无人机蜂群的自定位方法及装置与流程

本发明涉及通信技术领域，特别涉及一种无人机蜂群的自定位方法及装置。

背景技术：

近年来，无人机通信已经在各种各样的军事和民用应用中证明了它们的价值。然而，由于体积、自我供应、飞行环境等因素的限制，单个无人机系统在通信和实用性方面存在一些瓶颈问题。

为了应对复杂任务和恶劣环境的挑战，无人机蜂群成为无人机合作通信的重要组成部分。无人机蜂群由若干个以某种形式排列的小型无人机组成，以满足各种任务的要求，例如，与合作基站、用户进行通信，以及检测在特定范围内是否存在敌机。无人机蜂群中的无人机是配备较便宜且数量较少的天线的小型设备，因此无人机蜂群处理任务的能力也更强。例如，无人机蜂群可以联合执行通信、检测、覆盖等任务。此外，无人机蜂群的通信是具有鲁棒性的。由于动态移动，无人机群的形状和架构是可以改变的，因此蜂群中一架无人机的损坏不会影响整体蜂群性能。

与单个无人机系统相比，无人机蜂群系统主要有以下优点：1)所有的无人机都可以连接到控制器和服务器并反馈给其他无人机；2)无人机蜂群的造价，维护和操作比单个大型无人机便宜；3)可以很轻松地添加更多无人机用以扩展无人机蜂群提供的通信服务；4)无人机蜂群通常可以更快、更有效、更低成本地完成任务。

然而无人机通信系统的性能严格依赖于信道状态信息。一般来说，无人机蜂群中大量具有小型天线阵列的无人机可以构成一个虚拟的大规模mimo系统，因此它可以通过挖掘空间维度来提高空间分辨率。与传统的大规模mimo系统不同，无人机蜂群面临着新的挑战。每个无人机采用完全校准的小型天线阵列，但是不同无人机的相对位置是动态的，位置通常是未知的并且连续变化。虽然可以依靠全球定位系统(globalpositioningsystem，gps)来定位无人机的位置，但gps提供的精度只能达到几米的级别。由于无人机蜂群中无人机的相对位置很小甚至不到一米，因此gps的精度不能满足无人机蜂群定位的需求。

针对上述问题，目前尚未提出有效的解决方案。

技术实现要素：

本发明实施例提供一种无人机蜂群的自定位方法，用于提高无人机蜂群的定位精度，该方法包括：

根据无人机蜂群的分布式天线阵列mimo系统模型，建立无人机蜂群的方向矢量，其中，分布式天线阵列mimo系统模型包括多个无人机，每个无人机包括多根天线；

建立无人机蜂群的接收信号模型，其中，无人机蜂群的接收信号模型中包含无人机蜂群的方向矢量；

设置每个无人机的参考天线，将无人机蜂群的方向矢量分解为每个无人机的多根天线的方向矢量，以及多个无人机的参考天线的方向矢量；

对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，确定用户发送信号的到达角信息；

根据用户发送信号的到达角信息，求解多个无人机的参考天线的方向矢量；

根据求解后的多个无人机的参考天线的方向矢量，建立无人机蜂群位置参数的优化模型；

基于ls算法，求解无人机蜂群位置参数的优化模型，确定多个无人机的位置参数。

本发明实施例提供一种无人机蜂群的自定位装置，用于提高无人机蜂群的定位精度，该装置包括：

方向矢量建立模块，用于根据无人机蜂群的分布式天线阵列mimo系统模型，建立无人机蜂群的方向矢量，其中，分布式天线阵列mimo系统模型包括多个无人机，每个无人机包括多根天线；

接收信号模型建立模块，用于建立无人机蜂群的接收信号模型，其中，无人机蜂群的接收信号模型中包含无人机蜂群的方向矢量；

方向矢量分解模块，用于设置每个无人机的参考天线，将无人机蜂群的方向矢量分解为每个无人机的多根天线的方向矢量，以及多个无人机的参考天线的方向矢量；

到达角信息确定模块，用于对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，确定用户发送信号的到达角信息；

