基於 5G eV2X 通訊技術的車輛編隊資源分配演算法效能分析

核心概念

本研究通過模擬比較三種車輛編隊資訊流拓撲 (IFT) 和三種資源分配演算法，發現單跳資訊流策略搭配最大載波干擾比 (MaxC/I) 資源分配演算法在 5G eV2X 車聯網環境下，能提供最佳的服務品質 (QoS)，包含延遲、可靠度、資訊年齡 (AoI) 和傳輸量等方面。

摘要

文獻回顧

研究背景

隨著全球汽車密度的空前增長，碳排放量增加，道路安全也受到影響。為了解決這些問題，車聯網技術應運而生，其中車輛編隊被認為是能夠提高道路交通容量、減少碳排放的潛力技術。

車輛編隊技術

車輛編隊是指一組具有共同目標的車輛，以很小的安全距離協同行駛。編隊中的車輛以協調的方式移動，可以同步加速或減速，從而減少空氣阻力，節省燃料消耗。

車聯網通訊技術

車輛編隊需要可靠的車聯網通訊技術來確保行駛安全和效率。現有的車聯網通訊技術包括 IEEE 802.11p DSRC 和 LTE cV2X，但這些技術在滿足車輛編隊的嚴格延遲要求方面存在局限性。5G eV2X 作為新一代車聯網通訊標準，有望滿足這些需求。

資源分配演算法

為了應對 5G 高頻段通訊中信號品質波動加劇的問題，設計高效的無線資源分配方法至關重要。本研究探討了三種資源分配演算法：最大載波干擾比 (MaxC/I)、比例公平 (PF) 和 Deficit Round Robin (DRR)。

研究方法

系統模型

本研究使用 OMNeT++、Veins 和 Simu5G 模擬了車輛編隊在 5G 網路環境下的性能。研究考慮了三種 IFT：車輛到伺服器 (Car-to-Server)、多跳 (Multi-Hop) 和單跳 (One-Hop)。

評估指標

本研究使用以下 QoS 參數評估不同 IFT 和資源分配演算法的性能：

• 平均端到端延遲
• 平均資訊年齡 (AoI)
• 平均傳輸量
• 接收概率

研究結果

車輛交通負載的影響

模擬結果顯示，隨著車輛編隊規模和數量的增加，所有 IFT 的平均端到端延遲、AoI 和傳輸量都會受到影響。

資源分配方案的影響

研究結果表明，在單跳 IFT 中，MaxC/I 資源分配演算法在良好的通道條件下表現最佳，但在最差鏈路情況下存在局限性。

結論

本研究通過模擬比較三種車輛編隊資訊流拓撲 (IFT) 和三種資源分配演算法，發現單跳資訊流策略搭配最大載波干擾比 (MaxC/I) 資源分配演算法在 5G eV2X 車聯網環境下，能提供最佳的服務品質 (QoS)，包含延遲、可靠度、資訊年齡 (AoI) 和傳輸量等方面。

