原文：

Wymeersch 等。 - 2017 - 5G mmWave Positioning for Vehicular Networks.pdf

摘要

5G技术提供了一种新的模式，为车辆提供连接，支持高数据率服务，补充了现有的基于IEEE802.11p的车辆间通信标准。我们认为，5G通信的特定信号特性对车辆定位。因此，5G可以与现有的车载定位和地图系统协同工作为某些应用提供冗余，特别是自动驾驶。本文概述了蜂窝定位的发展，并讨论了5G 的关键特性它们与车辆定位有关。将提出开放性研究挑战。

I. REQUIREMENTS FOR VEHICULAR POSITIONING

随着各种形式的自动驾驶（高速公路辅助驾驶，自动巡航控制，自动泊车，直至全自动驾驶）的增长，对精确定位信息的需求不断增加。车辆的定位通过多种技术来实现，如图2所示，其中包括基于全球导航的卫星系统（GNSS），雷达，单声道和立体声相机以及激光扫描仪（激光雷达），这些技术融合在一起即可提供车辆对环境及其在环境中的位置的了解。环境通过地图编码，该地图可以离线存储或在线计算。学习环境并绘制详细地图的过程称为映射。不同的定位应用具有不同的要求，这些要求以准确性，延迟，可靠性和成本来表示。一方面，标准的车辆导航应用仅需要几米的绝对定位精度，二级延迟，低可靠性（可以容忍频繁中断），但必须依靠低成本传感器。另一方面，安全性至关重要的应用自动驾驶将需要厘米级的绝对和相对定位精度，数十毫秒量级的延迟以及高可靠性，但可能会依赖更昂贵的传感器套件。图1。
1.png2.png
GNSS一直是军事，专业和个人导航中车辆绝对定位的主力军，不确定性在几米左右。 实时运动GNSS与专用基站相辅相成，进一步将精度提高到了厘米级。 但是，由于建筑物阻挡了GNSS信号，因此GNSS无法在某些常见条件下工作，例如在树冠下，存在GNSS干扰器的情况下以及在稠密的城市环境中。 此外，GNSS受到显着的延迟和低刷新率的限制，这是保证安全的关键要求。

对于相对定位，车载传感器（例如摄像机，雷达和激光雷达）通常可以在这些GNSS挑战的条件下正常运行，并提供非常精确的信息。但是，由于需要处理大量数据以及需要识别和分类环境中的对象，因此这些传感器在计算工作方面很昂贵。此外，不利的天气条件（例如雾，雪和雨）可能会损害基于相机和激光雷达的测量结果，并增加虚假物体的识别和跟踪。为了实现绝对定位，这些传感器必须将测量结果与高清地图结合起来。特别地，将测量的特征（例如，灯柱，车道标记）与地图中的信息进行比较，以提供准确的绝对定位。制图过程，即建立和维护这种地图既昂贵又费时，并且不能捕获诸如道路工程或临时道路封闭之类的影响，这使其不适用于关键应用的唯一定位技术。此外，高质量的车载传感器仍然很昂贵，这使其不适用于大规模的商业应用。

我们观察到车辆定位依赖于不同传感器的大组合，这些传感器适用于不同的范围，不同的天气条件以及不同的权衡。 迄今为止尚未在车辆环境中考虑的定位技术是蜂窝无线电基础设施。 蜂窝信号无处不在，获取和处理成本低廉，不需要其他硬件。 从来没有考虑过蜂窝定位的原因在于其准确性差。 我们的假设是，随着5G无线通信系统的引入，这一局限性将最终得到克服。

II. 5G FOR ACCURATE POSITIONING

虽然目前还没有一个完全定义的5G标准，5G系统将展示许多有助于提供准确位置信息的特性：高载频（远高于3GHz）、大带宽（可能数百MHz）、大型天线阵列（通过非常短的波长实现）、直接端到端通信和网络加密。在我们探索这些特性之前，我们先简要概述一下蜂窝定位的历史。

