一种面向智能网联汽车的自适应车辆位置管理方案

赵 辉

（兰州石化职业技术大学，甘肃 兰州 730060）

1 课题背景

智能网联汽车系统是一种规范的，可为乘客、司机和交通管理人员提供大量安全信息和娱乐服务功能的下一代异构无线网络通信系统。在异构无线接入技术及基于5G/6G 等标准的不同无线网络快速发展的大背景下，汽车智能网联系统作为一种为乘客、司机和交通管理人员提供大量安全信息和娱乐服务的下一代异构无线网络通信系统［1-2］，其无线通信技术在密集网络中的可扩展性和通信效率成为目前棘手的问题［3］。如汽车应用行业（汽车编队和全自动驾驶控制）目前面临的挑战是在提供准确可靠的位置服务时存在期望延迟、成本过高和准确性较差等问题，这需要在联网的车辆网络中通过有效的沟通及无缝的链接技术来解决。

下一代智能网联汽车的车联网系统由异构无线通信标准组成，其包括 IEEE 802.11P 协议［4-5］、长期演进技术（LET）［6］和最近的第五、六代网络系统（5G/6G）。在车辆与基础设施的通信协议以及车辆与车辆的通信协议的协助下，这种异构无线通信标准在为车辆提供可靠、流畅以及不间断的通信网络服务时，车辆与车辆、车辆与基站间需要一种高效的移动性能和位置管理解决方案，以此满足从用户终端到应用程序之间的访问需求。

要讨论和研究车辆内部网络移动性管理问题，更准确地说，要研究在外部网络中如何优化车辆移动过程中的无线通信问题，需将这种移动性管理方案描述为由本地服务网关或云端提供的车辆与任意服务器之间正在进行的无线会话的研究以及对于连接的技术维护问题。如许多车辆连接中，需要通过Internet 进行通信才能提供有效地服务，因而需要无缝的移动管理方案以避免产生通信中断。根据网络通信情况和应用方式的不同，移动性管理方案可以分解为：使用移动互联网协议将会话从一个网络卸载到另一个用于负载平衡目的网络或者IP移动管理。

IETF已经标准化了一个名为移动互联网协议的基于主机的移动管理协议，该协议提出了一种移动性管理解决方案，以帮助车辆在网络层内快速、高效的移动。首先用车辆自带的服务器的IP 在访问上定义一个临时转交地址（CoA），以支持由当前CoA 的绑定链路的路由器和车辆的本地代理之间建立连接。这种连接的弱点是附加了切换延迟和数据包丢失，尤其是随着车辆数量的增加，会导致到信令开销的相应增加。其余的许多研究提出，移动IP 协议可以替代用于位置和路径更新的协议而无需进行切换管理。这样的具体研究及功能模块涉及相应的应用，包括分层移动IP 和快速移动IP，添加新的名称为移动锚点的实体，通过将多个路由器分配给一个路由器以减少切换延迟等措施，其都在努力克服前述方案的缺点。

2 问题描述

传统的移动管理解决方案由2部分组成：位置和切换过程管理。车辆行驶过程中要穿过许多复杂的网络系统，这些网络系统无论是否有相同的标准与协议，车辆自身的移动管理协议均要求可在不同的网络之间传输正在进行的通信指令。此外，网络必须能够定位车辆并及时推送数据包到其就近位置。传统的位置管理协议在未考虑车辆的个体运动预测和方向的情况下，只是通过通信指令定期寻呼车辆的位置，并在其预定义的生命周期内处理数据包。这会导致车辆在超密集网络中行驶时极易丢包且产生大量的通信数据冗余。这时，在由电池驱动的汽车中，也会产生相当高的功耗。

