基于多源感知数据的信道预测与自适应传输方法

摘要: 本发明涉及无线通信,尤其涉及一种基于多源感知数据的信道预测与自适应传输方法,可应用于无人机低空通信、车联网通信、机器人协作通信等具有高动态特性及复杂环境的无线通...
基于多源感知数据的信道预测与自适应传输方法

本发明涉及无线通信,尤其涉及一种基于多源感知数据的信道预测与自适应传输方法,可应用于无人机低空通信、车联网通信、机器人协作通信等具有高动态特性及复杂环境的无线通信场景。

背景技术:

1、目前,在移动通信及无人机中继通信等高动态场景中,通信系统通常依赖于实时获取的信道状态信息(csi)来调整传输参数以保障通信质量。然而,现有技术存在以下问题:一方面,在高动态环境下,信道变化极快,获取精确的实时csi需要消耗大量导频资源且反馈时延显著,导致传输参数调整往往滞后于信道实际变化,造成策略失配;另一方面,现有的基于位置的信道预测方案大多仅考虑静态环境因素,忽略了周边动态目标(如其他飞行器或移动车辆)对信道的瞬时遮挡与散射影响,难以应对复杂动态场景下的信道突变,导致通信可靠性下降。

2、在信道预测与自适应传输方面,现有技术主要采用基于导频的信道估计结合自适应调制编码(amc)的方案。具体而言,通信发送端周期性地发送已知导频序列,接收端根据导频信号的衰落特性估计当前信道状态,并通过反馈链路将csi回传至发送端,发送端据此选择匹配的调制编码方案(mcs)等级和发射功率。此外,部分方案引入了基于射线追踪或统计信道模型的位置辅助预测方法,利用通信节点的地理位置信息和预知的静态环境地图(如建筑物轮廓、地形高程模型)来估算路径损耗和阴影衰落,从而在一定程度上减少对导频资源的依赖。然而,上述方案存在明显不足:基于导频的方案在高动态场景下面临严重的“估计——反馈——执行”时延问题,当通信节点高速移动时,csi在反馈完成时已不再反映当前信道真实状态,导致所选传输参数与实际信道条件失配,引发吞吐量下降或传输中断;而基于射线追踪或统计模型的位置辅助方案虽然能够利用静态环境信息辅助预测,但其建模过程通常假设环境中的散射体和遮挡体为固定不变的,无法刻画周边动态目标(如其他飞行器、移动车辆等)对信道造成的瞬时遮挡、散射和多径变化,在动态目标密集的场景中预测精度显著下降。

3、在多源感知数据的利用方面,随着低空监测系统的不断发展,目前已能够通过北斗/gnss定位、ads-b广播式自动相关监视、机载视觉传感器及激光雷达等多种手段获取无人机等通信节点的精确位置、飞行姿态、周边飞行器态势以及周边环境的三维地理信息。然而,这些丰富的感知数据目前主要被应用于飞行导航、空域管理和碰撞预警等领域,尚未被有效引入通信系统的信道预测与传输参数优化环节。现有通信系统在进行传输决策时,仍然主要依赖物理层的导频测量结果,而未能将上述多维感知数据作为信道状态预测的辅助输入。这种感知数据与通信决策之间的割裂,使得通信系统无法充分利用已有的环境感知能力来提前预判信道质量变化趋势,在信道发生突变时只能被动响应而非主动适配,制约了高动态场景下通信系统的可靠性和自适应能力。

4、因此,急需一种能够融合多维感知数据、降低对实时csi依赖并适应高动态环境的信道预测与自适应传输方案。

技术实现思路

1、本发明要解决的技术问题是克服现有技术的不足,特别针对现有技术在低空高动态通信场景下,因信道状态反馈滞后、环境遮挡与周边动态目标干扰导致的传输参数适配性差、通信链路可靠性不足的缺陷,提供一种能够提前预判环境遮挡与动态干扰、降低反馈时延、实现传输参数前瞻配置的基于多源感知数据的信道预测与自适应传输方法。

