CN109084774B - 一种基于信道状态信息的无人机集群定位方法 - Google Patents

Abstract

本发明提供的一种基于信道状态信息的无人机集群定位方法，包括以下步骤：第一步，建立长机四周空间区域内参考点对应的CSI信号和位置信息指纹数据库，第二步，获取僚机待测点对应的CSI信号，并将所获得的该待测点对应的CSI信号与第一步中建立的指纹数据库进行匹配，进而计算得到该待测点的位置；本发明首次将信道状态信息用于无人机集群定位环境，提高了无人机的机间定位精度和抗GPS干扰能力；同时，通过长机与僚机之间的信号传输，接收到对应的信道状态信息进行定位，当无人机集群在恶劣环境作业，接收不到GPS信号时仍能进行机间定位，保证集群的作业能力。

Description

一种基于信道状态信息的无人机集群定位方法

技术领域

本发明属于定位技术领域，尤其涉及一种基于信道状态信息的无人机机间定位方法。

背景技术

目前，随着无人机技术的发展，无人机集群和协同技术取得了重大突破。在无人机编队中，长机需要随时知晓僚机的位置信息，以便对僚机进行进一步的指挥与判断。所以，位置信息在无人机编队中至关重要。目前，获取无人机的绝对位置比较容易，主要通过卫星导航的GPS系统获取无人机自身所在的经纬度信息，然而绝对位置的获取之后，僚机仍然需要与长机进行通信来计算得出僚机相对长机的位置，才能进行指挥判断。因而长机与僚机以及僚机与僚机之间的相对位置的精确快速获取是无人机编队正常执行任务的重大挑战。

传统定位技术一般使用接收信号强度指示(Received Signal StrengthIndicator，RSSI)来估算距离，然而RSSI只是一个粗粒度的数值，在平稳环境下仍然有5dB的偏差，同时只提取了待测点的振幅信息，忽视了相位特征，极易受到复杂环境的“多径效应”影响，定位误差较大。

在目前无人机集群编队中，主要是通过机载数据链传输惯性导航和GPS系统的数据来获取无人机的位置，用以指导编队协同飞行。然而在GPS信号受干扰或是不能使用GPS的情况下，机间定位精度就很难满足协同作战的要求。

发明内容

本发明的目的在于提供一种基于信道状态信息的无人机集群定位方法，解决了现有的无人机集群编队中，通过机载数据链传输惯性导航和GPS系统的数据来获取无人机的位置，用以指导编队协同飞行；然而在GPS信号受干扰或是不能使用GPS的情况下，机间定位精度就很难满足协同作战的要求。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种基于信道状态信息的无人机集群定位方法，包括以下步骤：

第一步，建立长机四周空间区域内参考点对应的CSI信号和位置信息指纹数据库，具体地：

S101，将长机四周空间区域划分为若干个球壳区域；

S102，确定每个球壳区域内的参考点，并采集该参考点对应的CSI信号特征量和位置信息；

S103，根据所采集到的CSI信号和位置信息建立各个球壳区域对应的指纹数据库；

第二步，获取僚机待测点对应的CSI信号，并将所获得的该待测点对应的CSI信号与第一步中建立的指纹数据库进行匹配，进而计算得到该待测点的位置，具体地：

S201，获取僚机待测点的多个CSI信号，并提取多个CSI信号对应的CSI信号特征值F′_k；

S202，根据所得的CSI信号特征值F′_k估算出该待测点距离长机的距离；

S203，根据估算所得的该待测点距离长机的距离确定该待测点所处的球壳区域；

S204，将所得的CSI信号特征值F′_k与该待测点所处的球壳区域对应的指纹数据库中的参考点信息进行比对；

S205，通过KNN算法计算出该待测点的位置坐标。

优选地，S101中，球壳结构的空间区域的划分方法是：将长机四周空间区域等间距划分为若干个同球心布置的球壳结构的空间区域。

优选地，S102中，参考点的确定方法：首先，将所得的每个球壳区域进行等间距划分，得到若干个同球心布置的球形结构的子区域；然后，将所得的每个球形结构的子区域沿其周向方向进行等分，得到若干个大小相等的圆形结构的截面；接着，将所得的圆形截面沿其周向方向进行等分，其中，等分线与球壳区域边界之间的交点为参考点；最后，获取该参考点的CSI信号，并根据所获取的CSI信号确定对应参考点的三维坐标，其中，三维坐标为(x_nt,y_nt,z_nt),n＝1,2,…,N,t＝1,2,…,T，其中，N为无线信号子载波数目，T表示接收到CSI信号的数目。

