基于结构/退化分量的多无人机RSSI动态定位方法

本发明属于无人机协同感知和无线定位，具体涉及一种基于结构/退化分量的多无人机rssi动态定位方法。

背景技术：

1、随着灾害救援、应急处置等任务的发展，复杂室外环境下对人员或无线终端目标进行快速、连续定位的需求日益突出。在灾后城市街区、建筑物密集区域和基础设施受损区域中，目标位置直接影响现场态势感知、救援路径规划和协同调度。现有gnss或固定基站定位方式在遮挡严重、非视距传播明显或基础设施受损的环境中容易出现精度下降甚至局部失效。相比之下，rssi信号易于获取，对终端硬件要求低，适合应急场景下的轻量化定位；无人机具有快速部署、机动灵活和空中覆盖能力，能够作为临时空中感知节点，对地面动态目标进行连续观测。因此，基于多无人机协同rssi观测的动态目标定位具有较高的应用价值。

2、现有与本发明相关的多无人机rssi动态目标定位方法，通常是利用无人机作为空中观测节点，在不同空间位置采集地面无线目标的rssi或接收功率信息，并根据路径损耗模型、几何关系、最大似然估计、聚类方法、滤波方法或机器学习模型实现目标位置估计。其基本思路为：首先由一架或多架无人机获取目标无线信号强度及无人机自身位置信息；然后根据rssi与距离之间的衰减关系或数据驱动模型，建立无线观测与目标位置之间的映射关系；最后利用几何求解、滤波估计或神经网络回归得到目标位置。

3、güzey在文献“n. güzey, rf source localization using multiple uavsthrough a novel geometrical rssi approach, drones, 6(12):417, 2022”中提出一种基于多无人机rssi的几何信号源定位方法。该方法通过多架无人机在不同空间位置采集rssi信息，并结合几何关系估计rf信号源位置，说明了多无人机rssi协同观测能够用于地面无线信号源定位。

4、moro等人在文献“s. moro, v. teeda, d. scazzoli, l. reggiani, and m.magarini, experimental uav-aided rssi localization of a ground rf emitter in865 mhz and 2.4 ghz bands, ieee vtc-spring, 2022”中开展了无人机辅助rssi地面rf发射源定位实验。该方法通过无人机在不同飞行位置采集rssi数据，对地面rf发射源进行定位验证，说明了无人机采集rssi用于地面目标定位的工程可行性。

5、在复杂传播环境下，部分现有技术进一步引入nlos识别、测量补偿、异常值抑制、滤波处理或预校正方法，以降低遮挡、多径传播、非视距误差和环境扰动对rssi定位结果的影响。carpi等人在文献“f. carpi, m. martalò, l. davoli, a. cilfone, y. yu, y.wang, and g. ferrari, experimental analysis of rssi-based localizationalgorithms with nlos pre-mitigation for iot applications, computer networks,225:109663, 2023”中研究了rssi 定位中的nlos预抑制方法，通过识别和补偿nlos链路，降低复杂传播条件对定位结果的影响。

6、上述现有技术从无人机机动观测、多无人机rssi几何定位、无人机实测rssi定位以及复杂传播误差抑制等方面为多无人机rssi定位提供了技术基础。但是，现有方法大多仍以静态或准静态目标定位、单一链路误差补偿、传统测距模型改进或端到端位置估计为主要处理方式，尚未充分解决复杂室外环境下多无人机协同rssi动态目标定位中的时变观测、退化分解和质量感知融合问题。

技术实现思路

1、为了解决现有技术中存在的上述问题，本发明提供了一种基于结构/退化分量的多无人机rssi动态定位方法。本发明要解决的技术问题通过以下技术方案实现：

2、本发明实施例提供了一种基于结构/退化分量的多无人机rssi动态定位方法，所述多无人机rssi动态定位方法包括：

3、获取多无人机对动态目标在观测窗口内的观测集合，该观测集合包括rssi观测数据、观测有效性标识、无人机位置信息、无人机飞行高度；其中，将rssi观测数据建模为由结构分量和退化分量组合形成的形式；

