坏处有：分级的增益没有MRC高。因此，如前传容量有限则用后者，而前传能力是个很重要的因素，因为无线前传对UDN是很好的解决方案。

汽车很大 -> 在车上安放天线阵列和多个RF链。这有以下好处：形成MIMO系统；2.利用MIMO技术实现服用增益和分集增益，从而提高数据速率和可靠性。[6]中提出了一种基于地理位置的波束成形技术。[7]中说可以使用不同的时频资源进行多链接，这使得接入设计更加灵活。

B.无线资源分配

时频资源在使用时被分成正交的RB（资源快）。CSM传输具有周期性 -> 使用半永久性策略降低延迟。不同车辆产生CSM的尺寸上线相同 -> 分配给每个车辆的RB数量相同。为方便讨论，假设划分后的CSM可以通过一个RB完成交付。

【UL时的干扰】两辆车若被分配了相同的RB -> 他们的UL传输会相互干扰。因此RB分配的目标就是控制干扰。传输距离较短 -> 根据车辆的相对废止来分配RB，如[8]中定义了‘RB重用距离’，规定重用距离内的两辆车不能在同一RB上传输，此外，重用距离也会影响SINR。

【延迟约束】延迟包括排队延迟和空中传输延迟。CSM有以下特点：1.生成速率相同，但生成时间随机；2.生成CSM后，存储在缓存中等待发送。在缓存中等待的RB的时间为排队延迟。排队原因：为控制干扰只能为其分配附近车辆没有使用的RB。优化方法：1.使用最大排队延迟约束；2.使用多种方法划分时频资源：可以使RB在时域变宽、频域变窄，这样可减少排队延迟但增大空中延迟；反之亦可。

【重发】数据包接受失败时，车辆使用其他RB重发CSM。保留用于重传的专用资源池，优点：确保低延迟和高可靠；缺点：降低总体的频率效率。

【发射功率】因为AP密集部署且车辆由多个AP服务，只要AP的拓扑结构不变，就可以根据目标接受的SINR水平确定车辆发射功率。调需要进行发射功率的一个案例是：当车辆密度低的时候，部分AP进入睡眠模式，此时网路拓扑变化，平均传输距离延长，此时为维持SINR点评需要进行功率调整。

C.移动性支持

ACC:Access Control Center接入控制中心，是LAAC（分布式本地接入和应用程序中心）的两个组成部分之一，上文有提到

ACC知道车辆的位置、方向、速度、加速度 -> ACC可以通过估计车辆未来位置来主动更新服务AP的选择。此操作：1.可能会对逻辑cell的AP进行增减；2.需要有效的更新服务AP的算法。

车的相对位置会不断变化 -> ACC需要跟踪和预测RB服务的每个车辆的位置。一旦发现两个同道车辆相距太近，就给其中一个车分配新的RB。

资源管理算法的设计中，要在效率和性能之间权衡。干扰的程度和持续时间都会对性能造成影响，影响严重时需要对资源分配进行调整。

注意：将整个地区分为cell，每个cell由一个LAAC管理。当车辆跨区时，LAAC主动地将接入管理任务移交给下一个cell的LAAC。LAAC之间的接口在这个架构中十分重要。他有以下特点：1。接口用于交换边界附近车辆的运动状态和接入组织信息，这种信息交换会很频繁；2.这些信息同时用于切换过程和分布式接入管理算法。

Ⅴ.数字基准

通过仿真评估在简单场景中支持CSM的UL传输的建议结构的性能，目的有二：1.检查以用户为中心的超密集网络是否可以容纳UL容量；2.是否可以满足延迟和可靠性要求。

没有给出服务AP更新的方法和RB重新分配等游湖移动性相关问题的策略。仿真中采用了简单的接入策略来提供baseline。

A.场景模型和接入策略

考虑了两个场景：1.城市高速公路；2.城市交叉路口

高速公路参数：路段长2km

交叉路口参数：1.水平和数值路段各总长1km；2.中点相交；

场景假设：

道路正反双向各有两条3.5m宽的车道；
车辆的位置服从一维齐次泊松过程；
AP在道路两侧对称、均匀分布；
AP和车辆均使用单个天线；
仿真中，道路两端比图示延长了1km，这1km内无车。

符号表示：

车辆的平均间距（m）	$d_{VEH}$
车辆密度（辆／ｋｍ）	$4000/d_{VEH}$
相邻AP的间距（m）	$d_{AP}$
车载天线高度（m）	$h_{VEH}$
AP天线高度（m）	$h_{AP}$
消息速率（Hz）
消息周期（s）
研究的目标自动汽车
CSM生成时刻

