基于802.11p協(xié)議改進(jìn)的車輛測距算法

李井真 崔學(xué)榮 李忠偉 李娟 李冰

摘 要：隨著交通事故的增長和智能交通的發(fā)展，基于車輛碰撞預(yù)警和交通管理的新服務(wù)引起了廣泛關(guān)注。目前，基于全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）的定位技術(shù)已應(yīng)用到車輛環(huán)境中。由于GNSS存在的盲區(qū)（例如森林，隧道等）會(huì)導(dǎo)致定位結(jié)果不準(zhǔn)確，在車輛自組織網(wǎng)絡(luò)（VANET）中，提出了基于IEEE 802.11p標(biāo)準(zhǔn)的定位方法。提出了用IEEE 802.11p短前導(dǎo)碼的高效到達(dá)時(shí)間（TOA）或測距估計(jì)方法，以降低低信噪比（SNR）的影響。使用了自相關(guān)和互相關(guān)（混合相關(guān)）來執(zhí)行到達(dá)時(shí)間（TOA）估計(jì)，對(duì)相關(guān)結(jié)果進(jìn)行間隔求和的方法以達(dá)到更精確定位的目的。在加性高斯白噪聲（AWGN）信道中的仿真結(jié)果表明：在低SNR條件中，提出的測距方法相比傳統(tǒng)方法達(dá)到了更高的精度。

關(guān)鍵詞：TOA估計(jì); IEEE 802.11p; VANET; 混合相關(guān)

中圖分類號(hào)： TN914

文獻(xiàn)標(biāo)志碼： A

Abstract：As the growth of traffic accidents and the development of intelligent transportation， new services like vehicle collision warning and traffic management are required. Nowadays， many location techniques based on the global navigation satellite system （GNSS） have been used in vehicle environment. In view of inaccuracy positioning results in GNSS-dark area such as forest， tunnel， etc， high-mobility positioning methods used IEEE 802.11p standard in vehicular ad hoc networks （VANETs） should be developed. In this paper， we propose an efficient TOA or ranging estimation method using IEEE 802.11p short preamble in order to mitigate the influence of low signal noise ratio （SNR）. At first， the TOA estimation is performed using autocorrelation and cross-correlation （auto-cross）. Then， an approach is presented for finding the accurate time offset. Simulation results， in an additive white Gaussian noise （AWGN） channel， indict that the proposed ranging method achieves superior accuracy than traditional methods even in low SNR conditions.

Key words：TOA estimation; IEEE 802.11p; VANETs; Cross-correlation（Auto-cross）

0 引言

根據(jù)世界衛(wèi)生組織（WHO）2015年的報(bào)告，即使道路交通安全已經(jīng)改善，死亡人數(shù)仍然高達(dá)每年125萬人，并且成為15-29歲年輕人死亡的主要因素[1]。車輛間的協(xié)同防碰撞或預(yù)警系統(tǒng)的應(yīng)用可預(yù)測潛在的危險(xiǎn)并能降低事故的發(fā)生率。因此，有效減少車輛碰撞能降低傷害并能在將來挽救生命。2018年4月12日由工信部、交通部、公安部聯(lián)合發(fā)布了《智能網(wǎng)聯(lián)汽車道路測試管理規(guī)范（試行）》辦法[2]，對(duì)智能汽車的發(fā)展制定了相應(yīng)的規(guī)范，對(duì)促進(jìn)我國智能汽車制造業(yè)的健康、有序發(fā)展發(fā)揮重要意義。在智能交通系統(tǒng)（ITS）中，車輛定位技術(shù)可以提供車輛碰撞警告，因此對(duì)車輛定位精度的要求越來高。

目前，全球定位系統(tǒng)（GPS）和北斗導(dǎo)航系統(tǒng)（BDS）等全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS）在ITS中發(fā)揮著舉足輕重的作用[3]。總之，目前已經(jīng)開發(fā)了基于GNSS的車載自組織網(wǎng)絡(luò)（VANET）的關(guān)鍵定位技術(shù)，包含用于無線電的接收器，數(shù)字地圖信息匹配[4]，車輛模型和運(yùn)動(dòng)傳感器。然而，當(dāng)GNSS信號(hào)弱時(shí)，定位精度將會(huì)受限。GNSS信號(hào)易受自然環(huán)境的影響（例如雷暴，太陽耀斑）和多徑信號(hào)的干擾（例如森林，建筑物，隧道等。同時(shí)，這些關(guān)鍵定位技術(shù)不能平衡性能和成本。

