非平稳车车散射时变信道下的迭代学习控制研究

The wireless channel in vehicle-to-vehicle (V2V) communication environment is non-stationary scattering time-varying fading process, under high mobility which cannot be expected to fulfill the wide-sense stationary uncorrelated scattering (WSSUS) assumption. The realization of multi-agent consistency tracking technology in vehicles collaborative driving project must break through the Iterative Learning Control (ILC) in V2V communication environment. To address this problem, channel estimation, as the critical technique, is adopted at the receiver to combat the impact brought by such non-stationary scattering time-varying channel. However, current channel estimation methods are not designed for such non-stationary scattering time-varying channel, thereby seriously hindering the development of ILC for multi-agent consistency in V2V. In this project, we aim at the time-variant statistical properties of non-stationary scattering time-varying channel in vehicles collaborative driving system. First, a compressive and sparse expression of transient channel is explored; further, the mechanism of how non-stationary fading process influences ILC is analyzed; finally, an ILC theory in V2V wireless channel is built. Specifically, the channel geometry impulse response model is developed to analyze the sparsity of V2V channel; regional specificity mixed sparse/ diffuse model and local scattering function/channel correlation function are given; time and frequency selective fading channel is estimated; fusion status update, iterative learning process and signal transmission process of the 3-D dynamic system are built; the influence to ILC convergence caused by delay spread, Doppler extension, amplitude decline, and the accuracy of channel estimation are explored; the combination of equalizer and controller is realized; finally, the corresponding fast algorithm is designed. Simulation system of transient channel estimation is designed for algorithm verification. This project aims at proposing the complete ILC theory and methods in V2V wireless channel, and providing a solid theoretical foundation and technical support for vehicles collaborative driving.

车车通信环境下的无线信道具有非平稳散射时变特性，要使目前广泛研究的多智能体一致性跟踪技术在车辆协同行驶工程中得到实现，就必须要突破在车车无线环境下的迭代学习控制技术。本项目针对车辆协同行驶迭代学习控制系统研究非平稳相关散射时变信道的时变统计特性，探索时频分析及稀疏表示方法，分析非平稳衰落过程对ILC的影响机理，建立车车信道下的迭代学习控制理论。利用信道几何冲激响应模型进行车车信道的稀疏性分析，建立区域特异性混合稀疏/弥漫模型，设计局部散射函数及信道相关函数，对时间和频率选择性衰落信道进行估计，建立融合状态更新过程、迭代学习过程及信号传输过程的三维动态系统，探索时延扩展、多普勒扩展、幅度衰落、信道估计精度等因素对ILC收敛性的影响，实现均衡器和控制器的联合设计，并设计相应的快速算法进行验证。本项目研究可获得车车无线信道下的迭代学习控制理论与方法，为车辆协同行驶提供理论基础和方法支撑。

现有的通信技术、计算机技术、传感检测技术和控制理论等为智能车辆控制系统的实现提供了可能，5G通信中采用的大规模MIMO、D2D等技术为智能交通尤其是自动驾驶的实现提供了全新的技术手段。与传统通过基站的蜂窝通信信道相比，车车通信（V2V）信道呈现高速移动、多径衰落的非平稳散射特征，这给车车通信条件下的车辆协同控制提出了挑战。本项目针对采用迭代学习控制的多智能体一致性跟踪在车辆协同行驶中的应用需求，面向车车无线通信环境，研究多智能体迭代学习控制理论和方法。.研究了移动场景下V2V无线信道的模型构建与统计特性分析，获得了非平稳车车信道的脉冲响应闭式表达式。研究了无线信道的稀疏表示与重构方法，提出了基于TM基函数的无线信道稀疏表示方法，基于稀疏贝叶斯压缩感知的信道重构方法，基于MM非凸优化的信道估计方法，以及OMP算法精确重构受约束稀疏信号的充分条件。这些算法分别适用于不同多普勒频率，信道先验信息未知以及相关非平稳支撑变化的无线信道，可以获得更好的稀疏表示性能。同时也研究了高速移动场景下的信道ICI消除方法。.建立了簇状分布的空间信道模型与几何随机信道模型相融合的表征非平稳散射特性的信道3D数学模型。研究了车辆协同行驶情况下，不同簇状分布下信道模型的功率谱密度，角度功率谱和自相关函数等信道统计特性，并通过实测数据及仿真实验证实了散射体的位置及车辆的移动速度对与车车信道的非平稳特性有重要影响。深入研究了通信系统中的能源效率与频谱效率优化，包括时变信道OFDM系统导频符号的功率分配，基于时隙分配和非正则高斯信号的频谱效率预编码优化。.研究了无线通信环境下实现多智能体一致性跟踪的迭代学习控制理论与方法。针对V2V下存在时延、丢包、随机信道噪声及量化误差情况下的车辆编队问题，提出了应对不同通信干扰的带有补偿策略的迭代学习控制算法，在控制端消除信道变化对多智能体系统控制性能的影响，保证补偿ILC算法对期望轨迹的完全跟踪。探索了基于数据驱动的控制方法，将基于TM基函数的信道表示方法迁移至控制系统动态表示中，实现对包含时变不确定性的系统动态参数的估计，应用于受控对象无法精确建模的多智能体系统编队跟踪。探索了深度学习方法在智能交通场景中的应用，包括基于深度学习的高速场景信道估计，基于深度强化学习的交通信号控制与无人车汇流决策，并设计快速算法进行验证。