提取参考点对应的CSI信号特征量的具体的方法是：

首先，将每个参考点所获取的多个CSI信号进行离散小波变换；

其次，利用DBSCAN算法对每个CSI信号中的每一个子载波H_i进行聚类分析，得到该子载波对应的中心值H_J；

接着，根据所得的每一个子载波H_i对应的中心值H_J，计算该子载波对应的振幅为A_J＝|H_J|和相位为f_J＝∠H_J，进而得到该子载波的特征值F_J＝[A_J,f_J]；

最后，根据所得的每一个子载波的特征值F_J得到该参考点对应的CSI信号特征量F_k，其中，F_k＝[F₁,F₂,…,F_i,…,F_N]^T,i＝1,2,…,N,N＝30。

优选地，S202中，根据所得的CSI信号特征值F′_k估算出该待测点距离长机的距离的具体方法是：

首先，由所得的CSI信号特征值F′_k结合下式计算有效的CSI振幅值CSI_eff：

其中，f′₀代表待测点CSI信号的中心频率，与信号传输所使用的信道有关；f′_k表示待测点第k个子载波所对应的频率；A′_k代表待测点第k个子载波所对应的振幅；K代表待测点子载波数目。

接着，由有效的CSI振幅值CSI_eff结合下式估算出待测点与长机的距离D：

其中，c表示信号传播速度，n为衰减因子，其取值为2；σ为环境因子，其取值为10。

优选地，S205中，通过KNN算法计算出该待测点的位置坐标的具体方法是：

首先，将该待测点的CSI信号特征值F′_k与对应球壳区域的指纹数据库进行匹配，通过下式计算该区域内每个参考点与该待测点之间的欧式距离d_m：

其中，m代表参考点编号，M代表参考点数目，i代表子载波编号，N代表子载波数目，

表示第m个参考点的第i个子载波的振幅值，

表示第m个参考点的第i个子载波的相位值；

然后，将计算所得的所有的欧式距离按照升序进行排列，之后利用KNN算法计算该待测点与每个参考点所对应的概率P_m，通过概率加权每个参考点的位置坐标，可最终得到待测点的位置坐标，计算公式如下：

其中，(x,y)为待测点的位置坐标，x_m,y_m为各个参考点的位置坐标，M为参考点数目。

与现有技术相比，本发明的有益效果是：

本发明提供的一种基于信道状态信息的无人机集群定位方法，首先建立长机四周空间区域内的指纹数据库，其次，获取僚机的位置信息，并将该信息与指纹数据库中的信息进行比对，最终得到僚机的相对于长机的位置坐标，本发明首次将信道状态信息用于无人机集群定位环境，提高了无人机的机间定位精度和抗GPS干扰能力；同时，通过划分球壳区域减小了指纹数据库规模，通过CSI传播衰减模型首先估算待测点距离，确定其所在的球壳区域。在在线匹配阶段进一步减小了匹配时间，加快匹配速度；且通过长机与僚机之间的信号传输，接收到对应的信道状态信息进行定位，当无人机集群在恶劣环境作业，接收不到GPS信号时仍能进行机间定位，保证集群的作业能力。

附图说明

图1是本发明的流程示意图；

图2是本发明实施例提供的基于CSI的室内定位与无人机集群定位精度对比图；

图3是本发明实施例提供的参考点选取截面图。

具体实施方式

下面结合附图对本发明作进一步详细描述。

随着WIFI以及正交频分复用技术(Orthogonal Frequency DivisionMultiplexing，OFDM)的广泛应用，基于IEEE802.11n标准的信道状态信息(Channel StateInformation，CSI)可以利用Intel 5300等特定型号的无线网卡从接收端提取出来。

如图1所示，本发明提供的一种基于信道状态信息的无人机集群定位方法，包括两个阶段：

第一步，建立长机四周空间区域内参考点对应的CSI信号和位置信息指纹数据库，具体地：

S101，将长机四周空间区域划分为若干个球壳区域，其中，球壳区域是指球形结构的空间区域，具体地：

球壳结构的空间区域的划分方法是：将长机四周空间区域等间距划分为若干个同球心布置的球壳结构的空间区域。

S102，确定每个球壳区域内的参考点，并采集该参考点对应的CSI信号和位置信息，具体地：

如图3所示，参考点的确定方法：首先，将所得的每个球壳区域进行等间距划分，得到若干个同球心布置的球形结构的子区域；然后，将所得的每个球形结构的子区域沿其周向方向进行等分，得到若干个大小相等的圆形结构的截面；接着，将所得的圆形截面沿其周向方向进行等分，其中，该等分线与球壳区域边界之间的交点为参考点；接着，分别对各个球壳空间内的参考点进行编号；最后，获取每个参考点的CSI信号，并根据所获取的CSI信号确定对应参考点的三维坐标，其中，三维坐标为(x_nt,y_nt,z_nt),n＝1,2,…,N,t＝1,2,…,T，其中，N为无线信号子载波数目，T表示接收到CSI信号的数目。

