CN117135743A - 一种基于分簇组网的无人机集群协同定位方法、系统及装置 - Google Patents
一种基于分簇组网的无人机集群协同定位方法、系统及装置 Download PDFInfo
- Publication number
- CN117135743A CN117135743A CN202310941387.XA CN202310941387A CN117135743A CN 117135743 A CN117135743 A CN 117135743A CN 202310941387 A CN202310941387 A CN 202310941387A CN 117135743 A CN117135743 A CN 117135743A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- algorithm
- positioning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000006855 networking Effects 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 193
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000005259 measurement Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 241000228740 Procrustes Species 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 7
- 241000854291 Dianthus carthusianorum Species 0.000 description 37
- 238000004891 communication Methods 0.000 description 31
- 238000005265 energy consumption Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
- H04W84/04—Large scale networks; Deep hierarchical networks
- H04W84/08—Trunked mobile radio systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于分簇组网的无人机集群协同定位方法、系统及装置,包括S1:对无人机集群网络进行分簇组网,构建无人机集群子网络;S2:通过协同定位算法对子网络内无人机进行相对定位;S3:对相对定位后的无人机进行子簇融合;S4:完成无人机相对定位坐标到绝对坐标的转换。本发明实现了无人机集群的全局实时定位,仿真结果表明,所提算法较其他基于MDS的协同定位算法定位性能更优。
Description
【技术领域】
本发明涉及无人机协同定位技术领域,尤其涉及一种基于分簇组网的无人机集群协同定位方法、系统及装置。
【背景技术】
在迈向“万物智联,数字孪生”的6G时代过程中,无人机因其自身灵活操控和便捷部署等优势被广泛应用于空基网络,联合卫星、地面设施等用户实现复杂场景中的网络覆盖和信息传输。单无人机在面对日益复杂的作业任务时日显局限,无人机集群通过无人机节点信息交互实现集群智能协同已经成为无人机的重要研究内容。在过去的十年中,无人机集群技术正在蓬勃发展,并以惊人的速度增长,无人机集群协同通信和任务执行相较于单个无人机生存能力更强,执行效率更高,能够完成更多复杂任务要求,被广泛应用于应急网络、执行搜救任务、环境监测以及协同侦察等诸多军用以及民用领域。
现代通信系统中,定位信息的价值等同于通信数据本身的价值,无人机机载系统提供实时和高精度自身定位信息是执行任务的基础,对于大多数应用来说,传统的GPS定位方法是解决此问题的主要选择,但是在户外复杂地理环境中,无人机集群网络因其高动态特性,GPS信号易受山体、森林等障碍物遮挡以及信号干扰等因素导致定位能力下降以及发生定位失效的情况,严重影响其应用效果。解决无人机集群在GPS信号中断或失效情况下的定位问题是开发集群无人机后续应用能力的重要保障。针对复杂地理环境中GPS信号中断或失效问题,无人机集群协同定位能够很好的解决,且能充分利用节点资源,扩大定位范围。但是传统的协同定位算法为了提高定位精度逐次加入角度等定位信息,导致算法复杂度升高,且大规模无人机集群随着任务需求繁杂导致无人机数量逐渐增多,终端计算成本不断增加。这些问题都没有得到很好的解决,无人机集群协同定位算法的相关研究依然处于探索和持续研究阶段,其定位精度和效率也亟待提高。
