樊寬剛, 張小根, 劉漢森

(1.江西理工大學 電氣工程與自動化學院,江西 贛州 341000； 2.江西理工大學 機電工程學院,江西 贛州 341000；3.江西理工大學 永磁磁浮技術(shù)與軌道交通研究院,江西 贛州 341000)

0 引 言

目標定位算法一般可分為三種類型：一類為到達時間(time of arrival,TOA)[2,3],組合多個(至少3個)天線從而推斷出無人機(unmanned aerial vehicle,UAV)的空間位置；二類為到達時間差(time difference of arrival,TDOA)[4,5],利用接收信號的絕對時間差與接收天線比較,從而推斷出無人機的位置；三類接收信號強度(received signal strength,RSS),基于每個節(jié)點接收的信號強度估計目標無人機的位置。與TDOA和TOA方法相比,RSS方法所要求的時間精度較低,可以利用現(xiàn)有的無線基礎(chǔ)設(shè)施即可實現(xiàn)定位。

YOLOv3模型通過攝像頭檢測是否存在無人機及利用多個攝像頭提供的位置信息對無人機進行定位。由于無人機體積較小,在視頻中觀察到的目標散射截面積和運動姿態(tài)與鳥類極為相似,這將導(dǎo)致定位的準確度不高。文獻利用正則化成對約束組件分析對無人機跟蹤定位,通過WiFi保證數(shù)據(jù)的實時傳輸。文獻研究多旋翼無人機微多普勒效應(yīng)從而實現(xiàn)無人機定位,但微多普勒效應(yīng)屬于精細信號,很容易被其他信號淹沒。文獻[10]提出了一種結(jié)合二維光流信息與六自由度信息進行運動估計的定位方法,但是方法僅限于室內(nèi)情況且定位精度受采樣速率影響。

針對現(xiàn)有的忽略無線電地圖的分段傳播結(jié)構(gòu)問題,本文提出了一種通過分段重建精細結(jié)構(gòu)的無線電地圖方法。方法基于路徑損耗和陰影衰落模型,通過測量多個天線的信號強度來定位無人機,采用最大似然法解決多個參數(shù)估計問題,最后通過迭代聚類重建無線電地圖。

1 路徑損耗與陰影衰落模型

無線電信號在自由和均勻空間傳播條件下，路徑損耗與距離呈對數(shù)衰減關(guān)系,通過疊加路徑損耗模型和陰影衰落模型,可以同時反映隨著距離增加而減少功率和由陰影引起路徑損耗的隨機衰減(dB)如式(1)

其中

K=20lg(λ/4πd0)

2 重構(gòu)無線電地圖

2.1 實驗場景

英國布里斯托爾市中心空對地通道的測量結(jié)果表明[11]：傳播條件分為LOS、阻礙LOS和NLOS,陰影標準偏差σ分別約為1,3,5 dB?；谠摻Y(jié)果可知,如果能夠識別更多的傳播段,則式(1)中的ψ的方差將減小,因此I分段的信道模型可以高精度地預(yù)測信道。

實際應(yīng)用場景：將一部或多部信號接收傳感器置于樓頂?shù)葻o信號接收遮擋覆蓋的空曠區(qū)域。當有無人機進入監(jiān)控范圍內(nèi),傳感器會自動識別已接收無人機的無線信號,進行預(yù)處理后傳送到住房中用戶的上位機中,便于后續(xù)對系統(tǒng)的操控以及對接收到的數(shù)據(jù)進行處理;當無人機在城市中盤旋時,安放于不同樓房的信號接收傳感器均能夠?qū)o人機的無線信號進行接收。如圖1所示,將多旋翼無人機盤旋在空中的位置表示為XU,且無人機在距地面約35 m的高度運動,天線XS安裝在屋頂上。

圖1 實驗場景實景拍攝

本文中設(shè)置了6個點來測量RSS,并且從每個點的8個方向進行測量。各個點的測量距離范圍如表1所示。

表1 每個點的測量距離范圍

2.2 重構(gòu)無線電地圖

假設(shè)(x(l),y(l))屬于第i個傳播段,則分段模型可寫成

y=10lgKi-10γilgd-ψi

(2)

(x,y,z)的聯(lián)合概率密度可以寫為

f(x,y,z)=P{X=x,Y=y|Zi=1}P{Zi=1}

(3)

其中

再將式(3)代入式(4),得

因此,式(5)中的MLE問題的解如式(6)～式(8)所示

其中

3 實驗分析

為了驗證分段DC方法的優(yōu)勢,本文通過由式(9)定義的RMSE來評估性能

實驗過程中一共采集了約25 000個樣本,以2 500個數(shù)據(jù)為一個數(shù)據(jù)段,通過式(9)計算得到的準確度和RMSE如圖2所示。經(jīng)過實驗比對發(fā)現(xiàn),隨機選取10 000個數(shù)據(jù)樣本所得到的實驗結(jié)果與全部實驗數(shù)據(jù)所得出的結(jié)果類似,因此重建無線電地圖只選用10 000個數(shù)據(jù)。

圖2 DC方法重建的PCI和RSRP

分段DC,KNN和SVR的重建PCI結(jié)果如圖3所示。其中DC重建結(jié)果略好于KNN和SVR。觀察KNN和SVR重建的結(jié)果,可以知道某些值是錯誤的,但是分段DC則巧妙地避開了這些錯誤的值。

圖3 三種方法重建PCI

圖4顯示了分段DC,KNN和SVR的重建RSRP結(jié)果。觀察RSRP的重建結(jié)果可以明顯地看出分段DC方法較好地達到了預(yù)期效果,且明顯優(yōu)于KNN和SVR。

圖4 三種方法重建RSRP

根據(jù)式(9)計算10 000個數(shù)據(jù)樣本得到準確度和RMSE值分布在表2。

表2 PCI和RSRP評估指標

圖5顯示了分段的信道模型(1)的RMSE與訓練樣本數(shù)N的關(guān)系。觀察到隨著訓練樣本大小N的增加而RMSE減小,分段DC使用相同的訓練樣本獲得了比KNN和SVR方法更低的RMSE。

圖5 重建誤差與訓練樣本數(shù)N的關(guān)系

4 結(jié) 論

本文針對現(xiàn)有的忽略無線電地圖的分段傳播結(jié)構(gòu)方法,提出了一種通過分段重建精細結(jié)構(gòu)的無線電地圖方法,構(gòu)建了分段和接收信號強度模型,采用最大似然法解決多個參數(shù)估計問題,并通過迭代聚類重建無線電地圖。PCI和RSRP的重建結(jié)果較好地達到了預(yù)期效果。實驗結(jié)果表明:本文所提出來的方法與KNN和SVR相比,在10 000個訓練樣本中RMSE重建誤差更小且準確度更高。

1)SVR方法PCI和RSRP的RMSE值分別為0.601 1和2.858 1,通過分段DC方法,PCIRMSE降低了54 %為0.276 0,RSRP的RMSE降低了35 %為1.863 4。

2)KNN方法PCI和RSRP的RMSE值分別為0.330 1和2.132 5,通過分段DC方法,PCI的RMSE降低了16 %為0.276 0,RSRP的RMSE降低了13 %為1.863 4。