CN112965369A - 无人机三维无线通信网络的分布式部署方法 - Google Patents
无人机三维无线通信网络的分布式部署方法 Download PDFInfo
- Publication number
- CN112965369A CN112965369A CN202110124588.1A CN202110124588A CN112965369A CN 112965369 A CN112965369 A CN 112965369A CN 202110124588 A CN202110124588 A CN 202110124588A CN 112965369 A CN112965369 A CN 112965369A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- base station
- vehicle base
- user
- 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.)
- Granted
Links
- 238000004891 communication Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000005562 fading Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 235000006629 Prosopis spicigera Nutrition 0.000 claims description 3
- 240000000037 Prosopis spicigera Species 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 21
- 230000006870 function Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无人机三维无线通信网络的分布式部署方法,无人机三维通信网络中的各个无人机基站在每个位置调整时隙到来时,先后收集其邻居无人机基站位置和所覆盖范围内各个用户的位置,进行下一位置调整时隙的用户位置预测,根据用户预测位置确定下一位置调整时隙的用户集合,每个无人机基站分别根据其位置坐标、邻居无人机基站位置坐标和用户预测位置,迭代优化得到下一位置调整时隙该无人机基站的位置。本发明可以令每个无人机基站独立调整自身位置,避免中心化算法所需要的大量通信以及对同步和调度的严格要求。
Description
技术领域
本发明属于无人机三维无线通信网络技术领域,更为具体地讲,涉及一种无人机三维无线通信网络的分布式部署方法。
背景技术
移动互联网的高速发展催生了各种新兴的网络业务,因此造成了移动数据流量需求飞速膨胀的问题,依靠传统地面基站难以应对突发的流量需求增高的情况。与此同时,地面基站还面临着偏远地区、山区等险峻位置部署成本高、难以部署,以及在地震等自然灾害中容易遭受破坏等一系列问题,因此亟需找到其他基站部署方式用以解决以上问题。
随着无人机技术的发展,无人机拥有快速部署、高机动性以及更有效的无障碍传播路径等特点,其有望成为下一代无线通信网络的重要组成部分。例如,当自然灾害出现时,地面基站受到损坏无法提供通信服务,则可以部署无人机基站进行应急通信服务;当体育馆等场所在人流量急剧增加的情况下,可以利用无人机基站进行通信援助,将无人机基站与地面基站进行结合,组成异构通信网络为用户提供大流量的通信服务。
尽管无人机基站可以在无线网络的构成中提供很高的收益,但同时也带来了很多挑战。其中一个重要的问题是,对单个或者多个无人机基站,如何根据无人机的动态特性进行部署使得其能提供的无线通信网络性能达到最优,因此对无人机基站的部署优化算法显得尤为重要。目前常见的是,将无线通信网络性能抽象为无人机能提供的信道容量大小或者无人机所能提供的通信覆盖范围,以最大信道容量或最大覆盖范围为目标,同时考虑无人机的能量消耗,移动范围限制,速度限制等因素,根据所提出的优化问题定制优化算法,用以求解无人机的部署方案。常见的算法有粒子群算法(PSO),深度学习,动态规划,连续凸逼近算法(SCA)等。但是常见的部署算法中大多数为中心化算法,当有多个无人机构成无线通信网络时,算法要求需要有一个控制中心来运行算法,并将运行结果传递给组网内的无人机,而组网内各个无人机也需要将收集到的信息传递回控制中心,同时由于需要复杂的同步和调度机制,因此很难进行实施。
发明内容
本发明的目的在于克服现有技术的不足,提供一种无人机三维无线通信网络的分布式部署方法,以分布式算法解决无人机基站部署问题。
为了实现上述发明目的,本发明无人机三维无线通信网络的分布式部署方法包括以下步骤:
S1:无人机三维通信网络中每个无人机基站j在位置调整时隙tn到来时,收集其邻居无人机基站的位置坐标,记无人机基站j自身的位置坐标为 分别表示无人机基站j当前的x轴、y轴以及z轴坐标,j=1,2,…,J,记无人机基站j的邻居无人机基站集合为记邻居无人机基站的位置坐标为 分别表示无人机基站当前的x轴、y轴以及z轴坐标,
