CN109743093B - 一种无人机毫米波通信波束追踪方法 - Google Patents

一种无人机毫米波通信波束追踪方法 Download PDF

Info

Publication number
CN109743093B
CN109743093B CN201811602233.3A CN201811602233A CN109743093B CN 109743093 B CN109743093 B CN 109743093B CN 201811602233 A CN201811602233 A CN 201811602233A CN 109743093 B CN109743093 B CN 109743093B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
predicted
prediction
coordinate system
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.)
Active
Application number
CN201811602233.3A
Other languages
English (en)
Other versions
CN109743093A (zh
Inventor
许文俊
张婧琳
冯志勇
高晖
张平
张治�
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201811602233.3A priority Critical patent/CN109743093B/zh
Publication of CN109743093A publication Critical patent/CN109743093A/zh
Application granted granted Critical
Publication of CN109743093B publication Critical patent/CN109743093B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种无人机毫米波通信波束追踪方法，所述无人机毫米波通信的时隙结构设计为一个交换时隙和T个追踪时隙，所述交换时隙内的过程包括接收MSI反馈；根据MSI反馈中的收端无人机的实际位置与姿态信息计算实际波束赋形向量，同时预测未来的T个所述追踪时隙内的收端无人机的位置与姿态信息；通过实际波束赋形向量传输信息；所述追踪时隙内的过程包括根据预测的位置与姿态信息计算预测波束赋形向量；通过预测波束赋形向量传输信息。本发明实现了对无人机位置和姿态的有效追踪，能够在无人机快速移动的情况下提升无人机毫米波通信频谱效率，也不需要导频和收端的信道状态信息反馈，并能够降低与真实运动状态间的时延误差。