基于上述原因，IEEE 802.11p標(biāo)準(zhǔn)[5]在定位應(yīng)用中實(shí)現(xiàn)了成本和性能的平衡?；?02.11p等無線傳感器網(wǎng)絡(luò)（WSN）的定位技術(shù)已被用于車輛到車輛（V2V）通信，以滿足在高速度和多通道的車輛環(huán)境中對(duì)高精度的要求。隨著WSN定位技術(shù)的快速發(fā)展，定位方法可分為非測距定位和測距定位。前者算法通過傳感器節(jié)點(diǎn)的連通性信息，來估計(jì)傳感器節(jié)點(diǎn)的坐標(biāo)，除了測距（即角度，距離或時(shí)間）信息?；跍y距的定位方法中，距離由通信信號(hào)的一些物理參數(shù)計(jì)算，即接收信號(hào)強(qiáng)度指示器（RSSI）[6]、信號(hào)到達(dá)角度（AOA）、到達(dá)時(shí)間（TOA）[7]、到達(dá)時(shí)間差 （TDOA）[8]。在這些模型中，RSSI技術(shù)是一種經(jīng)濟(jì)高效的測距解決方案，因?yàn)樗恍枰魏晤~外硬件的輔助。但是，它的性能受到信道衰落和多信道問題的影響。AOA方法通過使用基站的多陣列天線確定入射信號(hào)的角度，而在非視距（NLOS）情況下，很難判斷信號(hào)來源的方向。TOA方法通過無線電信號(hào)的傳輸速度，波長和時(shí)間的獲得相對(duì)容易。因此，各種傳播條件下，尤其是在802.11p環(huán)境中，對(duì)TOA估計(jì)是測距中常用的方法。802.11p的物理層是基于使用正交頻分復(fù)用（OFDM）的802.11a版本。因此，本文將802.11p物理層中的OFDM信號(hào)用于TOA估計(jì)。目前，基于OFDM系統(tǒng)的定時(shí)偏移估計(jì)算法已經(jīng)被應(yīng)用。Schmidl和Cox[9]提出了最好的經(jīng)典自相關(guān)算法（SC）之一，利用在時(shí)域中包含兩個(gè)相同半部分的前導(dǎo)碼。然而，循環(huán)前綴（CP）區(qū)域長度的定時(shí)度量平臺(tái)導(dǎo)致了定時(shí)估計(jì)的模糊性。

Minn 等人設(shè)計(jì)了MZB方法[10]即在保護(hù)間隔長度的固定窗口上進(jìn)行平均，作為對(duì)Schmidl方法的修改。雖然Minn的方法提供了更精確的時(shí)序度量，但是在多徑衰落信道中時(shí)序估計(jì)的偏差非常大。SC和MZB方法均使用自相關(guān)技術(shù)。在中，Ade、Awoseyila[11]等人提出了將自相關(guān)技術(shù)與互相關(guān)相結(jié)合的方法，然而這種方法用于濾除不需要的峰值并設(shè)置互相關(guān)的結(jié)果閾值，因此文獻(xiàn)[11]的方法本質(zhì)上是一種互相關(guān)方法，但在低SNR環(huán)境中，精度有下降[12，13]。

本文的主要貢獻(xiàn)是提出一種新的定時(shí)偏移估計(jì)或測距方法，以減輕VENET中低信噪比（SNR）的影響。在第1節(jié)中，概述了與影響定位精度的因素相關(guān)的問題，然后討論了提出的眾所周知的定位方法，尤其是使用OFDM的一些定時(shí)偏移估計(jì)方法。本文的其余部分如下。在第2節(jié)中，介紹了車輛測距模型。在第3節(jié)中，在時(shí)域中提出了一種新的測距方法。

1 車輛測距模型

專用短程通信（DSRC）是為VENET標(biāo)準(zhǔn)開發(fā)，具有高移動(dòng)性和高實(shí)時(shí)性的特點(diǎn)，尤其支持低延遲車輛和車輛到道路數(shù)據(jù)傳輸，幾百米的通信距離，滿足大多數(shù)應(yīng)用的需求。IEEE 802.11p協(xié)議用于無線接入車輛環(huán)境（WAVE）的物理層。它是基于IEEE 802.11a標(biāo)準(zhǔn)的擴(kuò)展，該標(biāo)準(zhǔn)具有低延遲擴(kuò)展和慢時(shí)變信道特性，在現(xiàn)代ITS中能夠提供安全的自動(dòng)導(dǎo)航應(yīng)用。IEEE 802.11p協(xié)議中時(shí)間同步的前導(dǎo)碼符號(hào)介紹如下。