近些年来,无人机集群定位方法主要分为以下两类:其一是基于单个无人机的自主定位方法,包括传统定位与建图(Simultaneous Iocalization and Mapping,SLAM)技术、惯性导航(Inertial Navigation System,INS)辅助技术等,但是这些方法存在固有的误差累积、成本较高等问题,其二是无人机集群协同定位方法,而复杂环境下无人机集群协同定位研究,在国内外都取得了一些研究成果,但是在追求高精度定位的同时,算法的计算复杂度也随之升高,不适用大规模无人机集群协同定位等实时定位场景,所以如何获取有效手段解决未知、动态无人机集群协同作业环境中低复杂度实时定位问题仍需作进一步研究。
因此,有必要研究一种基于分簇组网的无人机集群协同定位方法、系统及装置来应对现有技术的不足,以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此,本发明提供了一种基于分簇组网的无人机集群协同定位方法、系统及装置,基于能耗角度考虑,提出基于生物地理学优化方法的分簇算法实现集群组网,簇内定位提出SMDS-INy算法获取无人机节点相对坐标,所提算法通过Nystrom低秩近似极大降低了传统SMDS定位算法的计算复杂度,并采用自适应抽样算法改进了Nystrom近似样本矩阵构建过程,进一步提升了算法的定位精度,最后通过Procrustes分析完成网络的子簇融合,并应用最小二乘算法完成节点相对坐标到绝对坐标的转换,实现了无人机集群的全局实时定位,仿真结果表明,所提算法较其他基于MDS的协同定位算法定位性能更优。
一方面,本发明提供一种基于分簇组网的无人机集群协同定位方法,所述无人机集群协同定位方法包括以下步骤:
S1:对无人机集群网络进行分簇组网,构建无人机集群子网络;
S2:通过协同定位算法对子网络内无人机进行相对定位;
S3:对相对定位后的无人机进行子簇融合;
S4:完成无人机相对定位坐标到绝对坐标的转换。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S1具体为:通过生物地理学算法对无人机集群网络进行分簇组网,从而得到子网络。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S2具体为:自适应抽样算法改进Nystrom近似方法样本矩阵构建步骤,进而利用改进后的矩阵低秩近似方法优化传统SMDS算法度量矩阵计算过程。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S2中协同定位算法为SMDS-INy协同定位算法。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S3具体为通过Procrustes分析方法完成簇间坐标配准进而完成网络子簇融合。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4具体为通过最小二乘算法利用无人机锚节点坐标完成网络内相对坐标到绝对坐标的转换,完成无人机集群的全局定位。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4中全局定位结果的平均误差不超过1.25m。
如上所述的方面和任一可能的实现方式,进一步提供一种基于分簇组网的无人机集群协同定位系统,所述无人机集群协同定位系统包括:
分簇组网模块,用于对无人机集群网络进行分簇组网,构建无人机集群子网络;
相对定位模块,用于通过协同定位算法对子网络内无人机进行相对定位;
子网络融合模块,用于对相对定位后的无人机进行子簇融合;
坐标配准模块,用于完成无人机相对定位坐标到绝对坐标的转换。
如上所述的方面和任一可能的实现方式,进一步提供一种基于分簇组网的无人机集群协同定位装置,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现任一项所述的无人机集群协同定位方法。
与现有技术相比,本发明可以获得包括以下技术效果:
本发明提出基于分簇组网的SMDS(P)-INy(Super-Multidimensional Scalingbased on Improve Nystrom)协同定位算法。首先利用可靠机间通信对无人机集群网络进行分簇组网,构建无人机集群子网络,提出了基于生物地理学(Biogeography-BasedOptimization,BBO)算法的分簇组网方案。其次,簇内执行SMDS-INy协同定位算法完成子网络内无人机相对定位,引入Nystrom低秩近似算法,并采用自适应抽样算法改进Nystrom样本矩阵构建步骤,进而利用改进后的矩阵低秩近似方法优化传统SMDS算法度量矩阵计算过程,有效降低了计算复杂度。最后,利用Procrustes分析方法完成簇间坐标配准进而完成网络子簇融合过程,通过最小二乘算法利用无人机锚节点坐标完成网络内相对坐标到绝对坐标的转换,完成无人机集群的全局定位。本发明对所提算法复杂度进行了详细分析,所提算法相对于传统集中式SMDS定位算法其计算复杂度大大降低,且仿真实验表明,所提SMDS(P)-INy定位算法平均定位误差为1.25m,较SMDS-Ny定位算法定位误差降低了23.71%,所提算法定位精度得到了进一步提高。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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一些实施例,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它的附图。