假设：

高速公路上的车都是自动汽车，且会定期生成CSM，并将其发送到UL中的MEX服务器；
，此时可计算得到T = 0.1s = 100ms
载荷大小为6k bytes
CSM的生成时间是在消息周期T中随机选择的，并服从均匀分布
专用带宽B=20MHZ，中心频率
假设一个RB在频域占据整个频带，在时域为1ms

在这种假设中，T*B的时频资源被分为：100ms/1ms = 100份，用 $\left\{\mathrm{RB}_{1}, \mathrm{RB}_{2}, \ldots, \mathrm{RB}_{100}\right\}$ 表示。

如果需要在1ms内发送6k bytes的CSM，需要传输速率为48Mbps = 6k*8 / 0.01。

将接收机的SINR阈值 $\tau$ 设置为12dB，此时在20MHz带宽上的香浓信道容量为81.5Mbps= W*log(1+SINR)=20*log(1+16) 。当接收机的SINR到达这个阈值时，视为有效接收。

【选择AP】对一车 V_0 ，其CSM生成时刻为 t_0 ，根据AP与 V_0 的距离选择K个AP，考虑AP分布的对称性和阴影衰落的相关性试用一下策略：1.第一候选AP是 V_0 同向路边离他最近的AP；2.第二候选AP是与 V_0 反向的路边离它最近的那个AP；3.第三候选AP是 V_0 同向路边离他第二近的AP；以此类推

【分配RB】RB分配策略需要考虑排队延迟和干扰。定义：

最大排队延迟（ms）	L
RB重用距离（ｍ）	D

要求在生成CSM后，必须在L 内为车辆分配RB，同时同一RB不能给间距小于D米内的两辆车共用。忽略车道宽度。交叉路口中，两车距离为曼哈顿距离，如下图所示

将 V_0 的RB分配过程总结如下（j为候选RB的编号，FLAG为1说明已经为 V_0 成功分配了RB，这个算法就是穷举法）

【 V_0 的 $SINR_{eff}$ （有效SINR）的算法】若无法为 V_0 分配RB，则标记其为拥塞，这个车的CSM暂时无法传输；否则将会有K个AP专门为 V_0 的CSM传输消息。由此可以实现宏分集。有效接受的SINR表示为 $SINR_{eff}$ ，是K个AP提供的SINR的最大值： $\mathrm{SINR}_{\mathrm{eff}}=\max _{1 \leq k \leq K} \mathrm{SINR}_{k}$ （1）。若其低于 $\tau$ 则认为CSM数据包丢失。不进行重传。由此E2E的传输延迟被限制在L+1 ms。

【 SINR_k （第k个AP的SINR）的算法】将与 V_0 共用RB的其他车辆用 $\Psi_V_0$ 表示， $\operatorname{SINR}_{k}=\frac{P_{\mathrm{RX}}^{k, 0}}{\sum_{l \in \Psi_{V_{0}} \backslash\left\{V_{0}\right\}} P_{\mathrm{RX}}^{k, l}+N_{0}}$ （2）。

其中 $P_{\mathrm{RX}}^{k, 0}$ ：来自 V_0 的目标信号功率； $P_{\mathrm{RX}}^{k, l}$ ：来自 V_0 的干扰信号功率。 N_0 是AWGN(功率谱密度为-174 dBm/Hz)的功率。

【接收信号功率】每个车辆的发射功率固定为 $p_{TX}$ = 10 dBm。接收信号功率的计算方式如下（为清楚起见，省略了上标）： $P_{RX} = P_{TX}-PL-X+\delta$ (in dBm) （3）其中PL：路径损耗；X：阴影衰落；δ：多径衰落。

【路径损失的计算】上表显示了3GPP为小型BS场景[52]定义的3D-UMi路径损耗模型，其中 $d_{2D}$ 和 $d_{3D}$ 分别代表AP和车辆之间的2D和3D距离，以及 $\sigma_X$ 为对数正态阴影衰落X的标准偏差。该模型区分了LOS和非视距（NLOS）传输情况，LOS概率由下式给出：
$Pr_{LOS} = min(\frac{18}{d_{2D}}, 1)*(1-exp(\frac{-d_{2D}}{36}))+exp(-\frac{d_{2D}}{36})$ (4)。当 $d_{2D}$ ≤18 m时，LOS概率为1。多径衰落δ服从瑞利分布。