Description

一种无人机毫米波通信波束追踪方法
技术领域
本发明涉及无人机毫米波波束追踪技术领域，具体的说是一种无人机毫米波通信波束追踪方法。
背景技术
毫米波波束追踪是一种保持毫米波通信链路的技术。毫米波通信采用窄波束补偿毫米波传播的高路损，通过波束追踪技术获得相应的模拟波束赋形向量，保持毫米波波束对准，能够充分利用天线阵列增益，保持毫米波通信链路，提高毫米波通信性能。
目前毫米波波束追踪方法主要利用位置等辅助信息或直接对信号到达角/出发角进行追踪。如《Robust beam-tracking for mmWave mobile communications》中通过扩展卡尔曼滤波方法在假设信号到达角变化较慢的基础上对信号到达角直接进行追踪,但此方法在高速移动环境下可能出现较大的追踪误差，因此不适用于无人机间波束追踪。《Channel tracking with flight control system for UAV mmWave MIMOcommunications》中提出了利用无人机自身位置与姿态信息的无人机对地面的毫米波信道追踪方案，但此方法没有考虑对无人机非自身位置与姿态信息的预测追踪，导致在通信双方无人机均有姿态位置变化时的性能损失。有一篇申请号为“201711015266”的中国专利，公开了一种应用于无人机的电子辅助波束对准方法。该方法中，首先通过GPS等传感器获取无人机自身的位置与姿态信息，然后机械调整使波束对准地面目标，最后采用模拟波束成形算法进行二级对准。此方法没有考虑对无人机非自身位置与姿态信息的获取，不适用于无人机间的波束追踪。
申请人发现，现有方案至少存在如下问题：
现有方案只考虑了对收发两端位置信息或发端自身位置与姿态信息的利用和对信号到达角/出发角的直接追踪，没有考虑收发两端无人机运动中的姿态变化的影响，当无人机运动速度较高时，对信号出发角/到达角的追踪可能出现明显的滞后甚至失准，影响毫米波波束对准，降低通信速率；当收发端无人机姿态变化明显时，只考虑位置信息辅助/发端自身位置与姿态信息辅助的毫米波波束追踪难以取得良好的追踪效果，影响无人机间毫米波通信性能。
发明内容
根据以上现有技术的不足，本发明提出了一种无人机毫米波通信波束追踪方法，实现无人机高速运动且有姿态变化的条件下的高效毫米波波束追踪。
本发明解决其技术问题采用以下技术方案来实现：
一种无人机毫米波通信波束追踪方法，所述无人机毫米波通信的时隙结构设计为一个交换时隙和T个追踪时隙，
所述交换时隙内的过程包括
接收运动状态信息(MSI)反馈；
根据MSI反馈中的收端无人机实际位置与姿态信息计算实际波束赋形向量，同时预测未来的T个所述追踪时隙内的收端无人机的位置与姿态信息；
通过实际波束赋形向量传输信息；
所述追踪时隙内的过程包括
根据预测的位置与姿态信息计算预测波束赋形向量；
通过预测波束赋形向量传输信息。
作为本发明的一种可选的实施方式，T个所述追踪时隙的位置与姿态信息的预测步骤包括
步骤21、利用历史MSI训练高斯过程模型，得到相应的超参数；
步骤22、比对t0与Tmax，其中t0-交换时隙，Tmax-无人机间通信的最大时隙数，若t0＜Tmax，进入步骤23；否则，流程终止；
步骤23、基于交换时隙t0之前的MSI和对时隙[t0,t]内MSI的预测结果，利用训练的高斯过程模型预测无人机在时隙段[t,t+Tf]内的位置与姿态信息，其中t-上次预测后已经完成预测的时隙，Tf表示从上次预测完成的时隙开始，向后预测的时隙数，如果是第一次预测，则t＝t0；
步骤24、完成本次预测后，令t＝t+Tf；
步骤25、如果t＜t0+T，即T个追踪时隙内的位置与姿态信息没有预测完成，回到步骤23继续预测；反之，令t0＝t0+T，回到步骤22，进行下一轮预测。
作为本发明的一种可选的实施方式，所述位置信息预测方法包括
构造由位置坐标分别组成的输入ix/y/z和输出ox/y/z，由历史信息构成训练集
Figure BDA0001922790190000031
由待预测的信息构成测试集
Figure BDA0001922790190000032
选定高斯过程的核函数K＝K1+K2，其中K1是线性核函数，K2是平方指数核函数；
在训练集上最大化边缘似然函数获得核函数中超参数的最优估计
Figure BDA0001922790190000033
在测试集上获得相应的输出预测分布
Figure BDA0001922790190000034
其中，
Figure BDA0001922790190000035
是预测得到的均值，
Figure BDA0001922790190000036
是预测得到的方差；
将
Figure BDA0001922790190000037
作为
Figure BDA0001922790190000038
的预测值，其中未来t′时隙的位置坐标预测值分别是
Figure BDA0001922790190000039
从而得到无人机位置预测值
Figure BDA00019227901900000310
作为本发明的一种可选的实施方式，所述姿态信息预测方法包括
由位置信息预测结果获得无人机的速度和加速度，构造由姿态角和速度、加速度组成的输入
Figure BDA00019227901900000311
和输出
Figure BDA00019227901900000312
由历史信息构成训练集
Figure BDA00019227901900000313
由待预测的信息构成测试集
Figure BDA00019227901900000314