A. Cellular Positioning

对于精度要求不高的应用，蜂窝技术已被用于定位数十年（见图3）。这样的定位并不意味着大量的专用部署和维护成本，因为它依赖于现有的通信基础架构。例如，2G通信提供了基于小区ID的定位，精度达到了几百米。使用到达时差（TDOA）测量，可以在3G中将精度提高到几十米，而在具有专用导频模式的LTE中，精度可以提高到几十米。然而，这些蜂窝目前都无法满足未来车载网络的定位要求，如图1所示。相反，5G系统将具有几个独特的功能，使其有利于车载定位。这意味着5G可以利用现有的基础设施，以有限的额外成本提供定位精度超出GNSS的定位服务，并且就时频资源而言，其通信开销可忽略不计。反过来，5G定位将受益于专用参考信号以及专用协议，软件和服务器。3.png

B. The 5 Selling Points of 5G Positioning

1）高载波频率：在较高的载波频率（大约30 GHz及以上）下，在毫米波波段，路径损耗变得比低波段更重要，这需要在发射器和接收器处使用专门的补偿技术。这些技术可以包括高度定向的天线和波束成形。在毫米波处，较小的信号波长（30 GHz时为10毫米）可以在小面积内封装数百个天线元件，从而有可能实现高度定向的波束成形能力。严重的穿透损耗和高衍射损耗导致传播受到视线（LOS）分量和很少反射路径的支配。因此，从几个主要的多径分量的意义上来说，信道变得稀疏； （ii）高度依赖发射器和接收器的位置和方向以及环境[1]。稀疏性意味着更容易识别和跟踪可用于高精度定位的单个镜面多径分量。稀疏性直接转化为个体的SINR升高来自信道脉冲响应扩散部分的杂波会产生干扰。因此，可以利用无线电信道与5G通信中的传播环境之间的紧密连接来进行定位。这与常规通信形成鲜明对比在3 GHz以下，信号中的重要多径分量数量较多（相对于脉冲响应中的漫射背景杂波所引起的干扰），并且信号倾向于从更多方向到达（并离开），而对传播环境的特定元素。此外，在较低的频率下，在给定的区域中可以打包更少的天线，从而限制了角分辨率。尽管如此，低于3 GHz的信号也将成为5G的一部分，并且可能会形成后备信号当毫米波信号不可用时，定位解决方案的性能可能会降低。

2）大带宽：随着更高载频的使用，在5G信号中使用更大的带宽成为可能。可以预计，5G将使用宽度在数百兆赫左右的频率信道，大大超过LTE中的20兆赫信道和使用载波聚合的LTE-A中可用的100兆赫块。大带宽的效果有两个方面：由于符号时间更短，延迟减少；基于时间的测量精度提高，这是由于延迟分辨率更高。5G能够提供端到端延迟小于5毫秒的时间关键型服务，部分原因在于带宽大，允许快速信令和数据传输。结合跨协议栈和在基站附近而不是在云端进行处理的进步，超快的通信和定位创造了一种相互协作。另一方面，带宽增加的影响也会导致时延估计的比例改善，这取决于所谓的有效带宽。时延估计直接转化为通过飞行时间（TOF）和到达时间（TOA）测量的距离估计，只要通过TDOA测量或通过双向分组传输来实现设备之间的某种形式的同步。初步研究表明，使用100MHz的带宽可以实现几厘米级的误差[2]。然而，为了达到极高的测距精度，还必须考虑其他技术因素，例如内部时钟振荡器的缺陷[3]。不仅时延估计精度随带宽的增加而提高，而且分辨率也有所提高。这是指能够分辨附近反射物体或车辆产生的信号的紧密间隔副本。当两个副本的相对延迟大于带宽的倒数时，两个副本之间的干扰不影响测距估计，例如在300mhz带宽对应于1米的情况下。由于车辆和其他道路要素之间的距离通常大于此值，服务水平分量和反射器的延迟通常可以以直截了当的方式进行估计[4]。

3） 大量天线：当有大量天线可用时，可以在发射器或接收器处采用近铅笔信号束。一方面，波束形成可以通过允许更高的天线增益来提高链路预算和减少对指令通信的干扰。这也会影响延迟估计的准确性不仅取决于信号带宽，还取决于信噪比以及多径干扰的数量。足够的信噪比（SINR）增益将由于使用定向天线或波束形成大阵列，使带宽增加的效果更加复杂，最终产生数量级的效果与传统蜂窝通信相比，时延估计精度的提高[4]。然而，尤其是在高载频下，信号从较少的方向接收，一个巨大的挑战是波束对准问题，没有这个问题，波束形成的所有好处都将得到改善由于没有足够的信噪比来建立链路而消失。为此，大量的研究5G致力于开发高效的束流训练解决方案[1]。另一方面，众所周知，使用大型天线阵可以大大提高方位/角度的精度到达角（AOA）估计-方位估计的不确定性与信噪比成反比，天线的数量和采样的数量，以及随后的改进定位质量。在常规蜂窝频率下的初步研究表明，它有可能达到厘米级在基站具有多个天线时，具有40 MHz带宽的定位精度[5]。