未來展望

未來研究方向包括開發基於鏈路自適應的資源分配策略，以解決最差鏈路情況下的性能下降問題，進一步提高基於單跳的車輛編隊通訊的穩健性。

統計資料

在印度，2011 年至 2015 年間，四輪汽車的私人擁有量增加了 11%，而同期僅乘用車的碳排放量就接近 45%。
2019 年，印度發生了多達 449,002 起交通事故，造成 151,113 人死亡。
車輛編隊基本上是一列具有共同目標的車輛，它們以很小的安全距離協同移動。
編隊中的成員以協調的方式移動，以便它們可以同步加速或減速，由於減少了空氣阻力，從而節省了大量燃料消耗。
協調駕駛要求確保車輛編隊的串穩定性，以提高道路交通效率和道路安全。
這通過協同自適應巡航控制 (CACC) 來實現，這是一種車輛控制策略。
反過來，這又需要定期、及時和可靠地交換協同感知消息 (CAM)，其中包含基本信息，例如車輛的當前位置、速度和加速度的變化等。
CAM 在排長和排成員之間的及時傳遞取決於車輛對車輛 (V2V) 通信鏈路，這些鏈路本質上是有損耗的，這主要是由於多徑衰落和多普勒擴展。
V2V 通信的流行標準是 IEEE 802.11p 直接短程通信 (DSRC)。
但是，它無法滿足 4G 及更高版本網絡中與車輛編隊相關的嚴格延遲要求。
因此，第三代合作夥伴計劃 (3GPP) 在 LTE 中規定了蜂窩車聯網 (cV2X) 通信標準，該標準通過現有的第四代 (4G) 蜂窩基礎設施執行 V2V 通信。
cV2X 可以支持異構網絡節點之間更長的通信距離，例如 V2V、車輛到基礎設施 (V2I) 和車輛到行人 (V2P)。
隨著 5G 中對車輛之間超可靠低延遲通信的要求，3GPP 已將 cV2X 擴展到 Release-16 中的增強型車聯網 (eV2X) 標準。
儘管如此，隨著 5G 有望在更高的頻率範圍內運行，由於 V2V 鏈路對多普勒擴展和多徑衰落的敏感性增加，預計其信號質量波動會進一步增加。
克服這種高頻通道損傷並提高通信鏈路可靠性的方法之一是設計有效的無線電資源分配方法。
與 cV2X 一樣，Release 16 也推薦正交頻分多址 (OFDMA) 用於 eV2X，儘管採用了多數字幀結構。
在多數字 OFDMA 中，帶寬被劃分為正交帶寬部分 (BWP)，並且在每個 BWP 中，時頻資源塊 (RB) 具有不同的帶寬和持續時間，以滿足不同的應用。
明智地分配這些 RB 以在傳輸時間間隔 (TTI) 中為 CAM 交換提供服務，可以確保這些消息的可靠和及時傳遞。
3GPP 沒有為任何標準指定任何 RB 分配算法。
因此，重要的是要設計這樣的算法以實現車輛編隊中的高效通信。
在多數字 OFDMA 中，帶寬被劃分為正交帶寬部分 (BWP)，並且在每個 BWP 中，時頻資源塊 (RB) 具有不同的帶寬和持續時間，以滿足不同的應用。
明智地分配這些 RB 以在傳輸時間間隔 (TTI) 中為 CAM 交換提供服務，可以確保這些消息的可靠和及時傳遞。
3GPP 沒有為任何標準指定任何 RB 分配算法。
因此，重要的是要設計這樣的算法以實現車輛編隊中的高效通信。
我們已經使用 PLEXE 的默認前導追隨者 (PLF) 控制策略，其中 PM 的控制律基於從其前身和 PL 接收到的 CAM 定期更新。
為了確保及時接收 CAM，我們在 5G 上使用了基於多數字 OFDMA 的 V2V 通信，這是使用 Simu5G 實現的。
信息通過三種 IFT 之一從 PL 和前任流向 PM - 通過基礎設施的 V2V 通信（車輛到服務器）、直接 V2V 通信（單跳）和中繼 V2V 通信（多跳）。
然後，我們研究了資源分配策略（例如 MaxC/I、比例公平 (PF) 和 DRR）如何影響信息拓撲。
正如前面所討論的，排隊可以提高道路交通能力。
雖然更長的排隊可以更好地簡化道路交通，但長度會對穩定性產生負面影響。
因此，在這項工作中，我們研究了不同的資源分配算法如何影響較長編隊中 CAM 傳輸的可靠性。
