基于方差分量估计的自适应融合导航
无人机航摄系统的特点及应用前景探讨
地矿测绘2011,27(1):8~9CN53-1124/TD ISS N1007-9394 Surv ey i ng and M apping o f G eo logy andM i nera lR esources无人机航摄系统的特点及应用前景探讨*杨润书,吴亚鹏,李加明,万保峰(云南省地矿测绘院,云南昆明650218)摘要:介绍了无人机航摄系统的组成,该系统主要包括飞行平台、地面站系统、航拍摄像系统、影像处理软件4个部分,讨论该系统的特点和优势,并对其应用前景进行展望。
关键词:无人机;遥感;空间分辨率;正射影像图中图分类号:P231文献标识码:A文章编号:1007-9394(2011)01-0008-02Study about the Characters and Applicati on Foreground ofUAV Photogra mm etri c Syste mYANG Run-su,WU Y a-peng,LI Jia-m ing,WAN Bao-feng(Yunnan Institute of Survey ing and M app i ng of Geology and M ineral R esources,K un m i ng Yunnan650218,China)A bstract:Th is t h esis i n troduces the co m ponent ofUAV photogra mm etric syste m,its co m ponent i n cl u desm ai n ly t h e four parts of fli g ht p latfor m,ground stati o n syste m,aerial photog raphy syste m,and i m age pr ocessing soft w are,d iscusses characters and superiority and l o oks for w ar d the fo reground of t h e syste m.K ey words:UAV(Unm anned Aeria lVeh icle);re m ote sensing;spatial resolution;orthopho to m ap0引言无人机航摄系统以其灵活机动、操作维护简单,获取的影像空间分辨率高等优势而颇受青睐,特别是能够自主快速地获取现势性较好的彩色数码影像,因此利用其快速获取高分辨率影像是一种理想的选择。
自适应抗差滤波理论跟运用的主要进展_杨元喜
自适应抗差滤波理论及应用的主要进展杨元喜西安测绘研究所，西安雁塔路中段1号，西安710054yuanxi@摘要近十年来，中国学者发展了一种用于动态导航定位的新自适应抗差滤波理论，该理论应用抗差估计原理抵制观测异常误差的影响，构造自适应因子控制动力学模型误差的影响。
本文旨在归纳、总结自适应抗差滤波理论的主要成就。
首先介绍自适应抗差滤波的原理；随后给出四种自适应因子模型，包括三段函数模型、两段函数模型、指数函数模型以及选权函数模型；陈列了四种误差学习统计量，包括状态不符值统计量、预测残差统计量、方差分量比统计量以及速度统计量；将新的自适应抗差滤波理论与标准Kalman滤波以及其他自适应滤波理论进行了比较与分析；最后利用两个实际算例展示了自适应抗差滤波在导航中的成功应用。
关键词：自适应滤波，Kalman滤波，导航，动态定位，自适应因子，误差学习因子1. 引言自适应滤波是近年来大地测量研究领域的一个热点问题。
我国学者在自适应滤波领域做了大量的研究工作，取得了一批研究成果。
首先基于Sage滤波思想，提出了一种适用于高动态GPS定位的改进的自适应卡尔曼滤波方法，该方法数值稳定性好,存储量小,克服了滤波的发散问题（胡国荣, 欧吉坤，1999）。
目标跟踪或导航一般采用自适应滤波技术，因为相应的系统模型一般是未知（或部分未知）或随时间变化的。
与Sage-Husa自适应滤波（Deng 2003, p162-173; Mohamed and Schwarz 1999; Wang et al. 1999）以及有限记忆滤波（Panozzo, et al 2004）不同，中国学者建立了一种新的自适应抗差滤波理论（Yang et al 2001a, b），该理论应用抗差估计原理控制观测异常的影响，引进自适应因子控制动力学模型误差的影响。
基于抗差估计思想，构建了抗差自适应滤波理论体系，通过引入自适应因子平衡动力学模型信息与和动态观测信息的权比，引入观测等价权控制观测异常的影响。
一种基于方差分量估计的异常定位数据实时检测方法
第 ２ ７卷第 １期 ２１ ０ ０年 Ｏ ２月
测 绘 科 学 技 术 学 报
Ｊ ｕ ｎ ｌｏ ｏ ｔ ｓＳｃｅ ｃ ｎ ｃ ｎｏｏ ｙ ｏ ｒ ａ ｆＧｅ ｍａｉ ｉｎ ｅａ ｄ Ｔｅｈ ｌｇ ｃ
MEMS_IMU_GPS组合导航系统的实现
第5期
祝燕华等：MEMS-IMU/GPS 组合导航系统的实现
553
究具有一定温度自适应性的误差标定方法具有工程意义。
下面采用递推最小二乘自适应（ARLS）速率标定算法进行 MEMS 陀螺组件的误差标定。
