一种山地茂林环境无人机通信资源与定位的联合优化方法技术

本发明专利技术公开了一种山地茂林环境无人机通信资源与定位的联合优化方法，涉及无人机通信技术领域，包括以下步骤，建立无人机辅助无线通信系统的系统模型，在建立系统模型的基础上，确定目标函数和约束，列出优化问题，针对优化问题提出算法，整体算法。本发明专利技术较传统强化学习方法，有效降低了动作空间维度，降低了计算复杂度；通过强化学习方法进行无人机悬停定位优化，有效避免了复杂信道模型导致的非凸性与较高的计算复杂度。与较高的计算复杂度。与较高的计算复杂度。

【技术实现步骤摘要】
一种山地茂林环境无人机通信资源与定位的联合优化方法


[0001]本专利技术涉及无人机通信
，尤其涉及一种山地茂林环境无人机通信资源与定位的联合优化方法。

技术介绍

[0002]近年来，无线设备数量的急剧增长以及相关的服务质量要求推动了第五代(5G)无线网络技术的发展。随着“万物互联”概念的提出，对超高数据速率、大规模连接等无线通信业务的需求迅速增长。虽然一些有潜力的技术，如毫米波和大规模多输入多输出(MIMO)，提供了一些有前途的解决方案，以保证无处不在的超高数据速率服务，但无线系统的性能仍然受到一些瓶颈的限制，如信道条件、通信环境等。特别是在一些人迹罕至的地区，如偏远的森林、通信基础设施不足的山区，或在信道条件差的紧急救援情况下，常用的通信设施和辅助通信网络变得不再可靠。而幸运的是，一方面，由许多小尺寸、低功耗、廉价的传感器节点组成的无线传感器网络(WSN)具有传感、计算和无线通信能力，能够在这些领域构建一个网络物理系统，实现与地面传感器节点的信息传输。另一方面，基于无人机(UAV)的无线通信系统为更大范围的信息交互提供了可行的解决方案，克服了传统地面通信系统的物理限制。由于其灵活性和低成本部署，无人机无线通信系统可以为地面传感器网络提供信息传输和通信辅助服务。
[0003]无人机的轨迹设计与规划是无人机通信的关键问题之一。目前已有的研究往往是在加性高斯白噪声(AWGN)信道条件下进行的，通过联合规划通信资源和无人机轨迹实现系统的最大吞吐量等性能指标。然而在实际系统中，各个传感器节点的通道环境通常并不理想，特别是在救灾或山地茂林的环境中。尤其是在山地茂林环境中，复杂遮挡与障碍物会导致信号的多径传播，从而导致较为复杂的衰落。另外，在多径环境中，无人机位置对信道状况的影响也将增大，这使得无人机通信的悬停位置或轨迹规划变得更为关键。因此亟需一种山地茂林环境无人机通信资源与定位的联合优化方法来改变这一现状。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种山地茂林环境无人机通信资源与定位的联合优化方法。其优点在于较传统强化学习方法，有效降低了动作空间维度，降低了计算复杂度；通过强化学习方法进行无人机悬停定位优化，有效避免了复杂信道模型导致的非凸性与较高的计算复杂度。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]一种山地茂林环境无人机通信资源与定位的联合优化方法，包括以下步骤：
[0007]步骤一：建立无人机辅助无线通信系统的系统模型
[0008]该空地无线通信系统由一架旋翼无人机和K个下行地面传感器节点组成，将无人机作为通信基站，下行地面传感器节点表示为集合OFDMA技术用于提供无人机和传感器之间的通信，系统带宽被平均分成N
F
个子载波，这些子载波表示为集合
在笛卡尔坐标系中，假设无人机悬停在空中，其位置用(x,y,z)表示；定义业务节点k固定于三维空间中坐标处，由此，利用距离计算公式表示无人机与业务节点k间的距离d
k
；利用仰角计算公式表示无人机与业务节点k间的仰角β
k
；考虑到山地茂林环境导致的多径传播环境，将无人机与业务节点之间的信道建模为遵循频率平坦的莱斯衰落信道模型，该链路中的莱斯因子可以建模为指数函数；
[0009]此外，在山地茂林的复杂环境中，由于散射环境的变化，信道可能会随时间变化，为了简化设计，我们将总通信时间T划分为N
T
个等长的时隙，即δt＝T/N
T
，且δt足够小到使得每个时隙内无人机与业务节点之间的信道可以视为恒量，进一步，将n作为时隙指标，该集合表示为因此，利用单球规则几何信道模型表示处于时隙n时子载波m上无人机与业务节点k的莱斯衰落信道模型；为了模拟山地茂林环境下的，业务节点周围的复杂散射环境，我们假设等效散射体分布在球面上；也就是说，对于业务节点k，我们假设N
k
个等效散射体分布在以业务节点k为中心，以r
k
