羅文宇，鐘云開，邵 霞，段臣續(xù)

（華北水利水電大學(xué)電子工程學(xué)院，河南鄭州 450046）

0 引言

為了滿足未來無線通信日益增長的高數(shù)據(jù)速率、低延遲和高可靠性的需求，更高的頻段在各種移動通信場景中被廣泛使用，其中毫米波［1］和亞太赫茲是滿足用戶高數(shù)據(jù)速率需求的突出方向。然而，高頻段的傳輸特性導(dǎo)致毫米波/亞太赫茲通信系統(tǒng)十分依賴視距（Line of Sight,LOS）鏈路以保證足夠的信號接收功率，同時其高穿透損耗使通信系統(tǒng)對阻塞非常敏感，一旦鏈路被移動的物體阻塞，可能會導(dǎo)致系統(tǒng)性能突然下降甚至鏈路中斷，極大影響網(wǎng)絡(luò)的可靠性和延遲。這激發(fā)了國內(nèi)外學(xué)者對克服高頻無線通信系統(tǒng)阻塞問題方法的廣泛討論和研究。對于LOS 鏈路而言，是否發(fā)生阻塞取決于通信終端和可能造成阻塞的移動物體的位置、高度、大小等。因此，感知無線環(huán)境中的有用信息并在鏈路阻塞發(fā)生之前主動實現(xiàn)預(yù)測，能夠使通信系統(tǒng)做出積極主動的決策。在文獻(xiàn)［2］中，毫米波基站獲取用戶的位置信息進行波束選擇，在阻塞發(fā)生之前，利用波束序列的循環(huán)神經(jīng)網(wǎng)絡(luò)對未來的阻塞情況實現(xiàn)靜態(tài)預(yù)測，主動切換到另一個基站或者波束。文獻(xiàn)［3］與低于6 GHz的電磁波通道結(jié)合，實現(xiàn)毫米波的動態(tài)阻塞預(yù)測。在有緩慢移動的接收器和障礙物的環(huán)境中，文獻(xiàn)［4］使用相鄰路徑來預(yù)測未來毫米波通信鏈路的阻塞情況。

近年來，關(guān)于計算機視覺輔助無線通信預(yù)測阻塞的研究備受關(guān)注，文獻(xiàn)［5］和文獻(xiàn)［6］采用了攝像機附加傳感器信息的深度卷積模型進行LOS鏈路阻塞預(yù)測。文獻(xiàn)［7］提出一種利用雙峰機器學(xué)習(xí)實現(xiàn)阻塞預(yù)測和用戶切換的視覺輔助無線通信解決方法。雖然視覺感知方法的相機部署方便，但在感知的過程中會涉及用戶的隱私問題，同時光線不足或者過強以及惡劣天氣的情況會嚴(yán)重影響相機感知數(shù)據(jù)的可信度。文獻(xiàn)［8］利用模擬數(shù)據(jù)和深度學(xué)習(xí)對室內(nèi)障礙物限速情況下的毫米波阻塞進行了預(yù)測，研究場景和目標(biāo)均具有一定的局限性。針對固定基站和用戶場景，文獻(xiàn)［9］提出了一種多元學(xué)習(xí)框架和循環(huán)神經(jīng)網(wǎng)絡(luò)，利用瑞利衰落信道模型預(yù)測毫米波鏈路阻塞。文獻(xiàn)［10］提出激光雷達(dá)作為另一種用途十分廣泛的感知方式，主要適用距離阻塞物體較近的移動場景，同時成本過高會使激光雷達(dá)難以大規(guī)模部署實際場景。因此，本文采用毫米波雷達(dá)感知無線環(huán)境信息的方式，在保護用戶隱私的基礎(chǔ)上具有較低成本、方便部署、高精度低延遲感知等優(yōu)勢。