S2:各个无人机基站j在位置调整时隙tn到来时,收集其覆盖范围内所有用户的位置信息,根据其覆盖范围内每个用户的历史位置信息,分别对下一位置调整时隙tn+1时每个用户的位置进行预测,得到用户预测位置集合;无人机基站j对其覆盖范围内的每个用户进行判断,即判断该用户的预测位置是否仍然位于无人机基站j的覆盖范围内,如果是,则不作任何操作,否则根据用户的预测位置判断下一位置调整时隙tn+1时该用户所对应的无人机基站j′,将该用户的预测位置发送给无人机基站j′并将其从用户预测位置集合中删除;如果无人机基站j从其他无人机基站处接收到用户预测位置,则将其加入用户预测位置集合;
S4.1:每个无人机基站j根据预先得到的无人机三维无线通信网络拓扑,构建无人机基站位置矩阵 表示无人机基站j在当前位置调整时隙tn时所获取的无人机基站j′的位置坐标,通过无人机基站之间的位置信息交互得到,j′=1,2,…,J;
S4.3:令q=1;
其中,ξjg表示无人机基站j和无人机基站g之间的关联系数,其取值满足以下规则:
其中:
SNRi(tn+1)=Ψi(tn+1)-Ni(tn+1)
Ψi(tn+1)=Pj-Λij(tn+1),表示每个用户i的接收信号功率,Pj表示无人机基站j的发射信号功率;Ni(tn+1)为环境噪声与无人机基站的干扰噪声的总和,其中表示环境噪声功率,Φi(tn+1)表示无人机基站对用户i会产生的干扰,其计算公式为:
S4.8:判断是否τ<H-1,如果是,进入步骤S4.9,否则进入步骤S4.10;
S4.9:令τ=τ+1,返回步骤S4.6;
S4.10:判断是否q<3,如果是,进入步骤S4.11,否则进入步骤S4.12;
S4.12:判断是否k<K,如果是,进入步骤S4.13,否则进入步骤S4.14;
S4:判断无人机基站j是否需要继续工作,如果是,进入步骤S5,否则该无人机基站j的位置调整结束。
本发明无人机三维无线通信网络的分布式部署方法,无人机三维通信网络中的各个无人机基站在每个位置调整时隙到来时,先后收集其邻居无人机基站位置和所覆盖范围内各个用户的位置,进行下一位置调整时隙的用户位置预测,根据用户预测位置确定下一位置调整时隙的用户集合,每个无人机基站分别根据其位置坐标、邻居无人机基站位置坐标和用户预测位置,迭代优化得到下一位置调整时隙该无人机基站的位置。本发明可以令每个无人机基站独立调整自身位置,避免中心化算法所需要的大量通信以及对同步和调度的严格要求。
附图说明
图1是无人机三维无线通信网络结构示意图;
图2是图1所示三维无线网络的平面图;
图3是采用吉布斯采样的分布式算法求解本发明优化模型的流程图;
图4是本发明无人机三维无线通信网络的分布式部署方法的具体实施方式流程图;
图5是本发明中无人机基站迭代优化得到下一位置调整时隙的位置坐标的具体实施方式流程图;
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
为了更好地说明本发明的技术方案,首先对本发明的技术推导过程进行简要说明。
图1是无人机三维无线通信网络结构示意图。如图1所示,在无人机三维无线通信网络中,每个无人机基站有一个固定的覆盖范围,每个无人机基站只能在这个范围内根据地面用户的移动调整自身的位置。而地面用户则可以在所有无人机基站覆盖范围内任意移动。假设该三维无线通信网络内有J个无人机基站以及I个地面用户,并且每个地面用户仅能与一个无人机基站进行通信链接。为了提升无线网络的通信服务质量,每个无人机基站需要与其邻居无人机基站建立通信链接用以交换彼此的位置信息,一旦邻居间通信链接建立完成,两个邻居可以彼此进行信息交换。
为了便于进行后续分析和计算,首先需要建立无人机基站到用户的空地路径损耗模型。在实际应用中空地路径损耗模型可以根据实际场景来设置,本实施例中仅列举一种空地路径损耗模型,该模型依赖于无人机基站的高度以及无人机基站与其服务的用户之间的仰角,并涉及两种传播类别,即视距(LoS)连接和非视距(NLoS)连接。因此,无人机基站j与其服务的用户i在时刻t的平均空地路径损耗PLζ(t)(单位为dB)可表示为:
PLζ(t)=FSPLij(t)+ηζ (1)
其中,j=1,2,…,J,J表示无人机基站的数量,i=1,2,…,I,I表示用户数量,FSPLij(t)表示无人机基站与其服务的用户之间的自由空间路径损耗,ζ∈{LoS,NLoS},ηζ表示由无人机基站与其服务的用户之间的视距传播或者非视距传播造成的过量路径损耗。
无人机基站j与其服务的用户i之间在时刻t的自由空间路径损耗FSPLij(t)可表示为:
其中,f表示传输信号的载波频率,dij(t)表示无人机基站j与用户i在时刻t之间的距离,c表示光速。
进一步地,无人机基站j与用户i之间具有视距传输的概率P(θij(t)|LoS)可表示为:
其中a和b为预设的环境参数,θij(t)表示用户i到无人机基站j的仰角,表达式为:
其中,ρj(t)表示无人机基站j的瞬时高度,σij(t)表示无人机基站j与用户i在时刻t在水平方向上的投影距离。
因此,由公式(3)可得无人机基站j与用户i在时刻t的空地信道路径损耗期望值Λij(t)为:
其中P(θij(t)|ζ)表示某种传播类别发生的概率,该值依赖于无人机基站j与用户i在时刻t时的仰角,当ζ=LoS可使用公式(3)进行求解,当传播类型为非视距传播时(即ζ=NLoS)其概率值如下:
P(θij(t)|NLoS)=1-P(θij(t)|LoS) (6)
一般来说,由无人机提供通信服务的无缝网络覆盖区域可以划分为多个多边形。为简化分析,本实施例中三维无线网络构型中假设每个无人机基站的覆盖范围为正方形。图2是图1所示三维无线网络的平面图。在图2中采用带圆圈的数字表示无人机基站,采用圆点表示用户。在图2所示的三维无线网络中,每个无人机基站可以通过GPS知晓其自身的三维坐标。假设无人机基站j所覆盖的方形区域的中心坐标为则有中心坐标向量由于每个无人机基站不能飞离其覆盖范围,则每个无人机基站的覆盖范围始终保持不变。记无人机基站j的三维坐标为并且无人机基站j会通过广播与其邻居保持通信。
其中C表示覆盖区域的正方形的边长。
根据公式(7)可以知道无人机基站间的邻居关系不会随着无人机基站的移动而改变。
则进一步地对无人机基站j,其在时刻t所负责的用户的集合为:
公式(10)表明与用户i所连接的无人机基站会随时间的改变而改变。实际上,每个无人机基站会通过收集用户的位置去决定应该继续与该用户进行交流或者将该用户切换给邻居无人机基站进行负责。
则用户i的接收信号功率Ψi(t)可以表示为:
Ψi(t)=Pj-Λij(t) (11)
Pj表示无人机基站j=κi(t)的发射功率dBm值,本实施例中用户i与其连接的无人机基站j=κi(t)的空地信道衰落值Λij(t)由公式(5)进行计算。
接下来需要构建对应的优化模型,用以求解使得网络性能最优的多无人机基站部署方案。一般情况下,当信道容量越高时,无线通信网络的性能越好。因此需要研究这样一个优化问题,当无人机与地面用户都是移动时,如何进行多无人机部署,使得所有无人机与用户链接的信道容量最大化。因此其优化目标为最大化所有用户的平均信道容量。为了保证用户可以正确接收到传输信号,设置如下限制Ψi(t)≥Pmin,其中Pmin为所要求的接收信号最小功率,当接收信号大于该功率时可认为用户已正确收到信息。同时,每个无人机都有相同的高度限制条件hmin、hmax表示预设的无人机高度的最小值和最大值。因此,无人机三维无线通信网络的优化模型由如下方程所示
由公式(14)所表示的优化问题并不是凸优化问题,难以获得全局最优解。针对该问题,本发明采用基于吉布斯采样的分布式算法对其进行处理。
在特定时刻tn,假定无人机基站会收集到所有地面用户的位置信息,记为用户位置矩阵无人机基站的位置矩阵则记为从时刻t=tn开始对无人机基站的位置进行迭代,令迭代初始值则无人机基站在时间[tn,tn+1)内的第k次迭代位置为:
则公式(16)可以通过吉布斯采样转化为:
图3是采用吉布斯采样的分布式算法求解本发明优化模型的流程图。如图3所示,在采用吉布斯采样的分布式算法求解本发明优化模型的过程中,在每次迭代时,依次对无人机基站位置向量的三个分量进行迭代优化,从而得到整体的优化结果。
为了实现由无人机基站独立调整自身位置而无需采用任何集中控制机制,需要将公式(18)分解为J个子问题,每个子问题由无人机基站j分别进行求解,对应的优化问题如下所示:
对第k次迭代中的无人机基站j,本发明使用子循环更新的值。即在第k次迭代中使用H次子循环更新的值,然后再使用H次子循环更新的值,再使用H次子循环更新的值。因此,记在t∈[tn,tn+1)时第τ(τ=0,1,...,H-1)次子循环中无人机基站j关于的迭代值为对应的初始值为
其中:
由于各个无人机基站是各自独立计算自身位置,那么对于不同的无人机,当优化无人机位置的第q个分量时,其生成的会完全不同,但是随着GSDA算法的子迭代的进行,对不同无人机j,其生成的在某些条件下会趋向于同一个向量,即向量将作为的优化结果。
根据以上推导出的算法,则可以令每个无人机基站独立调整自身位置。此外,为了使无人机基站位置的调整结果更加准确,本发明还加入了用户运动预测方法,从而提出了一种无人机三维无线通信网络的分布式部署方法。图4是本发明无人机三维无线通信网络的分布式部署方法的具体实施方式流程图。如图4所示,本发明无人机三维无线通信网络的分布式部署方法的具体步骤包括:
S401:收集邻居无人机基站信息:
无人机三维通信网络中每个无人机基站j在位置调整时隙tn到来时,收集其邻居无人机基站的位置坐标,记无人机基站j自身的位置坐标为 分别表示无人机基站j当前的x轴、y轴以及z轴坐标,j=1,2,…,J,记无人机基站j的邻居无人机基站集合为记邻居无人机基站的位置坐标为 分别表示无人机基站当前的x轴、y轴以及z轴坐标,
S402:收集所覆盖用户信息并预测用户位置:
各个无人机基站j在位置调整时隙tn到来时,收集其覆盖范围内所有用户的位置信息,根据其覆盖范围内每个用户的历史位置信息,分别对下一位置调整时隙tn+1时每个用户的位置进行预测,得到用户预测位置集合;无人机基站j对其覆盖范围内的用户进行判断,即判断该用户的预测位置是否仍然位于无人机基站j的覆盖范围内,如果是,则不作任何操作,否则根据用户的预测位置判断下一位置调整时隙时该用户所对应的无人机基站j′,将该用户的预测位置发送给无人机基站j′并从用户预测位置集合中删除;如果无人机基站j从其他无人机基站处接收到用户预测位置,则将其加入用户预测位置集合。
在实际应用中,用户位置的预测方法可以根据需要设置。本实施例中,采用对用户历史位置信息中的x坐标和y坐标分别进行多项式拟合,然后计算得到下一位置调整时隙tn+1的用户预测位置。
S403:无人机基站迭代优化得到下一位置调整时隙的位置坐标:
每个无人机基站j分别根据其位置坐标、邻居无人机基站位置坐标和用户预测位置迭代优化得到下一位置调整时隙tn+1时无人机基站j的位置图5是本发明中无人机基站迭代优化得到下一位置调整时隙的位置坐标的具体实施方式流程图。如图5所示,本发明中无人机基站迭代优化得到下一位置调整时隙的位置坐标的具体步骤包括:
S501:构建无人机基站位置矩阵:
每个无人机基站j根据预先得到的无人机三维无线通信网络拓扑,构建无人机基站位置矩阵 表示无人机基站j在当前位置调整时隙tn时所获取的无人机基站j′的位置坐标,通过无人机基站之间的位置信息交互得到,j′=1,2,…,J。即每个无人机基站将其知晓的所有邻居无人机基站位置坐标以及其从邻居无人机基站获得的其他无人机基站的位置坐标,与其所有邻居无人机基站进行交互,经过数次交互,每个无人机基站均可以获得所有无人机基站的位置坐标。
S503:令q=1;
S506:计算位置矩阵第q个分量的加权平均向量:
其中,ξjg表示无人机基站j和无人机基站g之间的关联系数,其取值满足以下规则:
其中:
根据本实施例中所提出的空地路径损耗模型,计算空地信道衰落值Λij(tn+1)的具体方法如下:
其中,LoS表示视距传输,NLoS表示非视距传输;
PLζ(tn+1)表示在下一位置调整时隙tn+1的平均空地路径损耗,其计算公式如下:
PLζ(tn+1)=FSPLij(tn+1)+ηζ (32)
ηζ表示由无人机基站与其服务的用户之间的视距传播或者非视距传播造成的过量路径损耗;FSPLij(tn+1)表示无人机基站与其服务的用户之间的自由空间路径损耗,其计算公式如下:
P(θij(tn+1)|LoS)表示无人机j与用户i为视距传输的概率,其计算公式如下:
P(θij(tn+1)|NLoS)表示无人机j与用户i为非视距传输的概率,其计算公式如下:
P(θij(tn+1)|NLoS)=1-P(θij(tn+1)|LoS) (36)
SNRi(tn+1)=Ψi(tn+1)-Ni(tn+1) (38)
Ψi(tn+1)=Pj-Λij(tn+1),表示每个用户i的接收信号功率,Pj表示无人机基站j的发射信号功率;Ni(tn+1)为环境噪声与无人机基站的干扰噪声的总和,其中表示环境噪声功率,Φi(tn+1)表示无人机基站对用户i会产生的干扰,其计算公式为:
S508:判断是否τ<H-1,如果是,进入步骤S509,否则进入步骤S510;
S509:令τ=τ+1,返回步骤S506;
S510:判断是否q<3,如果是,进入步骤S511,否则进入步骤S512;
S512:判断是否k<K,如果是,进入步骤S513,否则进入步骤S514;
S514:确定下一个位置调整时隙的位置坐标:
S404:判断无人机基站j是否需要继续工作,如果是,进入步骤S405,否则该无人机基站j的位置调整结束。
S405:无人机基站调整自身位置:
很显然,无人机三维无线通信网络在初始设置时,每个无人机基站的初始位置由操作人员指定,后续位置由各个无人机基站自行计算,从而实现无人机三维无线通信网络的分布式部署。
为了更好地说明本发明的技术效果,采用一个具体实例对本发明进行仿真验证。本次仿真验证采用如图1的无人机三维无线通信网络结构,即无人机三维无线通信网络包含9个无人机基站,每个无人机基站负责一个600m×600m的正方形区域,并且在时刻tn时有100个用户随机分布在9个无人机基站的负责范围内。在本发明方法开始时,每个无人机基站处于其负责区域的中心,无人机基站的高度限制为同时,设置所有无人机基站的信号发射功率均为30dBm,接收端允许的最小接收功率为Pmin=-70dBm,信号载波频率为f=3.5GHz,环境噪声功率为a=4.88,b=0.43,ηLoS=0.1,ηNLoS=21。表1是本实施例中关联系数ξjg设置表。
表1为了设置步长及展示本发明的优化效果,定义:
其中
图6是本实施例中k=1时目标函数在q=1,2,3时随子循环τ的变化曲线。如图6所示,随着子迭代τ的增加,在不同维度下目标函数均保持下降趋势,并且最终所有的目标函数曲线会收敛到某一个值,该值即为本发明优化算法得到的目标函数最优值,说明本发明方法可以对信道容量最大化起到优化效果。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一种无人机三维无线通信网络的分布式部署方法,其特征在于,包括以下步骤:
S1:无人机三维通信网络中每个无人机基站j在位置调整时隙tn到来时,收集其邻居无人机基站的位置坐标,记无人机基站j自身的位置坐标为 分别表示无人机基站j当前的x轴、y轴以及z轴坐标,j=1,2,…,J,记无人机基站j的邻居无人机基站集合为记邻居无人机基站的位置坐标为 分别表示无人机基站当前的x轴、y轴以及z轴坐标,
S2:各个无人机基站j在位置调整时隙tn到来时,收集其覆盖范围内所有用户的位置信息,根据其覆盖范围内每个用户的历史位置信息,分别对下一位置调整时隙tn+1时每个用户的位置进行预测,得到用户预测位置集合;无人机基站j对其覆盖范围内的每个用户进行判断,即判断该用户的预测位置是否仍然位于无人机基站j的覆盖范围内,如果是,则不作任何操作,否则根据用户的预测位置判断下一位置调整时隙tn+1时该用户所对应的无人机基站j′,将该用户的预测位置发送给无人机基站j′并将其从用户预测位置集合中删除;如果无人机基站j从其他无人机基站处接收到用户预测位置,则将其加入用户预测位置集合;
S4.1:每个无人机基站j根据预先得到的无人机三维无线通信网络拓扑,构建无人机基站位置矩阵 表示无人机基站j在当前位置调整时隙tn时所获取的无人机基站j′的位置坐标,通过无人机基站之间的位置信息交互得到,j′=1,2,…,J;
S4.3:令q=1;
其中,ξjg表示无人机基站j和无人机基站g之间的关联系数,其取值满足以下规则:
其中:
SNRi(tn+1)=Ψi(tn+1)-Ni(tn+1)
Ψi(tn+1)=Pj-Λij(tn+1),表示每个用户i的接收信号功率,Pj表示无人机基站j的发射信号功率;Ni(tn+1)为环境噪声与无人机基站的干扰噪声的总和,其中表示环境噪声功率,Φi(tn+1)表示无人机基站对用户i会产生的干扰,其计算公式为:
S4.8:判断是否τ<H-1,如果是,进入步骤S4.9,否则进入步骤S4.10;
S4.9:令τ=τ+1,返回步骤S4.6;
S4.10:判断是否q<3,如果是,进入步骤S4.11,否则进入步骤S4.12;
S4.12:判断是否k<K,如果是,进入步骤S4.13,否则进入步骤S4.14;
S4:判断无人机基站j是否需要继续工作,如果是,进入步骤S5,否则该无人机基站j的位置调整结束。
2.根据权利要求1所述的无人机三维无线通信网络的分布式部署方法,其特征在于,所述根据空地路径损耗模型计算空地信道衰落值Λij(tn+1)的具体方法如下:
其中,LoS表示视距传输,NLoS表示非视距传输;
PLζ(tn+1)表示在下一位置调整时隙tn+1的平均空地路径损耗,其计算公式如下:
PLζ(tn+1)=FSPLij(tn+1)+ηζ
ηζ表示由无人机基站与其服务的用户之间的视距传播或者非视距传播造成的过量路径损耗;FSPLij(tn+1)表示无人机基站与其服务的用户之间的自由空间路径损耗,其计算公式如下:
P(θij(tn+1)|LoS)表示无人机j与用户i为视距传输的概率,其计算公式如下:
P(θij(tn+1)|NLoS)表示无人机j与用户i为非视距传输的概率,其计算公式如下:
P(θij(tn+1)|NLoS)=1-P(θij(tn+1)|LoS)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124588.1A CN112965369B (zh) | 2021-01-29 | 2021-01-29 | 无人机三维无线通信网络的分布式部署方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110124588.1A CN112965369B (zh) | 2021-01-29 | 2021-01-29 | 无人机三维无线通信网络的分布式部署方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112965369A true CN112965369A (zh) | 2021-06-15 |
CN112965369B CN112965369B (zh) | 2022-02-01 |
Family
ID=76271781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110124588.1A Expired - Fee Related CN112965369B (zh) | 2021-01-29 | 2021-01-29 | 无人机三维无线通信网络的分布式部署方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112965369B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784362A (zh) * | 2021-07-29 | 2021-12-10 | 三维通信股份有限公司 | 空中基站部署方法、装置、电子装置和存储介质 |