2、为解决上述技术问题,本发明采用以下技术方案。

3、一种基于多源感知数据的信道预测与自适应传输方法,包括以下步骤:

4、获取目标通信节点的多源感知数据,所述多源感知数据包括所述目标通信节点的自身位姿数据、周边静态环境数据、周边动态目标的态势数据以及历史信道数据;所述自身位姿数据包括所述目标通信节点的位置信息、速度信息、航向信息、姿态信息以及移动意图信息,所述移动意图信息是基于所述目标通信节点的预置飞行任务或实时航线规划信息确定的;

5、基于所述多源感知数据构建输入特征向量,所述输入特征向量包括空间几何特征、动态相对运动特征、预测轨迹特征以及时序演变特征,其中,所述空间几何特征表征所述目标通信节点与所述周边静态环境之间的空间几何关系,所述动态相对运动特征表征所述目标通信节点与所述周边动态目标之间的相对运动状态,所述预测轨迹特征是基于所述自身位姿数据中的当前轨迹和所述移动意图信息外推得到的,所述预测轨迹特征表征所述目标通信节点在未来预测时段内的运动状态变化趋势,所述时序演变特征表征所述历史信道数据的时序变化规律;

6、将所述输入特征向量输入至信道预测模型,所述信道预测模型包括环境编码网络、图神经网络、轨迹编码网络、历史编码网络、特征融合层和预测网络,输出未来预测时段内的信道状态预测结果,包括:

7、对所述输入特征向量进行归一化处理,得到归一化输入特征向量;

8、提取环境约束特征:通过所述环境编码网络对所述归一化输入特征向量中的空间几何特征进行编码,得到环境约束特征;

9、提取空间交互特征:以所述目标通信节点及所述周边动态目标为节点,以节点之间的所述动态相对运动特征为边特征,构建动态拓扑图,通过所述图神经网络的图卷积层对所述动态拓扑图执行图卷积操作,基于所述动态相对运动特征对邻居节点的信息进行聚合,提取节点间的空间交互特征;

10、提取轨迹预判特征:通过所述轨迹编码网络对所述归一化输入特征向量中的预测轨迹特征进行编码,得到轨迹预判特征;

11、提取时序演化特征:通过所述历史编码网络对所述归一化输入特征向量中的时序演变特征进行编码,得到时序演化特征;

12、特征融合与预测:通过所述特征融合层,将所述环境约束特征、所述空间交互特征、所述轨迹预判特征和所述时序演化特征进行融合,得到融合特征向量,并通过预测网络对所述融合特征向量的时间序列进行处理,输出归一化信道状态预测结果;

13、对所述归一化信道状态预测结果进行反归一化处理,得到所述未来预测时段内的信道状态预测结果;

14、基于所述信道状态预测结果,生成传输参数配置指令。

15、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述周边静态环境数据包括所述目标通信节点周边的三维点云地图数据或三维栅格地图数据;

16、所述空间几何特征包括视距状态或非视距状态,以及第一菲涅尔区遮挡比例;

17、所述视距状态或所述非视距状态通过如下方式确定:基于所述目标通信节点的自身位姿数据中的位置与通信对端的位置构建连线,判断所述连线是否与所述周边静态环境数据中的障碍物相交,若相交则确定为所述非视距状态,否则确定为所述视距状态;

18、所述第一菲涅尔区遮挡比例通过计算所述连线对应的第一菲涅尔区被所述障碍物遮挡的体积占所述第一菲涅尔区总体积的比例得到。

19、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述周边动态目标的态势数据包括所述周边动态目标的位置信息、速度信息和航向信息;所述动态相对运动特征包括所述目标通信节点与所述周边动态目标之间的相对距离、相对速度和相对航向;

20、所述历史信道数据包括历史信噪比序列、历史参考信号接收功率序列和历史信道冲激响应序列中的一种;所述时序演变特征包括所述历史信道数据的趋势特征、周期性特征和波动性特征。