为半径的球面上；另外，用表示业务节点k周围的等效散射体i，当子载波m在时隙n处用于服务业务节点k时，利用信道分量计算公式表述NLoS信道分量
[0010]步骤二：在建立系统模型的基础上，确定目标函数和约束，列出优化问题
[0011]定义来表示在时隙n处子载波m是否分配给业务节点k，即当时，子载波m分配给业务节点k；时则相反；为了避免多址干扰，给出了每个子载波最多只能服务于一个传感器节点的约束；因此，在子载波m上处于时隙n时，无人机与业务节点k间的通信速率可以表示为：
[0012][0013]其中为时隙n时子载波m在业务节点k处接收到的信噪比；定义在时隙n时服务于业务节点k的子载波m的通信功率为则可以将表示为：
[0014][0015]其中σ2表示每个子载波上加性噪声的功率；
[0016]由此，系统的吞吐量可以表示为：
[0017][0018]基于以上分析，可以将该优化问题表述为以下形式：
[0019][0020][0021][0022][0023][0024][0025]其中为业务节点k能够正常通信的最小通信速率；P
max
表示无人机的最大通信功率；和分别为通信调度变量和所有子载波传输功率变量的集合；
[0026]约束C1是为了保证业务节点k的最小传输速率，约束C2和C3是为了保证在任意时隙中，每个子载波最多可以分配给一个业务节点用于无人机通信；约束C4和C5为无人机发射功率的约束；
[0027]步骤三：针对优化问题提出算法
[0028]步骤二表示的优化问题是一个通常难以求解的混合整数非凸问题；为降低计算复杂度，我们通过分别固定无人机的位置和资源分配策略，将该复杂问题转化为两个子问题：子问题Ⅰ为给定无人机定位下的最优通信资源分配问题，子问题Ⅱ为给定的资源分配策略下的无人机定位优化问题；
[0029]子问题Ⅰ：通信资源分配优化
[0030]基于上述问题，在无人机的位置(x,y,z)固定的情况下，子问题Ⅰ可以表示为如下形式：
[0031][0032][0033][0034][0035][0036][0037]通过引入辅助变量和将二元变量进行松弛，可以将上述问题转化为如下的优化问题：
[0038][0039][0040][0041][0042][0043][0044]其中
[0045][0046]该问题满足强对偶性，通过求解该问题的对偶问题可以得到该问题的最优解；上述问题的拉格朗日函数可如下表示：
[0047][0048]其中分别表示约束C3、的拉格朗日乘子；在考虑最优解时，约束条件和被纳入到KKT条件中，上述问题的对偶问题可如下表示：
[0049][0050]s.t.α,β,ε≥0,
[0051][0052][0053]通过对偶分解，可以将对偶问题分为两层，并进行迭代求解，得到对偶问题的解：第一层，在给定拉格本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种山地茂林环境无人机通信资源与定位的联合优化方法，其特征在于，包括以下步骤：步骤一：建立无人机辅助无线通信系统的系统模型该空地无线通信系统由一架旋翼无人机和K个下行地面传感器节点组成，将无人机作为通信基站，下行地面传感器节点表示为集合OFDMA技术用于提供无人机和传感器之间的通信，系统带宽被平均分成N
F
个子载波，这些子载波表示为集合在笛卡尔坐标系中，假设无人机悬停在空中，其位置用(x,y,z)表示；定义业务节点k固定于三维空间中坐标处，由此，利用距离计算公式表示无人机与业务节点k间的距离d
k
；利用仰角计算公式表示无人机与业务节点k间的仰角β
k
；考虑到山地茂林环境导致的多径传播环境，将无人机与业务节点之间的信道建模为遵循频率平坦的莱斯衰落信道模型，该链路中的莱斯因子可以建模为指数函数；此外，在山地茂林的复杂环境中，由于散射环境的变化，信道可能会随时间变化，为了简化设计，我们将总通信时间T划分为N
T
个等长的时隙，即δt＝T/N
T
，且δt足够小到使得每个时隙内无人机与业务节点之间的信道可以视为恒量，进一步，将n作为时隙指标，该集合表示为因此，利用单球规则几何信道模型表示处于时隙n时子载波m上无人机与业务节点k的莱斯衰落信道模型；为了模拟山地茂林环境下的，业务节点周围的复杂散射环境，我们假设等效散射体分布在球面上；也就是说，对于业务节点k，我们假设N
k
个等效散射体分布在以业务节点k为中心，以r
k
