5G网络中无人机-车辆场景非平稳信道特性分析

杨 爽，刘光敬，余红朝

(重庆市信息通信咨询设计院有限公司，重庆 400041)

0 引言

新型通信技术的第五代通信系统(5G)对信道建模提出了更高的要求。无线信道建模最大的挑战是建立高效准确的信道模型，以模拟现实场景无线通信系统的所有传播特性。近年来，无人机具有简单、灵活、易操作等优点，在无线通信领域得到了广泛应用，无人机对车辆信道建模研究是5G信道建模中最热门的研究课题之一[1-5]。在无人机-车辆场景中，无人机与车辆周围被大量的散射体包围，且无人机与车辆的高移动性导致传播环境在短时间内发生急剧变化，这些均使信道建模更具挑战性和复杂性[6-9]。

大量研究表明，由于商业原因，目前无人机通常停留在较低的高度，以提供可靠通信[10-11]，因此，在信道建模时需要考虑无人机高度的影响。一方面，在开阔室外场景，收发端之间通常不存在明显遮蔽物，视距(Line-of-Sight,LOS)传播为主要传输路径；另一方面，在室外地形复杂情况下，多路径传输才能保障通信质量。此外，无人机和车辆的高移动性难免使信道在时域上长期处于非平稳状态，换句话说，宽平稳信道这一前提已不符合无人机-车辆非平稳信道环境[12-14]。文献[15]中基于WINNER II 信道模型，对无人机信道模型进行初步模拟，但对非平稳特性的模拟效果不太明显。文献[16]提出了一种无人机-无人机单圆柱几何随机模型，该模型对收发端无人机散射体分布使用一个同心圆柱来进行模拟，忽视了无人机散射体独立分布的特点。文献[17]假设散射体分布在2个规则的圆环上，且假设收发端与散射体之间的相对距离保持不变，这与实际情况不符；另外，基于高斯-马尔科夫过程建立模型使算法复杂度较高且难以实现。文献[18]采用双圆柱模型对车辆-车辆通信进行建模，较好地模拟了车辆场景，但车辆环境更适合球体模拟，车辆天线高度可以简化。

通过以上分析，本文在以往研究的基础上，提出了一种新型无人机-车辆非平稳信道模型。具体地，采用同心圆柱体来表征无人机周围散射体分布范围，并采用半球体来表征车辆周围散射体的分布，假设无人机飞行高度恒定，而飞行速度不另设限。此外，测量数据显示，散射体会出现多次，所以，为尽量符合真实环境，本文非视距(Non-Line-of-Sight,NLOS)分量中采用二次散射径随机生成散射体个数。最后根据建立的信道模型对其时间自相关函数、空间互相关函数和多普勒频谱密度进行数学推导，进一步分析新模型信道特性。

1 信道模型与信道特性分析

1.1 信道冲激响应

无人机与车辆通信在真实场景中，无人机与车辆都是移动状态，在移动过程中，信道环境中的散射体分布是不断变化的，信道状态呈现非平稳特性，这里给出了无人机与车辆在城市复杂环境的通信场景图，如图1所示。

结合信道状态，采用同心圆柱体来表征无人机周围散射体分布范围，并采用半球体来表征车辆周围散射体的分布，明显地，视距与非视距分量同时存在，因此，该信道几何随机模型如图2所示。

表1 几何参数定义Tab.1 Definition of geometric parameters

(1)

式中，Nl1表示总共同心圆柱面个数；Nl2表示总共同心半球面个数；τLOS表示视距时延；τ(l1,l2)表示经过l1同心圆柱面和l2同心半球面上二次散射径时延，视距分量进一步表示为：

(2)

(3)

1.2 信道参数描述

1.2.1 LOS描述

t时刻，第k根接收天线向量和第l根发射天线向量分别描述为：

(4)

(5)

(6)

(7)

(8)

(9)

1.2.2 NLOS描述

t时刻，发送端第l1圆柱平面上第n1个散射体位置矢量描述为：

(10)

同理，接收端第l2圆柱平面上第n2个散射体位置矢量描述为：

(11)

(12)

(13)

1.2.3 角度参数

假设发射端和接收端的方位角和仰角分布服从二维von Mises 分布 ，其中方位角和仰角是相互独立的。因此，联合概率密度函数为：

(14)

1.3 信道统计特性计算

1.3.1 空时相关函数

根据信道相关函数公式，对信道是空时相关函数进行了推导，其相关函数表达为：

(15)

式中，(·)*为复共轭，将式(1)代入式(14)得视距与非视距下的信道时空相关函数为：

(16)

(17)

式中，E(·)表示期望；Ω0进一步表示为：

(18)

1.3.2 空间相关函数

将式(15)～式(17)中Δt赋为0，则上述空时相关函数可变换为如下空间互相关函数(Cross-Correlation Function，CCF):

(19)

(20)

(21)

1.3.3 时间相关函数

将δT=0和δR=0代入式(15)～式(17)，则上述空时相关函数可变换为如下时间自相关函数(Temporal Autocorrelation Function,ACF)

(22)

(23)

(24)

1.3.4 多普勒功率密度谱

多普勒功率密度谱(Doppler Power Spectral Density，DPSD)，Sl1,l2(f,t)是时域ACF的傅里叶变换，可以表示为：

(25)

2 仿真分析

为了进一步研究无人机-车辆几何随机信道模型的信道特性，同时验证推导信道统计特性公式的正确性，不失一般性地，主要仿真参数(角度均采用弧度制计算)如表2所示。

表2 主要仿真参数Tab.2 Configurations of simulation parameter

(a) 不同的无人机天线仰角下的CCF变化曲线

(b) 不同的无人机方位角下的CCF变化曲线

图4显示了不同的时刻下的ACF变化曲线，图4(a)表示收发端匀速运动情况下ACF变化，可以看出，匀速情况不同时刻下ACF曲线几乎重合，验证了匀速情况下，ACF变化较为稳定，更接近平稳。图4(b)表示收发端加速运动情况下ACF变化，可以看出，加速情况下ACF曲线变化较为明显，进一步验证了匀速与加速情况下，信道环境的非平稳特性较为明显。

(a) 收发端匀速运动情况下无人机-车辆非平稳信道ACF 绝对值

图5对比了无人机在不同方向移动时的DPSD。可以观察到，当无人机向车辆移动时，存在某中心频率，在该频率处DPSD最陡，这说明该移动方向使散射体分布更加集中。进一步地，为保障地面用户的接收功率高于某一阈值，最好将某一区域划定为排斥范围，且无人机要远离该范围。

图6给出了ACF数值结果和无人机测量模型的ACF结果之间的拟合情况。从结果可以看出，数值结果与实测ACF结果拟合效果良好，进而验证了所提模型的准确性和可行性。

图6 无人机-车辆非平稳信道在不同方向移动时的ACFFig.6 ACF when the UAV-Vehicle non-stationary channel moves in different directions

3 结束语

无人机辅助通信是6G通信的重要场景之一，学术界和工业界已验证了使用无人机对网络性能的提升。针对该场景，本文提出了新型非平稳信道模型，其中，无人机侧和车辆侧的散射体分别由同心圆柱体和半球体建模。同时，为更精准模拟真实无线传播环境，本文考虑了非视距分量上的二次散射径。基于所提模型，对其时间自相关函数、空间互相关函数和多普勒功率谱进行了数学推导，进一步分析了新模型信道特性。无人机信道模型在高速旋转下的通信，目前建模较为复杂，这将是接下来的研究重点。