21、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述移动意图信息包括直飞、转弯、爬升、下降和悬停中的一种意图类型;

22、所述预测轨迹特征包括所述目标通信节点在未来预测时段内的预测轨迹序列,所述预测轨迹序列包括多个预测轨迹点,每个预测轨迹点包括该时间步的预测位置信息、预测速度信息和预测航向信息;

23、所述预测网络为门控循环单元层或transformer层。

24、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述信道预测模型通过复合损失函数训练得到,所述复合损失函数包括预测重构损失、图平滑损失和轨迹先验一致性损失;所述预测重构损失用于衡量预测信道状态与真实信道状态之间的误差;所述图平滑损失基于所述动态拓扑图的节点连接关系,约束相邻节点的信道预测结果保持空间一致性;所述轨迹先验一致性损失基于所述预测轨迹特征对所述信道状态预测结果进行物理约束。

25、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述预测重构损失的计算公式如式(1)所示:

26、 式(1)

27、其中,losspred为预测重构损失值,无量纲标量,n为未来预测时段内的时间步数量,正整数,无量纲,i为预测时间步的索引,取值范围为1~n,正整数,无量纲,t为当前时刻,单位为s,为信道预测模型对未来第i步信道状态的预测值,向量,其单位取决于所预测的信道状态参数类型,当预测信噪比时单位为db,当预测参考信号接收功率时单位为dbm,为未来第i步信道状态的真实标签值,向量,其单位与 相同,为向量l2范数的平方运算符号,计算向量各分量平方和,单位为向量分量单位的平方,为防除零常数,正实数,单位与保持一致,典型取值为  ;

28、所述图平滑损失的计算公式如式(2)所示:

29、 式(2)

30、其中,losssmooth为图平滑损失值,无量纲标量,λ为图平滑损失权重系数,正实数,无量纲,典型取值范围为0.01~0.1,e为动态拓扑图中所有边的集合,为动态拓扑图中边集合e的元素总数,正整数,无量纲,(p, q)为动态拓扑图中通过边相连的一对节点,p和q为节点索引,无量纲,wpq为节点p与节点q之间的相似性权重,正实数,无量纲,取值范围为0~1,为节点p的信道状态预测值,向量,其单位取决于所预测的信道状态参数类型,当预测信噪比时单位为db,当预测参考信号接收功率时单位为dbm,为节点q的信道状态预测值,向量,其单位与相同,为向量l2范数的平方运算符号,计算向量各分量平方和,单位为向量分量单位的平方,为防除零常数,正实数,单位与相同,典型取值根据信道状态参数的量级设定;

31、所述轨迹先验一致性损失的计算公式如式(3)所示:

32、 式(3)

33、其中,lossprior为轨迹先验一致性损失值,无量纲标量,η为轨迹先验一致性损失权重系数,正实数,无量纲,经验取值范围为0.01~0.1,用于平衡各损失项量级,m为基于预测轨迹预插值的信道状态数量,正整数,无量纲,j为预测时间步的索引,取值范围为1~m,正整数,无量纲,为信道预测模型对未来第j步信道状态的预测值,向量,其单位取决于所预测的信道状态参数类型,当预测信噪比时单位为db,当预测参考信号接收功率时单位为dbm,为基于预测轨迹先验预插值的信道状态初始估计值,向量,其单位与相同,为向量l2范数的平方运算符号,计算向量各分量平方和,单位为向量分量单位的平方,为防除零常数,正实数,单位与相同,典型取值根据信道状态参数的量级设定;

34、总损失的计算公式如式(4)所示:

35、 式(4)

36、其中,losstotal为总损失值,无量纲标量,losspred为预测重构损失值,无量纲标量,losssmooth为图平滑损失值,无量纲标量,lossprior为轨迹先验一致性损失值,无量纲标量。

37、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述传输参数配置指令包括调制与编码方案等级配置指令、发射功率配置指令和中继路由路径配置指令中的一种。

38、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,基于所述信道状态预测结果,生成传输参数配置指令,包括:

39、当所述信道状态预测结果中的预测信道质量参数低于第一预设阈值且高于第二预设阈值时,生成所述调制与编码方案等级配置指令,所述调制与编码方案等级配置指令用于指示采用低阶调制方式和/或低码率编码方案;

40、当所述信道状态预测结果中的预测信道质量参数低于第二预设阈值、且所述目标通信节点的剩余电量高于预设电量阈值时,生成所述发射功率配置指令,所述发射功率配置指令用于指示增大发射功率;

41、当所述信道状态预测结果中的预测信道质量参数低于第三预设阈值时,生成用于触发路由切换的所述中继路由路径配置指令,包括:生成将当前通信链路切换至备用中继通信节点或地面基站的中继路由路径配置指令;

42、其中,第一预设阈值>第二预设阈值>第三预设阈值。

43、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述信道状态预测结果包括预测信噪比、预测参考信号接收功率、预测信道质量指示、预测信道冲激响应和预测信道状态信息中的一种;所述目标通信节点包括无人机、无人车、机器人和手持移动通信终端中的一种。

44、上述的基于多源感知数据的信道预测与自适应传输方法,优选的,所述方法还包括:采集所述传输参数配置指令执行后的实际信道质量数据,基于所述实际信道质量数据对所述信道预测模型进行在线更新,当所述实际信道质量数据与所述信道状态预测结果的偏差值连续多次超过预设偏差阈值时,触发在线更新,以指定数量在线数据执行预设轮数的梯度下降,对所述信道预测模型的参数进行微调。

45、一种基于多源感知数据的信道预测与自适应传输装置,包括:

46、特征构建单元,用于获取目标通信节点的多源感知数据,并基于多源感知数据构建输入特征向量,多源感知数据包括目标通信节点的自身位姿数据、周边静态环境数据、周边动态目标的态势数据以及历史信道数据,输入特征向量包括空间几何特征、动态相对运动特征、预测轨迹特征以及时序演变特征,特征构建单元包括:

47、感知数据获取模块,用于获取多源感知数据;空间几何特征提取模块,用于根据自身位姿数据和周边静态环境数据生成空间几何特征;动态相对运动特征提取模块,用于根据自身位姿数据与周边动态目标的态势数据生成动态相对运动特征;轨迹预测模块,用于根据目标通信节点的当前轨迹和移动意图外推得到预测轨迹特征;时序特征提取模块,用于根据历史信道数据提取时序演变特征;

48、信道预测单元,用于将输入特征向量输入至信道预测模型,输出未来预测时段内的信道状态预测结果;

49、参数决策单元,用于基于信道状态预测结果,生成传输参数配置指令。

50、上述的基于多源感知数据的信道预测与自适应传输装置,优选的,还包括模型训练单元,用于通过复合损失函数对信道预测模型进行离线训练,复合损失函数包括预测重构损失、图平滑损失和轨迹先验一致性损失。

51、上述的基于多源感知数据的信道预测与自适应传输装置,优选的,还包括在线更新单元,用于基于传输参数配置指令执行后的实际信道质量数据,对信道预测模型进行在线自适应更新。

52、一种电子设备,包括至少一个处理器以及与所述处理器通信连接的存储器,所述存储器存储有可被所述处理器执行的计算机程序,以使所述处理器能够执行上述的基于多源感知数据的信道预测与自适应传输方法。

53、一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于多源感知数据的信道预测与自适应传输方法。

54、本发明要解决的主要技术问题是:

55、(1)反馈时延导致适配滞后,信道状态信息从测量、反馈到发射端完成参数调整,需要经历完整的信令交互周期,在无人机高速飞行、信道状态快速变化的场景下,发射端完成参数调整时,信道状态可能已发生显著变化,导致所配置的传输参数与实际信道不匹配;

56、(2)静态环境遮挡难以预判,低空空域存在建筑物、树木、地形等静态障碍物,信号传播路径可能随时被遮挡,现有技术仅在遮挡发生、信道质量恶化后才做出响应,无法在无人机飞入遮挡区域之前提前调整传输策略;

