《Sensors》:A 94 GHz Millimeter-Wave Radar System for Remote Vehicle Height Measurement to Prevent Bridge Collisions
Natan Steinmetz,
Eyal Magori,
Yael Balal,
Yonatan B. Sudai and
Nezah Balal
编辑推荐:
支持物联网(IoT)连接的卫星可能需要服务大量LoRa终端,而采用相同扩频因子(Spreading Factor, SF)的分组之间发生碰撞会严重降低上行链路可靠性。低轨卫星物联网(Low Earth Orbit Internet of Things, LEO
支持物联网(IoT)连接的卫星可能需要服务大量LoRa终端,而采用相同扩频因子(Spreading Factor, SF)的分组之间发生碰撞会严重降低上行链路可靠性。低轨卫星物联网(Low Earth Orbit Internet of Things, LEO-IoT)中基于ALOHA的接入机制在海量终端接入条件下会导致频繁碰撞,从而限制系统容量。依赖捕获效应(capture effect)的传统信号分离方法通常要求碰撞信号之间具有足够大的功率差。然而,由于低轨道(LEO)链路的信道特性,这一条件往往难以满足。研究人员提出了ConvLoRa,一种面向低轨卫星物联网中同SF LoRa上行碰撞信号的碰撞解调方法,其基于全卷积神经网络(Fully Convolutional Network, FCN)。为提升对同步偏差的鲁棒性,ConvLoRa使用前导中的上啁啾(up-chirp)作为特征匹配参考,并在训练过程中采用数据增强以模拟同步偏差。此外,该方法采用多任务(multi-task)设计,在几乎不引入额外网络参数的前提下估计载荷长度。实验表明,在碰撞条件下,ConvLoRa相较于基线方法,包括CoRa和基于连续干扰消除(Successive Interference Cancellation, SIC)的接收机,能够实现更低的解调比特误码率(Bit Error Rate, BER)。在双信号碰撞、信噪比(Signal-to-Noise Ratio, SNR)= ?9 dB且SF = 8的条件下,所提方法的BER分别仅为CoRa的21%和基于SIC方法的28%。
该论文发表于《Sensors》,研究主题聚焦于低轨卫星物联网(Low Earth Orbit Internet of Things, LEO-IoT)场景下LoRa同扩频因子(Spreading Factor, SF)上行碰撞信号的智能解调问题。研究背景在于,卫星物联网作为地面物联网的重要补充,具有全球覆盖、高可靠性和适配偏远区域通信等优势,其中低轨卫星由于时延低、带宽高、成本相对较低、适配低功耗终端而尤其适用于IoT接入。然而,LoRa在LEO-IoT中通常采用基于ALOHA的免调度随机接入机制,随着终端数目增加,同一SF信号碰撞概率显著上升,进而导致链路接入成功率和系统容量下降。既有LoRa碰撞分离方法多面向地面LoRaWAN环境,往往依赖较大的接收功率差或较高精度的时频同步,而LEO链路受传播距离、阴影莱斯(shadowed Rician)衰落、多普勒频偏和不完全同步影响,传统捕获效应和SIC类方法难以稳定适用,因此开展面向LEO-IoT特性的碰撞解调研究具有明确必要性。
围绕这一问题,研究人员提出了ConvLoRa框架,目标是在低功率差、存在同步偏差的同SF LoRa碰撞条件下实现更鲁棒的信号分离与符号解调。论文首先建立了LEO-IoT信道模型,包括自由空间大尺度衰落、阴影莱斯小尺度衰落以及卫星接收天线方向增益模型,并结合SF分区方案分析碰撞信号功率比(Power Ratio, PR)分布。结果显示,在多数情况下,卫星侧接收到的碰撞LoRa信号并不满足捕获效应所需的功率差条件,这从系统层面说明了提出新型解调框架的必要性。随后,研究人员将LoRa碰撞解调问题形式化为神经网络分类任务,以前导中的上啁啾作为参考波形,将参考啁啾与待解调载荷符号共同输入全卷积网络,通过特征匹配与联合判别实现碰撞环境下的目标符号恢复。论文的核心结论是:在LEO-IoT低功率差碰撞场景中,ConvLoRa相较CoRa和SIC基线可显著降低BER,并对频率同步误差和定时同步误差表现出更强鲁棒性;此外,该方法在实测信道模拟环境中也保持了与仿真结果接近的性能,说明具有较好的现实可迁移性。其重要意义在于,研究为提升卫星LoRa上行碰撞分离能力、缓解海量接入造成的容量瓶颈提供了新的智能接收思路。
