CN108848489A - 一种面向应急通信的无人机自适应覆盖方法 - Google Patents
一种面向应急通信的无人机自适应覆盖方法 Download PDFInfo
- Publication number
- CN108848489A CN108848489A CN201810739550.3A CN201810739550A CN108848489A CN 108848489 A CN108848489 A CN 108848489A CN 201810739550 A CN201810739550 A CN 201810739550A CN 108848489 A CN108848489 A CN 108848489A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- moment
- coverage
- control
- emergency communication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Environmental & Geological Engineering (AREA)
- Public Health (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种面向应急通信的无人机自适应覆盖方法,在服务区域的水平方向上内,建立笛卡尔坐标系,并得出每个无人机t时刻时在该坐标系内的投影坐标;将服务区域分为s2个小区域,每个无人机均通过无线组网获取其每个相邻小区域内的用户数量M;以用户数量M为目标函数,计算得出每个无人机在t时刻的控制策略;以无人机能耗为目标函数,计算得出无人机在t时刻的控制策略;计算得出每个无人机的最优控制策略;本发明可以在无人机能耗最小的条件下满足尽可能多的用户的紧急通信需求。
Description
【技术领域】
本发明属于移动通信中应急通信技术领域,具体涉及一种面向应急通信的无人机自适应覆盖方法。
【背景技术】
移动通信系统支持自然灾害或人为灾难中的救援服务是极为复杂的,如在地震等紧急情况下,由于设备损坏,蜂窝基础设施不能支持通信服务。在这种情况下,如何提供通信服务就是一个迫切需要解决的问题。其中,可以提供空对地通信服务无人机基站就是一个很有前景的解决方案。
无论是在军事领域还是在民用领域,无人机鉴于其高度的可操作性,部署的灵活性以及低廉的成本在很多应用场景中起着至关重要的作用。对于用于通信的无人机而言,装载无线发射机的无人机小蜂窝能够与其他空中无线设备以及地面设备进行通信,以支持应急需求以及其他场景下的空对地蜂窝连接服务。但是,在大部分已建模的场景中,只是具有少量无人机和地面应急通信用户,无法满足大量用户,超密集网络,所以基站要求负载较高,无人机小基站的数量也要求较多。
【发明内容】
本发明的目的是提供一种面向应急通信的无人机自适应覆盖方法,在无人机能耗最小的条件下满足尽可能多的用户的紧急通信需求。
本发明采用以下技术方案:一种面向应急通信的无人机自适应覆盖方法,具体包括以下步骤:
步骤1、在服务区域的水平方向上内,以任一无人机为坐标原点,服务区域相邻的两条边界为坐标轴,建立笛卡尔坐标系,并得出每个无人机t时刻时在该坐标系内的投影坐标xi(t),1≤i≤N,N为整数;
步骤2、在笛卡尔坐标系平面内,将服务区域分为s2个小区域,每个无人机均通过无线组网获取其每个相邻小区域内的用户数量M;
步骤3、以用户数量M为目标函数,计算得出每个无人机在t时刻的控制策略以无人机能耗为目标函数,计算得出无人机在t时刻的控制策略
步骤4、根据最优控制模型计算得出每个无人机的最优控制策略;并根据最优控制策略得出下一时刻无人机的最优:
其中,为t时刻第i个无人机的最优速度矢量,a1、a2为不随时间变化的参数,wi(t+1)为t+1时刻的随机项,为无人机群体的控制平均值,ui(t)为无人机的控制策略,k为权重系数。
进一步地,具体满足条件为:无人机按照运动后,其服务用户数量最大。
进一步地,具体通过得出,其中,p计算参数,b为正常数,φ(0)表示无人机群体的初始状态,R=r×I,I是二阶单位矩阵,R是能量的可控系数矩阵。
