CN112929109A - 一种无人机mu-mimo的速率自适应方法、装置及*** - Google Patents

Abstract

本发明公开了一种无人机MU‑MIMO的速率自适应方法、装置及***，属于无人机无线通信领域。本发明通过分析多径衰落导致的直射路径与反射路径相互增强相互削弱影响下，信号相位差随无人机或垂直飞行或水平飞行条件下的变化，从而可靠预测相位差；本发明针对无人机的高动态飞行条件，预测衰落频率，结合CSI历史测量轨迹可靠预测未来未受干扰的信噪比，进而可靠预测用户间干扰影响下的信噪比值，克服了无人机高动态飞行条件下信道测量易过时的影响，保障了无人机与多用户通信时传输速率的自主调整，以适应剧烈波动的无人机信道。

Description

一种无人机MU-MIMO的速率自适应方法、装置及***

技术领域

本发明属于无人机无线通信领域，更具体地，涉及一种无人机MU-MIMO的速率自适应方法、装置及***。

背景技术

随着全球网络覆盖范围与用户通信流量需求的增加，下一代通信***的一个关键特征是地面和非地面通信设施之间的无缝协作。传统的地面蜂窝基站用于提供地面区域的基本覆盖。然而，在热点密集的城市地区，或者在灾区基础通信设施有限的情况下，当地面基站难以满足用户通信需求时，无人机凭借其高度的灵活性、易部署性和对环境变化的广泛适应性，为地面用户提供应急性、低成本、专门化的无线网络与业务分流，具有广阔的应用前景。典型业务包括受灾地区的快速网络恢复，过载小区的流量卸载以及体育赛事的实时直播等。

随着密集用户环境中接入设备数量与流量需求的迅速增加，从单用户(SU)转变为多用户(MU)网络是必不可少的。在最近的研究中，人们将多用户多输入多输出(MU-MIMO)技术应用于空地通信***中，通过建立多天线无人机热点为地面用户提供以实现更高的频谱效率和网络容量。尽管MU-MIMO技术能够极大提高网络吞吐量，但在高动态无人机环境下如何保持多用户传输链路的鲁棒性，发挥出MU-MIMO网络带来的吞吐量增益优势，依赖于无人机MU-MIMO网络的通信速率自适应(RA)方案，使得各用户链路能够根据信道状态变化调整编码调制方案，减小丢包率并最大化吞吐量。

然而现有的MU-MIMO RA方法难以适应无人机信道的剧烈波动，它们主要用于地面用户间的相互通信，地面用户如行人、车辆等通常具备相对稳定的运动速度或可预测的运动路线，因此具备相对稳定的信道相干时间，因此现有的MU-MIMO RA方法通过在预先估计的相干时间内测量信道信息来达到最佳速率。然而，由于无人机的高度灵敏性与机动性，信道相干时间随着无人机高动态速度和轨迹不断变化，不同用户间也由于其所处环境和与无人机的距离不同，信道状态存在巨大差异。这为MU-MIMO RA设计带来了巨大挑战，因为信道测量很容易变得过时而无法获得当前无人机信道的准确估计，从而造成次优的编码调制方式与传输速率选择，影响整体吞吐量。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种无人机MU-MIMO的速率自适应方法、装置及***，其目的在于解决由于无人机高动态飞行，信道测量数据易过时，引起传输速率选择失误而导致误码率的增加，最终造成吞吐量下降的技术问题。

