5G網絡具備：1.高數據速率；2.大用戶密度；3.超高可靠性；4.低延遲等特點，其中低延遲是在自動駕駛領域尤其關注的一點。本文提出一種超密集5G車載網絡的架構，它採用用戶中心式接入，並通過運動信息進行輔助接入。具體來講，使用LAACS（分佈式本地接入和應用中心）來將應用程序的執行和集中式接入控制共同執行。在這個過程中，在網絡資源的動態管理中利用來自應用層的車輛運動信息，以便持續的保持車輛和爲其服務的LAAC之間的高性能無線通信。

關於CSM（週期性協作感知消息）的UL（上行鏈路傳輸），本文整理了影響上述架構的關鍵元素有哪些，比如說：AP（接入節點）的關聯、無線資源分配、移動性支持等。在實際網絡部署中的約束和問題也有提及。

本文還提出了一種實用的接入策略的基準集合，它解決了CSM的可靠性和延遲要求，並在高速路和交叉路進行了仿真。

Ⅰ.介紹

推動公路生態轉變有兩項技術：車輛通信和自動駕駛。兩者不是割裂的關係，前者是後者的一種實現手段。車輛間通信傳遞的內容主要有二：1.車輛狀態信息（車輛類型、位置、速度、加速度等）；2.交通信息（信號燈的相位、道路施工和擁擠情況等）。期望實現的功能也有兩點：1.協同感知；2.提供可改善道路安全性和效率的應用【統稱爲C-ITS（協同智能交通系統）應用】。

這裏的CAM和上文的CSM的說明：A表示Awareness，S是Sensing，直譯過來都是協作感知消息，但CAM是數據傳輸協議的格式，側重於格式。而CSM主要側重於傳輸的內容。

設施層是用來傳遞狀態信息（state information）的，典型的如CAM（協同感知消息，週期型）、DENM（分散式環境通知消息，事件驅動型）。設施層消息的有效載荷不大，而且相關的通信需求對他們的數據速率、延遲、穩定性等都不是很嚴格。

車輛間通過通信共享車輛彼此的感知信息就可以實現對駕駛環境的感知，從而實現自動駕駛。對目前的DSRC和LTE-V來說，一些根本的通信需求其實還未實現，這些需求與5G的目標一致。5G的URLLC（超可靠低延遲）服務的一種典型使用場景就是車輛通信。有兩件事要注意：1.實際的場景和紙面上的可能會存在很大不同；2.不同場景間的通信需求差別會很大。本文主要討論協同感知，原因有二：1.在自動駕駛中作用很大；2.通過研究對對通信的要求很嚴格的協同感知從而讓本系統可以適應其他要求不嚴格的用例。

5G時代的網絡架構和無線電接入技術都與過去不同。網絡架構方面，MEC（邊緣計算）帶來了兩個變化：1.將雲端實現的功能轉移到靠近RAN（無線接入網）的位置；2.將核心網的部分功能轉移到邊緣位置，從而允許分佈式數據轉發。

NFV，網絡功能虛擬化：利用虛擬化技術，將網絡節點階層的功能，分割成幾個功能區塊，分別以軟件方式實作，不再侷限於硬件架構。

AP的超密集部署是5G緩解流量密度大的好方法，這個方法簡稱UDN（超密集網絡）。這個方法有兩個問題：1.接入點的頻繁切換；2.因爲RAN以cell爲中心向四周輻射，因此cell間的干擾會十分嚴重（LTE在cell內部使用正交頻分複用OFDM，因此cell內部不會干擾，相鄰cell有干擾[1]）。

【解決小區間干擾的方法】

通過5G RAN虛擬化的方法：1.直接換架構：SDN（軟件定義網絡）；2.換一部分架構：NFV（網絡功能虛擬化）可解決上述問題。

UUDN（以用戶爲中心的UDN）中，AP被看作邏輯單元，從而有倆特點：1.AP們協同起來爲用戶提供接入服務；2.AP會隨着用戶移動而動態更新自己。其中後者給用戶帶來了一個好處：那就是對用戶來說，它始終位於邏輯單元的中心，所以得到的QoE（服務質量）很好。