从方法上看,作者主要采用了以下关键技术:其一,基于Python、SciPy、PyTorch与STK构建符合LEO信道和LoRa帧结构的仿真数据集,并将1000个碰撞样本按7:3划分训练集和测试集;其二,设计面向不同SF统一处理的全卷积FFT-CNN模块,以并行时域/频域分支提取碰撞LoRa信号特征;其三,利用前导可变前导码(VP)中的上啁啾作为参考啁啾,构造参考—载荷联合解调模型;其四,通过数据增强注入定时抖动与采样失活以模拟弱同步条件;其五,采用多任务学习(Multi-Task Learning, MTL)联合完成符号解调与载荷长度估计;其六,结合Monte Carlo仿真与IZT C3040卫星信道模拟器、AD9361收发模块和R&S SMBV100A噪声源开展实测验证。
在“Satellite IoT”部分,论文梳理了卫星物联网的发展背景及其与LoRa融合的应用趋势,指出LEO卫星与LoRa技术结合可支撑大规模远程IoT连接,为后续研究问题提供应用基础。
在“Comparison with NB-IoT and LoRa”部分,研究人员比较了NB-IoT与LoRa在LEO-IoT中的接入机制、调制方式与碰撞缓解路径差异。论文指出,NB-IoT依赖随机接入前导、时频同步与调度化上行,而LoRa采用grant-free的ALOHA型接入,且其多普勒影响更多转化为解啁啾后的符号定时漂移,因此二者的碰撞处理方法并不相同。这一比较进一步凸显了针对LoRa碰撞单独设计接收方案的必要性。
在“LoRa Signal Seperation and Demodulation”部分,论文总结了现有LoRa碰撞分离方法的两大类:基于捕获效应的方法,以及基于FFT峰形特征的方法。前者严重依赖功率差,后者虽可在较小功率差下工作,但对精确同步要求较高。机器学习方法如NELoRa与DeepLoRa展示了神经网络在LoRa解调中的潜力,但并未针对LEO-IoT中的同SF碰撞与同步偏差问题进行专门设计。由此,作者明确提出ConvLoRa的定位:降低对功率差与精确同步的依赖。
在“LEO-IoT Channel Model”部分,研究人员给出了大尺度自由空间衰减、阴影莱斯衰落、卫星接收天线增益和接收功率、SNR、PR等数学模型,并结合LEO-LoRaWAN波束覆盖与SF分配进行仿真。结果表明,多数碰撞样本的PR不足以支撑传统捕获效应,这一结果直接支撑了ConvLoRa的研究动机。
在“LoRa Signal”部分,论文系统描述了LoRa物理层帧结构,包括VP、同步字(SW)和起始帧分隔符(Start Frame Delimiter, SFD),并给出了符号调制表达式、帧级时域表示和碰撞接收模型。研究人员进一步将多信号碰撞建模为带有到达时延、多普勒频偏、初始相位及噪声叠加的离散采样信号,为后续神经网络输入构造奠定了形式化基础。
在“LoRa Detection and Synchronization”部分,作者说明ConvLoRa并不要求完全精细同步,但仍利用传统LoRa检测与同步流程获得碰撞信号数目Γ、粗略起始位置和多普勒频偏估计。论文将同步状态划分为完全同步、部分同步和弱同步三种,并指出ConvLoRa在部分同步甚至一定范围的弱同步条件下仍可工作,这构成其相对传统方法的关键优势之一。
在“FFT-CNN”部分,研究人员设计了FFT-CNN作为核心特征提取模块。该模块借鉴SegNet思想,但改造成适配一维信号处理的全卷积结构,分别通过时域支路和频域支路并行提取特征,再经逐元素相乘融合。全部卷积层保持输入输出长度一致,并采用循环填充以适应LoRa解啁啾FFT谱的周期特征。该设计使同一网络可适应不同SF,而无需为每种SF单独训练模型。
在“Demodulation Model Structure”部分,论文提出双输入解调模型:一支FFT-CNN处理来自VP的参考上啁啾,另一支FFT-CNN处理待解调载荷符号集合,二者特征融合后再经卷积分类器输出每个符号在全部候选调制值上的后验概率。由于参考啁啾与对应载荷符号共享相近的同步误差与频偏特征,网络能够在碰撞背景中更准确地识别目标信号对应峰值。
