程翔，張浩天，楊宗輝，黃子蔚，李思江，余安瀾

（1.北京大學(xué)電子學(xué)院，北京 100871；2.北京大學(xué)計(jì)算機(jī)學(xué)院，北京 100871）

0 引言

隨著5G 的推出和普及，5G 技術(shù)具備的高可靠低時(shí)延通信能力助力了車聯(lián)網(wǎng)行業(yè)的快速發(fā)展。車聯(lián)網(wǎng)作為5G 新基建的重要應(yīng)用領(lǐng)域之一，也將成為未來智能交通系統(tǒng)的核心組成部分。如今的車輛已經(jīng)配備了許多通信系統(tǒng)裝置和感知設(shè)備，從傳統(tǒng)的交通工具轉(zhuǎn)變?yōu)橹悄苘囕v。通過新一代的通信技術(shù)，車與網(wǎng)絡(luò)（V2N,vehicle-to-network）、車與車（V2V,vehicle-to-vehicle）、車與人（V2P,vehicle-to-pedestrian）、車與基礎(chǔ)設(shè)施（V2I,vehicle-to-infrastructure）可以實(shí)現(xiàn)全方位的網(wǎng)絡(luò)連接（如圖1 所示）；通過種類多樣、性能優(yōu)異的感知技術(shù)，車輛可以持續(xù)地對周圍環(huán)境進(jìn)行探測感知，獲得的感知信息以及與鄰近車輛和路邊單元（RSU,road side unit）的通信數(shù)據(jù)對于其避開障礙物、選擇導(dǎo)航路線和檢測危險(xiǎn)至關(guān)重要。為了實(shí)現(xiàn)厘米級分辨率的高精度定位感知功能，目前智能車輛已經(jīng)配備了種類多樣、性能各異的感知設(shè)備。如前文所述，除了高精度感知環(huán)境的能力外，智能車輛在行駛的過程中需要完成種類廣泛的任務(wù)并與交通環(huán)境內(nèi)的不同對象進(jìn)行通信，不同任務(wù)的時(shí)延需求、吞吐量需求和可靠性要求也有很大差異。為了滿足未來車聯(lián)網(wǎng)中不同任務(wù)的關(guān)鍵性能要求，用于車聯(lián)網(wǎng)的通信技術(shù)應(yīng)提供Gbit/s 級傳輸速率的高容量通信服務(wù)?？偠灾哔|(zhì)量的通信與感知功能在車聯(lián)網(wǎng)中需要得到重視與研究。

圖1 通信感知一體化車聯(lián)網(wǎng)架構(gòu)示意

隨著車聯(lián)網(wǎng)以及自動(dòng)駕駛技術(shù)的不斷發(fā)展，智能車輛配備了更強(qiáng)大的傳感器、更先進(jìn)的信號處理技術(shù)、更多的計(jì)算資源以及更強(qiáng)的通信能力。車輛配備的傳感器捕獲海量環(huán)境信息的能力日益增強(qiáng)，來自不同車輛的海量感知信息交互和融合，形成充滿感知信息的網(wǎng)絡(luò)。不僅限于車輛所具備的感知功能，車聯(lián)網(wǎng)的感知功能同樣分布于大量的路邊單元、基礎(chǔ)設(shè)施以及行人。配備大量不同種類傳感器的RSU 也會(huì)在車聯(lián)網(wǎng)中不斷進(jìn)行感知并傳輸海量的感知數(shù)據(jù)。除此之外，隨著現(xiàn)代通信技術(shù)的發(fā)展以及用戶終端數(shù)量的飛速增長，一些智能車輛應(yīng)用需要更高的數(shù)據(jù)傳輸速率支持，如實(shí)時(shí)視頻傳輸業(yè)務(wù)、3D 高清地圖、電視娛樂活動(dòng)等低時(shí)延服務(wù)[1]，對通信系統(tǒng)的帶寬、時(shí)延等性能指標(biāo)提出了更高要求。用于通信的頻譜資源日益短缺，給其他電磁感知系統(tǒng)造成了嚴(yán)重的壓力。總之，隨著車聯(lián)網(wǎng)中感知信息量指數(shù)級的增長以及車輛對通信系統(tǒng)性能要求的提升，稀缺的頻譜資源問題變得日益突出。因此，在車聯(lián)網(wǎng)中融合設(shè)計(jì)通信感知雙功能以提高各種資源的利用率，是解決這一問題的關(guān)鍵可行技術(shù)。除了有效地緩解頻譜擁塞，通信感知一體化設(shè)計(jì)也會(huì)帶來額外的協(xié)作增益。從感知與通信的應(yīng)用層功能來看，隨著電磁環(huán)境日趨復(fù)雜，單車感知設(shè)備工作的性能是有限的，通過通信技術(shù)聯(lián)網(wǎng)可實(shí)現(xiàn)感知設(shè)備之間信息的傳遞，進(jìn)而達(dá)到大量感知數(shù)據(jù)的快速融合以及對環(huán)境更準(zhǔn)確的刻畫；通信功能也需要感知功能的輔助以實(shí)現(xiàn)更佳的性能，如感知功能輔助下更準(zhǔn)確的信道估計(jì)和波束對齊等。總之，通信與感知的一體化設(shè)計(jì)能夠在硬件上提升頻譜資源的利用效率，在各自的功能層面上發(fā)揮輔助作用并為各自性能帶來協(xié)作增益。因此，車聯(lián)網(wǎng)中的通信感知融合設(shè)計(jì)具有極大的研究價(jià)值與廣泛的應(yīng)用前景，也是未來智能交通系統(tǒng)的大勢所趨。

本文綜述了車聯(lián)網(wǎng)中的通信感知一體化技術(shù)的相關(guān)研究。首先，定義了車聯(lián)網(wǎng)中通信感知一體化系統(tǒng)的2 種不同模型，即功能融合以及信號融合。其次，對車聯(lián)網(wǎng)中通信感知一體化功能融合模型的研究工作進(jìn)行了綜述分析，分為感知輔助通信以及通信支撐感知兩大部分。再次，對通信感知一體化信號融合模型的相關(guān)工作進(jìn)行了回顧，介紹了應(yīng)用于一般場景的普適信號融合技術(shù)，進(jìn)而介紹了為車聯(lián)網(wǎng)應(yīng)用而設(shè)計(jì)的專用信號融合技術(shù)。最后，總結(jié)了車聯(lián)網(wǎng)的通信感知一體化技術(shù)未來的發(fā)展方向以及面臨的挑戰(zhàn)，并對全文工作進(jìn)行總結(jié)。

1 車聯(lián)網(wǎng)通信感知一體化系統(tǒng)模型

隨著車輛的智能化程度不斷提升，其配備的傳感器數(shù)量與感知能力也在提升。車聯(lián)網(wǎng)配備的各種傳感器可以被分為兩類，第一類是通過發(fā)射射頻信號進(jìn)行測量或傳輸?shù)膫鞲醒b置，稱為射頻傳感器；第二類是通過光敏元件等感應(yīng)元件產(chǎn)生信號進(jìn)行測量或傳輸?shù)膫鞲醒b置，稱為非射頻傳感器。在車聯(lián)網(wǎng)中，感知單元依據(jù)自身功能類型提供相應(yīng)的感知信息，與通信單元進(jìn)行交互和融合，從而實(shí)現(xiàn)感知和通信兩類設(shè)備的功能層級上的融合，稱為通信感知一體化系統(tǒng)的功能融合模型，該融合模型適用于非射頻傳感器和射頻傳感器。感知單元與通信單元聯(lián)合設(shè)計(jì)雙功能無線信號波形可同時(shí)滿足感知和傳輸需求，從而實(shí)現(xiàn)射頻信號層面上的融合，稱為通信感知一體化系統(tǒng)的信號融合模型，該融合模型僅適用于射頻傳感器。圖2 展示了車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的2 種融合模型之間的關(guān)系以及分別適用的傳感器類型。

