CN111342875B - 一种基于DoA估计的无人机通信鲁棒波束成形方法 - Google Patents

Abstract

本发明公开了一种基于DoA估计的无人机通信鲁棒波束成形方法，其基本思想是利用无人机和基站的位置信息来估计信号的DoA。该算法基于位置预测来减小DoA估计误差，实现了高精度和低计算复杂度的特性。其次，该算法避免了角扩散效应的不良影响。算法提出了一种预测方法来保持快速移动无人机的准确DoA信息，预测过程大大减少了链路开销。算法还实现了在计算波束成形权值向量时及时更新导向矢量值，从而实现更高的波束指向性。

Description

一种基于DoA估计的无人机通信鲁棒波束成形方法

技术领域

本发明属于波束成形方法技术领域，具体涉及一种基于DoA估计无人机通信鲁棒波束成形方法。

背景技术

无人机和蜂窝网络之间的无线信道传输中，视距(Los)传输约占总功率的90％，视距传输的信道特性可增强通信过程中的接收功率，但也会引起严重的小区间干扰。波束成形因其具有抑制小区间干扰并将功率定向传输到所需方向而受到广泛关注。

当前大多数波束成形是基于导频辅助信道状态信息(CSI)估计方法来进行的。但是，导频污染效应对该方法提出了严峻的挑战。首先，在阻塞较少的空地链路中，小区间上行链路导频干扰通常太强，这会加剧导频信号之间的干扰。其次，所使用的导频序列的数量会随着基站(BS)天线数目和用户数量的增加而单调增加，这将给5G***造成了巨大的开销。因此，传统的波束成形在当前和未来的蜂窝网络中面临着巨大挑战。

另一方面，作为基于CSI解决方案的替代方案，基于信号到达方向(DoA)估计的波束成形方法被证明可以在多个方面实现更好的性能。DoA估计算法可以从非正交信号中提取精确的DOA信息，因此可以避免导频污染的严重影响。尽管该方法潜力很大，但用于无人机蜂窝通信的基于DoA估计的波束成形方法还远未得到优化。它面临的挑战之一是目标的移动性会影响DoA估算的准确性。由于信号的DoA是在一个时间间隔内估算的，所以当无人机不断移动时，真实的DoA值与估算的DoA值之间存在一定的差异。直到再次执行DoA估计为止，这种差异将会一直累积。因此，更快的无人机速度和更长的DoA估计间隔通常会导致更大的DoA估计误差。解决此问题的常用方法是以更高的频率来估算DoA信息，但是，这会大大增加***的开销。地面车辆通信的最新研究提出通过预测目标的运动来抵消角度的变化。但是，这些优化算法都假定通过限制道路和铁路等路线可以实现高度可预测的地面车辆行驶方向。而无人机在3维空间中的航向灵活，并且通常没有预先定义的轨迹，所以很难达到要求。

基于DoA的波束成形方法的另一个主要挑战是角度扩展效应。3GPP标准的地面和AG信道中，在发射机和接收机之间存在多条路径，路径中的信号来自基站，用户或两者附近的散射。这些多条射线彼此之间存在微小的角度偏差，称为簇内角展度。基于空间信息的波束成形方案要么忽略了角度扩展效应，要么则假定它具有较低的水平。DoA估计算法的基本解决方法是特征分解，但是该算法无法区分集群中的射线。

发明内容

针对现有技术中的上述不足，本发明提供的基于DoA估计无人机通信鲁棒波束成形方法解决了背景技术中的上述问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于DoA估计的无人机通信鲁棒波束成形方法，包括以下步骤：