为实现上述目的，本发明提供了一种无人机MU-MIMO的速率自适应方法，包括：

S1.获取无人机实时飞行状态数据，并测量上行链路信道状态信息；所述上行链路指从地面设备到无人机的通信链路；

S2.构建信号相位差随无人机飞行状态变化的模型；其中，信号相位差表示地面设备k到无人机第m根天线的信道相位与到无人机第1根天线的信道相位之差；

S3.基于无人机速度和位置预测衰落频率，基于预测得到的衰落频率和未受干扰的信噪比历史数据预测未受干扰的信噪比未来变化；

S4.根据构建的相位差变化模型，结合预测得到的未受干扰信噪比预测相位差未来变化；

S5.根据预测得到的未受干扰信噪比和相位差，计算用户间干扰和预测受干扰后的信噪比，选择上行链路的最佳调制编码方案与传输速率。

进一步地，根据信道互易性测量上行链路的信道状态信息。

进一步地，未受干扰的信噪比预测过程具体为，

实时获取无人机到各地面设备间的距离和无人机的飞行速度，预测无人机与各地面设备通信时衰落周期；

用二次多项式函数曲线拟合未受干扰的信噪比历史数据；其中，二次多项式函数曲线的对称轴由衰落周期确定；

利用二次多项式函数曲线预测信噪比未来变化。

进一步地，衰落周期的预测过程具体为，

通过

计算无人机从一个衰落位置到另一个衰落位置的绝对飞行距离；

其中，Δd_d＝d_d,β-d_d,β-1，

α为无人机相对于地面设备的飞行方向；d_U表示无人机高度，d_H表示无人机与地面设备的水平距离；γ表示地面反射路径距离与直射路径距离的比值，β表示任意整数，λ表示各子载波对应的波长，d_d,β表示直射路径的链路距离；

通过

预测相应的衰落周期为T_fading。

进一步地，

其中，v′表示无人机到地面设备直射路径方向上的速度分量，

是该直射路径速度分量的平均值，

是计算

时采取的时间间隔内的平均绝对飞行速度。

进一步地，信号相位差预测具体过程为，

当预测得到的未受干扰的信噪比低于衰落检测阈值时，采用线性函数拟合相位差历史数据，并根据拟合结果预测未来相位差；

当预测得到的未受干扰的信噪比高于衰落检测阈值时，采用上一时刻相位差测量值作为当前预测值；其中，衰落检测阈值为未受干扰的信噪比历史数据的中值。

进一步地，受干扰后的信噪比

为：

表示未受干扰前的信噪比，

表示垂直于1～k-1用户信道方向所构成平面的垂直向量。

按照本发明的另一方面，提供了一种无人机MU-MIMO的速率自适应装置，包括多用户多输入多输出的无线通信收发器和测量无人机飞行状态的传感器；所述多用户多输入多输出的无线通信收发器采用M天线无人机作为无线接入点，K个单天线地面通信设备作为无线信号发射器；K<M；

所述测量无人机飞行状态的传感器用于实时测量无人机的飞行状态数据；

所述地面通信设备，用于根据上述无人机MU-MIMO的速率自适应方法选择上行链路的最佳调制编码方案与传输速率。

本发明还提供了一种无人机MU-MIMO的速率自适应***，包括：

无人机飞行状态获取模块，用于实时读取无人机飞行状态数据，并周期性广播给地面通信设备；

信道测量模块，用于测量各地面通信设备到无人机的上行链路CSI；

信道衰落周期预测模块，用于基于无人机速度和位置，预测无人机与各地面通信设备通信时的衰落周期；

信道预测模块，用于基于预测得到的衰落周期和未受干扰的信噪比历史数据预测未受干扰的信噪比未来变化，并根据预测得到的未受干扰信噪比以及相位差历史数据预测相位差未来变化；

干扰计算模块，用于根据预测得到的未受干扰信噪比和相位差，计算各地面通信设备同时与无人机通信时的互相干扰大小，以及受干扰后的信噪比；

通信与速率调节模块，用于根据受干扰后的信噪比选择各地面通信设备的最佳调制编码方案与传输速率。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果。

(1)本发明通过分析多径衰落导致的直射路径与反射路径相互增强相互削弱影响下，信号相位差随无人机或垂直飞行或水平飞行条件下的变化，从而可靠预测相位差；本发明针对无人机的高动态飞行条件，预测衰落频率，结合CSI历史测量轨迹可靠预测未来未受干扰的信噪比，进而可靠预测用户间干扰影响下的信噪比值，克服无人机高动态飞行条件下信道测量易过时的影响，保障了无人机与多用户通信时传输速率的自主调整，以适应剧烈波动的无人机信道。

