Reliability Testing of Wireless Vehicular Communication

Abstract

Fortschrittliche Fahrerassistenzsysteme (ADAS) und autonome Fahrzeuge (AV) sollen Unfälle und Staus reduzieren. Ausgestattet mit verschiedenen Sensoren wie LIDAR, RADAR und Kameras, sammeln ADAS und AV Informationen über ihre Umgebung. Durch den Austausch dieser Sensorinformationen sowie der kinematischen Daten zwischen mehrere Fahrzeugs kann der Sensorhorizont eines einzelnen Fahrzeugs erweitert werden, und somit die Grenzen der Sichtfeldsensordaten.Dieser Datenaustausch soll durch Funksysteme ermöglicht werden. Der Funkkommunikationskanal zwischen Fahrzeugen wird von mehreren Faktoren beeinflusst,(i) die Mehrwegeausbreitung, die zu Doppler- und Verzögerungsdispersion führt,(ii) die Abschattung durch andere sich bewegende Objekte und (iii) die Blockade durch große Gebäude. Aufgrund der Bewegung der Verkehrsteilnehmer kann sich die Funkwellenausbreitung schnell ändern. Daher sind umfangreiche Tests erforderlich,um sicherzustellen, dass die Funkverbindung unter den Bedingungen der Funksignalausbreitung zuverlässig Informationen übertragen kann.In dieser Arbeit untersuchen wir Methoden zum Testen der Zuverlässigkeit von Fahrzeugkommunikationskanälen und zur Verifizierung der Funkkommunikation-shardware sowie der verwendeten Sende- und Empfangssignalverarbeitungsalgorithmen. Als Grundlage für das Testen stellen wir ein Hardware-in-the-Loop (HiL) Framework vor. Dieses Framework umfasst einen Kanalemulator und ein Sender-Empfänger-Modempaar. Der Kanalemulator wird durch eine zeitveränderliche,nicht-stationäre Impulsantwort gesteuert, diese kann entweder durch eine numerische geometrische Radiowellenausbreitungssimulation oder durch empirische Funkkanalmessungen ermittelt werden. In dieser Arbeit werden IEEE 802.11p-Modems im HiL-Framework verwendet, dieses ist jedoch mit allen anderen Standards kompatibel (LTE vehicular, 5G vehicular, IEEE 802.11bd, etc.). Das HiL-Framework abstrahiert die physikalische und die Datenübertragungs-Schicht und liefert die Paketfehlerrate (frame error rate, FER) als Maß für die Zuverlässigkeit der Kommunikation.In Anbetracht der Tatsache, dass reale Fahrzeug-Kommunikationsszenarien mehr als eine Kommunikationsverbindung beinhalten, ist es entscheidend, deren Zuverlässigkeit auf Systemebene zu überprüfen. Daher stellen wir in dieser Arbeit eine einfache und dennoch genaue Methode zur Schätzung der FER auf der Grundlage des HiL-Frameworks vor. Zu diesem Zweck verwenden wir ein geometriebasiertes stochastisches Kanalmodell (geometry based stochastic channelmodel, GSCM), um eine Berechnung des nicht-stationären Schwund-Prozesses von Fahrzeug-Kommunikationskanälen zu ermöglichen. Dieses Kanalmodel berechnet die Impulsantwort als Summe einzelner geometrisch definierter Ausbreitungspfade pro Stationaritätsregion die in Zeit und Bandbreite begrenzt ist. Darüber hinaus zeigen wir einen effizienten Weg zur Berechnung der zeitvariablen kondensierten Funkkanalparameter direkt aus den Parametern der Aubreitungspfade. Als kondensierte Funkkanalparameter pro Stationaritätsregion verwenden wir die Ausbreitungsdämpfung, das zweiter zentrale Moment des Dopplerspektrum und des Verzögerungsprofils, die Doppler-Bandbreite, den K-Faktor und die Dopplerverschiebung des Sichtverbindungspfades, da diese massgeblich die FER bestimmen.Unter Verwendung des HiL-Frameworks können wir nun die FER für verschiedene Werte der kondensierten Funkkanalparameter messen, in einer Tabelle speichernund während der Laufzeit einer Simulation auf Systemebene nachgeschlagen und somit die fundamentale Limitierung bei der Messung der FER in nichtstationären Funkkanälen umgehen können.Die FER ist eine wichtige Größe für die ADAS und AV Algorithmen. Andere Fahrzeuge übermitteln jedoch nur wenige Datenpakete pro Sekunde, daher ist eine Vorhersage der FER auf Basis der Impulsantwortsequenz eines Paketes von großem Interesse für die direkte Implementierung in einem V2X-Modem. Zu diesem Zweck untersuchen wir zwei verschiedene Algorithmen des maschinellen Lernens (ML),nämlich ein tiefes neuronales Netzwerk (deep neural network, DNN) und ein faltendes neurales Netzwerk (convolutional neural network, CNN). Beide Modelle werden auf überwachte Weise trainiert, und die Grundwahrheit des verwendeten Datensatzes wird durch das HiL-Framework und das GSCM-Modell gewonnen. Unter Berücksichtigung des Zeit- und Rechenaufwandes für das Trainieren und die Umschulung der gesamten Modelle von Grund auf untersuchen wir Methoden zur Anpassung der ML-Modelle an neue Datensätze mit begrenzter Größe unter Beibehaltung ihrer ursprünglichen Genauigkeit.