图1是本发明一个实施例提供的簇内无人机集群协同定位场景图;
图2是本发明一个实施例提供的基于BBO算法的簇头选举流程图;
图3是本发明一个实施例提供的无人机集群三维空间网络结构图;
图4是本发明一个实施例提供的Nystrom和INystrom低秩近似误差对比图;
图5是本发明一个实施例提供的前10次仿真定位误差比较图;
图6是本发明一个实施例提供的定位误差累计分布对比图;
图7是本发明一个实施例提供的锚节点数量对定位误差的影响图;
图8是本发明一个实施例提供的通信距离对定位误差的影响图;
图9是本发明一个实施例提供的测距误差对定位误差的影响图;
图10是本发明一个实施例提供的测角误差对定位误差的影响图;
图11是本发明一个实施例提供的无人机数量对定位误差的影响图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本发明提供一种基于分簇组网的无人机集群协同定位方法,所述无人机集群协同定位方法包括以下步骤:
S1:对无人机集群网络进行分簇组网,构建无人机集群子网络;
S2:通过协同定位算法对子网络内无人机进行相对定位;
S3:对相对定位后的无人机进行子簇融合;
S4:完成无人机相对定位坐标到绝对坐标的转换。
所述S1具体为:通过生物地理学算法对无人机集群网络进行分簇组网,从而得到子网络。
所述S2具体为:自适应抽样算法改进Nystrom近似方法样本矩阵构建步骤,进而利用改进后的矩阵低秩近似方法优化传统SMDS算法度量矩阵计算过程。
所述S2中协同定位算法为SMDS-INy协同定位算法。
所述S3具体为通过Procrustes分析方法完成簇间坐标配准进而完成网络子簇融合。
所述S4具体为通过最小二乘算法利用无人机锚节点坐标完成网络内相对坐标到绝对坐标的转换,完成无人机集群的全局定位。
所述S4中全局定位结果的平均误差不超过1.25m。
本发明还提供一种基于分簇组网的无人机集群协同定位系统,所述无人机集群协同定位系统包括:
分簇组网模块,用于对无人机集群网络进行分簇组网,构建无人机集群子网络;
相对定位模块,用于通过协同定位算法对子网络内无人机进行相对定位;
子网络融合模块,用于对相对定位后的无人机进行子簇融合;
坐标配准模块,用于完成无人机相对定位坐标到绝对坐标的转换。
本发明还提供一种基于分簇组网的无人机集群协同定位装置,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现任一项所述的无人机集群协同定位方法。
本发明原理如下:
本发明采用基于分簇组网的无人机集群分布式协同定位方案,其中无人机集群协同定位场景如图1所示:
设无人机集群中可用无人机锚节点即GPS坐标已知节点个数为N,无人机锚节点坐标矩阵为集群中无人机总数为M,其中M>N,各个无人机坐标矩阵为/>无人机节点i的坐标为xi=(ai,bi,ci)T。节点i和节点j之间的欧氏距离可以表示为:
其中,为测距误差,无人机之间相互观测信息在中心无人机处进行收集和整理,无人机集群欧式距离矩阵为:
其中di,j=dj,i,di,i=0,故无人机集群的欧式距离矩阵为对称矩阵。
无人机集群协同作业环境中,其通信链路主要为视距链路,故而无人机节点间通信信息功率增益hij为:
其中,单位距离信道增益为ρ0,dij为节点间距离,信噪比为:
Pi表示干扰节点集合,环境噪声为σ2。假设各节点在每时隙独立随机进行信息互传,干扰Iij期望值可表示为:
其中,干扰率表示为r,此时,信噪比可进一步近似为:
基于BBO算法的无人机集群分簇组网
本发明基于能耗角度考虑引入BBO算法优化簇头选举机制,从簇内无人机节点密度和集群内簇头节点分散性两个方面考虑,在簇内无人机节点密度方面,为了使簇结构紧凑,每个簇内节点需要以更短的距离将数据发送到其簇头节点。簇头节点分散性方面,要求簇头的离散度必须足够大,以便更有效地覆盖网络区域。衡量栖息地质量的适应度函数如式(3.1)所示:
Etotal=Energyno-CHs+EnergyCHs (3.4)
其中,w取值为0.5,CHi和CHj表示为簇头节点,Sj表示第i个簇中第j个无人机节点,d为欧氏距离,Etotal为簇头节点和非簇头节点综合能耗,其中非簇头节点包含数据发送至簇头节点的能量,而簇头节点能耗包含数据收发耗能和数据融合能耗三部分组成。本发明引入无线电耗能模型表征无人机节点的能耗模型,数据发送、接收能耗以及数据融合能耗是无人机节点能耗的核心部分。其中,通过无人机节点收发距离区分为自由空间损耗模型和多径衰落损耗模型,传送数据为k比特时相应的节点发送数据耗能ET和节点接收数据耗能ER分别为:
ER=k×Ebit (3.6)
其中,εf为自由空间模型电路系数,εm多径衰落模型电路系数,单位比特数据传输耗能耗为Ebit,无人机收发数据节点间距离为d,模型区分阈值为
最后,簇头无人机节点在普通无人机节点转发数据任务的基础上还需要完成簇内数据的融合任务,如此可有效减少网络节点的频繁通信和数据传输,数据融合综合耗能EF为:
EF(N,k)=(N+1)k×EF/bit (3.7)
其中,EF/bit为单位比特数据融合耗能,N为簇内普通无人机节点个数。
本方法引入BBO算法最小化上述适应度函数,即为了实现最佳的无人机网络集群,要求集群密度必须最小化,簇头节点离散度必须最大化。通过适应度函数评估栖息地HSI并保留最佳解集,使物种朝着最优的CHs数量进化。其中,簇内节点密集度根据计算候选簇头节点集合中的各个节点与所在候选簇头最小距离的和进行量化表达。在候选簇头密集度计算出来之后,通过计算该簇头节点与其他簇头节点之间距离最大值表征簇头节点间发散程度。
无人机簇头节点从节点剩余能量和节点密度两方面因素进行综合考虑。首先,通过增大能量剩余较高节点成为簇头的概率能够有效提升网络寿命和增强网络稳定性。其次,簇头周围节点密度越高其数据融合和转发的效率越高,能耗越少。无人机节点k选取为簇头的概率pk为:
其中,p为初始簇头节点概率,表示节点剩余能量,/>表示节点邻居节点个数。Eave和Nave分别表示节点平均剩余能量和邻居节点的平均个数,令权重因子α1=0.6,α2=0.4。
在初始化过程首先随机生成N个栖息地即N个解集,种群和栖息地一一对应,每个无人机节点对应栖息地一个物种,每个栖息地包含D维解向量。为了提高算法探索能力,选择具有较好特性的无人机节点进行栖息地初始化处理,栖息地由簇头节点、普通节点和死亡节点三部分构成,对于非簇头节点、簇头节点和死亡节点分别生成包含0、1和-1三个位值的单个解的初始总体,对各个栖息地解向量进行二进制编码处理,对非死亡节点在(0,1)间随机赋值randk,通过随机概率与式(3.5)的节点簇头概率进行比较,小于簇头概率初始化为1,否则初始化为0,初始化过程算法如下所示:
对每个解决方案Hi,BBO算法通过由式(3.9)和式(3.10)计算节点迁入率λk和迁出率μk来决定节点的迁入迁出操作,通过轮盘赌法选择迁出的位和解集Hj并对原位进行替换。
为了寻求更优的解决方案算法通过的突变操作来提升栖息地的多样性,解集Hj中节点在(0,1)间随机赋值为r,通过随机概率与式(3.11)求得的节点突变概率进行比较,r值小于最大突变概率则进行突变操作即在栖息地中选取迁出节点位置进行0和1的置换。
基于BBO算法的分簇方案,可以提高无人机集群网络组网的效率,通过迁入、迁出及突变操作步骤,确定栖息地适应度指数,每一种簇头最优选择方案都有不同的栖息地适应度指数变量,当最终簇首节点的迁入和迁出达到平衡时,通过突变操作来更新适应度,最后获得全局最优成簇策略。基站通过集中控制方式对无人机集群构建成簇,首先获取无人机节点剩余能量及邻居节点等信息,其次通过获取信息计算剩余能量均值和邻居节点个数均值等参数信息,最后整体执行BBO算法进行簇头选举并完成信息广播和节点入簇过程。簇头选举流程图如图2所示:
完成簇头选举过程,无人机集群网络内其他剩余无人机节点计算自身距离各个簇头的距离,并选择距离最小的入簇,实现无人机集群网络的分簇组网过程。
簇内SMDS-INy协同定位算法
将无人机集群网络关联为完整的有向图其中,为坐标矩阵集合,/>是通信链路矢量集合,集合中链路个数为M=N(N-1)/2,权重D={di,j}i,j∈{1,2,...,N},则无人机集群网络中从无人机节点xi到节点xj的通信链路可以表示为:
其中,(ai,bi,ci)和(aj,bj,cj)分别是节点xi和节点xj的三维坐标。节点间欧几里得距离为:
其中||·||为欧几里得范数,<.,.>为内积运算。通信链路集合可以以矩阵形式具体表示为:
其中,系数矩阵C为:
定义第i条和第j条链路的相异性度量内积为:
其中,θi,j为链路夹角,故而有向图中所有链路对应的相异性度量ki,j的集合矩阵即向量内积核矩阵为:
其中,diag(·)是自变量向量的对角矩阵,向量内积核矩阵其中,M为坐标矩阵集合X中N个点的组合数量,当节点数量较大时,核矩阵K进行特征值分解具有复杂性,计算量较大成为了SMDS算法面临的亟待解决的问题。
本发明引入Nystrom低秩近似方法,并利用自适应采样算法优化了样本矩阵构建过程,于核矩阵K中选取行向量集合构造样本矩阵,设A=A1∪A2∪...∪At,Sj为抽样结束集合矩阵,第i行被选择的概率表示为:
其中,||·||F为Frobenius范数,πS(w)表示W在S上空间投影。
自适应抽样算法将概率作为先前选择行的函数进行更新,并且将新抽样的行并入矩阵A中,重复该过程,直到将所有的行向量都选择出来。自适应抽样算法会动态的更新每一行被抽到的概率,既继承了自适应算法的优势,同时也有效的降低了空间和时间复杂度,避免了自适应饱和计算和存储的问题。自适应抽样算法总结如下:
通过核矩阵K中自适应选取行向量构建样本矩阵An×n,对原始核矩阵进行如下分解:
将矩阵A对角化为A=UΛUT,设样本为核矩阵K的估计特征向量,可得到核矩阵近似特征向量:/>
则核矩阵K可以进行如下估计:
因此,通过公式推导可以看出相似度矩阵B可以由TTA-1T进行近似处理。故而式(3.19)可进一步表示为:
由式(3.16)可知,ki,j取决于节点距离和对应向量的角度,边缘Gram核的样本可以直接从测量的距离和角度构建,无需进行双重中心化处理。当给定核样本类似于传统MDS算法,即通过低秩截断,可以容易地获得通信链路向量V的估计/>
