RSS无人机集群分布式定位方法

rss无人机集群分布式定位方法
技术领域
1.本发明涉及无线定位技术领域，尤其涉及一种rss无人机集群分布式定位方法。


背景技术：

2.随着无线通信技术、互联网技术的发展，无线传感网定位技术在紧急呼叫、船舶及车辆导航、声呐、智能交通等领域有着重要的应用。无线传感网定位技术作为基于位置服务(location based service)的技术基础有着重要的研究价值。根据不同的测量参数，定位技术通常可分为：aoa定位技术、toa定位技术、tdoa定位技术、fdoa定位技术以及rss定位技术。在实际应用中，rss定位技术因其实施的便利性和较低的硬件成本被广泛使用。
3.近年来，无人机定位受到越来越多的科研工作人员的关注和研究。在战场环境和恶劣的环境下，传统的定位方案如车辆定位，卫星定位不再适用，而无人机与无线传感网结合使得定位任务得以开展。此外，无人机快速部署和灵活调整的特性是传统定位方案无法比拟的。相对于单无人机定位，无人机集群定位，利用多无人机的测量信息以及轨迹信息，能够提高定位精度。
4.中心化的定位方法以及分布式定位方法均可运用到rss无人机集群定位。然而这些方法往往需要边缘无人机与中心无人机进行大量的数据交互，带来巨大的通信开销。此外，由于无线传播的开放和广播特性，传输数据量的增加会提升被恶意用户检测到的概率。因此，研究高效通信的分布式定位方法具有重要意义。


