CN112672361B - 一种基于无人机集群部署的大规模mimo容量提升方法 - Google Patents
一种基于无人机集群部署的大规模mimo容量提升方法 Download PDFInfo
- Publication number
- CN112672361B CN112672361B CN202011492087.0A CN202011492087A CN112672361B CN 112672361 B CN112672361 B CN 112672361B CN 202011492087 A CN202011492087 A CN 202011492087A CN 112672361 B CN112672361 B CN 112672361B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- behavior
- cluster
- deployment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 34
- 230000006399 behavior Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 230000021824 exploration behavior Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于无人机集群部署的大规模MIMO容量提升方法,首先各单天线无人机随机部署在多天线地面基站上方区域,各无人机通过地理位置***辅助估计信道状态信息;然后随机选择一架无人机与邻居无人机进行通信,构建局部信息并计算当前收益;根据收益学习部署行为,其它无人机保持位置不变;最后,若干轮交互后各无人机确定最优部署位置。本发明通过调整各无人机的部署位置,提升信道容量;仅利用局部信息完成部署,无优化控制中心,降低了通信能耗并缩短了通信控制时延,提高了无人机集群的续航和实时控制能力。可应用的无线通信场景包括但不限于:高密度场所通信、战场通信、赈灾和救援通信。
Description
技术领域
本发明属于无人机集群通信领域,尤其涉及一种基于无人机集群部署的大规模MIMO(multiple input multiple output,MIMO)容量提升方法对上行通信链路的信道容量提升。
背景技术
在移动通信发展过程中,MIMO技术是移动通信中提高数据速率和对抗干扰的关键技术,近些年随着频段的不断攀升和用户数量的暴增,收发端的天线数量急剧增加,基于大规模MIMO的移动通信技术成为学术界和工业界的热点话题。无人机通信具有高速移动性、部署灵活性、强视距通信等特点,可充分在空-地三维空间中发展大规模MIMO技术,将成为未来6G通信网络中极具发展潜力的通信技术。特别地,无人机部署技术可通过调整无人机的部署位置最大化大规模MIMO网络通信性能、优化网络资源配置,逐渐引起了广泛关注。
研究之初,以最大化大规模MIMO无线覆盖范围为优化目标,研究了海拔高度方向的一维低空飞行平台的最优部署情况。随后研究者开始关注二维空间的无人机优化部署情况,同时优化目标也逐渐趋于多样化,考虑无人机位置部署和网络资源分配的联合优化策略成为较火热的研究方向。近期,面向三维空间的无人机部署优化问题也逐渐开展起来。值得指出的是,由于多无人机通信场景的性能优势,无人机集群组成的大规模MIMO在二维、三维空间的优化部署问题非常值得密切关注。当前无人机、无人机集群优化部署方法大多采用中心优化控制的方法,在通信基础设施受限、无人机航载能量有限的条件下面临诸多问题和挑战。
基于中心优化控制的无人机集群部署方法需要无人机实时的与优化控制中心通信,这将消耗大量的通信能耗,另一方面,无线信道衰落等物理现象造成的无线通信不确定性将严重降低通信质量,不符合无人机通信控制对于高可靠低时延通信的性能要求。此外,在实际情况中无人机很难获取网络的全局信息,因此利用全局信息进行无人机集群的中心式部署方法存在一些缺陷。
发明内容
发明目的:为了解决上述背景技术存在的不足,本发明提供了一种基于无人机集群部署的大规模MIMO容量提升方法,旨在解决当空-地无线信道视距链路存在较强相关性时,利用局部信息分布式调整集群各无人机的部署位置增大信道矩阵的秩,提高无人机集群与地面基站组成的大规模MIMO上行通信链路的信道容量。
技术方案:为了实现上述目的,本发明的技术方案为:
一种基于无人机集群部署的大规模MIMO容量提升方法,包括以下步骤:
步骤1.集群各无人机部署在地面基站上方区域,随机的选择空中位置作为初始位置;初始化无人机的交互次数t=0,设置最大交互次数为T;
步骤2.集群各无人机通过自身搭载的地理位置***辅助估计信道状态;
步骤3.若t=0,1,…,t<T且算法未收敛,则等概率的随机选择集群中一架无人机m;否则方法终止,无人机集群完成部署到最优位置,实现信道容量提升;
步骤4.被选择的无人机m与其邻居无人机进行通信,构建局部信息并计算当前收益Rm;
步骤5.被选择的无人机m依据约定的行为探索概率从限制行为集中选择一个探索行为;
步骤6.若当前行为是新探索行为,则被选择的无人机m根据新探索行为计算收益并更新行为选择策略并返回步骤3,集群其他无人机保持先前行为不变;否则直接返回步骤3进行下一轮迭代交互。