(2)本发明方法利用无人机飞行控制所需的机载传感器即可实现，不需要额外的成本；

(3)本发明能够适应无人机上行链路通信的分布式特性，各用户分别预测信道信息并选取最佳传输速率，而不需要接入点(AP)统一协调配置。

附图说明

图1为无人机多用户多输入多输出的速率自适应方法框架图；

图2为本发明提供的方法原理图；

图3为本发明实施例提供的多用户预测时间示意图；

图4为本发明实施例提供的相位和相位差-时间曲线图；

图5为本发明实施例提供的未受干扰信噪比和相位差预测示意图；

图6为本发明实施例提供的无人机与用户通信的直射路径变化示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

现有的MU-MIMO速率自适应***依赖于精确的信道状态测量数据，然而无人机信道状态的剧烈波动使得信道测量数据易过时，尤其在多用户速率自适应算法中，某一用户的信道状态不仅影响自身通信，还因为用户间互相干扰的作用影响其他用户的通信性能。

为此，本发明提出了一种无人机MU-MIMO的速率自适应方法、装置及***，该***利用过去的信道测量轨迹和飞行状态相关的传感器数据，能够可靠预测MU-MIMO各用户在用户间干扰影响下的信噪比(SNR)变化，因此能够不受信道测量数据过时的影响。

本发明整体思路参考图1，具体地，如图2所示，k(k＜M)个单天线地面用户通过MU-MIMO技术与M天线无人机AP通信，每个地面用户k(k∈{1,,…,K})通过监听来自无人机的周期性传感器数据广播来获得无人机的实时飞行状态，并利用信道互易性测量上行链路CSI数据h_k＝(h_k1,h_k2,…,h_km)。利用信道互易性可以直接通过下行链路来测量上行链路CSI，不需要专门将无人机测得的上行链路CSI反馈给地面设备，造成额外的信道占用从而减小所传输数据的信道利用率。将上行链路信道方向简化为

每个链路未经干扰时的信噪比SNR_orig,km可由

计算，其中P是用户端的传输功率，n₀是无人机处的平均噪声。然后，将过去测量值

和

输入信道预测模块，其中t′，t_n表无人机广播时间，且m∈{1,2,…,M}。

如图3所示，预测模块在获得下一次CSI测量数据之前，分别预测每个用户k在未来几轮并发传输中SNR_orig,k和D_k的变化。用户依次加入并发传输，它们通过与已知前导码做交叉相关来计算并发流的数量，以检测现有数据流的数量是否等于AP处的天线数量。首先赢得传输机会的用户将预测的信道方向

广播给后来的竞争者，其中，t_n+t_l表示第l轮并发传输的时间，并且t_n+t_l＜t_n+1，因此，后发用户(假设为用户k)可以获取已有用户的信道方向，并结合自身预测结果通过以下公式来计算t_n+t_l时刻夹角

和受干扰后的信噪比

表示垂直于1～k-1用户信道方向所构成平面的垂直向量。用户根据

为每个用户确定最佳速率

以使总吞吐量最大化，即使在不同的传输周期中用户群发生变化也能够顺利运行。在该***中，用户群可采用传统竞争机制来接入，也可以采用更高级的用户选择调度机制与该速率自适应***组合。

基于各用户所预测的受干扰后的SNR_proj,k值，参与传输的用户分别选择最佳编码调制方式与最佳传输速率，以实现总吞吐量的最大化。各用户依次加入传输，将其顺序记为1到K。为了降低频率选择性衰落的影响，各用户基于OFDM子载波频率预测D和SNR_orig，并计算有效SNR(ESNR)以确定最佳传输速率。第一个参与传输的用户只需根据预测的原始信噪比SNR_orig,1来计算ESNR，然后，它向其他用户宣布预测的信道方向D₁，之后参与传输的用户计算每个子载波的用户间干扰，并基于子载波SNR_proj来计算ESNR以选择最佳传输速率。