圖2 車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的2 種融合模型

通信與感知的功能融合模型關(guān)注車聯(lián)網(wǎng)的應(yīng)用和系統(tǒng)設(shè)計(jì)層面，即感知與通信兩大功能如何在各自的應(yīng)用和設(shè)計(jì)上相互協(xié)作。從感知輔助通信的角度來看，無論是通信功能還是感知功能，它們都需要對周圍的無線電通信環(huán)境進(jìn)行信息獲取。雷達(dá)感知功能可以為車輛間通信提供大量先驗(yàn)信息，如信道狀態(tài)信息（CSI,channel state information）及用戶位置等，極大地減少通信雙方為實(shí)現(xiàn)可靠通信而產(chǎn)生的信令開銷。從通信支撐感知的角度來看，車聯(lián)網(wǎng)中車輛配備的傳感器（雷達(dá)、攝像機(jī)）易受障礙物、惡劣天氣等多種因素的影響，僅基于單車所能實(shí)現(xiàn)的環(huán)境信息感知能力十分有限。依托通信網(wǎng)絡(luò)作為信息傳輸?shù)拿浇閬碇胃兄畔⒌膫鬏斉c融合，構(gòu)建協(xié)同感知網(wǎng)絡(luò)實(shí)現(xiàn)超視距感知成為提高單車感知能力的有力技術(shù)?；谕ㄐ排c感知雙功能各自的功能優(yōu)勢，它們在車聯(lián)網(wǎng)的應(yīng)用和系統(tǒng)設(shè)計(jì)層面上的融合將極大程度地提升各自的性能。

通信與感知的信號融合模型則關(guān)注如何在合適的硬件平臺(tái)和時(shí)域、頻域、空域資源上實(shí)現(xiàn)感知與通信功能以緩解射頻頻譜擁塞等問題并同時(shí)提升通信與感知的性能。通過對時(shí)域、頻域、空域等資源與功率進(jìn)行合理分配與優(yōu)化調(diào)度，設(shè)計(jì)通信與感知雙功能一體化的信號，這一新的信號設(shè)計(jì)架構(gòu)將使通信感知耦合得更加緊密，帶來軟件操作的靈活性，并在硬件資源、系統(tǒng)尺寸、重量和功耗上產(chǎn)生顯著的改進(jìn)效果。通信感知雙功能信號的設(shè)計(jì)策略可以被分為三類，即正交式融合設(shè)計(jì)、非正交式融合設(shè)計(jì)以及機(jī)會(huì)主義融合設(shè)計(jì)。通過整合通信感知的信號層面資源，硬件資源利用效率、頻譜資源、能量效率、信號傳輸與環(huán)境感知準(zhǔn)確率等方面都會(huì)得到一定的改進(jìn)。

2 車聯(lián)網(wǎng)通信感知一體化功能融合模型

本節(jié)將回顧車聯(lián)網(wǎng)中通信與感知雙功能在各自的應(yīng)用與設(shè)計(jì)上相互協(xié)作增強(qiáng)的技術(shù)，即通信感知一體化功能融合模型的相關(guān)工作。

2.1 感知輔助通信

本節(jié)回顧了車聯(lián)網(wǎng)中各類型感知信息輔助通信功能的相關(guān)工作，分別是感知功能輔助的信道建模、信道估計(jì)、V2I 波束對準(zhǔn)。

2.1.1 感知功能輔助的信道建模

完備的無線信道知識(shí)和精確實(shí)用的信道模型是成功設(shè)計(jì)車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的基石[2]。為了支撐海量感知數(shù)據(jù)的傳輸，毫米波通信受到廣泛關(guān)注。借助大規(guī)模多輸入多輸出（mMIMO,massive multiple-input multiple-output）天線陣列的高波束成形增益可補(bǔ)償毫米波通信中的高路徑損耗。

當(dāng)毫米波和mMIMO 聯(lián)合應(yīng)用到車聯(lián)網(wǎng)通信感知一體化系統(tǒng)時(shí)，需要捕捉一個(gè)重要的信道特征，即空時(shí)一致性。具體而言，相鄰天線的間隔在毫米波通信時(shí)較小，使其共享大量的有效簇。在這種情況下，如圖3 所示，有效簇會(huì)在陣列/空間軸平滑一致地演進(jìn)，從而相鄰天線的子信道會(huì)經(jīng)歷相似的傳輸效應(yīng)，展現(xiàn)出空間一致性。同時(shí)，高動(dòng)態(tài)毫米波車聯(lián)網(wǎng)信道存在顯著的多普勒擴(kuò)展，這使信道具有較小的相干時(shí)間而被頻繁地更新。在這種情況下，信道在相鄰時(shí)刻會(huì)共享大量的有效簇。因此，簇會(huì)在時(shí)間軸平滑一致地演進(jìn)，展現(xiàn)出時(shí)間一致性。另外，毫米波通信具有高路徑損耗的特點(diǎn)，導(dǎo)致環(huán)境中有效簇的數(shù)目少。在這種情況下，每個(gè)簇對信道都有不可忽視的影響，也因此需要進(jìn)一步捕捉每個(gè)簇在空時(shí)軸的平滑一致演進(jìn)。

圖3 通信感知一體化車聯(lián)網(wǎng)信道中空時(shí)一致的簇陣列/空間?時(shí)間演進(jìn)

目前，已有一些學(xué)者針對空時(shí)一致性構(gòu)建了一些模型。按照建模方法，可將模型區(qū)分為基于幾何的確定模型（GBDM,geometry-based deterministic model）和基于幾何的統(tǒng)計(jì)模型（GBSM,geometry-based stochastic model）?；贕BDM 和GBSM，有能力捕捉信道空時(shí)一致性的方法被分為參數(shù)法、幾何法和混合法。參數(shù)法通過應(yīng)用數(shù)學(xué)運(yùn)算來表征空時(shí)一致性。不同于參數(shù)法，幾何法在捕捉空時(shí)一致性的過程中考慮了簇在幾何散射環(huán)境中的平滑連續(xù)運(yùn)動(dòng)?；旌戏ㄊ菂?shù)法和幾何法的結(jié)合。表1 總結(jié)了典型的空時(shí)一致性的相關(guān)工作。文獻(xiàn)[3-5]提出了3 個(gè)GBDM，這些模型應(yīng)用幾何法，考慮了簇平滑連續(xù)的運(yùn)動(dòng)，模擬了時(shí)間一致性。然而，GBDM的復(fù)雜度高。3GPP Release 14[6]構(gòu)建了一個(gè)GBSM，提出了一種基于相關(guān)距離的時(shí)間一致信道參數(shù)生成算法，捕捉了時(shí)間一致性。5GCM[7]應(yīng)用內(nèi)插算法，提出了基于網(wǎng)格的時(shí)間一致的信道參數(shù)生成算法。在QuaDRiGa 模型[8]中，通過引入平方正弦數(shù)學(xué)因子模擬簇功率的軟切換，捕捉了時(shí)間一致性。參數(shù)法具有較低的復(fù)雜度和準(zhǔn)確性。COST 2100 模型[9]提出了一種幾何法，即可視區(qū)域法。通過捕捉接收端進(jìn)出可視區(qū)域，建模了簇可視性的平滑一致的切換，表征了時(shí)間一致性。文獻(xiàn)[10]構(gòu)建了一個(gè)GBSM 并提出了一種混合法，該混合法引入了基于一致連續(xù)性和有界變差理論的可視因子，以捕獲簇功率的軟切換。該混合法進(jìn)一步在空時(shí)域聯(lián)合構(gòu)建的可視區(qū)域?qū)崿F(xiàn)了簇的可視性在空時(shí)域平滑一致的演進(jìn)。

