CN115175089A - 一种基于均匀圆阵的无人机协同目标感知网络部署方法 - Google Patents

一种基于均匀圆阵的无人机协同目标感知网络部署方法 Download PDF

Info

Publication number
CN115175089A
CN115175089A CN202210634792.2A CN202210634792A CN115175089A CN 115175089 A CN115175089 A CN 115175089A CN 202210634792 A CN202210634792 A CN 202210634792A CN 115175089 A CN115175089 A CN 115175089A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
target
deployment
model
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
Application number
CN202210634792.2A
Other languages
English (en)
Other versions
CN115175089B (zh
Inventor
宁新智
周凌云
史清江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202210634792.2A priority Critical patent/CN115175089B/zh
Publication of CN115175089A publication Critical patent/CN115175089A/zh
Application granted granted Critical
Publication of CN115175089B publication Critical patent/CN115175089B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于均匀圆阵的无人机协同目标感知网络部署方法，包括以下步骤：首先设定无人机个数、无人机可部署区域、无人机距离约束、待定位目标位置区域及环境参数；并构造对于模糊区域下的二维无人机部署问题；然后通过均匀采样方式将原问题简化；再采取块坐标下降算法交替迭代优化上述问题；基于以上方法实现对多个无人机的有效部署。本发明的有益效果是：该方法实现了在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。