4、对rssi观测数据进行修复，并对修复后的rssi观测数据进行小波多尺度展开，得到rssi多尺度特征；

5、根据观测有效性标识、无人机位置信息、无人机飞行高度构造上下文特征，并利用共享时序编码网络根据rssi多尺度特征和上下文特征生成共享时序特征；

6、分别利用结构分支网络和退化分支网络，根据共享时序特征生成对应的结构隐特征和退化隐特征；

7、利用退化输出头根据退化隐特征计算退化强度，根据退化隐特征、退化强度和观测有效性估计观测质量，根据结构隐特征、观测质量计算时间维注意力权重，根据时间维注意力权重计算结构隐融合特征、观测融合质量；

8、根据结构隐融合特征、观测融合质量计算平台维权重，根据平台维权重计算全局结构特征、全局观测质量以及末时刻无人机几何位置信息；

9、根据全局结构特征、全局观测质量以及末时刻无人机几何位置信息，计算动态目标末时刻的位置信息、定位不确定度和相对置信度。

10、在本发明的一个实施例中，将rssi观测数据建模为由结构分量和退化分量组合形成的形式，表示为：

11、；

12、其中，表示第架无人机在时刻的rssi观测数据，表示第架无人机在时刻的结构分量，表示第架无人机在时刻的退化分量。

13、在本发明的一个实施例中，根据观测有效性标识判断rssi观测数据是否缺失，当rssi观测数据为缺失时，根据结构分量、退化分量和观测有效性标识和预设填充rssi值建模rssi观测数据的计算方式。

14、在本发明的一个实施例中，根据结构分量、退化分量和观测有效性标识和预设填充rssi值建模rssi观测数据的计算方式，公式表示为：

15、；

16、其中，表示第架无人机在时刻的rssi观测数据，表示第架无人机在时刻的结构分量，表示第架无人机在时刻的退化分量，表示第架无人机在时刻的观测有效性标识，表示预设填充rssi值。

17、在本发明的一个实施例中，对rssi观测数据进行修复，包括：

18、根据观测有效性标识判断rssi观测数据是否缺失，若判断存在缺失，则根据缺失处前后有效的rssi观测数据进行修复。

19、在本发明的一个实施例中，共享时序编码网络采用保持时间维度的残差时间卷积网络。

20、在本发明的一个实施例中，结构分支网络采用双向循环神经网络。

21、在本发明的一个实施例中，退化分支网络采用多尺度残差时间卷积网络。

22、在本发明的一个实施例中，退化输出头包括慢变退化输出头和突发退化输出头；利用慢变退化输出头根据退化隐特征输出慢变退化项，利用突发退化输出头根据退化隐特征输出突发退化项，根据慢变退化项和突发退化项计算退化强度。

23、在本发明的一个实施例中，训练过程采用分阶段训练方式，包括三个阶段：

24、第一个阶段，训练结构分量与退化分量的分解能力；训练损失包括结构分量损失、退化分量损失、rssi重构损失、慢变退化平滑损失、突发退化稀疏损失以及结构/退化差异损失；

25、第二阶段，训练观测质量估计和定位融合能力；训练损失包括观测质量损失、位置定位预测损失、定位不确定度的负对数似然损失；

26、第三阶段，训练端到端联合优化能力；训练损失包括第一阶段的训练损失和第二阶段的训练损失。

27、本发明的有益效果：

28、本发明提出的基于结构/退化分量的多无人机rssi动态定位方法，利用多架无人机在连续观测窗口内采集的rssi观测数据、无人机位置信息和高度信息以及观测有效性标识，构建多平台、多时刻的观测集合；在此基础上，将rssi观测数据表示为几何结构相关分量与传播退化相关分量的等效可学习组合，并通过rssi多尺度表征、共享时序编码网络、结构分支网络、退化分支网络、观测质量估计、时间维质量感知融合和平台维质量感知融合，输出动态目标在观测窗口末时刻的位置估计、定位不确定度和相对置信度，实现对地面动态目标的鲁棒定位，面向复杂室外应急环境下的地面动态目标定位任务，比如可应用于灾害救援、人员搜寻和基础设施受损等复杂室外场景。

29、以下将结合附图及实施例对本发明做进一步详细说明。