4）D2D通信：IEEE 802.11p原生支持用于车辆通信的D2D通信。在LTE版本14中，将以两种互补的传输模式支持V2X通信：用于与云交互的基于常规网络的通信，以及用于高速，高密度，低延迟通信的直接D2D通信。同样，5G D2D通信将在车辆之间提供直接，超快速和高速率的通信链接。这样可以改善覆盖范围，改善空间复用，并实现高速率，低功耗的连接。与通信类似，D2D还可以使用所谓的协作定位范例来传播和计算位置信息。在协作定位中，设备不仅相对于参考站（即，固定接入点）而且还相对于其他移动设备收集测量值（例如，距离，角度，相对速度）。这些测量结果可用于协作算法中，以提高定位覆盖范围（即可以定位自身的设备所占的比例）和准确性。此外，即使在没有参考站的情况下，协作定位也允许相对定位。对于车辆中的感知和计划任务，补充现有的车载传感器，这是特别理想的。特别是在5G中，D2D通信可以从超短延迟中受益，从而可以跟踪快速移动的设备（例如车辆），从而增强识别能力以及危险情况的预测。

5）网络致密化：5G网络的最终特性是网络致密化，具有基站层次结构，与不同的小区大小相关联，并与高速回程链路连接。在密集网络中，设备可以连接到多个接入节点，从而可以解决干扰和移动性问题，从而以较低的能耗提供更高的数据速率。如果可以解决这些挑战，并且接入点可以以某种方式宣布其坐标，则超密集网络可以实现超精确的定位[3]。原因是定位精度不仅取决于各个测量的质量（对于这些测量，大带宽和许多天线是有益的），而且还取决于参考站的多样性和数量。此外，在非常密集的网络中，视线通信的可能性很高，因此强信号直接与发送器和接收器之间的几何形状相关。综上所述，5G网络致密化可以帮助将车辆定位支持到图1所列的精度水平。

III. RECENT PROGRESS: MODELS, DESIGNS, AND METHODS

现在，我们已经确定5G在定位方面很有前途，我们将简要概述该领域的最新进展。 我们的重点不是提供新颖的结果，而是尝试从定位的角度将5G技术的不同方面联系在一起，而这些方面通常散布在文献中。 其中一些作品没有明确考虑车辆，而是考虑了通用定位。 因此，在第四部分中，我们将重点介绍车载5G定位面临的具体挑战。

A. Channel Modeling and Waveform Design通道建模和波形设计

在使用信道模型评估定位性能时，重要的是模型中包含几何信息。对信道及其特性的纯随机描述通常是不可取的，因为它不包含信道贡献之间的任何关系。有两组固有的包含位置信息的模型：光线跟踪模型和基于几何的随机信道模型（GSCMs）。当环境已知且在三维地图中描述良好时，使用光线跟踪模型。利用光线追踪进行无线定位的问题在于，传播模型和环境地图的开发并不总是考虑到定位的视角，并且在三维地图中忽略了环境的细节。GSCMs可以看作是光线跟踪的简化形式，但在虚拟地图中，散射体根据统计分布随机放置。这种映射是一种从几何角度表示散射相互作用的方法。对于V2V通信，虚拟地图可能会尝试类似于真实的街道布局，以便在通常发现散射体的地方实施散射体，例如在街道交叉口、沿墙和建筑物拐角处，以及路灯、交通标志等的分散贡献。在[6]中，提出了高速公路场景的GSCM。散射体的贡献分为以下几组：移动离散、静态离散和弥漫的。静态离散散射体是环境中用于绝对定位的主要信号分量。车辆之间的视线分量以及来自离散散射体的贡献对于相对定位是有用的，而从定位角度来看，漫散射充当噪声，并恶化定位性能[4]。在[7]中，V2V的散射行为详细分析了城市交叉口和高速公路的交通情况。测量结果表明，在足够大的带宽下，通常有10-20个多径分量可以被跟踪并用于定位。这些多径分量的寿命各不相同，这当然是定位的一个挑战，范围从几米到几百米不等。在两辆车相互接近的公路交通中，50%的多径成分的寿命超过50米。

