基于802.11p協議改進的車輛測距算法

李井真 崔學榮 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展，基于車輛碰撞預警和交通管理的新服務引起了廣泛關注。目前，基于全球導航衛星系統（GNSS）的定位技術已應用到車輛環境中。由于GNSS存在的盲區（例如森林，隧道等）會導致定位結果不準確，在車輛自組織網絡（VANET）中，提出了基于IEEE 802.11p標準的定位方法。提出了用IEEE 802.11p短前導碼的高效到達時間（TOA）或測距估計方法，以降低低信噪比（SNR）的影響。使用了自相關和互相關（混合相關）來執行到達時間（TOA）估計，對相關結果進行間隔求和的方法以達到更精確定位的目的。在加性高斯白噪聲（AWGN）信道中的仿真結果表明：在低SNR條件中，提出的測距方法相比傳統方法達到了更高的精度。

關鍵詞：TOA估計; IEEE 802.11p; VANET; 混合相關

中圖分類號： TN914

文獻標志碼： 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

根據世界衛生組織（WHO）2015年的報告，即使道路交通安全已經改善，死亡人數仍然高達每年125萬人，并且成為15-29歲年輕人死亡的主要因素[1]。車輛間的協同防碰撞或預警系統的應用可預測潛在的危險并能降低事故的發生率。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、公安部聯合發布了《智能網聯汽車道路測試管理規范（試行）》辦法[2]，對智能汽車的發展制定了相應的規范，對促進我國智能汽車制造業的健康、有序發展發揮重要意義。在智能交通系統（ITS）中，車輛定位技術可以提供車輛碰撞警告，因此對車輛定位精度的要求越來高。

目前，全球定位系統（GPS）和北斗導航系統（BDS）等全球導航衛星系統（GNSS）在ITS中發揮著舉足輕重的作用[3]?？傊?，目前已經開發了基于GNSS的車載自組織網絡（VANET）的關鍵定位技術，包含用于無線電的接收器，數字地圖信息匹配[4]，車輛模型和運動傳感器。然而，當GNSS信號弱時，定位精度將會受限。GNSS信號易受自然環境的影響（例如雷暴，太陽耀斑）和多徑信號的干擾（例如森林，建筑物，隧道等。同時，這些關鍵定位技術不能平衡性能和成本。

基于上述原因，IEEE 802.11p標準[5]在定位應用中實現了成本和性能的平衡?；?02.11p等無線傳感器網絡（WSN）的定位技術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境中對高精度的要求。隨著WSN定位技術的快速發展，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點的連通性信息，來估計傳感器節點的坐標，除了測距（即角度，距離或時間）信息?；跍y距的定位方法中，距離由通信信號的一些物理參數計算，即接收信號強度指示器（RSSI）[6]、信號到達角度（AOA）、到達時間（TOA）[7]、到達時間差 （TDOA）[8]。在這些模型中，RSSI技術是一種經濟高效的測距解決方案，因為它不需要任何額外硬件的輔助。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的角度，而在非視距（NLOS）情況下，很難判斷信號來源的方向。TOA方法通過無線電信號的傳輸速度，波長和時間的獲得相對容易。因此，各種傳播條件下，尤其是在802.11p環境中，對TOA估計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用（OFDM）的802.11a版本。因此，本文將802.11p物理層中的OFDM信號用于TOA估計。目前，基于OFDM系統的定時偏移估計算法已經被應用。Schmidl和Cox[9]提出了最好的經典自相關算法（SC）之一，利用在時域中包含兩個相同半部分的前導碼。然而，循環前綴（CP）區域長度的定時度量平臺導致了定時估計的模糊性。

Minn 等人設計了MZB方法[10]即在保護間隔長度的固定窗口上進行平均，作為對Schmidl方法的修改。雖然Minn的方法提供了更精確的時序度量，但是在多徑衰落信道中時序估計的偏差非常大。SC和MZB方法均使用自相關技術。在中，Ade、Awoseyila[11]等人提出了將自相關技術與互相關相結合的方法，然而這種方法用于濾除不需要的峰值并設置互相關的結果閾值，因此文獻[11]的方法本質上是一種互相關方法，但在低SNR環境中，精度有下降[12，13]。

本文的主要貢獻是提出一種新的定時偏移估計或測距方法，以減輕VENET中低信噪比（SNR）的影響。在第1節中，概述了與影響定位精度的因素相關的問題，然后討論了提出的眾所周知的定位方法，尤其是使用OFDM的一些定時偏移估計方法。本文的其余部分如下。在第2節中，介紹了車輛測距模型。在第3節中，在時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標準開發，具有高移動性和高實時性的特點，尤其支持低延遲車輛和車輛到道路數據傳輸，幾百米的通信距離，滿足大多數應用的需求。IEEE 802.11p協議用于無線接入車輛環境（WAVE）的物理層。它是基于IEEE 802.11a標準的擴展，該標準具有低延遲擴展和慢時變信道特性，在現代ITS中能夠提供安全的自動導航應用。IEEE 802.11p協議中時間同步的前導碼符號介紹如下。

1.1 IEEE 802.11p 幀結構模型

與802.11a相同，802.11p在物理層采用OFDM。信號帶寬為10 MHz，是802.11a的一半。有64個子載波，間隔為156.25KHZ，但實際上只有52個子載波用于信息傳輸，其中4個用于導頻。因此，OFDM符號持續時間為8.0 μs，保護間隔為1.6 μs。保護間隔的擴展意味著802.11p可以容忍更大的延遲擴展。如圖1所示，前導碼結構包含OFDM物理層協議（PLCP）訓練序列，OFDM信號符號和802.11p協議中的OFDM數據符號。存在10個PLCP訓練序列，其中每個包括12個非零子載波，短序列（SP）通常用于粗略時間估計和頻率偏移估計。2個長序列（LP）用于信道估計和精細估計。顯然，短前導碼在時間估計中起著重要作用，如式（1）。

3 總結

本文提出了一種利用IEEE802.11p無線通信物理層的SP進行新型車載節點定位方法。分析了經典方法，提出了基于混合相關方法求和進行無線測距定位算法，并對其進行了仿真實驗，結果表明，在低信噪比環境下，如Eb/N0=0 dB，所提出的技術實現了較經典傳統方法有更優越的性能。

參考文獻

[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. 智能網聯汽車技術與標準發展研究 [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. 基于接收信號強度（RSSI）的室內二次定位方法 [J]. 傳感技術學報， 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] 張會新， 陳德沅， 彭晴晴， 等. 一種改進的TDOA無線傳感器網絡節點定位算法[J]. 傳感技術學報， 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）