基于无线感知辅助的车联网下行无线资源分配方法

贺智敏，林育哲，程宇杰，闫实

（北京邮电大学网络与交换技术国家重点实验室，北京 100876）

0 引言

车联网（vehicle-to-everything，V2X）通过建立各车辆与路侧设施以及网络间的通信链路，不仅为车辆提供了超越单车传感器视距限制的感知信息，还能为乘客提供车载娱乐业务[1]。然而，为了达到L4级以上高精度、广范围的感知性能并支撑车载娱乐业务，单个车辆需要从无线网络获得的下行数据将达到250 Mbit/s[2]，而目前已部署的Sub-6G低频5G 网络在实际测试中车辆下行均值速率约为500 Mbit/s，资源利用率不高，难以支撑高密度场景的高精度地图下载和车载娱乐业务[3]。

造成该问题的主要原因是城区的环境复杂性以及车辆的高速移动性，基站到车辆的通信链路难以一直保证较好的信道质量[4]。因此产业界提出通过车辆分簇使车辆对网络（vehicle to network，V2N）链路质量较差的车辆形成由V2N链路和车辆对车辆（vehicle to vehicle，V2V）通信组成的高性能双跳传输方案，能够有效提升下行性能[5-7]。文献[5]提出了一种公平的自适应分簇方法，基于车辆分布密度对道路路段进行自适应划分，并选择靠近中心的车辆成为簇头，仿真结果证明了车辆分簇对下行性能提升的有效性。文献[6]利用车辆间欧几里得距离，建立了衡量车辆地理关系的相似性矩阵，并基于该矩阵提出了K均值（K-means）的分簇方法，与单层V2N相比，下行传输性能有了显著提高。文献[7]提出了基于迭代自组织数据分析技术与算法（iterative self-organizing 2ata analysis technique algorithm，ISODATA）的车辆分簇方法，该方法扩展了传统的K-means算法，通过考虑车辆移动信息，自适应更新每次迭代的簇的个数，相比于传统的基于分段和K-means聚类的方法获得了更高的吞吐量。进一步地，基于分簇所得的V2N与V2V链路所组成的两层网络架构，产业界讨论了基于图着色[8]、图论[9]、强化学习[10]等方法在通信链路资源分配的应用。文献[8]基于用户位置构建的干扰模型，建立了所有通信链路的干扰图，从而确定了满足链路通信需求的信干噪比约束下最多可复用的通信链路集，以提高通信资源利用率。文献[9]利用图划分工具将高干扰的V2V链路划分为不同的组，将频谱共享问题建模为一个加权的三维匹配问题。同时提出了一套算法，包括基于基线图的资源分配算法、贪婪资源分配算法和随机资源分配算法，以解决性能和复杂性的权衡问题。文献[10]提出了基于强化学习的资源分配算法，以网络总吞吐量为奖励，在V2V链路负载较低时拥有较好的性能增益。文献[11]则联合考虑了车辆通信模式选择和资源分配问题，利用了基于深度Q网络（2eep Q-network，DQN）的深度强化学习（2eep reinforcement learning，DRL）框架，为车辆选择直接通信模式或通过基站通信的模式以及分配资源块，在一定程度上提升了通信链路的可靠性和吞吐量。

然而，上述车辆分簇与资源分配算法大多需要车辆上报自身位置信息，当车辆处于不稳定的链路条件时，获取车辆的移动信息往往存在较大误差，导致传统方法的性能下降。幸运的是，文献[12]与文献[13]总结的基站无线感知技术有望解决这个问题，该技术通过占用一部分通信带宽资源，从基站主动发射感知信号，并基于接收的感知物体所反射的回波信号，估计车辆移动信息。其中，文献[14]总结并分析了基站侧感知带宽资源分配与感知所估计的车辆移动信息的误差之间的关系，即分配资源越多，感知误差越小；反之，误差则越大。文献[15]则通过仿真证明了不同感知误差会在不同程度上影响后续车辆分簇的准确性，从而造成不同程度的通信性能下降。因此，在进行资源分配的过程中需要考虑感知通信资源配比的影响，即考虑通信感知资源正交且两者总资源不变的情况下，如何通过一定的资源配比方式达到通信性能增益的上限，从而真正发挥基站无线感知辅助通信增强的作用。针对上述问题，本文的主要贡献如下。

