一种基于多特征融合的室外无人机NLoS定位方法

摘要: 本发明涉及无人机定位与无线通信交叉领域,特别是一种基于多特征融合的室外无人机nlos定位方法。背景技术:1、随着6g通信技术向“全场景、高精度”演进,无人机在应...
一种基于多特征融合的室外无人机NLoS定位方法

本发明涉及无人机定位与无线通信交叉领域,特别是一种基于多特征融合的室外无人机nlos定位方法。

背景技术:

1、随着6g通信技术向“全场景、高精度”演进,无人机在应急救援、城市安防、物流运输等领域的应用日益广泛,其定位精度需求显著提升。传统无人机定位技术(如gnss、相机、雷达)高度依赖视距(los)传播路径:gnss信号易被建筑物遮挡,在密集城区nlos场景下定位误差可达数十米甚至失效;相机与雷达受限于视野范围,遮挡后无法稳定跟踪。

2、为解决nlos定位难题,指纹定位技术成为主流方向。该技术将多径传播特性作为“位置指纹”,通过信道状态信息(csi)关联位置。但现有方法存在三大缺陷:1)单域特征局限:多数方法仅采用接收信号强度(rss)、到达时间(toa)或到达角(aoa)单一特征,nlos下信号衰落与多径相似性导致定位精度低;2)多特征融合不足:部分多特征融合方法仅保留“高可靠性特征”,忽略弱特征的空间互补信息,且缺乏针对多径分量的专用特征提取器,特征表达能力弱;3)3d定位研究不足:传统平面定位算法无法适配无人机的三维空间运动,且非合作无人机,即无主动反馈无人机的指纹信息不完备,进一步加剧定位误差。现有技术在室外nlos场景下无人机定位精度低、多特征利用不充分、3d适配性差的缺陷,

3、因此,亟需一种能充分利用多特征指纹互补性、抑制nlos多径干扰、适配3d定位的无人机定位方法,以满足6g场景下的高精度定位需求。

技术实现思路

1、本发明所要解决的技术问题是克服现有技术的不足而提供一种基于多特征融合的室外无人机nlos定位方法,能充分利用多特征指纹互补性、抑制nlos多径干扰、适配3d定位的无人机定位方法,以满足6g场景下的高精度定位需求,实现非合作式无人机的高精度nlos定位。

2、本发明为解决上述技术问题采用以下技术方案:

3、根据本发明提出的一种基于多特征融合的室外无人机nlos定位方法,包括:

4、步骤1、获取室外nlos场景下地面基站接收到无人机的信号;

5、步骤2、对接收到无人机的信号进行分析、预处理后得到多特征信道信息,多特征信道信息包括功率-角度pa特征与时延-角度da特征;

6、步骤3、构建多径信息提取层,采用多径信息提取层对步骤2得到的pa特征与da特征进行深层表征,提取到深层特征;

7、步骤4、构建降噪层,采用降噪层对步骤3提取的深层特征进行降噪处理,得到降噪后的特征;

8、步骤5、通过可学习权重对降噪后的特征进行加权融合,得到融合特征,将其输入回归层得到定位结果;

9、步骤6、构建3d-loc损失函数,采用构建的3d-loc损失函数来约束步骤5得到的定位结果,得到最优的网络即为训练完成的网络;

10、步骤7、加载训练完成的网络,输入待定位无人机的多特征信道信息,输出无人机3d坐标。

11、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤2中,对接收到无人机的信号进行分析、预处理后得到多特征信道信息;多特征信道信息包括接收信号强度rss、相对toa和到达角aoa,其中aoa含方位角与仰角;

12、通过关联当前路径与其他路径的功率差异增强rss特征,得到增强型rss;将增强型rss与aoa组合为功率-角度pa特征,将相对toa与aoa组合为时延-角度da特征。

13、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤3中,构建多径信息提取层的过程为:多径信息提取层采用单向lstm网络处理pa特征,分主路径与剩余路径提取pa特征,通过聚类与注意力机制优化特征表示,得到pa特征的深层特征;采用双向lstm网络处理da特征,捕捉多径的正向与反向时空相关性,得到da特征的深层特征。

14、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤4中,采用多尺度深度可分离卷积ms-dsc,通过多尺度卷积核拼接与残差融合,得到降噪后的特征,降噪后的特征包括降噪后pa特征与降噪后da特征。

15、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤5中,通过可学习权重对降噪后pa特征与降噪后da特征进行加权融合,得到融合特征,将其输入回归层得到定位结果。

16、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,对得到的定位结果,以加权huber损失计算坐标误差、以余弦相似度计算角度误差,联合优化,最终得到最优的网络。

