5G网络具备：1.高数据速率；2.大用户密度；3.超高可靠性；4.低延迟等特点，其中低延迟是在自动驾驶领域尤其关注的一点。本文提出一种超密集5G车载网络的架构，它采用用户中心式接入，并通过运动信息进行辅助接入。具体来讲，使用LAACS（分布式本地接入和应用中心）来将应用程序的执行和集中式接入控制共同执行。在这个过程中，在网络资源的动态管理中利用来自应用层的车辆运动信息，以便持续的保持车辆和为其服务的LAAC之间的高性能无线通信。

关于CSM（周期性协作感知消息）的UL（上行链路传输），本文整理了影响上述架构的关键元素有哪些，比如说：AP（接入节点）的关联、无线资源分配、移动性支持等。在实际网络部署中的约束和问题也有提及。

本文还提出了一种实用的接入策略的基准集合，它解决了CSM的可靠性和延迟要求，并在高速路和交叉路进行了仿真。

Ⅰ.介绍

车辆可通过通信共享彼此的感知信息，从而对驾驶环境进行感知，但在实现过程中存在诸多挑战，如：更短的发信周期、更多的描述信息、高可靠、低延迟等。这方面与5G的URLLC技术的目标一致，因此可以在其基础上继续研究。MEC和UDN作为5G的主要构成，对其架构有很大影响，其中MEC将云端和核心网的功能拉到了更接近接入网的位置，而UDN让AP变得更加密集。这带来了两个问题：1.接入点切换会更加频繁；2，小区间干扰会更加严重。文献[2]提出的新架构UUDN将AP协同起来提供服务，一个UE对应一组AP，AP组将根据用户的位置变动进行成员更新，即实现了以用户为中心。这其中有许多细节有待考量，如：1.如何更新AP组；2.如何管理资源；3.AP多了之后CSI信令开销也会变大。

因为根据车辆的运动状态可估计车辆位置，而位置决定了AP组的更新与否，因此本文将结合车辆位置实现AP组的更新；

支持5G的用户中心式车载网络架构

系统描述

LAAC：分布式本地接入和控制中心

红线是上行链路，传输车辆的信息。蓝色圆圈内的AP构成AP组，负责传输通信数据。淡黄色椭圆是宏基站的覆盖范围，要覆盖整个区域，其负责传输控制信令。

采用分布式的协同感知策略，车间通过CAM/CAM传递信息。

在MEC上定义APC（应用中心）和ACC（接入控制中心），他们共同构成了本架构的管理模块：LAAC（分布式本地接入和应用中心）。整体管理的流程如下：1.车启动时终端开启。入网请求通过BS发送到核心网的控制中心并分配逻辑cell的id给车辆；2.将管理任务移交给车辆所在区域的LAAC。

LAAC中ACC更接近底层，在数据在传输中角色更重要，他主要功能有三：1.上行时传递车辆的设施层消息给APC；下行时将APC处理后的数据传给车。2.ACC也接受APC处理后的车辆运动信息，用于AP组的划分和更新、确定协同传输/接受策略。3.分配无线资源。

运动信息辅助用户中心式接入

A.AP集团和协同接收

如何选择哪些AP为某辆车服务：可根据AP和车的距离选择，但要注意由障碍物引起的阴影衰落和同一障碍物引起的衰落是相关的。

当不同车的AP组重叠时，将分配单独的资源避免干扰。另外交叉路口车辆密度会比其他位置高，此时要考虑负载平衡

这里也可以考虑使用MIMO完成复用和分集，从而提升速率和可靠性。

B.无线资源分配

因为CSM的传输是周期的，所以可使用SPS策略降低延迟。因为使用AP和车的距离分配RB，所以可能发生同一RB分给不同车的情况，此时可设置“一定距离内的两车不分配给同一RB”的规则来避免。

对于延迟，可使用最大排队时延约束，也可通过不同的RB分法在时频域的延迟上取得均衡。对于重发，重发的优先级通常较高，因此可考虑保留专用的资源池，但这样会降低总体的频率使用效率。对于发生功率，ACC可根据AP的SINR要求调整车辆的发射功率。