現(xiàn)階段對毫米波雷達(dá)感知移動通信場景中的阻塞預(yù)測研究主要基于神經(jīng)網(wǎng)絡(luò)對未來某單一時刻的阻塞情況進行預(yù)測。文獻(xiàn)［11］基于長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）實現(xiàn)雷達(dá)輔助毫米波無線通信系統(tǒng)的單一時刻阻塞預(yù)測，盡管這種預(yù)測方法準(zhǔn)確率較高，但無法反映LOS鏈路在未來一段時間內(nèi)的總體情況，難以適應(yīng)復(fù)雜多變的無線環(huán)境。如果通過模型的堆疊實現(xiàn)多時刻阻塞預(yù)測，會大量增加訓(xùn)練時間，使得文獻(xiàn)［12］實際移動通信場景中可能針對每一時刻的阻塞情況發(fā)生頻繁的波束切換，增加波束開銷。在文獻(xiàn)［13］中，通過感知阻塞前發(fā)生的數(shù)據(jù)速率波動表示潛在的堵塞。然而，這種方法可實現(xiàn)的平均預(yù)測時間是相當(dāng)有限的，最高可預(yù)測90 ms 內(nèi)的阻塞情況，沒有足夠的時間實現(xiàn)波束切換以對抗阻塞帶來的鏈路中斷。因此本文提出能夠利用連續(xù)幀雷達(dá)熱圖之間時空關(guān)系預(yù)測多時刻阻塞情況的解決方法。為了評估該方法的性能，采用文獻(xiàn)［14］中的DeepSense 數(shù)據(jù)集，使用毫米波和雷達(dá)共存的數(shù)據(jù)對網(wǎng)絡(luò)進行大量訓(xùn)練。實驗結(jié)果表明，我們提出的解決方法不僅能對下一時刻的阻塞情況實現(xiàn)精準(zhǔn)預(yù)測，也能實現(xiàn)預(yù)測未來多個時刻內(nèi)的阻塞情況。這些結(jié)果為復(fù)雜動態(tài)環(huán)境下高頻段通信的高可靠、低時延QoS保障方面貢獻(xiàn)了一個很有前途的解決方法。

1 系統(tǒng)模型

本文提出一種毫米波雷達(dá)感知無線環(huán)境信息預(yù)測多時刻阻塞的系統(tǒng)模型。在實際通信中，該模型的通信效果易受高速移動物體（如:客車、轎車等）阻塞造成鏈路中斷進而受到影響，具有研究的典型性。如圖1所示，將放置有毫米波雷達(dá)的基站和用戶分別位于道路的兩側(cè)，道路中的移動車輛會隨時對LOS 鏈路發(fā)生阻塞，毫米波雷達(dá)發(fā)射的啁啾信號與移動車輛的反射信號發(fā)生混頻形成中頻信號，中頻信號經(jīng)過預(yù)處理后生成連續(xù)多幀的雷達(dá)熱圖，用于輸入CNN-ConvLSTM 混合網(wǎng)絡(luò)模型實現(xiàn)多時刻阻塞預(yù)測。

圖1 毫米波雷達(dá)感知多時刻阻塞預(yù)測方法系統(tǒng)模型

1.1 毫米波雷達(dá)感知模型

毫米波雷達(dá)發(fā)射的是一種頻率隨時間線性增加的正弦信號，又稱啁啾信號，該信號的發(fā)射信號如式（1）所示:

式中fc為初始頻率，ATx為發(fā)射增益，ψc為初始相位，B為啁啾信號帶寬，T為一個啁啾信號的持續(xù)時間。STxchirp(t)由毫米波雷達(dá)的發(fā)射天線射出，在無線環(huán)境中傳播，遇到移動車輛后發(fā)生反射，反射信號如式（2）所示:

式中ARx為反射信號的增益，ψr為反射信號的初始相位，fr為反射信號的初始頻率。發(fā)射信號和反射信號進行混合得到中頻信號，中頻信號如式（3）所示:

1.2 通信與阻塞模型

在該系統(tǒng)模型中，我們采用毫米波收發(fā)器和M根天線的基站，并采用窄帶信道模型實現(xiàn)基站與單天線用戶之間的通信。

式中hLOS和hNLOS為由視距和非視距鏈路引起的信道系數(shù)。在下行鏈路中，毫米波基站利用波束形成向量f∈CM傳輸給用戶。在此模型下，用戶接收到的信號可以表示為

