C-V2X系统中动态信道预测的R-ATB算法

江晓明， 吴 昊， 丛滢淇， 杜 雪， 方婧茹

(江苏大学 计算机科学与通信工程学院， 江苏 镇江 212013)

在ITS(intelligent transportation systems)复杂道路和时变无线信道的环境下，自适应交通信标ATB(adaptive traffic beacons)预测算法的应用能够改善当前C-V2X(cellular V2X)通信系统的数据交互效果[1].车载终端OBUs(on board units)动态变化的移动速度会产生多普勒效应下时间选择性的通信信道衰落[2].ATB算法基于实时信道的状态指标，调整交通信标的发送间隔，有助于抑制这种信道衰落对信号传播质量的影响[3].在当前ATB算法的理论研究与工程应用中，常用方法如下：通过CQI(channel quality indicator)的实时预测，动态调整C-V2X通信系统的信号发送功率、信标传输频率及OFDM(orthogonal frequency division multiplexing)子载波带宽等一些重要的信息化参数[4].文献[5]中提出了一种改进调整因子优化过程的指数等效信噪比映射(exponential effective SNR mapping, EESM)算法，优化了CQI指标的预测过程；文献[6]中利用空域滤波器进行多维信道质量预测，建立相应映射表，生成CQI指标并向发送端反馈，进而实现对于ATB传输速率与发送功率的控制；文献[7]中论证了一种基于接收到的信号强度指示建立深度学习模型的CQI计算方案；文献[8]中针对不同干扰级别的用户分别判断CQI，提出一种自适应子载波带宽和功率分配的新型算法；文献[9]中引入了一个基于马尔可夫链的LTE(long term evolution)下行信道质量模型，研究了一种性能评估方案，并依据高速公路的试验数据论证了根据CQI模型的自适应LTE方案能够满足V2X通信.

虽然上述ATB预测算法有益于相关C-V2X系统的性能提升，但是，仍然存在着CQI评估指标较多、预测计算过程复杂等一些问题.鉴于多普勒频移的基本原理，即在高速车联场景下，OBUs之间的干扰程度和衰落深度都与节点的速度呈正相关的数学关系[10]，文中拟引入无线时变信道下的相关时间参数，形成一种新型的R-ATB预测算法，以简化CQI指标获取和评估的过程.进而，通过OMNET++网络平台的条件设定与系统建模，分析和评估这些相关算法运行下系统的时延和PDR(package delivery ratio)等重要质量指标.

1 C-V2X信道质量评估与传统ATB预测算法

对于CQI信道质量指标的预测，传统ATB算法采用信标间隔参数I来调整信标发送的时间间隔ΔI.I的范围为[0,1]，由信道质量参数C结合数据效用参数P求得，计算式为

I=(1-W)P2+WC2，

(1)

式中：I为C和P的平方的线性组合；C的大小由信道质量指标CQI决定，且取值越小对应信道质量越好；效用参数P则对应信标优先级，取值越高代表信标优先级越高；W为间隔权重因子，一般取0.75.获得参数I后，ΔI的计算式为

ΔI=ΔImin+(ΔImax-ΔImin)I，

(2)

式中： ΔImin和ΔImax分别为动态获取参数ΔI的最小值和最大值.

传统CQI质量指标的评估过程中，质量参数C的计算至少涉及3个互补参数[11]：信道负载估计K，传输质量评估S，信道拥塞程度N.其中，参数K的获取需要基于上一段运行时长中观察到的冲突或错误的数据包数量；参数S源于上一段时长中获得的平均接收信噪比SNR；拥塞度N则由统计临近车辆的近期数量来预测.最终，信道质量C可由下式计算：

(3)

式中：wC>1为加权因子，能够增加参数K和S对ΔI预测值的影响，使ATB算法的自适应调整对于相对恶劣的信道状态，能够更加敏感.传统ATB预测算法如图1所示，其具有较为复杂的信道质量预测流程，且所需反馈参数较多，在实际运行中会对数据传输的时延与PDR产生负影响.

图1 传统ATB算法间隔参数所需数据与评价流程

2 相关时间计算与新型R-ATB算法

由图1可见，传统ATB算法的CQI预测依赖实时反馈数据进行，而质量参数C的加权计算过程表明，信号传输质量参数S是影响其大小的关键因素.高度机动性的车联系统中，多普勒频率偏移是导致接收信噪比SNR变化、进而左右信号传输质量的重要因素.C-V2X通信系统中，车辆与基站间的相对位置、车速及夹角等场景描述[12]，如图2所示.