进一步的,步骤2所述的信道状态用下式估计:
其中hmn表示无人机m与地面基站第n根天线之间的信道,dmn为无人机m与地面基站第n根天线之间的距离,λ为信号的波长,H为上行通信链路MIMO信道矩阵。
进一步的,所述信道容量用下式估计:
C=log2(det[IN+ρHHH/N])
其中IN为N阶单位矩阵,ρ为每根接收天线的信噪比。
进一步的,所述信道容量提升建立以下优化目标:
P:max rank(H)。
进一步的,步骤4所述的收益Rm由无人机m的自身收益rm及其邻居无人机收益ri之和组成,用下式计算:
根天线与第l架无人机之间的距离,dnk为地面基站第n根天线与第k架无人机之间的距离。
进一步的,步骤5的行为探索概率为:
进一步的,步骤6所述的更新行为选择策略为:
进一步的,无人机为旋翼无人机,但不限于特性型号的旋翼无人机。
进一步的,所述步骤1的集群无人机分别配置单天线,地面基站配置若干天线。
进一步的,所述天线为全向天线,但不限于全向天线。
有益效果:本发明与现有技术相比,有益效果在于:
1)在基于无人机集群部署的大规模MIMO容量提升方法中各无人机基于局部信息对无人机集群进行分布式优化部署,实现大规模MIMO上行通信链路的信道容量的最大化;
2)本发明方法属于分布式部署方法,无需网络优化控制中心,部署不局限于特定网络拓扑架构对无人机集群优化部署的限制,能更好的适用于郊区或灾区等通信基础设施较差的网络区域;
3)本发明方法仅需邻居无人机之间进行通信和局部信息交互,不需要与优化控制中心进行实时复杂的通信和网络优化参数交互;与现有的中心优化控制方法相比,该方法降低了通信能耗和缩短了通信控制时延,提高了无人机集群的续航能力和实时控制能力。
附图说明
图1是本发明基于无人机集群部署的大规模MIMO容量提升方法网络架构图;
图2是本发明基于无人机集群部署的大规模MIMO容量提升方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
在本发明实施例中,如图1所示为基于无人机集群部署的大规模MIMO容量提升方法网络架构,无人机集群位于地面基站的上方区域,M架集群无人机分别配置单天线,各无人机为旋翼无人机,地面基站配置N根天线。为简化分析,设集群无人机数量M等于地面基站天线个数N,即M=N,则地面基站的接收信号可表示为:
其中,Es为发送功率,s为无人机集群的发送信号,n0为零均值、单位方差N0的复高斯白噪声,H为上行通信链路MIMO信道矩阵。忽略各无人机与地面基站之间的距离差,则表示第m架无人机与地面基站第n根天线之间的信道,dmn为第m架无人机与地面基站第n根天线之间的距离,λ为信号的波长。
MIMO信道的瞬时容量可表示为:
C=log2(det[IN+ρHHH/N])
其中,IN为N阶单位矩阵,ρ=Es/N0为每根接收天线的信噪比。
考虑空-地无线信道视距链路存在较强相关性,上行通信链路信道为秩退化信道,为了最大化信道容量,建立以下优化目标:
P:max rank(H)
然而,考虑集群各无人机仅能获取邻居无人机的局部信息的情况,上述优化问题被分解为M个优化子问题,第m个优化子问题可表示为:
其中Hm为无人机m与其邻居无人机组成的信道矩阵。
为了保证各无人机信道容量最大化子问题P-m与全局信道容量最大化问题P结果一致,优化问题需要建模为势博弈问题:
其中V=1,2,…,M为无人机集合,
相应的势函数为:
根据上述收益函数和势函数,构建以下无人机集群分布式优化部署方法,最大化大规模MIMO上行通信链路的信道容量。
如图2所示的大规模MIMO容量提升方法流程具体步骤如下:
步骤1.初始化交互次数t=0,设置最大交互次数为T;集群各无人机随机的选择空中位置作为初始部署位置;
步骤2.t=0,1,…,t<T,等概率的随机选择集群中一架无人机m;
步骤3.被选择的无人机m与其邻居无人机进行通信,构建局部信息并计算当前收益Rm;
否则直接返回步骤2进行下一轮交互,直到交互次数t=T或算法收敛时终止。
经过上述步骤1-5的交互,无人机集群可分布式地部署到最优位置,降低空-地无线信道视距链路的相关性,通过提高信道矩阵的秩实现大规模MIMO上行通信链路信道容量的最大化。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上所做的任何改动,均落入本发明保护范围之内。
Claims (3)
1.一种基于无人机集群部署的大规模MIMO容量提升方法,其特征在于,包括以下步骤:
步骤1.集群各无人机部署在地面基站上方区域,随机的选择空中位置作为初始位置;初始化无人机的交互次数t=0,设置最大交互次数为T;
步骤2.集群各无人机通过自身搭载的地理位置***辅助估计信道状态;
步骤3.若t=0,1,…,t<T且算法未收敛,则等概率的随机选择集群中一架无人机m;否则方法终止,无人机集群完成部署到最优位置,实现信道容量提升;
步骤4.被选择的无人机m与其邻居无人机进行通信,构建局部信息并计算当前收益Rm;
步骤5.被选择的无人机m依据约定的行为探索概率从限制行为集中选择一个探索行为;
步骤6.若当前行为是新探索行为,则被选择的无人机m根据新探索行为计算收益并更新行为选择策略并返回步骤3,集群其他无人机保持先前行为不变;否则直接返回步骤3进行下一轮迭代交互;