方向矢量求解模块，用于根据用户发送信号的到达角信息，求解多个无人机的参考天线的方向矢量；

优化模型建立模块，用于根据求解后的多个无人机的参考天线的方向矢量，建立无人机蜂群位置参数的优化模型；

位置参数确定模块，用于基于ls算法，求解无人机蜂群位置参数的优化模型，确定多个无人机的位置参数。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述无人机蜂群的自定位方法。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有执行上述无人机蜂群的自定位方法的计算机程序。

本发明实施例通过：基于无人机蜂群的分布式天线阵列mimo系统模型，将无人机蜂群的方向矢量分解为每个无人机的多根天线的方向矢量，以及多个无人机的参考天线的方向矢量，使得在确定无人机的位置时只需找到各个无人机的参考天线的位置；对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，确定用户发送信号的到达角信息，能够得到精确度较高的到达角信息；根据用户发送信号的到达角信息，求解多个无人机的参考天线的方向矢量；根据求解后的多个无人机的参考天线的方向矢量，建立无人机蜂群位置参数的优化模型；基于ls算法，求解无人机蜂群位置参数的优化模型，确定多个无人机的位置参数，能够得到精确度较高的无人机蜂群的位置参数，提高无人机蜂群的定位精度，基于ls算法仅需要线性复杂度，避免了穷举搜索，降低了算法的计算复杂度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中无人机蜂群的自定位方法流程的示意图；

图2为无人机蜂群的分布式天线阵列mimo系统模型结构的示意图；

图3为本发明实施例中无人机天线数量不同时估计g(θ1)均方误差性能对比图；

图4为本发明实施例中g(θ1)估计均方误差随样本数量变化的性能对比图

图5为本发明实施中无人机蜂群自定位算法的示例图；

图6为本发明实施中4个用户自定位算法均方根误差和克拉美罗界的性能对比图；

图7为本发明实施中3个用户自定位算法均方根误差和克拉美罗界的性能对比图；

图8为本发明实施中5个用户自定位算法均方根误差和克拉美罗界的性能对比图；

图9为本发明实施中自定位算法均方根误差随着样本数量变化的性能对比图；

图10为本发明实施中不同数量用户异常现象发生的概率变化图；

图11为本发明实施例中无人机蜂群的自定位装置结构的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

为了解决现有的基于gps来定位无人机的位置难以满足无人机蜂群定位精度需求的技术问题，本发明实施例提供一种无人机蜂群的自定位方法，用于提高无人机蜂群的定位精度，图1为本发明实施例中无人机蜂群的自定位方法流程的示意图，如图1所示，该方法包括：

步骤101：根据无人机蜂群的分布式天线阵列mimo系统模型，建立无人机蜂群的方向矢量，其中，分布式天线阵列mimo系统模型包括多个无人机，每个无人机包括多根天线；

步骤102：建立无人机蜂群的接收信号模型，其中，无人机蜂群的接收信号模型中包含无人机蜂群的方向矢量；

步骤103：设置每个无人机的参考天线，将无人机蜂群的方向矢量分解为各个无人机的多根天线的方向矢量，以及多个无人机的参考天线的方向矢量；

步骤104：对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，确定用户发送信号的到达角信息；

步骤105：根据用户发送信号的到达角信息，求解多个无人机的参考天线的方向矢量；

步骤106：根据求解后的多个无人机的参考天线的方向矢量，建立无人机蜂群位置参数的优化模型；

步骤107：基于ls算法，求解无人机蜂群位置参数的优化模型，确定多个无人机的位置参数。

在一个实施例中，步骤101可以包括：按照如下方式建立无人机蜂群的方向矢量：

式中，a(θl)是无人机蜂群的方向矢量，λ是传输信号的波长，θl∈(-90°,90°)是第l个用户发送信号的到达角；xkm、ykm为第k个无人机的第m根天线的坐标，k＝1,...,k，k是无人机的总数，m＝,...,mk，mk是第k个无人机的天线数。