表1 典型的信道空時(shí)一致性的相關(guān)工作

2.1.2 感知功能輔助的信道估計(jì)

在通信感知融合諸多應(yīng)用場景中，CSI 中包含的幅度、相位等信息都是系統(tǒng)設(shè)計(jì)的基礎(chǔ)，因此，如何高效地進(jìn)行信道估計(jì)以獲得更精確的CSI 得到了廣泛的重視。值得注意的是，CSI 同時(shí)取決于環(huán)境信息與通信頻段信息：既可以通過CSI 來獲得環(huán)境相關(guān)信息，也可以利用多種傳感器得到的環(huán)境信息來提供有關(guān)CSI 的知識(shí)，實(shí)現(xiàn)對信道估計(jì)的輔助（如圖4 所示）。

圖4 感知輔助信道估計(jì)的信息收集與融合場景

在通信感知一體化應(yīng)用場景中，多種傳感器能夠獲得不同類型感知信息，這些感知信息對于通信信息來說較抽象，且不同類型的傳感器捕獲的環(huán)境信息的特征也不同。傳統(tǒng)信道估計(jì)方法難以利用精確的數(shù)學(xué)模型提取抽象的環(huán)境特征并用于輔助信道估計(jì)。神經(jīng)網(wǎng)絡(luò)具有的抽象特征提取與融合能力則適合解決這類問題。近年來，深度學(xué)習(xí)方法被廣泛運(yùn)用在信道估計(jì)中。文獻(xiàn)[11]搭建了5 層全連接（FC,fully -connected）神經(jīng)網(wǎng)絡(luò)，利用端到端方法實(shí)現(xiàn)正交頻分復(fù)用（OFDM,orthogonal frequency division multiplexing）系統(tǒng)的信道估計(jì)，在更少導(dǎo)頻信號數(shù)量、忽略循環(huán)前綴等情況下優(yōu)于傳統(tǒng)方法，并避免了繁雜的系統(tǒng)設(shè)計(jì)。文獻(xiàn)[12]在頻分雙工（FDD,frequency division duplexing）系統(tǒng)下利用信道稀疏特性，設(shè)計(jì)了卷積重構(gòu)網(wǎng)絡(luò)重構(gòu)原始信道，相較于傳統(tǒng)的稀疏信道估計(jì)算法性能和速度均有所提升。文獻(xiàn)[13]提出ChanEstNet，應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)（CNN,convolutional neural network）與循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN,recurrent neural network）進(jìn)行高速場景信道估計(jì)，適應(yīng)車聯(lián)網(wǎng)高移動(dòng)性特點(diǎn)。該方法效果與傳統(tǒng)算法相比有所提升，計(jì)算復(fù)雜度更低。文獻(xiàn)[14]在IEEE 802.11p 標(biāo)準(zhǔn)下用神經(jīng)網(wǎng)絡(luò)提取信道的時(shí)間、頻率相關(guān)性以及移動(dòng)信道時(shí)變特征，取得更低的誤碼率。文獻(xiàn)[15]利用長短期記憶（LSTM,long short-term memory）網(wǎng)絡(luò)將慣性測量單元（IMU,inertial measurement unit）獲得的信息（速度、角速度、加速度等）與CSI 相融合，結(jié)合時(shí)序特征實(shí)現(xiàn)CSI 預(yù)測。相比于不使用IMU 信息，該方法性能更優(yōu)。文獻(xiàn)[16]系統(tǒng)介紹了利用深度學(xué)習(xí)將多種感知數(shù)據(jù)與通信融合的模型，以及如何利用環(huán)境信息輔助無線通信；提出了數(shù)據(jù)融合、特征融合、決策融合、混合融合4 種層次，分析了不同層次的優(yōu)缺點(diǎn)與適應(yīng)場景，提出了合理的融合結(jié)構(gòu)，以此為基礎(chǔ)進(jìn)行了信道預(yù)測實(shí)驗(yàn)。文獻(xiàn)[17]將增量學(xué)習(xí)引入時(shí)變信道估計(jì)網(wǎng)絡(luò)，在上線階段微調(diào)網(wǎng)絡(luò)，為信道估計(jì)網(wǎng)絡(luò)實(shí)時(shí)適應(yīng)具體應(yīng)用場景提供了思路。

2.1.3 感知功能輔助的V2I 波束對準(zhǔn)

毫米波因其高速率、大帶寬的特點(diǎn)被視為滿足未來智能車聯(lián)網(wǎng)的各種性能需求的關(guān)鍵技術(shù)之一。為了彌補(bǔ)毫米波頻段的高路徑損耗，發(fā)射器發(fā)射出鉛筆粗細(xì)的空間波束，以把能量聚焦在目標(biāo)方向上，這導(dǎo)致RSU 與車輛之間的波束需要嚴(yán)格對準(zhǔn)，并且對障礙物極為敏感。因此，RSU 需要周期性掃描所有波束成形角度，然后找到性能最佳的波束對，此過程（即波束訓(xùn)練）將導(dǎo)致嚴(yán)重的通信開銷及較大的時(shí)延。為了優(yōu)化波束對準(zhǔn)的問題，波束追蹤、波束成形預(yù)測以及阻塞預(yù)測技術(shù)被大量研究。

1)波束追蹤

波束追蹤指的是RSU 向接收端發(fā)送導(dǎo)頻信號，接收端根據(jù)該信號估計(jì)相對角度并將其反饋給RSU，RSU 根據(jù)該反饋信息縮小所需的掃描角度。目前，已經(jīng)存在大量不同種類感知信息輔助波束追蹤的研究[18-23]。Va 等[18]提出使用車輛位置以及過去時(shí)刻的波束測量值來對下一時(shí)刻所有候選波束的通信性能進(jìn)行排名，從而縮小波束訓(xùn)練范圍。文獻(xiàn)[19,23]通過使用雷達(dá)感知車輛位置，利用RSU 估計(jì)出的角度和位置信息，減少RSU 與車輛之間波束對準(zhǔn)過程所需的開銷。Brambilla 等[20]則提出使用天線陣列配備的慣性傳感器在發(fā)射時(shí)持續(xù)追蹤波束，避免頻繁重新對準(zhǔn)，有效地降低通信開銷以及波束訓(xùn)練帶來的耗時(shí)。文獻(xiàn)[21]使用射線追蹤法得到當(dāng)前環(huán)境的最優(yōu)波束對指數(shù)并對場景編碼，進(jìn)而結(jié)合機(jī)器學(xué)習(xí)算法得到最優(yōu)波束對。盡管波束追蹤可以通過RSU 與車輛之間的信令交互使全向波束搜索帶來的通信開銷盡可能降低，RSU 與車輛之間周期性的信令交互仍不可避免。