S1、确定无人机的飞行状态信息；

S2、基于基站的矢量位置，将无人机飞行状态信息转换到当地水平坐标系中；

S3、基于当地水平坐标系中的无人机飞行状态信息，计算若干次DoA估计值；

S4、在两次连续的DoA估计值之间，计算M₀次DoA预测值；

S5、基于DoA估计值和DoA预测值，进行实时导向矢量更新；

S6、根据更新的导向矢量，进行自适应波束形成的协方差矩阵更新，进而实现波束成形。

进一步地，所述步骤S1中的飞行状态信息包括无人机在3维空间中的位置、航向和运动矢量；

所述航向为旋转角度，包括偏航角、俯仰角和翻滚角；

所述运动矢量包括速度和加速度。

进一步地，所述步骤S2中，将无人机的位置转换到当地坐标系中的方法具体为：

A1、将大地坐标系中的无人机位置和基站位置转换到等价的地球中心坐标系中；

所述大地坐标系中的无人机位置

其在地球中心坐标系中的位置P_ue为：

所述大地坐标系中的基站位置

其在地球中心坐标系中的位置P_be为：

式中，r_e为地球椭球体的长半径；

e为常数；

γ_u，

h_u分别为无人机位置在大地坐标系中的经度、纬度和距离地面高度；

γ_b，

h_b分别为基站位置在大地坐标系中的经度、纬度和距离地面高度。

A2、根据地球坐标中心坐标中无人机位置和基站位置的表达式，将基站位置作为当地水平坐标系中的原点，确定无人机在当地水平坐标系中的位置；

所述无人机在当地水平坐标系中的位置P_ul为：

P_ul＝(x_ul，y_ul，z_ul)^T＝R_en(P_ue-P_be)

式中，(x_ul，y_ul，z_ul)为无人机在当地水平坐标系中的位置坐标；

R_en为从地球中心坐标系到当地水平坐标系中的变换矩阵；

进一步地，所述步骤S2中，当地坐标系中的无人机速度v和加速度μ分别为：

v＝Rv_b

μ＝Rμ_b

式中，R为变换矩阵；

v_b为无人机机体坐标系中的无人机速度；

μ_b为无人机机体坐标系中的无人机加速度；

其中，变换矩阵R为：

式中，φ、θ和Ψ分别为无人机机体坐标系中的偏航角坐标、俯仰角坐标和翻滚角坐标；

r_a为变换矩阵G中的第一中间参数，且r_a＝sinφsinθcosΨ-cosφsinΨ；

r_b为变换矩阵G中的第二中间参数，r_b＝sinφsinθsinΨ+cosφcosΨ；

r_c为变换矩阵G中的第三中间参数，r_c＝cosφsinθcosΨ+sinφsinΨ；

r_d为变换矩阵G中的第四中间参数，r_d＝cosφsinθsinΨ-sinφcosΨ。

进一步地，所述步骤S3中，DoA估计值的计算公式为：

式中，DoA_(a)为DoA估计值；

x_ul、y_ul和z_ul分别为无人机在当地水平坐标系下的x、y和z轴上的位置。

进一步地，所述步骤S4中，进行一次DoA预测值的计算的方法具体为：

B1、设第n次计算DoA估计时，无人机的位置为P(α_n，β_n，γ_n)、无人机的加速度矢量为a(α_x，a_y，a_z)和无人机的速度矢量为

B2、根据无人机加速度矢量和速度矢量，设置无人机位置状态转换矩阵为：

式中，式中，τ为不同天线元素发射信号的到达时差；

B3、将计算DoA估计值时的无人机位置与状态转换矩阵进行上述计算，得到无人机位置的预测值，从而根据预测的无人机位置信息得到对应的DoA预测值DoA_(b)。

进一步地，所述步骤S5，将DoA值用θ表示，并考虑L个全方向天线组成的阵列，得到导向矢量S(θ)为：

S(θ)＝[exp(j2πτ)，...，exp(j2πτ)]