本发明的有益效果是:通过多无人机充当基站服务于随机分布的多用户,通过一个离散时间的平均场博弈模型来满足场景中的成员,这个模型可以满足每个成员最大限度地降低成本并最大限度地提高服务的用户数量,本发明还计算每个成员的最优控制和状态,并通过仿真结果表明:当所有用户不移动或缓慢移动时,所有无人机的初始期望状态的平均值对每个人都是已知的,随着用户不断移动,无人机也将通过使用本发明的算法产生最佳策略以获得最大服务应户数的最优状态。本发明通过综合考虑无人机覆盖中的能耗,计算复杂度来规划无人机的飞行路径,已达到自适应覆盖的目的,通过计算每一时刻无人机的最优飞行方向来规划无人机最优飞行轨迹,使得飞行能耗较低,并且每个无人机的服务用户数保持一个较高水平,这满足了用户自适应覆盖的需求。
【附图说明】
图1为本发明实施例中根据场景所建模型图;
图2为本发明实施例中无人机群体分布图;
其中,图2(a)为初始时刻的无人机群体分布图,图2(b)为t=10时刻的无人机群体分布图;图2(c)为t=20时刻的无人机群体分布图;图2(d)为t=30时刻的无人机群体分布图;图2(e)为t=40时刻的无人机群体分布图;图2(f)为t=50时刻的无人机群体分布图;
图3为本发明实施例中随机选取的5个无人机的初始状态分布图;
图4为本发明实施例中随机选取的5个无人机的运动轨迹图;
图5为本发明实施例中随机选取的3个无人机的服务用户数量变化图。
【具体实施方式】
下面结合附图和具体实施方式对本发明进行详细说明。
一种面向应急通信的无人机自适应覆盖方法,在本方法中每个无人机的目标是使包含所有无人机的分布的成本函数最小化,无人机会根据当前动态以及其他成员的控制进行演变。引入一个确定函数φ来逼近所有无人机的平均位置分布,也就是坐标的分布,证明这个平均分布是恒定的并等于φ(0)(即无人机群体的状态),然后构造离散的平均场控制。
通过应用离散平均场控制法来分析所有无人机平均场共识的一致性。此外,当时间趋于无穷时,最优控制产生一定的渐近纳什均衡,这意味着随着无人机数量增加到无穷大,包含所有无人机的平均分布的成本函数可以达到其最小值。
通过实施本发明的方法,每个无人机可以获得最优控制策略(路线就是离散时间点,每一时刻对应一个最优坐标),其取决于初始无人机的平均分布和当前状态信息(当前无人机的位置坐标信息),无人机可以使用该控制策略在预定义时间段内服务较多用户。
本发明提出了一个离散的时间和状态多成员平均场博弈框架来增加每个无人机服务的用户数量。推导出所提出的平均场博弈框架的相应系统方程,包括系统动态方程和飞行能耗成本函数。此外,我们通过从系统方程中获得最优控制(速度矢量),推导出每个无人机的最优轨迹。
具体包括以下步骤:
步骤1、在服务区域的水平方向上内,以任一无人机为坐标原点,服务区域相邻的两条边界为坐标轴,建立笛卡尔坐标系,并得出每个无人机t时刻时在该坐标系内的投影坐标xi(t),1≤i≤N,N为整数。
由于本实施例场景的特殊性,每个无人机的速度和分布都需要设置为坐标向量,同时,与连续平均场博弈系统常用的Fokker-Planck-Kolmogorov(FPK)方程不同,本发明中前向迭代方程是一个离散差分方程。类似地,最优控制策略的解决方案也是不同的。
假设单个无人机可以服务于某个小区域(s×s的方形区域),用任一指定的无人机的原始位置为原点,服务区域相邻的两条边界为坐标轴,建立笛卡尔坐标系。由于无人机初始位置都是相对位置,只需观察其的变化值,而不需要其绝对坐标,且每个无人机的初始坐标不影响最终的结果,所以坐标的建立只是为了相互位置的参考。
步骤2、在笛卡尔坐标系平面内,将服务区域分为s2个小区域,每个无人机均通过无线组网获取其每个相邻小区域内的用户数量M。
每个无人机都有自己的初始坐标位置,划分区域时,将每个小区域均对应一个无人机,因此每个无人机均有一定数量的用户,其仅仅负责服务当前区域中的有限数量的用户。则无人机集合为每个小区域中的用户数量分别为Mi,且每个用户均在笛卡尔坐标系中有其对应的投影坐标。在t时刻,每个无人机均可以与其周围的无人机进行通信,以获得其周围区域内的用户数量。
步骤3、本发明中,无人机当前的状态表示为xi(t)(即委任及在笛卡尔坐标系中的坐标),且有xi(t)∈R2×1,R2×1为所有2乘1矩阵空间,无人机的控制策略为ui(t)∈R2×1。本发明中成本函数与无人机本身与无人机群体之间的距离和能量消耗有关。在这个模型中,每个无人机的控制策略被假定为位置坐标的变换,即ui(t)的值也是坐标形式,并且由于其移动是向其相邻的区域进行移动,则其水平和垂直坐标的取值范围为{-1,0,1},即当无人机不需要移动时,其控制策略为(0,0),当需要水平向右移动时,控制策略为(1,0),当需要向左后移动时,控制策略为(-1,-1)。
以用户数量M为目标函数,计算得出每个无人机在t时刻的控制策略 具体满足条件为:无人机按照运动后,其服务用户数量最大。