具体实施时，图2为无人机蜂群的分布式天线阵列mimo系统模型结构的示意图，如图2所示，该系统模型具有k个任意非重叠无人机，假设第k个无人机配备mk≥1根天线。在不失一般性的情况下，将第一个无人机的第一根天线作为参考天线，第k个无人机的第m根天线的坐标可以被定义为(xkm,ykm)。假设每个无人机的天线都是理想的完美校准，但由于每个无人机的移动，无人机之间的相对位置是未知的。换句话说，对于第k个无人机，只有xkm-xkn和ykm-ykn是已知的。为了简化符号的定义，对于定义x′km＝xkm-xk1和y′km＝ykm-yk1。(x′km,y′km)表示第k个无人机的第m根天线与同一个无人机中第一根天线的相对位置。此外，假设所有用户发送的信号都是窄带且相互不相关的，基于上述天线阵列的坐标定义，可以建立如公式(1)所示的无人机蜂群的方向矢量。

在一个实施例中，步骤102可以包括：

步骤201：基于无人机蜂群的方向矢量，建立多个用户和无人机蜂群之间的上行链路信道；

步骤202：根据多个用户和无人机蜂群之间的上行链路信道、用户的信号向量，以及噪声向量，建立无人机蜂群的接收信号模型。

具体实施时，对于无人机毫米波通信来说，无人机通常放置在非常高的高度，使得无人机周围的散射体很少。实际上，通常只有视距路径有贡献。在无人机蜂群系统中，无人机分布非常密集，它们之间的相对距离非常小。因此，它可以构成一个虚拟分布式大规模mimo系统。在这种情况下，第l个用户和无人机蜂群之间的上行链路信道可以表示为：

hl＝ala(θl)(2)

式中，是第l个用户和无人机蜂群之间的信道增益，它的统计特性是独立同分布的，a(θl)是无人机蜂群的方向矢量。

在一个实施例中，步骤202可以包括：按照如下方式建立无人机蜂群的接收信号模型：

x(t)＝hs(t)+w(t)＝a(θ)ωs(t)+w(t),t＝1,2,…,n(3)

其中，h＝[h1,h2,…,hl]＝[a1a(θ1),a2a(θ2),…,ala(θl)](4)

式中，x(t)是无人机蜂群的接收信号，h是多个用户和无人机蜂群之间的上行链路信道，ω＝diag{a1,a2,…,al}，是第l个用户和无人机蜂群之间的信道增益，l是用户数量，是无人机蜂群中的天线总数，a(θ)是m×l维的方向矩阵，a(θ)＝[a(θ1),a(θ2),…,a(θl)]，s(t)是来自l个目标用户l×1维的信号向量，w(t)是m×1维的噪声向量。

具体实施时，可以首先将多个用户和无人机蜂群之间的上行链路信道组合成一个m×l维的信道矩阵，如公式(4)所示，在无人机蜂群通信系统中，无人机蜂群的编队会不停的发生变化。然而，编队变化的速度依然低于符号传输速率，因此可以假设无人机蜂群的编队在n个符号间隔内是恒定的，在这种情况下，可以基于m×l维的信道矩阵、用户的信号向量，以及噪声向量，建立如公式(3)所示的无人机蜂群的接收信号模型，公式(3)中，w(t)是m×1维的噪声向量，其元素是独立的随机高斯变量，方差为

在一个实施例中，步骤103可以包括：按照如下方式将无人机蜂群的方向矢量分解：

a(θl)＝v(θl)g(θl)(5)

其中，

式中，v(θl)是各个无人机的多根天线的方向矢量，vk(θl)是第k个无人机mk根天线的方向矢量；g(θ1)是多个无人机的参考天线(第一根天线)的方向矢量。

具体实施时，如公式(7)所示，vk(θl)是蜂群中第k个无人机mk×1维的方向矢量，v(θl)描述了每个无人机的天线阵列流形，如公式(8)所示，g(θ1)是多个无人机的参考天线(第一根天线)的方向矢量，g(θ1)表征了不同无人机间的未知相对位置信息，用户的数量是已知的，即l是已知的。由于每个无人机中的天线阵列都是完美校准的，因此在确定无人机相对位置时只需找到每个无人机的第一根天线的位置，即这些信息包含在向量g(θl),l＝1,2,…,l中。那么，无人机蜂群自定位问题的目标就变为从g(θ1),l＝1,2,…,l中估算