（1）考虑上述感知通信资源配比对通信性能的影响，本文基于分配的感知带宽资源，建立了感知估计的误差模型，并构建了通信与感知资源正交下的通信模式选择与无线资源分配联合优化问题。

（2）为解决这一问题，本文提出基于Delaunay三角划分的车辆分簇方法来为车辆选择通信模式，以得到更多稳定视距传输的通信链路；之后，提出了一种改进的基于图着色的资源分配策略，通过空间距离相隔较远的通信链路间资源复用，实现下行吞吐量的提升。

（3）通过仿真分析了无线感知估计误差、车辆数量对算法性能的影响。仿真结果表明，所提资源分配方法在相同感知带宽资源占比下，相比传统基于分簇和图着色的资源分配算法可以获得更优的下行通信性能增益，并能够承受更大的感知误差对性能的影响。

1 系统模型

无线感知辅助的车联网下行业务场景如图1所示，其中1个通感一体化基站和N个车辆用户终端（vehicle user equipment，VUE）分布在该二维平面中，基站感知与通信下行的频谱资源共享，一共为Wtotal。同时考虑下行的两种通信模式：直连模式和中继模式。直连模式下基站将数据直接通过V2N链路传输至VUE；而中继模式下基站将数据传输至指定的VUE，并由该VUE间接将数据传输至目标VUE。其中V2V采用资源专用（overlay）模式[16]，即V2V链路与V2N链路共享资源池且资源正交。假设第k个VUE单位时间内需要的下行数据量为Dk。

图1 无线感知辅助的车联网下行业务场景

1.1 感知估计模型

根据通感一体化中的分配的感知带宽资源所能估计获得的距离感知精度[14]，VUE的距离感知精度与分配的感知资源的关系可表示为：

其中，c表示光速，为3×108m/s，γksense表示基站接收的通过VUE k反射回波的感知信号信噪比，W1表示分配给感知的频谱资源，假设t时刻VUE k的 实 际 位 置 为 lk(t ) ≜（ xk(t ),yk(t )），其 中（ xk(t ),yk(t)）表示VUE k在t时刻的坐标。通常感知所得误差为随机的，而中心极限定理表明，大量独立的随机变量之和的极限趋向于高斯分布。因此，假设VUE k在t时刻的坐标感知误差Δxk(t ,W1)、Δyk(t ,W1)服从均值为0、标准差为Δlk(W1)的高斯分布，则误差表示为：

则感知估计出的VUE k位置可表示为：

1.2 通信模型

通信模型包括两种下行通信模型：直连通信模型和中继通信模型。通信可分配的带宽资源为W2= Wtotal-W1，可分配给通信资源块（resource block，RB）的集合为 M ={1,…,m, …, M}。令M ×N的分配矩阵ρ中的元素 ρm,j∈ {0,1}表示总带宽中第m个子频段是否被分配给VUE j进行通信。N ×N维分簇结果矩阵C中的元素 Cj,k∈{0,1}表示是否选择将VUE k作为VUE j的簇头，则通信模型如下。

（1）直连通信模型。当基站选择直接通过V2N链路将数据传输至VUE j时，由于采用overlay模式，V2N链路资源正交，分配RB m给VUE j进行V2N通信时，该链路信噪比可表示为：

其中，PB和2σ分别表示VUE j发射功率和噪声功率， ,Bjg表示信道功率增益。考虑到车辆的高移动性，本文假设VUE与基站仅可获得大尺度信道增益信息，包括路损与阴影衰落。当基站选择直接通过V2N链路将数据传输至VUE j时，分配的RB m可达速率表示为：

其中，W表示单个RB占用的带宽资源。

（2）中继通信模型。当基站将数据通过中继模式传输至VUE j，假设基站选择将数据通过VUE k中继传输至VUE j。首先，基站将数据通过V2N链路直接传输至VUE k，则由式（5）可知，分配RBm给VUE k进行V2N通信时可达速率为

之后，VUE k将感知数据通过V2V链路传输至VUE j，为了提高资源利用率，V2V链路之间可以进行资源复用，因此分配RBm给VUE k到VUE j进行V2V通信时，该链路的信干噪比可表示为：