以无人机能耗为目标函数,计算得出无人机在t时刻的控制策略无人机i的状态和控制收到其它无人机的影响,则假设无人机群体的控制平均值为所有无人机的平均分布成为平均场项,为m1,m2∈R2×1。
由于每个无人机只能选择移动到以其自身为中心的相邻位置或不移动。所以不同的控制策略产生三种不同的能量成本:0,e和(e是能量的象征),分别0表示不移动,表示e平行于坐标轴运动,表示与坐标轴成45度角移动。
与此同时,无人机还需要尽量减少自身与群体之间的距离,以确保它们不会分开。而且成员还应选择最佳控制,以尽可能减少能源消耗。
关于无人机在t+1时刻的状态信息,其由当前t时刻的状态信息、其他无人机的状态信息、该无人机的控制策略、无人机群体的控制平均值和随随机项组成。则有:xi(t+1)=xi(t)+a1ui(t)+a2m1+wi(t+1),其中,a1、a2是不随时间变化的参数,wi(t+1)是随机项(根据具体场景而定,是不在研究范围内的随机干扰,如惯性,机械故障,运算错误,无人机失灵等等不在研究范围的不确定因素,通常取值较小,且初始状态xi(0)与过程wi无关)。
减少能源消耗的成本函数为:
其中,E为求均值,T表示应急通信的整个时间周期,b为正的常数,表示ui(t)的转置,R=r×I∈R2×2,I是二阶单位矩阵,R是能量的可控系数矩阵,u-i(t)={u1(t),...,ui-1(t),ui+1(t),...,uN(t)},应用一组离散控制
将无人机在t+1时刻的状态信息和成本函数进行求解,得出最优平均场控制律,为C1∈R2*2为时不变矩阵,C2(t)是与时间t相关的矩阵,则得出m1=C1m2+C2(t),将其带入无人机在t+1时刻的状态信息中,可得出xi(t+1)=xi(t)+a1ui(t)+a2(C1m2+C2(t))+wi(t+1);
用φ(t)∈R2×1近似所有无人机的平均状态,则有
xi(t+1)=xi(t)+a1ui(t)+a2(C1φ(t)+C2(t))+wi(t+1),
重新定义成本函数:
假设{wi(t),1≤i≤N}是一系列相互独立的噪声,满足:
(1)Ewi(t)=0;
(2)E(wi(t)wi(s))=rw,当t=s,且E(wi(t)wi(s))=0;
(3)对于所有E(wi(t)wi(s))=0,所有i≠j,
(3.1)具有唯一解,假设函数s(t)表示满足的最优控制s(t),则有s(t+1)=(1+Dp)s(t)-Dp2φ(t),其中,D=(a1+a2)a1/2r,因此,可以通过最小化函数来获得最优控制:
最优控制s(t)的唯一有界解由下式给出:
(3.2)φ(t)等于状态均值的平均值,则有:
φ(t+1)=(1-Dp)φ(t)+Ds(t),
进一步结合s(t+1)=(1+Dp)s(t)-Dp2φ(t)可得:
则:
因此,得出一个有界唯一的解:(φ(t),s(t))=(φ(0),pφ(0)),t≥0,在结合可以获得最优控制:
其中,p为计算参数,a1是不随时间变化的参数,b为正常数,表示无人机群体的初始状态。
步骤4、将服务用户数量函数和减少能源消耗的成本函数相结合,得出最优控制模型并计算得出每个无人机的最优控制策略,k为权重系数。
并根据最优控制策略得出下一时刻无人机的最优状态:
将上式进一步优化为:
其中,为t时刻第i个无人机的最优速度矢量,xi(0)为第i个无人机初始状态,j表示非t时刻的时间变量。wi(j+1)为j+1时刻的随机项,为j时刻使无人机i服务最大数量用户的最有速度控制。
本实施例中将展示无人机的最佳轨迹和最佳飞行趋势。此外,还展示了无人机所服务的用户数量的变化,以描述用户移动造成的影响。
考虑到计算量的影响,将整个应急区域划分为100×100个小区域(即用户M(x,y)的值均在[-50,50]范围内,用户的初始分布是均值为0,方差为1的均匀分布,如图1所示,假设我们有1000个无人机,这些无人机的初始分布也是均值为0,方差为1的均匀分布,只是与用户的初始分布无关。为了使系统更简单,将系统中的参数设置为a1=a2=1.5,b=2,r=8。并且还将最优控制方程中的权重参数k设置为0.5。在其他情况下,这个权重参数可以改变。
根据所提出的模型和最优控制u*(包括和),得到这1000个成员在t时刻的状态变化,如图2所示,选取了一些时隙数来观察这些时隙下的群体变化,在图2(a)、图2(b)、图2(c)、图2(d)、图2(e)、图2(f)中分别描述了t=0,10,20,30,40,50的1000个无人机的分布(单位为s)。