通过GSCM建模的毫米波通道上的通信迫使设计人员考虑某些实际方面。 与低于3 GHz的系统相比，由于成本和功耗的原因，如今5G中发射器和接收器均使用大量天线，因此每个天线元件都无法使用RF链。 这导致了采用模拟或混合波束成形技术的全数字收发器向混合模型的转变。 因此，接收器无法访问完整的模拟接收波形，需要对定位和与通信相关的信号处理进行修改[1]。 在收发器的限制内，可以优化波形以进行定位[8]，例如，如果有较大的带宽可用，则表现出类似脉冲的自相关[4]。

B. Performance Bounds性能边界

给定特定的信道模型，收发器体系结构和信号结构，通信和定位将从不同的角度对待接收到的信号。 指导定位算法和系统设计的有用工具是例如基本性能范围，该范围通常通过中间变量（例如TOF和AOA）将定位质量与接收波形的统计信息联系起来。 一种常见的方法是计算Fisher信息矩阵（FIM）和相关的Cramer-Rao边界（CRB）。

最近的研究表明，当使用大带宽时，通过宽带获得的AOA测量值尽管从实际的角度来看，单独的TOA和AOA估计仍然是最实用的方法，但是天线阵列并没有进一步提高每个天线单元的TOA测量值所提供的位置精度[9]。在动态场景中，如车辆情况，多普勒频移的测量，如果利用得当，可提供额外的Fisher信息，强度由车辆速度和均方根信号持续时间确定[9]。

虽然上述一般性陈述适用于所有宽带通信系统，但也进行了专门的5G分析[10]–[12]。[10]中采用了单天线视角，重点关注网络加密和协作定位的影响。在[11]中，考虑了基于单个基站的波束来确定设备的位置和方向，而在[12]a中使用波束形成或MIMO的单链路定位的比较表明，平均而言，使用MIMO可以获得更好的精度，但要付出更高的复杂度。因此，由于能够同时估计距离和角度，使用单个基础设施节点进行定位成为可能，这将减少对定位算法的要求。此外，邻近的车辆可以通过成对的相互作用找到它们的相对位置，从而避免了多向定位的需要多辆车或有基础设施（可能根本不存在）。

为了说明5G定位的基本性能行为和光束失调的影响，我们考虑一个场景，一辆车在20米的距离处绕着一个接入点接入点使用均匀线阵天线产生2个固定方向的波束，即一个波束光束指向瞄准方向，另一束偏移0.001弧度。发射功率为27 dBm，带宽为100 MHz。最初，车辆和接入点面对面光束完全对准（光束未对准0度）。当车辆沿圆周运动时轨道上，光束从接入点会变得不对准，导致不仅减少信噪比，以及定位质量，这里表示为位置误差界（PEB），它是定义的作为位置上CRB的平方根，单位为米。图4示出了PEB作为函数光束偏移量。我们注意到增加天线数量，从而减少光束宽度，1当光束完全对准时，可以显著降低定位误差。什么时候？波束方向错误，定位性能迅速下降。我们还可以注意到当发射机指向信道的零方向时出现周期性峰值响应或接收波束。显然，光束越窄，这些峰值的重复性就越高更严重的是它们的影响。从上面，我们看到了需要光束跟踪来保持给定定位精度。
4.png

C. Positioning and Tracking Algorithms

到目前为止，我们认为5G技术非常适合提供极其精确的服务极低潜伏期的位置和方位估计的测量。这些测量应该通过传感器融合，从图2中集成到整体定位和感知系统中以及过滤技术。此外，可获得非常精确的距离和方位测量由5G信号提供，即使是零星的，也可以作为其他传感器校准的关键部件。此外，为了实现协同定位，协同算法与通信结合在一起必须考虑不同级别的集中式和分布式计算方法。这些方法本身可以依赖5G信号，但也可以基于3G和4G的结合，或IEEE 802.11p。

