一种用于智能交通系统毫米波信号多径分类的双分支注意力深度学习网络

为什么道路信号会被混淆

随着汽车、公交和卡车变得更智能、更互联，它们依赖高频无线信号彼此通信并与路边设备交互。但在充斥着建筑、树木和其它车辆的真实街道环境中，这些信号会四处反射，产生许多回波，从而令车载系统困惑。本文提出了一种新的方法，教计算机将有用的信号路径与有害的回波分离，帮助未来的智能交通系统即便在拥挤的城市和高速公路环境中也能保持可靠。

道路上信号回波的问题

当无线信号在路边基站与移动车辆之间传播时，很少只走一条直线。相反，信号会在建筑、车辆和路面上反射、散射和绕射，形成许多延迟不同的副本，称为多径分量。直视（直达）路径和最早的几次反射通常是有用的，但高阶回波到达较晚、来自奇怪角度且强度被扭曲。这些不需要的回波会模糊时序和方向估计、增加误差，并干扰精确定位、自动驾驶导航、泊车引导和交通监测等任务。尝试对这些路径进行分类和滤波的传统数学方法，在这种快速变化的环境中难以应对，需要大量校准，并且准确率通常在约90% 左右——对于安全关键系统来说不够高。

教网络识别混乱的道路信号

为了解决这个问题，作者提出了一种专为现代无线信道产生的一维时序数据设计的新深度学习模型，命名为 MOVENetx64。该模型不依赖手工清洗或大幅预处理的输入，而是直接摄取有关每条路径到达时间、强度、来向以及相位的原始信息。在模型内部，一系列卷积层先提取局部模式，然后长短期记忆（LSTM）单元跟踪这些模式随时间的演变。这种组合既捕获了回波混杂中隐藏的瞬时结构，也捕获了其序列性。

针对棘手回波的双重聚焦机制

MOVENetx64 最具特色的部分是一个新的“双分支注意力”模块。简单来说，该模块通过两个并行的视角查看信道数据。它将内部信号分成两部分，各自在各自的分支中处理，然后应用注意力机制，学习在判断某条路径是有用还是有害时每个分支中哪些信息最重要。通过对重要特征加权并抑制噪声，双分支注意力有助于网络在时间或方向重叠时，仍能捕捉到可贵的一阶路径与迷惑性高阶回波之间的细微差别。

在逼真的虚拟道路上训练

为了验证该方法，研究人员使用射线追踪模拟器为三种驾驶环境生成了大规模且逼真的数据集：密集的城市街区、混合的郊区以及有流动交通的高速公路。在每种场景中，他们提取了每条信号路径的时序、功率、角度和相位特征，并将路径分为两类：直达加一阶路径，以及高阶多径。一个关键挑战是有害回波远比干净路径常见，这会误导标准训练。为此，作者设计了一种“交替损失”策略：当训练进展停滞时在两种不同的训练目标之间切换——一种更擅长处理类别不平衡，另一种更有利于整体准确性——从而帮助网络兼顾罕见与常见情况的学习。

这种新方法的效果如何？

在三种道路类型上，MOVENetx64 都取得了很高的分类准确率：在郊区场景超过98%，即便在高速公路上也超过96%，同时将高阶回波预测误差保持在约0.17–2.28% 的低水平。它持续优于多种流行的深度学习模型，从经典卷积网络到先进的残差网络和双向循环模型，以及已有文献中的早期多径分类器。重要的是，它在参数量相对适中且不需要昂贵的预处理步骤（如重构详细的信道脉冲响应或应用复杂变换）的情况下实现了这些表现。

这对未来智能交通意味着什么

对于非专业读者，结论很直接：MOVENetx64 是一个专门的“过滤大脑”，能够在嘈杂的无线环境中学会区分有用的信号路径与有害的回波。通过直接处理原始数据并应对严重不平衡条件，它可以帮助未来的车‑路协同系统在拥挤的城市中维持强健可靠的连接。更好地将有用路径与干扰分离，意味着更准确的位置估计、更少的通信中断，以及对自动驾驶和其它先进交通服务的更可靠支持。

引用: Menon, A.G., Krishnan, P., Lal, S. et al. A dual limb attention based deep learning network for multipath classification of millimetre wave signals in intelligent transportation system. Sci Rep 16, 12266 (2026). https://doi.org/10.1038/s41598-026-39131-0

关键词: 智能交通系统, 毫米波通信, 多径回波, 深度学习, 车载定位