因此，有效信道表示為

阻塞模型采用合并信道衰落模型表示t時刻的信道增益。我們定義t時刻的阻塞b(t)∈｛0,1｝，當(dāng)b(t)=1 時表示LOS 鏈路被阻塞。反之b(t)=0時，鏈路沒有發(fā)生阻塞。

2 毫米波雷達(dá)感知多時刻阻塞預(yù)測方法

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法

卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的代表算法之一，是一類具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。其內(nèi)部的卷積層和池化層是實現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征的核心架構(gòu)。輸入雷達(dá)熱圖進入網(wǎng)絡(luò)中并與濾波器進行卷積，提取圖像的局部特征，神經(jīng)元的輸入與局部感受野連接，對提取的特征進行二次提取求局部平均形成特征映射層，多個特征映射層構(gòu)成卷積神經(jīng)網(wǎng)絡(luò)。在卷積層和池化層之間加入批次標(biāo)準(zhǔn)化（Batch Normalization,BN）和層標(biāo)準(zhǔn)化（Layer Normalization,LN）對雷達(dá)熱圖特征本身和序列進行歸一化處理，避免訓(xùn)練過程中出現(xiàn)梯度爆炸或梯度消失的問題。將數(shù)據(jù)保持在均值為零、方差為1 的狀態(tài)下，加快數(shù)據(jù)訓(xùn)練的收斂速度，防止過擬合，如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)內(nèi)部工作原理

該網(wǎng)絡(luò)模型采用梯度下降法使損失函數(shù)Sigmoid 最小化，對網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向更新，層中的神經(jīng)元實現(xiàn)權(quán)重同步共享，通過頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)模型的精度，有效地提取雷達(dá)熱圖的重要特征。

CNN-A 模型輸入每張雷達(dá)熱圖的尺寸為（256,256,3），卷積層中的卷積核大小為（3,3），激活函數(shù)為Relu，網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

表1 CNN-A網(wǎng)絡(luò)結(jié)構(gòu)

為了能夠充分提取圖像中的重要特征，定義一個網(wǎng)絡(luò)深度更深，卷積核大小為（7,7），并對輸入通道進行分組的CNN-B模型，如表2所示。

表2 CNN-B網(wǎng)絡(luò)結(jié)構(gòu)

在時間分布層將兩個卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)合并實現(xiàn)跳躍連接。輸出的雷達(dá)熱圖特征輸入到神經(jīng)元個數(shù)128，卷積核大小為（3,3），激活函數(shù)為Relu 的ConvLSTM 模型中。整合后的模型采用Binary-Crossentropy 作為損失函數(shù)，Adam 函數(shù)優(yōu)化，學(xué)習(xí)率設(shè)置為0.000 5。

在訓(xùn)練過程中為了提高深度神經(jīng)網(wǎng)絡(luò)性能，防止網(wǎng)絡(luò)模型深度過大引發(fā)的收斂速度慢、梯度消失或梯度爆炸等問題，模型采用了跳躍連接的優(yōu)化方法，該方法能夠通過神經(jīng)網(wǎng)絡(luò)層傳播線性分量，緩解非線性的優(yōu)化困難問題，實現(xiàn)輸入和輸出之間的合理調(diào)節(jié)機制，完成模型的優(yōu)化。

2.2 基于ConvLSTM 的時空信息處理方法

ConvLSTM 是LSTM 的變形結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)不僅能處理和LSTM 相同的時序建模問題，還具有CNN 刻畫局部特征的能力，時空特性兼?zhèn)?。將CNN 與其相連，能夠深刻獲取毫米波雷達(dá)熱圖的特征信息，捕獲特征信息之間的時空關(guān)系，處理連續(xù)幀雷達(dá)熱圖的輸入問題。