在一个实施例中，步骤104可以包括：

步骤401：对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，得到多个无人机的参考天线的方向矢量与已知矩阵之间的关联关系，其中，已知矩阵包括：噪声子空间的特征向量，以及每个无人机的多根天线的方向矢量；

步骤402：根据多个无人机的参考天线的方向矢量与已知矩阵之间的关联关系，确定已知矩阵的降秩特性；

步骤403：根据已知矩阵的降秩特性，确定用户发送信号的到达角信息。

在一个实施例中，多个无人机的参考天线的方向矢量与已知矩阵之间的关联关系如下：

式中，c(θ)是已知矩阵，un为噪声子空间的特征向量。

具体实施时，为获取无人机相对位置的矢量g(θl)，首先要估计各个用户的doa信息。本发明实施例采用的是基于rare估计器寻找不同用户的doa信息，这种doa估计算法并不需要任何的已知信号来辅助。

从公式(3)可知，无人机蜂群接收信号模型的协方差矩阵可以表示为

r＝e{x(t)x^h(t)}＝a(θ)ωtω^ha^h(θ)+σ²im(10)

式中，t＝e{s(t)s(t)^h}是l×l维满秩的发送信号协方差矩阵，假设lte系统的带宽并拥有10个用户，发送10个符号实际上只需要0.5毫秒。在此期间，当无人机的移动速度为80km/h时，无人机的移动距离仅为4厘米。因此，在远场无人机蜂群系统中可以假设在一定的时隙内，doa信息保持不变。σ²im＝e{w(t)w(t)^h}是m×m维满秩噪声协方差矩阵，σ²是未知噪声协方差。

无人机蜂群接收信号模型的协方差矩阵r的特征值分解可以表示为：

式中，m×l维的矩阵us包含l个信号子空间的特征向量，l×l维的对角矩阵λ包含相应的特征值。类似地，m×(m-l)维的矩阵un包含m-l个噪声子空间的特征向量。结合公式(10)和公式(11)可以得到：

σ²un＝a(θ)ωtω^ha^h(θ)un+σ²un(12)

由于发送信号的协方差矩阵t通常是满秩的，同时a(θ)也是一个列满秩矩阵，因此可以得到：

将公式(12)带入公式(11)中，可以把公式(11)重新写为公式(9)，公式(9)可以表征根据多个无人机的参考天线的方向矢量g(θl)与已知矩阵c(θ)之间的关联关系。

在一个实施例中，已知矩阵的降秩特性如下：

det{c(θ)}＝0(14)

具体实施时，从公式(9)观察到无人机位置的坐标参数仅包含在g(θ)中，因此矩阵c(θ)独立于无人机位置的坐标参数。值得注意的是，当每个无人机的天线数mk≥2时，如果k≤m-l，un的列秩是m-l，那么c(θ)一般是满秩的。因此，公式(9)表明矩阵c(θ)在每个用户的doa角度下会进行降维，即c(θ)的秩会下降。通过以上分析，可以从上述公式(14)来估计不同用户的doa信息。

定义bk＝0表示第k个无人机的天线间距大于λ/2，定义bk＝1表示第k个无人机的天线间距小于或等于λ/2。为了确保秩损估计器的正常工作，它必须满足即无人机蜂群中的天线总数减去无人机的数量大于或等于目标用户的数量。如果目标用户的数量很大并且每个无人机中的天线数量非常小，即对于不同的无人机k＝1,2,…,k，mk≤l，每个无人机都无法单独检测到l个目标用户。然而，无人机蜂群的团队合作可以检测到l个目标用户。因此，无人机蜂群可以实现比单个无人机系统更高的性能。

在一个实施例中，步骤105可以包括：按照如下方式确定多个无人机的参考天线的方向矢量：

g(θl)＝ul/ul,1(15)

