CN117041993A - 一种多无人机编队感知资源联合调度方法、装置和*** - Google Patents
一种多无人机编队感知资源联合调度方法、装置和*** Download PDFInfo
- Publication number
- CN117041993A CN117041993A CN202310969992.8A CN202310969992A CN117041993A CN 117041993 A CN117041993 A CN 117041993A CN 202310969992 A CN202310969992 A CN 202310969992A CN 117041993 A CN117041993 A CN 117041993A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- perceived
- aerial vehicles
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 230000008447 perception Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明的实施例公开了一种多无人机编队感知资源联合调度方法、装置和***。本发明方法包括以下步骤:S1:推导多无人机的信号联合检测概率;S2:最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1;S3:将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3;S4:采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向;S5:基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。本发明解决了三维场景下多对多的检测问题,实现了对多无人机编队感知资源有效调度,实现多个目标感知性能最优化。
Description
技术领域
本发明涉及通信感知技术领域,具体为一种多无人机编队感知资源联合调度方法、装置和***。
背景技术
随着无线感知技术迅猛发展,多无人机编队协同感知方法得到越来越广泛的关注。多个感知无人机协同作业提升了目标感知效率,广泛应用于军事侦察、目标识别、电子对抗、战场评估等领域。因此,立足高精度、低延时的多无人机编队感知需求,结合空域、模糊区域、群智特性等要求,分析无人机优化部署位置及天线方向的内在演化规律,研究多层次感知资源联合调度方法。通过建立典型场景下感知节点拓扑关系与感知网络效用映射模型,设计高效的资源调度算法,实现对目标的精准感知与检测。
经过对现有技术检索发现,Wang.Weijia发表在2019年IEEE ACCESS期刊上的文章“Optimal Configuration Analysis of AOA Localization and Optimal HeadingAngles Generation Method for UAV Swarms”提出了二维空间的感知节点空域优化问题。然而在实际的军事场景中,该文章考虑的问题并不适用。第一是由于实际感知场景是三维场景,需考虑三维下的感知问题;第二是实际感知场景需要对多个目标进行联合检测,需考虑多对多的检测问题。
发明内容
本发明的实施例提供了一种多无人机编队感知资源联合调度方法、装置和***,可以在三维场景下实现多个目标感知性能最优化。
依据本发明的第一方面,提供了一种多无人机编队感知资源联合调度方法,所述方法应用于集群无人机侦察,包括以下步骤:
S1:基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导多无人机的信号联合检测概率;
S2:最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1;
S3:将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3;
S4:采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向;
S5:基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。
依据本发明的第二方面,提供了一种多无人机编队感知资源联合调度装置,所述装置应用于集群无人机侦察,包括以下模块:
检测概率推导模块,用于基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导多无人机的信号联合检测概率;
原问题构建模块,用于最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1;
问题转化模块,用于将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3;
从问题求解模块,用于采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向;
主问题求解模块,用于基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。