CN114828139A (zh) * | 2022-04-18 | 2022-07-29 | 西安羚控电子科技有限公司 | 一种集群装置的通信组网行为模拟方法及系统 |
CN114915998A (zh) * | 2022-05-31 | 2022-08-16 | 电子科技大学 | 一种无人机辅助自组网通信系统信道容量计算方法 |
CN115276750A (zh) * | 2022-05-07 | 2022-11-01 | 中国人民解放军国防科技大学 | 面向胶囊机场和无人机应用的最大覆盖部署装置 |
CN116318466A (zh) * | 2023-05-26 | 2023-06-23 | 南京航空航天大学 | 一种用于无人机辅助无线网络的三维通信连接区构建方法 |
CN118091537A (zh) * | 2024-04-24 | 2024-05-28 | 陕西山利科技发展有限责任公司 | 面向非视距环境下的无人机目标直接定位方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287623A1 (en) * | 2006-09-21 | 2009-11-19 | Rutgers, The State University Of New Jersey | Method and apparatus for using bayesian networks for localization |
CN106792716A (zh) * | 2016-12-14 | 2017-05-31 | 北京邮电大学 | 一种应灾无人机基站的控制方法和装置 |
CN107205225A (zh) * | 2017-08-03 | 2017-09-26 | 北京邮电大学 | 基于用户轨迹预测的无人机机载基站的切换方法和装置 |
CN109685762A (zh) * | 2018-11-09 | 2019-04-26 | 五邑大学 | 一种基于多尺度深度语义分割网络的天线下倾角测量方法 |
CN110531617A (zh) * | 2019-07-30 | 2019-12-03 | 北京邮电大学 | 多无人机3d悬停位置联合优化方法、装置和无人机基站 |
CN110958619A (zh) * | 2019-11-18 | 2020-04-03 | 北京邮电大学 | 一种基于无线能量传输的无人机辅助网络中资源分配方法 |
CN111194038A (zh) * | 2020-01-07 | 2020-05-22 | 北京航空航天大学 | 多无人机移动基站位置部署方法 |
CN111479226A (zh) * | 2020-05-22 | 2020-07-31 | 南京邮电大学 | 无人机通信系统及基于用户轨迹的无人机通信优化方法 |
US10770897B1 (en) * | 2017-10-17 | 2020-09-08 | Energyhub, Inc. | Load reduction optimization |
CN111836271A (zh) * | 2020-07-28 | 2020-10-27 | 河海大学 | 一种多无人机通信基站的3d位置部署方法 |
CN111954275A (zh) * | 2020-08-12 | 2020-11-17 | 北京邮电大学 | 一种面向无人机基站网络的用户多连接配置方法 |
CN112153593A (zh) * | 2020-06-22 | 2020-12-29 | 北京航空航天大学 | 一种无人机辅助的高能效物联网数据收集方法 |
-
2021
- 2021-01-29 CN CN202110124588.1A patent/CN112965369B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090287623A1 (en) * | 2006-09-21 | 2009-11-19 | Rutgers, The State University Of New Jersey | Method and apparatus for using bayesian networks for localization |
CN106792716A (zh) * | 2016-12-14 | 2017-05-31 | 北京邮电大学 | 一种应灾无人机基站的控制方法和装置 |
CN107205225A (zh) * | 2017-08-03 | 2017-09-26 | 北京邮电大学 | 基于用户轨迹预测的无人机机载基站的切换方法和装置 |
US10770897B1 (en) * | 2017-10-17 | 2020-09-08 | Energyhub, Inc. | Load reduction optimization |
CN109685762A (zh) * | 2018-11-09 | 2019-04-26 | 五邑大学 | 一种基于多尺度深度语义分割网络的天线下倾角测量方法 |