式中，ul是已知矩阵的零空间特征向量，ul,1是ul的第一个元素。

具体实施时，从公式(9)可以看出g(θl)位于c(θ)的零空间中。为了保证求得g(θl)的唯一性，需要确保c(θl)在无噪声场景中只有一个零特征值。定义ul为c(θ1)的唯一的零空间特征向量，它与g(θ1)线性相关，因此，可以从ul中估计每个doa信息θl所对应的g(θ1)。由于g(θl)的第一个元素总是1，因此，可以从上述公式(15)得到g(θl)。实际上，当只有有限数量的数据样本时，协方差矩阵会被样本协方差矩阵所替换，再加上噪声的影响，c(θ1)在大多数情况下不存在零空间，因此，也可以把c(θ1)中最小特征值对应的特征向量近似为ul，图3为本发明实施例中无人机天线数量不同时估计g(θl)均方误差性能对比图，图4为本发明实施例中g(θ1)估计均方误差随样本数量变化的性能对比图，本发明可以得到精度较高的g(θ1)。

在一个实施例中，步骤106可以包括：

步骤601：根据求解后的多个无人机的参考天线的方向矢量，确定无人机蜂群位置参数的方程；

步骤602：以无人机蜂群位置参数的方程左右两侧的平方误差最小为目标函数，建立无人机蜂群位置参数的优化模型。

在一个实施例中，步骤601可以包括：按照如下方式确定无人机蜂群位置参数的方程：

xsinθl+ycosθl-nl＝cl,l＝1,2,…,l(16)

式中，x、y是标准化后的多个无人机的位置参数，θl∈(-90°,90°)是第l个用户发送信号的到达角，l是用户数量，nl是与相位延迟模糊性相关的参数，cl是与求解后的多个无人机的参考天线的方向矢量相关的参数，cl＝∠g2(θl)/2π。

具体实施时，由于每个无人机中的天线阵列都是完美校准的，因此在确定无人机相对位置时只需找到每个无人机的第一根天线的位置，即这些信息包含在向量g(θl),l＝1,2,…,l中。自定位问题的目标就变为从g(θ1),l＝1,2,…,l中估算由于对称性，只需要讨论两个无人机的情况，即k＝2。在这种情况下，可以得到以下l个方程：

式中，∠g2(θl)∈[-π,π)是g2(θl)的相位，2πnl是相位延迟模糊性(phasedelayambiguity，pda)(nl可以是任何整数)。为了简化描述，将(x21,y21)标准化定义为

x＝x21/λ,y＝y21/λ,∠g2(θl)/2π＝cl(18)

然后公式(17)可以重新表示为公式(16)。

由于cl的范围是[-0.5,0.5)，因此pda中的整数模糊性可以限制在：

在一个实施例中，步骤602可以包括：

按照如下方式建立无人机蜂群位置参数的优化模型：

其中，∈是使得多个无人机的位置参数的方程失衡的最小平方误差，g是用户发送信号的到达角信息的矩阵，z＝[x,y]^t，b＝c+n，c是与求解后的多个无人机的参考天线的方向矢量相关的参数矩阵，c＝[c1,c2,…,cl]^t，n是与相位延迟模糊性相关的参数矩阵，d是无人机的初始半径。

具体实施时，无人机蜂群自定位算法的目标是从公式(16)的l个方程式中找到两个真实的未知数x,y和l个整数这个问题被分类为混合整数线性方程问题，它描述了线性系统和丢番图系统的一般情况。但是，在具有噪声的情况下，公式(16)中的所有等式都变成了不是严格的等式。因此纯数学方法无法直接应用。在这种情况下，通过最小化公式(16)的左侧和右侧之间的差异来估计未知变量，进而建立如公式(20)所示的多个无人机的位置参数的优化模型。

在一个实施例中，步骤107可以包括：

步骤701：获得多个与相位延迟模糊性相关的参数矩阵；

步骤702：从任意一组与相位延迟模糊性相关的参数矩阵中选择预设数目的与相位延迟模糊性相关的参数；

步骤703：根据选择的预设数目的与相位延迟模糊性相关的参数，调整无人机蜂群位置参数的方程，其中，调整后的无人机蜂群位置参数的方程包括与多个无人机的位置参数相关的矩阵；