提取参考点对应的CSI信号特征量的具体的方法是：

首先，将每个参考点所获取的多个CSI信号进行离散小波变换；

其次，利用DBSCAN算法对每个CSI信号中的每一个子载波H_i进行聚类分析，得到该子载波对应的中心值H_J；

接着，根据所得的每一个子载波H_i对应的中心值H_J，计算该子载波对应的振幅为A_J＝|H_J|和相位为f_J＝∠H_J，进而得到该子载波的特征值F_J＝[A_J,f_J]；

最后，根据所得的每一个子载波的特征值F_J得到该参考点对应的CSI信号特征量F_k，其中，F_k＝[F₁,F₂,…,F_i,…,F_N]^T,i＝1,2,…,N,N＝30。

S103，根据每个参考点所采集到的CSI信号特征量F_k和位置信息建立各个球壳区域对应的指纹数据库；

第二步，获取僚机待测点对应的CSI信号，并将所获得的该待测点对应的CSI信号与第一步中建立的指纹数据库进行匹配，进而计算得到该待测点相对于长机的位置坐标，具体地：

S201，获取僚机待测点的多个CSI信号，并提取多个CSI信号对应的CSI信号特征值F′_k；

S202，根据所得的CSI信号特征值F′_k估算出该待测点距离长机的距离，具体地：

首先，由所得的CSI信号特征值F′_k结合下式计算有效的CSI振幅值CSI_eff：

其中，f′₀代表待测点CSI信号的中心频率，与信号传输所使用的信道有关；f′_k表示待测点第k个子载波所对应的频率；A′_k代表待测点第k个子载波所对应的振幅；K代表待测点子载波数目。

接着，由有效的CSI振幅值CSI_eff结合下式估算出待测点与长机的距离D：

其中，c表示信号传播速度，n为衰减因子，其取值为2；σ为环境因子，其取值为10；

最后，将所得的待测点与长机的距离D和各个球壳结构的空间区域与长机之间的距离进行对比，进而判断出该待测点所处的球壳结构的空间区域。

S203，根据估算所得的该待测点距离长机的距离确定该待测点所处的球壳区域，具体地：

将所得的待测点与长机的距离D和各个球壳结构的空间区域与长机之间的距离进行对比，进而判断出该待测点所处的球壳结构的空间区域；

S204，将所得的CSI信号特征值F′_k与该待测点所处的球壳区域对应的指纹数据库中的参考点信息进行比对；

S205，通过KNN算法计算出该待测点的位置坐标，具体地：

通过KNN算法计算出该待测点的位置坐标的具体方法是：

首先，将该待测点的CSI信号特征值F′_k与对应球壳区域的指纹数据库进行匹配，通过下式计算该区域内每个参考点与该待测点之间的欧式距离d_m：

其中，m代表参考点编号，M代表参考点数目，i代表子载波编号，N代表子载波数目，

表示第m个参考点的第i个子载波的振幅值，

表示第m个参考点的第i个子载波的相位值；

然后，将计算所得的所有的欧式距离按照升序进行排列，之后利用KNN算法计算该待测点与每个参考点所对应的概率P_m，通过概率加权每个参考点的位置坐标，可最终得到待测点的位置坐标，计算公式如下：

其中，(x,y)为待测点的位置坐标，x_m,y_m为各个参考点的位置坐标，M为参考点数目。

如图2所示，在目前CSI应用较广的室内定位环境中，CSI的定位精度在1.5m左右。然而在无人机集群定位环境中，由于无人机周围环境较为空旷，长机与僚机之间可认为属于视距范围，在实际测试中所呈现的结果也优于室内定位环境的结果，超过60％的误差在1m以下，最大的误差也不超过2m。

以上描述仅是本发明的一个具体实例，并未构成对本发明的任何限制，显然对于本领域的专业人员来说，在了解本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修改和改变仍在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于信道状态信息的无人机集群定位方法，其特征在于，包括以下步骤：