选定高斯过程的核函数K＝K1+K2+K3，其中，K1是线性核函数，K2是平方指数核函数，K3是二次有理rational quadratic核函数；
在训练集上最大化边缘似然函数获得核函数中超参数的最优估计
Figure BDA00019227901900000315
在测试集上获得相应的输出预测分布
Figure BDA0001922790190000041
Figure BDA0001922790190000042
是预测得到的均值，
Figure BDA0001922790190000043
是预测得到的方差；
将
Figure BDA0001922790190000044
作为
Figure BDA0001922790190000045
的预测值，其中未来t′时隙的姿态坐标预测值分别是
Figure BDA0001922790190000046
t′∈[t，t+Tf]，从而得到无人机姿态预测值
Figure BDA0001922790190000047
其中ψ-旋转角，θ-俯仰角，φ-偏航角。
作为本发明的一种可选的实施方式，所述预测波束赋形向量的计算方法包括
步骤41、计算坐标系变换矩阵；
步骤42、通过坐标系变换得到同一坐标系下收端无人机与发端无人机的均匀平面天线阵UPA的位置坐标；
步骤43、计算相应的波束俯仰角与方位角；
步骤44、输出相应的预计波束赋形向量。
作为本发明的一种可选的实施方式，所述坐标系变换矩阵包括旋转矩阵与平移矩阵。
作为本发明的一种可选的实施方式，所述收端无人机的UPA的坐标系变换过程为：
在收端无人机本地坐标系下通过坐标系变换矩阵转换为全局坐标系；
在全局坐标系下通过坐标系变换矩阵转换为发端无人机本地坐标系；
在发端无人机本地坐标系下通过坐标系变换矩阵转换为发端无人机的UPA的坐标系。
本发明提供的无人机毫米波通信波束追踪方法通过发端无人机在传感器提供自身位置与姿态信息的同时，利用低频反馈的位置与姿态信息，通过基于高斯过程的机器学习方法进行未来T个时隙内收端无人机位置与姿态信息的预测，基于预测结果进行相应的坐标变换，利用几何关系计算相应的波束角度和波束赋形向量，实现了对无人机位置和姿态的有效追踪，与其他对比方案相比，能够在无人机快速移动的情况下提升无人机毫米波通信频谱效率。此外，本发明方案基于位置姿态预测的毫米波波束追踪不需要导频和收端的信道状态信息反馈，并能够降低与真实运动状态间的时延误差，更适用于高速移动的场景。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1和图2均为本具体实施方式的使用场景图；
图3为本具体实施方式的时隙结构示意图；
图4为本具体实施方式的追踪时隙的位置与姿态信息的预测步骤的逻辑框图；
图5为本具体实施方式的预测波束赋形向量的计算方法的逻辑框图；
图6为本具体实施方式的使用场景中的坐标系关系图；
图7为本具体实施方式的收端无人机的UPA的坐标系变换过程的逻辑框图。
图中，1-发端无人机，11-发端无人机的UPA，2-收端无人机，3-MSI反馈，4-波束赋形向量。
具体实施方式
本发明的目的是通过发端无人机在传感器提供自身位置与姿态信息的同时，利用低频反馈的位置与姿态信息，通过基于高斯过程的机器学习方法进行未来T个时隙内收端无人机位置与姿态信息的预测，基于预测结果进行相应的坐标变换，利用几何关系计算相应的波束角度和波束赋形向量，实现无人机高速运动且有姿态变化的条件下的高效毫米波波束追踪。
下面通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
作为本发明的一种实施例，提供了一种无人机毫米波通信波束追踪方法，所述无人机毫米波通信的时隙结构设计为一个交换时隙和T个追踪时隙，如图3所示，所述交换时隙内的过程包括
步骤S1、接收MSI反馈；
步骤S2、根据MSI反馈中的收端无人机实际位置与姿态信息计算实际波束赋形向量，同时预测未来的T个所述追踪时隙内的收端无人机的位置与姿态信息；
步骤S3、通过实际波束赋形向量传输信息；
所述追踪时隙内的过程包括
步骤S4、根据预测的位置与姿态信息计算预测波束赋形向量；
步骤S5、通过预测波束赋形向量传输信息。
时隙结构中包含交换时隙和追踪时隙两种时隙，交换时隙包含运动状态信息(MSI)交换、波束对准、预测和数据传输四个阶段，追踪时隙仅包含波束对准和数据传输两个阶段。每两个交换时隙间是T个追踪时隙，也即无人机每T个时隙进行一次MSI交换和位置姿态预测。通过将无人机的位置和姿态信息预测引入无人机毫米波波束追踪技术中，并利用预测信息计算获得相应的预测波束赋形向量，实现高效的无人机毫米波波束追踪，达到提升无人机间毫米波通信频谱效率的目的。本发明实现了对无人机位置和姿态的有效追踪，与其他对比方案相比，能够在无人机快速移动的情况下提升无人机毫米波通信频谱效率。此外，基于位置姿态预测的毫米波波束追踪不需要导频和收端的信道状态信息反馈，并能够降低与真实运动状态间的时延误差，更适用于高速移动的场景。
图1和图2是本发明的使用场景图，图中两条虚线箭头分别表示发端无人机1和收端无人机2的移动方向。图1中表示在交换时隙，收端无人机2利用传感器向发端无人机1反馈自身的运动状态信息(即MSI反馈3)，发端无人机1在接收到MSI反馈3后，计算得到波束赋形向量4，然后使用该波束赋形向量4向收端无人机2传输信息。图2中表示在追踪时隙，发端无人机1在无MSI反馈的情况下，通过计算后得到预测的波束赋形向量4，然后使用该波束赋形向量4向收端无人机2传输信息。