从图2(b)~2(f)可以看出,当用户相对静止或缓慢移动时,无人机变得密集,每个无人机想要最大限度地降低自己的成本,并最大限度地提高服务用户的数量。它可以说是达到了特定用户状态的平均共识。可以预见,所有的成员最终都会趋于稳定的协调。
另外,如图3、图4所示,随机抽选了5个无人机来显示个体随着时间变化的轨迹,通过比较图3和图4,可以看出当用户相对静止或移动缓慢时,无人机以一定轨迹趋向于某个最佳状态。当然,在实际的应急通信情况下,这是不现实的,因为用户在不断地移动,但是,可以肯定的是,随着用户在每个时刻不断移动,最优控制将在这个时刻改变,导致在这个时刻的最终状态的改变。也就是说,其只能像布朗运动一样获得瞬时最优控制。
为了说明随着用户移动,无人机服务用户的情况,随机抽取3个无人机来观察他们的服务用户数的变化,如图5所示,可以看出,所抽取的3个无人机所服务的用户数保持一个较高水平,且所服务的用户数量保持在相对稳定的范围内,这在实践中是有前景的。
Claims (3)
1.一种面向应急通信的无人机自适应覆盖方法,其特征在于,具体包括以下步骤:
步骤1、在服务区域的水平方向上内,以任一无人机为坐标原点,服务区域相邻的两条边界为坐标轴,建立笛卡尔坐标系,并得出每个无人机t时刻时在该坐标系内的投影坐标xi(t),1≤i≤N,N为整数;
步骤2、在所述笛卡尔坐标系平面内,将服务区域分为s2个小区域,每个无人机均通过无线组网获取其每个相邻小区域内的用户数量M;
步骤3、以用户数量M为目标函数,计算得出每个无人机在t时刻的控制策略以无人机能耗为目标函数,计算得出无人机在t时刻的控制策略
步骤4、根据最优控制模型计算得出每个无人机的最优控制策略;并根据最优控制策略得出下一时刻无人机的最优:
其中,为t时刻第i个无人机的最优速度矢量,a1、a2为不随时间变化的参数,wi(t+1)为t+1时刻的随机项,为无人机群体的控制平均值,ui(t)为无人机的控制策略,k为权重系数。
2.如权利要求1所述的一种面向应急通信的无人机自适应覆盖方法,其特征在于,所述具体满足条件为:无人机按照运动后,其服务用户数量最大。
3.如权利要求1所述的一种面向应急通信的无人机自适应覆盖方法,其特征在于,所述具体通过得出,其中,p计算参数,b为正常数,φ(0)表示无人机群体的初始状态,R=r×I,I是二阶单位矩阵,R是能量的可控系数矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739550.3A CN108848489A (zh) | 2018-07-06 | 2018-07-06 | 一种面向应急通信的无人机自适应覆盖方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810739550.3A CN108848489A (zh) | 2018-07-06 | 2018-07-06 | 一种面向应急通信的无人机自适应覆盖方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108848489A true CN108848489A (zh) | 2018-11-20 |
Family
ID=64200442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810739550.3A Withdrawn CN108848489A (zh) | 2018-07-06 | 2018-07-06 | 一种面向应急通信的无人机自适应覆盖方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108848489A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290537A (zh) * | 2019-06-23 | 2019-09-27 | 西北工业大学 | 一种基于平均场型博弈的多类型无人机移动基站部署方法 |
CN111553404A (zh) * | 2020-04-23 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种通信网络节点自适应动态规划方法 |
CN114333429A (zh) * | 2021-12-21 | 2022-04-12 | 中国电子科技集团公司第五十四研究所 | 一种面向多无人机目标覆盖任务的规则提取方法 |
-
2018