Description

一种基于均匀圆阵的无人机协同目标感知网络部署方法
技术领域
本发明涉及通信定位技术领域。
背景技术
随着无线定位技术迅猛发展，多个无人机协同定位的方法得到越来越广泛的关注。多个无人机协同定位提升了目标感知效率，广泛应用于军事侦察、目标识别、通信中继、电子对抗、战场评估等领域。因此，立足高精度、低延时的多无人机感知需求，结合空域、模糊区域、群智特性等要求，分析无人机优化部署内在演化规律，研究多层次分布式感知网络部署方法。通过建立典型场景下无人机拓扑关系与感知网络效用映射模型，设计高效的分布式部署算法，实现对目标的精准感知与定位。
经过对现有技术检索发现，Wang.Weijia发表在2019年IEEE ACCESS期刊上的文章“Optimal Configuration Analysis of AOA Localization and Optimal HeadingAngles Generation Method for UAV Swarms”提出了二维空间的无人机部署问题。在实际的军事场景中，感知目标位置并不能准确获取，往往在某一模糊区间内。
发明内容
本发明的目的在于针对现有技术的不足和问题，提供了一种基于均匀圆阵的二维无人机部署方案，设计了一种基于均匀圆阵的无人机协同目标感知网络部署方法：首先设定无人机个数、无人机可部署区域、无人机距离约束、待定位目标位置区域及环境参数；并构造对于模糊区域下的二维无人机部署问题；然后通过均匀采样方式将原问题简化；再采取块坐标下降算法交替迭代优化上述问题；基于以上方法实现对多个无人机的有效部署。本发明的有益效果是：该方法实现了在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。
一种基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，包括以下步骤：
S1：建立对于模糊区域下的二维无人机部署模型P1；
S2：对模糊区域进行等间隔均匀采样为若干个子区域，将问题由二维无人机部署模型P1简化为近似为简化部署模型P2；
S3：基于简化部署模型P2，采用块坐标下降算法对原问题进行求解，得到最优无人机部署位置，从而实现在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。
本发明有益效果：
本发明所述的基于均匀圆阵的无人机协同目标感知网络部署方法，首先构造基于模糊空间的多无人机部署模型，然后基于模型特性将问题近似成简化的形式，从而采用块坐标下降算法交替迭代求解上述问题。该方法在实现在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。
附图说明
图1是本发明所述实施例采用该方法的系统模型图。
图2是本发明所述实施例中无人机部署性能图。
图3是本发明S3采用块坐标下降算法对原问题进行求解得到最优无人机部署位置流程示意图。
具体实施方式
下面结合附图详细描述本发明，本发明的目的和效果将变得更加明显。
本实施例
如图1所示
一种基于均匀圆阵的无人机协同目标感知网络部署方法，包括以下步骤：
S1：建立对于模糊区域下的二维无人机部署模型P1；
S2：对模糊区域进行等间隔均匀采样为若干个子区域，将问题由二维无人机部署模型P1简化为近似为简化部署模型P2；
S3：基于简化部署模型P2，采用块坐标下降算法对原问题进行求解，得到最优无人机部署位置，从而实现在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。
S1的过程为：
针对某一模糊区域内的目标，分析各项感知目标、优化变量和约束条件，首先设定无人机个数、无人机可部署区域、无人机距离约束、待定位目标位置区域及环境参数；
推导待定位目标位置估计值的克拉美罗下限，经推导建立对于模糊区域下的二维无人机部署模型P1。
S1具体为：
如图1所示，在一个二维平面中，设无人机的数目为P、第i个无人机的位置为qi＝[xi，yi，h]T(xi，yi代表位置的横纵坐标，h代表无人机的高度)；假设待定位目标的位置为qt＝[xt，yt，0]T(xt，yt代表位置的横纵坐标)；则某一无人机i到待定位目标的距离和夹角如下：
di＝||qt-qi||2
Figure BDA0003681674480000031
Figure BDA0003681674480000032
采用到达角度测距(Angle-of-Arrival：AOA)方式对待测目标进行定位，待测目标水平角观测值
Figure BDA0003681674480000033
其中测量误差ei服从高斯分布
Figure BDA0003681674480000034
方差
Figure BDA0003681674480000035
的大小为
Figure BDA0003681674480000036
其中β为测距常数。
P个无人机的角度测向矩阵可以写成
Figure BDA0003681674480000037
其中Φ(qt)为P个无人机与待测目标的夹角矩阵Φ(qt)＝[φ1(qt)，φ2(qt)...，φP(qt)]T，e为测量误差矩阵e＝[e1，e2...，eP]T，其协方差矩阵
Figure BDA0003681674480000038
因此，到达角度测向的概率密度函数为：
Figure BDA0003681674480000039
定义辅助变量
Figure BDA00036816744800000310
和
Figure BDA00036816744800000311