技术实现要素：

5.鉴于此，本发明的目的在于提供一种rss无人机集群分布式定位方法，以克服或至少部分解决现有技术所存在的上述问题。
6.本发明所提供的一种rss无人机集群分布式定位方法，包括以下步骤：
7.所述无人机集群包括一中心无人机和多架边缘无人机，所有无人机在预先设定好的飞行轨迹上对目标辐射源的信号强度进行测量，所述方法包括以下步骤：
8.基于电磁波传播路径损耗模型建立无人机集群定位系统模型，基于无人机集群定位系统模型确定关于无人机测量值的最大似然函数，所述无人机测量值为无人机对目标辐射源的信号强度测量值；
9.基于最大似然函数求解目标辐射源的位置。
10.进一步的，所述基于电磁波传播路径损耗模型建立无人机集群定位系统模型，具体为：设中心无人机编号为1，边缘无人机编号为2至n，n为无人机集群中无人机的总数，无人机i的总测量次数为m
i
，无人机i在第j次测量的位置为u
i,j
＝(x
i,j
,y
i,j
,z
i,j
)，目标辐射源位于区域a，其位置记为s＝(x,y,z)，设无人机i在第j次测量的rss值为p
i,j
，则根据电磁波传播路径损耗模型可得：
11.12.d
i,j
＝||s
‑
u
i,j
||213.其中，p0为目标辐射源在参考距离d0处的发射功率，γ
i
为无人机i与目标辐射源信道的路径损耗因子，η
i,j
为0均值，方差为σ
i,j
的高斯噪声。
14.进一步的，所述基于无人机集群定位系统模型确定的关于无人机测量值的最大似然函数简化后为：
[0015][0016]
其中，p
i
为无人机i的测量值组成的列向量，f
i
(s)为无人机i的所有值组成的列向量，最大似然估计形式为：
[0017]
进一步的，所述基于最大似然函数求解目标辐射源的位置，具体包括：
[0018]
对最大似然函数的求解问题进行近似处理，所述近似处理具体为忽略噪声项，无人机i在第j次测量的位置与目标辐射源之间的距离与rss测量值的关系表示为近似的最大似然重构为：
[0019][0020]
无人机集群基于二阶泰勒展开的上界替代函数对目标辐射源的位置s进行迭代计算，直至达到收敛条件，输出最终的迭代结果作为目标辐射源的位置。
[0021]
进一步的，所述无人机集群基于二阶泰勒展开的上界替代函数对目标辐射源的位置s进行迭代计算，直至达到收敛条件，具体包括：
[0022]
中心无人机发送迭代初始值给所有边缘无人机，k＝0；
[0023]
无人机i更新本地迭代值为将更新后的迭代值发送至中心无人机；
[0024]
中心无人机融合所有边缘无人机更新后的迭代值和自身数据生成下一次迭代的初始值表示为：
[0025][0026]
当迭代进行达到收敛条件时停止迭代并输出此时中心无人机融合生成的迭代值，作为目标辐射源的位置，所述收敛条件为：ε为收敛阈值。
[0027]
进一步的，所述基于最大似然函数求解目标辐射源的位置，具体包括：
[0028]
每个无人机根据自身测量值构建最大似然函数，基于预设搜索算法估计目标辐射源位置，获得估计值基于估计值计算f
i
为无人机i估计的费雪信息矩阵；
[0029]
所有边缘无人机将和发送至中心无人机；
[0030]
中心无人机对每个无人机的估计结果进行加权计算，获得最终估计结果
[0031]
进一步的，所述中心无人机对每个无人机的估计结果进行加权计算，具体包括：
[0032]
计算每个无人机的计算结果权重w
i
，其表达式为：
[0033][0034]
其中，j
i
为估计误差方差，c
i
为无人机i估计的误差crlb矩阵；
[0035]
基于每个无人机的估计结果和相应的w
i
计算最终估计结果的表达式如下：
[0036][0037]
与现有技术相比，本发明的有益效果是：
[0038]
本发明所提供的一种rss无人机集群分布式定位方法，在基于电磁波传播路径损耗模型建立无人机集群定位系统模型后，确定关于无人机测量目标辐射源信号强度的最大似然函数，基于最大似然函数求解目标辐射源的位置，计算复杂度降低的同时还能取得较高的定位精度，通信效益较高，本发明在计算复杂度、定位精度、通信效益方面能够达到很好的均衡，可以实现无人机集群的高效通信。
附图说明
[0039]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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优选实施例，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。
[0040]
图1是本发明一实施例提供的一种rss无人机集群分布式定位方法整体流程示意图。
[0041]
图2是本发明一实施例提供的求解目标辐射源位置流程示意图。
[0042]
图3是本发明另一实施例提供的求解目标辐射源位置流程示意图。
[0043]
图4是不同定位方法中定位rmse随中心无人机与边缘无人机的通信轮数变化的曲线图。
[0044]
图5是不同定位方法中定位rmse随无人机个数变化的曲线图。
具体实施方式
[0045]
以下结合附图对本发明的原理和特征进行描述，所列举实施例只用于解释本发明，并非用于限定本发明的范围。
[0046]
参照图1本发明提供一种rss无人机集群分布式定位方法，所述方法包括以下步骤：
[0047]