其中,
步骤2所述的信道状态用下式估计:
其中hmn表示无人机m与地面基站第n根天线之间的信道,dmn为无人机m与地面基站第n根天线之间的距离,λ为信号的波长,H为上行通信链路MIMO信道矩阵;
所述信道容量用下式估计:
C=log2(det[IN+ρHHH/N])
其中IN为N阶单位矩阵,ρ为每根接收天线的信噪比;
所述信道容量提升建立以下优化目标:
P:max rank(H);
步骤4所述的收益Rm由无人机m的自身收益rm及其邻居无人机收益ri之和组成,用下式计算:
步骤5的行为探索概率为:
步骤6所述的更新行为选择策略为:
集群无人机分别配置单天线,地面基站配置N根天线。
2.如权利要求1所述的一种基于 无人机集群部署的大规模MIMO容量提升方法,其特征在于,无人机为旋翼无人机或特性型号的旋翼无人机。
3.如权利要求1所述的一种基于 无人机集群部署的大规模MIMO容量提升方法,其特征在于,所述天线为全向天线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492087.0A CN112672361B (zh) | 2020-12-17 | 2020-12-17 | 一种基于无人机集群部署的大规模mimo容量提升方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011492087.0A CN112672361B (zh) | 2020-12-17 | 2020-12-17 | 一种基于无人机集群部署的大规模mimo容量提升方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112672361A CN112672361A (zh) | 2021-04-16 |
CN112672361B true CN112672361B (zh) | 2022-12-02 |
Family
ID=75404346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011492087.0A Active CN112672361B (zh) | 2020-12-17 | 2020-12-17 | 一种基于无人机集群部署的大规模mimo容量提升方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112672361B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113342060B (zh) * | 2021-06-02 | 2022-08-12 | 南京臻融科技有限公司 | 一种基于相对定位的无人机群中继网络构建方法 |
CN113406974B (zh) * | 2021-08-19 | 2021-11-02 | 南京航空航天大学 | 一种面向无人机集群联邦学习的学习与资源联合优化方法 |
CN114553290A (zh) * | 2022-01-07 | 2022-05-27 | 西安理工大学 | 基于mimo结构的无线紫外光通信跟踪保持方法 |
CN114697975B (zh) * | 2022-04-11 | 2024-01-05 | 东南大学 | 一种增强陆地无线覆盖的无人机集群分布式部署方法 |
CN114915998B (zh) * | 2022-05-31 | 2023-05-05 | 电子科技大学 | 一种无人机辅助自组网通信***信道容量计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104836640A (zh) * | 2015-04-07 | 2015-08-12 | 西安电子科技大学 | 一种无人机编队分布式协作通信方法 |
CN111711960A (zh) * | 2020-01-16 | 2020-09-25 | 中国人民解放军陆军工程大学 | 一种能量效率知觉的无人机群三维部署方法 |
CN111786713A (zh) * | 2020-06-04 | 2020-10-16 | 大连理工大学 | 一种基于多智能体深度强化学习的无人机网络悬停位置优化方法 |
CN111800185A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民解放军陆军工程大学 | 一种无人机辅助通信中的分布式空地联合部署方法 |
-
2020
- 2020-12-17 CN CN202011492087.0A patent/CN112672361B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104836640A (zh) * | 2015-04-07 | 2015-08-12 | 西安电子科技大学 | 一种无人机编队分布式协作通信方法 |
CN111711960A (zh) * | 2020-01-16 | 2020-09-25 | 中国人民解放军陆军工程大学 | 一种能量效率知觉的无人机群三维部署方法 |
CN111786713A (zh) * | 2020-06-04 | 2020-10-16 | 大连理工大学 | 一种基于多智能体深度强化学习的无人机网络悬停位置优化方法 |