上述过程的核心在于预测模块，该预测模块包括对未受干扰(原始)信噪比SNR_orig和信道方向D_k的预测两方面，下面分别进行详细介绍；

首先对无人机信道方向D随无人机的飞行进行建模，由于各用户信道方向D_k定义中

因此将信道方向D_k的建模转化为对相位差

变化的建模，

表示地面设备k到无人机第m根天线的信道相位。与固定的地面基站相比，无人机热点利用飞行能力为地面用户提供近距离和无障碍的网络连接，因此传输区域与菲涅耳区重叠，通信损耗主要受到多径效应导致的不同传路径信号相互增强或相互减弱影响。由于无人机场景中反射信号主要来自地面，本方法对信道方向D变化的建模基于二径模型，假设无人机与用户的水平距离为d_H，无人机与用户的高度分别为d_U和d_c，用户k和无人机天线m之间的上行信道h_km为

ρ是地面反射系数，d_d和d_r分别为直射路径和反射路径的链路距离，λ表示各子载波对应的波长。

假设d_r＝γd_d，γ表示地面反射路径距离与直射路径距离的比值，提取h_km的相位

为

则

相对于直射路径d_d的导数为

其中，a₀＝γ′d_d+γ-1。当直射与反射链路相互干扰而导致信号衰落时，直射链路信道相位

和反射链路信道相位

逐渐达到状态：

这时

而当直射与反射链路相互增强时，

和

逐渐达到状态：

这时

因此，

可简化为

β表示任意整数，

表示整数集合。

由于无人机在短时间内的飞行可以近似地看作是沿直线飞行，因此我们进一步分析了无人机水平和垂直飞行两种不同情况时，

的变化。

当无人机水平飞行时，无人机d_U的高度是固定的，用户的高度假设为d_c＝1。那么，γ相对于d_d的导数为

由于d_d＞d_U-1，

又因为地面反射系数ρ∈(-1,0)，可以计算得到当h_d和h_r相互增强时，

在小范围

内波动，在

(即直射链路的相位变化速度)附近保持相对稳定,两相位

和

均处于增强状态时可使得

即相位差的变化速率为0。相反，当h_d和h_r相互干扰而导致

衰落时，

的范围扩大到

大幅度偏离直射链路相位变化速度

对此，我们进一步对

的表达式进行化简，由于在衰落点前后的较小时间段t_s～t_e内γ变化较小(t_s代表衰落的开始时刻，t_e代表衰落的结束时刻)，我们将其当作不变量，因此

可等价为

其中

由于无人机在短时间内可近似为匀速飞行，d_d＝(t-t_s)v，v为该时间段内的飞行速度，因此

又可等价

当

或

其一处于衰减状态时

由于短时间t_s-t_e内γ变化较小，

的变化可近似为线性，当

和

均处于衰落状态时，两者变化相互抵消，

处于相对稳定状态。图4为

变化曲线图，左图即为水平飞行情况。当不发生衰落时，由于

和

的变化速度相对稳定且都在

附近，

基本不变。然而，当h_km和h_k1轮流出现衰落时，

在多径效应下出现了明显的突增或突减，且呈现出近似线性变化规律。

当无人机垂直飞行时，该方法采用与水平飞行时相同的推导模式。假设无人机与用户间的水平距离d_H是固定的，当无人机在垂直飞行过程中高度逐渐增加，满足

的关系且d_H>1时，可得到a₀的范围为(0,0.34)。因此，当h_d和h_r相互增强时，

同样在小范围

内波动，在

(即直射链路的相位变化速度)附近保持相对稳定,因此相位差变化速率为0，即

相反，在衰落期内，

的值扩大到无限范围

中，通过与水平飞行状态时相同的分析过程，可得相同结论，当

或

其一处于衰减状态时

当

和

均处于衰落状态时，两者变化相互抵消，

处于相对稳定状态。图4中右图为垂直飞行时

变化曲线图。与水平飞行的情况类似，

同样随衰落发生而出现明显减少或增加，且呈现出近似线性变化规律，而在其他条件下保持相对稳定。

综合上述分析可得，相位差

相对于无人机动态飞行时间t的变化模型为：

其中，

表示上一时刻测得的相位差值，t_s代表衰落的开始时刻，γ表示地面反射路径距离与直射路径距离的比值，v为衰落期间无人机水平或垂直飞行的速度，λ为对应子载波的波长，ρ为地面反射系数，c为常量。