定义列三个系统级性能指标

拥塞率（CR），用 $P_{CR}$ 表示，是指路段上所有车辆中拥塞车辆的比率，即在排队延迟限制内未分配RB的那些车辆。
由 $P_{PLR}$ 表示的分组丢失率（PLR）被定义为在分配了RB的所有车辆中丢失了CSM的车辆的比率，即，其有效接收的SINR未达到 $\tau$ 的车辆的比率。
停机概率，用 $P_{out}$ 表示，并计算为 $\begin{aligned} P_{\text {out }} &=1-\left(1-P_{\mathrm{CR}}\right)\left(1-P_{\mathrm{PLR}}\right) \\ &=P_{\mathrm{CR}}+P_{\mathrm{PLR}}-P_{\mathrm{CR}} P_{\mathrm{PLR}} \end{aligned}$ 。表示网络中任何车辆产生的CSM在E2E延迟限制内都无法转移到MEC服务器CSM的概率。

可见降低CR和PLR对提高整体可靠性很重要

B.仿真结果

在本节的所有图中，D = 75 m的结果以红色绘制，D = 100 m以蓝色绘制，D = 125 m以绿色绘制。

1)L和D的影响

固定变量： $d_{AP}$ = 30 m， $h_{AP}$ = 10 m， $h_{VEH}$ = 1.5 m。

从{75 m，100m，125m}选择RB重用距离D；从{4ms，6 ms，8 ms}选择排队延迟极限L。

平均CR、PLR，停机概率关于 $d_{VEH}$ （车的平均间距，定义域为10~50m）的曲线在图5、6、7中表示

假设所有车辆的长度均为5 m，平均缝隙（gap）定义为：在速度为9km/h到81km/h之间（分别对应交通拥挤和交通通畅两个场景）的2秒安全距离。注意，车辆密度与 $d_{VEH}$ 成反比。仿真结果在最多 $2\times10^5$ 个系统实现上进行平均。在每种实现中，路段上的每辆车发送20个CSM，其位置不动，但会为每个CSM生成独立的通道实现。

从图5可知，CR（拥塞率）与L（最大排队延迟）和 $d_{VEH}$ （车间距）负相关。当 $d_{VEH}$ 和L固定时，可以通过选择较小的D来降低CR。交叉路口整体上比高速公路的CR更大，这是因为前者竞争车辆的数量较大。

图6显示，PLR（丢失率）也与 $d_{VEH}$ （车间距）负相关，但是与CR相比要慢得多。L的变化对PLR几乎没有影响，因为在所有设置中拥挤车辆的百分比都足够小。可以通过增加D来降低PLR，以使同频道干扰源分离得更远，或者通过增加K以获得更高的分集增益。与CR在两种场景下的差异相比，PLR在不同场景之间的差异要小得多，因为干扰源被有效地间隔开了。

综上可知，D的变化对CR和PLR具有相反的影响，因此选择是需要折中。从图7可以看出，对于不同的L，D对停机概率曲线的影响是不同的。因此，需要在不同的用户密度、通信要求、方案下仔细优化D。当 $d_{VEH}$ = 50 m，L = 8ms，D = 125 m和K = 3时，在高速公路情景中的停机概率达到 $10^{-5}$ 。但是，当车辆密度很大时（ $d_{VEH}$ = 10 m），由于CR较大，很难将中断概率降低到 $10^{-2}$ 以下。为了改善停机性能，可以通过选择较小的D来减小CR，然后增加K来弥补PLR带来的性能下降。但是，应注意的是，RB的短缺是基本约束，同时，更大的K值意味着对前传链路的容量和AP处理能力更大的要求。

2）AP部署的影响

下面选择以高速公路为场景（在交叉路口中的影响于之类似），研究不同AP部署（所谓部署，就是AP的高度和间隔）对性能的影响。

L（最大排队延迟）固定为8 ms；D从{75 m，100 m，125m}中选择。

考虑三种设置：

$h_{AP}$ = 3 m， $d_{AP}$ = 30 m
$h_{AP}$ = 10 m， $d_{AP}$ = 10 m
$h_{AP}$ = 3 m， $d_{AP}$ = 10 m

由于AP部署与所采用的RB分配策略无关，因此CR的性能评估可以与图5（a）形成对照（用三角形标记）。图8和图9分别绘制了平均PLR和停机概率。

通过图8可知：PLR与 $h_{AP}$ 、 $d_{AP}$ 正相关。减少 $h_{AP}$ = 缩短车辆与服务AP之间的3D距离 -> 减少路径损耗并且改善了接收到的SINR。缩小 $d_{AP}$ 好处有二：1.减小传输距离并改善信道状况；2.增加LOS传输的可能性。结果，当将 $d_{AP}$ 设置为较小的值时，对于任何K，通过降低 $h_{AP}$ 所带来的PLR性能的提高都明显更大。