综合考虑 MEMS 陀螺的零偏、安装误差和标度因数误差，则三轴 MEMS 陀螺组件的实际量测输出表示为：
MEMS 陀螺组件
MEMS 加计组件
ωb ib
—
误差
补偿 +
野值
解算捷联 姿态矩阵
剔除 f b
Cbn
fn
求解
比力方程
X
X
—
估计横滚角
和俯仰角
卡尔曼滤波器
计算 指令角速率
导航解算
— —
ωn ie
venn
速度位置输出 姿态航向输出
GPS 速度和位置
GPS 航迹角
图 1 MEMS-IMU/GPS 组合导航系统的工作原理 Fig.1 Operating principle of MEMS-IMU/GPS integrated navigation system
Wm = (I + KG )(I + θG )W + BG ≈ (I + KG + θG )W + BG
（1）
⎡0
其中， BG 为零偏矩阵， BG
= [Bgx
Bgy
Bgz ]T ； θG
为安装误差矩阵， θG
=
⎢ ⎢
−θ
gyz
⎢⎣ θgzy
差矩阵， KG = diag[Kgx Kgy Kgz ] 。式（1）可以列写为：
MEMS-IMU/GPS 组合的卡尔曼滤波器，利用加速度计倾角传感器原理估计载体的水平姿态，增强了姿态信息的
机会信号的组合导航定位在电视移动直播中的应用
机会信号的组合导航定位在电视移动直播中的应用摘要：随着互联网技术突飞猛进，互联网视频大行其道，不断推动着传统媒体向全媒体、融媒体演进。
现如今，媒体正经历一场文字、图片、音频、视频、VR/AR信息互动方式的变革。
移动直播广受青睐并成为现场直播必不可少的手段，尤其是在一些大型活动现场、体育赛事（如球赛、马拉松等）转播中，需要动用大量的无人机、无人车等获得不同方位、不同视角的画面，给观众呈现个性化的场景以及沉浸式体验。
为实现组合导航定位的自主性、隐蔽性、高精度和长航时导航能力，本文从GNSS/视觉观测紧组合定位方法、组合导航关键技术几个方面介绍相关发展状况，分析组合导航各项技术在电视移动直播导航应用中存在的关键问题，最后对组合导航技术的发展方向进行了展望。
基于此，本篇文章对机会信号的组合导航定位在电视移动直播中的应用进行研究，以供参考。
关键词：机会信号；组合导航定位；电视移动直播；应用；引言近年来，随着定位导航服务系统的发展，对目标定位的精度和连续性要求越来越高。
组合导航融合多种导航源的优势，可以获得更准确和可靠的导航结果。
GNSS/INS组合导航算法将GNSS导航系统和INS导航系统的信息有机的综合起来，尽可能利用两者的有效信息，进行信息的互补、修正与动态补偿，从而获得一种精度较高、鲁棒性较强的导航定位结果，在交通安全领域、交通运输领域、商业应用领域、社会服务领域、无人驾驶领域[有着重要应用。
考虑到预先设定的动力学模型与实际载体运动状态不符,提出自适应滤波方法，如附加模型误差参数调节法、抗差估计自适应融合法及方差分量自适应估计法等。
随着强化学习、深度强化学习等技术逐在一些基础任务如目标检测、场景感知中表现出良好的效果。
GNSS/INS自适应智能组合导航算法将人工智能技术和组合导航算法进行融合，具有更高的普适性和鲁棒性。
1GNSS/视觉观测紧组合定位方法GNSS在开阔的环境下能够实现连续的高精度导航定位并且误差不会逐渐积累，但是在GNSS弱信号或者遮挡环境下，存在定位精度严重下降甚至定位中断的问题.相反V-SLAM技术在特征丰富的复杂环境下能够实现连续导航定位，但随着运动距离的增加定位误差积累迅速，因此将GNSS和VSLAM技术联合导航定位，不仅有望提升单个导航系统的可靠性与精度，还能够在GNSS弱信号环境下实现持续的导航定位.V-SLAM技术是一种相对定位方法，基本原理为：图像经过校正后，提取图像中具有代表性的特征点，跟踪这些特征点从而估计相机的位姿，在这个过程中还同时进行位姿优化与闭环检测。
自适应卡尔曼滤波在基坑变形监测中的应用
（＋） ｆ的方差 阵 ， 为 ：
２８ ６
测绘第 ３ ４卷第 ６ ２ １ 年 １ 期 ０１ ２月
（ ４）
设 （ ＋ｆ （ ｆｋ ｘ （ １ ＝ ０‘ ， ） ＋ ） Ｔ ｍ ｌ ） × １ ｍ一
测绘第 ３ 卷第 ６ ２ １ 年 １ 月 ４ 期 ０１ ２
２７ ６
自适应卡尔曼滤波在基坑变形监测 中工大学 ，四川 成都 ６ ５；２ 陕西国土 测绘 工程 院，陕西 西安 ７０５ ） １ ｌ １０９ ． ０ １０４
［ 摘要］在现代建筑 中基坑越来越深 ，基 坑越 深带来的危险就越大 ，因此准确地监测和预报基坑 的变形趋势十
上式 为关 于 ｄａ Ｄ从的线性 方程 组 。 Ｎ ｉｇ 当 ｍ时 ， 有唯 一解 。记 ｄａ Ｄ ． Ｌ ｉｇ Ａ 的 Ｓ估计 为 乜
、● ●● ●ｊ
Ｏｘ ｉ Ｄ ＝ （ Ｄ） ０ × ） ｄａ ￣ （ × × Ｅ ｇ Ｄ
（） ８
根据 上述 各式可 求得 任意 长度 时 间段 上 的 Ｄ从 ， 并作 为动 态噪 声协方 差 阵的 实时估 计 。