K=U·Λ·UT (3.24)
其中,⊙k表示第k个元素Hadamard乘积。矩阵U和Λ由特征值分解得到。
估计的链路集合V恢复估计坐标矩阵X,最简单的方式为:
通过对样本矩阵进行特征值分解为并由式(3.21)可对通信链路向量V、VA和VT进行估计:
因此,相异度量核矩阵的Nystrom近似仅依赖于核矩阵的前n行,且由公式推导可以观察到不需要特征值分解步骤,可由式(3.28)直接计算所得,如此计算的复杂度极大降低。因此,由式(3.25)和(3.26)联立即可求得无人机节点相对坐标。无人机集群簇内SMDS-INy协同定位算法可以总结如下:
基于Procrustes分析的簇间坐标配准
令矩阵定义矩阵集T为:
普式(Procrustes)分析的核心思想是寻求矩阵Q使得AQ无限趋近于
B,即本发明引入普式分析方法完成无人机集群簇间坐标配准,簇间坐标配准也是进行并行簇融合的过程,利用簇间公共节点求解旋转矩阵即可完成簇的融合。设M和N是具有n(n≥4)个公共节点的相邻簇,簇N坐标到簇M的坐标变换转换过程为:
其中,R为旋转变换矩阵,t为平移变换矢量。
通过Procrustes分析,簇融合过程核心问题是:
其中,簇N中节点的相对坐标为簇M中节点全局坐标为令簇M和簇N的中心点坐标为:
/>
其中,对簇M中公共节点的全局坐标矩阵与簇N中对应的相对坐标矩阵均进行去均值处理,获得更新后坐标矩阵/>和/>并进行奇异值分解。
其中,∑=diag(σ1,σ2,σ3),σ1,σ2,σ3为对应的奇异值。则旋转变换矩阵和平移变换矢量均可求得:
R=UVT (3.34)
基于最小二乘算法的坐标转换
通过SMDS-INy协同定位算法可以获得无人机集群簇内无人机节点相对坐标,利用可用GPS无人机节点即锚节点可以完成无人机相对坐标到绝对坐标的转换。设无人机集群网络绝对坐标矩阵为X=[X1,X2,...,Xq]T和相对坐标矩阵为X'=[X′1,X′2,...,X′q]分别表示为:
分别将矩阵X和X'的第2到q行与第一行相减处理,即:
设矩阵Q为旋转矩阵,且AQ=b,此处引入最小二乘法可求得矩阵Q为:
Q=(ATA)\(ATb) (3.38)
矩阵平移量为:
S=Q(X'-X) (3.39)
设网络中相对定位坐标为则GPS失效无人机节点绝对坐标Xreal为:
仿真分析
复杂度分析:
设无人机集群网络中无人机数量为kN,k<<N,其中k为集群网络分簇个数,N为簇内平均无人机节点个数。集中式SMDS定位算法核心计算内容是相异度量矩阵KM×M的特征值分解过程,其计算复杂度为O(M3),其中M=kN(kN-1)/2,所以SMDS定位算法计算复杂度为O(k6N6)。对传统SMDS定位算法引入分簇策略衍生出SMDS(P)定位算法,该算法簇内局部定位时间复杂度为O(N6),节点相对坐标配准时间复杂度为O(kN3),所以SMDS(P)定位算法的算法复杂度为O(kN6)+O(kN3)。引入Nystrom近似算法后,无需进行全局度量矩阵分解,核心计算部分为样本矩阵An×n的特征值分解,根据Nystrom近似要求,n≥kN,所以SMDS-Ny定位算法计算复杂度约为O(k3N3)。本发明所提SMDS(P)-INy定位算法,簇内SMDS-INy定位算法特征值分解导致的计算复杂度为O(N3),节点相对坐标配准时间复杂度为O(kN3),所以SMDS(P)-INy定位算法的算法复杂度为2O(kN3),所以经分析可知本发明所提算法相较于传统SMDS算法,计算复杂度大大降低。各算法复杂度分析如表4-1所示:
表4-1算法复杂度分析
Table 4-1 Algorithm complexity analysis
算法仿真分析
设100架无人机均匀分布在300×300×300m3的自由空间中,无人机通信距离为60m,无人机节点进入邻居无人机通信范围即可建立链路通信且均具备测角测距功能,设测距测角误差服从高斯分布,测角误差最大为3σθ=π/90rad,测距误差最大为3σd=0.5m。
300×300×300m3三维空间中100架无人机集群分簇结构如图3所示,其中红色实心圆点代表簇头无人机节点,“黑色*”表示簇内普通无人机节点。
传统Nystrom近似算法和Nystrom近似改进算法(INystrom)逼近度量矩阵近似误差对比曲线如图4所示,通过对100标记点编码样本进行了Nystrom及其改进算法的低秩近似误差实验分析,INystrom近似算法相较传统Nystrom近似算法逼近误差明显降低,证明INystrom近似算法引入自适应抽样算法优化样本矩阵构建过程降低了逼近误差,自适应抽样构建样本矩阵通过动态的更新行向量被抽到的概率,继承了自适应算法优势的同时也有效的降低了计算复杂度,通过多次遍历获取样本代表性更强,获取的样本矩阵能更好的描述原始相异度量矩阵,这也是基于Nystrom近似改进算法的无人机集群SMDS(P)-INy协同定位算法定位精度提升的原因。