Advanced driver assistance systems (ADAS) and autonomous vehicles (AV) aim to reduce accidents and congestion by improving their perception and decision-making algorithms. Equipped with various sensors such as LIDAR, RADAR, and cameras,ADAS and AV collect information about their surroundings. In addition, by sharing this sensor information, as well as vehicle kinematic data, between vehicles and other road infrastructure the sensor horizon of a single vehicle can be extended, overcoming the limits of line-of-sight sensor systems. This data sharing is enabled by vehicle-to-everything (V2X) communication. The vehicular communication channel is affected by several factors, including multipath propagation, which leads to Doppler and delay dispersion, shadowing from other moving objects, and signal obstruction by large buildings. Due to the movement of road users, the radio wave propagation effects can change rapidly. Therefore, extensive testing and verification is required to ensure that a given V2X communication link can reliably exchange information under vehicular radio channel propagation conditions.In this thesis we investigate methods for testing the reliability of vehicular com-munication channels and for verifying V2X communication hardware as well as the used transmit and receive signal processing algorithms. As a basis for testing, we present a hardware-in-the-loop (HiL) framework. This framework includes a channel emulator and a given transmitter-receiver modem pair. The channel emulator is controlled by a time-varying, non-stationary impulse response, which can be determined either by a numerical geometric radio wave propagation simulation or by empirical radio channel measurements. For the purpose of this thesis, IEEE 802.11pmodems are used in the HiL framework, though it is compatible with any other standards as well (LTE-V2X, 5G C-V2X, IEEE 802.11bd, etc.). The HiL framework abstracts the physical and data-link layer and provides the frame error rate (FER)as a communication reliability measure.Considering that real-world V2X communication scenarios involve more than onecommunication link, it is crucial to verify its reliability at the system-level. Therefore, in this thesis, we present a low-complexity yet accurate method for estimating the FER based on the HiL framework. For this purpose, we use a geometry-based stochastic channel model (GSCM) to enable a representation of the non-stationary vehicular fading process. Furthermore, we show an efficient way of computing the time-variant condensed radio channel parameters, which mainly determine the FERtime- and frequency limited region, i.e., the stationarity region, namely path loss,root mean square delay spread, Doppler bandwidth, K-factor, and line-of-sight Doppler shift. Using the HiL framework, the FER is measured for different values of the condensed radio channel parameters, stored in a FER table and looked up during the run-time of a system-level simulation.The FER is an important parameter for ADAS and AV algorithms. However, other vehicles transmit only a few frames per second, so predicting the FER based on the impulse response sequence of a frame is of great interest for direct implementation in a V2X modem. For this purpose, we investigate two different machine learning (ML) algorithms, namely deep neural network (DNN) and convolutional neural network(CNN). Both models are trained in a supervised manner, and the ground truth of the used dataset is obtained by the HiL setup and the GSCM model. Finally, taking into account the time and computational cost of training and retraining the entire models from scratch, we further investigate methods for adapting the ML models to new datasets of limited size while maintaining their original accuracy.