在網(wǎng)絡(luò)結(jié)構(gòu)內(nèi)部計算中，LSTM 中門與門之間的連接計算原理是矩陣對應(yīng)元素相乘。因其網(wǎng)絡(luò)內(nèi)部的計算流程與前饋式神經(jīng)網(wǎng)絡(luò)類似，所以LSTM 能夠有效地處理時間序列問題，在預(yù)測未來單一時刻的阻塞情況中有較好的效果。但對于具有豐富性和很強局部特征的空間數(shù)據(jù)，LSTM 無法刻畫空間數(shù)據(jù)的局部特征。因此本文采用Conv-LSTM 來解決此問題，如圖3所示，該網(wǎng)絡(luò)能夠從多維度對輸入特征進行處理，實現(xiàn)連續(xù)幀毫米波雷達(dá)熱圖的多時刻阻塞預(yù)測。

圖3 ConvLSTM的內(nèi)部結(jié)構(gòu)（c是通道數(shù)（R,G,B）,h是圖像高度，w是圖像寬度）

LSTM 無法有效處理時空數(shù)據(jù)的主要原因是輸入到狀態(tài)和狀態(tài)到狀態(tài)的轉(zhuǎn)換中使用了完全連接，其中沒有編碼空間信息，而ConvLSTM 中的輸入與各個門之間的連接由前饋式替換成了卷積，同時狀態(tài)與狀態(tài)之間也換成了卷積運算，其中Wxi,Whi,Wci是矩陣權(quán)重向量，bi是偏移向量，σ為Sigmoid函數(shù)，X1…Xt為輸入，C1…Ct為輸出，H1…Ht為隱藏狀態(tài)，it，ft，ot是最后兩個維度為空間維度（行和列）的三維張量，“*”代表卷積運算。具體計算公式如下:

2.3 基于CNN-ConvLSTM 多時刻阻塞預(yù)測方法

本文提出一種基于毫米波雷達(dá)感知的CNNConvLSTM 相結(jié)合的多時刻阻塞預(yù)測方法。該方法首先利用毫米波雷達(dá)對移動通信場景中的目標(biāo)進行測量，構(gòu)建包含距離、角度、速度信息的雷達(dá)立方體用于檢測可能發(fā)生阻塞的移動目標(biāo)。為了從雷達(dá)測量數(shù)據(jù)R（t）中提取距離、角度、速度信息，分別從時間樣本、啁啾樣本和天線樣本方向上應(yīng)用距離、多普勒、角度傅里葉變換獲得經(jīng)過預(yù)處理后的雷達(dá)立方體。在雷達(dá)立方體中每個啁啾樣本的二維矩陣包含距離-角度映射，通過對不同的啁啾樣本求和減少距離-角度映射數(shù)量，得到的不同時間樣本的距離-角度圖可用于神經(jīng)網(wǎng)絡(luò)處理。

獲得連續(xù)幀的雷達(dá)熱圖后，經(jīng)過CNN 進行特征提取，在不改變特征維度的前提下按時間順序?qū)⑻崛〉降闹匾卣鞔鎯υ跁r間分布層中，如圖4所示。該結(jié)構(gòu)可以實現(xiàn)網(wǎng)絡(luò)模型從二維到三維的過渡。CNN 提取的雷達(dá)熱圖特征以連續(xù)八幀為一組封裝在時間分布層中，并將這些封裝好的特征作為ConvLSTM 的輸入完成多時刻阻塞情況預(yù)測，建立雷達(dá)熱圖特征之間的時空關(guān)系，解決CNN 每次提取多張熱圖可能存在的特征丟失的問題，實現(xiàn)兩種網(wǎng)絡(luò)結(jié)構(gòu)的完美連接。

圖4 時間分布層工作原理

將全部雷達(dá)熱圖特征存儲在時間分布層后，以連續(xù)八幀雷達(dá)熱圖特征為一組輸入到具有處理時空特征的ConvLSTM 結(jié)構(gòu)中實現(xiàn)多時刻阻塞預(yù)測，同時運用跳躍連接的方法對網(wǎng)絡(luò)模型進行優(yōu)化。解決毫米波雷達(dá)輔助無線通信中對未來某段時間區(qū)域內(nèi)的高精度阻塞預(yù)測問題。方法流程如圖5所示。