作为本发明的一种可选的实施方式，如图4所示，上述步骤S2中，未来T个时隙的所述位置与姿态信息的预测步骤包括
步骤S21、利用历史MSI训练高斯过程模型，得到相应的超参数；
步骤S22、比对t0与Tmax，其中t0-MSI交换时隙，Tmax-无人机间通信的最大时隙数，若t0＜Tmax，进入步骤S23；否则，流程终止；
步骤S23、基于交换时隙t0之前的MSI和对时隙[t0,t]内MSI的预测结果，利用训练的高斯过程模型预测无人机在时隙段[t,t+Tf]内的位置与姿态信息，其中t-上次预测后已经完成预测的时隙，Tf表示从上次预测完成的时隙开始，向后预测的时隙数，如果是第一次预测，则t＝t0；
步骤S24、完成本次预测后，令t＝t+Tf；
步骤S25、如果t＜t0+T，即T个时隙内的位置与姿态信息没有预测完成，回到步骤S23继续预测；反之，令t0＝t0+T，回到步骤S22，进行下一轮预测。
进一步的，训练高斯过程模型获得超参数的方法的主要任务是从经验数据(无人机的历史MSI)中学习输入与输出间的映射关系，并据此为无人机未来的MSI建立预测模型。
发端无人机和收端无人机的MSI主要由位置信息和姿态信息两部分组成，MSI预测即位置和姿态信息预测，发端无人机和收端无人机的位置分别表示为Xt＝(xt，yt，zt)和Xr＝(xr，yr，zr)，无人机的姿态由旋转角ψ，俯仰角θ和偏航角φ表示，因此发端无人机和收端无人机的姿态分别记为Θt＝(ψt，θt，φt)和Θr＝(ψr，θr，φt)。
其中，所述位置信息预测方法包括
构造由位置坐标分别组成的输入ix/y/z和输出ox/y/z，由历史信息构成训练集
Figure BDA0001922790190000071
由待预测的信息构成测试集
Figure BDA0001922790190000072
选定高斯过程的核函数K＝K1+K2，其中K1是线性核函数，K2是平方指数核函数；
在训练集上最大化边缘似然函数获得核函数中超参数的最优估计
Figure BDA0001922790190000073
在测试集上获得相应的输出预测分布
Figure BDA0001922790190000074
其中，
Figure BDA0001922790190000075
是预测得到的均值，
Figure BDA0001922790190000076
是预测得到的方差；
将
Figure BDA0001922790190000081
作为
Figure BDA0001922790190000082
的预测值，其中未来t′时隙的位置坐标预测值分别是
Figure BDA0001922790190000083
从而得到无人机位置预测值
Figure BDA0001922790190000084
为了便于描述，以无人机位置的x坐标为例介绍具体的位置信息的预测方法。为了方便表示，假设无人机获得的位置和姿态观察是无噪声的，但是需要说明的是，基于高斯过程的学习方法也能够处理有噪声观察的预测。
收端无人机位置x坐标预测的输入与输出分别是过去的x坐标信息ix＝{xr(t-T)，...，xr(t-1)}和未来的x坐标信息ox＝{xr(t)，...，xr(t+Tf)}，其中Tf表示从时隙t开始向后预测的时隙数。位置x坐标的输出与输入之间的关系可以表示为ox＝f(ix)，其中f是潜在的高斯函数。依据高斯过程定义，f(ix)是一个由均值和方差确定高斯过程，表示如下：
Figure BDA0001922790190000085
其中m(ix)是均值函数，k(ix，ix′)是方差(核)函数。由无人机位置x坐标历史信息构成的大小为K的训练集记为
Figure BDA0001922790190000086
包含x坐标未来信息的测试集记为
Figure BDA0001922790190000087
训练集的输入和输出分别聚合为矩阵I＝[ix，1，...，ix，K]T和O＝[ox，1，...，ox，K]T。
Figure BDA0001922790190000088
和
Figure BDA0001922790190000089
分别定义为测试集的输入与输出以相同的方式形成的矩阵形式。已知输入Ix，输出的分布可以写为
Figure BDA00019227901900000810
其中m(Ix)是训练集的均值矩阵，第i个元素是m(ix，i)，K(Ix，Ix)是协方差矩阵，其元素表示为K(i，j)＝k(ix，i，ix，j)。由于通常使用零均值函数，训练集输出ox和测试集输出
Figure BDA00019227901900000811
的联合先验分布表示如下：
Figure BDA00019227901900000812
其中
Figure BDA00019227901900000813
表示K×S维的训练和测试点的协方差。
Figure BDA00019227901900000814
和
Figure BDA00019227901900000815
的定义与之相似。测试集输出的预测分布表示如下：
Figure BDA00019227901900000816
输出的均值
Figure BDA0001922790190000091
可以用作预测值，上述协方差
Figure BDA0001922790190000092
表示了预测的统计不确定性。测试集输出的预测均值和方差与核函数K相关，因此对其进行设置以符合无人机位置的数据模式。对于无人机位置预测，选用线性核函数K1拟合相邻时隙间位置由惯性导致的线性关系，其第(i,j)个元素