2)波束成形預(yù)測

為進(jìn)一步解決波束追蹤中頻繁的反饋過程仍會(huì)造成一定的通信開銷的問題，有研究聚焦于如何使RSU 具備預(yù)測下一時(shí)刻波束成形角度的能力，車聯(lián)網(wǎng)V2I 場景下波束訓(xùn)練、追蹤及成形預(yù)測場景如圖5 所示?，F(xiàn)階段，車聯(lián)網(wǎng)的波束成形預(yù)測大多基于給定的簡單車輛狀態(tài)演化模型以及感知設(shè)備得到的測量值。Liu 等[24]提出了一種基于擴(kuò)展卡爾曼濾波（EKF,extended Kalman filter）的雷達(dá)信息輔助的波束成形預(yù)測算法。該算法在下行鏈路上使用雙功能雷達(dá)通信（DFRC,dual functional radar communication）信號，通過車輛反射的回波獲取其狀態(tài)信息，降低了上行反饋帶來的通信開銷。為進(jìn)一步提升預(yù)測精度，Yuan 等[25]從最優(yōu)估計(jì)的角度出發(fā)，提出基于因子圖與消息傳遞算法的預(yù)測模型。盡管該算法相較于基于EKF 的波束成形預(yù)測算法具有更好的預(yù)測性能，與車輛角度相關(guān)的非線性函數(shù)使該算法需要復(fù)雜的求解過程。為緩解高度非線性的狀態(tài)演化模型帶來的高計(jì)算量，Mu 等[28]提出了基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，其將RSU 接收到的從回波信號作為神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)而得到下一時(shí)刻的波束成形角度，為波束成形預(yù)測提供了新的解決思路，但該模型使用的是簡單的FC 神經(jīng)網(wǎng)絡(luò)，預(yù)測性能有待提升。目前，大多數(shù)車聯(lián)網(wǎng)波束成形預(yù)測的研究均基于直線路徑構(gòu)建，具有非常大的應(yīng)用局限性。為解決非直線軌跡場景中難以給出簡單的狀態(tài)演化模型的問題，Liu 等[29]提出基于車輛歷史運(yùn)動(dòng)軌跡點(diǎn)的預(yù)測模型。該方案不依賴于車輛的狀態(tài)演化模型，因此其應(yīng)用場景并不局限于直線道路。車聯(lián)網(wǎng)感知功能輔助的V2I 波束對準(zhǔn)工作的性能比較如表2 所示，其中，“—”表示該方案未說明使用的感知設(shè)備類型，通信開銷大小為波束訓(xùn)練、追蹤以及成形預(yù)測所有方案之間的比較結(jié)果。

表2 車聯(lián)網(wǎng)感知功能輔助V2I 波束對準(zhǔn)工作的性能比較

圖5 車聯(lián)網(wǎng)V2I 場景下波束訓(xùn)練、追蹤及成形預(yù)測場景

3)阻塞預(yù)測

如前文所述，毫米波波束對于阻塞的敏感性是保證車聯(lián)網(wǎng)中可靠通信需考慮的問題之一。如果未來某時(shí)刻在RSU 預(yù)測出的波束對準(zhǔn)角度上出現(xiàn)了障礙，阻塞了毫米波波束，將導(dǎo)致嚴(yán)重的通信中斷問題。目前，已有利用感知信息輔助未來阻塞預(yù)測的工作被提出。Nishio 等[34]提出了一種使用RGB 深度（RGB-D,red-green-blue-depth）相機(jī)捕獲的圖像信息來精確測量障礙物的移動(dòng)速度以及用戶與障礙物的距離，進(jìn)而輔助完成阻塞預(yù)測的方案。文獻(xiàn)[35]將單幀圖像信息引入阻塞預(yù)測，使用殘差網(wǎng)絡(luò)（ResNet,residual network）對無線信道以及圖像信息進(jìn)行處理。盡管該工作所提出的引入圖像信息的思路對于車聯(lián)網(wǎng)阻塞預(yù)測來說具有很大的啟發(fā)性，該工作預(yù)測復(fù)雜情況下動(dòng)態(tài)障礙物的能力卻很有限。為了解決該問題，Charan 等[36]基于CNN 以及門控循環(huán)單元（GRU,gated recurrent unit）將圖像和波束信息轉(zhuǎn)換為時(shí)間序列形式來預(yù)測動(dòng)態(tài)阻塞。由于該網(wǎng)絡(luò)結(jié)構(gòu)具備從連續(xù)圖像信息流中提取特征的能力，動(dòng)態(tài)阻塞的預(yù)測精度進(jìn)一步提升。此外，激光雷達(dá)（LiDAR,light detection and ranging）作為一種廣泛應(yīng)用于自動(dòng)駕駛汽車高分辨率測繪和定位的傳感器，也被大量用于輔助毫米波通信以及阻塞預(yù)測[33,37]。

2.2 通信支撐感知

在車聯(lián)網(wǎng)通信感知一體化系統(tǒng)中，車輛配備有多種環(huán)境感知單元，同時(shí)通過車輛間建立的無線通信鏈路，作為數(shù)據(jù)傳輸?shù)耐ǖ?，在車輛間共享感知數(shù)據(jù)，從而達(dá)到擴(kuò)展感知范圍，提升感知可靠性的目的，即實(shí)現(xiàn)超視距感知，進(jìn)而支撐更復(fù)雜的決策規(guī)劃、車輛控制等功能，通信支撐下的超視距感知架構(gòu)如圖6所示。在車輛間傳輸?shù)母兄獢?shù)據(jù)量隨感知單元感知能力增強(qiáng)、車輛總數(shù)增多而提升，并且車聯(lián)網(wǎng)場景對數(shù)據(jù)的實(shí)時(shí)性和可靠性有較高要求，因此，大連接、高帶寬、低時(shí)延的通信網(wǎng)絡(luò)架構(gòu)是協(xié)同超視距感知的重要支撐。

圖6 通信支撐下的超視距感知架構(gòu)

根據(jù)車輛間交互的信息類型，已有的協(xié)同超視距感知方法可以分為3 個(gè)層面：數(shù)據(jù)級協(xié)同、特征級協(xié)同、語義級協(xié)同。其中，數(shù)據(jù)級協(xié)同指在車輛間直接交互未經(jīng)處理的原始感知數(shù)據(jù)。由于原始感知數(shù)據(jù)包含的信息較為完整，理論上經(jīng)統(tǒng)一融合處理可以獲得更優(yōu)的性能，因此許多工作在此層面展開，如文獻(xiàn)[38-40]。文獻(xiàn)[38]采用原始圖像融合的策略，直觀地顯示被遮擋的環(huán)境。文獻(xiàn)[39]則先在單車端融合雷達(dá)傳感器和攝像機(jī)的數(shù)據(jù)以生成地圖，再交互地圖實(shí)現(xiàn)超視距感知，融合地圖將被用于后續(xù)的超車輔助等上層應(yīng)用。文獻(xiàn)[40]將激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行融合對齊，再基于完整點(diǎn)云進(jìn)行3D目標(biāo)檢測。雖然后續(xù)處理有所不同，上述方法中交互的內(nèi)容均為傳感器原始數(shù)據(jù)或地圖原始數(shù)據(jù)。

