一种基于认知学习的无人机多阶段信号源定位方法和系统技术方案

本发明专利技术提供一种基于认知学习的无人机多阶段信号源定位方法和系统，其中方法包括S1，计算天线阵列的平均接收信号强度；S2，根据天线阵列的初始平均接收信号强度计算信号测量可靠度；S3，判断信号测量可靠度是否大于等于信号测量可靠度阈值；S4，如果是，则计算信号源相对方位角和俯仰角；S5，根据信号源相对方位角和俯仰角计算信号源位置；S6，如果否，则计算信号源位置估计经验；S7，根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角，并返回执行步骤S5的操作。本发明专利技术具有在大规模搜索区域和未知富散射环境中保持高搜索成功率和低搜索耗时的优点。搜索成功率和低搜索耗时的优点。搜索成功率和低搜索耗时的优点。

【技术实现步骤摘要】
一种基于认知学习的无人机多阶段信号源定位方法和系统


[0001]本专利技术属于阵列信号处理
，尤其涉及一种基于认知学习的无人机多阶段信号源定位方法和系统。

技术介绍

[0002]射频信号源的高效搜索和精确定位已成为各种民用和军事应用的关键问题，如空中监视、卫星干扰定位、搜索和救援。由于射频信号源在大多数应用中都是未知的，通过处理接收信号强度(Received signal strength，RSS)或者到达方向(Direction ofarriva，DOA)等信号测量值来实现被动定位吸引了大量的研究兴趣。为了高效、准确地搜索和定位，无人机路径规划变得至关重要。路径规划的目标是为无人机连续确定航路点，以收集高信噪比的射频信号测量。现有的用于信号源搜索和定位的轨迹规划算法大致可分为离线(静态)路径规划和在线(动态)轨迹规划两大类。离线轨迹规划在无人机起飞前采取固定或随机的移动模式，而在线轨迹规划根据无人机实时接收到的信息决定飞行路线。
[0003]Z.Li等人在其发表的论文“Multiple radio transmitter localization via UAV
‑
based mapping”(IEEE Transactions onVehicular Technology，vol.70,no.9,pp.8811
–
8822,Sept.2021)中采取阿基米德螺旋线作为无人机路径规划方法，无人机沿着固定的阿基米德螺旋线飞行，通过搭载的天线阵列多次捕获的信号测量结果对信号源完成定位。然而，该算法存在的不足之处是：当面对一个更大的搜索区域时，利用固定模式的算法遍历搜索整个区域的效率往往比较低。基于随机运动模式的搜索算法，被认为是高不确定性环境下的有效解决方案。
[0004]D.Ebrahimi等人在其发表的论文“Autonomous UAVtrajectory for localizing groundobjects:Areinforcement learning approach”(IEEE Transactions on Mobile Computing,vol.20,no.4,pp.1312
–
1324,Apr.2021)中，根据RSS信息，用强化学习算法Q学习决定无人机下一步的动作，即飞向周围的某一个网格，从而实现逐渐减少目标定位误差的目的。现有的强化学习算法对状态和奖励的建模主要是基于RSS。在城市等富散射环境中，由于多径和噪声导致接收信号强度剧烈变化，难以准确估计接收信号强度值，这些算法的性能都会受到影响。此外，上述算法没有考虑较大搜索区域中持续变化的信噪比对无人机路径优化的影响。
[0005]申请公布号CN106970648A公开了城市低空环境下无人机多目标路径规划联合搜索方法，该方法根据静态已知障碍物和飞行过程中探测到的障碍物，分别构建静态和动态安全指数地图，规划了一条从起点到终点的代价最小路径。然而，该技术存在的不足之处是需要有环境障碍物和路径终点的先验知识，不适用于高度动态和未知的环境。