根据到达角度测向的概率密度函数，可推导出角度测向的费歇耳信息矩阵为：
Figure BDA00036816744800000312
根据角度测向的费歇耳信息矩阵，可推导待定位目标位置估计值的克拉美罗下限为：
Figure BDA0003681674480000041
其中，行列式为：
Figure BDA0003681674480000042
S1建立对于模糊区域下的二维无人机部署模型P1，具体为：
假定目标的预估位置与实际位置的关系表示为：
Figure BDA0003681674480000043
Figure BDA0003681674480000044
其中
Figure BDA0003681674480000045
表示待定位目标的位置估计，Δqt表示目标位置的估计误差，
Figure BDA0003681674480000046
表示误差上界。
推广到实际场景，以最小化目标区域内最坏情况下的定位误差界为目标，该无人机部署问题如下：
Figure BDA0003681674480000047
Figure BDA0003681674480000048
Figure BDA0003681674480000049
Figure BDA00036816744800000410
Figure BDA00036816744800000411
Figure BDA00036816744800000412
其中，
Figure BDA00036816744800000413
为无人机位置集合，D为可部署区域范围，Sl为无人机与目标中心最小距离限制，Sh为无人机与目标中心最大距离限制，Rl为无人机间最小距离限制，Rx为无人机间最大距离限制。
S2将模型P1简化为近似模型P2，具体为：
为了简化问题，将不确定区域等间隔均匀采样为若干个子区域，从而可获得Nk个采样点。则第k个采样点可表示
Figure BDA00036816744800000414
其中，
Figure BDA0003681674480000051
然后将原问题对应模型P1转化为求对于Nk个采样点下，最小化最大采样点对应均方误差界的无人机部署问题对应的模型P2：
Figure BDA0003681674480000052
Figure BDA0003681674480000053
Figure BDA0003681674480000054
Figure BDA0003681674480000055
Figure BDA0003681674480000056
Figure BDA0003681674480000057
S3采用块坐标下降算法对原问题进行求解，得到最优无人机部署位置。如图3所示，具体为：
S31.设定初始无人机部署位置可行解为Q(0)，初始化迭代变量t1＝0，最大迭代次数T1，max；
S32.初始化迭代变量k＝1、产生随机排列的1到P的整数序列
Figure BDA0003681674480000058
S33.设定
Figure BDA0003681674480000059
S34.初始化第m个无人机的位置为
Figure BDA00036816744800000510
其中
Figure BDA00036816744800000511
表示
Figure BDA00036816744800000512
第m个列向量；
S35.记初始定位性能最大值为
Figure BDA00036816744800000513
设置步长常量Δ，定义在约束的可行域内第m个无人机可能的四个位置坐标向量分别为qm，1＝qm，0+Δ×[1，0，0]T、qm，2＝qm，0+Δ×[-1，0，0]T、qm，3＝qm，0+Δ×[0，1，0]T、qm，4＝qm，0+Δ×[0，-1，0]T。分别计算对应位置时定位性能最大值
Figure BDA00036816744800000514
Figure BDA00036816744800000515
Figure BDA00036816744800000516
S36.寻找无人机最佳移动方向
Figure BDA00036816744800000517
S37.若I≠0，令qm，0＝qm，l，并重复步骤S35-S37；若I＝0，更新
Figure BDA00036816744800000518
的第m列
Figure BDA00036816744800000519
更新迭代变量k＝k+1，并重复步骤S33-S37，直至满足条件k＝P；
S38.更新迭代变量t1＝t1+1，重复步骤S32-S37，直至满足条件t1＝T1，max或
Figure BDA0003681674480000061
图2将本发明的部署方案与随机部署方案性能进行比较，通过Matlab对所设计方案的仿真验证。参数具体设置为：无人机飞行高度为100米，无人机与目标的最小距离为200米、最大距离为500米；无人机之间的最小距离为10米、最大距离为400米。图2给出了无人机部署性能对比图，其中纵坐标表示定位的均方误差界，横坐标表示无人机的个数。由图2可以知道：随着无人机的数目增多，定位的性能逐渐变好。同时可以看出，对于相同的网络场景，本发明方法的系统性能优于随机用频规划方案的性能。
通过前面的性能仿真比较，本发明方法实现了在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。可以预见本发明方法能很好地适应未来的无线定位技术，使无人机整体的性能得到提升。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护范围。