雖然數(shù)據(jù)級協(xié)同對數(shù)據(jù)利用程度最高，但對通信帶寬有很高的要求，難以滿足車聯(lián)網(wǎng)系統(tǒng)的實(shí)時(shí)性需求，因此需要先處理數(shù)據(jù)再進(jìn)行交互，這種協(xié)同方式包括特征級協(xié)同和語義級協(xié)同。其中，特征級協(xié)同指的是將原始數(shù)據(jù)初步加工，把從數(shù)據(jù)中抽象出的特征作為交互信息，根據(jù)融合后的特征再做后續(xù)處理的協(xié)同方式，特征的概念往往伴隨著深度學(xué)習(xí)算法，后續(xù)從特征中提取的信息也為包含類別、位置等內(nèi)容的語義信息，如文獻(xiàn)[41]對壓縮的感知預(yù)測（P&P,perception and prediction）神經(jīng)網(wǎng)絡(luò)中間數(shù)據(jù)進(jìn)行交互。文獻(xiàn)[42]對基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（RCNN,region convolutional neural network）的特征圖進(jìn)行融合，在融合端對融合的特征數(shù)據(jù)進(jìn)行后續(xù)處理。特征級協(xié)同位于協(xié)同中間層級，對信息的利用程度和產(chǎn)生的通信負(fù)擔(dān)也為中等水平，并且選取的特征形式會(huì)因數(shù)據(jù)處理方法不同而存在較大差異。

語義級協(xié)同首先在單車端基于感知單元的原始數(shù)據(jù)直接提取單車語義信息，然后將語義信息作為交互信息在融合端融合，屬于更高層級的協(xié)同。如文獻(xiàn)[43]使用語義分割算法對圖像數(shù)據(jù)進(jìn)行語義分割之后，將車道線和車道線上的障礙物信息進(jìn)行共享。文獻(xiàn)[44-45]則采用障礙物語義提取算法，融合語義信息用于周邊物體分類和定位。文獻(xiàn)[46]利用路側(cè)設(shè)備對車輛目標(biāo)進(jìn)行感知和追蹤，將得到的語義信息廣播給車輛，用以輔助交通調(diào)度。語義級協(xié)同在交互數(shù)據(jù)量方面最小，數(shù)據(jù)形式方面也最精簡抽象，但較依賴單車端語義提取的準(zhǔn)確性。單車端在語義提取過程中舍棄的部分信息不會(huì)參與到交互和融合中，因此理論效果不如原始數(shù)據(jù)級協(xié)同。表3 總結(jié)了典型的協(xié)同超視距感知相關(guān)工作。

表3 典型的協(xié)同超視距感知相關(guān)工作

3 車聯(lián)網(wǎng)通信感知一體化信號融合模型

3.1 雙功能信號融合設(shè)計(jì)基礎(chǔ)

雙功能信號波形的設(shè)計(jì)是通信感知一體化系統(tǒng)設(shè)計(jì)的關(guān)鍵環(huán)節(jié)之一。首先，本節(jié)在普適的應(yīng)用場景下，總結(jié)了通信感知一體化信號融合的基本方式。根據(jù)通信與感知功能的耦合程度，首先介紹耦合程度較為松散的正交融合方式，然后介紹耦合更緊密的非正交融合方式與機(jī)會(huì)主義融合方式。雙功能信號融合的3 種方式及特點(diǎn)如圖7 所示。表4 集中比較了3 種信號融合方式。

表4 3 種信號融合方式的比較

圖7 雙功能信號融合的3 種方式及特點(diǎn)

3.1.1 雙功能信號的正交融合設(shè)計(jì)

如圖8 所示，一種常用的DFRC 信號設(shè)計(jì)方式是使用不同的信號來實(shí)現(xiàn)雷達(dá)感知和通信功能，使用正交資源復(fù)用的方式控制感知功能和通信功能的工作，以最大限度地減輕雙功能的相互干擾。

圖8 正交融合設(shè)計(jì)示意

減輕通信感知雙功能間干擾的最簡單的方法是頻分復(fù)用模式，如文獻(xiàn)[47]提出了通過使用固定的非重疊頻帶和天線來實(shí)現(xiàn)正交融合的方法。還有空域上實(shí)現(xiàn)正交的方式，如在不同的天線組上發(fā)送雙功能信號，或利用多天線空間波束成形，通過聯(lián)合設(shè)計(jì)雷達(dá)功能與通信功能的波束成形矩陣，進(jìn)而在滿足性能需要的前提下，減緩雙功能之間的互相干擾。

3.1.2 雙功能信號的非正交融合設(shè)計(jì)

顯然，正交融合方式會(huì)導(dǎo)致頻譜利用效率的顯著降低，不適合通信感知的深層融合。因此，近年來學(xué)者們更多地關(guān)注于靈活性更高的非正交融合方式研究。如圖9 所示，通過硬件共享、頻譜共享的一體化波形同時(shí)實(shí)現(xiàn)通信與感知雙功能的性能優(yōu)化。

圖9 非正交融合設(shè)計(jì)示意

在時(shí)頻域，文獻(xiàn)[48-49]在多載波傳輸基礎(chǔ)上考慮了子載波加權(quán)功率分配的OFDM 波形。以雷達(dá)估計(jì)中的檢測概率或克拉美羅下界（CRLB,Cramér-Rao lower bound）等性能界與通信中的信道容量為聯(lián)合優(yōu)化目標(biāo)，擴(kuò)展了原有OFDM 波形的性能，實(shí)現(xiàn)通信與感知性能的協(xié)同優(yōu)化。

在空域利用同一組天線分別完成感知與通信信號的定向發(fā)送，也是非正交融合設(shè)計(jì)的經(jīng)典方法。例如文獻(xiàn)[50]介紹了一種利用波形分集和旁瓣控制實(shí)現(xiàn)DFRC 的新方法。在這種方案下，通信信息可以傳送到單個(gè)或多個(gè)通信方向，通信過程不受預(yù)先指定通信方向以外的干擾，并且，每個(gè)雷達(dá)脈沖內(nèi)發(fā)送相同的波形，使雷達(dá)能夠進(jìn)行相干處理。

利用波束成形等空域信號處理方法也將為毫米波DFRC 系統(tǒng)的設(shè)計(jì)與應(yīng)用提供可能。文獻(xiàn)[51]提出了可同時(shí)用于目標(biāo)感知和下行通信的一體化系統(tǒng)波形設(shè)計(jì)的優(yōu)化方法并設(shè)計(jì)了良好的低復(fù)雜度參數(shù)估計(jì)算法。文獻(xiàn)[52]提出了針對MIMO 雷達(dá)感知通信系統(tǒng)的波束成形技術(shù)，其中單個(gè)設(shè)備作為雷達(dá)和通信基站（BS,base station），同時(shí)與下行用戶通信并探測雷達(dá)目標(biāo)。