Figure BDA0001922790190000093
用平方指数核函数K2建模由于机械调整导致的位置平滑变化，其第(i,j)个元素
Figure BDA0001922790190000094
现有的核函数可以通过加和、乘积和卷积构成新的核函数。因此用于无人机位置预测的核函数表示为K＝K1+K2。
上述核函数中的l构成了超参数θGP，并能够通过模型训练得到。首先在特定数据集上(由无人机位置x坐标的历史信息得到)通过最大化边缘似然函数得到最优的超参数估计
Figure BDA0001922790190000095
由此能够得到训练后的输出分布
Figure BDA0001922790190000096
和具体测试集上输出(未来的无人机位置x坐标)的预测分布
Figure BDA0001922790190000097
上述过程可以通过高斯过程工具箱(GPML)实现，按照上述方法构造训练集和测试集后输入GPML工具箱，选择上述核函数、均值函数和超参数优化使用的高斯似然函数，即可完成模型训练，获得最优超参数，并进行一步预测，得到测试集输出的预测分布和均值
Figure BDA0001922790190000098
未来的无人机位置x坐标即可通过预测分布的均值
Figure BDA0001922790190000099
估计，即ox＝{xr(t)，...，xr(t+Tf)}聚合成的矩阵Ox＝[ox，1，...，ox，K]T的估计值为
Figure BDA00019227901900000910
将其中未来t′时隙x坐标估计值记为
Figure BDA00019227901900000911
y坐标和z坐标的预测方法与之类似，则可以得到
Figure BDA00019227901900000912
和
Figure BDA00019227901900000913
综上，未来t′时隙无人机位置预测值即为
Figure BDA00019227901900000914
其中，所述姿态信息预测方法包括:
由位置信息预测结果获得无人机的速度和加速度，构造由姿态角和速度、加速度组成的输入
Figure BDA0001922790190000101
和输出
Figure BDA0001922790190000102
由历史信息构成训练集
Figure BDA0001922790190000103
由待预测的信息构成测试集
Figure BDA0001922790190000104
选定高斯过程的核函数K＝K1+K2+K3，其中，K1是线性核函数，K2是平方指数核函数，K3是二次有理rational quadratic核函数；
在训练集上最大化边缘似然函数获得核函数中超参数的最优估计
Figure BDA0001922790190000105
在测试集上获得相应的输出预测分布
Figure BDA0001922790190000106
Figure BDA0001922790190000107
是预测得到的均值，
Figure BDA0001922790190000108
是预测得到的方差；
将
Figure BDA0001922790190000109
作为
Figure BDA00019227901900001010
的预测值，其中未来t′时隙的姿态坐标预测值分别是
Figure BDA00019227901900001011
t′∈[t，t+Tf]，从而得到无人机姿态预测值
Figure BDA00019227901900001012
其中ψ-旋转角，θ-俯仰角，φ-偏航角。
为了便于描述，以无人机位置的偏航角φ为例介绍具体的姿态信息的预测方法。
无人机的当前姿态不仅与其过去的姿态有关，还和其位置坐标有关。因此，对于无人机的姿态预测，以偏航角为例，其输入输出分别是列向量iφ＝{φr(t-T)，...，φr(t-1)，vr(t)，ar(t)}和oφ＝{φr(t)，...，φr(t+Tf)}，其中
Figure BDA00019227901900001013
和
Figure BDA00019227901900001014
分别表示速度和加速度向量，可以通过位置预测的结果获得。dt表示时隙长度。与无人机位置预测采用的高斯过程模型类似，未来的无人机偏航角的预测分布表示如下：
Figure BDA00019227901900001015
输出的均值
Figure BDA00019227901900001016
可以用作预测值，上述协方差
Figure BDA00019227901900001017
表示了预测的统计不确定性。上述均值和协方差仍与核函数密切相关，需要选择合适的核函数符合姿态变化的数据模式。
对于无人机姿态预测，在使用线性核函数K1和平方指数核函数K2的同时，使用rational quadratic核函数K3拟合姿态数据中相对不规律的模式，其第(i,j)个元素
Figure BDA0001922790190000111
这是因为相对位置，姿态可能在受力时立即发生变化，导致相对不规律的数据模式产生。因此用于无人机姿态预测的核函数表示为K＝K1+K2+K3。
与位置预测相似，上述核函数中的a和l构成了超参数θGP。通过训练能够得到最优超参数和具体测试集上相应的输出(未来的无人机俯仰角)预测分布
Figure BDA0001922790190000112
未来的无人机姿态偏航角即可通过预测分布的均值
Figure BDA0001922790190000113
估计，即oφ＝{φr(t)，...，φr(t+Tf)}的估计值为