Ａｂ ｔａ ｔ ｓｒ ｃ ：Ｋａｍａ ｌ ｒｎ ｓ ｔｅ ｍｏ ｔｕ ｅ ｔｏ ｆｄ ｔ ｒｃ ｓｉｇ ｏ ｅｏ ｍａｉｎ ｍｏ ｉ ｒｎ ｎ ｐｅ ｅ ｔ ｆ ｌ ｎ ｆ ｔ ｉｇ ｉ ｈ ｓ ｓｄ ｍｅ ｄ ｏ ａａ ｐ ｏ ｅ ｓ ｆｄ ｆｒ ｔ ｎｔｉ ｇ ｉ ｒｓｎ ．Ｉ ｉ ｅ ｈ ｎ ｏ ｏ ａ ｏ ｔｄ ｉａ ｃ ｒｔ ａｈ ｍａｉａ ｄ ｌ ｄ ｎ ｉｅ ｄ ｓｇ ，ｋ ｌ ｎ ｌ ｒ ｇ ｍａ ｅ ｄ ｔ ｔｔ ｓｉ ｔ ｎ ｄ ｓ ｒ ｏ ， ｄ ｐｅ ｎ ｃ ｕ ａｅｍ ｔｅ ｔ ｌ ｃ ｍｏ ｅｓａ ｏｓ ｅ ｉｎ ａｍａ ｆｔｉ ｙ ｌａ ｏ ｓ ｅ ｅｔ ｎ ｉ ｅｎ ａ ｍａｉ ｉｔ ｔ ｎ ｏ ｏ ｉ
基于自适应EKF的BDS／GPS精密单点定位方法
基于自适应EKF的BDS／GPS精密单点定位方法赵琳;张胜宗;李亮;王雪【摘要】In order to achieve the shorter convergence period and better positioning accuracy for precise point positioning (PPP),the combination of multiple navigation satellite,such as the Beidou navigation satellite system (BDS)and the global positioning system (GPS),and the better positioning method are two ways to choose.However,since the traditional least square (LS)estimator ignores the temporal correlation of observa-tions,and the extended Kalman filter (EKF)is limited by inaccurate prior information,a novel PPP method based on adaptive extended Kalman filter (AEKF)is used to adjust the process noise with the measurement con-sistency test.The experiment results show that,compared with traditional EKF solution,the convergence period of PPP based on AEKF can be shorten by 9 minutes,and the accuracy of positioning can be increased by 33.7%.%为使精密单点定位（precise point positioning，PPP）获得更短的收敛时间和更高的定位精度，多个导航系统的集成（例如北斗卫星导航系统（Beidou navigation satellite system，BDS）与全球定位系统（global positio-ning system，GPS）的组合）和更优的定位方法是两种可行选择。
融合载体动力学特征的智能多源自主导航方法研究
融合载体动力学特征的智能多源自主导航方法研究
王巍;孟凡琛;徐小明;初未萌;吴志刚
【期刊名称】《宇航学报》
【年(卷),期】2024(45)4
【摘要】多源自主导航系统技术是新一代国家综合定位、导航与授时(PNT)体系下终端用户的重要技术发展方向。
面向新一代健壮性综合PNT体系跨场景的导航任务,多源自主导航系统面临着智能化的迫切需求。
针对复杂导航行为决策可信性问题,提出了融合载体动力学特征的智能多源自主导航基本概念,归纳了其实践中面临
的主要科学问题,系统阐述了深度融合载体动力学特征与人工智能方法的多源自主
导航理论框架与方法内涵,为智能多源自主导航系统的理论、方法及应用提供支撑。
【总页数】10页(P550-559)
【作者】王巍;孟凡琛;徐小明;初未萌;吴志刚
【作者单位】中国航天科技集团有限公司;北京航天控制仪器研究所;中山大学航空
航天学院
【正文语种】中文
【中图分类】V241.5
【相关文献】
1.一种融合奇异值主元投影特征和核主元投影特征的人耳识别方法
2.基于特征融合的视觉导航智能车辆的车道识别
3.光谱色差与主分量特征融合的石窟表面风化智
能评估4.电力智能巡检机器人视觉与激光自适应融合导航方法研究5.人工智能课程:计算思维培养的优质载体——“智能导航”项目式学习的设计、实施与测评
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Allan方差解耦自适应滤波的旋转SINS精对准方法