Claims (6)

1.一种基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，包括以下步骤：
S1：建立对于模糊区域下的二维无人机部署模型P1；
S2：对模糊区域进行等间隔均匀采样为若干个子区域，将问题由二维无人机部署模型P1简化为近似为简化部署模型P2；
S3：基于简化部署模型P2，采用块坐标下降算法对原问题进行求解，得到最优无人机部署位置，从而实现在无人机数量、能量、计算等资源受限条件下的感知精度、速度等感知性能联合最优化。
2.根据权利要求1所述的基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，S1的过程为：
针对某一模糊区域内的目标，分析各项感知目标、优化变量和约束条件，首先设定无人机个数、无人机可部署区域、无人机距离约束、待定位目标位置区域及环境参数；
推导待定位目标位置估计值的克拉美罗下限，经推导建立对于模糊区域下的二维无人机部署模型P1。
3.根据权利要求2所述的基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，S1具体为：
在一个二维平面中，设无人机的数目为P、第i个无人机的位置为qi＝[xi,yi,h]T(xi,yi代表位置的横纵坐标，h代表无人机的高度)；假设待定位目标的位置为qt＝[xt,yt,0]T(xt,yt代表位置的横纵坐标)；则某一无人机i到待定位目标的距离和夹角如下：
di＝||qt-qi||2
Figure FDA0003681674470000011
Figure FDA0003681674470000012
采用到达角度测距(Angle-of-Arrival：AOA)方式对待测目标进行定位，待测目标水平角观测值
Figure FDA0003681674470000021
其中测量误差ei服从高斯分布
Figure FDA0003681674470000022
方差
Figure FDA0003681674470000023
的大小为
Figure FDA0003681674470000024
其中β为测距常数；
P个无人机的角度测向矩阵可以写成
Figure FDA0003681674470000025
其中Φ(qt)为P个无人机与待测目标的夹角矩阵Φ(qt)＝[φ1(qt),φ2(qt)...,φP(qt)]T，e为测量误差矩阵e＝[e1,e2...,eP]T，其协方差矩阵
Figure FDA0003681674470000026
因此，到达角度测向的概率密度函数为：
Figure FDA0003681674470000027
定义辅助变量
Figure FDA0003681674470000028
和
Figure FDA0003681674470000029
根据到达角度测向的概率密度函数，可推导出角度测向的费歇耳信息矩阵为：
Figure FDA00036816744700000210
根据角度测向的费歇耳信息矩阵，可推导待定位目标位置估计值的克拉美罗下限为：
Figure FDA00036816744700000211
其中，行列式为：
Figure FDA00036816744700000212
4.根据权利要求3所述的基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，S1建立对于模糊区域下的二维无人机部署模型P1，具体为：
假定目标的预估位置与实际位置的关系表示为：
Figure FDA00036816744700000213
Figure FDA00036816744700000214
其中
Figure FDA00036816744700000215
表示待定位目标的位置估计，Δqt表示目标位置的估计误差，
Figure FDA00036816744700000216
表示误差上界；
推广到实际场景，以最小化目标区域内最坏情况下的定位误差界为目标，该无人机部署问题如下：
P1:
Figure FDA0003681674470000031
s.t.qi∈D,
Figure FDA0003681674470000032
Figure FDA0003681674470000033
Figure FDA0003681674470000034
||qi-qj||2≥Rl,
Figure FDA0003681674470000035
||qi-qj||2≤Rh,
Figure FDA0003681674470000036
其中，
Figure FDA0003681674470000037
为无人机位置集合，D为可部署区域范围，Sl为无人机与目标中心最小距离限制，Sh为无人机与目标中心最大距离限制，Rl为无人机间最小距离限制，Rh为无人机间最大距离限制。
5.根据权利要求1所述的基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，S2将模型P1简化为近似模型P2，具体为：
为了简化问题，将不确定区域等间隔均匀采样为若干个子区域，从而可获得Nk个采样点；则第k个采样点可表示
ak＝(ax,k,ay,k,az,k)T,
Figure FDA0003681674470000038
其中，
Figure FDA0003681674470000039
然后将原问题对应模型P1转化为求对于Nk个采样点下，最小化最大采样点对应均方误差界的无人机部署问题对应的模型P2：
P2:
Figure FDA00036816744700000310
s.t.qi∈D,
Figure FDA00036816744700000311
Figure FDA00036816744700000312
Figure FDA00036816744700000313
||qi-qj||2≥Rl,
Figure FDA00036816744700000314
||qi-qj||2≤Rh,
Figure FDA0003681674470000041
Figure FDA00036816744700000415
6.根据权利要求1所述的基于均匀圆阵的无人机协同目标感知网络部署方法，其特征在于，S3采用块坐标下降算法对原问题进行求解，得到最优无人机部署位置；
具体为：
S31.设定初始无人机部署位置可行解为Q(0)，初始化迭代变量t1＝0，最大迭代次数T1,max；
S32.初始化迭代变量k＝1、产生随机排列的1到P的整数序列
Figure FDA0003681674470000042
S33.设定
Figure FDA0003681674470000043
S34.初始化第m个无人机的位置为
Figure FDA0003681674470000044
其中
Figure FDA0003681674470000045
表示
Figure FDA0003681674470000046
第m个列向量；
S35.记初始定位性能最大值为
Figure FDA0003681674470000047
设置步长常量Δ，定义在约束的可行域内第m个无人机可能的四个位置坐标向量分别为qm,1＝qm,0+Δ×[1,0,0]T、qm,2＝qm,0+Δ×[-1,0,0]T、qm,3＝qm,0+Δ×[0,1,0]T、qm,4＝qm,0+Δ×[0,-1,0]T；分别计算对应位置时定位性能最大值
Figure FDA0003681674470000048
Figure FDA0003681674470000049
Figure FDA00036816744700000410
S36.寻找无人机最佳移动方向
Figure FDA00036816744700000411
l＝0,1,2,3,4；
S37.若I≠0，令qm,0＝qm,l，并重复步骤S35-S37；若I＝0，更新
Figure FDA00036816744700000412
的第m列
Figure FDA00036816744700000413
更新迭代变量k＝k+1，并重复步骤S33-S37，直至满足条件k＝P；
S38.更新迭代变量t1＝t1+1，重复步骤S32-S37，直至满足条件t1＝T1,max或
Figure FDA00036816744700000414
CN202210634792.2A 2022-06-07 2022-06-07 一种基于均匀圆阵的无人机协同目标感知网络部署方法 Active CN115175089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210634792.2A CN115175089B (zh) 2022-06-07 2022-06-07 一种基于均匀圆阵的无人机协同目标感知网络部署方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210634792.2A CN115175089B (zh) 2022-06-07 2022-06-07 一种基于均匀圆阵的无人机协同目标感知网络部署方法

Publications (2)

Publication Number Publication Date
CN115175089A true CN115175089A (zh) 2022-10-11
CN115175089B CN115175089B (zh) 2024-04-19

Family

ID=83486290

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210634792.2A Active CN115175089B (zh) 2022-06-07 2022-06-07 一种基于均匀圆阵的无人机协同目标感知网络部署方法

Country Status (1)