最后，结合图9与图7可知，通过布置更多AP可以达到 $10^{-5}$ 停机概率。

为衡量可靠性，在图10中绘制了多次仿真获得的 $SINR_{eff}$ 的累积分布函数（CDF），其中L = 8 ms， $d_{VEH}$ = 50 m。

研究有效接收到的SINR是因为通常对链路级传输可靠性更感兴趣。

表3给出了一些重要的统计数据。对于大多数传输，实现的有效SINR足够高。当我们查看尾部分布时，可以看出，在所有设置中， $SINR_{eff}$ ≤12 dB的概率都被限制在 $10^{-5}$ 以下，而实际值非常接近平均PLR。这是可以理解的，因为如果在一个系统中实现的PLR很大，则平均PLR将会大大提高。有趣的是，当（ $h_{AP}$ ， $d_{AP}$ ，D，K）由(3, 10, 125, 2)给出时， $SINR_{eff}$ 是在这之中最大的值但方差也是最大的。这是因为一个更大的K（在其他三个设置中K=3）可以有效地帮助减少多样性增益带来的方差。

注意：此处采用的性能指标可能并非最适合协作感知应用。当车辆密度增加时，将消息速率设置为固定 -> 1.每单位面积和时间生成的CSM数量也变大；2.CSM中包含的信息变得更加冗余。

此外，较大的车辆密度通常意味着平均速度较低，即环境的动态性较差。因此，在不降低协作感知性能的情况下降低消息速率是可行的。在ETSI ITS-G5中，这可以通过分散式拥塞控制（DCC）功能解决。同样，定义性能指标以使其更适合应用程序也是至关重要的。

Reference

[1]为什么说LTE的干扰主要来自相邻小区https://zhidao.baidu.com/question/1112536660434278179.html

[2]图解SDN（软件定义网络）https://www.sohu.com/a/226701553_160923

[3] P. Kela, J. Turkka, and M. Costa, “Borderless mobility in 5G outdoor ultra-dense networks,” IEEE Access, vol. 3, pp. 1462–1476, 2015.

[4] X. Ge, H. Cheng, G. Mao, Y. Yang, and S. Tu, “Vehicular communications for 5G cooperative small-cell networks.” IEEE Trans. Veh. Technol.,vol. 65, no. 10, pp. 7882–7894, 2016.

[5]T. Sahin, M. Klugel, C. Zhou, and W. Kellerer, “Virtual cells for 5G V2X communications,” IEEE Commun. Stand. Mag., vol. 2, no. 1, pp. 22–28,2018.

[6] P. Kela et al., “Location based beamforming in 5G ultra-dense networks,” in IEEE VTC-Fall, 2016, pp. 1–7.

[7] M. Kamel, W. Hamouda, and A. Youssef, “Performance analysis of multiple association in ultra-dense networks,” IEEE Trans. Commun., vol. 65, no. 9, pp. 3818–3831, 2017.

[8] A. Bazzi, B. M. Masini, A. Zanella, and I. Thibault, “On the performance of IEEE 802.11p and LTE-V2V for the cooperative awareness of connected vehicles,” IEEE Trans. Veh. Technol., vol. 66, no. 11, pp. 10419–10432, 2017.

后记

看论文看的眼睛都瞎了，主要是下午和晚上看，算上翻译大概用了三天，有幸拜读同门师姐师兄的论文心里很开心，翻译时懵懵懂懂的写完这个笔记可以说消化了50%了。

文中的主要贡献：”以运动信息辅助的用户中心式超密集车载网络架构“，”以运动信息辅助“是因为车在行驶中需要不同的接入点提供服务，而考虑运动信息可以让接入点之间的服务交接更顺畅；”用户中心式“是说通过由多个接入点共同为一个用户服务，从而让用户感觉服务很顺畅；”超密集“是说这个架构的前提是接入点很密集。

文中有些词汇势必不甚准确，尤其是将"outage probability"翻译成了”停机概率“，他的物理含义是：在一个网络中的所有车都无法再E2E延时限制内都无法传输。如果有更好的译法或哪里对意思有曲解欢迎指正。一起交流学术哇~

Love_marginal

关注

1
点赞
踩
6

收藏

觉得还不错? 一键收藏
0
评论
[论文笔记]Kinematic Information Aided User-Centric 5G Vehicular Networks

自动驾驶汽车间通过共享感知信息完成对驾驶环境的感知，而所谓“共享”是通过“通信”来实现的，目前最先进的5G网络具备：1.高数据速率；2.大用户密度；3.超高可靠性；4.低延迟等特点，其中低延迟是在自动驾驶领域尤其关注的一点。本文提出一种超密集5G车载网络的架构，它采用用户中心式访问，并通过运动信息进行辅助访问。具体来讲，使用LAACS（分布式本地访问和应用中心）来将应用程序的执行和集中式访问控...
复制链接

扫一扫

专栏目录