基于Allan方差解耦自适应滤波的旋转SINS精对准方法胡杰;程向红;朱倚娴【摘要】对旋转式SINS精对准方法进行了研究,由于转位机构转动干扰以及惯性器件误差不确定性带来的影响,旋转式SINS状态方程和量测方程噪声方差参数难以确定,进而导致初始对准精度降低,针对这个问题引入自适应Kalman滤波技术.Sage-Husa是一种常用的自适应滤波算法,但是存在噪声参数强耦合缺陷.通过研究Allan方差与量测噪声方差之间的关系,利用Allan方差滤波器具有带通滤波的特点,独立计算量测噪声协方差阵Rk,该方法能够有效克服Sage-Husa滤波耦合问题,相比其它改进方法具有简单易实现等特点.对该研究进行了仿真实验与实际系统验证实验,结果表明:对于中等精度光纤陀螺单轴旋转SINS,自适应Kalman滤波算法航向角对准精度比标准Kalman滤波算法精度要高0.6′左右,且在误差估计过程中,自适应Kalman滤波器能够更好地抑制外界干扰误差的影响,是一种较好的精对准方法.%The refined alignment for rotary strapdown inertial navigation system (SINS) is studied.The adaptive Kalman filtering alignment is proposed to solve the problems of low filtering performance derived from uncertain noise caused by rotating disturbance of indexing mechanism and uncertain errors of inertial device in measurement equations.Sage-Husa is a generally used adaptive filtering algorithm,but it has the defection that the noise parameters are strongly coupled.Here,the relationship between the Allan variance and the measurement noise variance is studied by using the Allan variance filter which has the characteristics of band-pass filtering,and a filtering method is proposed,which can effectively overcome the strong coupling problem oftraditional Sage-Husa filtering algorithm.The verifications by simulation and real inertial system are given,and the results show that the accuracy of the adaptive Kalman filtering algorithm is about 0.6'higher than that of the conventional Kalman filtering algorithm,and the adaptive Kalman filtering algorithm is able to restrain the influence of the outside interference errors in the attitude error estimation process.Therefore,the adaptive Kalman filtering algorithm is a better refined alignment algorithm,which can be used to improve the accuracy of initial alignment of the rotary SINS.【期刊名称】《中国惯性技术学报》【年(卷),期】2017(025)002【总页数】6页(P156-160,165)【关键词】旋转式SINS;精对准;Allan方差;自适应Kalman滤波【作者】胡杰;程向红;朱倚娴【作者单位】东南大学微惯性仪表与先进导航技术教育部重点实验室,南京210096;东南大学微惯性仪表与先进导航技术教育部重点实验室,南京210096;东南大学微惯性仪表与先进导航技术教育部重点实验室,南京210096【正文语种】中文【中图分类】U666.1旋转式惯导系统通过周期性转动惯性测量单元（Inertial Measurement Unit，IMU）能够将惯性器件常值误差对导航精度的影响予以抵消，达到误差自补偿的目的[1-2]。
导航原理-组合导航PPT课件
上式说明，组合导航系统的导航参数的误差就 是惯导系统导航参数误差估值的估计误差。
.
9
2、反馈校正
采用反馈校正的间接法估计是将导航参数误差 的估值反馈到各导航系统内，对误差状态进行 校正。反馈校正的滤波示意图如图6.5所示
.
10
输出校正和反馈校正的分析
从形式看，输出校正只是校正系统的输出量，而 反馈校正则校正系统内部状态，但可以证明，如 果滤波器是最优滤波器，则两种校正方式的结果 是一样的。然而，真正意义上的“最优滤波器” 工程上是不存在的。未校正系统导航参数的误差 会随时间而增大，因而输出校正方式下的滤波器 状态值会越来越大。这使得方程线性化等近似计 算误差不断增大，从而滤波效果变差。
.
5
间接法估计的状态都是误差状态，即滤波 方程中的状态矢量是导航参数误差状态和 其它误差状态的集合（用 正和反馈校正。
1、输出校正
以惯导系统和其它某一导航系统组合为
例，间接法的组合导航卡尔曼滤波器将惯
导系统和其它导航系统各自计算的某些导
组合导航
.