C.移动性支持（AP如何更新）

ACC根据车辆的运动数据来预测车辆位置从而主动更新AP成员，另外当两车相距太近时也要给其中一个车分配新的RB。

因为车辆管理由LAAC完成，而LAAC是部署在MEC上的，当车从一个MEC的覆盖范围到另一个MEC的覆盖范围时，需要进行LAAC的控制任务转交。

系统模型

A.场景模型和接入策略

考虑了两个场景：1.城市高速公路；2.城市交叉路口

网络模型：

1.车辆位置服从以为齐次泊松过程；2.AP均匀分布在道路两侧；3.AP和车辆均单天线。

传输模型：

1.信道模型：消息生成速率fb为10Hz，载荷大小为6k bytes。CSM生成时间在周期T范围内随机选择，服从均匀分布。带宽B为120MHz，中心频率fc为5.9GHz。将T*B分成100份，用{RB1,RB2,…,RB100}表示。接收机SINR阈值τ设置为12Db，此时20MHz带宽上的香浓信道容量为81.5Mbps=W*log1+SINR=20*log⁡(1+16)。

2.AP的选择：根据CSM的生成时刻选择与车最近的K个AP，优先级降序如下：与车同向路侧的最近AP、与车逆向路侧的最近AP、与车同向路侧的次近AP，以此类推。

3.RB的分配：计最大排队延迟为L/ms，RB重用距离为D/m。CSM生成后，要求在L内为其分配RB，同时相聚D内的两车不能用同一RB。

4.车的有效SINR：设一个AP组由K个AP组成，车的有效SINR是K个AP提供的SINR的最大值。

5.AP的SINR：，分子是信号功率，分母是附近的车的干扰功率。

6.AP的接收功率： PRX=PTX-PL-X+δ，分别为路径损耗，阴影衰落，多径衰落

三个系统级性能指标

拥塞率（CR），用 $P_{CR}$ 表示，是指路段上所有车辆中拥塞车辆的比率，即在排队延迟限制内未分配RB的那些车辆。
由 $P_{PLR}$ 表示的分组丢失率（PLR）被定义为在分配了RB的所有车辆中丢失了CSM的车辆的比率，即，其有效接收的SINR未达到 $\tau$ 的车辆的比率。
停机概率，用 $P_{out}$ 表示，并计算为 $\begin{aligned} P_{\text {out }} &=1-\left(1-P_{\mathrm{CR}}\right)\left(1-P_{\mathrm{PLR}}\right) \\ &=P_{\mathrm{CR}}+P_{\mathrm{PLR}}-P_{\mathrm{CR}} P_{\mathrm{PLR}} \end{aligned}$ 。表示网络中任何车辆产生的CSM在E2E延迟限制内都无法转移到MEC服务器CSM的概率。

可见降低CR和PLR对提高整体可靠性很重要

B.仿真结果

（1）仿真参数设置

参数	符号	数值
相邻AP的间距（m）		30
车载天线高度（m）		1.5
AP天线高度（m）		10

（2）L(重传时间)和D(重用距离)的影响

# L用形状区分， D用颜色区分（红蓝绿依次增大）

i.对拥塞率的影响

ii.结合APG大小K对丢包率的影响

iii.结合K对outage率的影响

（3）AP部署的影响

# AP高度为h，AP的间隔距离为d

i.结合K、D对丢包率的影响

ii.结合K、D对outage率的影响

（4）有效SINR的CDF

为衡量可靠性，在图10中绘制了多次仿真获得的 $SINR_{eff}$ 的累积分布函数（CDF），其中L = 8 ms， $d_{VEH}$ = 50 m。

研究有效接收到的SINR是因为通常对链路级传输可靠性更感兴趣。

表3给出了一些重要的统计数据。对于大多数传输，实现的有效SINR足够高。当我们查看尾部分布时，可以看出，在所有设置中， $SINR_{eff}$ ≤12 dB的概率都被限制在 $10^{-5}$ 以下，而实际值非常接近平均PLR。这是可以理解的，因为如果在一个系统中实现的PLR很大，则平均PLR将会大大提高。有趣的是，当（ $h_{AP}$ ， $d_{AP}$ ，D，K）由(3, 10, 125, 2)给出时， $SINR_{eff}$ 是在这之中最大的值但方差也是最大的。这是因为一个更大的K（在其他三个设置中K=3）可以有效地帮助减少多样性增益带来的方差。

注意：此处采用的性能指标可能并非最适合协作感知应用。当车辆密度增加时，将消息速率设置为固定 -> 1.每单位面积和时间生成的CSM数量也变大；2.CSM中包含的信息变得更加冗余。

此外，较大的车辆密度通常意味着平均速度较低，即环境的动态性较差。因此，在不降低协作感知性能的情况下降低消息速率是可行的。在ETSI ITS-G5中，这可以通过分散式拥塞控制（DCC）功能解决。同样，定义性能指标以使其更适合应用程序也是至关重要的。

[精简论文笔记]Kinematic Information Aided User-Centric 5G Vehicular Networks