其中，分母的第二项表示分配给其他V2V链路相同RB时带来的干扰。因此，可达的V2V通信速率可表示为：

在此模式下，感知数据需要经过两个链路的传输，因此通过中继模式传输的最大速率为该两个链路传输速率的最小值。假设分配给V2V的资源数为M1，则V2V链路可达速率为而分配给V2N的资源数为M2，V2N链路可达速率为，则基站将数据通过中继模式传输至

VUE j的可达速率可表示为：

2 问题建模

考虑到车辆的移动性会引起V2V和V2N链路建立的两跳网络不够稳定，导致后续链路资源分配算法的性能增益受损。因此，本文利用无线感知所得的车辆位置估计车辆的速度信息，并基于预测的一定时间后的车辆位置进行分簇来考虑移动性问题，进而为车辆选择通信模式，以建立稳定的通信链路；而后考虑链路的资源分配问题，使后续链路资源分配算法拥有更高的性能增益。

2.1 车辆分簇问题建模

在基站通过无线感知估计得到具有一定误差的VUE k位置信息(t ,W1)后，可通过与前一时刻的车辆感知估计位置信息(t -Δt ,W1)计算得到t时刻VUE k的估计速度，表示为：

假设车辆分簇时间间隔为T，则基站可以预测未来T/2时刻的车辆位置为：

其中，Cluster(·)表示分簇函数。输出的分簇结果矩阵与分簇算法和输入的车辆位置信息L(t ,W1)以及VUE到基站的接收功率Pr有关。

2.2 资源分配问题建模

当分簇建立稳定的通信链路后，对各个链路进行通信带宽资源的分配。由式（8）可知，当分配给V2V与V2N的资源固定时，调整配置比例可以使所达速率最大化，其条件是min函数内两项数值的差值尽可能减小。由此推出，当分配RB m给VUE j的中继模式传输时所达最大速率为：

为了能尽量提升系统所能支撑的业务数量，考虑优化目标是最大化系统吞吐量，车辆分簇与资源分配的优化问题建模如下。

其中，C1表示传输模式选择约束，即车辆不能同时选择进行V2N和分级传输模式，以及不能同时通过不同车辆进行传输；C2表示车辆overlay传输模式对V2N资源配置的约束，即分配给V2N车辆的通信资源不能同时分配给其他任何车辆。

3 车辆分簇策略

目前车联网车辆分簇方式主要分为两类：（1）基于车辆间距离大小，将样本集划分为指定数量的簇，但难以处理城区车辆非均匀分布的散点成簇，成簇不稳定；（2）基于车辆密度进行分簇，可以有效应对不均匀散点车辆成簇问题，但未考虑车辆间链路影响，会导致较多非视距通信车辆聚为同一个簇。为了综合两种分簇方式的优势，本文提出了一种基于Delaunay三角划分的分簇策略，以解决所考虑的二维平面内车辆分簇问题，具体流程如下。

步骤1首先对已知所有车辆进行Delaunay三角划分以确定与当前车辆直接视距相连的其他车辆。划分过程利用了Delaunay三角的可扩展性质，即在已Delaunay三角化的网格中加入点P，只需要删除所有外接圆包含此点的三角形，并连接P与所有可见的点（即连接后不会与其他边相交），形成的网格仍是Delaunay三角网格。为了降低Delaunay三角划分的计算复杂度，本文在传统的增量算法上对所有节点增加了预排序的步骤，节点按序插入，从而可以在每次节点插入后删除已确定的Delaunay三角，减少检索外接圆包含此点的三角形的次数。

步骤2簇头选择。选择直接相连的车辆数最多、接收功率最高的车辆成为簇头。

步骤3分级网络拓扑形成。选择将与该簇头j直接相连且两者间曼哈顿距离M2is(,)i j小于2isth的其他车辆i归为簇内。

步骤4重复步骤2和步骤3，直至所有车辆完成分簇，输出车辆分簇结果矩阵C。具体基于Delaunay三角划分的分簇算法如算法1所示。

遍历边集e2ge，将与簇头相连的车辆e2gei,in2ex=1且 M2is(i, in2ex)≤ 2isth归为簇成员Ci,in2ex=1

e2ge删除归簇的边，2egree删除归簇点的度 return C

4 资源分配算法

针对上述建立的资源分配问题，目前已有方法[8-11]通常仅考虑通信链路复用时每条通信链路分配的资源块大小是一样的，难以满足双跳传输下不同的传输需求。为此，本文基于复杂度较低的图着色[8]的方法，在建立V2V链路资源复用的基础上联合考虑了车辆分簇结果与传输需求相关的调度因子，具体如下。