依据本发明的第三方面,提供了一种多无人机编队感知资源联合调度***,包括融合中心、多个无人机和多个待感知目标,所述多个待感知目标位于所述多个无人机的探测范围中,所述融合中心通信连接每个无人机,实时接收每个无人机传送的来自不同待感知目标的信号;
所述融合中心包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行,以实现前述的多无人机编队感知资源联合调度方法。
依据本发明的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个计算机程序,所述一个或多个计算机程序当被处理器执行时,实现前述的多无人机编队感知资源联合调度方法。
本发明各实施例的有益效果是:
本发明实施例提供的多无人机编队感知资源联合调度方法、装置和***,针对三维场景下的多个待感知目标,首先基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导基于信号能量检测的多无人机的信号联合检测概率;通过分析各项感知目标、优化变量和环境约束,最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题;然后通过将原问题简化为一个主问题和一个从问题,并采取块坐标下降算法求解从问题得到最优多无人机天线指向,采用块坐标下降算法求解主问题得到最优多无人机部署位置,从而解决了三维场景下多对多的检测问题,实现了对多无人机编队感知资源有效调度。本发明的方案可以在多个无人机频域、空域、波束域等资源受限条件下,仍能实现多个目标感知性能最优化,能够很好地适应未来的无线感知技术,使感知网络整体性能得到提升。此外特别说明的是,本发明的方案在求解主问题和从问题时均采用的是块坐标下降算法,取代了之前的采用吉布斯采样算法求解主问题,由于吉布斯采样算法在每次迭代过程中具有依概率转移不易收敛的瓶颈,本发明方案采用块坐标下降算法可保证每次迭代过程中目标函数稳定下降,从而加快了运算速率、提升了算法性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例提供的一种多无人机编队感知资源联合调度方法的流程示意图;
图2是本发明实施例采用的多无人机编队感知资源联合调度方法的***模型图;
图3是本发明实施例在无人机数目为5、目标数目为3时的感知网络部署示意图;
图4是本发明实施例的部署方案与两个基准部署方案的性能对比图;
图5是本发明实施例提供的一种多无人机编队感知资源联合调度装置的结构示意图;
图6是本发明实施例提供的一种多无人机编队感知资源联合调度***的框架示意图。
具体实施方式
下面将参照附图更详细地描述本发明实施例。提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1是本发明实施例提供的一种多无人机编队感知资源联合调度方法的流程示意图,图2是本发明实施例采用的多无人机编队感知资源联合调度方法的***模型图。参见图1和图2,本发明的方法是由多个无人机(UAV 1,UAV 2,…UAV M)和多个待感知目标(Target1,Target 2,Target 3,…Target K)构成的***来实现,本发明的方法包括如下步骤S1至步骤S5:
S1:基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导多无人机的信号联合检测概率。
该步骤S1具体包括:
在一个三维平面中,假设无人机的数目为M、第i个无人机的位置为qi=[xi,yi,H]T,其中xi,yi代表位置的横纵坐标,H代表位置高度;假设待感知目标数目为K、第k个目标的位置为qt,k=[xt,k,yt,k,zt,k]T,则某一无人机i到待感知目标k的距离、水平角和俯仰角如下:
di,k=||qt,k-qi||2
ψi,k=arctan(xt,k-xi,yt,k-yi)
每个无人机上装备一根定向天线,得到某一无人机i接收到待感知目标k信号的天线增益Gi,k(qi,ψi)及信噪比γi,k(qi,ψi)为:
其中θ表示为天线主瓣宽度、β0为当距离为1时的信道增益、Pk为待感知目标信号发送功率、Nt为定向天线阵元数目;
基于信噪比γi,k(qi,ψi)得到无人机i对于待感知目标k的能量检测概率Pi,k(qi,ψi)为:
其中Q表示为标准正态分布的右尾函数、N为接收信号采样数目、Pfa为感知***的虚警概率;
假设某一无人机i的频谱感知范围为(fi min,fi max),假设待感知目标k的传输频点集合为Fk,得到无人机i对待感知目标k在频点f上的信号检测概率为:
进而得到对于待感知目标k在频点f上,M个无人机的信号联合检测概率为:
S2:最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1。
该步骤S2具体为:
定义***的检测概率和函数为:
推广到实际场景,以最大化***的检测概率和函数为目标,构建多无人机感知资源联合调度的原问题P1如下:
P1:
其中,Q∈{q1,q2,...,qM}为无人机位置集合,D为可部署区域范围,Sl为无人机与目标最小距离限制,Rl为无人机间最小距离限制。
S3:将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3。
该步骤S3具体为:
为了简化问题,通过对问题等价转换,将所述原问题P1简化为一个从问题P2和一个主问题P3;
所述从问题P2为:在确定无人机编队部署位置的情况下,优化所有无人机的定向天线指向;并表示为:
P2:
所述主问题P3为:在得知最优定向天线指向的情况下,优化所有无人机的部署位置;并表示为:
P3:
其中Gdpi(Q,ψ)为每次执行从问题P2优化后的函数值。
S4:采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向。
块坐标下降算法的问题解决思路是:在每次迭代的过程中,只针对一个变量进行优化求解,其余变量保持不变,然后交替求解。
该步骤S4具体为:
S41.设定初始无人机天线指向的可行解为ψ(0),初始化迭代变量t1=0,最大迭代次数T1,max;
S42.设置天线指向ψ=ψ(1),产生随机排列的1到M的整数序列并设置变量l1=0;
S43.设定以及l1=l1+1;
S44.固定变量集合{ψ1,ψ2,...,ψm-1,ψm+1,...,ψM},寻找第m个无人机的最优天线指向为
S45.若l1≠M,重复步骤S43-S45;否则设置t1=t1+1,并设置
S46.重复步骤S42-S46,直至满足条件目标函数值不变或t1=T1,max。
S5:基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。
该步骤S5具体为:
S51.设定初始感知节点部署位置可行解为Q(0),初始化迭代变量t2=0,最大迭代次数T2,max;
S52.初始化迭代变量k=1、产生随机排列的1到P的整数序列
S53.设定
S54.初始化第m个感知节点的位置为其中/>表示/>第m个列向量;
S55.记初始定位性能最大值为设置步长常量Δ,定义在约束的可行域内第m个感知节点可能的四个位置坐标向量分别为qm,1=qm,0+Δ×[1,0,0]T、qm,2=qm,0+Δ×[-1,0,0]T、qm,3=qm,0+Δ×[0,1,0]T、qm,4=qm,0+Δ×[0,-1,0]T;分别计算对应位置时定位性能最大值
S56.寻找感知节点最佳移动方向
S57.若I≠0,令qm,0=qm,l,并重复步骤S55-S57;若I=0,更新的第m列更新迭代变量k=k+1,并重复步骤S53-S57,直至满足条件k=P;
S58.更新迭代变量t2=t2+1,重复步骤S52-S57,直至满足条件t2=T2,max或
图3是本发明实施例在无人机数目为5、目标数目为3时的感知网络部署示意图,其中deployable area表示多无人机编队的可部署区域,Minimum UAV-target1/2/3distance表示多无人机编队与各目标间的最小距离。图3中各参数具体设置为:无人机与目标间的最小距离为500米、无人机之间的最小距离为50米;3个目标(Target 1,Target 2,Target 3)的坐标分别为(2500,3000,450)、(2000,2000,450)、(3000,1500,450),频段集合分别为{105,110,…,240,245}、{205,210,…,340,345}、{305,310,315,…,390,395},发射功率分别为20dBm、20dBm、20dBm;5个无人机的频谱感知范围分别为[100,160]、[160,220]、[220,280]、[280,340]、[340,400]。从每个无人机引出的三条虚线中,中间的虚线表示定向天线的方向,两边的虚线表示的是定向天线的波束宽度。
通过Matlab软件对图3所设计的感知网络部署方案进行仿真验证,并将本发明的部署方案与两个基准部署方案性能进行比较得到图4,图4是本发明实施例的部署方案与两个基准部署方案的性能对比图,其中Proposed Scheme表示的是本发明实施例的部署方案,Baseline Scheme 1表示的是基于吉布斯采样算法的方案,Baseline Scheme 2表示的是基于随机部署的方案。图4中,纵坐标的Sum detection Probability表示感知网络的检测性能和速率,横坐标的Transmission power of targets表示目标的发射功率。由图4可以知道:随着目标的发射功率增大,***的目标感知性能逐渐变好。同时可以看出,对于相同的网络场景,本发明实施例部署方案的***性能优于其他两个基准部署方案的性能。由于吉布斯采样算法在每次迭代过程中具有依概率转移不易收敛的瓶颈,本发明方案在求解主问题和从问题时均采用的是块坐标下降算法,相较于Baseline Scheme 1基于吉布斯采样算法的方案,可保证每次迭代过程中目标函数稳定下降,从而加快了运算速率、提升了算法性能。表1对比了两种算法下,随着无人机数目增加时两种算法的运行时间。从表1可以看出:本发明提出的块坐标下降算法相比于吉布斯采样算法效率更高。
表1:
通过图4的性能仿真比较可知,本发明的方法针对多个待感知目标,分析各项感知目标、优化变量和环境约束,构建多感知无人机编队的部署和波束方向优化问题;并基于块坐标下降算法设计感知资源联合调度优化算法,实现了对多无人机编队感知资源有效调度。该方法在多个无人机频域、空域、波束域等资源受限条件下仍可仍能实现多个目标感知性能最优化,可以预见本发明方法能很好地适应未来的无线感知技术,使感知网络整体的性能得到提升。
与图1所示的多无人机编队感知资源联合调度方法同属于一个技术构思,本发明实施例还提供了一种多无人机编队感知资源联合调度装置。图5是本发明实施例提供的一种多无人机编队感知资源联合调度装置的结构示意图,本发明的装置包括:
检测概率推导模块510,用于基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导多无人机的信号联合检测概率;