Figure BDA0001922790190000114
将其中未来t′时隙偏航角估计值记为
Figure BDA0001922790190000115
旋转角和俯仰角的预测方法与偏航角类似，可以得到旋转角预测值
Figure BDA0001922790190000116
和俯仰角预测值
Figure BDA0001922790190000117
未来t′时隙无人机姿态预测值即为
Figure BDA0001922790190000118
因此无人机位置和姿态预测的结果是
Figure BDA0001922790190000119
和
Figure BDA00019227901900001110
作为本发明的一种可选的实施例，如图5所示，所述预测波束赋形向量的计算方法包括
步骤S41、计算坐标系变换矩阵；
步骤S42、通过坐标系变换得到同一坐标系下收端无人机与发端无人机的均
匀平面天线阵UPA的位置坐标；
步骤S43、计算相应的波束俯仰角与方位角；
步骤S44、输出相应的预计波束赋形向量。
预测得到的无人机位置姿态数据和需要得到的波束角度并不处在同一个参考系中，为了介绍波束角度和无人机位置姿态信息之间的关系，需要进行参考系变换，相关的参考系如附图6所示，图中Oa表示a-坐标系的零点，Ob表示b-坐标系的零点，Oc表示c-坐标系的零点，Og表示g-坐标系的零点。各坐标系的指向为：
(1)发端无人机本地坐标系(a-坐标系)：原点位于发端无人机的重心，它的xa,ya,za轴分别指向无人机的前方、左方和下方。
(2)收端无人机本地坐标系(b-坐标系)：原点位于收端无人机的重心，它的xb,yb,zb轴分别指向无人机的前方、左方和下方。
(3)均匀平面天线阵(UPA)坐标系(c-坐标系)：原点位于发端无人机的UPA11的几何中心，它的xc轴与xa相同,zc轴垂直于天线平面向外，ya垂直于xc、zc轴张成的平面。
(4)全局坐标系(g-坐标系)：它的原点是发端无人机轨迹起点在地面上的投影(xt(0),yt(0),0)。它的xg,yg轴指向北方和东方，zg轴垂直于地面。
假设UPA位于无人机上的固定位置，在发端和收端无人机上相对a-坐标系和b-坐标系分别记为
Figure BDA0001922790190000121
和
Figure BDA0001922790190000122
与之相似，UPA的姿态记为ΘPt(r)＝(ψPt(r)，θPt(r)，φPt(r))。相对于阵列天线平面的发射波束角可以在c-坐标系中计算得到。但是大多数由传感器获得的无人机位置和姿态信息是相对于g-坐标系的，因此，需要进行不同坐标系间的坐标变换。具体的，所述坐标系变换矩阵包括旋转矩阵与平移矩阵。本地坐标系相对全局坐标系的旋转由无人机姿态决定，b-坐标系和g-坐标系之间的旋转矩阵记为
Figure BDA0001922790190000123
Figure BDA0001922790190000124
Figure BDA0001922790190000125
Figure BDA0001922790190000126
平移矩阵记为
Figure BDA0001922790190000131
收端无人机的UPA在g-坐标系下的位置坐标
Figure BDA0001922790190000132
具体的，如附图7所示，所述收端无人机的UPA的坐标系变换过程为：
在收端无人机本地坐标系下通过坐标系变换矩阵转换为全局坐标系；
在全局坐标系下通过坐标系变换矩阵转换为发端无人机本地坐标系；
在发端无人机本地坐标系下通过坐标系变换矩阵转换为发端无人机的UPA的坐标系。
收端无人机的UPA在发端无人机的c-坐标系中位置记为
Figure BDA0001922790190000133
发端无人机的UPA在c-坐标系位置
Figure BDA0001922790190000134
则发端无人机在c-坐标系中用于波束对准的相应预测角度计算如下：
Figure BDA0001922790190000135
在波束赋形向量和合并向量分别满足f*(t)＝A(αt，βt)和w*(t)＝A(αr，βr)时，信号瞬时功率达到最大值。其中A(αt，βt)是天线阵列响应向量，表示如下：
Figure BDA0001922790190000136
因此，基于预测所得波束角，相应的波束赋形向量和合并向量分别是
Figure BDA0001922790190000137
和
Figure BDA0001922790190000138
本发明中设计了新的时隙结构，新的时隙结构包括一个交换时隙和T个追踪时隙，在交换时隙中，低频辅助频段接收收端无人机的MSI反馈，根据接收到的MSI反馈计算当前的实际波束赋形向量，然后使用该实际波束赋形向量进行数据传输，同时根据MSI反馈使用基于高斯过程的机器学习方法对未来T个时隙的收端无人机的位置与姿态信息进行预测，在未来的T个追踪时隙中，根据预测结果计算预测波束赋形向量，然后使用该预测波束赋形向量进行数据传输。本发明中实现了对无人机位置和姿态的有效追踪，与其他对比方案相比，能够在无人机快速移动的情况下提升无人机毫米波通信频谱效率。此外，基于位置姿态预测的毫米波波束追踪不需要导频和收端的信道状态信息反馈，并能够降低与真实运动状态间的时延误差，更适用于高速移动的场景。
上面对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。本发明的保护范围应该以权利要求书所限定的保护范围为准。