3.1.3 雙功能信號的機(jī)會(huì)主義融合設(shè)計(jì)

非正交融合波形對于資源的重疊利用會(huì)帶來通信與感知信號的干擾，并且為實(shí)現(xiàn)雙功能需要求解復(fù)雜的帶約束優(yōu)化、定向多波束成形等問題。在雙功能波形協(xié)同設(shè)計(jì)中的另一種方式則是機(jī)會(huì)主義融合，即利用傳統(tǒng)通信（或雷達(dá)）波形進(jìn)行感知（或信息傳輸）功能的耦合，發(fā)送波形設(shè)計(jì)相對簡單，同時(shí)可以在不使用額外時(shí)域、頻域、空域資源的前提下實(shí)現(xiàn)雙功能在信號層面的融合。如圖10所示，機(jī)會(huì)主義融合設(shè)計(jì)方式可以進(jìn)一步分為以雷達(dá)信號為中心的通信信息嵌入與以通信信號為中心的感知功能耦合這2 種機(jī)制。

圖10 機(jī)會(huì)主義融合設(shè)計(jì)示意

1)以雷達(dá)信號為中心的機(jī)會(huì)主義融合設(shè)計(jì)

由于用于感知的雷達(dá)波形是確定的波形，不能被直接用于傳輸信息，因此設(shè)計(jì)以雷達(dá)信號為中心的通信感知一體化波形核心在于將通信數(shù)據(jù)嵌入雷達(dá)波形，且盡可能不影響感知性能。

通過使用雷達(dá)信號作為載波，可以在時(shí)域或頻域上調(diào)制通信符號，例如在chirp 信號[53]的幅度、起始頻率以及相位上調(diào)制通信信息，形成振幅、相位或頻移鍵控，或通過使用分?jǐn)?shù)傅里葉變換[54]將數(shù)據(jù)映射到多個(gè)chirp 子載波。

基于索引調(diào)制的機(jī)會(huì)主義融合設(shè)計(jì)方式近年來也得到了較多的研究。索引調(diào)制由于其高能量和頻譜效率而受到越來越多的關(guān)注?；谒饕{(diào)制的DFRC 技術(shù)將數(shù)字信息自然地嵌入雷達(dá)波形參數(shù)中，例如載波頻率、時(shí)隙、天線的分配或MIMO 雷達(dá)的正交波形。例如文獻(xiàn)[55]提出的MAJoRCom 模型，在不同脈沖之間隨機(jī)改變載波頻率，保持捷變頻雷達(dá)的頻率敏捷性，同時(shí)以隨機(jī)方式在其天線單元之間分配這些頻率，引入空間敏捷性。通信信息則通過頻率和空間索引調(diào)制來進(jìn)行傳遞。

2)以通信信號為中心的機(jī)會(huì)主義融合設(shè)計(jì)

為實(shí)現(xiàn)高精度的感知，以通信信號為中心的波形設(shè)計(jì)主要考慮低旁瓣、低峰均比與有效雜波抑制的波形特性約束[56]。大多數(shù)基于通信波形的DFRC系統(tǒng)設(shè)計(jì)均采用OFDM 信號，尤其在車輛相關(guān)場景中。本節(jié)介紹了在現(xiàn)有通信協(xié)議與波形基礎(chǔ)上進(jìn)行感知功能擴(kuò)展的若干方案。現(xiàn)有的通信中心雙功能波形主要從符合協(xié)議標(biāo)準(zhǔn)的通信波形出發(fā)來耦合雷達(dá)感知的功能。通信協(xié)議通常是IEEE 802.11p 或IEEE 802.11ad[57-60]。

IEEE 802.11p 標(biāo)準(zhǔn)側(cè)重于車輛通信，并支持用于安全應(yīng)用的短距離設(shè)備間傳輸。該協(xié)議工作在5.9 GHz頻段，使用OFDM 信令。文獻(xiàn)[61]提出了利用OFDM波形的目標(biāo)檢測和測距算法，但在對目標(biāo)進(jìn)行估計(jì)和檢測時(shí)僅使用了窮舉優(yōu)化算法，高復(fù)雜度可能對工程應(yīng)用造成較大的壓力?；贗EEE 802.11p 標(biāo)準(zhǔn)的波形設(shè)計(jì)仍存在較大的研究空間，多車輛環(huán)境的信道模型、高分辨率低復(fù)雜度的檢測與估計(jì)算法等都是亟待解決的問題。

IEEE 802.11ad 是一種在60 GHz 頻段下運(yùn)行的毫米波通信的通用標(biāo)準(zhǔn)，60 GHz 頻段的更大帶寬帶來了更強(qiáng)的感知能力與通信速率。文獻(xiàn)[59]給出了通過利用IEEE 802.11ad 標(biāo)準(zhǔn)在60 GHz 下運(yùn)行的波束成形訓(xùn)練協(xié)議中產(chǎn)生的回波信號，實(shí)現(xiàn)了雷達(dá)關(guān)鍵監(jiān)視功能的可能性，如探測潛在障礙物及其在距離多普勒域中的定位。

對于機(jī)會(huì)主義融合設(shè)計(jì)方式，一個(gè)難以避免的問題是，優(yōu)先考慮其中一種功能時(shí)，另一種功能往往會(huì)受到較大程度的限制。以通信信號為中心的波形設(shè)計(jì)由于傳輸信號的隨機(jī)性，可能導(dǎo)致信號自相關(guān)與互相關(guān)特性變差，從而降低雷達(dá)的動(dòng)態(tài)范圍與分辨率，或?qū)е吕走_(dá)感知的范圍被較多地限制在通信的方向等；以感知信號為中心的波形設(shè)計(jì)則由于雷達(dá)的波形以及脈沖重復(fù)頻率的限制，通信速率大大降低，難以在車聯(lián)網(wǎng)等具有大帶寬低時(shí)延需求的場景中得到應(yīng)用。因此，不再嚴(yán)格區(qū)分功能主體的雙功能聯(lián)合機(jī)會(huì)主義融合設(shè)計(jì)也是當(dāng)前缺少考慮的設(shè)計(jì)方式。

3.2 車聯(lián)網(wǎng)中的雙功能信號融合設(shè)計(jì)

目前，雖然學(xué)者們已經(jīng)對通信感知一體化系統(tǒng)設(shè)計(jì)進(jìn)行了大量研究工作，但仍需要在更嚴(yán)格的條件限制以及應(yīng)用場景內(nèi)對其進(jìn)一步討論與研究，如高動(dòng)態(tài)的車聯(lián)網(wǎng)場景。