前10次仿真实验定位误差对比如图5所示,本发明所提算法定位误差分布在0.9m到1.32m之间,SMDS-Ny算法定位算法误差分布在1.43m到2.0m之间,MDS-MAP(D)算法定位误差分布在2.15m到3.0m之间,MDS-MAP(P)算法定位误差分布在2.6m到3.47m之间,MDS-MAP算法定位误差分布在3.2m到4.9m之间。通过不同算法定位误差曲线观察可知,本发明所提算法在SMDS-Ny算法定位误差基础上进一步降低,且定位误差波动较其他算法波动较小,表明所提定位算法鲁棒性更优,且所提算法较其他算法定位误差始终保持最低,表明所提算法定位性能最优。其中,MDS-MAP算法定位误差相对波动较大,这是因为MDS-MAP算法通过最短路径替代测距信息进而完善测距信息缺失的距离矩阵,虽然解决了传统MDS定位算法在非全连通网络无法定位的问题,但也导致单跳通信覆盖范围外节点的测距信息误差较大,随之产生较大的定位误差。
不同算法无人机节点定位误差与CDF关系曲线如图6所示,误差累积分布值为0.8时,MDS-MAP算法的定位误差约为3.5m,MDS-MAP(P)算法的定位误差约为2.7m,MDS-MAP(D)算法定位误差约为2.3m,SMDS-Ny算法定位误差约为1.75m,本发明所提算法定位误差约为1.3m,故而可分析出所提算法80%的定位误差均小于1.3m,较其他算法定位误差更小,定位效果更佳,SMDS-Ny定位算法次之,MDS-MAP定位效果最差。除此之外,在定位误差随CDF变化曲线图中可以发现所提算法较其他算法曲线斜率始终保持最大,表明所提算法定位误差波动范围更小,定位性能最优。
锚节点数量对无人机节点定位误差影响如图7所示,随着集群网络中锚节点所占比例的增加,节点定位误差逐渐减小,本发明所提算法在基本参数一致前提下定位性能明显优于其他算法。其中,MDS-MAP定位算法定位误差较大,MDS-MAP(P)和MDS-MAP(D)定位算法定位性能相当,所提算法定位误差略小于SMDS-Ny定位算法。由图分析可知基于SMDS定位算法误差较基于MDS定位算法误差明显降低,这是因为基于SMDS的定位算法在传统MDS测距定位基础上加入了测角信息,通过对测距和测角信息的联合处理其定位精度得到了明显提高。除此之外,随着锚节点数量的增加,不同算法定位误差减小的并不明显,这是因为基于MDS的定位算法仅依赖于节点间测距、测角信息,锚节点只进行了坐标配准过程,所以锚节点数量对其定位误差影响较小。
通信距离对无人机节点定位误差的影响如图8所示,随着通信距离的增加节点定位误差逐渐减小,当通信距离低于50m时,MDS-MAP和MDS-MAP(D)算法的定位误差较大,这是由于无人机节点间因通信距离较小出现非连通区域,导致最短路径测距替代实际距离信息产生较大定位误差。当通信距离为60m时,不同算法的定位误差均大幅度降低,MDS-MAP算法定位误差降低了46.6%,MDS-MAP(P)算法定位误差降低了46.4%,MDS-MAP(D)算法定位误差降低了49.1%,SMDS-Ny算法定位误差降低了22%,所提算法定位误差降低了25.5%,由此分析可知基于传统MDS定位的算法受无人机节点通信距离影响较大,SMDS-Ny算法和所提算法因为加入测角信息导致定位误差受通信距离影响相对较小。当通信距离大于70m时,通信距离与定位误差关系曲线逐渐平缓,表明通信距离的进一步增加导致网络逐渐成为全连通状态,不同算法的定位误差受通信距离的影响逐渐减小。
测距误差对定位误差的影响如图9所示,在同一测距误差下,所提SMDS(P)-INy定位算法定位误差均小于其他对比算法,且基于SMDS定位算法的定位误差较传统基于MDS定位算法的定位误差差距较大,这是因为SMDS算法在MDS定位算法的测距信息基础上增加了测角信息联合处理,所以基于SMDS的定位算法较MDS定位算法定位精度有了极大提高。虽然各算法定位误差随测距误差的增加而单调增加,但所提算法测距误差和定位误差关系曲线较平缓,定位误差增长幅度较小,故所提算法定位性能更佳,测距误差对定位误差的影响具有较好的鲁棒性。
测角误差对无人机节点定位误差的影响如图10所示,随着测角误差的增大,SMDS-Ny算法和所提算法定位误差逐渐增大,但同一测角误差下,本发明所提算法定位误差均小于SMDS-Ny算法,表明本发明所提算法在SMDS-Ny定位算法基础上性能得到了明显提升,这是因为所提算法其自适应抽样算法构建样本矩阵能更好的表征原始核矩阵信息,进一步降低了定位误差。基于MDS的定位算法仅依赖于节点间测距信息构建矩阵,所以随着测角误差的增大,MDS-MAP算法、MDS-MAP(D)和MDS-MAP(P)算法定位误差保持不变。除此之外,后期随着测角误差的增大所提算法较SMDS-Ny算法的定位误差增长较为缓慢,这是因为本发明首先对集群网络进行分簇处理,相比于集中式定位算法,减轻了测角误差对定位误差产生的影响。
无人机节点数量对无人机节点定位误差的影响如图11所示,不同算法定位误差均随着无人机节点数的增加而单调减小,且同一无人机数量下所提算法定位误差较其他算法始终保持最低,这是全连接网络的预期结果,因为无人机集群链路数量随着无人机节点的增加而成比例地增加,导致观测到的测距和测角信息不断补充核完善,进而提升了整个相异度量核矩阵的质量,降低了算法的定位误差,综上分析可知所提算法定位性能较其他算法定位性能更优。