为了解决这个问题，本论述提出了一种自适应的以车辆为中心的智能车载网络位置管理方案（ADVICE-LOC）。通过监测和计算车辆在接入点通信范围内的剩余时间，根据车辆行驶状态、网络状况以及交通状况等智能地调整位置管理协议，并通过对车辆移动轨迹的预测来更新车辆位置并保证车辆与外部网络注册信息之间的通信冗余。该协议由2部分组成：（1）利用车辆的移动性数据估计车辆在基础网络设施单元内的剩余时间；（2）按照知识网络注册和更新条款的信息更新位置管理方案，同时通过周围网络发送的数据和车辆机动性能的变化预先调整车辆会话时间，以减少通信数据量并消除位置更新时对当前接入点的信息冗余。此外，还评估了城市交通环境中的几个时间序列预测器，使用预测器来导出链路估计时间，并分析了其优缺点。最后，对所提出的协议在多个网络和准确性指标下进行模拟和评估。

2.1 链路估计时间

假设车辆在预定的道路环境中行驶，接入点部署在使路线图覆盖范围最大化的点上。本论述中将车辆停留在接入路由器（AP）通信范围内的持续时间称为链路估计时间（LET）［7-8］。为了推导出车辆与接入点或路由器之间的链路估计时间，首先预定义一组假设，将车辆运动预测的特征描述为时间序列预测方法的数据输入。

此链路估计时间受以下因素的影响：车辆速度、接入路由器的距离、信号质量等。假设车辆运动投影的示例如图1 所示，假设每辆车都配备了车载GPS 定位系统并能够实时获取车辆当前位置坐标A点(xi,yi)，路旁单元（RSU）或接入路由器（AP）具有标准通信范围R。如果只考虑车辆和接入路由器之间的距离，得出的LET 是图中所示阴影区域，这并不能正确反映车辆在接入路由器通信范围内的真实剩余时间。故需要根据图1中信息，以车辆的两个连续位置定期计算车辆运动轨迹，从而得出车辆最小链路估计时间的推导公式。

图1 链路估计时间LET

在车辆视线范围内，车辆与在其通信范围内的接入点路由器进行通信。接入路由器的位置O 点和标准通信范围R 可以描述为式（1）圆的方程：

将车辆沿直线从点A(xi-1,yi-1) 移动到点B(xi,yi)的多点线运动路径（即连续的位置系列）计算如式（2）：

推导二次方程式（3）：

其中将式（4）代入式（3），

后使用替代的二次公式求解T得式（5）：

此外，通过考虑数据包交付时间和到往返时间等的延迟，调整LET，扣除往返包时间得式（7）：

2.2 车辆运动预测

为提供更加准确的运动预测，捕获更长时间、更复杂的时间序列数据以及将其应用于高度智能化的应用程序。目前主流的开发技术是：机器学习如模糊逻辑、神经网络和状态空间模型如卡尔曼滤波器等。机器学习中尤其是神经网络模型的应用技术，是要求从基于规则的机器学习模型到数据驱动，都能够捕获更长和更大数量的时间序列数据集，而大多数机器学习技术需要大型数据集才能有效执行。

本论述在不考虑车辆即将发生的轨迹变化的情况下，仅使用车辆运动的当前测量值。上述车辆的LET还与当前接入路由器的会话时间有关，故需在当前接入的路由器内估计LET，可得到更精确的预测车辆轨迹（即位置、速度、方向）。

假设一个表示车辆在当前接入路由器内的运动测量数据（位置、方向和速度）的时间向量序列，其中t 是采样率，t 因每个序列的大小而异，该向量序列表示车辆在当前接入路由器内的运动测量数据（位置、方向和速度）。为了准确定位车辆，进行追踪的时间设置间隔都很短，通常规定一个采样时间间隔在1～5 s内。通过如图2所示的协议，使用嵌入在车辆中的队列来记录持续了k 观察时间的运动数据，以此来收集车辆在每个观察时间间隔内的向量序列。

图2 接入路由器内的运动测量

2.3 ADIVE-LOC：以车辆为中心的适应性位置管理方案

基于前面导出的测量值，以下研究车辆在所接入路由器的范围内，优化移动通信开销，保持高传输率和低丢包率的移动性位置管理方案。该移动性管理过程可以分为两个主要阶段：发现和注册阶段、位置和会话更新阶段。