1
2. 最优综合导航系统
采用卡尔曼滤波器的组合方法
卡尔曼滤波是一种递推线性最小方差估计，它 用“状态”表征系统的各个物理量，而以“状 态方程”和“观测方程”描述系统的动力学特 性。它要求应用对象是线性系统，且已知系统 的某些先验知识，如系统噪声和测量噪声的统 计特性。综合导航系统基本满足这些条件，因 而适合采用卡尔曼滤波。
(ie
cos L
VE RN
N
、)
hU
E
VN RM
h N
N
式中角注E、N、U 代表东、北、天；
RM Re (1 2 f 3 f sin 2 L)
基于matlab的helmert方差分量估值在边角网定权中的实现
差， 令角度 的权 ＝１ 边长权 Ｐ ＝ 。但是在实 ， ２
ｍ ｊ
际平差分析中发现， 这种简单的定权方式会造成平 差值 较大 的误 差 以及平 差模 型验后 检 验通不 过 。产 生这 种现 象 的 原 因 除 了起 算 数 据 精 度 不 够 等 原 因 外， 另一个主要原因就是两类观测值权 比确定不恰 当。合理地确定边角两类观测值的权对平差结果 的 影响非常大 ， 不仅能使边、 角两类观测值 的精度和平 差结果 得 到正 确反 映 ， 而且 对 平 差模 型 的检 验 具 有
＝ 。， 。 按 ， ＝ ：１ Ｐ 定 ， ：：
２ ‘
， ０ Ｐ ：０２
口‘ ｌ
于涉及到诸多的矩 阵计算 ， 使得利用逐步趋 近定权 的计算 量 大大 增加 。为此 ， 者在研 究 ｈｌｅｔ 值 笔 ｅ ｒ估 ｍ
法原理 的基础 上 ， 用解 算 矩 阵 专 业工 具 软 件 ｍ ｔ 利 ａ．
的权值更 加合 理 ， 还可 以提高待定点的精度 ， 得平 差结果更加准确 ， 使 对解决此类问题具有很好 的参考意义 。 关键 词 ： 测量平差 ；ｅ ｒ； ； ｈｌ ｔ权 精度 ｍｅ
中 图 分 类 号 ：１７ ２ Ｐ ０ ．
，
相应 的权 阵 为 Ｐ 、Ｐ 因 为两 类 观测 量 相 互 ，
１ 概述
“ 作 为比较观测值精度高低的一种指标 ， 权” 在 测量平差工作 中起着举足轻重的作用。边角网是一 种布设简单 ， 观测方便 ， 计算 、 平差效率高的网形 ， 在 控 制 网 的布设 中具 有很 广泛 的用途 。以往边 角 网确
定 权 的方 法 即假定 单位 权 中误 差等 于角 度观 测 中误
第２ ７卷
第２ ３期
基于MUSIC和LCMV的自适应波束形成系统_白立云
a ( ) 和 Vn 的正交性将使分母达到最小, 从而得到 式 ( 10 ) 定义的 MUSIC 谱的峰值, 即 MUSIC 谱中 K 个 最大峰值对应于入射阵列上到信号的波达方向。 2. 2 MUSIC 算法的实现
y ( t) =
k= 0
a(
k)
s k ( t) + v ( t) ,
( 6) ( 7)
0 M- 1
, 使 得 Ryy i-
iI
= 0, 因此 ARss AH 的 A 是由线性独立的
数K = N - M ; 计算 MUSIC 谱 , 即
P MUSIC ( ) =
^
特征值 u i 为 ui =
2 n 。因为
aH ( ) a ( ) 。 a ( ) Vn VH na ( )
H
( 13)
方向向量构成的 , 故是满秩的 ; 如果入射信号不是高 度相关的, 则信号相关矩阵 Ryy 也是非奇异的。列 满秩的 A 和非奇异的 Ryy 可以保证在入射信号数 K 20 2010 Radio Engineering Vo1 40 No 1
y ( n) = As ( n) + v( n) 。 ( 1)
现代电子设备面临的信号环境极其复杂, 尤其 是面对有意无意的电子干扰, 极大地影响着系统的 检测性能。因此要求天线子系统具备高增益、 抗干 扰和点对点以及点多点的通信能力 , 能同时实现与 多个通信目标的通信 , 相控阵天线顺势而生。目前 相控阵天线在电子系统的应用已较为普遍[ 1] 。自适 应波束形成系统使相控阵通信系统通过数字技术 , 在同一个天线口径上, 可以同时在空间合成多个波 束, 实现跟踪多个通信目标, 特别是信号空间抗干扰 以及抗信道衰落需要。采用 MUSIC 估计波达 方向 和 LCMV 调整权系数相结合的波束形成系统 , 使得 系统具备了自适应能力, 也使得相控阵天线波束形 成更具灵活性, 能够较好地实现空域滤波和自适应 抗干扰, 是相控阵通信系统的迫切需求和发展趋势。
基于通感一体化技术的自适应调制方