57、(3)周边动态目标的影响未被纳入预测,低空空域中多架无人机同时运行,相互之间可能产生信号遮挡、同频干扰等影响,现有信道预测方法仅依赖历史信道数据做时间序列外推,未将周边动态目标的位置、速度、航向等态势信息纳入预测依据,预测精度和前瞻性不足。

58、与现有技术相比,本发明的优点在于:

59、(1)本发明提供了一种基于多源感知数据的信道预测与自适应传输方法,从根本上改变了传统通信系统对实时信道状态信息(csi)反馈的强依赖模式。本发明通过融合目标通信节点的自身位姿、周边静态环境、周边动态目标态势及历史信道等多源感知数据,构建包含空间几何特征、动态相对运动特征、预测轨迹特征和时序演变特征的多维输入特征向量,利用信道预测模型输出未来预测时段内的信道状态,将信道预测问题转化为基于时空大数据的模式识别问题,这一转变显著降低了信道状态反馈时延和信令开销,使发射端无需等待接收端的实时csi反馈即可完成传输参数的提前配置。

60、(2)本发明的方法有效解决了现有仅依赖历史信道数据进行时间序列外推的预测方案无法应对动态遮挡和环境突变的问题,通过引入精细化空间几何特征(包括视距/非视距状态和第一菲涅尔区遮挡比例)以及周边动态目标的相对运动特征(包括相对距离、相对速度和相对航向),使信道预测模型能够同时感知静态环境的遮挡约束和动态目标的干扰态势,在高动态复杂场景下实现了对信道状态的前瞻预测。

61、(3)本发明的方法实现了从被动适应到主动预判的转变,使传输参数配置具有明确的前瞻性,通过引入预测轨迹特征,基于目标通信节点的当前轨迹和移动意图外推未来位置序列,并与周边静态环境数据进行碰撞检测,提前预判未来时段信号传播路径的遮挡情况。在此基础上生成的传输参数配置指令,能够在信道质量恶化发生之前完成调制编码方案调整、发射功率调整或中继路由切换,使通信系统主动适应未来信道条件的变化,而非被动响应已经发生的信道恶化。

62、(4)本发明的方法通过复合损失函数实现多维度约束训练,可保证预测结果的精度、空间一致性与物理合理性。本发明采用由预测重构损失、图平滑损失和轨迹先验一致性损失构成的复合损失函数,预测重构损失提供主监督信号,驱动模型学习准确的预测能力,图平滑损失约束相邻节点的预测结果保持空间一致性,避免空间上相邻的通信节点出现剧烈跳变的预测结果,轨迹先验一致性损失基于预测轨迹对预测结果施加物理约束,防止模型输出违反物理规律的预测。三项损失协同作用,使模型在预测精度、空间一致性和物理合理性三个维度上同时达到最优。

63、(5)本发明的方法在保证通信可靠性的前提下,实现了吞吐量、能效与时延的多目标联合优化,本发明基于信道状态预测结果生成传输参数配置指令,当预测信道质量较好时可提前采用高阶调制编码方案以提升吞吐量,当预测信道质量恶化时可提前降低调制编码等级或增大发射功率以保证可靠性,当预测信道质量参数低于预设阈值时可提前触发中继路由切换以规避通信中断,这种前瞻性的参数配置方式,使通信系统能够在信道条件变化之前完成最优参数调整,在保证通信可靠性的前提下,实现了吞吐量、能效与时延的多目标联合优化。

64、(6)本发明的方法特别适用于无人机中继、车联网及应急通信等对动态适应性要求较高的应用场景,该方法基于现有的传感器和通信硬件即可实现,无需额外增加专用硬件设备,其多源感知数据融合架构、四路特征编码与融合机制以及复合损失函数训练策略,均可直接部署于无人机机载计算平台、车载通信终端或应急通信设备中,为低空经济、智能交通和应急救灾等场景提供高可靠、低时延、强适应性的通信保障。