式中，τ为不同天线元素发射信号的到达时差，

j是虚数单位，π为圆周率，r为天线元素间的距离，c是光速；

所述DoA值包括DoA估计值和DoA预测值，且所述DoA值依次为：

其中，包括N₀个DoA估计值，每相邻两个DoA估计值之间包括M₀个DoA预测值。

进一步地，所述步骤S6中的协方差矩阵更新式为：

式中，n为采样次数标号，且n＝1，2，3，...，N，N为采样总次数；

R(n+1)第n+1次进行采样时真实协方差矩阵的估计矩阵；

x(n)为接收信号的采样序列；

上标H为转置共轭运算符。

本发明的有益效果为：

1)有效的估算无人机信号的DoA并预测其变化。与传统的MUSIC算法相比，该算法误差相对较小，并且计算复杂度低得多。

2)利用无人机的遥测信息，该算法无需为蜂窝通信***增加任何开销。

3)由于DoA误差范围小，并且具有非导频辅助的特性，因此天线阵列的主波束可以实时更新导向矢量。

4)与传统波束形成方法相比，本发明可以带来更高且更稳定的波束形成增益。

附图说明

图1为本发明提供的基于DoA估计的无人机通信鲁棒波束成形方法流程图。

图2为本发明提供的实施例中本发明方法与MUSIC算法的DoA估计误差对比图。

图3为本发明提供的实施例中本发明方法与MUSUC算法结合LCMV、DL波束形成的信噪比性能对比图。

具体实施方式

下面对本发明的具体实施方式进行描述，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。

实施例1：

如图1所示，本发明提供的基于DoA估计的无人机通信鲁棒波束成形方法，包括以下步骤：

S1、确定无人机的飞行状态信息；

S2、基于基站的矢量位置，将无人机飞行状态信息转换到当地水平坐标系中；

S3、基于当地水平坐标系中的无人机飞行状态信息，计算若干次DoA估计值；

S4、在两次连续的DoA估计值之间，计算M₀次DoA预测值；

S5、基于DoA估计值和DoA预测值，进行实时导向矢量更新；

S6、根据更新的导向矢量，进行自适应波束形成的协方差矩阵更新，进而实现波束成形。

上述实施例中，本发明的基本思想是利用无人机和基站的位置信息来估计信号的DoA，该算法基于位置预测来减少DoA估计误差，实现了高精度和低计算复杂度的特性。其次，算法避免了角扩散效应的不良影响，在算法中，提出了一种预测方法来保持快速移动无人机的准确DoA信息，预测过程大大减少了链路开销，算法还实现了计算波束成形权值向量时及时更新导向矢量值，从而实现更高的波束指向性。

实施例2：

上述实施例1中的步骤S1中的飞行状态信息包括无人机在3维空间中的位置、航向和运动矢量；所述航向为旋转角度，包括偏航角、俯仰角和翻滚角；所述运动矢量包括速度和加速度。

本发明实施例中的上述飞行状态信息由无人机FSI(Flying StatusInformation，飞行状态信息)和其导航数据综合得到，这些记录是由无人机的车载导航仪(也称为自动驾驶仪***)生成，该***能从多个传感器读取数据并计算出无人机的航迹；FSI是3GPP标准中规定的一种具有较高的QoS优先级的可靠信息资源。作为标准规定，为了安全起见，无人机FSI需要定期地反馈到地面控制器。因此，计算信号DoA的第一步是通过建立协调信息栈和波束形成处理器之间的接口来实现从遥测信息中提取飞行状态数据。

本发明实施例中从UAV飞行状态信息(FSI)呈现的位置信息有几个好处。首先，从GPS和初始的测量单元(IMU)数据两方面推导出无人机的位置具有比单独使用GPS传感器具有更高的精度。其次，FSI被规定为适用于任何类型的无人机，因此所提出的算法适用于所有民用应用。第三，通过使用已经存在于无人机和蜂窝网络链路中命令与控制中的FSI，我们减少了训练序列的使用，从而减少了链路开销。

实施例3：

来自遥测信息的矢量需要首先转换到一个公共的参考系中，然后与基站(BS)的位置矢量进行合并，为此，使用通用的当地水平坐标系(North-East-Down CoordinateSystem，NED)，为了简化计算，以BS作为原点，由于不同处理器之间的差异，同一矢量可以用不同的形式表示：无人机的GPS位置可以在大地坐标系中，可以在当地NED坐标系中；运动矢量可以在机体坐标系中，也可以是在当地NED坐标系中。此外，飞机机体坐标系下的数据还提供了机体坐标系与机体NED坐标系之间的旋转角度。

通常，在转化为新的NED坐标系之前，首先需要将大地坐标系转换为等价的地球中心坐标系的形式，大地坐标系位置的典型表达式为

h表示距离地球表面的高度，γ、

分别表示经纬度；因此，上述步骤S2中，将无人机的位置转换到当地坐标系中的方法具体为：

A1、将大地坐标系中的无人机位置和基站位置转换到等价的地球中心坐标系中；

所述大地坐标系中的无人机位置

其在地球中心坐标系中的位置P_ue为：

所述大地坐标系中的基站位置

其在地球中心坐标系中的位置P_be为：

式中，r_e为地球椭球体的长半径，6.378137米；

e为常数，0.08181919；

γ_u，

h_u分别为无人机位置在大地坐标系中的经度、纬度和距离地面高度；

γ_b，

h_b分别为基站位置在大地坐标系中的经度、纬度和距离地面高度。

A2、根据地球坐标中心坐标中无人机位置和基站位置的表达式，将基站位置作为当地水平坐标系中的原点，确定无人机在当地水平坐标系中的位置；

在当地水平坐标系中，基站的位置设置在原点(0，0，0)，得到所述无人机在当地水平坐标系中的位置P_ul为：

P_ul＝(x_ul，y_ul，z_ul)^T＝R_en(P_ue-P_be)