Claims (4)

1.一种无人机毫米波通信波束追踪方法，其特征在于：所述无人机毫米波通信的时隙包括一个交换时隙和T个追踪时隙，
所述交换时隙内的过程包括
接收MSI反馈；
根据MSI反馈中的收端无人机实际位置与姿态信息计算实际波束赋形向量，同时预测未来的T个所述追踪时隙内的收端无人机的位置与姿态信息；
通过实际波束赋形向量传输信息；
所述追踪时隙内的过程包括
根据预测的位置与姿态信息计算预测波束赋形向量；
通过预测波束赋形向量传输信息；
其中，所述预测T个所述追踪时隙的位置与姿态信息的步骤包括：
步骤21、利用历史MSI训练高斯过程模型，得到相应的超参数；
步骤22、比对t0与Tmax，其中t0-交换时隙，Tmax-无人机间通信的最大时隙数，
若t0＜Tmax，进入步骤23；否则，流程终止；
步骤23、基于交换时隙t0之前的MSI和对时隙[t0，t]内MSI的预测结果，利用训练的高斯过程模型预测无人机在时隙段[t，t+Tf]内的位置与姿态信息，其中t-上次预测后已经完成预测的时隙，Tf表示从上次预测完成的时隙开始，向后预测的时隙数，如果是第一次预测，则t＝t0；
步骤24、完成本次预测后，令t＝t+Tf；
步骤25、如果t＜t0+T，即T个追踪时隙内的位置与姿态信息没有预测完成，回到步骤23继续预测；反之，令t0＝t0+T，回到步骤22，进行下一轮预测；
其中，所述预测波束赋形向量的计算方法包括：
步骤41、计算坐标系变换矩阵；
步骤42、通过坐标系变换得到同一坐标系下收端无人机与发端无人机的均匀平面天线阵UPA的位置坐标；
步骤43、计算相应的波束俯仰角与方位角；
步骤44、输出相应的预计波束赋形向量；
其中，所述收端无人机的UPA的坐标系变换过程为：
在收端无人机本地坐标系下通过坐标系变换矩阵转换为全局坐标系；
在全局坐标系下通过坐标系变换矩阵转换为发端无人机本地坐标系；
在发端无人机本地坐标系下通过坐标系变换矩阵转换为发端无人机的UPA的坐标系。
2.根据权利要求1所述的无人机毫米波通信波束追踪方法，其特征在于：所述位置信息预测方法包括
构造由位置坐标分别组成的输入ix/y/z和输出ox/y/z，由历史信息构成训练集
Figure FDA0002490421840000021
由待预测的信息构成测试集
Figure FDA0002490421840000022
其中，Ix/y/z表示由历史输入向量ix/y/z构成的矩阵，Ox/y/z表示由历史输出向量Ox/y/z构成的矩阵，Ix/y/z，*表示由待预测输入向量ix/y/z，*构成的矩阵，Ox/y/z，*表示由待预测输出向量ox/y/z，*构成的矩阵；
选定高斯过程的核函数K＝K1+K2，其中K1是线性核函数，K2是平方指数核函数；
在训练集上最大化边缘似然函数获得核函数中超参数的最优估计
Figure FDA0002490421840000023
其中，θGP为超参数；
在测试集上获得相应的输出预测分布
Figure FDA0002490421840000024
其中，
Figure FDA0002490421840000025
是预测得到的均值，
Figure FDA0002490421840000026
是预测得到的方差，其中，O*和I*分别表示测试集上的输出与输入；
将
Figure FDA0002490421840000027
作为Ox/y/z，*的预测值，其中未来t′时隙的位置坐标预测值分别是
Figure FDA0002490421840000028
t′∈[t，t+Tf]，从而得到无人机位置预测值
Figure FDA0002490421840000029
3.根据权利要求2所述的无人机毫米波通信波束追踪方法，其特征在于：所述姿态信息预测方法包括
由位置信息预测结果获得无人机的速度和加速度，构造由姿态角和速度、加速度组成的输入
Figure FDA0002490421840000031
和输出
Figure FDA0002490421840000032
由历史信息构成训练集
Figure FDA0002490421840000033
由待预测的信息构成测试集
Figure FDA0002490421840000034
其中，
Figure FDA0002490421840000035
表示由历史输入向量
Figure FDA0002490421840000036
构成的矩阵，
Figure FDA0002490421840000037
表示由历史输出向量
Figure FDA0002490421840000038
构成的矩阵，
Figure FDA0002490421840000039
表示由待预测输入向量
Figure FDA00024904218400000310
构成的矩阵，
Figure FDA00024904218400000311
表示由待预测输出向量
Figure FDA00024904218400000312
构成的矩阵；
选定高斯过程的核函数K＝K4+K5+K3，其中，K4是线性核函数，K5是平方指数核函数，K3是二次有理rational quadratic核函数；
在训练集上最大化边缘似然函数获得核函数中超参数的最优估计
Figure FDA00024904218400000313
其中，θGP为超参数；
在测试集上获得相应的输出预测分布
Figure FDA00024904218400000314
Figure FDA00024904218400000315
是预测得到的均值，
Figure FDA00024904218400000316
是预测得到的方差，其中，O*和I*分别表示测试集上的输出与输入；
将
Figure FDA00024904218400000317
作为
Figure FDA00024904218400000318
的预测值，其中未来t*时隙的姿态坐标预测值分别是
Figure FDA00024904218400000319
t′∈[t，t+Tf]，从而得到无人机姿态预测值
Figure FDA00024904218400000320
其中ψ-旋转角，θ-俯仰角，φ-偏航角。
4.根据权利要求1所述的无人机毫米波通信波束追踪方法，其特征在于：所述坐标系变换矩阵包括旋转矩阵与平移矩阵。
CN201811602233.3A 2018-12-26 2018-12-26 一种无人机毫米波通信波束追踪方法 Active CN109743093B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811602233.3A CN109743093B (zh) 2018-12-26 2018-12-26 一种无人机毫米波通信波束追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811602233.3A CN109743093B (zh) 2018-12-26 2018-12-26 一种无人机毫米波通信波束追踪方法