下面介绍未受干扰信噪比的预测过程；以时间为轴，采用二阶多项式来拟合无人机飞行时原始信噪比SNR_orig衰落模式。由于无人机的飞行状态是高动态的，极大地影响信道波动，尤其是衰落频率f_fading

为解决这一问题，结合无人机传感器数据，构建基于无人机速度v和位置p的f_fading预测函数，即f_fading＝g(v,p)。该函数为二阶多项式提供对称轴信息，以更好地适应动态飞行状态，提高预测精度。除对称轴信息外，本***还融合过去的SNR_orig,km测量轨迹，形成一组点集(图5中的方形和三角形点)来构建二阶多项式回归函数，并且该二阶函数随着新测得的SNR_orig,km不断更新，当检测到最新的SNR_orig,km为最低值时，该二阶多项式重新初始化。基于此二阶多项式函数，可以预测信噪比SNR_orig,km的变化，并计算总和SNR_orig,k。其中衰落频率f_fading预测利用无人机飞行状态相关的传感器数据，包括GPS坐标和无人机的绝对速度。当衰落发生时，h_d和h_r的相位处于状态：

通过设置d_r＝γd_d，我们可以估计每个衰落位置对应的无人机到用户直射路径距离为

当无人机在某一时刻或水平或垂直飞行时，d_U或d_H保持不变，仅以d_d为变量，可计算γ为

将其与方程

相结合，可以求解一系列

作为当前飞行方向所对应的衰落位置，该位置由无人机到用户的直射路径距离d_d表示。根据无人机GPS坐标，得到实时d_d，并搜索其区间d_d,β-1≤d_d<d_d,β。因此，相邻衰落位置之间的直接路径距离Δd的变化可以通过Δd_d＝d_d,β-d_d,β-1来计算。

无人机从一个衰落点飞到另一个衰落点所需的时间T_fading取决于无人机沿飞行方向的飞行距离d′和绝对飞行速度v，其中绝对速度v可以通过无人机传感器获得，而d′需要从Δd_d进行转换，如图6所示，转换的关键在于获取无人机相对于地面客户端的飞行方向α，本发明通过以下式子计算

其中，v′表示无人机到用户直射路径方向上的速度分量，

是该直射路径速度分量的平均值，利用无人机GPS坐标将直接路径距离变化除以时间间隔计算得到，为减小无人机GPS精度的影响，将飞行距离大于1m时对应的时间间隔作为计算

的标准。

是该时间间隔内的平均绝对飞行速度。我们可以求得无人机从一个衰落位置到另一个衰落位置的绝对飞行距离为

并且通过方程

便可预测相应的衰落周期为T_fading，从而为信道预测提供可靠的衰落频率与信道波动信息。

在预测信道方向D_k的变化时，由于

在信号衰落期间发生显著变化(根据之前的建模可知)，因此预测的关键在于探测信号衰落开始和结束的时刻。由于衰落期间的信号原始信噪比SNR_orig通常低于衰落前后的值，因此，设置信噪比衰落阈值来指示衰落的开始时刻t_s和结束时刻t_e。根据测试与实验经验，该阈值设置为过去信噪比波动范围的中间值。一旦检测到新预测的SNR_orig，km或SNR_orig，k1小于各自的阈值时，采用基于过去

测量值的线性函数来拟合

的变化并预测未来值，如图5所示。从衰减开始到结束，一旦得到新的

测量值，该线性函数更新。当衰落结束后，相位差

变得相对稳定，便可以直接利用上一次测量值而不需要进行预测。值得注意的是，当两个信道h_km、h_k1都处于衰落期间时，由于两个信道具有相似的相位变化趋势，所以相位差保持相对稳定。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种无人机MU-MIMO的速率自适应方法，其特征在于，包括：