在這項工作中，可靠性根據平均端到端 (E2E) 延遲、平均信息年齡 (AoI)、平均吞吐量和接收概率等指標進行量化。
我們的框架是一個即插即用的設計，您可以在其中更改 IFT、資源分配算法、排隊數量和排隊長度，以在 5G 場景中執行所需的實驗。
廣泛的模擬結果表明，單跳 IFT 和 MaxC/I 的組合在單排隊和多排隊場景中都能在延遲和排隊可靠性方面產生最佳的服務質量 (QoS) 性能。
據我們所知，我們的論文是第一個研究各種 IFT 和資源分配算法對 5G 網絡中車輛編隊 QoS 性能的影響的工作。
每輛排隊車輛的長度、期望的車輛間間隙和控制輸入更新間隔分別設置為 L = 5 m、d = 11 m 和 T = 100 毫秒。
本研究不考慮排隊的動態變化，即排隊加入、離開或機動。
我們檢查了兩種情況 - (i) 單排隊場景 (M = 1)，其中排隊長度 (N) 取值為 3 到 10，以及 (ii) 多排隊場景，其中排隊數量 (M) 變化為 1、2 和 3。
對於這些排隊場景中的每一個，我們都考慮了三種 IFT，用於在基於 5G eV2X 的排隊中將 PL 和前任的信息流向 PM。
三種 IFT 分別是，(i) 車輛到服務器，(ii) 單跳，和 (iii) 多跳（詳情請參閱第 II 節）。
我們使用了 Simu5G 框架為排隊車輛啟用 5G eV2X 通信功能。
在車輛到服務器中，所有排隊車輛（在單排隊和多排隊場景中）都通過單個 gNB 進行通信。
在單跳和多跳中，排隊車輛通過 V2V 鏈路直接相互通信。
在所有三種 IFT 中，gNB 都為 CAM 交換分配了 200 MHz 的傳輸帶寬。
CAM 交換週期和消息大小（不包括來自較低層的額外標頭）分別設置為 Tp = 30 毫秒和 110 字節。
我們對每次模擬進行了 20 次重複，模擬時間為 60 秒。
表 I 總結了我們用於模擬三種 IFT 的關鍵模擬參數，涵蓋單排隊和多排隊設置。
在所有三種上述 IFT 中，分配用於 CAM 交換的 RB 數量取決於傳輸帶寬和數字。
排隊車輛定期向 gNB 報告其 CQI 值，gNB 使用此信息為 CAM 傳輸選擇適當的調製和編碼方案 (MCS)。
有關 CQI 和相應 MCS 的更多詳細信息，請參見 [14]。
Simu5G 工具提供了三種資源分配算法：MaxC/I、PF 和 DRR，在第 II-B 節中討論過。
在這項工作中，我們將 Simu5G 工具的這些算法與 Veins 和 Plexe 一起使用，以模擬和分析每種資源分配方法在基於 5G eV2X 的排隊通信中的性能。
我們在模擬中使用的通信參數列於表 I 中。
我們使用現實通道模型和 Jakes 模型的組合模擬了瑞利衰落通道 [45]，該模型考慮了高移動性車輛場景中的多普勒頻移。
Simu5G 提供了基於 3GPP 規範的逼真通道模型 [46]。
在這項工作中，對於第 III-A 節中提到的排隊場景，我們使用了 3GPP 標準化的 5G cV2X 路徑損耗模型 [10] 通信。
用於模擬 V2V 鏈路的路徑損耗 (PL) 模型由下式給出，PL = 32.4 + 20 log10(d) + 20 log10(fc)。
(7) 在這裡，d 是發射器和接收器之間的距離（以米為單位），fc 是載波頻率（以 GHz 為單位）。
陰影衰落標準偏差為 σSF = 3dB。
我們比較了不同的排隊 IFT：車輛到服務器、多跳和單跳，就 QoS 參數而言，例如平均 E2E 延遲、AoI 和吞吐量，分析了不同的排隊長度和排隊數量。
為了找到最合適的 IFT 資源分配算法組合，我們通過使用實驗中性能最佳的排隊 IFT 評估了三種資源分配策略的性能：MaxC/I、PF 和 DRR。
接下來定義使用的不同 QoS 參數。
以毫秒為單位，此指標是指數據包在網絡中從源傳輸到目的地所花費的時間，取所有已傳輸數據包總數的平均值。