doi:10.3969/j.issn.1003-3114.2023.01.013引用格式:李本翔,向路平,胡杰,等.基于通感一体化技术的自适应调制方案[J].无线电通信技术,2023,49(1):110-117.[LI Benxiang,XIANG Luping,HU Jie,et al.Adaptive Modulation Design Assisted by Integrated Sensing and Communication [J].Radio Communications Technology,2023,49(1):110-117.]基于通感一体化技术的自适应调制方案李本翔,向路平∗,胡㊀杰,杨㊀鲲(电子科技大学信息与通信工程学院,四川成都611731)摘㊀要:通感一体化(Integrated Sensing and Communication,ISAC)技术能够通过共享频谱资源实现通信与感知功能,进一步提升频谱利用率㊂介绍了ISAC 系统模型,包括传输协议㊁传感模型和通信模型,提出了一种基于ISAC 技术的自适应调制(Adaptive Modulation,AM)方案,利用匹配滤波从回波中提取车辆距离信息,采用深度强化学习(DeepReinforcement Learning,DRL)算法,自适应选择下一个时刻的调制模式㊂减少了导频信息㊁提升了信道容量,并且省去信道预测过程,减少了计算资源消耗㊂仿真结果表明,采用深度强化学习自适应选择下一时刻调制模式提升了误码率约束下的最大信道容量,并且相比于传统通信,吞吐量有较大的提升㊂关键词:通感一体化;6G 移动通信;车载网;自适应调制;深度强化学习中图分类号:TN919.23㊀㊀㊀文献标志码:A㊀㊀㊀开放科学(资源服务)标识码(OSID):文章编号:1003-3114(2023)01-0110-08Adaptive Modulation Design Assisted by IntegratedSensing and CommunicationLI Benxiang,XIANG Luping ∗,HU Jie,YANG Kun(School of Information and Communication Engineering,University of Electronic Science and Technology of China,Chengdu 611731,China)Abstract :Integrated Sensing and Communication (ISAC)achieves communication and sensing functions by sharing spectrumresources,improving spectrum utilization.This paper introduces an ISAC system model,including transmission protocols,sensingmodels and communication models,and proposes an ISAC-assisted Adaptive Modulation (AM)scheme with a Deep reinforcementLearning (DRL)approach where the modulation mode for the next slot is selected based on vehicle distance information extracted from the echo by matched filter.In the proposed ISAC transmission protocol,the number of pilots is reduced to improve the transmission ca-pacity.Additionally,the channel estimation process is eliminated to reduce computing resource consumption.Simulation results show that the maximum channel capacity under Bit Error Rate (BER)constraint is increased by applying DRL for modulation mode selec-tion,and the throughput is significantly increased compared to traditional communication.Keywords :integrated sensing and communication;6G mobile communication;vehicle network;adaptive modulation;deep rein-forcement learning收稿日期:2022-10-15基金项目:国家重点研发计划(2021YFB2900200);国家自然科学基金重点项目(62132004)Foundation Item :National Key Research and Development Program of China (2021YFB2900200);Key Program of National Natural Science Foundationof China (62132004)0 引言随着无线通信技术的发展,联网设备的数量急剧增加,产生了许多新的通信场景和需求[1-2],例如车联网(Vehicle-to-Everything,V2X)㊁物联网(Inter-net of Things,IoT)等㊂未来6G 承载多种智能应用的V2X 