技术实现思路

[0006]本专利技术针对现有技术中的不足，提供一种基于认知学习的无人机多阶段信号源定位方法和系统。
[0007]第一方面，本专利技术提供一种基于认知学习的无人机多阶段信号源定位方法，包括：
[0008]S1，计算天线阵列的平均接收信号强度；
[0009]S2，根据天线阵列的初始平均接收信号强度计算信号测量可靠度；
[0010]S3，判断信号测量可靠度是否大于等于信号测量可靠度阈值；
[0011]S4，如果是，则计算信号源相对方位角和俯仰角；
[0012]S5，根据信号源相对方位角和俯仰角计算信号源位置；
[0013]S6，如果否，则计算信号源位置估计经验；
[0014]S7，根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角，并返回执行步骤S5的操作。
[0015]进一步地，所述计算天线阵列的初始平均接收信号强度，包括：
[0016]根据以下公式计算目标时隙天线阵列接收到的信号：
[0017][0018]其中，y
t,k
为t＝0时隙第k个快拍时天线阵列接收到的信号；A(θ
t
,φ
t
)为接收天线阵列导向矩阵；和分别为x轴方向和y轴方向的导向向量；T为矩阵的转置；j为虚数单位；M
x
和M
y
分别为天线阵列在x轴方向和y轴方向的阵元个数；u
x,t
＝2πdsinθ
t cosφ
t
/λ和u
y,t
＝2πdsinθ
t sinφ
t
/λ；d为阵元间隔；λ为波长；θ
t
和φ
t
分别为t时隙信号源目标相对于无人机的俯仰角和方位角；s
t,k
为t时隙第k个快拍时的信号样本强度；建模为复高斯随机变量服从0均值、为方差的复高斯分布；为t时隙第k个快拍时的噪声向量，服从0均值、I为方差的复高斯分布，I为单位向量；为M
×
1维的复数集合；K为每个时隙的快拍数；Y
t
为t时隙天线阵列接收到的信号；
[0019]根据以下公式计算目标时隙天线阵列平均接收信号强度：
[0020][0021]其中，D
t
为t时隙天线阵列平均接收信号强度；M＝M
x
·
M
y
，为天线阵元总数；||
·
||
F
为Frobenius范数。
[0022]进一步地，所述根据天线阵列的初始平均接收信号强度计算信号测量可靠度，包括：
[0023]根据以下公式计算无人机飞行步长：
[0024][0025]其中，u和v为两个随机变量，
σ
v
＝1，β表示步长参数；表示上取整；
[0026]在无人机将抵达搜索区域外的情况下，根据以下公式计算无人机下一时隙的飞行方向：
[0027][0028]其中，和分别为t时隙无人机的横坐标和纵坐标；为t+1时隙的飞行方向；为t时隙飞行方向；x
lb
、x
hb
、y
lb
和y
hb
分别为搜索区域的横坐标下界、横坐标上界、纵坐标下界和纵坐标上界；
[0029]在无人机在搜索区域内飞行的情况下，根据以下公式计算无人机的飞行方向：
[0030][0031]其中，为无人机的飞行角度改变量；
[0032][0033]其中，ρ为与连续两个时隙之间飞行方向的相关系数；ζ∈[0,1]为符合高斯分布的随机变量，使得无人机飞行角度的改变值以0为均值；δ
t
表示无人机沿当前方向飞行的剩余步长；
[0034]根据以下公式计算下一时隙沿当前方向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于认知学习的无人机多阶段信号源定位方法，其特征在于，包括：S1，计算天线阵列的平均接收信号强度；S2，根据天线阵列的初始平均接收信号强度计算信号测量可靠度；S3，判断信号测量可靠度是否大于等于信号测量可靠度阈值；S4，如果是，则计算信号源相对方位角和俯仰角；S5，根据信号源相对方位角和俯仰角计算信号源位置；S6，如果否，则计算信号源位置估计经验；S7，根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角，并返回执行步骤S5的操作。2.根据权利要求1所述的无人机多阶段信号源定位方法，其特征在于，所述计算天线阵列的初始平均接收信号强度，包括：根据以下公式计算目标时隙天线阵列接收到的信号：其中，y
t,k
为t＝0时隙第k个快拍时天线阵列接收到的信号；A(θ
t
,φ
t
)为接收天线阵列导向矩阵；和分别为x轴方向和y轴方向的导向向量；T为矩阵的转置；j为虚数单位；M
x
和M
y
分别为天线阵列在x轴方向和y轴方向的阵元个数；u
x,t
＝2πdsinθ
t
cosφ
t
/λ和u
y,t
＝2πdsinθ
t
sinφ
t
/λ；d为阵元间隔；λ为波长；θ
t
和φ
t
分别为t时隙信号源目标相对于无人机的俯仰角和方位角；s
t,k
为t时隙第k个快拍时的信号样本强度；建模为复高斯随机变量服从0均值、为方差的复高斯分布；为t时隙第k个快拍时的噪声向量，服从0均值、为方差的复高斯分布，I为单位向量；为M
×
1维的复数集合；K为每个时隙的快拍数；Y
t
为t时隙天线阵列接收到的信号；根据以下公式计算目标时隙天线阵列平均接收信号强度：其中，D
t
为t时隙天线阵列平均接收信号强度；M＝M
x
·
M
y
，为天线阵元总数；
·
F
为Frobenius范数。3.根据权利要求1所述的无人机多阶段信号源定位方法，其特征在于，所述根据天线阵列的初始平均接收信号强度计算信号测量可靠度，包括：根据以下公式计算无人机飞行步长：其中，u和v为两个随机变量，
σ
v
＝1，β表示步长参数；表示上取整；在无人机将抵达搜索区域外的情况下，根据以下公式计算无人机下一时隙的飞行方向：其中，x
tu
和y
tu
分别为t时隙无人机的横坐标和纵坐标；为t+1时隙的飞行方向；为t时隙飞行方向；x
lb
、x
hb
、y
lb
和y
hb
分别为搜索区域的横坐标下界、横坐标上界、纵坐标下界和纵坐标上界；在无人机在搜索区域内飞行的情况下，根据以下公式计算无人机的飞行方向：其中，为无人机的飞行角度改变量；其中，ρ为与连续两个时隙之间飞行方向的相关系数；ζ∈[0,1]为符合高斯分布的随机变量，使得...

【专利技术属性】
技术研发人员：黄洋，阮天宸，崔皓禹，吴启晖，朱秋明，周涛，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：