圖5 多時刻阻塞預(yù)測方法流程圖

3 仿真與實驗結(jié)果

3.1 數(shù)據(jù)集

本文采用DeepSense 6G 網(wǎng)站中場景30的數(shù)據(jù)集［14］，該數(shù)據(jù)集的應(yīng)用場景與本文提出的系統(tǒng)模型高度吻合。毫米波基站和雷達(dá)被放置在人行道上并指向發(fā)射機，發(fā)射機放置在道路的另一邊，當(dāng)公共汽車、出租車、自行車、行人等移動目標(biāo)通過LOS 路徑時，傳輸被阻斷。為了判斷阻塞狀態(tài)，首先確定最大接收功率電平的閾值，功率水平低于該閾值的樣本被認(rèn)定為阻塞。

樣本中x1～x8下的每一個索引對應(yīng)一個毫米波雷達(dá)原始測量數(shù)據(jù)，也對應(yīng)每一個測量數(shù)據(jù)經(jīng)過預(yù)處理后得到的距離-角度圖，blockage1-blockage10 下的索引表示未來該時刻的阻塞情況，0 表示沒有阻塞，1表示發(fā)生阻塞，如表3所示。

表3 數(shù)據(jù)集部分?jǐn)?shù)據(jù)

該數(shù)據(jù)集包含14 624 個原始數(shù)據(jù)，將連續(xù)八幀的雷達(dá)原始數(shù)據(jù)和未來10個時刻的阻塞情況定義為一組樣本，其中包含6 965 組訓(xùn)練樣本、1 808組驗證樣本和907 組測試樣本。為了能在充分合理的評估網(wǎng)絡(luò)模型的前提下，盡量減少訓(xùn)練的時間，該方法從中選取1 500 組樣本構(gòu)建數(shù)據(jù)集，按照訓(xùn)練集和測試集70%和30%的比例劃分，呈現(xiàn)1 050 組訓(xùn)練樣本和450 組測試樣本。在訓(xùn)練的過程中，通過指定未來不同長度的時間段實現(xiàn)多時刻預(yù)測，豐富方法解決阻塞預(yù)測問題的能力。

3.2 結(jié)果分析

為分析CNN-ConvLSTM 模型解決毫米波雷達(dá)感知多時刻阻塞預(yù)測問題的可行性，本節(jié)將對模型的訓(xùn)練結(jié)果進行評估。在不改變數(shù)據(jù)集的情況下，分析該模型預(yù)測未來10 個時刻中不同長度時刻內(nèi)的阻塞情況。在GPU 選擇上，在實驗中采用兩張顯存為48G、內(nèi)存為180G 的A40 同步訓(xùn)練，每次訓(xùn)練迭代50 次，并將準(zhǔn)確率、精確率、召回率作為評價指標(biāo)全面評估模型。同時，對預(yù)測未來某單一時刻阻塞情況的準(zhǔn)確率和F1-score 與文獻(xiàn)［11］中提出的LSTM 模型進行對比分析，如圖6所示。

圖6 不同時間段內(nèi)阻塞情況預(yù)測結(jié)果

圖6 反映出未來10 個時刻內(nèi)不同時間段的阻塞預(yù)測情況，其中每一個時刻代表雷達(dá)每幀的持續(xù)時間（T≈110 ms）實驗結(jié)果可以得到預(yù)測準(zhǔn)確率始終保持在90%左右，召回率和精確率隨阻塞預(yù)測時刻的增加略有下降。下降原因是預(yù)測任務(wù)量增加，數(shù)據(jù)集標(biāo)簽出現(xiàn)不平衡，導(dǎo)致數(shù)據(jù)集中出現(xiàn)大量的未阻塞樣本影響召回率和精確率的評估結(jié)果。但是對于準(zhǔn)確率，樣本標(biāo)簽的不平衡對評估結(jié)果影響較小，仍然可以達(dá)到精準(zhǔn)預(yù)測阻塞的要求。