为半径的球面上；另外，用表示业务节点k周围的等效散射体i，当子载波m在时隙n处用于服务业务节点k时，利用信道分量计算公式表述NLoS信道分量步骤二：在建立系统模型的基础上，确定目标函数和约束，列出优化问题定义来表示在时隙n处子载波m是否分配给业务节点k，即当时，子载波m分配给业务节点k；时则相反；为了避免多址干扰，给出了每个子载波最多只能服务于一个传感器节点的约束；因此，在子载波m上处于时隙n时，无人机与业务节点k间的通信速率可以表示为：其中为时隙n时子载波m在业务节点k处接收到的信噪比；定义在时隙n时服务于业务节点k的子载波m的通信功率为则可以将表示为：其中σ2表示每个子载波上加性噪声的功率；由此，系统的吞吐量可以表示为：
基于以上分析，可以将该优化问题表述为以下形式：基于以上分析，可以将该优化问题表述为以下形式：基于以上分析，可以将该优化问题表述为以下形式：基于以上分析，可以将该优化问题表述为以下形式：基于以上分析，可以将该优化问题表述为以下形式：基于以上分析，可以将该优化问题表述为以下形式：其中为业务节点k能够正常通信的最小通信速率；P
max
表示无人机的最大通信功率；和分别为通信调度变量和所有子载波传输功率变量的集合；约束C1是为了保证业务节点k的最小传输速率，约束C2和C3是为了保证在任意时隙中，每个子载波最多可以分配给一个业务节点用于无人机通信；约束C4和C5为无人机发射功率的约束；步骤三：针对优化问题提出算法步骤二表示的优化问题是一个通常难以求解的混合整数非凸问题；为降低计算复杂度，我们通过分别固定无人机的位置和资源分配策略，将该复杂问题转化为两个子问题：子问题Ⅰ为给定无人机定位下的最优通信资源分配问题，子问题Ⅱ为给定的资源分配策略下的无人机定位优化问题；子问题Ⅰ：通信资源分配优化基于上述问题，在无人机的位置(x,y,z)固定的情况下，子问题Ⅰ可以表示为如下形式：可以表示为如下形式：可以表示为如下形式：可以表示为如下形式：可以表示为如下形式：可以表示为如下形式：通过引入辅助变量和将二元变量进行松弛，可以将上述问题转化为如下的优化问题：
其中其中该问题满足强对偶性，通过求解该问题的对偶问题可以得到该问题的最优解；上述问题的拉格朗日函数可如下表示：其中分别表示约束C3、的拉格朗日乘子；在考虑最优解时，约束条件和被纳入到KKT条件中，上述问题的对偶问题可如下表示：s.t.α,β,ε≥0,s.t.α,β,ε≥0,通过对偶分解，可以将对偶问题分为两层，并进行迭代求解，得到对偶问题的解：第一层，在给定拉格朗日乘子α,β,ε的条件下，通过优化子载波分配和通信功率来最大化拉格朗日函数；第二层，对于给定的子载波分配和通信功率通过优化拉格朗日乘子α,β,ε来最小化拉格朗日函数；对于第一层进行求解：定义和为子问题Ⅰ的最优解；令
则时隙n处对于业务节点k在子载波i上的最优功率分配可由如下表示：拉格朗日乘子α
k
[n]和ε[n]分别保证了在上述问题达到最优解时，满足业务节点的最小通信速率约束和无人机的最大发射功率约束根据KKT条件，下式在上述问题的最优点成立：通过对拉格朗日函数关于求导得到最优子载波分配，其表达式为：由于上述公式与无关，综合考虑约束C3后，无人机在每个时隙n的子载波m上的最优业务节点调度为：对于第二层进行求解：为了上述式中的与以拉格朗日乘子为变量的最小化问题，采用梯度法更新拉格朗日乘子，梯度法更新拉格朗日乘子，梯度法更新拉格朗日乘子，式中，l1≥1为子问题Ⅰ的迭代指标，δ
u
(l1),u∈{1,...,3}为步长；因此，子问题Ⅰ可以通过迭代更新拉格朗日乘子和资源分配变量来求解；子问题Ⅱ：无人机定位优化基于上述问题，在给定无人机通信资源分配策略的情况下，子问题II可以表示为如下形式：
传统优化方法处理子问题II的复杂度较高；因此，为了及时获得无人机悬停位置决策，我们使用强化学习对该优化问题进行变换，然后设计了一种基于DDPG的解决算法；具体来说，控制器执行智能体的角色，控制器之外的东西都被视为环境；定义S
RL
为环境状态空间；对于每个属于S
RL
的状态s
RL
，智能体都会根据当前的策略π从动作空间A中选择资源分配动作a，其中π代表了从S
RL
到A的映射；通过在环境中执行，将奖励r返回给智能体并用于指导策略更新，直到获得最优策略；处于状态时，我们可以将环境状态表示为：分别用Δx、Δy、Δz表示无人机在x、y、z轴正方向上的移动距离，则通过以下等式可以表示智能体采取的动作a
q
：a
q
＝Δx,Δy,Δz当智能体根据接收到的奖励r更新策略π时，为了获得能够实现原问题中目标函数的最优策略，两个奖励定义如下：即下一个状态下业务节点的总吞吐量与当前状态总吞吐量之差表示在状态下执行动作a
q
的...

【专利技术属性】
技术研发人员：李睿德，武婧赫，张仕科，温晓雯，高翔，卜祥元，安建平，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：