无痛学习ISAC（三）名词注释 V2X DFRC波束训练与追踪DFRC技术总结

101 阅读 0 评论 67 点赞

我是靠谱客的博主超级火车，最近开发中收集的这篇文章主要介绍无痛学习ISAC（三）名词注释 V2X DFRC波束训练与追踪DFRC技术总结，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

学习《A Tutorial on Joint Radar and Communication Transmission for Vehicular Networks - Part II: State of the Art and Challenges Ahead》笔记

名词注释

State-of-the-art (SoA)：最先进技术

Vehicle-to-everything (V2X)：车联万物

Global Navigation Satellite System (GNSS)：全球导航卫星系统

Massive multi-input multi-output (mMIMO)：大规模多输入输出

Vehicle-to-infrastructure (V2I)：车联基站

Channel state information(CSI)：信道状态信息

Angel of arrival(AoA):到达角

Angel of departure(AoD):偏离角

Extended Kalman filtering(EKF):扩展卡尔曼滤波

Auxiliary beam pair(ABP):辅助波束对

Base station(BS):基站

Uniform linear array(ULA):均匀线性阵列

Road side unit(RSU)：道路侧单元

Radar cross-section(RCS)：雷达横截面

Cumulative distribution function(CDF)：累积分布函数

V2X DFRC

①DFRC旨在联合优化车辆通信性能与兼具定位与感知的遥感性能。

②V2X的应用场景中关键技术的时延要求在数十毫秒，传统通信技术的时延在数百毫秒；V2X的车辆定位与环境感知具有高分辨率的要求，GNSS的感知精度差，传输速率低，无法满足V2X的要求。

③通信过程中，需要建立可靠的通信链路来保护QoS。传统方法是通过通信协议，利用信令与导频的频繁反馈来完成波束的训练与跟踪，但是难以满足高移动性的V2X网络。利用雷达传感辅助通信的DFRC方法相较于传统方法，时延更低，频谱利用率更高，是推进V2X网络的关键技术。

波束训练与追踪

①mmWave CSI包括AoA，AoD，信道增益

②波束训练：Tx发送多束导频，Rx选取SNR较大的波束，估计CSI并反馈给Tx，根据CSI，Tx、Rx分别制定发射波束成型器与接收波束成型器。传统波束训练需要权衡估计精度与导频开销。传输更多的导频会获得更高的精度，提高信道增益与信噪比，但是会增加传输的成本与时延，在高移动性的V2X网络中会引起波束错位从而造成性能损失。

③波束追踪：波束追踪在开始时同样需要进行波束训练，但在随后的信息块中只需发送导频来追踪信道的变化。

ABP波束追踪技术

①技术应用场景：具有Nt个发射天线的mMIMO基站在LoS信道中为单天线用户提供服务。

②技术目标：通过BS已知的用户第n-1个epoch中的 $theta _{n-1}$ 来预测第n个epoch中的 $theta _{n}$ 。

③ABP技术使用波束成形器 $f_{l}$ 与 $f_{r}$ 形成导频 $x_{1}$ 与 $x_{2}$ ，导频在用户端接收可表示为 $y_{1}$ 、 $y_{2}$

其中α为LoS信道的信道系数，a( $theta$ )为BS的转向向量， $z_{1}$ 与 $z_{2}$ 均为方差为 $n_{0}$ 的高斯白噪声

假设基站ULA具有半波长间距并且用 $vartheta$ 表示-π·cos( $theta$ )，可将转向向量a( $theta$ )表示为下式

由于 $vartheta _{n}$ 与 $vartheta _{n-1}$ 具有时间相关性，两者相距不远，故可根据特性设计波束成形器为

令导频信号为1来计算用户端接收信噪比，通过信噪比来计算 $lambda$ ，从而在已知 $vartheta _{n-1}$ 的情况下求出 $widehat{vartheta }_{n}$

通过 $widehat{theta }_{n}$ =arccos( $-frac{widehat{vartheta }_{n}}{pi }$ ) 求得 $widehat{theta }_{n}$ ，在接收信噪比均为完全估计时 $widehat{theta }_{n}$ = $theta _{n}$

④此方法以少量的导频完成了波束追踪但进行了大量的上行反馈，并且具有一定的估计误差，不适合高移动性的V2X网络。

DFRC技术

①应用场景：具有Nt个发送天线与Nr个接收天线的mmWaveRSU与匀速车辆通过LoS信道通信，假设天线阵列均为ULA并且与道路平行，此时AoA与LoS路径上的AoD相同。

②RSU为车辆传输DFRC窄波信号s(t)，车辆接收阵列在接收信号的同时，车身反射回波，在第n个·epoch中RSU接收到回波信号，估计得到 $x_{n}=[theta _{n},d_{n},v_{n},beta _{n}]^{t}$

RSU接收到的回波表达式如下：

其中 $kappa =sqrt{n_{t}n_{r}}$ 为阵列增益， $beta _{n}$ 为RCS与路径损耗， $f_{d,n}$ 为径向速度产生的多普勒频率，a( $theta$ )与b( $theta$ )分别为发射转向矢量与接收转向矢量， $f_{n}$ 为发射波束成形器

③RSU发射的窄波信号在车辆处接收信号可表示为下式：

其中 $alpha _{n}$ 为信道系数， $w_{n}$ 为接收波束成形器， $u(phi _{n})$ 为车辆的数组响应向量， $phi _{n}$ 为DFRC的AoA，在假设场景中等同于AoD的 $theta _{n}$

④ 基于 $x_{n}=[theta _{n},d_{n},v_{n},beta _{n}]^{t}$ 与模型，RSU预测 $x_{n+1}$ 与 $x_{n+2}$ 用于RSU的发射波束形成与车辆的接收波束成形。RSU通过匹配滤波器将 $r_{n}(t)$ 与s(t)匹配得到 $widehat{tau }_{n}$ 与 $widehat{f}_{d,n}$ 用于补偿 $r_{n}(t)$ ，从而得到 $widetilde{r}_{n}$

G为匹配滤波增益（通常为s(t)的能量）

RSU的估计结果可用 $y_{n}$ 表示

$y_{n}$ 可以通过拓展卡尔曼滤波器获得 $widehat{x}_{n}$ ，用于预测 $widehat{x}_{n+1|n}$ 与 $widehat{x}_{n+2|n}$ ，预测模型如下式：

其中 $w_{n}$ 为状态噪声

重点：基于 $widehat{theta }_{n+1|n}$ ，RSU建立 $f_{n+1}$ ，用于下一epoch的发送波束成形；基于 $widehat{theta }_{n+2|n}$ ，车辆接收端建立 $w_{n+2}$ ，用于下下epoc的接收波束成形。由于迭代估计来形成高质量的通信链路。