無線資源由分佈式本地控制器管理，通過協調的方式提供服務，所以可靠性高、等待時間短。

【跨邊界的解決方法】

UDN中用戶通信時經常跨cell，這會導致信令開銷過大，原因有二：1.AP切換頻繁；2.對一個AP來說，‘相鄰AP’的數量很多。而以用戶爲中心的接入策略可以解決這個問題。

對於高移動性引起的CSI（信道狀態信息）需頻繁更新的問題，有人[3]提出了一種可以估計CSI的幀結構和一種考慮CSI不能及時更新問題的空間域調度器。有人[4]使用隨機集成工具分析了車輛的移動性能（包括切換率和開銷）。有人[5]從車聯網中典型的DL廣播流量入手，擴展了以用戶爲中心的接入，使一個邏輯單元可以服務一組臨近的車輛。其作者意圖通過功率分配的方法最大化接受服務的車輛的數量。（詳細文章在這篇文章的Reference列出）。

我們發現一些用戶中心是網絡的關鍵特點有待我們研究，比如：

移動性支持：如何隨着車輛的高速移動動態管理時空頻率資源。
車輛通信本質上以應用爲中心。因此需要考慮不同應用程序各自的流量模式和通信要求。
車輛運動一般可預測，因此可以在應用層提取車輛運動狀態從而解決問題。但具體如何提取如何使用。

本文綜合考慮了應用和通信，提出一種以用戶爲中心的，基於車輛運動數據的車載網絡體系架構。

具體來說：

我們設計了一個部署在MEC服務器上的功能實體，並將它命名爲LAAC（本地接入和應用程序中心），它的功能是：1.實現應用程序；2.接入控制。
我們討論了在滿足嚴格的通信要求的前提下，如何利用車輛運動數據進行以用戶爲中心的接入。對於實際部署帶來的問題也有提及。
提出了用於CSM（協同感知消息）的UL傳輸的基準策略，功能是實現協同感知，並仿真了它的性能

Ⅱ.自動駕駛中的合作感知

本節從自動駕駛技術的角度說明概念和重要性，並定義用於協同感知的交通模式和通信需求。

A.概念和重要性

協同感知沒有對傳感器高要求缺點，但它要求車輛能彼此共享感測到的環境信息和自身的狀態信息。本文將攜帶感知信息的設施層消息稱爲CSM 。如圖所示：【上】：僅憑單車感知，LDM（動態地圖）範圍很小；【下】使用CSM和CAM可以將道路上所有車都感知到。

B.交通模式和通信需求

目前設施層消息雖未標準化，但達成一些共識：1.爲更快地傳輸車輛環境信息，CSM希望能以高頻率生成和傳輸；2.希望CSM中包含環境更詳細的描述信息，比如位置、方向、速度、加速度以及置信度。3.以免CSM的信息跟不上變化，需要更短的E2E延遲。4.因爲涉及生命安全，需要傳輸可靠性夠高。

NGMN（下一代移動網絡聯盟）和3GPP（第三代合作伙伴項目）對CSM負載、信息速率、E2E延遲、置信度的估計如下表所示。而合作感知的需求比他們的要求寬鬆的多。

【場景 -> 需求】

傳輸載荷大、空中延遲限制嚴格 -> 高傳輸速率

協同感知的使用場景車輛密度一般很大，車輛傳輸的數據量大 -> 網絡吞吐量大

（以上兩點與5G期望實現的目標重合。）

自動車輛機動性高導致：1.無線信道隨時間變化快；2.多普勒頻移可能很大；3.車輛頻繁穿越小區邊界 -> 如何合理分配無線資源來確保車輛QoE的穩定。

Ⅲ.支持5G的用戶中心式車載網絡架構

A.設計考量

協作感知的分佈式實現策略：每輛車通過其他車傳來的CAMs/CSMs信息，並使用車載計算機構建LDM。

因爲LDM對整個區域的車都適用，因此可以將協同感知應用從車上轉移到MEC服務器上。優點如下：1.MEC服務器計算能力強，數據處理時間短；2.與雲相比，消除因網絡回傳導致的延遲；3.當自動汽車滲透率夠大時，甚至可以以高於CSM的速率生成LDM；4.因爲信息匯聚到了MEC，因此可以解決身份驗證、授權、加密等安全問題；5.C-ITS應用也可以部署在MEC上，通過設備傳輸給通信範圍內的所有用戶（包括非自動駕駛車輛），在這裏可將MEC視作C-ITS路邊單元。但這個方法要求CSM的UL傳輸和LDM的DL分發性能高。