s1、基于电磁波传播路径损耗模型建立无人机集群定位系统模型，基于无人机集群定位系统模型确定关于无人机测量值的最大似然函数，所述无人机测量值为无人机对目标辐射源的信号强度测量值。
[0048]
s2、基于最大似然函数求解目标辐射源的位置。
[0049]
示例性地，步骤s1中所述基于电磁波传播路径损耗模型建立的无人机集群定位系统模型，具体为：
[0050]
设无人机集群中中心无人机的编号为1，边缘无人机的编号为2至n，n为无人机集群中无人机的总数。无人机i的总测量次数为m
i
，无人机i在第j次测量的位置为u
i,j
＝(x
i,j
,y
i,j
,z
i,j
)，目标辐射源位于区域a，其位置记为s＝(x,y,z)，设无人机i在第j次测量的rss值为p
i,j
，则根据电磁波传播路径损耗模型可得：
[0051][0052]
d
i,j
＝||s
‑
u
i,j
||2[0053]
其中，p0为目标辐射源在参考距离d0处的发射功率，γ
i
为无人机i与目标辐射源之间信道的路径损耗因子，η
i,j
为0均值，方差为σ
i,j
的高斯噪声。
[0054]
建立无人机集群定位系统模型后，基于该模型确定关于无人机测量值的最大似然函数，简化的最大似然函数表达式为：
[0055][0056]
其中，p
i
为无人机i的测量值组成的列向量，f
i
(s)为无人机i的所有值组成的列向量，最大似然估计形式为：
[0057]
作为本实施例的一种可选实施方式，所述基于最大似然函数求解目标辐射源的位置，具体包括：
[0058]
首先对最大似然函数的求解问题进行近似处理，所述近似处理具体可以是忽略噪声项，将无人机i在第j次测量的位置与目标辐射源之间的距离与rss测量值的关系表示为近似的最大似然重构为：
[0059][0060]
然后，无人机集群基于二阶泰勒展开的上界替代函数对目标辐射源的位置s进行迭代计算，直至达到收敛条件，输出最终的迭代结果作为目标辐射源的位置。
[0061]
具体的，所述无人机集群基于二阶泰勒展开的上界替代函数对目标辐射源的位置s进行迭代计算，直至达到收敛条件，参照图2，具体包括：
[0062]
中心无人机发送迭代初始值给所有边缘无人机，k＝0；
[0063]
无人机i更新本地迭代值为将更新后的迭代值发送至中心无人机；
[0064]
中心无人机融合所有边缘无人机更新后的迭代值和自身数据生成下一次迭代的初始值表示为：
[0065][0066]
当迭代进行达到收敛条件时，停止迭代并输出此时中心无人机融合生成的迭代值，作为目标辐射源的位置，所述收敛条件为：ε为收敛阈值。
[0067]
对于第k次迭代的迭代值s
k
，基于最大似然重构可得：
[0068][0069]
其中令可算得：
[0070][0071]
m＝2ki
[0072][0073]
其中i表示单位矩阵。
[0074]
本实施例所提供的rss无人机集群分布式定位方法，在计算复杂度、定位精度、通信效益方面可以达到很好的平衡。
[0075]
在本实施例的另一种可选实施方式中，所述基于最大似然函数求解目标辐射源的位置，如图3所示，具体包括：
[0076]
每个无人机根据自身测量值构建最大似然函数，基于预设搜索算法估计目标辐射源位置，获得估计值基于估计值计算f
i
为无人机i估计的费雪信息矩阵；
[0077]
所有边缘无人机将和发送至中心无人机；
[0078]
中心无人机对每个无人机的估计结果进行加权计算，获得最终估计结果
[0079]
具体的，所述中心无人机对每个无人机的估计结果进行加权计算，具体包括：
[0080]
计算每个无人机的计算结果权重w
i
，其表达式为：
[0081]
[0082]
其中，j
i
为估计误差方差，c
i
为无人机i估计的误差crlb矩阵；
[0083]
基于每个无人机的估计结果和相应的w
i
计算最终估计结果计算最终估计结果的表达式如下：
[0084][0085]
图4示出了采用前述实施例中两种定位方法时定位rmse(root mean squared error，标准误差)随中心无人机与边缘无人机通信轮数变化的曲线。其中dmm表示采用前述实施例第一种求解目标辐射源位置的方法时rmse随中心无人机与边缘无人机通信轮数变化的曲线；def表示采用前述实施例第二种求解目标辐射源位置的方法时rmse随中心无人机与边缘无人机通信轮数变化的曲线；crlb表示理论情况下定位rmse随通信轮数变化的曲线。根据图4可以看出，前述实施例第一种求解目标辐射源位置的方法能够在中心无人机与边缘无人机进行较低轮次的通信下收敛；前述实施例第二种求解目标辐射源位置的方法仅需进行一轮中心无人机与边缘无人机之间的通信，且定位精度高。
[0086]
图5示出了采用前述实施例中两种定位方法时定位rmse随无人机集群中无人机个数变化的曲线。其中dmm表示采用前述实施例第一种求解目标辐射源位置的方法时rmse随无人机集群中无人机个数变化的曲线。def表示采用前述实施例第二种求解目标辐射源位置的方法时rmse随无人机集群中无人机个数变化的曲线。crlb表示理论情况下定位rmse随无人机个数变化的曲线。从图5可以看出在实际应用时可以通过扩大无人机集群规模的方式来提高定位的准确性。
[0087]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。