一种基于5G协作基站增强DOA估计的智能车辆定位方法技术

本发明专利技术涉及一种基于5G基站增强DOA估计的智能车辆定位方法，包括利用三个协作5G基站中的大规模均匀线阵接收智能车辆定位信号，考虑阵列未知互耦影响后确定各基站天线阵列下的DOA估计信号形式；计算各阵列观测数据的协方差矩阵，依次通过互耦线性变换抑制、Toeplitz整合和信号子空间相位补偿后，基于子阵划分技术获得增强的DOA估计；基于三协作5G基站获得的DOA估计结果，利用各基站获得的接收信噪比信息和DOA大小对所有DOA进行优选，最后通过优选的DOA基于三角定位法获得智能车辆的位置信息。和已有技术方法相比，本发明专利技术方法不仅复杂度低，而且可以提供更高的分辨率、定位精度和定位鲁棒性。定位鲁棒性。定位鲁棒性。

【技术实现步骤摘要】
一种基于5G协作基站增强DOA估计的智能车辆定位方法


[0001]本专利技术涉及车联网和智能交通领域，尤其是涉及一种基于5G协作基站增强DOA估计的智能车辆定位方法。

技术介绍

[0002]智能汽车是新时代下汽车产业转移升级的突破口和未来战略的制高点，它不仅是汽车本身的技术，更是物联网、云计算、大数据、移动互联等新技术相互融合的产物。智能汽车因其能够综合实现安全、节能、环保、舒适行驶以及提高交通效率，已成为当前车联网和智能交通领域的创新热点和发展方向。智能汽车是以自动驾驶技术和车联网技术为基础的多方共建的生态体系，在这个体系中，车辆高精度定位技术是其关键技术之一，是实现车辆安全通行的重要保证。在大多数车联网应用场景中，基于全球卫星导航系统(GNSS)实现的车辆定位是最常见、最基本的方案，然而考虑到环境(遮挡、光线、天气)、定位精度、成本以及稳定性等因素，单纯采用GNSS定位技术并不能满足车联网和智能交通业务的定位需求。在此背景下，通过其他一些方法来提高车辆定位精度、连续性和稳定性已成为车联网的核心发展趋势。
[0003]根据IMT
‑
2020(5G)推进组发布的《车辆高精度定位白皮书》以及最新5G无线定位等文献资料显示，依赖5G无线通信设备(如各种无线接入设备、蜂窝协作基站)或各种先进的传感器(如声呐、激光雷达、摄像头)并结合到达时间(TOA)、到达时间差(TDOA)和波达方向(DOA)估计等机制已成为目前智能车辆定位的主流方案。在这些方案中，基于5G协作基站天线DOA的估计定位技术因可完成多车辆的全天候定位，且对时延测量精度相对不敏感而成为具有广泛应用价值的定位技术之一，对提高车辆定位精度和稳健性起着至关重要的作用，并可在多种应用场景下有效弥补GNSS定位的不足。
[0004]近年来，基于协作基站DOA估计的智能车辆定位已经出现了两种代表性方案。第一种方案由H.Wang等人于2019年在文献《Assistant vehicle localization based on three collaborative base stations via SBL
‑
based robust DOAestimation》中提出，该方案在三协作基站下，基于稀疏贝叶斯技术实现DOA估计和车辆定位；第二种方案由F.Wen等人于2020年在文献《Auxiliary vehicle positioning based on robust DOAestimation with unknow mutual coupling》中提出，该技术方案考虑了实际阵列天线互耦的影响，基于秩亏准则获得了DOA估计和车辆定位。上述两种方案均是对基于协作基站DOA估计的智能车辆定位技术的有益尝试和探索，然而分析发现：第一种技术方案未考虑实际阵列互耦影响，且复杂度较高，致使其难以应用于实际；第二种方案基于经典渐近体系，阈值溃败现象显著，且在5G大规模阵列下应用时还会因样本协方差矩阵、特征值与特征向量的非一致性估计而使车辆定位稳健性难以保证。