步骤704：在与多个无人机的位置参数相关的矩阵的偏差小于或等于预设偏差阈值时，确定预设数目的与相位延迟模糊性相关的参数对应的与相位延迟模糊性相关的参数矩阵有效；

步骤705：将有效的与相位延迟模糊性相关的参数矩阵代入无人机蜂群位置参数的优化模型，基于ls算法计算多个无人机的位置参数的估计值；

步骤706：将平方误差最小时对应的多个无人机的位置参数的估计值，确定为多个无人机的位置参数。

具体实施时，公式(20)中的优化属于混合整数非线性规划的类别，使用通常的方法很难解决。为此本发明实施例提出了一种基于ls的有效算法来解决此问题。该算法仅需要线性复杂度，如果指定了n1和n2的值，可以将公式(16)重写。

在一个实施例中，调整后的多个无人机的位置参数的方程如下：

其中，λ是与用户发送信号的到达角信息的相关的矩阵，ν是与位置参数相关的矩阵，η为与选择的预设数目的与相位延迟模糊性相关的参数矩阵。

具体实施时，λ是非奇异的，所以ν可以通过将公式(21)两边同时乘以λ^-1来获得。值得注意的是，λ^-1只需要计算一次，而对于不同的(n1,n2)来说，只有λ^-1η需要重新计算。

因此，计算每个ν大致需要3l轮计算。根据ν的最后l-2个元素的值，可以确定当前选择的(n1,n2)是否有效。具体来说，首先设置一个偏差阈值τ。如果存在l0且3≤l0≤l使得则当前选择的(n1,n2)是无效的，此外，如果中的任何一个元素停留在之外，则当前选择的(n1,n2)也是无效的，为nl的预设取值范围。在找到一组有效整数之后，可以用基于ls的方法用5l-2轮计算从公式(20)获得(x,y)的估计值。此外，需要检查估计的(x,y)是否停留在预设的无人机区域中，不在无人机区域中的(x,y)也被认为是无效的估计，这一步的操作需要3轮的计算。随后，把所有候选的(x,y)及其对应的n带入公式(20)中可以得到所有候选的(x,y)的lse。此步骤大约需要6l-1轮计算。最后，选择最小lse所对应的{x,y,n}。综上，在最坏的情况下，找到最优解的整体复杂度上限为

虽然理论上pda在l≥3时出现概率为零，但仍然可能在有噪声的环境中估计出错误的位置信息。例如，在低信噪比下，有可能是一些错误的产生的lse小于真实位置的lse。这种现象被称为异常现象。初始半径d的知识也会影响异常现象的出现概率，因为初始半径d越大，可选的n就越多，因此异常现象发生的概率就越大。

在一个实施例中，步骤701可以包括：

根据无人机的飞行半径和飞行角度，确定与相位延迟模糊性相关的参数的取值范围；

在与相位延迟模糊性相关的参数的取值范围中，筛选多个与相位延迟模糊性相关的参数矩阵。

具体实施时，以下措施可以减少异常现象出现的概率：

1.已知准确的无人机所在的边界信息。也就是说，无人机的飞行半径和角度φ的范围是已知的，这意味着可以减少有效nl的集合。

2.增加用户数量，即增加doa信息的数量。可以从公式(17)中看出，方程组的数量越多，发生异常现象的概率就会越小。

3.增加snr或输入信号的样本数量。

实际上，当需要实时处理自定位任务时，第2个和第3个措施在实际场景中想要实现是不太实际的。因此，第一个措施是提高自定位算法可靠性的最合理方法。如果无人机蜂群的形态没有快速变化，则先前计算的无人机相对位置可以充当新位置的圆心。此外，gps可以获得无人机大致的飞行范围。一般gps的精度可以精确到米。虽然它没有达到自定位所需的精度，但它能够给出一个无人机飞行的粗略位置范围。此外，在无人机蜂群系统中，无人机的运动轨迹基于来自控制中心的指令，因此也可以通过控制中心知道每个无人机的大致位置。

如图5，以及图6至图10所示，本发明实施例能够得到精确度较高的无人机蜂群的位置参数，提高无人机蜂群的定位精度。

基于同一发明构思，本发明实施例中还提供了一种无人机蜂群的自定位装置，如下面的实施例。由于无人机蜂群的自定位装置解决问题的原理与无人机蜂群的自定位方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本发明实施例提供一种无人机蜂群的自定位装置，用于提高无人机蜂群的定位精度，图11为本发明实施例中无人机蜂群的自定位装置结构的示意图，如图11所示，该装置包括：