Publications (2)

Publication Number Publication Date
CN109743093A CN109743093A (zh) 2019-05-10
CN109743093B true CN109743093B (zh) 2020-12-04

Family

ID=66359998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811602233.3A Active CN109743093B (zh) 2018-12-26 2018-12-26 一种无人机毫米波通信波束追踪方法

Country Status (1)

Country Link
CN (1) CN109743093B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111988079A (zh) * 2019-05-22 2020-11-24 远传融创(杭州)科技有限公司 信息处理终端和信息处理终端之间的无线通信方法
CN110365386B (zh) * 2019-07-10 2022-06-17 中国水利水电第四工程局有限公司 无人机的通信增强方法和无人机
CN110492911B (zh) * 2019-07-10 2021-10-15 鹰潭泰尔物联网研究中心 一种用于无人机通信的波束追踪方法与***
CN110611527B (zh) * 2019-09-17 2021-01-15 北京邮电大学 一种阵列天线、波束成形方法及感知和通信一体化***
CN110928328B (zh) * 2019-12-17 2020-08-28 中国人民解放***箭军工程大学 一种波束倾斜效应下无人机***时变信道跟踪方法
CN111200456B (zh) * 2019-12-18 2021-02-26 西安电子科技大学 一种联合自主定位的快速低耗的3d波束赋形方法
CN111372195B (zh) * 2020-01-23 2022-07-01 鹏城实验室 移动通信网络中移动终端的位置追踪方法、设备及存储介质
CN111416647B (zh) * 2020-04-07 2021-08-06 北京邮电大学 波束追踪方法、码本生成方法及装置
CN112019251A (zh) * 2020-07-21 2020-12-01 深圳市月光宝和科技有限责任公司 通信方法、通信装置及存储介质
CN112383336B (zh) * 2020-11-17 2022-03-08 电子科技大学 一种用于远距离高速飞行物体的波束追踪方法
CN113630887B (zh) * 2021-09-16 2024-02-09 中南大学 一种基于在线学习的毫米波网络的车联网通信方法
CN114222312B (zh) * 2021-12-30 2023-10-17 西安电子科技大学 基于自适应波束的运动目标跟踪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106464342A (zh) * 2014-02-17 2017-02-22 优必奇奥姆有限责任公司 经由无人机/uav平台的宽带接入***
CN107094044A (zh) * 2017-03-30 2017-08-25 中国民航大学 一种空时分组编码的无人机中继通信航迹规划方法
CN108037523A (zh) * 2017-10-26 2018-05-15 北京航空航天大学 一种应用于无人机的电子辅助波束对准方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9780859B2 (en) * 2014-02-28 2017-10-03 Spatial Digital Systems, Inc. Multi-user MIMO via active scattering platforms
GB2536015A (en) * 2015-03-03 2016-09-07 Stratospheric Platforms Ltd Process and apparatus for communicating with a user antenna

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106464342A (zh) * 2014-02-17 2017-02-22 优必奇奥姆有限责任公司 经由无人机/uav平台的宽带接入***
CN107094044A (zh) * 2017-03-30 2017-08-25 中国民航大学 一种空时分组编码的无人机中继通信航迹规划方法
CN108037523A (zh) * 2017-10-26 2018-05-15 北京航空航天大学 一种应用于无人机的电子辅助波束对准方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《Position-Aided Compressive Channel Estimation and Tracking for Millimeter Wave Multi-User MIMO Air-to-Air Communications》;Javier Rodriguez-Fernandez等;《2018 IEEE International Conference on Communications Workshops》;IEEE;20180705;1-6 *
《Sum Rate Maximization in UAV-Enabled Mobile Relay Networks》;Zhen Xue；Qihui Wu；Zhiyong Feng等;《2018 10th International Conference on Wireless Communications and Signal Processing》;IEEE;20181203;1-6 *
《基于定向天线的无人机自组网路由协议研究》;董航；孙志刚;《电子测量技术》;20180930;第41卷(第18期);85-90 *

Also Published As

Publication number Publication date
CN109743093A (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN109743093B (zh) 一种无人机毫米波通信波束追踪方法
CN112738764B (zh) 一种基于车辆运动轨迹认知的宽带毫米波波束追踪方法
US9128186B2 (en) Target tracking device and target tracking method
CN110362075B (zh) 一种具有预设性能的无人艇输出反馈编队控制设计方法
US10476584B1 (en) Systems and methods for autonomous operations of ground station networks
Chen et al. Edge computing assisted autonomous flight for UAV: Synergies between vision and communications
JP2016171458A (ja) 追尾アンテナシステムおよび追尾アンテナ装置
Xiao et al. Trajectory prediction of UAV in smart city using recurrent neural networks
JP2016142705A (ja) 追跡システム、方法、およびプログラム
Kim Control laws to avoid collision with three dimensional obstacles using sensors
CN111551968B (zh) 基于深度学习运动预测的无人机对准***及对准方法
CN109918706B (zh) 一种基于广义动力学的卫星-天线耦合***路径规划算法
González‐Prelcic et al. High‐Capacity Millimeter Wave UAV Communications
Watza et al. Hybrid rf propagation model using itm and gaussian processes for communication-aware planning
JP7156464B2 (ja) 飛行体およびプログラム
WO2022151900A1 (zh) 一种基于神经网络的信道估计方法及通信装置
CN106372036B (zh) 一种卫星太阳翼遮挡对地数传天线时间的计算方法
Eskandari et al. SLAPS: Simultaneous localization and phase shift for a RIS-equipped UAV in 5G/6G wireless communication networks
CN111342875B (zh) 一种基于DoA估计的无人机通信鲁棒波束成形方法
CN114035154A (zh) 一种运动参数辅助的单站射频信号定位方法
Mou et al. Millimeter wave wireless communication assisted three-dimensional simultaneous localization and mapping
Garnett et al. Optimal Control for Improved UAV Communication
CN115603789B (zh) 一种高动态毫米波定向窄波束的生成和跟踪方法
Wan et al. Rigid body localization based on conformal sensor array in non-line-of-sight environment
CN111757242A (zh) 一种基于ais信息计算的海域通信波束控制方法及装置

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