精準(zhǔn)率是預(yù)測為阻塞的數(shù)據(jù)中預(yù)測正確的數(shù)據(jù)個數(shù)，召回率是真實為阻塞的數(shù)據(jù)中預(yù)測正確的數(shù)據(jù)個數(shù)，混淆矩陣如表4所示。兩種評價指標(biāo)是對準(zhǔn)確率的補充，更充分體現(xiàn)預(yù)測標(biāo)簽的準(zhǔn)確性。

為了有足夠的時間實現(xiàn)波束切換以對抗阻塞帶來的鏈路中斷，圖7 反映預(yù)測未來10 個時刻內(nèi)，訓(xùn)練集和測試集的阻塞預(yù)測準(zhǔn)確率隨訓(xùn)練次數(shù)的變化曲線。由圖7 可知阻塞預(yù)測的準(zhǔn)確率隨訓(xùn)練迭代次數(shù)的增加而增加，穩(wěn)定后訓(xùn)練集準(zhǔn)確率接近100%，測試集準(zhǔn)確率接近90%。從訓(xùn)練結(jié)果可以體現(xiàn)本文所提出的模型能夠有效處理多時刻阻塞預(yù)測問題。

圖7 前10個時刻內(nèi)阻塞預(yù)測準(zhǔn)確率曲線

在實現(xiàn)多時刻阻塞預(yù)測的基礎(chǔ)上，本文希望CNN-ConvLSTM 在解決單一時刻阻塞預(yù)測問題中也同樣具有說服力的效果，因此本文對未來10 個時刻中每一個單獨時刻進行阻塞預(yù)測，并與文獻(xiàn)［11］中利用LSTM 預(yù)測阻塞情況的準(zhǔn)確率和F1-score進行對比分析，如表5、表6所示。

表5 兩種模型單一時刻阻塞預(yù)測準(zhǔn)確率

表6 兩種模型的F1-score結(jié)果對比

其中F1-score 是召回率和精確率的調(diào)和平均數(shù)，計算公式如式（14）所示:

由結(jié)果可知CNN-ConvLSTM 在預(yù)測單獨時刻的阻塞情況中仍然有超過85%的準(zhǔn)確率和F1-score。結(jié)果分析如下:1）在準(zhǔn)確率方面，LSTM 在預(yù)測單獨時刻的準(zhǔn)確率較CNN-ConvLSTM 有一定的優(yōu)勢，但在訓(xùn)練樣本數(shù)量上，CNN-ConvLSTM 僅用原數(shù)據(jù)集中的15%進行訓(xùn)練，大大降低了計算量，提高訓(xùn)練速度；2）在F1-score 的評價指標(biāo)方面，CNN-ConvLSTM 較LSTM 在預(yù)測各個時刻中均有提升，原數(shù)據(jù)集中不同時刻中阻塞情況的不平衡是影響F1-score的因素之一。

4 結(jié)束語

本文對基于毫米波雷達(dá)感知的多時刻阻塞預(yù)測問題進行研究。針對毫米波移動通信場景，為了深度提取毫米波雷達(dá)感知熱圖的特征和時空關(guān)系，提出了一種CNN-ConvLSTM 結(jié)合的網(wǎng)絡(luò)模型。通過對比分析不同時間段內(nèi)的阻塞預(yù)測的準(zhǔn)確率、精確率和召回率以及單一時刻準(zhǔn)確率和F1-score 表明，本文提出的網(wǎng)絡(luò)模型在解決單一時刻和多個時刻的阻塞預(yù)測問題中，均能達(dá)到90%的預(yù)測準(zhǔn)確率和80%以上的F1-score。實驗結(jié)果證明本文所提方案具備多時刻精確阻塞預(yù)測能力，可應(yīng)用于復(fù)雜動態(tài)環(huán)境下高頻段通信的高可靠、低時延QoS 保障等方向。下一步工作著重于將所提方案與遷移學(xué)習(xí)結(jié)合，以解決不同場景中的多時刻阻塞預(yù)測問題。