面向5G应用的认知车联网通信技术研究

Traffic safety and traffic efficiency is one of the most difficult problems in modern transportation. Intelligent transportation is an effective way to solve this problem. However, the vehicle networks in the intelligent transportation cannot effectively transmit the high density and high capacity traffic status messages. It affects the efficiency of the intelligent transportation system. Considering the diversity and complexity of the traffic safety information transmission, this project addresses the transmission theory and technology of vehicle networks to improve the timeliness and reliability of the traffic safety information transmission in the vehicle network. It is combined with the 5G mobile communication network and cognitive radio. According to the transmission characteristics of the traffic safety information, the vehicle moving direction, relative velocity between vehicles, position information and channel state information will be analyzed, and the passive hybrid cluster communication model in the limited range will be established. The transmission strategies for the long distance transmission of periodic status information and short distance transmission of event trigger alarm information will be proposed. The adaptive communication mode will be selected to realize the optimization between the link quality, interference avoidance and position correlation. Finally, the effective transmission technology for the vehicle information will be proposed to solve the contradiction between traffic safety and traffic efficiency. It may achieve the fast, safety and reliable information transmission and will provide theoretical basis and technical support to design the next generation mobile vehicle network.

行车安全与交通效率是困扰现代交通的一个难题，智能交通是解决这一难题的有效手段。现有智能交通车联网不能有效传输高密度、大容量交通状态消息，影响了智能交通系统工作效率的发挥。项目针对智能交通车联网交通安全信息传输多样性与复杂性，从提高车联网信息传输时效性和可靠性出发，以5G移动通信为架构，结合认知无线电技术，研究认知车联网通信理论与技术。根据车联网交通安全信息传播特征，分析车辆运动方向、车辆间相对运动速度、位置信息和信道状态信息，建立有限范围车辆间的被动混合群集通信模型，研究周期性状态消息远距离传输和事件触发告警消息短距离传输的区分传输策略，研究消息感知的群内车辆间自适应通信模式选择算法，实现链路质量、干扰避免和位置关联的联合优化，提出一套有效解决行车安全与交通效率难题的智能交通车联网信息传播技术方案，实现快速可靠的交通信息传输，为下一代基于5G移动通信网络的车联网设计提供理论依据和技术支持。

本项目根据蜂窝车联网特征，研究面向5G的认知车联网通信理论与关键技术。在车联网远距离移动通信理论与技术方面，研究了基于5G 移动通信网络的车联网交通通信模型，提出了基于被动群集的通信方法，在避免车辆高密度下的冗余广播和稀疏状态下的群集开销的同时，延长了群集生存时间，提高了通信质量；基于提出的被动群集车间通信模型和5G网络对雾计算的支持，研究了区域交通状态消息融合算法，提高了区域交通安全和道路通行效率；针对C-V2X网络，分别提出了基于信道状态感知的通信阵列接入方法、资源管理方法以及信道复用策略，提升了车联网中通信业务接入性能；基于有限时空交通密度和通信流量状态，提出了移动网络上行链路负载状态估计算法；基于车联网设备到设备（D2D）通信网络中的安全通信问题，提出了能提高安全性能的全双工解码转发中继网络的噪声辅助中继选择策略。在车联网短距离无线通信理论与技术方面，针对认知车载网络的重用信道的协作频谱检测，提出了一种频谱感知与接入模型及Gram-Charlier级数频谱感知算法，克服了传统频谱检测算法中判决门限难以兼顾频谱检测概率和虚警概率的难题，有效提升了频谱检测性能；针对认知车联网路边单元能量受限问题，提出了一种基于能量受限认知车联网频谱接入切换方案；基于交通通信特有的时效性和位置关联性，提出了基于被动群集内车间D2D通信链路选择机制；针对车联网业务传输时延要求严格的问题，分析了车联网业务传输时延、吞吐量、编译码复杂度等性能，提出了车联网D2D通信数据传输编码方案；针对车联网多跳传输的特点，提出了一种低复杂度动态规划算法计算译码错误概率，从跨层设计的角度建模了译码错误概率最小化问题并进行求解；针对车联网多跳中继信道传输信道条件动态变化的场景，研究了基于强化学习的车联网D2D网络编码传输方案。上述成果可为提升智能交通车联网的传输性能提供理论支撑和应用方案。