原问题构建模块520,用于最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1;
问题转化模块530,用于将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3;
从问题求解模块540,用于采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向;
主问题求解模块550,用于基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。
图5所示装置中的各个模块的实现过程,可以参见前述的方法实施例,在此不再赘述。
与前述的多无人机编队感知资源联合调度方法同属于一个技术构思,本发明还提供了一种多无人机编队感知资源联合调度***。图6是本发明实施例提供的一种多无人机编队感知资源联合调度***的框架示意图,如图6所示,本发明实施例的***包括:
融合中心600、多个无人机(611,612,613,614,…)和多个目标(621,622,623,…),所述多个目标(621,622,623,…)位于所述多个无人机(611,612,613,614,…)的探测范围中,所述融合中心600通信连接每个无人机(611,612,613,614,…),实时接收每个无人机传送的来自不同待感知目标的信号;
所述融合中心600包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行,以实现前述的多无人机编队感知资源联合调度方法。
在实际的集群无人机侦察中,融合中心600可以部署在地面指挥站内,也可以部署在无人机集群中的一个无人机内。图6所示***中的融合中心600的实现过程,可以参见前述的方法实施例,在此不再赘述。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个计算机程序,该一个或多个计算机程序当被处理器执行时,实现前述的多无人机编队感知资源联合调度方法,在此也不再赘述。
综上所述,本发明实施例提供的多无人机编队感知资源联合调度方法、装置和***,针对三维场景下的多个待感知目标,首先基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导基于信号能量检测的多无人机的信号联合检测概率;通过分析各项感知目标、优化变量和环境约束,最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题;然后通过将原问题简化为一个主问题和一个从问题,并采取块坐标下降算法求解从问题得到最优多无人机天线指向,采用块坐标下降算法求解主问题得到最优多无人机部署位置,从而解决了三维场景下多对多的检测问题,实现了对多无人机编队感知资源有效调度。本发明的方案可以在多个无人机频域、空域、波束域等资源受限条件下,仍能实现多个目标感知性能最优化,能够很好地适应未来的无线感知技术,使感知网络整体性能得到提升。此外特别说明的是,本发明的方案在求解主问题和从问题时均采用的是块坐标下降算法,取代了之前的采用吉布斯采样算法求解主问题,由于吉布斯采样算法在每次迭代过程中具有依概率转移不易收敛的瓶颈,本发明方案采用块坐标下降算法可保证每次迭代过程中目标函数稳定下降,从而加快了运算速率、提升了算法性能。
最后需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本发明的实施例而已,并不用于限制本发明。本领域一般技术人员根据本发明公开的内容,可以采用其它多种具体实施方案实施本发明。因此,凡是采用本发明的设计结构和思路,做一些简单的变化或更改的设计,均应落入本发明的权利要求保护范围之内。
Claims (10)
1.一种多无人机编队感知资源联合调度方法,其特征在于,所述方法应用于集群无人机侦察,包括以下步骤:
S1:基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导多无人机的信号联合检测概率;
S2:最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1;
S3:将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3;
S4:采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向;
S5:基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。
2.根据权利要求1所述方法,其特征在于,所述步骤S1具体包括:
在一个三维平面中,假设无人机的数目为M、第i个无人机的位置为qi=[xi,yi,H]T,其中xi,yi代表位置的横纵坐标,H代表位置高度;假设待感知目标数目为K、第k个目标的位置为qt,k=[xt,k,yt,k,zt,k]T,则某一无人机i到待感知目标k的距离、水平角和俯仰角如下:
di,k=||qt,k-qi||2
ψi,k=arctan(xt,k-xi,yt,k-yi)
每个无人机上装备一根定向天线,得到某一无人机i接收到待感知目标k信号的天线增益Gi,k(qi,ψi)及信噪比γi,k(qi,ψi)为:
其中θ表示为天线主瓣宽度、β0为当距离为1时的信道增益、Pk为待感知目标信号发送功率、Nt为定向天线阵元数目;