Country Link
CN (1) CN115175089B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108135002A (zh) * 2017-12-22 2018-06-08 南京航空航天大学 一种基于块坐标下降的无人机频谱资源分配方法
CN109099918A (zh) * 2018-07-11 2018-12-28 郑州航空工业管理学院 无人机辅助无线能量传输系统及其节点调度与路径规划方法
CN110490946A (zh) * 2019-07-15 2019-11-22 同济大学 基于跨模态相似度和生成对抗网络的文本生成图像方法
US20200382156A1 (en) * 2019-05-29 2020-12-03 SkySafe, Inc. Systems and methods for detecting, monitoring, and mitigating the presence of a drone using frequency hopping
CN112291795A (zh) * 2020-10-23 2021-01-29 广州大学 一种基于无人机骨干网分布式组网系统与方法
CN113490176A (zh) * 2021-06-01 2021-10-08 武汉理工大学 一种基于三维轨迹功率优化的无人机通信抗干扰方法
WO2021207748A2 (en) * 2020-08-13 2021-10-14 Futurewei Technologies, Inc. Methods and apparatus for channel reconstruction in intelligent surface aided communications
CN113552898A (zh) * 2021-07-08 2021-10-26 同济大学 一种非确定干扰环境下的无人机鲁棒轨迹规划方法
CN113807591A (zh) * 2021-09-22 2021-12-17 电子科技大学 一种通信距离受限的无人机集群站点协同优化部署方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108135002A (zh) * 2017-12-22 2018-06-08 南京航空航天大学 一种基于块坐标下降的无人机频谱资源分配方法
CN109099918A (zh) * 2018-07-11 2018-12-28 郑州航空工业管理学院 无人机辅助无线能量传输系统及其节点调度与路径规划方法
US20200382156A1 (en) * 2019-05-29 2020-12-03 SkySafe, Inc. Systems and methods for detecting, monitoring, and mitigating the presence of a drone using frequency hopping
CN110490946A (zh) * 2019-07-15 2019-11-22 同济大学 基于跨模态相似度和生成对抗网络的文本生成图像方法
WO2021207748A2 (en) * 2020-08-13 2021-10-14 Futurewei Technologies, Inc. Methods and apparatus for channel reconstruction in intelligent surface aided communications
CN112291795A (zh) * 2020-10-23 2021-01-29 广州大学 一种基于无人机骨干网分布式组网系统与方法
CN113490176A (zh) * 2021-06-01 2021-10-08 武汉理工大学 一种基于三维轨迹功率优化的无人机通信抗干扰方法
CN113552898A (zh) * 2021-07-08 2021-10-26 同济大学 一种非确定干扰环境下的无人机鲁棒轨迹规划方法
CN113807591A (zh) * 2021-09-22 2021-12-17 电子科技大学 一种通信距离受限的无人机集群站点协同优化部署方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
史清江;洪明毅;罗智泉;: "面向5G/B5G通信的智能无线资源管理技术", 中国科学基金, no. 02, 25 April 2020 (2020-04-25) *
董超;沈赟;屈毓锛;: "基于无人机的边缘智能计算研究综述", 智能科学与技术学报, no. 03, 15 September 2020 (2020-09-15) *

Also Published As

Publication number Publication date
CN115175089B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN108696932B (zh) 一种利用csi多径及机器学习的室外指纹定位方法
Gotsman et al. Distributed graph layout for sensor networks
CN106851571B (zh) 一种基于决策树的快速KNN室内WiFi定位方法
CN108663654B (zh) 一种基于连续量子鸽群的360度全方位动态测向方法
CN112986907B (zh) 一种时钟偏差和时钟漂移条件下的运动目标定位方法
CN113342059B (zh) 基于位置和速度误差的多无人机跟踪移动辐射源方法
CN114916059B (zh) 基于区间随机对数阴影模型的WiFi指纹稀疏地图扩建方法
Gu et al. Localization with incompletely paired data in complex wireless sensor network
CN113985435A (zh) 一种融合多激光雷达的建图方法及系统
CN112649799B (zh) 一种mimo雷达幅相误差矫正方法
CN115175089B (zh) 一种基于均匀圆阵的无人机协同目标感知网络部署方法
CN117041993A (zh) 一种多无人机编队感知资源联合调度方法、装置和系统
CN112098926A (zh) 一种利用无人机平台的智能测角训练样本生成方法
CN108924734B (zh) 一种三维传感器节点定位方法及系统
CN113573406B (zh) 一种基于无线信号强度的指纹信息定位方法
CN110208741A (zh) 一种基于多圆阵测相的超视距单目标直接定位方法
CN115079089A (zh) 一种基于差分校正的非合作无人机精确定位方法与装置
Zhang et al. Vision-based localization in multi-agent networks with communication constraints
CN114763998A (zh) 基于微型雷达阵列的未知环境并行导航方法和系统
Hong et al. Iterative Virtual Force Localization Based on Anchor Selection for Three-Dimensional Wireless Sensor Networks
Jia et al. Sequentially Localizing LoRa Terminals with A Single UAV
Wan et al. Joint Rigid Body Localization and Wireless Signal Transmission Parameter Estimation Under NLOS Environment
Zhang et al. A tdoa-based three-dimensional positioning method for iot
CN114895240B (zh) 一种tdoa定位中的鲁棒节点部署与选择方法
CN110888109B (zh) 一种基于泛化多维标度的rfid标签定位方法

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