此指標用於衡量信息的 свежесть。
它表示在發射器生成更新數據包與在接收器成功接收先前更新數據包之間經過的時間。
它也以毫秒為單位。
這是成功接收到的數據總量，計算為成功接收到的數據包數量與數據包大小的乘積，再除以總模擬時間。
它以千字節每秒 (kBps) 為單位。
這是根據成功接收到的消息數與已傳輸消息總數的比率來衡量的。
在第一組結果中，我們觀察了三種 IFT（多跳、車輛到服務器和單跳）在不同交通負載下的性能，重點關注單個排隊 (M = 1)，排隊長度 N 範圍從 3 到 10 輛車。
對於此實驗，我們將資源分配算法固定為 MaxC/I。
圖 3 中描述的結果突出了單個排隊中不同 IFT 的 PL 到 PT CAM 交換的性能。
圖 3a、3b 和 3c 顯示了隨著排隊規模的增加，QoS 參數（例如平均 E2E 延遲、AoI 和吞吐量）的變化。
平均 E2E 延遲隨著排隊規模的增加而增加，這表明更大的排隊在數據交換中面臨更多延遲。
在多跳 IFT 中，將消息從 PL 中繼到 PT 會導致最高的 E2E 延遲，使其成為低延遲通信中最不受歡迎的。
相比之下，單跳 IFT 的 E2E 延遲最低，並且是最適合實時安全關鍵型排隊應用的 IFT。
觀察到平均 AoI 呈上升趨勢，表明接收到的數據的新鮮度隨著排隊規模的增大而降低。
平均吞吐量隨著排隊規模的增加而降低。
這些觀察結果突出了在車輛數量較多的排隊場景中保持低延遲和高可靠性通信的挑戰。
第二組結果是針對相同的三種 IFT（多跳、車輛到服務器和單跳）的性能獲得的，但這次排隊數量 M = {1, 2, 3} 不同，並且保持排隊規模固定在 N = 5。
與單排隊場景類似，在這裡我們也將資源分配算法固定為 MaxC/I。
結果（圖 4）說明了 M = 1、M = 2 和 M = 3 的多排隊場景中 PL 到 PT CAM 交換的性能。
如圖 4a 所示，平均 E2E 延遲隨著排隊數量的增加而增加。
值得注意的是，即使在多排隊場景中，多跳 IFT 也表現出最高的 E2E 延遲，而單跳 IFT 則表現出最低的延遲。
這種趨勢表明，同時管理多個排隊之間的通信會導致數據交換延遲。
此外，平均 AoI（圖 4b）隨著 M 的增加而增加，這意味著隨著參與的排隊越多，數據新鮮度會降低。
此外，平均吞吐量（圖 4c）隨著更多排隊的增加而下降。
這些結果突出了在多排隊場景中保持低延遲和高可靠性通信的複雜性，因為隨著排隊數量 M 的增加，交通負載也會增加。
總體而言，我們的結果表明，單跳是最適合單排隊和多排隊場景的有效通信的 IFT。
第 V 節對此推論進行了詳細討論。
在本節中，首先，我們使用 MaxC/I 資源分配算法評估基於單跳 IFT 的排隊中 PL 和 PT 之間通信的性能，該算法在不同的通道條件 (CQI) 和單個排隊的長度下進行。
這項研究有助於分析單跳 IFT 中的 PL 到 PT 鏈路如何由於排隊車輛之間傳輸/接收距離的差異而經歷不同的通道條件。
其次，我們考慮相同基於單跳 IFT 的固定長度排隊 N = 8，固定 CQI 設置為 7，用於我們的研究，以評估所有三種資源分配算法（MaxC/I、PF 和 DRR）在每個 D2D 鏈路上的性能。
我們的主要興趣是從三種資源分配算法（MaxC/I、PF 和 DRR）中確定基於單跳 IFT 的性能最佳的資源分配算法，這些算法在不同的通道條件下，以及因此不同的 MCS（和 CQI）設置下進行 5G（MCS 和 CQI 在第 III-B 節中討論）。
圖 6a 報告了使用 MaxC/I 資源分配算法在不同 CQI 設置下從 PL（發射器）到 PT（接收器）成功接收 CAM 的概率。
PL 和 PT 之間的鏈路被稱為給定排隊長度 N 的最壞情況鏈路，因為 PT 是距離 PL 最遠的車輛，因此與其他 PM 相比，它經歷了來自 PL 的最差信號強度。