S1.获取无人机实时飞行状态数据，并测量上行链路信道状态信息；所述上行链路指从地面通信设备到无人机的通信链路；

S2.构建信号相位差随无人机飞行状态变化的模型；其中，信号相位差表示地面设备k到无人机第m根天线的信道相位与到无人机第1根天线的信道相位之差；

S3.基于无人机速度和位置预测衰落周期，基于预测得到的衰落周期和未受干扰的信噪比历史数据预测未受干扰的信噪比未来变化；

S4.根据构建的相位差变化模型，结合预测得到的未受干扰信噪比预测相位差未来变化；

S5.根据预测得到的未受干扰信噪比和相位差，计算用户间干扰和预测受干扰后的信噪比，选择上行链路的最佳调制编码方案与传输速率。

2.根据权利要求1所述的一种无人机MU-MIMO的速率自适应方法，其特征在于，根据信道互易性测量上行链路的信道状态信息。

3.根据权利要求1所述的一种无人机MU-MIMO的速率自适应方法，其特征在于，未受干扰的信噪比预测过程具体为，

实时获取无人机到各地面设备间的距离和无人机的飞行速度，预测无人机与各地面通信设备通信时的衰落周期；

用二次多项式函数曲线拟合未受干扰的信噪比历史数据；其中，二次多项式函数曲线的对称轴由衰落周期确定；

利用二次多项式函数曲线预测信噪比未来变化。

4.根据权利要求3所述的一种无人机MU-MIMO的速率自适应方法，其特征在于，衰落周期的预测过程具体为，

通过

计算无人机从一个衰落位置到另一个衰落位置的绝对飞行距离；

其中，Δd_d＝d_d,β-d_d,β-1，

α为无人机相对于地面设备的飞行方向；d_U表示无人机高度，d_H表示无人机与地面设备的水平距离；γ表示地面反射路径距离与直射路径距离的比值，β表示任意整数，λ表示各子载波对应的波长，d_d,β表示直射路径的链路距离；

通过

预测相应的衰落周期为T_fading。

5.根据权利要求4所述的一种无人机MU-MIMO的速率自适应方法，其特征在于，

其中，v′表示无人机到地面设备直射路径方向上的速度分量，

是该直射路径速度分量的平均值，

是计算

时采取的时间间隔内的平均绝对飞行速度。

6.根据权利要求3所述的一种无人机MU-MIMO的速率自适应方法，其特征在于，信号相位差预测具体过程为，

当预测得到的未受干扰的信噪比低于衰落检测阈值时，采用线性函数拟合相位差历史数据，并根据拟合结果预测未来相位差；

当预测得到的未受干扰的信噪比高于衰落检测阈值时，采用上一时刻相位差测量值作为当前预测值；其中，衰落检测阈值为未受干扰的信噪比历史数据的中值。

7.根据权利要求1所述的一种无人机MU-MIMO的速率自适应方法，其特征在于，受干扰后的信噪比

为：

表示未受干扰前的信噪比，

表示垂直于1～k-1用户信道方向所构成平面的垂直向量。

8.一种无人机MU-MIMO的速率自适应装置，其特征在于，包括多用户多输入多输出的无线通信收发器和测量无人机飞行状态的传感器；所述多用户多输入多输出的无线通信收发器采用M天线无人机作为无线接入点，K个单天线地面通信设备作为无线信号发射器；K<M；

所述测量无人机飞行状态的传感器用于实时测量无人机的飞行状态数据；

所述地面通信设备，用于根据权利要求1-7所述的无人机MU-MIMO的速率自适应方法选择上行链路的最佳调制编码方案与传输速率。

9.一种无人机MU-MIMO的速率自适应***，其特征在于，包括：

无人机飞行状态获取模块，用于实时读取无人机飞行状态数据，并周期性广播给地面通信设备；

信道测量模块，用于测量各地面通信设备到无人机的上行链路CSI；

信道衰落周期预测模块，用于基于无人机速度和位置，预测无人机与各地面通信设备通信时的衰落周期；

信道预测模块，用于基于预测得到的衰落周期和未受干扰的信噪比历史数据预测未受干扰的信噪比未来变化，并根据预测得到的未受干扰信噪比以及相位差历史数据预测相位差未来变化；

干扰计算模块，用于根据预测得到的未受干扰信噪比和相位差，计算各地面通信设备同时与无人机通信时的互相干扰大小，以及受干扰后的信噪比；

通信与速率调节模块，用于根据受干扰后的信噪比选择各地面通信设备的最佳调制编码方案与传输速率。

Images