改進LDM下行：可通過增強多播和廣播可以使LDM的分發效率更高；改進CSM的上行：相鄰車輛生成的環境信息是相似的，都傳輸的話導致傳輸密度過大。傳輸密度大可以通過加大AP密度解決，而伴隨而來的關於干擾控制和連接質量的問題可以通過用戶中心式的方法解決。

要使大量AP能正常提供自動駕駛相關的服務，有以下條件：1.根據用戶移動主動進行服務AP更新；2.無線資源管理。

現有以用戶爲中心的接入策略通常基於CSI（信道狀態信息）。但是有以下缺點：1.AP覆蓋範圍小、車輛移動性高->信令開銷高；2.協作感知及其他應用是週期發信，因此用半持久性調度正合適，但CSI不支持這個。

用於自動駕駛的車輛通信的特點

UDN中車輛與服務AP之間距離短 -> LOS（視線）傳輸成爲可能
輕量級AP可以部署在戰略性地點 -> 基於地理位置的通信和無線資源管理技術變得可行
自動車輛的運動狀態（即位置、速度、加速度、航向等），都傳遞給應用中心
車輛具有高機動性但運動範圍受限（比如只能在道路和停車場運動），因此車輛的位置在很大程度上可預測

3、4兩點使在應用中心提取的車輛運動數據爲以用戶爲中心的車輛網絡的移動性管理提供了可能性。

基於以上考慮，本文提出一種自動駕駛汽車系統體系結構，它有以下特點：

支持5G
以用戶爲中心
綜合考慮了應用程序的實現和通信需求
在接入控制中利用了一個用程序的運動信息

B.系統描述

LAAC：分佈式本地接入和控制中心

系統架構如上圖所示。

AP沿道路密集部署。可以部署在現有的基礎設施上（比如路燈或建築物的牆壁）；BS（宏基站）要覆蓋整個區域。AP和BS都通過前傳鏈路連接到MEC服務器。MEC服務器可以與BS部署在相同站點，爲分割後的網絡資源提供LAAC管理。

LAAC由兩個功能單元組成：1.APC（應用中心）：用於運行協同感知或其他C-ITS應用程序；2.ACC（接入控制中心）：用於管理基礎設施的接入和無線資源。

數據傳輸由邏輯cell（由多個AP組織而成）負責，可能發生在車輛通信的專用頻帶（比如5.9GHz）上；而控制信令的傳輸使用不用的頻帶（通常比數據的頻帶頻率低）經由宏BS傳送。

UL中協同車輛發送的設施層消息（如CAM和CSM）從ACC傳遞到APC，之後回傳協同感知產生的LDM和其他C-ITS應用數據。這些應用數據使用單播、多播、廣播，以DL的形式發送到目標車輛。

ACC接受：1.由APC提取的車輛運動信息；2.LDM中的車輛運動信息，用於接入管理。

詳細流程如下：車啓動時，通信終端開啓，入網請求通過宏BS發送到位於核心網的控制中心。如請求被批准，則：1.分配邏輯cell的id給車輛；2.將管理任務移交給車輛所在區域的LAAC。對用戶來說，ACC完成以下功能：1.選擇爲用戶服務的邏輯cell的服務AP；2.確定協作的發送/接受策略；3.分配無線電資源；4.根據車輛的移動和網絡拓撲的變化進行動態調整。

UL中，服務AP對爲其分配的無線資源上發送的CSM執行寫作接受；DL中，每輛車會分配一個cell，由它給汽車提供服務。一種更有效的方式是：1.合併附近車輛的邏輯cell；2.使用多播/廣播傳播LDM。

注意：這個架構除了支持協同感知外，對於其他用例也適用，但是具體的接入策略要根據流量模式和通信需求調整。

Ⅳ.運動信息輔助用戶中心式接入

本節討論：1.如何在一用戶爲中心的介入策略中利用車輛運動信息；2.實際網絡部署時會遇到的問題；3.週期性CSM的UL傳輸

整理一下需求：1.高數據速率；2，低端到端延遲；3.高可靠性。1和3可以轉換爲：對接收信號SINR（信號干擾加噪聲比）的要求。2具體來講是CSM的生成和MEC成功接收的時間差=排隊延遲+空中傳輸延遲+處理延遲+重傳延遲。