車聯(lián)網(wǎng)場景與普適性的場景存在諸多不同，通信感知信號融合的難度更大。首先，用戶的高速移動(dòng)特性對通信和感知性能提出挑戰(zhàn)：多普勒頻移既會(huì)對多載波傳輸?shù)牟蓸优c定時(shí)產(chǎn)生干擾，也會(huì)降低目標(biāo)感知估計(jì)的精度。盡管普適的一體化波形設(shè)計(jì)方案也對移動(dòng)性進(jìn)行了考慮，并采用了時(shí)頻域變換、高分辨率估計(jì)算法等對距離和速度的估計(jì)精度進(jìn)行改進(jìn)，但仍難以適用于高速靈活的移動(dòng)場景；序號調(diào)制作為克服移動(dòng)性的一種較有效的方法，也可以為適應(yīng)移動(dòng)性的一體化波形設(shè)計(jì)提供基礎(chǔ)，這種基于序號調(diào)制的新波形還有待更多的研究。其次，車聯(lián)網(wǎng)覆蓋范圍廣，需要較大的動(dòng)態(tài)范圍；實(shí)時(shí)性高，需要極高的數(shù)據(jù)傳輸速率與極低的傳輸時(shí)延以提高駕駛的安全性，這些都會(huì)給一體化波形設(shè)計(jì)帶來難度，也是傳統(tǒng)的設(shè)計(jì)方法較難滿足的。最后，高密度的用戶接入帶來了更多的通信節(jié)點(diǎn)、目標(biāo)檢測估計(jì)任務(wù)以及復(fù)雜的網(wǎng)絡(luò)架構(gòu)。另外，行人車輛行為預(yù)測的難度以及高度動(dòng)態(tài)的信道/感知環(huán)境，都是車聯(lián)網(wǎng)不同于傳統(tǒng)多用戶場景的特點(diǎn)，也使應(yīng)用于車聯(lián)網(wǎng)的一體化波形需要數(shù)據(jù)驅(qū)動(dòng)的輔助與更高性能波形的設(shè)計(jì)技術(shù)。已有的方法在功能層面實(shí)現(xiàn)了基本的預(yù)測功能與感知對通信的輔助，但在信號層面的硬件一體化方面還缺少考慮。

針對車聯(lián)網(wǎng)場景特殊要求指標(biāo)的通信感知融合是一項(xiàng)充滿前景的技術(shù)。車車、車路之間的海量連接帶來了更豐富的感知信息，將有助于通信系統(tǒng)的優(yōu)化設(shè)計(jì)；同時(shí)，通信技術(shù)構(gòu)建了車輛信息交互網(wǎng)絡(luò)，將極大增強(qiáng)單車的感知能力，克服單車智能所面臨的一系列問題，有助于應(yīng)對復(fù)雜的路況。盡管已有研究發(fā)現(xiàn)通信感知一體化信號波形的設(shè)計(jì)具備明顯的理論優(yōu)勢，但由于實(shí)際應(yīng)用場景的限制，專用雙功能信號波形在車聯(lián)網(wǎng)系統(tǒng)中的應(yīng)用目前仍然受到限制。例如，目前的聯(lián)合波形設(shè)計(jì)大多涉及解決相對復(fù)雜的優(yōu)化問題，而優(yōu)化問題的解決依賴于信道的先驗(yàn)信息。然而，在高動(dòng)態(tài)的車聯(lián)網(wǎng)中，準(zhǔn)確的瞬時(shí)信道知識(shí)很難獲取，為求解優(yōu)化問題帶來困難。雖然目前的DFRC 系統(tǒng)考慮了具有雙重功能的傳感器，但它們主要用于低頻段，不能輕易擴(kuò)展到車聯(lián)網(wǎng)場景。

常用的汽車?yán)走_(dá)波形是調(diào)頻連續(xù)波（FMCW,frequency modulated continuous wave）。FMCW 能提供高精度的分辨率，接收成本低，但是存在距離多普勒耦合現(xiàn)象，并且它沒有可以用于嵌入通信數(shù)據(jù)的調(diào)制方法。調(diào)相連續(xù)波（PMCW,phase modulated continuous wave）也具有作為高分辨率汽車?yán)走_(dá)的可行性，因?yàn)橥ㄐ艛?shù)據(jù)可以被嵌入其中。文獻(xiàn)[63]在PMCW 的基礎(chǔ)上，利用了OFDM的多載波特性以及PMCW 的碼序列來同時(shí)嵌入雷達(dá)和通信雙功能，克服了傳統(tǒng)PMCW 和OFDM波形的局限性。文獻(xiàn)[64]在車聯(lián)網(wǎng)場景中避免兩功能相互干擾的背景下，提出了一種基于PMCW 的通信感知雙功能系統(tǒng)，并確保其聯(lián)合設(shè)計(jì)的波形對動(dòng)態(tài)多目標(biāo)設(shè)置中的干擾具有穩(wěn)健性。文獻(xiàn)[65]提出了一種全新的雙站感知系統(tǒng)，采用基于OFDM 的單一波形來服務(wù)于汽車?yán)走_(dá)感知和通信功能?；谏鲜龉ぷ鳎墨I(xiàn)[65]對文獻(xiàn)[63]提出的PMCW-JRC 聯(lián)合波形的性能進(jìn)行了研究，并進(jìn)一步闡述波形參數(shù)的選擇對通信和雷達(dá)性能指標(biāo)之間的權(quán)衡的影響，還進(jìn)一步通過誤碼率（BER,bit error rate）和CRLB 來分析雙功能信號系統(tǒng)中通信和雷達(dá)系統(tǒng)的性能。表5 對車聯(lián)網(wǎng)中的雙功能信號融合設(shè)計(jì)方法進(jìn)行了比較。

表5 車聯(lián)網(wǎng)中的雙功能信號融合設(shè)計(jì)方法的比較

4 車聯(lián)網(wǎng)通信感知一體化未來發(fā)展方向

4.1 功能融合模型面臨的挑戰(zhàn)及發(fā)展方向

4.1.1 感知功能輔助通信

1)感知功能輔助的信道建模

目前，從信道應(yīng)用的角度來指導(dǎo)車聯(lián)網(wǎng)通信感知一體化信道模型的構(gòu)建仍處于起步階段。車聯(lián)網(wǎng)通信感知一體化系統(tǒng)可以精確地感知周圍環(huán)境信息，這對信道模型的準(zhǔn)確性提出了更高的要求。構(gòu)建高精度信道模型最直觀的方法是GBDM 建模法。然而，車聯(lián)網(wǎng)通信感知一體化系統(tǒng)依然基于通信網(wǎng)絡(luò)。采用完全確定的信道建模方法會(huì)帶來超高的計(jì)算復(fù)雜度，難以支撐車聯(lián)網(wǎng)通信感知一體化系統(tǒng)級的仿真。在未來，從信道應(yīng)用的角度，需提出一種在準(zhǔn)確性和復(fù)雜度之間有更好折中的信道建模方法。

3)感知功能輔助的信道估計(jì)

當(dāng)前感知功能輔助信道估計(jì)涉及的感知信息種類較少，通常為位置、速度等信息。如何充分利用更復(fù)雜的感知信息（如LiDAR、圖像）以獲得更好的估計(jì)效果與更低的開銷，是感知功能輔助信道估計(jì)任務(wù)中值得研究的問題。同時(shí)，如何利用深度學(xué)習(xí)融合多模態(tài)感知信息需要更深入的認(rèn)知，有必要理解性地設(shè)計(jì)感知融合的方案，從而避免盲目套用。