第一步，建立长机四周空间区域内参考点对应的CSI信号和位置信息指纹数据库，具体地：

S101，将长机四周空间区域划分为若干个球壳区域；

S102，确定每个球壳区域内的参考点，并采集该参考点对应的CSI信号特征量和位置信息；

S103，根据所采集到的CSI信号和位置信息建立各个球壳区域对应的指纹数据库；

第二步，获取僚机待测点对应的CSI信号，并将所获得的该待测点对应的CSI信号与第一步中建立的指纹数据库进行匹配，进而计算得到该待测点的位置，具体地：

S201，获取僚机待测点的多个CSI信号，并提取多个CSI信号对应的CSI信号特征值F′_k；

S202，根据所得的CSI信号特征值F′_k估算出该待测点距离长机的距离；

S203，根据估算所得的该待测点距离长机的距离确定该待测点所处的球壳区域；

S204，将所得的CSI信号特征值F′_k与该待测点所处的球壳区域对应的指纹数据库中的参考点信息进行比对；

S205，通过KNN算法计算出该待测点的位置坐标；

其中，提取参考点对应的CSI信号特征量的具体的方法是：

首先，将每个参考点所获取的多个CSI信号进行离散小波变换；

其次，利用DBSCAN算法对每个CSI信号中的每一个子载波H_i进行聚类分析，得到该子载波对应的中心值H_J；

接着，根据所得的每一个子载波H_i对应的中心值H_J，计算该子载波对应的振幅为A_J＝|H_J|和相位为f_J＝∠H_J，进而得到该子载波的特征值＝[A_J,f_J]；

最后，根据所得的每一个子载波的特征值F_J得到该参考点对应的CSI信号特征量F_k，其中，F_k＝[F₁,F₂,…,F_J ,…,F_N]^T,J ＝1,2,…,N,N＝30。

2.根据权利要求1所述的一种基于信道状态信息的无人机集群定位方法，其特征在于，S101中，球壳结构的空间区域的划分方法是：将长机四周空间区域等间距划分为若干个同球心布置的球壳结构的空间区域。

3.根据权利要求1所述的一种基于信道状态信息的无人机集群定位方法，其特征在于，S102中，参考点的确定方法：首先，将所得的每个球壳区域进行等间距划分，得到若干个同球心布置的球形结构的子区域；然后，将所得的每个球形结构的子区域沿其周向方向进行等分，得到若干个圆形结构的截面；接着，将所得的圆形截面沿其周向方向进行等分，其中，等分线与球壳区域边界之间的交点为参考点；最后，获取该参考点的CSI信号，并根据所获取的CSI信号确定对应参考点的三维坐标，其中，三维坐标为(x_{m t},y_{m t},z_{m t}),m ＝1,2,…,M,t＝1,2,…,T，其中，m 代表参考点编号， M 代表参考点数目 ，T表示接收到CSI信号的数目。

4.根据权利要求1所述的一种基于信道状态信息的无人机集群定位方法，其特征在于，S202中，根据所得的CSI信号特征值F′_k估算出该待测点距离长机的距离的具体方法是：

首先，由所得的CSI信号特征值F′_k结合下式计算有效的CSI振幅值CSI_eff：

其中，f′₀代表待测点CSI信号的中心频率，与信号传输所使用的信道有关；f′_k表示待测点第k个子载波所对应的频率；A′_k代表待测点第k个子载波所对应的振幅；K代表待测点子载波数目；

接着，由有效的CSI振幅值CSI_eff结合下式估算出待测点与长机的距离D：

其中，c表示信号传播速度，n为衰减因子，其取值为2；σ为环境因子，其取值为10。

5.根据权利要求1所述的一种基于信道状态信息的无人机集群定位方法，其特征在于，S205中，通过KNN算法计算出该待测点的位置坐标的具体方法是：

首先，将该待测点的CSI信号特征值F′_k与对应球壳区域的指纹数据库进行匹配，通过下式计算该区域内每个参考点与该待测点之间的欧式距离d_m：

其中，m代表参考点编号，M代表参考点数目，i代表子载波编号，N代表子载波数目，

表示第m个参考点的第i个子载波的振幅值，

表示第m个参考点的第i个子载波的相位值；

然后，将计算所得的所有的欧式距离按照升序进行排列，之后利用KNN算法计算该待测点与每个参考点所对应的概率P_m，通过概率加权每个参考点的位置坐标，可最终得到待测点的位置坐标，计算公式如下：

其中，(x,y)为待测点的位置坐标，x_m,y_m为各个参考点的位置坐标，M为参考点数目。

Images