A.AP集團和協同接收

【服務AP的選擇】

AP和車的位置都可知 ->適用和位置有關的策略選擇邏輯cell的服務AP。比如可以使用距離車輛最近的一定數量的AP或車輛附近一定範圍內的所有AP。

選擇服務AP時，如果以車輛和AP的距離爲參照，有以下缺點：1.兩者距離短，但障礙物多的情況時有發生（如其他車輛或者數目等），此時會出現嚴重的陰影衰落；2.多個鏈路可能遇到同一個的障礙物，此時他們的衰落時空間相關的。因此選擇AP時也要考慮從不同的方向進行選擇。

不同車輛的邏輯cell可能重疊，這時會有干擾。解決方法是：爲其分配單獨的時頻資源。

在實踐中要注意：1.處理能力有限；前傳容量有限 -> AP可以服務的最大用戶數量有上限。2.車輛在空間上分佈不均 -> AP關聯策略需要考慮負載平衡。

【AP的基帶處理能力】CSM的UL傳輸要求高速率和高可靠。如果AP僅有RF單元，則所有基帶處理將在MEC上執行，好處有：可以應用許多高級的CoMP聯合接受技術（如MRC，最大比合並）；如AP有基帶處理能力，則服務AP可獨立完成接收。好處有：減小前傳的負擔，壞處有：分級的增益沒有MRC高。因此，如前傳容量有限則用後者，而前傳能力是個很重要的因素，因爲無線前傳對UDN是很好的解決方案。

汽車很大 -> 在車上安放天線陣列和多個RF鏈。這有以下好處：形成MIMO系統；2.利用MIMO技術實現服用增益和分集增益，從而提高數據速率和可靠性。[6]中提出了一種基於地理位置的波束成形技術。[7]中說可以使用不同的時頻資源進行多鏈接，這使得接入設計更加靈活。

B.無線資源分配

時頻資源在使用時被分成正交的RB（資源快）。CSM傳輸具有周期性 -> 使用半永久性策略降低延遲。不同車輛產生CSM的尺寸上線相同 -> 分配給每個車輛的RB數量相同。爲方便討論，假設劃分後的CSM可以通過一個RB完成交付。

【UL時的干擾】兩輛車若被分配了相同的RB -> 他們的UL傳輸會相互干擾。因此RB分配的目標就是控制干擾。傳輸距離較短 -> 根據車輛的相對廢止來分配RB，如[8]中定義了‘RB重用距離’，規定重用距離內的兩輛車不能在同一RB上傳輸，此外，重用距離也會影響SINR。

【延遲約束】延遲包括排隊延遲和空中傳輸延遲。CSM有以下特點：1.生成速率相同，但生成時間隨機；2.生成CSM後，存儲在緩存中等待發送。在緩存中等待的RB的時間爲排隊延遲。排隊原因：爲控制干擾只能爲其分配附近車輛沒有使用的RB。優化方法：1.使用最大排隊延遲約束；2.使用多種方法劃分時頻資源：可以使RB在時域變寬、頻域變窄，這樣可減少排隊延遲但增大空中延遲；反之亦可。

【重發】數據包接受失敗時，車輛使用其他RB重發CSM。保留用於重傳的專用資源池，優點：確保低延遲和高可靠；缺點：降低總體的頻率效率。

【發射功率】因爲AP密集部署且車輛由多個AP服務，只要AP的拓撲結構不變，就可以根據目標接受的SINR水平確定車輛發射功率。調需要進行發射功率的一個案例是：當車輛密度低的時候，部分AP進入睡眠模式，此時網路拓撲變化，平均傳輸距離延長，此時爲維持SINR點評需要進行功率調整。

C.移動性支持

ACC:Access Control Center接入控制中心，是LAAC（分佈式本地接入和應用程序中心）的兩個組成部分之一，上文有提到

ACC知道車輛的位置、方向、速度、加速度 -> ACC可以通過估計車輛未來位置來主動更新服務AP的選擇。此操作：1.可能會對邏輯cell的AP進行增減；2.需要有效的更新服務AP的算法。