式中，(x_ul，y_ul，z_ul)为无人机在当地水平坐标系中的位置坐标；

R_en为从地球中心坐标系到当地水平坐标系中的变换矩阵；

由于当地水平坐标系和无人机机体坐标系的轴彼此对齐，无人机的航向和运动矢量的转换就相当于从无人机坐标系到无人机机体坐标系的转换；因此，上述步骤S2中，当地坐标系中的无人机速度v和加速度μ分别为：

v＝Rv_b

μ＝Rμ_b

式中，R为变换矩阵；

v_b为无人机机体坐标系中的无人机速度；

μ_b为无人机机体坐标系中的无人机加速度；

式中，φ、θ和Ψ分别为无人机机体坐标系中的偏航角坐标、俯仰角坐标和翻滚角坐标；

r_a为变换矩阵R中的第一中间参数，且r_a＝sinφsinθcosΨ-cosφsinΨ；

r_b为变换矩阵R中的第二中间参数，r_b＝sinφsinθsinΨ+cosφcosΨ；

r_c为变换矩阵R中的第三中间参数，r_c＝cosφsinθcosΨ+sinφsinΨ；

r_d为变换矩阵R中的第四中间参数，r_d＝cosφsinθsinΨ一sinφcosΨ。

实施例4：

在上述步骤S3中，输入信号的DoA定义为信号传播方向与接收机天线之间的夹角，假设基站BS的线性天线阵列沿x轴放置，则DoA估计值的计算公式为：

式中，x_bl、y_bl和z_bl分别为基站BS在当地水平坐标系下的x、y和z轴上的位置；

x_ul、y_ul和z_ul分别为无人机在当地水平坐标系下的x、y和z轴上的位置。

由于基站BS位于原点，因此上式可以简化为：

本发明实施例中，利用无人机和基站3维位置信息的低复杂度DoA估计算法。该算法通过利用几何数据代替处理训练序列来计算DoA，避免了角扩展的影响。

针对前面提出的无人机运动对DoA估计值精度的影响问题，本发明实施例通过预测两个DoA估计区间内的DoA变化，因此上述步骤S4中，在两个相邻DoA估计值之间进行一次DoA预测值的计算的方法具体为：

B1、设第n次计算DoA估计时，无人机的位置为P(α_n，β_n，γ_n)、无人机的加速度矢量为a(α_x，a_y，a_z)和无人机的速度矢量为

B2、根据无人机加速度矢量和速度矢量，设置无人机位置状态转换矩阵为：

式中，式中，τ为不同天线元素发射信号的到达时差；

其中，P₀，x₀和a表示所有矢量的初始值，需要从遥测信息的原始数据中扣除。

B3、将计算DoA估计值时的无人机位置与状态转换矩阵进行上述计算，得到无人机位置的预测值，从而根据预测的无人机位置信息得到对应的DoA预测值DoA_(b)。

上述DoA的估计和预测过程中通过重新使用FSI(无人机飞行状态信息)消息减少了链路开销的消耗；此外，由于它使用协调消息中的传感器数据而不是采样信号中的数据，因此与众多周知的具有O(M²N+M²P)复杂度的MUSIC算法相比，我们的算法计算复杂度为O(1)。M、N和P分别为天线数目，样本数量和MUSIC算法的潜在DoA值的数量。

本发明实施例中，设计了一种预测算法来跟踪接收更新消息间隔期间的DoA变化，该过程对于短途高移动性空中用户特别重要，由于该算法能够产生稳定的DoA估计输出，因此降低了FSI传输频率，从而进一步减少了链路开销。

实施例5：

上述步骤S5中，波束成形器通常在导频信号的辅助下计算导向矢量，如果频繁更新，网络开销将不可避免地增加，本发明提供的波束成形方法具有非辅助特性，DoA预测复杂度低，并且可以实现导向矢量的实时更新，本发明实施例中将DoA值用θ表示，并考虑L个全方向天线组成的阵列，得到导向矢量S(θ)为：

S(θ)＝[exp(j2πτ)，...，exp(j2πτ)]