基于信噪比γi,k(qi,ψi)得到无人机i对于待感知目标k的能量检测概率Pi,k(qi,ψi)为:
其中Q表示为标准正态分布的右尾函数、N为接收信号采样数目、Pfa为感知***的虚警概率;
假设某一无人机i的频谱感知范围为(fi min,fi max),假设待感知目标k的传输频点集合为Fk,得到无人机i对待感知目标k在频点f上的信号检测概率为:
进而得到对于待感知目标k在频点f上,M个无人机的信号联合检测概率为:
3.根据权利要求2所述方法,其特征在于,所述步骤S2具体包括:
定义***的检测概率和函数为:
推广到实际场景,以最大化***的检测概率和函数为目标,构建多无人机感知资源联合调度的原问题P1如下:
其中,Q∈{q1,q2,...,qM}为无人机位置集合,D为可部署区域范围,Sl为无人机与目标最小距离限制,Rl为无人机间最小距离限制。
4.根据权利要求3所述方法,其特征在于,所述步骤S3具体包括:
通过对问题等价转换,将所述原问题P1简化为一个从问题P2和一个主问题P3;
所述从问题P2为:在确定无人机编队部署位置的情况下,优化所有无人机的定向天线指向;并表示为:
所述主问题P3为:在得知最优定向天线指向的情况下,优化所有无人机的部署位置;并表示为:
其中Gdpi(Q,ψ)为每次执行从问题P2优化后的函数值。
5.根据权利要求4所述方法,其特征在于,所述步骤S4具体包括:
S41.设定初始无人机天线指向的可行解为ψ(0),初始化迭代变量t1=0,最大迭代次数T1,max;
S42.设置天线指向ψ=ψ(1),产生随机排列的1到M的整数序列Θ(t1),并设置变量l1=0;
S43.设定以及l1=l1+1;
S44.固定变量集合{ψ1,ψ2,...,ψm-1,ψm+1,...,ψM},寻找第m个无人机的最优天线指向为
S45.若l1≠M,重复步骤S43-S45;否则设置t1=t1+1,并设置
S46.重复步骤S42-S46,直至满足条件目标函数值不变或t1=T1,max。
6.根据权利要求5所述方法,其特征在于,所述步骤S5具体包括:
S51.设定初始感知节点部署位置可行解为Q(0),初始化迭代变量t2=0,最大迭代次数T2,max;
S52.初始化迭代变量k=1、产生随机排列的1到P的整数序列
S53.设定
S54.初始化第m个感知节点的位置为其中/>表示/>第m个列向量;
S55.记初始定位性能最大值为设置步长常量Δ,定义在约束的可行域内第m个感知节点可能的四个位置坐标向量分别为qm,1=qm,0+Δ×[1,0,0]T、qm,2=qm,0+Δ×[-1,0,0]T、qm,3=qm,0+Δ×[0,1,0]T、qm,4=qm,0+Δ×[0,-1,0]T;分别计算对应位置时定位性能最大值
S56.寻找感知节点最佳移动方向
S57.若I≠0,令qm,0=qm,l,并重复步骤S55-S57;若I=0,更新的第m列/>更新迭代变量k=k+1,并重复步骤S53-S57,直至满足条件k=P;
S58.更新迭代变量t2=t2+1,重复步骤S52-S57,直至满足条件t2=T2,max或
7.一种多无人机编队感知资源联合调度装置,其特征在于,所述装置应用于集群无人机侦察,包括以下模块:
检测概率推导模块,用于基于设定的编队内无人机个数、无人机感知频段范围、无人机可部署区域、无人机间距离约束、待感知目标个数、待感知目标频点集合、待感知目标位置及环境参数,推导多无人机的信号联合检测概率;
原问题构建模块,用于最大化所述多无人机的信号联合检测概率,构建多无人机感知资源联合调度的原问题P1;
问题转化模块,用于将所述原问题P1转化为多无人机天线指向优化的从问题P2及多无人机部署优化的主问题P3;
从问题求解模块,用于采用块坐标下降算法对所述从问题P2进行求解,得到最优多无人机天线指向;
主问题求解模块,用于基于得到的最优多无人机天线指向,采用块坐标下降算法对所述主问题P3进行求解,得到最优多无人机部署位置。
8.一种多无人机编队感知资源联合调度***,其特征在于,包括融合中心、多个无人机和多个待感知目标,所述多个待感知目标位于所述多个无人机的探测范围中,所述融合中心通信连接每个无人机,实时接收每个无人机传送的来自不同待感知目标的信号;
所述融合中心包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行,以实现权利要求1~6中任一项所述的多无人机编队感知资源联合调度方法。
9.根据权利要求8所述***,其特征在于,所述融合中心部署在地面指挥站内,或者部署在无人机集群中的一个无人机内。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个计算机程序,所述一个或多个计算机程序当被处理器执行时,实现权利要求1~6任一项所述的多无人机编队感知资源联合调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969992.8A CN117041993A (zh) | 2023-08-03 | 2023-08-03 | 一种多无人机编队感知资源联合调度方法、装置和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969992.8A CN117041993A (zh) | 2023-08-03 | 2023-08-03 | 一种多无人机编队感知资源联合调度方法、装置和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117041993A true CN117041993A (zh) | 2023-11-10 |