車的相對位置會不斷變化 -> ACC需要跟蹤和預測RB服務的每個車輛的位置。一旦發現兩個同道車輛相距太近，就給其中一個車分配新的RB。

資源管理算法的設計中，要在效率和性能之間權衡。干擾的程度和持續時間都會對性能造成影響，影響嚴重時需要對資源分配進行調整。

注意：將整個地區分爲cell，每個cell由一個LAAC管理。當車輛跨區時，LAAC主動地將接入管理任務移交給下一個cell的LAAC。LAAC之間的接口在這個架構中十分重要。他有以下特點：1。接口用於交換邊界附近車輛的運動狀態和接入組織信息，這種信息交換會很頻繁；2.這些信息同時用於切換過程和分佈式接入管理算法。

Ⅴ.數字基準

通過仿真評估在簡單場景中支持CSM的UL傳輸的建議結構的性能，目的有二：1.檢查以用戶爲中心的超密集網絡是否可以容納UL容量；2.是否可以滿足延遲和可靠性要求。

沒有給出服務AP更新的方法和RB重新分配等遊湖移動性相關問題的策略。仿真中採用了簡單的接入策略來提供baseline。

A.場景模型和接入策略

考慮了兩個場景：1.城市高速公路；2.城市交叉路口

高速公路參數：路段長2km

交叉路口參數：1.水平和數值路段各總長1km；2.中點相交；

場景假設：

道路正反雙向各有兩條3.5m寬的車道；
車輛的位置服從一維齊次泊松過程；
AP在道路兩側對稱、均勻分佈；
AP和車輛均使用單個天線；
仿真中，道路兩端比圖示延長了1km，這1km內無車。

符號表示：

車輛的平均間距（m）	$d_{VEH}$
車輛密度（輛／ｋｍ）	$4000/d_{VEH}$
相鄰AP的間距（m）	$d_{AP}$
車載天線高度（m）	$h_{VEH}$
AP天線高度（m）	$h_{AP}$
消息速率（Hz）
消息週期（s）
研究的目標自動汽車
CSM生成時刻

假設：

高速公路上的車都是自動汽車，且會定期生成CSM，並將其發送到UL中的MEX服務器；
，此時可計算得到T = 0.1s = 100ms
載荷大小爲6k bytes
CSM的生成時間是在消息週期T中隨機選擇的，並服從均勻分佈
專用帶寬B=20MHZ，中心頻率
假設一個RB在頻域佔據整個頻帶，在時域爲1ms

在這種假設中，T*B的時頻資源被分爲：100ms/1ms = 100份，用 $\left\{\mathrm{RB}_{1}, \mathrm{RB}_{2}, \ldots, \mathrm{RB}_{100}\right\}$ 表示。

如果需要在1ms內發送6k bytes的CSM，需要傳輸速率爲48Mbps = 6k*8 / 0.01。

將接收機的SINR閾值 $\tau$ 設置爲12dB，此時在20MHz帶寬上的香濃信道容量爲81.5Mbps=。當接收機的SINR到達這個閾值時，視爲有效接收。

【選擇AP】對一車，其CSM生成時刻爲，根據AP與的距離選擇K個AP，考慮AP分佈的對稱性和陰影衰落的相關性試用一下策略：1.第一候選AP是同向路邊離他最近的AP；2.第二候選AP是與反向的路邊離它最近的那個AP；3.第三候選AP是同向路邊離他第二近的AP；以此類推

【分配RB】RB分配策略需要考慮排隊延遲和干擾。定義：

最大排隊延遲（ms）	L
RB重用距離（ｍ）	D

要求在生成CSM後，必須在L 內爲車輛分配RB，同時同一RB不能給間距小於D米內的兩輛車共用。忽略車道寬度。交叉路口中，兩車距離爲曼哈頓距離，如下圖所示

將的RB分配過程總結如下（j爲候選RB的編號，FLAG爲1說明已經爲成功分配了RB，這個算法就是窮舉法）

【的 $SINR_{eff}$ （有效SINR）的算法】若無法爲分配RB，則標記其爲擁塞，這個車的CSM暫時無法傳輸；否則將會有K個AP專門爲的CSM傳輸消息。由此可以實現宏分集。有效接受的SINR表示爲 $SINR_{eff}$ ，是K個AP提供的SINR的最大值： $\mathrm{SINR}_{\mathrm{eff}}=\max _{1 \leq k \leq K} \mathrm{SINR}_{k}$ （1）。若其低於 $\tau$ 則認爲CSM數據包丟失。不進行重傳。由此E2E的傳輸延遲被限制在L+1 ms。