图2 单基站C-V2X场景多普勒效应示意图

图2中：v为移动速度；α为基站信号与行驶方向之间的夹角；λ为载波波长.根据图2得到多普勒频移的计算式为

(4)

2.1 相关时间参数分析与计算

多普勒频移fd的计算式表明，在信号波长保持不变即信号频率固定的情况下，车速越快，多普勒频移越大，无线信道的衰落也越明显.但是简单的计算多普勒频偏无法表示信道衰落状况；文中采用相关时间参数，根据多普勒偏移计算获得，能够更准确地反应实时信道衰落指标.相关时间为信道冲激响应维持不变时间间隔的统计平均值.它表征了时变信道对信号的衰落节拍，通过定义信号包络相关度，能够求得相关时间的具体值.据文献[13]，设2个信号的包络为r1(t)和r2(t)，频率差为Δf=|f1-f2|，则包络相关系数为

(5)

在无线信道的典型瑞利衰落环境中，不同频段信号的包络相关系数ρr(Δf,τ)的近似表达式为

(6)

式中：J0(·)为零阶Bessel函数.计算同频信号相关时间RT(relevant time)时，令Δf=0，并以0.5定义信号的包络相关程度，则

(7)

求解式(7)得

(8)

2.2 R-ATB原理及参数计算

根据车联网通信终端间相对速度V，结合发送的载波频率，由式(8)即可得出相关时间.根据文献[12]，ATB算法计算过程中，参数C的范围为[0,1]，且C的取值越小，信道质量越好，而相关时间的大小与信道质量正相关[13]，因此，文中对实时相关时间RTreal-time取倒数，再量纲一化，得到RTn.具体计算方法如下：以当前传输协议规定的最高载波频率和当前道路允许的最大车速代入式(8)，计算最小相关时间RTmin，再取倒数作为量纲一化分母：

(9)

用RTn代替参数C，再按式(2)计算实时信标间隔时间.新型R-ATB流程如图3所示.

图3 新型R-ATB算法间隔参数计算流程与所需数据

3 数值计算与分析

3.1 间隔参数取值

设置车辆移动速度范围为10～120 km·h-1，则Vmax≈33 m·s-1.根据一般的车联网频谱划分，取f=5.890 GHz为载波频率，代入式(8)，得RTmin为0.28 ms.实时相关时间RTreal-time以同样的计算方式，根据实时车速计算获得，数据效用参数P取0、0.5、1.0，结合式(1)、(2)、(9)，计算不同信息效用的数据发送的间隔参数I，结果如图4所示.

图4 车速与对应间隔参数

式(1)中，间隔权重因子W取0.75，图4中车速为0 km·h-1时，对应的间隔参数I分别取0、0.062 5、0.250 0.随着车速增大，间隔参数相应增大，车速取最大值120 km·h-1时，对应的间隔参数为0.750 0、0.812 5、1.000 0.

3.2 信道与网联模型

文中基于OMNET++开源网络仿真平台对R-ATB算法进行分析.以Veins框架为基础，利用集成的GNDE(graphical network description editor)编辑器，建立了如图2所示典型的单基站车联网通信网络，并采用计算多普勒损耗的Rayleigh衰落信道建立信道模型.仿真中，信标传输的载波频率采用C-V2X通信常用频段的5.890 GHz，使用随机泊松分布产生具有3类不同信息效用的、大小均为0.1 Mb的信标，平均信标发送频率为10 Hz，则相应数据率期望值为1 Mb·s-1.系统参数设定如下：信息效用P取0、0.5、1.0；OBU发送功率为0.5～1.5 W；信道编码采用(2，1，3)卷积码；复用与调制方式为OFDM；子载波数为64；信标载波中心频率为5.890 GHz；天线高度为5 m(RSU)/1.5 m(OBU)；仿真时长为每次5 min；车辆长度为5 m；子载波内调制编码方式为16QAM.

3.3 PDR与时延的数值分析

对单个车辆与基站间信标传输时的PDR和时延进行分析.车速不同时，分别仿真静态信标方案、传统ATB以及R-ATB，仿真结果如图5所示.图5a中，在车速增大时，使用静态信标方案会造成剧烈的PDR下降，而采用ATB算法的动态信标方案则明显具有更好的PDR性能.不同车速下的数据表明，文中提出的新型R-ATB算法在一般车速条件下，能够满足95%的PDR要求.图5b表明，随着车速的增大，各方案时延均呈现增加的趋势，且静态信标方案的时延增加更为明显.在设定的网络条件下，2种ATB算法均能够显著降低高速运动状态下的平均时延，并且，R-ATB算法简化CQI评估过程，使得计算复杂度降低，其及时性略优于传统ATB算法.

图5 3种方案不同车速下仿真结果

4 结 论

文中提出R-ATB算法，利用车速和载波频率计算相关时间参数，简化CQI预测过程，通过量纲一化的相关时间计算信标间隔调整参数，减少了CQI预测过程需要的数据量，降低了计算复杂度.基于OMNET++平台的Veins框架建立网络模型，对比静态信标方案、传统ATB与R-ATB方案对信标发送性能的影响，结果显示：R-ATB算法能够有效减少车辆高速运动时，时变信道衰落带来的PDR降低；对比传统ATB算法，R-ATB算法计算成本更低，CQI预测更快速，通信时延更低.