系统不仅对通信性能有着较高的要求[3],还要完成一定的感知任务㊂然而,随着通信系统的载波频段不断提升,已经和雷达感知的频段相近,这会对雷达感知造成干扰,同时雷达也会影响通信性能㊂而通感一体化技术(Integrated Sensing and Communi-cation,ISAC)是解决这一问题的关键,并且如今对于V2X系统中ISAC技术的研究已经获得了学术界和工业界的广泛关注[4]㊂传统的通信和雷达系统使用不同的正交频带并进行独立设计[5]㊂然而随着大规模天线技术发展和毫米波技术的应用,通信和雷达系统的性能都得到了大幅提升,并且可以共用一些硬件设备和频谱资源,例如大规模天线雷达和大规模天线通信[6]㊂此外,在载波频率达到毫米波频段时,雷达系统与通信系统的信道特性和信号处理方法十分相似[7]㊂正是由于这些相似性,具有感知和雷达集成增益的ISAC被认为是一种很有前景的技术㊂例如,在基于ISAC的V2X网络中,路边单元(Roadside Unit, RSU)通过利用从车辆上反射的ISAC回波信号来预测车辆的位置,从而提供更好的通信服务[8]㊂发射机可以通过多种方式利用回波中的隐藏信息提高通信性能,包括自适应调制(Adaptive Modulation,AM)㊁波束成形和自适应编码等㊂众所周知,AM是一种基于信道估计来实现最优容量的简单且有效的方法[9]㊂通常,发射机从上行导频信号中获取信道信息,并根据误码率(Bit Error Rate,BER)选择调制方案来提升通信性能㊂例如,文献[10]提出了一种自适应编码和调制(Adaptive Coding and Modulation,ACM)技术,该技术根据来自上行导频反馈的飞机之间的距离信息确定调制和编码方式㊂同时,文献[11]使用深度强化学习(Deep Reinforcement Learning,DRL)根据导频反馈的历史信道状态信息(Channel State Information, CSI)预测调制模式㊂然而,在ISAC系统中,发射机可以直接从雷达回波信号中获得信道信息,无需导频交互的过程㊂如何根据反射的回波做出决策对ISAC系统来说是一个重要的挑战㊂通常,这个过程被分为两个步骤:①从回波中估计反射体的位置和速度信息并由此估计信道状态;②提升各种通信技术[5,12-15]㊂文献[12]使用匹配滤波估计用户的位置和速度,实时调整车辆的波束宽度,以此来覆盖整个车辆㊂同样,在匹配滤波之后,也可以利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)[13]㊁因子图[14]等方法实现波束预测㊂此外,数据驱动技术也与ISAC 系统相结合用来适应复杂的时变环境[15],例如文献[5]根据估计的信道状态信息采用深度神经网络(Deep Neural Networks,DNNs)进行波束预测㊂这些研究已经证明了ISAC系统的优越性㊂然而, ISAC系统中自适应调制方案的设计还存在空缺,因此本文主要考虑基于ISAC系统AM的实现,并与传统通信进行比较㊂本文提出了一种ISAC系统传输协议,能够基于回波预测下一个时刻的调制模式㊂相比于传统通信减少了导频开销,提升了信道容量,并且减少了信道预测过程带来的计算资源消耗㊂为了实现所提出的框架,采用DRL算法来实现AM,根据车辆距离预测下一时刻的调制模式,在保证满足误码率约束同时,最大化通信容量㊂具体来说,RSU从回波中提取车辆的距离信息,并且将历史距离作为DRL状态输入,下一时刻调制模式作为DRL动作输出㊂1㊀系统建模如图1所示,本文考虑了V2X场景下基于ISAC的多输入多输出(Multiple-input Multiple-output,MIMO)系统,一个配备了两组均匀线性阵列天线(Uniform Linear Array,ULA)RSU为一辆车提供服务㊂其中,RSU包含N t根发射天线和N r根接收天线㊂通过多天线,RSU能够向车辆发射下行ISAC信号并接收反射回波㊂图1㊀基于ISAC的系统通信模型Fig.1㊀ISAC-assisted communication system1.1㊀传输协议如图2(a)所示,RSU与车辆之间的传输数据流被划分为不同的时隙㊂在传统通信中的AM策略依赖于车辆的上行导频来获得CSI从而做出决策[10-11],而在车辆高速移动的V2X网络下,信道状态时刻变化,频繁的导频交互会导致通信资源的浪费,也会导致信道估计的滞后㊂ISAC辅助的传输协议可以有效地解决这个问题㊂如图2(b)所示,在本文提出的基于ISAC的传输协议中,发射机连续发送ISAC信号用于下行通信和感知㊂具体来说,ISAC系统将每个时隙分为两个阶段:①信号传输和回波接收;②信号处理㊂例如,在第一阶段,RSU根据上个时隙预测的调制模式传输ISAC信号并接收回波信号㊂在第二阶段,RSU 首先从回波信号中提取车辆的距离信息,然后根据距离直接预测下一个时隙的调制模式㊂因此,由于舍去了上下行导频信号,ISAC系统下的AM相比于传统通信能较大程度的提升系统容量,并且省去了信道预测的过程,一定程度上减少了计算资源的消耗㊂(a)传统AM(b)ISAC-AM图2㊀传统AM和基于ISAC的AM的传输协议比较Fig.2㊀Comparison