CN110531617A (zh) * | 2019-07-30 | 2019-12-03 | 北京邮电大学 | 多无人机3d悬停位置联合优化方法、装置和无人机基站 |
CN110958619A (zh) * | 2019-11-18 | 2020-04-03 | 北京邮电大学 | 一种基于无线能量传输的无人机辅助网络中资源分配方法 |
CN111194038A (zh) * | 2020-01-07 | 2020-05-22 | 北京航空航天大学 | 多无人机移动基站位置部署方法 |
CN111479226A (zh) * | 2020-05-22 | 2020-07-31 | 南京邮电大学 | 无人机通信系统及基于用户轨迹的无人机通信优化方法 |
CN112153593A (zh) * | 2020-06-22 | 2020-12-29 | 北京航空航天大学 | 一种无人机辅助的高能效物联网数据收集方法 |
CN111836271A (zh) * | 2020-07-28 | 2020-10-27 | 河海大学 | 一种多无人机通信基站的3d位置部署方法 |
CN111954275A (zh) * | 2020-08-12 | 2020-11-17 | 北京邮电大学 | 一种面向无人机基站网络的用户多连接配置方法 |
Non-Patent Citations (4)
Title |
---|
CIHAN TUGRUL CICEK等: "UAV Base Station Location Optimization for Next Generation Wireless Networks: Overview and Future Research Directions", 《2019 1ST INTERNATIONAL CONFERENCE ON UNMANNED VEHICLE SYSTEMS-OMAN (UVS)》 * |
ELHAM KALANTARI等: "User Association and Bandwidth Allocation for Terrestrial and Aerial Base Stations with Backhaul Considerations", 《IEEE 28TH ANNUAL INTERNATIONAL SYMPOSIUM ON PERSONAL, INDOOR, AND MOBILE RADIO COMMUNICATIONS (PIMRC)》 * |
S. SUNDHAR RAM等: "Distributed Non-Autonomous Power Control through Distributed Convex Optimization", 《IEEE INFOCOM 2009》 * |
周毅等: "基于深度强化学习的无人机自主部署及能效优化策略", 《物联网学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113784362A (zh) * | 2021-07-29 | 2021-12-10 | 三维通信股份有限公司 | 空中基站部署方法、装置、电子装置和存储介质 |
CN113784362B (zh) * | 2021-07-29 | 2024-08-06 | 三维通信股份有限公司 | 空中基站部署方法、装置、电子装置和存储介质 |
CN114828139A (zh) * | 2022-04-18 | 2022-07-29 | 西安羚控电子科技有限公司 | 一种集群装置的通信组网行为模拟方法及系统 |
CN115276750A (zh) * | 2022-05-07 | 2022-11-01 | 中国人民解放军国防科技大学 | 面向胶囊机场和无人机应用的最大覆盖部署装置 |
CN115276750B (zh) * | 2022-05-07 | 2023-11-10 | 中国人民解放军国防科技大学 | 面向胶囊机场和无人机应用的最大覆盖部署装置 |
CN114915998A (zh) * | 2022-05-31 | 2022-08-16 | 电子科技大学 | 一种无人机辅助自组网通信系统信道容量计算方法 |
CN116318466A (zh) * | 2023-05-26 | 2023-06-23 | 南京航空航天大学 | 一种用于无人机辅助无线网络的三维通信连接区构建方法 |
CN116318466B (zh) * | 2023-05-26 | 2023-07-28 | 南京航空航天大学 | 一种用于无人机辅助无线网络的三维通信连接区构建方法 |
CN118091537A (zh) * | 2024-04-24 | 2024-05-28 | 陕西山利科技发展有限责任公司 | 面向非视距环境下的无人机目标直接定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112965369B (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112965369B (zh) | 无人机三维无线通信网络的分布式部署方法 | |