式中，τ是不同天线元素发射信号的到达时差，

j是虚数单位，π为圆周率，r为天线元素间的距离，c是光速；

上述DoA值包括DoA估计值和DoA预测值，且所述DoA值依次为：

其中，包括N₀个DoA估计值，每相邻两个DoA估计值之间包括M₀个DoA预测值。

本发明实施例提供了一种与传统自适应波束成形方法相兼容的方向矢量更新方法，自适应波束形成的协方差矩阵R在每次采样时实时更新，理论上，协方差矩阵R的计算公式为：

式中，p_s、p_i(k)和p_N分别为信号功率、干扰信号和噪声，且k＝1，2，...，N；

s(θ_t)为信号t的导向矢量；

s(θ_i(k))为第k次采样时干扰信号i的导向矢量；

上标H表示转置共轭运算符；

I_L为秩为天线数目的单位矩阵；

但在实际中，真实的功率和转向矢量是不可获得的，因此协方差矩阵R由下式求得：

式中，x(n)是接收信号的采样序列；

R(n)是真实协方差矩阵的估计矩阵；

n为采样次数标号，且n＝1，2，3，...，N，N为采样总次数；

因此，上述步骤S6中的协方差矩阵R更新式为：

式中，R(n+1)第n+1次进行采样时真实协方差矩阵的估计矩阵；

式中的x(n)作为接收信号的采样序列，接收信号是模拟信号，对其按照一定的间隔取值，就得到了接收信号的采样序列，该采样序列可用于估计当前时刻的协方差矩阵。

在本发明实施例中，作为协方差矩阵R的一个分量的导向矢量s(θ_t)是由相关信号的实际角度决定的；另外，导向矢量s(θ_t)是由估计的DoA角决定的相关信号的假设转向。因此，该预测方法更新了导向矢量s(θ_t)，使其与自适应波束形成分离。

本发明实施例提出了一种改进波束成形性能的实时导向矢量自适应方法。该方法适用于研究最广泛的基于DOA的波束形成方法，并且与传统的自适应波束形成方法兼容。在波束形成权值矢量的计算中及时更新方向矢量，不仅提高了波束的指向性，而且有助于增强波束指向的信噪比(SINR)和可达数据率。

实施例6：

本实例中提供了本发明方法与MUSIC算法的对比；

图2(横坐标为资源分配时间，纵坐标为DoA误差)为本发明方法与MUSIC算法的DoA估计误差对比图，(a)为无人机与基站(BS)的初始距离为50m；(b)为无人机与基站(BS)的初始距离为2000m；

从图2中可以看出在无人机与基站距离为50m和2000m条件下，本发明方法的平均DOA估计误差均明显低于MUSUC算法的平均DOA估计误差。

图3(横坐标为资源分配时间，纵坐标为SINR)为本发明方法与MUSUC算法结合LCMV、DL波束形成的信噪比性能对比图，(a)为无人机与基站(BS)的初始距离为50m；(b)为无人机与基站(BS)的初始距离为2000m；

从图3中可以看出，基于本发明的DL波束形成产生了最高的SINR输出；基于MUSIC算法的LCMV波束形成效果最差。因为在距离较远情况下下，无人机的运动和位置误差导致的DoA误差较小。所以与图3(a)相比，四种方法在图3(b)中获得了更稳定的性能。对比图3(a)和图3(b)与图2中的DoA误差组，可以看出，SINR输出的趋势与DoA误差的趋势相反，验证了DoA误差越大，增益越小。此外，观察到在图3(b)，非鲁棒波束形成(L CMV)与所提出的算法相结合，比鲁棒波束形成(DL)与MUSIC方法相结合具有更高的性能。考虑到LCMV方法的灵敏度，这一现象表明本发明方法有助于保持高精度的DoA信息，实时转向矢量更新方法提高了波束指向性。

本发明的有益效果为：

1)有效的估算无人机信号的DoA并预测其变化，与传统的MUSIC算法相比，该算法误差相对较小，并且计算复杂度低得多。

2)利用无人机的遥测信息，该算法无需为蜂窝通信***增加任何开销。

3)由于DoA误差范围小，并且具有非导频辅助的特性，因此天线阵列的主波束可以实时更新导向矢量。

4)与传统波束形成方法相比，本发明可以带来更高且更稳定的波束形成增益。

Claims (5)

