基于802.11p协议改进的车辆测距算法

李井真 崔学荣 李忠伟 李娟 李冰

摘 要：随着交通事故的增长和智能交通的发展，基于车辆碰撞预警和交通管理的新服务引起了广泛关注。目前，基于全球导航卫星系统（GNSS）的定位技术已应用到车辆环境中。由于GNSS存在的盲区（例如森林，隧道等）会导致定位结果不准确，在车辆自组织网络（VANET）中，提出了基于IEEE 802.11p标准的定位方法。提出了用IEEE 802.11p短前导码的高效到达时间（TOA）或测距估计方法，以降低低信噪比（SNR）的影响。使用了自相关和互相关（混合相关）来执行到达时间（TOA）估计，对相关结果进行间隔求和的方法以达到更精确定位的目的。在加性高斯白噪声（AWGN）信道中的仿真结果表明：在低SNR条件中，提出的测距方法相比传统方法达到了更高的精度。

关键词：TOA估计; IEEE 802.11p; VANET; 混合相关

中图分类号： TN914

文献标志码： 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

根據世界卫生组织（WHO）2015年的报告，即使道路交通安全已经改善，死亡人数仍然高达每年125万人，并且成为15-29岁年轻人死亡的主要因素[1]。车辆间的协同防碰撞或预警系统的应用可预测潜在的危险并能降低事故的发生率。因此，有效减少车辆碰撞能降低伤害并能在将来挽救生命。2018年4月12日由工信部、交通部、公安部联合发布了《智能网联汽车道路测试管理规范（试行）》办法[2]，对智能汽车的发展制定了相应的规范，对促进我国智能汽车制造业的健康、有序发展发挥重要意义。在智能交通系统（ITS）中，车辆定位技术可以提供车辆碰撞警告，因此对车辆定位精度的要求越来高。

目前，全球定位系统（GPS）和北斗导航系统（BDS）等全球导航卫星系统（GNSS）在ITS中发挥着举足轻重的作用[3]。总之，目前已经开发了基于GNSS的车载自组织网络（VANET）的关键定位技术，包含用于无线电的接收器，数字地图信息匹配[4]，车辆模型和运动传感器。然而，当GNSS信号弱时，定位精度将会受限。GNSS信号易受自然环境的影响（例如雷暴，太阳耀斑）和多径信号的干扰（例如森林，建筑物，隧道等。同时，这些关键定位技术不能平衡性能和成本。

基于上述原因，IEEE 802.11p标准[5]在定位应用中实现了成本和性能的平衡。基于802.11p等无线传感器网络（WSN）的定位技术已被用于车辆到车辆（V2V）通信，以满足在高速度和多通道的车辆环境中对高精度的要求。随着WSN定位技术的快速发展，定位方法可分为非测距定位和测距定位。前者算法通过传感器节点的连通性信息，来估计传感器节点的坐标，除了测距（即角度，距离或时间）信息。基于测距的定位方法中，距离由通信信号的一些物理参数计算，即接收信号强度指示器（RSSI）[6]、信号到达角度（AOA）、到达时间（TOA）[7]、到达时间差 （TDOA）[8]。在这些模型中，RSSI技术是一种经济高效的测距解决方案，因为它不需要任何额外硬件的辅助。但是，它的性能受到信道衰落和多信道问题的影响。AOA方法通过使用基站的多阵列天线确定入射信号的角度，而在非视距（NLOS）情况下，很难判断信号来源的方向。TOA方法通过无线电信号的传输速度，波长和时间的获得相对容易。因此，各种传播条件下，尤其是在802.11p环境中，对TOA估计是测距中常用的方法。802.11p的物理层是基于使用正交频分复用（OFDM）的802.11a版本。因此，本文将802.11p物理层中的OFDM信号用于TOA估计。目前，基于OFDM系统的定时偏移估计算法已经被应用。Schmidl和Cox[9]提出了最好的经典自相关算法（SC）之一，利用在时域中包含两个相同半部分的前导码。然而，循环前缀（CP）区域长度的定时度量平台导致了定时估计的模糊性。

Minn 等人設计了MZB方法[10]即在保护间隔长度的固定窗口上进行平均，作为对Schmidl方法的修改。虽然Minn的方法提供了更精确的时序度量，但是在多径衰落信道中时序估计的偏差非常大。SC和MZB方法均使用自相关技术。在中，Ade、Awoseyila[11]等人提出了将自相关技术与互相关相结合的方法，然而这种方法用于滤除不需要的峰值并设置互相关的结果阈值，因此文献[11]的方法本质上是一种互相关方法，但在低SNR环境中，精度有下降[12，13]。

本文的主要贡献是提出一种新的定时偏移估计或测距方法，以减轻VENET中低信噪比（SNR）的影响。在第1节中，概述了与影响定位精度的因素相关的问题，然后讨论了提出的众所周知的定位方法，尤其是使用OFDM的一些定时偏移估计方法。本文的其余部分如下。在第2节中，介绍了车辆测距模型。在第3节中，在时域中提出了一种新的测距方法。

1 车辆测距模型

专用短程通信（DSRC）是为VENET标准开发，具有高移动性和高实时性的特点，尤其支持低延迟车辆和车辆到道路数据传输，几百米的通信距离，满足大多数应用的需求。IEEE 802.11p协议用于无线接入车辆环境（WAVE）的物理层。它是基于IEEE 802.11a标准的扩展，该标准具有低延迟扩展和慢时变信道特性，在现代ITS中能够提供安全的自动导航应用。IEEE 802.11p协议中时间同步的前导码符号介绍如下。

1.1 IEEE 802.11p 帧结构模型

与802.11a相同，802.11p在物理层采用OFDM。信号带宽为10 MHz，是802.11a的一半。有64个子载波，间隔为156.25KHZ，但实际上只有52个子载波用于信息传输，其中4个用于导频。因此，OFDM符号持续时间为8.0 μs，保护间隔为1.6 μs。保护间隔的扩展意味着802.11p可以容忍更大的延迟扩展。如图1所示，前导码结构包含OFDM物理层协议（PLCP）训练序列，OFDM信号符号和802.11p协议中的OFDM数据符号。存在10个PLCP训练序列，其中每个包括12个非零子载波，短序列（SP）通常用于粗略时间估计和频率偏移估计。2个长序列（LP）用于信道估计和精细估计。显然，短前导码在时间估计中起着重要作用，如式（1）。

3 总结

本文提出了一种利用IEEE802.11p无线通信物理层的SP进行新型车载节点定位方法。分析了经典方法，提出了基于混合相关方法求和进行无线测距定位算法，并对其进行了仿真实验，结果表明，在低信噪比环境下，如Eb/N0=0 dB，所提出的技术实现了较经典传统方法有更优越的性能。

参考文献

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

[2] 张亚萍， 刘华， 李碧钰， 等. 智能网联汽车技术与标准发展研究 [J]. 上海汽车， 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] 陈淑敏， 乔晓田， 毛佳， 等. 基于接收信号强度（RSSI）的室内二次定位方法 [J]. 传感技术学报， 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] 张会新， 陈德沅， 彭晴晴， 等. 一种改进的TDOA无线传感器网络节点定位算法[J]. 传感技术学报， 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）