在移动IP 中，首先赋予车辆一个初始代理网络的永久地址，当车辆通过不同网络时，注册一个新的访问点以连接该通信。此时，需要一个新的转交地址CoA来注册新接入的路由器并通知初始代理通过无线网络将正在进行的通信传输到新接入的路由器。当车辆在两个路由器的通道之间切换时，还需要一个切换机制来注册一个新的CoA 并从旧接入的路由器连接到新接入的路由器。

这种切换机制规定如下：车辆通过访问路由器广告消息和访问请求这两种主要方式发现并注册新的访问权限，当发现车辆位置变化时，使用相邻接入路由器的缓存或通过请求一个广播消息来建立新的连接。后通过比较待接入路由器的距离和接收信号的强度，选择最合适的接入路由器并发送一个注册请求，使得车辆CoA 配置和分配资源。接入的路由器将回复注册回复包并启动绑定部分的更新。此时，车辆通过其初始代理从接入路由器的相应服务器上接收实时数据。综上所述，发现和注册过程如图3所示。

图3 车辆位置适应性管理方案

3 绩效评估

使用由网络模拟器生成的由从高德地图提取的车辆在兰州城市道路场景中的移动轨迹［9］。车辆从连接到初始地址开始，接收相应的节点数据流。为确保网络覆盖所有的道路，设置由35个分布在沿网络路段的接入路由器组成该网络。由于车辆加速度的稳定增加，速度是受所选间隙大小（即时间步长值）影响的最低测量值，因此车辆速度无法在5 s内从0 增加到30 m/s。这表明就车辆的位置而言，小于5 s 时不会有太大区别，故选择速度范围为0～30 m s。车辆数量设置为100～700 辆，数据包频率为250 pkt s，数据包尺寸为160 byte packet。物理协议设置为IEEE 802.11P，接入路由器的传输范围250 m。

采用的是多特征输入和多特征输出的一般回归神经网络（GRNN），将其作为评估该车辆位置的预测模型。为评估轨迹预测模型的精确度，使用均方根误差（RMSE）作式（8）为计算其准确度的一种手段。

使用的数据集从以上移动性环境中生成，使用Python软件的Keras模型和neupy算法对预测器进行精度评估。生成的数据集包含以下信息：时间集、车辆ID、位置(x,y)、速度和当前注册的接入路由器。生成数据的误差结果如图4 所示。选择采样时间间隔为1 s，有一个特征输入，多个特征输出时，GRNN 模型的预测模型得到的平均误差为最小，显示出最低的错误率。

图4 GRNN预测模型的误差率

4 结论

无线网络连接在自动驾驶汽车的导航服务和娱乐化应用中提供了快速、高效的联网通信服务，也为各种基于自动驾驶技术应用的无线接入网络技术提供了可靠的、精确的通信解决方案。然而，车辆数量的无限增加以及车辆在不同接入路由器之间的快速移动会影响此类无线网络的性能。基于此，本论述提出了一种面向智能网联汽车的高效自适应车辆位置管理协议。应用此管理协议，预测车辆模型在调整车辆网络注册和位置生命周期更新时的链路持续时间，通过评估在不同间隙和窗口大小下的时间序列预测器和估计的链接持续时间，后采用多特征输入和多特征输出的一般回归神经网络（GRNN），将其作为评估该车辆位置的预测模型。结果表明，提出的自适应位置管理方案能够降低通信开销，即冗余数据在源数据中占有的比例，同时保持了低的端到端延迟率以及高的数据包传输率。

通过在预测模型中实验数据的验证，随着车辆数量的增加以及车辆在不同接入路由器之间的快速移动，基于5G/6G 网络的无线技术的接入为自动驾驶的智能化应用提供一种可行的通信解决方案。通过一种适用于智能网联汽车的高效自适应位置管理协议，调整车辆网络注册和位置生命周期更新时的链路持续时间。结果表明，这种自适应位置管理方案在保证车辆位置及时更新的同时，剔除了冗余的位置寻呼信号，极大地降低了通信开销，即冗余数据在源数据中占有的比例，同时保持了低的端到端延迟以及高的数据包传输率，是一种更高效的移动管理解决方案。