车联网复杂移动环境频谱感知与建模理论

The vehicular network has become a research hotspot due to its capabilities of safety information interaction between vehicle-to-vehicle (V2V), vehicle-to-pedestrian (V2P), and vehicle-to-infrastructure (V2I). It can greatly reduce traffic accidents (nearly 80%). However, the requirements for short delay (100 ms) and high reliability (delivery rate approximately 100%) for the safety information transmission must be met in practical application of 5G application-oriented vehicular network. Following up our previous research achievements on temporal, joint spatiotemporal spectrum sensing and vehicular network, this project investigates the spectrum sensing theories and technologies under the situation of heavy density urban traffic environment as well as the scene with high-speed moving vehicles and fast changing network topology. The precise coverage model of primary user together with channel model for the vehicular network is adopted in our investigations. We will verify our results in the hardware and software system, respectively. Our work will provide theoretical support and experimental basis for achieving successful transmission of safety information with the low delay and high reliability between V2X without increasing (or marginally increasing) the burden of origin 5G core network.

车联网由于能够实现车与周围车辆、行人和地面设施之间的安全信息交互，大幅度减速少交通事故（近80%），而成为第五代移动通信（5G）领域的研究热点。然而，面向5G应用的车联网要从概念走向实用，短时延（100ms）、高可靠性（近100%的投递率）的安全信息传输是必须解决的问题。本项目在我们已有时域感知、时空联合感知和车联网研究系列成果的基础上，采用更适用于3GPP车联网的信号传播模型和车辆行驶道路特点的认知覆盖模型，研究车辆高速移动、网络拓扑结构快速变化下的高速公路场景和大密度车辆拥堵城市场景下的频谱感知理论与技术，并进行软硬件的系统验证，为面向5G应用的车联网，在不增加（或极少增加）原5G核心网络频谱资源负担的情况下，实现V2X之间安全信息的低时延和高可靠性的传输，提供理论支撑和实验基础。

根据3GPP通信模型，本项目对认知车联网的频谱感知环境进行分类建模，在已有时域感知、 时空联合感知和车联网研究系列成果的基础上，研究了车辆高速移动、网络拓扑结构快速变化下不同场景的频谱感知理论与技术。针对传统频谱感知技术的局限性,引入深度学习方法和量化协作手段，设计了不同场景下相应的高效协作频谱感知算法，不仅解决了车辆传输本地频谱感知信息时通信信道容量有限问题，还提高了感知检测性能，降低了数据融合的复杂度。同时，结合认知无线电网络频谱动态分配的特点，研究了认知无线电MAC层频谱管理技术，解决了多个用户频谱感知结果上报碰撞问题。通过对D2D任务卸载和联合缓存技术的研究，突破了MEC服务器的计算能力限制，使信道资源利用率最大化。本项目中提出的多种方法，不仅弥补了传统感知算法的缺陷，而且满足当下车辆数量以及产生的数据量日益增多的趋势，通过软硬件的系统验证，具有广泛的实用性，为面向5G应用的车联网从概念走向实用，提供了丰富的理论支撑和实验基础。