根据第III-B节的调查结果，最近在这一领域的活动突出了一些有趣的方向。例如，可能不需要有几个参考点，因此可以不使用一种或另一种形式的三角测量算法。事实上，可以仅使用一个接入点来确定位置和方向。在[3]中，使用扩展卡尔曼滤波器分为两个阶段：在每个基站上为AOA和TOA配置一个本地跟踪器通过用户位置的全局跟踪器。同样的工作也考虑了时变时钟参数，并通过高保真度仿真，证明了定位和跟踪的不确定性小于在3.5GHz频段一米。在[4]中，使用单一参考设备的室内设备定位是提出了利用宽带5G波形中的多径信息。事实上很少提及在[13]中也观察到了需要的设备，该文件对在视距和非视距下的不同测量，也利用信号反射。最后，灵活性在毫米波段采用多天线与宽带信号相结合的稀疏信号处理方法（压缩和稀疏传感）已被考虑用于信道参数估计，其中角度延迟可以联合估计[14]。

IV. CHALLENGES AND OPPORTUNITIES

目前正在研究使用5G信号和系统属性进行通用定位。 然而，车载应用带来了许多具体挑战，我们在这里指出了其中一些挑战。

  • 毫米波信号和6 GHz以下的信号在定位方面各有优缺点。 由于5G系统可能会同时使用两种信号类型，因此需要研究量化的性能提升和复杂性/性能之间的权衡。 与仅使用一种技术相比，专用于跟踪的算法（如[3]中针对6 GHz以下的频率）可以最佳地组合两种类型的信号，因此可以带来显着的收益。

  • 有机会通过适当设计的跟踪滤波器将来自异构传感器（例如惯性，相机，其他无线信号）的测量信息融合在一起，这对高速处理和校准有特殊要求。 另外，协作定位方法需要适应具有高移动性和时变网络的车辆场景。 就可实现的性能和成本而言，将研究以网络为中心和以设备为中心的定位。 以设备为中心的定位在没有基础结构可用或延迟很关键的情况下具有相对定位的价值。

  • 5G代表了通信和定位之间的强大协同作用，在数据速率和定位精度方面需要进行独特的权衡。 这些协同作用不仅在协议级别（波束赋形可从位置信息中受益，而且定位依赖波束赋形这一事实）也很重要，而且在诸如Shannon容量和Fisher信息之类的基本属性方面也很重要。 然后，必须根据帧结构，上行链路和下行链路中的参考信号，预编码器设计，信道估计等将这些属性转换为设计准则。

  • 由于固有的移动性，定位和通信必须在极短的时间内进行。 尽管超快速通信是5G的一个活跃主题，但超快速定位仍未得到充分研究，尤其是考虑到高车辆密度和快速变化的网络拓扑。 专用波形和波束成形协议可以支持该领域的进展。

  • 对于大面积的几何构型，参考节点之间的角度间隔较大，定位质量往往更好。相比之下，车辆往往是一维配置，降低了协同定位方案的精度。为此，可以利用多径反射改善定位，甚至在没有视距路径的情况下获得定位。此外，良好的车辆拓扑结构和编队驱动方案将显著提高定位和跟踪性能。

  • 由于车辆的天线尺寸较大，需要嵌入多个天线每辆车都可能有阵列。这些阵列之间的信号需要处理同步，无论是通信还是定位。

  • 毫米波技术已经以77千兆赫工作的防撞雷达的形式出现在车辆上，能够探测近距离障碍物并进行高精度测距。与5G技术相结合，这种技术还可以用于增强汽车的雷达能力，实现3D自动绘图，但与激光雷达相比，成本更低且无需机械转向装置。这种想法最近在室内自动制图领域得到了研究[15]。该技术可与其他传感器融合，以提高自动驾驶车辆的可靠性或帮助驾驶员避开障碍物，如图5所示。

  • 大型天线阵列和相关射频前端的实现带来了几个挑战。例如，移相器通常基于简单的RF开关，其在波束形成过程中产生严重的量化效应，从而导致辐射模式失真和斜视效应（频率失真），从而影响定位精度[12]，[15]。必须设计新颖的前端和定制的处理程序来补偿这些影响。

5.png

V. CONCLUSIONS

车辆的准确定位将取决于传感器的组合。 5G形式的移动通信技术首次可以成为这些传感器之一。 这是由于有利于精确定位的五个属性的独特组合：高载波频率，大带宽，大型天线阵列，设备到设备通信和超密集网络。 这些特性共同创造了一个生态系统，可对车辆，其他道路使用者和交通环境进行超精确的定位和地图绘制。 我们介绍了该领域的最新研究，并重点介绍了一些有前途的研究方向。