（1）为所有V2V链路构建干扰图。首先，基于V2V链路彼此的干扰关系，构建干扰图G=(V,E)，其中集合V中的节点表示小区中的V2V链路，集合E表示连接节点的边。节点之间的干扰值大小将决定两者之间是否存在边，若V2V链路i和V2V链路j之间存在不可容忍的干扰，则连接节点i和节点j，即e(i,j)=1。为了保证V2V链路的可靠性，可以通过链路的信干噪比约束来判断两者之间是否存在不可容忍的干扰，该约束定义如下。

当该约束不成立时，从干扰集K中去除最大干扰链路j，并建立节点i与节点j之间的边，直到该约束成立。

（2）对干扰图进行着色。图着色的思想为先为边最多的节点着色，然后考虑边次多的节点，根据当前节点和已着色节点间是否存在边来决定颜色，目的是使具有强干扰（存在边）的两个节点分别着上不同颜色，并使相同颜色的节点数量尽量相同，依此类推，直到所有节点着色。

（3）基于图着色结果的V2V资源分配。假设每辆车初始下行需求为Dk=Dreq。考虑与传输需求相关的调度因子mη，该因子随着分配给该车的资源块增多而减小，从而实现分配的资源与传输需求相匹配。具体的改进的基于图着色的资源分配算法如算法2所示。

算法2 改进的基于图着色的资源分配算法

输入 着色结果colour、传输需求D、车辆数N

输出 资源分配结果矩阵ρ

5 仿真结果与分析

5.1 仿真参数

本文基于MATLAB平台，根据3GPP TR 37.885中对城区的描述搭建了场景模型[17]。其中车辆随机分布在道路上，车速在[0,72] km/h随机分布。仿真参数设置见表1。同时V2N和V2V链路信道模型参考3GPP TR 37.885中第6.2节描述的视距（line-of-sight，LOS）和非视距（non-line-of-sight，NLOS）信道模型。

表1 仿真参数设置

5.2 仿真结果

不同感知带宽资源估计的平均距离误差如图2所示，仿真了车辆数为50的情况下，不同感知带宽资源估计的平均距离误差。仿真结果表明，随着分配的感知带宽资源等比增加，平均距离感知误差递减，且每增加相等的感知带宽资源，误差降低的幅度减小，将100 MHz的下行带宽资源全部分配给感知，所能获得的平均距离感知误差约为0.15 m。

不同感知资源下估计误差对分簇性能增益的影响如图3所示，仿真了无线感知资源分别为4 MHz和0.6 MHz情况下，感知结果对分簇性能增益的影响。结合图2结果分析，分配4 MHz的感知资源比分配0.6 MHz的感知资源所估计的平均距离误差更低，因此分簇所得通信链路更稳定，在分簇时间间隔内性能增益更高。其中所提基于Delaunay三角划分的分簇算法性能最优，且与基于具有噪声的基于密度的聚类方法（2ensity-base2 spatial clustering of applications with noise，DBSCAN）的分簇算法一样，所得V2V链路较为稳定，受V2V可靠性约束变化的影响较小；而基于K-means的分簇算法性能最差，由于所得V2V链路不稳定，受V2V可靠性约束变化的影响较大。

图2 不同感知带宽资源估计的平均距离误差

图3 不同感知资源下估计误差对分簇性能增益的影响

为了体现本文所提算法在节约网络算力资源的基础上依然可以获得较好的性能增益，本文对比了文献[11]中联合考虑车辆分簇与资源分配的分布式DRL方案，并增加了基于贪心算法的资源分配方案，该方案每次进行RB分配时执行如下步骤。