方向矢量建立模块01，用于根据无人机蜂群的分布式天线阵列mimo系统模型，建立无人机蜂群的方向矢量，其中，分布式天线阵列mimo系统模型包括多个无人机，每个无人机包括多根天线；

接收信号模型建立模块02，用于建立无人机蜂群的接收信号模型，其中，无人机蜂群的接收信号模型中包含无人机蜂群的方向矢量；

方向矢量分解模块03，用于设置每个无人机的参考天线，将无人机蜂群的方向矢量分解为每个无人机的多根天线的方向矢量，以及多个无人机的参考天线的方向矢量；

到达角信息确定模块04，用于对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，确定用户发送信号的到达角信息；

方向矢量求解模块05，用于根据用户发送信号的到达角信息，求解多个无人机的参考天线的方向矢量；

优化模型建立模块06，用于根据求解后的多个无人机的参考天线的方向矢量，建立无人机蜂群位置参数的优化模型；

位置参数确定模块07，用于基于ls算法，求解无人机蜂群位置参数的优化模型，确定多个无人机的位置参数。

在一个实施例中，方向矢量建立模块01具体用于：按照如下方式建立无人机蜂群的方向矢量：

式中，a(θl)是无人机蜂群的方向矢量，λ是传输信号的波长，θl∈(-90°,90°)是第l个用户发送信号的到达角；xkm、ykm为第k个无人机的第m根天线的坐标，k＝1,...,k，k是无人机的总数，m＝,...,mk，mk是第k个无人机的天线数。

在一个实施例中，接收信号模型建立模块02具体用于：

基于无人机蜂群的方向矢量，建立多个用户和无人机蜂群之间的上行链路信道；

根据多个用户和无人机蜂群之间的上行链路信道、用户的信号向量，以及噪声向量，建立无人机蜂群的接收信号模型。

在一个实施例中，接收信号模型建立模块02进一步用于：按照如下方式建立无人机蜂群的接收信号模型：

x(t)＝hs(t)+w(t)＝a(θ)ωs(t)+w(t),t＝1,2,…,n；

其中，h＝[h1,h2,…,hl]＝[a1a(θ1),a2a(θ2),…,ala(θl)]；

a(θ)＝[a(θ1),a(θ2),…,a(θl)]；

ω＝diag{a1,a2,…,al}；

式中，x(t)是无人机蜂群的接收信号，h是多个用户和无人机蜂群之间的上行链路信道，是第l个用户和无人机蜂群之间的信道增益，l是用户数量，是无人机蜂群中的天线总数，a(θ)是m×l维的方向矩阵，s(t)是来自l个目标用户l×1维的信号向量，w(t)是m×1维的噪声向量。

在一个实施例中，方向矢量分解模块03进一步用于：按照如下方式将无人机蜂群的方向矢量分解

a(θl)＝v(θl)g(θl)；

其中

式中，v(θl)是各个无人机的多根天线的方向矢量，vk(θl)是第k个无人机的mk根天线的方向矢量；g(θ1)是多个无人机的参考天线(第一根天线)的方向矢量。

在一个实施例中，到达角信息确定模块04具体用于：

对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，得到多个无人机的参考天线的方向矢量与已知矩阵之间的关联关系，其中，已知矩阵包括：噪声子空间的特征向量，以及每个无人机的多根天线的方向矢量；