- 2018-07-06 CN CN201810739550.3A patent/CN108848489A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110290537A (zh) * | 2019-06-23 | 2019-09-27 | 西北工业大学 | 一种基于平均场型博弈的多类型无人机移动基站部署方法 |
CN111553404A (zh) * | 2020-04-23 | 2020-08-18 | 中国电子科技集团公司第五十四研究所 | 一种通信网络节点自适应动态规划方法 |
CN111553404B (zh) * | 2020-04-23 | 2023-05-23 | 中国电子科技集团公司第五十四研究所 | 一种通信网络节点自适应动态规划方法 |
CN114333429A (zh) * | 2021-12-21 | 2022-04-12 | 中国电子科技集团公司第五十四研究所 | 一种面向多无人机目标覆盖任务的规则提取方法 |
CN114333429B (zh) * | 2021-12-21 | 2022-12-09 | 中国电子科技集团公司第五十四研究所 | 一种面向多无人机目标覆盖任务的规则提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108848489A (zh) | 一种面向应急通信的无人机自适应覆盖方法 | |
CN111193536B (zh) | 一种多无人机基站轨迹优化和功率分配方法 | |
EP2425602B1 (en) | Position tracking in a virtual world | |
CN106850173B (zh) | 一种基于大规模mimo的多小区导频分配方法 | |
CN113873434A (zh) | 面向通信网络热点区域容量增强的多空中基站部署方法 | |
CN110290537A (zh) | 一种基于平均场型博弈的多类型无人机移动基站部署方法 | |
CN113872661B (zh) | 面向接入用户分级服务的无人机网络三维部署方法及系统 | |
CN111836271A (zh) | 一种多无人机通信基站的3d位置部署方法 | |
CN106358300B (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
CN113359480A (zh) | 基于mappo算法多无人机与用户协同通信优化方法 | |
Ademaj et al. | Modeling of spatially correlated geometry-based stochastic channels | |
CN109413664B (zh) | 一种基于干扰的超密集系留无人机基站高度调节方法 | |
CN114268903B (zh) | 一种地理信息辅助的无人机中继位置部署以及功率分配方法 | |
CN107241737B (zh) | 一种扩容配置文件生成方法及装置 | |
CN114389652A (zh) | 一种去蜂窝大规模mimo网络低功耗大连接方法 | |
CN110366187B (zh) | 权衡成本与信号强度的无线网络基站建站选址优化方法 | |
Rahmani et al. | Multi-agent reinforcement learning-based pilot assignment for cell-free massive MIMO systems | |
CN104185283B (zh) | 认知无线电网络中的自适应多信道分配方法 | |
CN113395699A (zh) | 一种基于协作的分簇与频率资源分配方法 | |
CN104994578A (zh) | 基于修正的仿真曲线拟合的非测距定位算法 | |
CN106954186A (zh) | 一种基于蜂窝网与Wi‑Fi技术融合的室内外无缝定位方法 | |
CN109600793A (zh) | 基于社会关系的d2d通信动态中继选择方法 | |
CN107094284A (zh) | 一种基于谱聚类算法的机会网络群组移动方法 | |
WO2022099560A1 (zh) | 一种数据处理方法及相关设备 | |
CN115119143A (zh) | 一种无人机辅助地面基站的位置部署方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181120 |