步骤1将每条传输链路分别分配给一个空集。

步骤2计算该RB分配给各链路集所能传输的数据量并记录最大值

步骤3找到当两集相并时，分配RB所能传输数据量最大的并集。

步骤4若数据量传输大于，则并上这两个集合，更新每条链路剩余的传输需求，并重复步骤2和步骤3。

步骤5否则，将RB分配给所能传输的数据量为的链路集合。

不同车辆数下联合不同分簇和资源分配策略性能如图4所示，结果表明，分布式DRL方案联合考虑了车辆分簇与资源分配，性能最优；所提资源分配算法性能优于经典空间划分以及基于图着色的资源分配方案，且性能逼近贪心算法。当采用长期演进V2X（long term evolution V2X，LTE-V2X）中基于空间划分的资源分配算法时，相比不分簇方案，基于Delaunay三角划分、DBSCAN以及K-means的分簇方法在车辆数达到50辆时所达性能增益分别为15.14%、10.59% 和5.88%。

图4 不同车辆数下联合不同分簇和资源分配策略性能

车辆数达到50辆时不同资源分配算法的迭代过程如图5所示，可见DRL相比其他算法需要多次迭代才可收敛至相对稳定的性能。不同资源分配算法一次迭代典型复杂度如图6所示，其中基于空间划分的资源分配算法事先规定了不同区域间资源复用策略，因此时间复杂度仅与资源块分配过程相关，为O(Mlog(N))；基于图着色的资源分配算法则增加了图着色的过程，且每次资源分配需要检索图着色所得资源复用的链路，因而复杂度为O(N2+MNlogN)；所提算法则在上述检索过程基础上仅更新了该链路的调度因子，因而复杂度同为O(N2+MNlogN)；贪心算法每次进行资源分配时都需要重新更新资源复用策略，因而复杂度为O(MN2logN)；分布式DRL基于DQN框架，每次迭代需要更新神经网络参数，令||w表示每个智能体（车辆）的网络参数数目，则复杂度为O(N||w)。结果表明，相比贪心算法和分布式DRL算法，所提资源分配算法在保证性能逼近的基础上可以大幅减少算力开销。

图5 车辆数达到50时不同资源分配算法的迭代过程

图6 不同资源分配算法一次迭代典型复杂度

不同感知资源配比下不同分簇方式可达下行吞吐量如图7所示，考虑本文针对的感知和通信共享资源的场景，即感知和通信的总带宽资源恒定100 MHz的情况下，对比了不同感知资源配比下不同分簇算法所能达到的通信性能增益。

图7 不同感知资源配比下不同分簇方式可达下行吞吐量

图7表明，当感知资源分配较小时，感知估计所得位置误差较大，分簇带来的性能增益远不如不分簇时的性能；而随着感知资源分配增加，感知估计误差降低，分簇带来的性能增益逐步提升；当感知资源超出一定阈值时，估计精度无法带来更有效的通信性能增益，反而占用更多的频谱资源，最终使得通信性能骤降。不同分簇算法的仿真结果表现不尽相同，其中基于K-means算法对感知资源占比表现更为敏感，在感知分配带宽为4 MHz时达到通信性能峰值；基于DBSCAN密度聚类的方法则在感知分配带宽为3.5 MHz时达到通信性能峰值；所提基于Delaunay三角划分的分簇算法更为稳定，对感知误差相对没那么敏感，在感知分配带宽为3 MHz，即感知资源配比为3.0%时达到通信性能峰值；分布式DRL算法在感知分配带宽约为2 MHz，即感知资源配比为2.0%时达到通信性能峰值。

6 结束语

车联网日益增长的业务需求对有限的频谱资源提出了更高的需求，而车辆移动性引起的通信链路不稳定，会导致现有的基于车辆位置信息上报的通信资源分配方法不再高效。为了提高频谱资源分配的有效性，本文提出了一种基于通信节点无线感知辅助的车联网下行无线资源分配方法，通过基站无线感知技术估计出车辆的移动信息，进而提出了基于Delaunay三角划分的分簇方法，并改进了基于图着色的资源分配算法，最后讨论了通信感知资源正交情况下两者资源占比对下行性能的影响。仿真结果表明，随着感知资源配比的增加，系统下行吞吐量呈现先增后减的趋势，所提资源分配方法相比传统基于分簇和图着色的资源分配算法能承受更差的感知性能，在感知资源占比为3.0%时达到了最优的下行通信性能增益。