根据多个无人机的参考天线的方向矢量与已知矩阵之间的关联关系，确定已知矩阵的降秩特性；

根据已知矩阵的降秩特性，确定用户发送信号的到达角信息。

在一个实施例中，多个无人机的参考天线的方向矢量与已知矩阵之间的关联关系如下：

式中，c(θ)是已知矩阵，un为噪声子空间的特征向量。

在一个实施例中，已知矩阵的降秩特性如下：

det{c(θ)}＝0。

在一个实施例中，方向矢量求解模块05具体用于：按照如下方式确定多个无人机的参考天线的方向矢量：

g(θl)＝ul/ul,1；

式中，ul是已知矩阵的最小特征值对应的特征向量，ul,1是ul的第一个元素。

在一个实施例中，优化模型建立模块06具体用于：

根据求解后的多个无人机的参考天线的方向矢量，确定无人机蜂群位置参数的方程；

以无人机蜂群位置参数的方程左右两侧的平方误差最小为目标函数，建立无人机蜂群位置参数的优化模型。

在一个实施例中，优化模型建立模块06进一步用于：按照如下方式确定无人机蜂群位置参数的方程：

xsinθl+ycosθl-nl＝cl,l＝1,2,…,l；

式中，x、y是标准化后的多个无人机的位置参数，θl∈(-90°,90°)是第l个用户发送信号的到达角，l是用户数量，nl是与相位延迟模糊性相关的参数，cl是与求解后的多个无人机的参考天线的方向矢量相关的参数，cl＝∠g2(θl)/2π。

在一个实施例中，优化模型建立模块06进一步用于：按照如下方式建立无人机蜂群位置参数的优化模型：

其中，∈是使得无人机蜂群位置参数的方程失衡的最小平方误差，g是用户发送信号的到达角信息的矩阵，z＝[x,y]^t，b＝c+n，c是与求解后的多个无人机的参考天线的方向矢量相关的参数矩阵，c＝[c1,c2,…,cl]^t，n是与相位延迟模糊性相关的参数矩阵，d是无人机的初始半径。

在一个实施例中，位置参数确定模块07具体用于：

获得多个与相位延迟模糊性相关的参数矩阵；

从任意一组与相位延迟模糊性相关的参数矩阵中选择预设数目的与相位延迟模糊性相关的参数；

根据选择的预设数目的与相位延迟模糊性相关的参数，调整无人机蜂群位置参数的方程，其中，调整后的无人机蜂群位置参数的方程包括与多个无人机的位置参数相关的矩阵；

在与多个无人机的位置参数相关的矩阵的偏差小于或等于预设偏差阈值时，确定预设数目的与相位延迟模糊性相关的参数对应的与相位延迟模糊性相关的参数矩阵有效；

将有效的与相位延迟模糊性相关的参数矩阵代入无人机蜂群位置参数的优化模型，基于ls算法计算多个无人机的位置参数的估计值；

将平方误差最小时对应的多个无人机的位置参数的估计值，确定为多个无人机的位置参数。

在一个实施例中，调整后的多个无人机的位置参数的方程如下：

其中，λ是与用户发送信号的到达角信息的相关的矩阵，ν是与位置参数相关的矩阵，η为与选择的预设数目的与相位延迟模糊性相关的参数矩阵。

在一个实施例中，位置参数确定模块07进一步用于：

根据无人机的飞行半径和飞行角度，确定与相位延迟模糊性相关的参数的取值范围；

在与相位延迟模糊性相关的参数的取值范围中，筛选多个与相位延迟模糊性相关的参数矩阵。

本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述无人机蜂群的自定位方法。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有执行上述无人机蜂群的自定位方法的计算机程序。

综上所述，本发明实施例通过：基于无人机蜂群的分布式天线阵列mimo系统模型，将无人机蜂群的方向矢量分解为每个无人机的多根天线的方向矢量，以及多个无人机的参考天线的方向矢量，使得在确定无人机的位置时只需找到各个无人机的参考天线的位置；对无人机蜂群的接收信号模型的协方差矩阵进行特征值分解，确定用户发送信号的到达角信息，能够得到精确度较高的到达角信息；根据用户发送信号的到达角信息，求解多个无人机的参考天线的方向矢量；根据求解后的多个无人机的参考天线的方向矢量，建立无人机蜂群位置参数的优化模型；基于ls算法，求解无人机蜂群位置参数的优化模型，确定多个无人机的位置参数，能够得到精确度较高的无人机蜂群的位置参数，提高无人机蜂群的定位精度，基于ls算法仅需要线性复杂度，避免了穷举搜索，降低了算法的计算复杂度。

此外，根据无人机的飞行半径和飞行角度，确定与相位延迟模糊性相关的参数的取值范围，在与相位延迟模糊性相关的参数的取值范围中，筛选多个与相位延迟模糊性相关的参数矩阵，能够减少异常现象出现的概率，提高算法的可靠性。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。