技术实现思路

[0005]本专利技术所要解决的技术问题是提供一种在大规模阵列下应用时，其计算复杂度
低，并且能保证车辆定位稳健性的基于5G协作基站增强DOA估计的智能车辆定位方法。
[0006]本专利技术所采用的技术方案是，一种基于5G协作基站增强DOA估计的智能车辆定位方法，该方法包括如下步骤：
[0007]步骤1：利用三个协作5G协作基站中的大规模均匀线阵接收智能车辆定位信号，确定出各个协作基站的天线阵列下的DOA估计信号形式；
[0008]步骤2：计算各个协作基站的天线阵列的观测数据的协方差矩阵，其表达式为：其中，N表示采样时刻数，y
i
(t)表示第i个基站在第t时刻的阵列输出数据，并将每个协方差矩阵依次通过互耦线性变换抑制、Toeplitz整合以及信号子空间相位补偿，然后基于子阵划分技术获得每个协作5G协作基站的增强的DOA估计结果；
[0009]步骤3：基于步骤2中获得的三个协作5G协作基站的DOA估计结果，利用各协作基站获得的接收信噪比信息来对所有的DOA估计结果进行优选，得到优选DOA估计结果，最后根据优选DOA估计结果，采用三角定位法获得智能车辆的位置信息。
[0010]作为优选，在步骤1中，确定出各个协作基站的天线阵列下的DOA估计信号形式的具体过程为：设定由K个智能车辆发射的彼此不相关的定位信号入射到第i个5G协作基站的均匀线性阵列上，其中，i＝1，2，3；阵元数为M个，阵元间距为d，考虑阵列未知互耦，则第i个5G协作基站对应的阵列在时刻t的DOA估计信号形式表示为：
[0011]其中，s(t)＝[s1(t),...,s
K
(t)]T
，，表示第i个基站中的第M个天线在t时刻的输出数据，s
K
(t)表示第K个信号在t时刻的取值，表示第i个基站中的第M个天线在t时刻的噪声数据表示第i个基站接收第k个信号的导向矢量，表示第M个天线对应第k个信号的导向值，λ为载波波长，λ≥2d，为复值的互耦系数，满足为复值的互耦系数，满足且P<M，t表示采样时刻，上标T表示转置运算，Toeplitz{r}表示由向量r的元素组成的对称Toeplitz矩阵，k＝1,...,K；
[0012]作为优选，在步骤2中，将每个协方差矩阵依次通过互耦线性变换抑制、Toeplitz整合以及信号子空间相位补偿，然后基于子阵划分技术获得每个协作5G协作基站的增强的DOA估计结果的具体过程包括下列步骤：
[0013](2.1)、基于互耦矩阵的对称Toeplitz特性，利用线性变换矩阵来抑制线性阵列之间的互耦影响，所述线性变换矩阵的表达式为：其中，T＝[0
(M
‑
2P)
×
P
,I
M
‑
2P
,0
(M
‑
2P)
×
P
]，0
(M
‑
2P)
×
P
表示(M
‑
2P)
×
P维的全零矩阵，I
M
‑
2P
表示(M
‑
2P)
×
(M
‑
2P)维单位矩阵，表示由A
i
的中间的第行元素组成的矩阵，P
c
为包含定位信号功率和互耦系数的对角矩阵，为噪声功率；
[0014](2.2)、对步骤(2.1)中得到的进行Toeplitz整合，得到增强的协方差矩阵Ξ
i
，其表达式为：其中，J
m
表示转换矩阵，转换矩阵的第m个上对角元素为1，其他元素为0，J
‑
m
表示为(J
m
)
T
，且
[0015](2.3)、对步骤(2.2)中的增强的协方差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于5G协作基站增强DOA估计的智能车辆定位方法，其特征在于：该方法包括如下步骤：步骤1：利用三个协作5G协作基站中的大规模均匀线阵接收智能车辆定位信号，确定出各个协作基站的天线阵列下的DOA估计信号形式；步骤2：计算各个协作基站的天线阵列的观测数据的协方差矩阵，其表达式为：其中，N表示采样时刻数，y
i
(t)表示第i个基站在第t时刻的阵列输出数据，并将每个协方差矩阵依次通过互耦线性变换抑制、Toeplitz整合以及信号子空间相位补偿，然后基于子阵划分技术获得每个协作5G协作基站的增强的DOA估计结果；步骤3：基于步骤2中获得的三个协作5G协作基站的DOA估计结果，利用各协作基站获得的接收信噪比信息来对所有的DOA估计结果进行优选，得到优选DOA估计结果，最后根据优选DOA估计结果，采用三角定位法获得智能车辆的位置信息。2.根据权利要求1所述的一种基于5G协作基站增强DOA估计的智能车辆定位方法，其特征在于：在步骤1中，确定出各个协作基站的天线阵列下的DOA估计信号形式的具体过程为：设定由K个智能车辆发射的彼此不相关的定位信号入射到第i个5G协作基站的均匀线性阵列上，其中，i＝1，2，3；阵元数为M个，阵元间距为d，考虑阵列未知互耦，则第i个5G协作基站对应的阵列在时刻t的DOA估计信号形式表示为：其中，s(t)＝[s1(t),...,s
K
(t)]
T
，，，表示第i个基站中的第M个天线在t时刻的输出数据，s
K
(t)表示第K个信号在t时刻的取值，表示第i个基站中的第M个天线在t时刻的噪声数据表示第i个基站接收第k个信号的导向矢量，表示第M个天线对应第k个信号的导向值，λ为载波波长，λ≥2d，为复值的互耦系数，满足，且P＜M，t表示采样时刻，上标T表示转置运算，Toeplitz{r}表示由向量r的元素组成的对称Toeplitz矩阵，k＝1,...,K。3.根据权利要求2所述的一种基于5G协作基站增强DOA估计的智能车辆定位方法，其特征在于：在步骤2中，将每个协方差矩阵依次通过互耦线性变换抑制、Toeplitz整合以及信号子空间相位补偿，然后基于子阵划分技术获得每个协作5G协作基站的增强的DOA估计结果的具体过程包括下列步骤：(2.1)、基于互耦矩阵的对称Toeplitz特性，利用线性变换矩阵来抑制线性阵列之间的互耦影响，所述线性变换矩阵的表达式为：其中，T＝[0
(M
‑
2P)
×
P
,I
M
‑
2P
,0
(M
‑
2P)
×
P
]，0
(M
‑
2P)
×
P
表示(M
‑
2P)
×
P维的全零矩阵，I
M
‑
2P

【专利技术属性】
技术研发人员：徐鹤，金明，田野，
申请(专利权)人：宁波大学，
类型：发明
国别省市：