17、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤s1包括:

18、在室外nlos场景部署地面基站,通过基站拦截非合作无人机的图像传输信号,其表达式为

19、;

20、其中,表示无人机的图像传输信号,经历了时延后的信号,和分别代表发射天线和接收天线的增益,是作为距离的函数的路径损耗,索引指的是总共个多径分量中的第条传播路径,表示振幅衰减因子,表示传播延迟,表示多普勒频移, 表示信号的初始相位,加性高斯白噪声由表示,其功率谱密度为,e为自然对数的底数,t为连续时间变量,j为虚数单位。

21、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤s2包括:

22、;

23、其中,为增强后的rss,是第条多径的功率,为控制指数衰减率;表示第条多径的功率与其他每条第k条多径的功率之间的曼哈顿距离,;

24、将增强型rss与aoa组合为pa特征;同时,将相对toa与aoa组合为da特征;其中,为相对时间延迟,为到达方位角,为到达俯仰角;

25、步骤s3包括:

26、pa特征的lstm处理包括:将pa特征嵌入后分为主路径特征和剩余路径特征,分别输入lstm得到隐藏状态的主路径特征与隐藏状态的剩余路径特征;

27、;

28、;

29、通过两层感知机mlp计算主路径的聚类概率与,结合可学习聚类中心得到聚类感知特征;

30、;

31、;

32、其中,为激活函数,为用于主路径聚类的多层感知机,为用于剩余路径聚类的多层感知机;

33、通过注意力mlp生成主路径的权重与剩余路径的权重,进而加权优化主路径的特征表示以及;通过将经过优化的 pa 特征表示与残差连接进行融合得到的,其表达式如下

34、;

35、其中,表示通过注意力要求和残差得到的pa融合特征,表示带有学习权重和偏置的多层全连接神经网络,表示线性全连接层;

36、da特征的双向lstm处理包括:da特征提取器采用双向长短期记忆bi-lstm网络,其公式如下

37、;

38、其中,表示通过双向时序网络得到的da融合特征,表示正向时序隐状态,表示反向时序隐状态,表示pa特征经过线性映射层编码后的高维特征嵌入向量。

39、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤s4包括:

40、降噪层用多尺度深度可分离卷积ms-dsc进行特征降噪;通过整合多尺度特征提取、深度可分离卷积和残差融合,ms-dsc有效抑制噪声;深度可分离卷积用于提取不同尺度的特征模块,其表达式如下

41、;

42、其中,用于统一表示得到的和两类深层语义特征向量;表示深度卷积操作,它对的每个输入通道应用一个单独的核,使用的空间核大小;表示使用核的逐点卷积,用于跨通道组合信息;层表示批归一化,是gelu激活函数;

43、利用 ms-dsc 函数进行降噪处理,该函数在保留关键特征的同时捕捉多尺度噪声模式;pa 和 da 去噪后的特征 表示为

44、;

45、其中,为3×3、5×5、7×7卷积核的深度可分离卷积输出,为特征拼接函数,为残差结构,为降噪特征与残差信息的平衡系数,为多尺度深度可分离卷积,为降噪特征与残差信息的平衡系数;

46、步骤s5包括:

47、可学习权重通过模型训练自适应学习,融合特征表达式为

48、;

49、其中,为融合特征,为降噪后pa特征,为降噪后da特征;自适应权重为,融合后的特征被输入到定位回归层,以预测非视距nlos无人机的三维坐标。

50、作为本发明所述的一种基于多特征融合的室外无人机nlos定位方法进一步优化方案,步骤s6包括:

51、3d-loc损失函数的表达式为:

52、;

53、其中,为3d-loc损失函数,为加权huber坐标损失,为坐标损失归一化因子,为余弦相似度角度损失,为角度损失归一化因子,为角度损失权重系数。

54、本发明采用以上技术方案与现有技术相比,具有以下技术效果:

55、本发明针对 6g 中非合作式无人机室外非视距定位的核心应用场景,首次提出了适用于该场景的一种基于多特征融合的深度学习定位算法。该算法在传统无人机指纹定位“依赖单域特征、多径视为干扰” 的基础上,创新性融合接收信号强度、相对到达时间、到达角三类信道指纹,并考虑到多特征的空间互补性,设计功率-角度特征提取和延迟-角度特征提取的并行网络,结合聚类优化与注意力机制将多径从“干扰” 转化为 “定位辅助特征”,同时引入多尺度深度可分离卷积降噪层;针对传统算法 3d 定位精度差的问题,还设计专门的损失函数联合优化坐标与角度误差,让通信信道的非视距定位误差进一步细分并精准控制。