1.1 IEEE 802.11p 幀結(jié)構(gòu)模型

與802.11a相同，802.11p在物理層采用OFDM。信號(hào)帶寬為10 MHz，是802.11a的一半。有64個(gè)子載波，間隔為156.25KHZ，但實(shí)際上只有52個(gè)子載波用于信息傳輸，其中4個(gè)用于導(dǎo)頻。因此，OFDM符號(hào)持續(xù)時(shí)間為8.0 μs，保護(hù)間隔為1.6 μs。保護(hù)間隔的擴(kuò)展意味著802.11p可以容忍更大的延遲擴(kuò)展。如圖1所示，前導(dǎo)碼結(jié)構(gòu)包含OFDM物理層協(xié)議（PLCP）訓(xùn)練序列，OFDM信號(hào)符號(hào)和802.11p協(xié)議中的OFDM數(shù)據(jù)符號(hào)。存在10個(gè)PLCP訓(xùn)練序列，其中每個(gè)包括12個(gè)非零子載波，短序列（SP）通常用于粗略時(shí)間估計(jì)和頻率偏移估計(jì)。2個(gè)長序列（LP）用于信道估計(jì)和精細(xì)估計(jì)。顯然，短前導(dǎo)碼在時(shí)間估計(jì)中起著重要作用，如式（1）。

3 總結(jié)

本文提出了一種利用IEEE802.11p無線通信物理層的SP進(jìn)行新型車載節(jié)點(diǎn)定位方法。分析了經(jīng)典方法，提出了基于混合相關(guān)方法求和進(jìn)行無線測距定位算法，并對(duì)其進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果表明，在低信噪比環(huán)境下，如Eb/N0=0 dB，所提出的技術(shù)實(shí)現(xiàn)了較經(jīng)典傳統(tǒng)方法有更優(yōu)越的性能。

參考文獻(xiàn)

[1] WHO. Global Status Report on Road Safety 2013： Supporting a Decade of Action [J]. 2015.

[2] 張亞萍， 劉華， 李碧鈺， 等. 智能網(wǎng)聯(lián)汽車技術(shù)與標(biāo)準(zhǔn)發(fā)展研究 [J]. 上海汽車， 2015（8）： 55-59.

[3] XIONG W， HU X， WANG B， et al. Vehicle node localization without GPS in VANET[C]//the 2014 International Conference on Connected Vehicles and Expo （ICCVE）. Nov. 2014： F， 3-7.

[4] HUANG Y， CHEN M， CAI Z， et al. Graph Theory Based Capacity Analysis for Vehicular Ad Hoc Networks[C]//the 2015 IEEE Global Communications Conference （GLOBECOM）. Dec. 2015， 2015： F， 6-10.

[5] IEEE Standard for Information Technology-Local and Metropolitan Area Networks Specific Requirements- Part 11： Wireless LAN Medium Access Control （MAC） and Physical Layer （PHY） Specifications Amendment 6： Wireless Access in Vehicular Environments [M]. New York： IEEE publication. 2010.

[6] 陳淑敏， 喬曉田， 毛佳， 等. 基于接收信號(hào)強(qiáng)度（RSSI）的室內(nèi)二次定位方法 [J]. 傳感技術(shù)學(xué)報(bào)， 2015， 4）： 572-7.

[7] ZHANG H， CUI X-R， GULLIVER T A. Threshold Selection for Ultra-Wideband TOA Estimation Based on Skewness Analysis[C]//the Ubiquitous Intelligence and Computing. Heidelberg： Springer， 2011.

[8] 張會(huì)新， 陳德沅， 彭晴晴， 等. 一種改進(jìn)的TDOA無線傳感器網(wǎng)絡(luò)節(jié)點(diǎn)定位算法[J]. 傳感技術(shù)學(xué)報(bào)， 2015（3）： 412-415.

[9] SCHMIDL T M， COX D C. Robust frequency and timing synchronization for OFDM [J]. IEEE Transactions on Communications， 1997， 45（12）： 1613-1621.

[10] MINN H， ZENG M， BHARGAVA V K. On timing offset estimation for OFDM systems [J]. IEEE Communications Letters， 2000， 4（7）： 242-244.

[11] AWOSEYILA A B， KASPARIS C， EVANS B G. Improved preamble-aided timing estimation for OFDM systems [J]. IEEE Communications Letters， 2008， 12（11）： 825-827.

[12] LIU K， LIM H B， FRAZZOLI E， et al. Improving Positioning Accuracy Using GPS Pseudorange Measurements for Cooperative Vehicular Localization [J]. IEEE Trans Veh Technol， 2014， 63（6）： 2544-2556.

[13] SHAO H， ZHANG X， WANG Z. Efficient Closed-Form Algorithms for AOA Based Self-Localization of Sensor Nodes Using Auxiliary Variables [J]. IEEE Transactions on Signal Processing， 2014， 62（10）： 2580-2594.

（收稿日期： 2019.01.22）