在“Demodulation Model Training Procedure”部分,研究人员将LoRa符号解调定义为分类任务,采用交叉熵损失(cross-entropy loss)训练;同时,为了在未知载荷长度条件下识别有效符号,进一步构建二分类符号检测任务,并通过二元交叉熵(Binary Cross-Entropy, BCE)损失与解调任务联合优化,形成总损失函数。训练中使用AdamW优化器、学习率预热与衰减策略,并通过网格搜索确定超参数。更重要的是,作者通过定时抖动和样本置零的数据增强方式模拟同步偏差,从而提升模型在真实弱同步条件下的泛化能力。
在“Computational Complexity Analysis”部分,论文比较了传统FFT峰值检测与ConvLoRa卷积推理的复杂度。传统LoRa解调复杂度主要为
O(M log
2M),而ConvLoRa推理复杂度由多层一维卷积的乘加运算主导,训练复杂度则与训练样本数、epoch数和前反向传播成本相关。作者指出,虽然ConvLoRa推理复杂度更高,但训练可离线完成,运行时可借助嵌入式GPU或神经处理器加速,因此在性能收益与部署成本之间具有一定可接受性。
在“LoRa Symbol Demodulation Procedure”部分,研究人员给出了完整推理流程。首先,从VP中选择最适合作为参考的上啁啾;其次,通过多任务输出中的检测logit累计和估计每路碰撞信号的载荷符号数;最后,将参考啁啾与对应载荷符号输入网络进行逐符号解调。针对FFT峰靠近bin边界时易混淆的问题,论文还引入0.5个FFT bin频移后的二次解调,并在两次后验概率中选取置信度更高的结果作为最终判决,以进一步提高稳定性。
在“Results and Analysis”部分,论文从多个角度验证了方法有效性。首先,在不同SF和SNR条件下,ConvLoRa相较CoRa和SIC均表现出更低的BER,且SNR越低优势越明显。其次,在固定SF = 8、SNR = ?12 dB的双信号碰撞场景中,ConvLoRa在不同PR条件下均显著优于SIC,尤其在低功率差条件下优势突出,这与LEO-IoT实际功率分布高度契合。再次,在不筛除同步误差样本的条件下,采用分组接收率(Packet Reception Ratio, PRR)评价时,ConvLoRa依旧维持较好的分离能力,说明其对实际接收条件更具适应性。进一步的同步偏差实验显示,在频率偏差和定时偏差存在时,ConvLoRa的BER恶化程度最小;其中,频偏影响较弱,而定时偏差会对所有方法造成明显冲击,但ConvLoRa仍最稳健。消融实验表明,参考啁啾对应FFT-CNN的频域支路是最关键的组成部分。最后,在IZT C3040信道模拟器和AD9361平台上的实测结果显示,仿真与实测之间的性能差异总体较小;当SNR低于?11 dB时几乎可忽略,高于该值时实测略有下降,但整体仍验证了方法在真实环境中的可行性。论文特别报告,在双信号碰撞、SNR = ?9 dB、SF = 8时,ConvLoRa的BER仅为CoRa的21%、SIC方法的28%。
讨论部分主要围绕方法优势、限制与部署可行性展开。作者认为,ConvLoRa的核心价值在于摆脱了传统捕获效应对大功率差的依赖,并通过参考啁啾匹配与数据增强提高了对同步误差的容忍度,因而更符合LEO-IoT上行碰撞的真实条件。同时,论文也明确指出两项局限:其一,模型计算开销较大,对卫星侧硬件提出较高要求;其二,参考啁啾的提取要求碰撞信号之间具有足够大的时间间隔,具体而言需超过半个符号时长,否则参考构造会受限。为评估工程部署前景,作者将模型导出为ONNX并在NVIDIA GTX 1050 Ti上测试,结果显示平均单次推理时延低于200 ms,且在SF = 8时单次推理吞吐量超过200个LoRa符号,支持3至4组碰撞信号并行推理,这说明在具备GPU能力的平台上具有一定部署可行性。
研究结论部分可译为:随着低轨卫星物联网技术的发展,LEO-IoT系统覆盖的终端数量持续增加,导致上行分组碰撞日益严重。传统SIC方法难以适应LEO-IoT信号低功率差的特征。因此,研究人员提出了一种基于深度学习的分离算法,以提升LEO-IoT系统容量。通过仿真测试和真实数据测量,结果表明,在LEO-IoT典型的低功率差条件下,所提方法在分离相同SF的LoRa信号时显著优于传统SIC,并且对同步偏差具有更好的鲁棒性。