1.一种基于DoA估计的无人机通信鲁棒波束成形方法，其特征在于，包括以下步骤：

S1、确定无人机的飞行状态信息；

S2、基于基站的矢量位置，将无人机飞行状态信息转换到当地水平坐标系中；

S3、基于当地水平坐标系中的无人机飞行状态信息，计算若干次DoA估计值；

S4、在两次连续的DoA估计值之间，计算M₀次DoA预测值；

S5、基于DoA估计值和DoA预测值，进行实时导向矢量更新；

S6、根据更新的导向矢量，进行自适应波束形成的协方差矩阵更新，进而实现波束成形；

所述步骤S3中，DoA估计值的计算公式为：

式中，DoA_(a)为DoA估计值；

x_ul、y_ul和z_ul分别为无人机在当地水平坐标系下的x、少和z轴上的位置；

所述步骤S4中，进行一次DoA预测值的计算的方法具体为：

B1、设第n次计算DoA估计时，无人机的位置为P(α_n，β_n，γ_n)、无人机的加速度矢量为a(α_x，a_y，a_z)和无人机的速度矢量为

B2、根据无人机加速度矢量和速度矢量，设置无人机位置状态转换矩阵为：

式中，式中，τ为不同天线元素发射信号的到达时差；

B3、将计算DoA估计值时的无人机位置与状态转换矩阵进行上述计算，得到无人机位置的预测值，从而根据预测的无人机位置信息得到对应的DoA预测值DoA_(b)；

所述步骤S5，将DoA值用θ表示，并考虑L个全方向天线组成的阵列，得到导向矢量S(θ)为：

S(θ)＝[exp(j2πτ)，...，exp(j2πτ)]

式中，τ为不同天线元素发射信号的到达时差，

j是虚数单位，π为圆周率，r为天线元素间的距离，c是光速；

所述DoA值包括DoA估计值和DoA预测值，且所述DoA值依次为：

其中，包括N₀个DoA估计值，每相邻两个DoA估计值之间包括M₀个DoA预测值。

2.根据权利要求1所述的基于DoA估计的无人机通信鲁棒波束成形方法，其特征在于，所述步骤S1中的飞行状态信息包括无人机在3维空间中的位置、航向和运动矢量；

所述航向为旋转角度，包括偏航角、俯仰角和翻滚角；

所述运动矢量包括速度和加速度。

3.根据权利要求2所述的基于DoA估计的无人机通信鲁棒波束成形方法，其特征在于，所述步骤S2中，将无人机的位置转换到当地坐标系中的方法具体为：

A1、将大地坐标系中的无人机位置和基站位置转换到等价的地球中心坐标系中；

所述大地坐标系中的无人机位置

其在地球中心坐标系中的位置P_ue为：

所述大地坐标系中的基站位置

其在地球中心坐标系中的位置P_be为：

式中，r_e为地球椭球体的长半径；

e为常数；

γ_u，

h_u分别为无人机位置在大地坐标系中的经度、纬度和距离地面高度；

γ_b，

h_b分别为基站位置在大地坐标系中的经度、纬度和距离地面高度；

A2、根据地球坐标中心坐标中无人机位置和基站位置的表达式，将基站位置作为当地水平坐标系中的原点，确定无人机在当地水平坐标系中的位置；

所述无人机在当地水平坐标系中的位置P_ul为：

P_ul＝(x_ul，y_ul，z_ul)^T＝R_en(P_ue-P_be)

式中，(x_ul，y_ul，z_ul)为无人机在当地水平坐标系中的位置坐标；

R_en为从地球中心坐标系到当地水平坐标系中的变换矩阵；

4.根据权利要求2所述的基于DoA估计的无人机通信鲁棒波束成形方法，其特征在于，所述步骤S2中，当地坐标系中的无人机速度v和加速度μ分别为：

v＝Rv_b

μ＝Rμ_b

式中，R为变换矩阵；

v_b为无人机机体坐标系中的无人机速度；

μ_b为无人机机体坐标系中的无人机加速度；

其中，变换矩阵R为：

式中，φ、θ和Ψ分别为无人机机体坐标系中的偏航角坐标、俯仰角坐标和翻滚角坐标；

r_a为变换矩阵G中的第一中间参数，且r_a＝sinφsinθcosΨ-cosφsinΨ；

r_b为变换矩阵G中的第二中间参数，r_b＝sinφsinθsinΨ+cosφcosΨ；

r_c为变换矩阵G中的第三中间参数，r_c＝cosφsinθcosΨ+sinφsinΨ；

r_d为变换矩阵G中的第四中间参数，r_d＝cosφsinθsinψ-sinφcosψ。

5.根据权利要求1所述的基于DoA估计的无人机通信鲁棒波束成形方法，其特征在于，所述步骤S6中的协方差矩阵更新式为：

式中，n为采样次数标号，且n＝1，2，3，...，N，N为采样总次数；

R(n+1)第n+1次进行采样时真实协方差矩阵的估计矩阵；

x(n)为接收信号的采样序列；

上标H为转置共轭运算符。

Images