CN111800185A (zh) * | 2020-07-06 | 2020-10-20 | 中国人民解放军陆军工程大学 | 一种无人机辅助通信中的分布式空地联合部署方法 |
Non-Patent Citations (4)
Title |
---|
3-D Deployment of UAV Swarm for Massive MIMO Communications;Ning Gao等;《IEEE Journal on Selected Areas in Communications 》;20210614;全文 * |
Distributed UAV Placement Optimization for Cooperative Line-of-sight MIMO Communications;Samer Hanna;《ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20190517;全文 * |
Performance Analysis of Three-Dimensional MIMO Antenna Arrays for UAV channel;Yuming Bi;《2018 IEEE/CIC International Conference on Communications in China (ICCC Workshops)》;20180818;全文 * |
一种基于无人机MIMO信道的容量分析方法;李璞等;《无线电工程》;20131231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112672361A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112672361B (zh) | 一种基于无人机集群部署的大规模mimo容量提升方法 | |
CN113162679B (zh) | 基于ddpg算法的irs辅助无人机通信联合优化方法 | |
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
CN110673635B (zh) | 一种基于无线能量传输网络的无人机三维轨迹的设计方法 | |
CN113645635A (zh) | 智能反射面辅助的高能效无人机通信***的设计方法 | |
CN113873575B (zh) | 智能反射面辅助的非正交多址无人机空地通信网络节能优化方法 | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
CN111800185A (zh) | 一种无人机辅助通信中的分布式空地联合部署方法 | |
CN115441939B (zh) | 基于maddpg算法的多波束卫星通信***资源分配方法 | |
CN114286312A (zh) | 一种基于可重构智能表面增强无人机通信的方法 | |
CN110312265B (zh) | 无人机编队通信覆盖的功率分配方法及*** | |
CN112672376B (zh) | 一种无人机辅助蜂窝网络中无人机部署方法 | |
CN112367668A (zh) | 一种利用反射波束补充覆盖的无人机基站部署方法 | |
CN113784314B (zh) | 一种智能反射表面辅助下的无人机数据与能量传输方法 | |
CN114980169A (zh) | 一种基于轨迹与相位联合优化的无人机辅助地面通信方法 | |
CN111711960A (zh) | 一种能量效率知觉的无人机群三维部署方法 | |
CN104852758A (zh) | 三维大规模天线网络下的垂直波束赋形方法及装置 | |
Zhao et al. | MADRL-based 3D deployment and user association of cooperative mmWave aerial base stations for capacity enhancement | |
Mahmood et al. | PSO-based joint UAV positioning and hybrid precoding in UAV-assisted massive MIMO systems | |
Guo et al. | Machine learning for predictive deployment of UAVs with multiple access | |
CN117674958A (zh) | 一种面向空天地一体化网络的网络资源优化方法及装置 | |
CN117270559A (zh) | 一种基于强化学习的无人机集群部署与轨迹规划方法 | |
CN116896777A (zh) | 基于强化学习的无人机群通感一体能耗优化方法 | |
CN115967948A (zh) | 一种基于无人机智能反射面的移动车载网络下行安全通信方法 | |
CN114499615B (zh) | 一种太赫兹通信***中近远场统一的发射波束成形方法 |
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 |