圖表的 x 軸表示不同排隊長度 N 下 PL 和 PT 之間的距離，例如，對於車輛間間隙為 11m（間隙是固定的）且 N = 5 輛車的排隊，PT 距離 PL 的距離為 44m。
從圖中可以看出，該指標的值隨著排隊長度（PT 距離 PL 的距離）的增加而減小。
這是因為隨著排隊長度（發射器和接收器之間的距離）的增加，接收到的信號強度會降低。
與較低的 CQI 設置相比，較高的 CQI 設置由於其相應 MCS 的錯誤概率較高，因此接收概率較低。
長度為 N = 5（距離為 44m）的排隊報告的接收概率對於較低的 CQI 設置至少為 0.7。
值得注意的是，CQI 設置 5 和 7 報告的接收概率最高，接近 1，確保了 PT 的高可靠性。
圖 6b 顯示了使用 MaxC/I 算法在排隊長度為 N = 5 時每個 TTI 分配的 RB 數量。
該圖清楚地表明，所採用的 MCS 設置會影響分配的 RB 數量。
較低的 CQI 設置需要更多 RB，從而導致更高的傳輸開銷。
為了成功接收 CAM，必須正確解碼所有 RB。
如圖 6a 所示，與 CQI 5 和 7 相比，設置 3 的 CQI 具有更高的錯誤接收概率，導致接收概率較低。
圖 5a、5b 和 5c 報告了在 MaxC/I、PF 和 DRR 資源分配算法下，從 PL 在長度為 N = 8 且 CQI 為 7 的基於單跳 IFT 的排隊中的每個鏈路上傳輸的 CAM 的接收概率、平均吞吐量和平均 E2E 延遲。
隨著距離的增加，接收概率和平均吞吐量呈下降趨勢，尤其是對於最壞情況鏈路（PL 和 PT 之間的鏈路）。
與 PF 和 DRR 相比，MaxC/I 在鏈路 1 到 4（通道條件良好的鏈路）上實現了相對更高的接收概率和平均吞吐量。
這種趨勢在超過 4 條鏈路（通道條件不利的鏈路）後被打亂。
所有三種資源分配算法的 E2E 延遲在所有鏈路上都保持不變，因為它們通過直接單跳進行通信。
本研究中考慮的資源分配方案（MaxC/I、PF 和 DRR）主要影響吞吐量和每個排隊車輛服務的公平性（參見第 II-B 節），因此 E2E 延遲的變化可以忽略不計。
表 II 顯示了所有場景的最壞情況結果，對三種通信 IFT（多跳、車輛到服務器和單跳）進行了比較分析，排隊長度為 N = 5。
它揭示了單排隊和多排隊場景中的重要趨勢。
在這兩種情況下，單跳 IFT 始终具有最低的 E2E 延遲，使其成為實時安全關鍵型排隊應用程序最合適的通信 IFT，因为它滿足 3GPP Release 16 延遲要求 [14]。
該 IFT 較低的平均 AoI 表示數據更新鮮、更新，這對於排隊車輛的安全至關重要。
儘管其吞吐量略低於其他 IFT，但最小的延遲和 AoI 使單跳具有明顯的優勢。
相比之下，多跳 IFT 的 E2E 延遲最高，儘管其 AoI 較低，但使其成為最不受歡迎的 IFT。
同時，車輛到服務器 IFT 在 AoI 和吞吐量之間提供了良好的平衡，但在與單跳相比時，延遲不足。
因此，通過優先考慮低延遲和數據新鮮度，單跳 IFT 成為單排隊和多排隊場景中最有利的信息流策略。
Simu5G [17] 的作者提供的單跳 IFT 受限於只能使用固定 CQI 模式，即不提供基於通道反饋的 MCS 選擇以進行鏈路自適應。
圖 7 說明了 MaxC/I 算法在固定排隊長度 N = 8 的情況下，CQI 模式 3 和 7 的性能比較，解釋了使用固定 CQI 的局限性。
由於通道反饋不存在，因此即使當我們在排隊中朝著最壞情況鏈路移動時通道條件正在惡化時，也使用固定 CQI 為 7 和 3。
在 CQI 7 的情況下，分配用於傳輸的 RB 數量少於 CQI 3，如圖 6b 所示。
因此，在最壞情況的鏈路中，對 RB 數量的需求更大。
但是，我們為 CQI 7 分配的 RB 數量較少。
這會導致數據包丟失，從而導致平均吞吐量下降。
CQI 3 在我們朝著最壞情況鏈路移動時表現更好，因为它分配了更多 RB，可以滿足鏈路的吞吐量要求。