【（第k個AP的SINR）的算法】將與共用RB的其他車輛用 $\Psi_V_0$ 表示， $\operatorname{SINR}_{k}=\frac{P_{\mathrm{RX}}^{k, 0}}{\sum_{l \in \Psi_{V_{0}} \backslash\left\{V_{0}\right\}} P_{\mathrm{RX}}^{k, l}+N_{0}}$ （2）。

其中 $P_{\mathrm{RX}}^{k, 0}$ ：來自的目標信號功率； $P_{\mathrm{RX}}^{k, l}$ ：來自的干擾信號功率。是AWGN(功率譜密度爲-174 dBm/Hz)的功率。

【接收信號功率】每個車輛的發射功率固定爲 $p_{TX}$ = 10 dBm。接收信號功率的計算方式如下（爲清楚起見，省略了上標）： $P_{RX} = P_{TX}-PL-X+\delta$ (in dBm) （3）其中PL：路徑損耗；X：陰影衰落；δ：多徑衰落。

【路徑損失的計算】上表顯示了3GPP爲小型BS場景[52]定義的3D-UMi路徑損耗模型，其中 $d_{2D}$ 和 $d_{3D}$ 分別代表AP和車輛之間的2D和3D距離，以及 $\sigma_X$ 爲對數正態陰影衰落X的標準偏差。該模型區分了LOS和非視距（NLOS）傳輸情況，LOS概率由下式給出：
$Pr_{LOS} = min(\frac{18}{d_{2D}}, 1)*(1-exp(\frac{-d_{2D}}{36}))+exp(-\frac{d_{2D}}{36})$ (4)。當 $d_{2D}$ ≤18 m時，LOS概率爲1。多徑衰落δ服從瑞利分佈。

定義列三個系統級性能指標

擁塞率（CR），用 $P_{CR}$ 表示，是指路段上所有車輛中擁塞車輛的比率，即在排隊延遲限制內未分配RB的那些車輛。
由 $P_{PLR}$ 表示的分組丟失率（PLR）被定義爲在分配了RB的所有車輛中丟失了CSM的車輛的比率，即，其有效接收的SINR未達到 $\tau$ 的車輛的比率。
停機概率，用 $P_{out}$ 表示，並計算爲 $\begin{aligned} P_{\text {out }} &=1-\left(1-P_{\mathrm{CR}}\right)\left(1-P_{\mathrm{PLR}}\right) \\ &=P_{\mathrm{CR}}+P_{\mathrm{PLR}}-P_{\mathrm{CR}} P_{\mathrm{PLR}} \end{aligned}$ 。表示網絡中任何車輛產生的CSM在E2E延遲限制內都無法轉移到MEC服務器CSM的概率。

可見降低CR和PLR對提高整體可靠性很重要

B.仿真結果

在本節的所有圖中，D = 75 m的結果以紅色繪製，D = 100 m以藍色繪製，D = 125 m以綠色繪製。

1)L和D的影響

固定變量： $d_{AP}$ = 30 m， $h_{AP}$ = 10 m， $h_{VEH}$ = 1.5 m。

從{75 m，100m，125m}選擇RB重用距離D；從{4ms，6 ms，8 ms}選擇排隊延遲極限L。

平均CR、PLR，停機概率關於 $d_{VEH}$ （車的平均間距，定義域爲10~50m）的曲線在圖5、6、7中表示

假設所有車輛的長度均爲5 m，平均縫隙（gap）定義爲：在速度爲9km/h到81km/h之間（分別對應交通擁擠和交通通暢兩個場景）的2秒安全距離。注意，車輛密度與 $d_{VEH}$ 成反比。仿真結果在最多 $2\times10^5$ 個系統實現上進行平均。在每種實現中，路段上的每輛車發送20個CSM，其位置不動，但會爲每個CSM生成獨立的通道實現。