本发明提出了一种低复杂度的基于分簇组网的SMDS(P)-INy协同定位方法,首先,对传统协同定位方法引入分簇策略,提出基于生物地理学优化方法的分簇组网算法,将无人机集群网络进行子网络划分处理。然后,对无人机集群簇内进行小数量无人机协同定位,在基于测距测角信息联合处理的SMDS协同定位框架下,引入Nystrom低秩近似算法改进传统SMDS算法特征值分解过程,有效降低了相异度量矩阵的计算复杂度,并采用自适应抽样算法优化了传统Nystrom低秩近似算法样本矩阵构建过程,降低了样本矩阵对原始度量矩阵的逼近误差,进一步提升了算法的定位精度。最后,通过Procrustes分析方法完成簇间坐标配准进而完成网络子簇融合,通过最小二乘算法利用锚节点坐标将无人机集群网络内相对坐标转换为绝对坐标,获取无人机集群中无人机节点的绝对定位坐标,实现无人机集群网络的全局定位。经仿真验证,所提算法在SMDS-Ny定位算法的基础上进一步提高了定位精度。
以上对本申请实施例所提供的一种基于分簇组网的无人机集群协同定位方法、系统及装置进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解,本发明中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本发明中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本发明所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本发明所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (9)
1.一种基于分簇组网的无人机集群协同定位方法,其特征在于,所述无人机集群协同定位方法包括以下步骤:
S1:对无人机集群网络进行分簇组网,构建无人机集群子网络;
S2:通过协同定位算法对子网络内无人机进行相对定位;
S3:对相对定位后的无人机进行子簇融合;
S4:完成无人机相对定位坐标到绝对坐标的转换。
2.根据权利要求1所述的无人机集群协同定位方法,其特征在于,所述S1具体为:通过生物地理学算法对无人机集群网络进行分簇组网,从而得到子网络。
3.根据权利要求1所述的无人机集群协同定位方法,其特征在于,所述S2具体为:自适应抽样算法改进Nystrom近似方法样本矩阵构建步骤,进而利用改进后的矩阵低秩近似方法优化传统SMDS算法度量矩阵计算过程。
4.根据权利要求1所述的无人机集群协同定位方法,其特征在于,所述S2中协同定位算法为SMDS-INy协同定位算法。
5.根据权利要求1所述的无人机集群协同定位方法,其特征在于,所述S3具体为通过Procrustes分析方法完成簇间坐标配准进而完成网络子簇融合。
6.根据权利要求1所述的无人机集群协同定位方法,其特征在于,所述S4具体为通过最小二乘算法利用无人机锚节点坐标完成网络内相对坐标到绝对坐标的转换,完成无人机集群的全局定位。
7.根据权利要求1所述的无人机集群协同定位方法,其特征在于,所述S4中全局定位结果的平均误差不超过1.25m。
8.一种基于分簇组网的无人机集群协同定位系统,基于上述权利要求1-7之一所述的无人机集群协同定位方法,其特征在于,所述无人机集群协同定位系统包括:
分簇组网模块,用于对无人机集群网络进行分簇组网,构建无人机集群子网络;
相对定位模块,用于通过协同定位算法对子网络内无人机进行相对定位;
子网络融合模块,用于对相对定位后的无人机进行子簇融合;
坐标配准模块,用于完成无人机相对定位坐标到绝对坐标的转换。
9.一种基于分簇组网的无人机集群协同定位装置,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的无人机集群协同定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310941387.XA CN117135743A (zh) | 2023-07-28 | 2023-07-28 | 一种基于分簇组网的无人机集群协同定位方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310941387.XA CN117135743A (zh) | 2023-07-28 | 2023-07-28 | 一种基于分簇组网的无人机集群协同定位方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117135743A true CN117135743A (zh) | 2023-11-28 |
Family
ID=88861857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310941387.XA Pending CN117135743A (zh) | 2023-07-28 | 2023-07-28 | 一种基于分簇组网的无人机集群协同定位方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117135743A (zh) |
-
2023