Family
ID=88638402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969992.8A Pending CN117041993A (zh) | 2023-08-03 | 2023-08-03 | 一种多无人机编队感知资源联合调度方法、装置和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117041993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289725A (zh) * | 2023-11-27 | 2023-12-26 | 清华大学 | 无人机分布式通算一体资源调度方法和装置 |
-
2023
- 2023-08-03 CN CN202310969992.8A patent/CN117041993A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289725A (zh) * | 2023-11-27 | 2023-12-26 | 清华大学 | 无人机分布式通算一体资源调度方法和装置 |
CN117289725B (zh) * | 2023-11-27 | 2024-02-27 | 清华大学 | 无人机分布式通算一体资源调度方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110730031B (zh) | 一种用于多载波通信的无人机轨迹与资源分配联合优化方法 | |
CN113259836B (zh) | 一种irs辅助无人机通信网络联合优化方法 | |
CN109962727B (zh) | 临空通信混合波束赋形及非正交多址接入传输方法 | |
CN111245485B (zh) | 机载毫米波通信波束赋形与位置部署方法 | |
Jiang et al. | Optimal allocation of cooperative jamming resource based on hybrid quantum‐behaved particle swarm optimisation and genetic algorithm | |
CN111812599B (zh) | 博弈条件下基于低截获性能的组网雷达最优波形设计方法 | |
CN111490848B (zh) | 一种基于异构认知传感网的电子对抗侦察*** | |
CN117041993A (zh) | 一种多无人机编队感知资源联合调度方法、装置和*** | |
CN109143275A (zh) | 一种基于粒子群的小型化阵列天线抗干扰实现方法 | |
CN109450503B (zh) | 一种临空阵列通信非正交多址接入公平性传输方法 | |
CN110535518B (zh) | 一种宽波束发射波束形成优化设计方法 | |
Gu et al. | Localization with incompletely paired data in complex wireless sensor network | |
CN115567353B (zh) | 一种面向雷达组网***的干扰多波束调度和干扰功率联合优化方法 | |
CN110868734B (zh) | 一种基于频谱数据分析的无人机集群动态拓扑挖掘方法 | |
CN110082731B (zh) | 一种连续相位的mimo雷达最优波形设计方法 | |
Wei et al. | Radar assisted fast neighbor discovery for wireless ad hoc networks | |
CN110969186A (zh) | 基于通道检测的面向无线信号识别的对抗攻击防御方法与装置 | |
Shen et al. | Efficient remote compressed spectrum mapping in 3-d spectrum-heterogeneous environment with inaccessible areas | |
Matinkhah et al. | Unmanned aerial vehicles analysis to social networks performance | |
CN116701882B (zh) | 一种基于问答式学习的自适应多波束对准方法 | |
Hao et al. | Topology optimised fixed‐time consensus for multi‐UAV system in a multipath fading channel | |
CN117295090A (zh) | 一种面向无人机通感一体化***的资源分配方法 | |
CN109001690A (zh) | 基于馈电网络的时域空间域结合的雷达目标检测方法 | |
Ni et al. | The status quo and prospect of satellite network routing technology | |
CN115175089B (zh) | 一种基于均匀圆阵的无人机协同目标感知网络部署方法 |
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 |