3)感知功能輔助的多車資源聯(lián)合分配

在車聯(lián)網(wǎng)中，車輛所需的各種資源，如功率、波束、頻譜、存儲(chǔ)、計(jì)算等均需要隨時(shí)進(jìn)行優(yōu)化分配以優(yōu)化整個(gè)車聯(lián)網(wǎng)系統(tǒng)的性能。不同車輛在同一時(shí)刻執(zhí)行的任務(wù)以及業(yè)務(wù)需求有所不同，其對于不同維度資源的需求也同樣具有異構(gòu)性。盡管目前有工作[24,66-67]研究了多車輛的功率以及時(shí)間分配問題，如何實(shí)現(xiàn)大規(guī)模高動(dòng)態(tài)車聯(lián)網(wǎng)的多維度資源聯(lián)合優(yōu)化分配卻仍然是一個(gè)開放性問題。感知功能的引入有助于輔助探測多車輛的任務(wù)時(shí)空分布特征、預(yù)測未來的任務(wù)時(shí)空分布變化趨勢以及相應(yīng)的資源需求。感知功能輔助的車聯(lián)網(wǎng)多維度資源聯(lián)合優(yōu)化分配問題是未來的研究方向之一。

4)波束成形預(yù)測中的波束寬度自適應(yīng)調(diào)整

在車聯(lián)網(wǎng)中，隨著車輛與RSU 之間距離的變化，固定寬度的波束是無法保證隨時(shí)覆蓋車輛的通信接收機(jī)的。然而，目前針對波束追蹤以及波束成形預(yù)測的工作絕大多數(shù)并未考慮車輛在實(shí)際應(yīng)用場景下相對于RSU 尺寸的變化，忽略了波束寬度動(dòng)態(tài)變化的需求，這將會(huì)導(dǎo)致RSU與車輛之間的波束無法嚴(yán)格對準(zhǔn)進(jìn)而導(dǎo)致通信速率下降甚至無法正常建立V2I 鏈路。據(jù)本文調(diào)研，目前極少存在針對實(shí)際應(yīng)用場景下，車輛尺寸相對于RSU的演化而帶來的波束覆蓋范圍問題的研究。未來，如何在感知信息輔助下實(shí)現(xiàn)高動(dòng)態(tài)寬度調(diào)整的波束成形預(yù)測值得被進(jìn)一步研究。

4.1.2 通信支撐的超視距感知

在未來，考慮到通信支撐的超視距感知與車聯(lián)網(wǎng)系統(tǒng)的有機(jī)結(jié)合，亟須提出一種針對周邊環(huán)境特征設(shè)計(jì)的多級分層的協(xié)同超視距感知方法。在數(shù)據(jù)交互方面，需要進(jìn)行多級交互的超視距感知，利用特征數(shù)據(jù)乃至原始數(shù)據(jù)，補(bǔ)充語義提取較差區(qū)域的信息，平衡精度與效率；在融合處理方面，需要采用分層融合、動(dòng)態(tài)更新的模式，以適應(yīng)動(dòng)態(tài)靜態(tài)目標(biāo)并存的復(fù)雜環(huán)境。利用交互和融合2 個(gè)層面，共同形成多級分層的協(xié)同超視距感知，用以提升車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的感知能力。

4.2 信號融合模型面臨的挑戰(zhàn)及發(fā)展方向

4.2.1 專為車聯(lián)網(wǎng)場景設(shè)計(jì)的雙功能波形

車輛、路邊單元乃至行人等各端的通信感知硬件層面共享可以極大縮減硬件成本，同時(shí)為車聯(lián)網(wǎng)的設(shè)計(jì)提供新的范式，較大規(guī)模地?cái)U(kuò)展傳統(tǒng)的通信感知功能。但在實(shí)際應(yīng)用中，高速移動(dòng)的車輛需要更加精確的波束指向，這為先前的波束成形方法帶來了更大的挑戰(zhàn)；另外，車車之間密集的信息傳遞與車輛對周圍環(huán)境的感知，在先前的波形設(shè)計(jì)中也難以同時(shí)進(jìn)行考慮?？偠灾?，專為車聯(lián)網(wǎng)場景設(shè)計(jì)的雙功能波形仍需研究。

4.2.2 統(tǒng)一實(shí)用的性能界度量研究

為刻畫通信感知一體化系統(tǒng)的性能極限，需要發(fā)展通信感知一體化的信息論來統(tǒng)一兩者的數(shù)學(xué)模型，這將從理論上指導(dǎo)波形的設(shè)計(jì)與資源的分配。目前，已有工作提出了“估計(jì)速率”來描述雷達(dá)的估計(jì)性能[68]。然而，這一指標(biāo)與雷達(dá)的常用性能指標(biāo)，如檢測概率、虛警概率和均方誤差等聯(lián)系尚不明確。因此，還需要進(jìn)一步揭示感知性能與信息論的內(nèi)在聯(lián)系。

4.2.3 適用于車聯(lián)網(wǎng)場景的系統(tǒng)架構(gòu)設(shè)計(jì)

為實(shí)現(xiàn)通信與感知體制的進(jìn)一步融合，需要設(shè)計(jì)新的傳輸協(xié)議與系統(tǒng)架構(gòu)，以實(shí)現(xiàn)全場景下的通信與感知功能的互不干擾甚至協(xié)同優(yōu)化。因此，需要考慮針對不同的場景，設(shè)計(jì)低成本、低復(fù)雜度和高效率的通信感知一體化的新系統(tǒng)架構(gòu)。已有的工作只對V2I 場景下的車輛直行、通過路口等基本任務(wù)進(jìn)行了考慮，但現(xiàn)實(shí)路況往往更加復(fù)雜，還需要考慮更多現(xiàn)實(shí)因素與復(fù)雜的信道環(huán)境，設(shè)計(jì)更加完善的協(xié)議與架構(gòu)。表6 總結(jié)了車聯(lián)網(wǎng)通信感知一體化功能融合模型以及信號融合模型的未來發(fā)展方向及挑戰(zhàn)。

表6 車聯(lián)網(wǎng)通信感知一體化未來發(fā)展方向及挑戰(zhàn)

5 結(jié)束語

隨著智能車輛具備的感知能力與通信能力日益增強(qiáng)以及智能車聯(lián)網(wǎng)技術(shù)和產(chǎn)業(yè)的迅速發(fā)展，通信與感知雙功能的融合設(shè)計(jì)也因其能帶來的強(qiáng)大協(xié)作增益受到廣泛關(guān)注。依托車聯(lián)網(wǎng)中的通信設(shè)備以及種類豐富的感知設(shè)備，通信感知一體化技術(shù)就是利用通信和感知的協(xié)同融合，實(shí)現(xiàn)雙功能在硬件資源以及功能層面上的相互增強(qiáng)。首先，定義了車聯(lián)網(wǎng)通信感知一體化系統(tǒng)的2 種融合模型：功能融合與信號融合。其次，回顧總結(jié)了車聯(lián)網(wǎng)通信感知一體化功能融合模型的相關(guān)研究工作。再次，回顧了應(yīng)用于一般場景下的三類信號融合方式，介紹了目前專用于車聯(lián)網(wǎng)中的雙功能信號設(shè)計(jì)的研究現(xiàn)狀。最后，提出了功能融合模型以及信號融合模型在未來的發(fā)展方向以及面臨的挑戰(zhàn)。本文通過對車聯(lián)網(wǎng)通信感知一體化已有研究成果的綜述，總結(jié)了研究思路，為相關(guān)領(lǐng)域研究人員快速全面地了解車聯(lián)網(wǎng)通信感知一體化研究現(xiàn)狀及進(jìn)展提供參考與幫助。