- 2023-07-28 CN CN202310941387.XA patent/CN117135743A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Njima et al. | Indoor localization using data augmentation via selective generative adversarial networks | |
CN110730031B (zh) | 一种用于多载波通信的无人机轨迹与资源分配联合优化方法 | |
Zhang et al. | An efficient UAV localization technique based on particle swarm optimization | |
Abd El Aziz | Source localization using TDOA and FDOA measurements based on modified cuckoo search algorithm | |
CN116582871B (zh) | 一种基于拓扑优化的无人机集群联邦学习模型优化方法 | |
CN113448703A (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
Song et al. | DuLoc: Dual-channel convolutional neural network based on channel state information for indoor localization | |
Li et al. | UAV trajectory optimization for spectrum cartography: a PPO approach | |
Zhang et al. | Learning to locate: Adaptive fingerprint-based localization with few-shot relation learning in dynamic indoor environments | |
CN111523571B (zh) | 一种用于分布式大规模多天线系统的半监督学习定位方法 | |
CN111860126B (zh) | 一种多节点协同无人机通信信号检测方法 | |
Tripathi et al. | A socially-aware radio map framework for improving QoS of UAV-assisted MEC networks | |
CN117295090A (zh) | 一种面向无人机通感一体化系统的资源分配方法 | |
CN109548032B (zh) | 一种面向密集网络全频段检测的分布式协作频谱认知方法 | |
CN117135743A (zh) | 一种基于分簇组网的无人机集群协同定位方法、系统及装置 | |
Nie et al. | Joint access point fuzzy rough set reduction and multisource information fusion for indoor Wi-Fi positioning | |
Lu et al. | Trajectory design for unmanned aerial vehicles via meta-reinforcement learning | |
Chen et al. | An Anomaly Detection Scheme with K-means aided Extended Isolation Forest in RSS-based Wireless Positioning System | |
Liu et al. | Research on spectrum sensing of multiple UAVs based on group cooperative | |
CN110139208B (zh) | 基于dai的无线传感器网络协作通信中对管理智能体ma位置预测方法 | |
Chen et al. | Multipath-based CSI fingerprinting localization with a machine learning approach | |
CN117639903B (zh) | 一种基于noma辅助的多用户卫星通信方法及系统 | |
Lu et al. | Artificial intelligence based directional mesh network design for spectrum efficiency | |
Carfang et al. | Integrating nonparametric learning with path planning for data-ferry communications | |
CN116429106A (zh) | 基于距离测量的无人机群分布式相对定位方法 |
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 |