CN110430577B (zh) | 一种基于时间相关性的无人机基站群组部署方法 | |
Huang et al. | Deployment of heterogeneous UAV base stations for optimal quality of coverage | |
CN110492911B (zh) | 一种用于无人机通信的波束追踪方法与系统 | |
WO2018171025A1 (zh) | 一种干扰最小化的移动组网方法与系统 | |
Kimura et al. | Distributed collaborative 3D-deployment of UAV base stations for on-demand coverage | |
Xia et al. | Millimeter wave remote UAV control and communications for public safety scenarios | |
CN112153593B (zh) | 一种无人机辅助的高能效物联网数据收集方法 | |
CN106961724B (zh) | 一种基于可见光通信的移动目标实时定位方法 | |
EP3793096B1 (en) | Efficient data generation for beam pattern optimization | |
CN111381499A (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
Hajiakhondi-Meybodi et al. | Deep reinforcement learning for trustworthy and time-varying connection scheduling in a coupled UAV-based femtocaching architecture | |
CN109660292A (zh) | 一种基于多无人机覆盖的无线通信系统飞行高度设计方法 | |
CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
CN114945182B (zh) | 一种城市环境中多无人机中继优化部署方法 | |
Tohidi et al. | Near-optimal los and orientation aware intelligent reflecting surface placement | |
Parvaresh et al. | A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities | |
Gesbert et al. | UAV-aided RF mapping for sensing and connectivity in wireless networks | |
Aboueleneen et al. | Deep reinforcement learning for internet of drones networks: issues and research directions | |
Li et al. | DQN-based decentralized multi-agent JSAP resource allocation for UAV swarm communication | |
US12047787B2 (en) | Systems and methods for transportable cellular networks | |
CN113993105A (zh) | 一种面向城市热点区域的无人机三维部署参数设定方法 | |
Roy et al. | ROSNet: A WMN based framework using UAVs and ground nodes for disaster management | |
Choi et al. | Latency-Optimal Resource Allocation for UAV-aided LEO Communication | |
Sriyananda | Efficient discovery and utilization of radio information in ultra-dense heterogeneous 3D wireless networks |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220201 |
|
CF01 | Termination of patent right due to non-payment of annual fee |