樊宽刚, 张小根, 刘汉森

(1.江西理工大学 电气工程与自动化学院,江西 赣州 341000； 2.江西理工大学 机电工程学院,江西 赣州 341000；3.江西理工大学 永磁磁浮技术与轨道交通研究院,江西 赣州 341000)

0 引 言

目标定位算法一般可分为三种类型：一类为到达时间(time of arrival,TOA)[2,3],组合多个(至少3个)天线从而推断出无人机(unmanned aerial vehicle,UAV)的空间位置；二类为到达时间差(time difference of arrival,TDOA)[4,5],利用接收信号的绝对时间差与接收天线比较,从而推断出无人机的位置；三类接收信号强度(received signal strength,RSS),基于每个节点接收的信号强度估计目标无人机的位置。与TDOA和TOA方法相比,RSS方法所要求的时间精度较低,可以利用现有的无线基础设施即可实现定位。

YOLOv3模型通过摄像头检测是否存在无人机及利用多个摄像头提供的位置信息对无人机进行定位。由于无人机体积较小,在视频中观察到的目标散射截面积和运动姿态与鸟类极为相似,这将导致定位的准确度不高。文献利用正则化成对约束组件分析对无人机跟踪定位,通过WiFi保证数据的实时传输。文献研究多旋翼无人机微多普勒效应从而实现无人机定位,但微多普勒效应属于精细信号,很容易被其他信号淹没。文献[10]提出了一种结合二维光流信息与六自由度信息进行运动估计的定位方法,但是方法仅限于室内情况且定位精度受采样速率影响。

针对现有的忽略无线电地图的分段传播结构问题,本文提出了一种通过分段重建精细结构的无线电地图方法。方法基于路径损耗和阴影衰落模型,通过测量多个天线的信号强度来定位无人机,采用最大似然法解决多个参数估计问题,最后通过迭代聚类重建无线电地图。

1 路径损耗与阴影衰落模型

无线电信号在自由和均匀空间传播条件下，路径损耗与距离呈对数衰减关系,通过叠加路径损耗模型和阴影衰落模型,可以同时反映随着距离增加而减少功率和由阴影引起路径损耗的随机衰减(dB)如式(1)

其中

K=20lg(λ/4πd0)

2 重构无线电地图

2.1 实验场景

英国布里斯托尔市中心空对地通道的测量结果表明[11]：传播条件分为LOS、阻碍LOS和NLOS,阴影标准偏差σ分别约为1,3,5 dB。基于该结果可知,如果能够识别更多的传播段,则式(1)中的ψ的方差将减小,因此I分段的信道模型可以高精度地预测信道。

实际应用场景：将一部或多部信号接收传感器置于楼顶等无信号接收遮挡覆盖的空旷区域。当有无人机进入监控范围内,传感器会自动识别已接收无人机的无线信号,进行预处理后传送到住房中用户的上位机中,便于后续对系统的操控以及对接收到的数据进行处理;当无人机在城市中盘旋时,安放于不同楼房的信号接收传感器均能够对无人机的无线信号进行接收。如图1所示,将多旋翼无人机盘旋在空中的位置表示为XU,且无人机在距地面约35 m的高度运动,天线XS安装在屋顶上。

图1 实验场景实景拍摄

本文中设置了6个点来测量RSS,并且从每个点的8个方向进行测量。各个点的测量距离范围如表1所示。

表1 每个点的测量距离范围

2.2 重构无线电地图

假设(x(l),y(l))属于第i个传播段,则分段模型可写成

y=10lgKi-10γilgd-ψi

(2)

(x,y,z)的联合概率密度可以写为

f(x,y,z)=P{X=x,Y=y|Zi=1}P{Zi=1}

(3)

其中

再将式(3)代入式(4),得

因此,式(5)中的MLE问题的解如式(6)～式(8)所示

其中

3 实验分析

为了验证分段DC方法的优势,本文通过由式(9)定义的RMSE来评估性能

实验过程中一共采集了约25 000个样本,以2 500个数据为一个数据段,通过式(9)计算得到的准确度和RMSE如图2所示。经过实验比对发现,随机选取10 000个数据样本所得到的实验结果与全部实验数据所得出的结果类似,因此重建无线电地图只选用10 000个数据。

图2 DC方法重建的PCI和RSRP

分段DC,KNN和SVR的重建PCI结果如图3所示。其中DC重建结果略好于KNN和SVR。观察KNN和SVR重建的结果,可以知道某些值是错误的,但是分段DC则巧妙地避开了这些错误的值。

图3 三种方法重建PCI

图4显示了分段DC,KNN和SVR的重建RSRP结果。观察RSRP的重建结果可以明显地看出分段DC方法较好地达到了预期效果,且明显优于KNN和SVR。

图4 三种方法重建RSRP

根据式(9)计算10 000个数据样本得到准确度和RMSE值分布在表2。

表2 PCI和RSRP评估指标

图5显示了分段的信道模型(1)的RMSE与训练样本数N的关系。观察到随着训练样本大小N的增加而RMSE减小,分段DC使用相同的训练样本获得了比KNN和SVR方法更低的RMSE。

图5 重建误差与训练样本数N的关系

4 结 论

本文针对现有的忽略无线电地图的分段传播结构方法,提出了一种通过分段重建精细结构的无线电地图方法,构建了分段和接收信号强度模型,采用最大似然法解决多个参数估计问题,并通过迭代聚类重建无线电地图。PCI和RSRP的重建结果较好地达到了预期效果。实验结果表明:本文所提出来的方法与KNN和SVR相比,在10 000个训练样本中RMSE重建误差更小且准确度更高。

1)SVR方法PCI和RSRP的RMSE值分别为0.601 1和2.858 1,通过分段DC方法,PCIRMSE降低了54 %为0.276 0,RSRP的RMSE降低了35 %为1.863 4。

2)KNN方法PCI和RSRP的RMSE值分别为0.330 1和2.132 5,通过分段DC方法,PCI的RMSE降低了16 %为0.276 0,RSRP的RMSE降低了13 %为1.863 4。