從圖5可知，CR（擁塞率）與L（最大排隊延遲）和 $d_{VEH}$ （車間距）負相關。當 $d_{VEH}$ 和L固定時，可以通過選擇較小的D來降低CR。交叉路口整體上比高速公路的CR更大，這是因爲前者競爭車輛的數量較大。

圖6顯示，PLR（丟失率）也與 $d_{VEH}$ （車間距）負相關，但是與CR相比要慢得多。L的變化對PLR幾乎沒有影響，因爲在所有設置中擁擠車輛的百分比都足夠小。可以通過增加D來降低PLR，以使同頻道干擾源分離得更遠，或者通過增加K以獲得更高的分集增益。與CR在兩種場景下的差異相比，PLR在不同場景之間的差異要小得多，因爲干擾源被有效地間隔開了。

綜上可知，D的變化對CR和PLR具有相反的影響，因此選擇是需要折中。從圖7可以看出，對於不同的L，D對停機概率曲線的影響是不同的。因此，需要在不同的用戶密度、通信要求、方案下仔細優化D。當 $d_{VEH}$ = 50 m，L = 8ms，D = 125 m和K = 3時，在高速公路情景中的停機概率達到 $10^{-5}$ 。但是，當車輛密度很大時（ $d_{VEH}$ = 10 m），由於CR較大，很難將中斷概率降低到 $10^{-2}$ 以下。爲了改善停機性能，可以通過選擇較小的D來減小CR，然後增加K來彌補PLR帶來的性能下降。但是，應注意的是，RB的短缺是基本約束，同時，更大的K值意味着對前傳鏈路的容量和AP處理能力更大的要求。

2）AP部署的影響

下面選擇以高速公路爲場景（在交叉路口中的影響於之類似），研究不同AP部署（所謂部署，就是AP的高度和間隔）對性能的影響。

L（最大排隊延遲）固定爲8 ms；D從{75 m，100 m，125m}中選擇。

考慮三種設置：

$h_{AP}$ = 3 m， $d_{AP}$ = 30 m
$h_{AP}$ = 10 m， $d_{AP}$ = 10 m
$h_{AP}$ = 3 m， $d_{AP}$ = 10 m

由於AP部署與所採用的RB分配策略無關，因此CR的性能評估可以與圖5（a）形成對照（用三角形標記）。圖8和圖9分別繪製了平均PLR和停機概率。

通過圖8可知：PLR與 $h_{AP}$ 、 $d_{AP}$ 正相關。減少 $h_{AP}$ = 縮短車輛與服務AP之間的3D距離 -> 減少路徑損耗並且改善了接收到的SINR。縮小 $d_{AP}$ 好處有二：1.減小傳輸距離並改善信道狀況；2.增加LOS傳輸的可能性。結果，當將 $d_{AP}$ 設置爲較小的值時，對於任何K，通過降低 $h_{AP}$ 所帶來的PLR性能的提高都明顯更大。

最後，結合圖9與圖7可知，通過佈置更多AP可以達到 $10^{-5}$ 停機概率。

爲衡量可靠性，在圖10中繪製了多次仿真獲得的 $SINR_{eff}$ 的累積分佈函數（CDF），其中L = 8 ms， $d_{VEH}$ = 50 m。

研究有效接收到的SINR是因爲通常對鏈路級傳輸可靠性更感興趣。

表3給出了一些重要的統計數據。對於大多數傳輸，實現的有效SINR足夠高。當我們查看尾部分佈時，可以看出，在所有設置中， $SINR_{eff}$ ≤12 dB的概率都被限制在 $10^{-5}$ 以下，而實際值非常接近平均PLR。這是可以理解的，因爲如果在一個系統中實現的PLR很大，則平均PLR將會大大提高。有趣的是，當（ $h_{AP}$ ， $d_{AP}$ ，D，K）由(3, 10, 125, 2)給出時， $SINR_{eff}$ 是在這之中最大的值但方差也是最大的。這是因爲一個更大的K（在其他三個設置中K=3）可以有效地幫助減少多樣性增益帶來的方差。