引述

從以下內容提煉的關鍵洞見

Performance Analysis of Resource Allocation Algorithms for Vehicle Platoons over 5G eV2X Communication

by Gulabi Manda... 於 arxiv.org 11-05-2024

https://arxiv.org/pdf/2411.01525.pdf

深入探究

在自動駕駛的背景下，除了延遲、可靠度、資訊年齡和傳輸量之外，還有哪些關鍵的服務品質 (QoS) 參數需要考慮？

在自動駕駛背景下，除了延遲、可靠度、資訊年齡和傳輸量，還有以下關鍵 QoS 參數需要考慮：

安全性 (Security): 自動駕駛系統依賴於車輛間持續交換的敏感數據，例如位置、速度和感測器讀數。確保這些數據的機密性、完整性和真實性對於防止惡意攻擊和確保安全至關重要。
可擴展性 (Scalability): 隨著自動駕駛車輛的普及，通訊網路需要處理大量設備和數據。可擴展性是指網路在不影響性能的情況下處理不斷增長的流量和連接數量的能力。
可用性 (Availability): 自動駕駛系統必須能夠持續可靠地訪問通訊網路。網路中斷或服務中斷可能會導致嚴重的後果，例如事故或交通擁堵。
服務品質管理 (QoS Management): 自動駕駛系統需要不同級別的 QoS 保證，具體取決於應用的關鍵程度。例如，緊急制動訊息比導航更新需要更高的優先級和更低的延遲。動態調整和優化網路資源分配對於滿足這些不同的 QoS 需求至關重要。

如果未來的 6G 技術能夠完全滿足車輛編隊對於低延遲和高可靠度的需求，那麼單跳資訊流策略的優勢是否依然存在？

即使 6G 技術能夠完全滿足車輛編隊對於低延遲和高可靠度的需求，單跳資訊流策略仍然具有以下優勢：

低複雜度 (Low Complexity): 與多跳策略相比，單跳策略更易於實施和管理，因為它不需要複雜的路由和中繼機制。
低延遲 (Low Latency): 即使在 6G 環境下，單跳通訊仍然可以提供最低的延遲，因為它避免了數據包通過多個中間節點傳輸所帶來的額外延遲。
高效率 (High Efficiency): 單跳策略可以更有效地利用網路資源，因為它不需要為中繼數據包分配額外的頻寬和時隙。
然而，6G 技術的進步可能會降低單跳策略相對於多跳策略的一些缺點，例如：

覆蓋範圍受限 (Limited Coverage): 6G 技術預計將使用更高的頻率，這可能會導致覆蓋範圍減小。在這種情況下，多跳策略可能需要擴展通訊範圍。
安全性問題 (Security Concerns): 由於廣播性質，單跳策略可能更容易受到安全威脅。6G 技術需要解決這些問題，以確保車輛編隊通訊的安全性。
總之，即使在 6G 環境下，單跳資訊流策略仍然是車輛編隊通訊的有效解決方案，特別是在需要低複雜度、低延遲和高效率的場景中。

本文的研究結果如何應用於其他需要低延遲和高可靠度通訊的領域，例如遠程醫療或工業自動化？

本文的研究結果對於其他需要低延遲和高可靠度通訊的領域具有重要的參考價值，例如：
遠程醫療 (Telemedicine):

遠程手術 (Remote Surgery): 本文提出的單跳資訊流策略和資源分配算法可以應用於遠程手術，以確保手術機器人和外科醫生之間的實時控制和反饋，最大程度地減少延遲和提高可靠性。
遠程診斷 (Remote Diagnosis): 可靠和及時的數據傳輸對於遠程診斷至關重要，例如使用高分辨率醫學圖像進行診斷。本文的研究結果可以幫助優化網路性能，以滿足這些需求。
遠程監護 (Remote Monitoring): 本文提出的 QoS 參數和評估方法可以用於評估和優化遠程監護系統的性能，例如，用於監測患者生命體徵的可穿戴設備。
工業自動化 (Industrial Automation):

工業物聯網 (IIoT): 本文的研究結果可以應用於工業物聯網，以優化數據傳輸，滿足工業控制系統對可靠性和實時性的嚴格要求。
智慧工廠 (Smart Factory): 本文提出的資源分配算法可以應用於智慧工廠，以優化機器人、感測器和控制系統之間的通訊，提高生產效率和安全性。
自動化物流 (Automated Logistics): 本文的研究結果可以應用於自動化物流，例如自動導引車 (AGV) 和無人機，以確保可靠和實時的車輛控制和協調。
總之，本文的研究結果對於需要低延遲和高可靠度通訊的各種應用領域具有廣泛的適用性。通過借鑒本文提出的方法和評估指標，可以優化網路性能，以滿足特定應用的需求。