注意：此處採用的性能指標可能並非最適合協作感知應用。當車輛密度增加時，將消息速率設置爲固定 -> 1.每單位面積和時間生成的CSM數量也變大；2.CSM中包含的信息變得更加冗餘。

此外，較大的車輛密度通常意味着平均速度較低，即環境的動態性較差。因此，在不降低協作感知性能的情況下降低消息速率是可行的。在ETSI ITS-G5中，這可以通過分散式擁塞控制（DCC）功能解決。同樣，定義性能指標以使其更適合應用程序也是至關重要的。

Reference

[1]爲什麼說LTE的干擾主要來自相鄰小區https://zhidao.baidu.com/question/1112536660434278179.html

[2]圖解SDN（軟件定義網絡）https://www.sohu.com/a/226701553_160923

[3] P. Kela, J. Turkka, and M. Costa, “Borderless mobility in 5G outdoor ultra-dense networks,” IEEE Access, vol. 3, pp. 1462–1476, 2015.

[4] X. Ge, H. Cheng, G. Mao, Y. Yang, and S. Tu, “Vehicular communications for 5G cooperative small-cell networks.” IEEE Trans. Veh. Technol.,vol. 65, no. 10, pp. 7882–7894, 2016.

[5]T. Sahin, M. Klugel, C. Zhou, and W. Kellerer, “Virtual cells for 5G V2X communications,” IEEE Commun. Stand. Mag., vol. 2, no. 1, pp. 22–28,2018.

[6] P. Kela et al., “Location based beamforming in 5G ultra-dense networks,” in IEEE VTC-Fall, 2016, pp. 1–7.

[7] M. Kamel, W. Hamouda, and A. Youssef, “Performance analysis of multiple association in ultra-dense networks,” IEEE Trans. Commun., vol. 65, no. 9, pp. 3818–3831, 2017.

[8] A. Bazzi, B. M. Masini, A. Zanella, and I. Thibault, “On the performance of IEEE 802.11p and LTE-V2V for the cooperative awareness of connected vehicles,” IEEE Trans. Veh. Technol., vol. 66, no. 11, pp. 10419–10432, 2017.

後記

看論文看的眼睛都瞎了，主要是下午和晚上看，算上翻譯大概用了三天，有幸拜讀同門師姐師兄的論文心裏很開心，翻譯時懵懵懂懂的寫完這個筆記可以說消化了50%了。

文中的主要貢獻：”以運動信息輔助的用戶中心式超密集車載網絡架構“，”以運動信息輔助“是因爲車在行駛中需要不同的接入點提供服務，而考慮運動信息可以讓接入點之間的服務交接更順暢；”用戶中心式“是說通過由多個接入點共同爲一個用戶服務，從而讓用戶感覺服務很順暢；”超密集“是說這個架構的前提是接入點很密集。

文中有些詞彙勢必不甚準確，尤其是將"outage probability"翻譯成了”停機概率“，他的物理含義是：在一個網絡中的所有車都無法再E2E延時限制內都無法傳輸。如果有更好的譯法或哪裏對意思有曲解歡迎指正。一起交流學術哇~

[論文筆記]Kinematic Information Aided User-Centric 5G Vehicular Networks

Ⅰ.介紹

Ⅱ.自動駕駛中的合作感知

A.概念和重要性

B.交通模式和通信需求

Ⅲ.支持5G的用戶中心式車載網絡架構

A.設計考量

B.系統描述

Ⅳ.運動信息輔助用戶中心式接入

A.AP集團和協同接收

B.無線資源分配

C.移動性支持

Ⅴ.數字基準

A.場景模型和接入策略

B.仿真結果

1)L和D的影響

2）AP部署的影響

Reference

後記

使用neovim打造go ide(支持代碼跳轉, 代碼補全, 實時語法檢查)

挑戰程序設計競賽 2.3章習題 poj 3046 Ant Counting

Shell/Python中的用戶名獲取

[轉載]Reinforcement Learning：Sarsa和Q-learning

[環境配置]給遠端服務器配置tensorflow環境

[環境配置]給遠端服務器安裝screen

[論文筆記]DECCO: Deep-Learning Enabled Coverage and Capacity Optimization for Massive MIMO Systems

[轉載]李宏毅RL網課筆記

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結