of transmission protocols between traditional AM and ISAC-based AM1.2㊀感知模型在车辆运动过程中,RSU可以使用ISAC信号感知车辆的位置㊂假设t时刻RSU传输给车辆的信息为s(t),所以RSU发送的下行信号表示为:s^(t)=w s(t),(1)式中,w=㊀p a(θ)ɪC N tˑ1表示波束成形向量,其中,p表示RSU传输功率,a(θ)=㊀1N t[1,e-jπcosθ, ,e-jπ(N t-1)cosθ]TɪC N tˑ1表示发送方向向量㊂RSU通过天线接收车辆反射的ISAC回波㊂因为光速足够快,本文假设车辆的位置在一个传输时隙中保持不变㊂所以反射的回波可以表示为:r(t)=Gβb(θ)a H(θ)s^(t-τ)e j2πυt+z(t),(2)式中,r(t)ɪC N rˑ1㊂G=㊀N t N r,θ㊁τ㊁υ分别表示RSU和车辆之间的天线增益㊁角度,时延和多普勒频移㊂β=ξ2cτ表示车辆表面反射系数,其中,c表示光速,ξ表示雷达散射截面(Radar Cross Section,RCS)㊂b(θ)=㊀1N r[1,e-jπcosθ, ,e-jπ(N r-1)cosθ]TɪC N rˑ1表示接收方向向量,b(θ)和a(θ)是反向的关系㊂z(t)~N(0,N0)表示高斯白噪声㊂RSU在接收到车辆反射回波后,采用匹配滤波的方法获得信号的时延和多普勒频移,由此估计车辆的距离和速度㊂匹配滤波如下所示:E(τ,υ)=ʏΔT e0b H(θ)r(t)s(t-τ)e j2πυt d t,(3)式中,ΔT e表示ISAC回波信号的持续时间㊂根据时延τn和多普勒频移υn,车辆的距离d n和速度μn可以表示为:d=τ2ˑc,(4)μ=υcf c sinθ,(5)式中,f c为载波频率㊂1.3㊀通信模型装有单天线的车辆在t时刻接收到由RSU发送的下行信息可以表示为:y(t)=G^H a H(θ)s^(t)e j2πυt+μ(t),(6)式中,G^=㊀N t表示RSU发送天线增益,H n表示大尺度路径损耗,μ(t)~CN(0,N1)表示在汽车接收端方差为N1的复高斯噪声㊂众所周知,在毫米波通信系统中[16],视距信道(Line of Sight,LoS)主导着信号传输㊂为不失一般性,本文假设车辆在开阔的道路如高速公路上行驶,RSU和汽车之间的H n可以用friis方程[17]表示如下:H2=λ2(4π)2d2,(7)式中,λ=cf c表示载波波长㊂用h表示RSU到车辆的等效信道:h=G^H a H(θ)㊂(8)基于式(6)和式(8),车辆接收信号的SNR 可以表示为:γ=|h w |2N 1㊂(9)㊀㊀假设RSU 使用多进制正交幅度调制(Multiple Quadrature Amplitude Modulation,MQAM),并且每个调制符号被传输的概率都一样㊂根据文献[18],传输系统容量C ∗可以被上界和下界约束为:C low ɤC ∗ɤC upper ,(10)式中,上下边界C low 和C upper 可以表示为:C low=lb M -1Mˑðx iɪχlb 1+(M -1)ˑ12[exp -h 24(M -1)ðx j ɪχx i -x j2()],C upper =lb M -1Mˑðx iɪχlb 1+(M -1)ˑ12[exp -h 2N 1(M -1)ðx j ɪχx i-x j2()],(11)式中,M 表示RSU 选择的调制方式,χ表示调制星座点的集合,其中,x i 和x j 表示在集合中的任何一对调制符号㊂并且根据文献[18],C low 和C upper 是渐进紧的㊂因此,使用C upper 作为C 去衡量系统的最大容量,可以描述为[19]:C =lb M -1Mˑðx iɪχlb 1+(M -1)exp ˑ12[-γM -1ðx j ɪχx i-x j2()]㊂(12)㊀㊀此外,假设每个星座点的最近邻数量均为4,则误码率可以表示为[20]:ρ=4lb MF㊀3ˑγM -1(),(13)式中,函数F (x )表示如下:F (x )=ʏ+ɕxe -0.5t2㊀2πd t ㊂(14)㊀㊀在式(12)~(13)的基础上,可以建立一个优化问题,在保证误码率满足要求的同时提高通信速率:max MC ,(15)s.t.ρɤρ0,(16)式中,ρ0为给定瞬时误码率上界㊂2 DRL 算法设计本节基于文献[21]提出了一种基于DRL 的AM 算法,DRL 智能体会根据状态选择具体的调制模式,这个过程可以被建模为一个马尔可夫决策过程(Markov Decision Process,MDP )㊂由于车辆在V2X 网络中的状态不断变化,基本的RL 算法的Q 表不能管理无限连续的状态空间,而DRL 使用DNN 建立Q 表,然后通过更新DNN 的权重来更新Q 表[22],可以较好地适应大规模动态环境[23]㊂如图3所示,本文采用经验重放和固定目标网络策略来加速训练过程[24]㊂图3㊀DRL 结构Fig.3㊀DRL construction㊀㊀如图3所示,经验重放回放是将每一时刻的元组{s t ,a t ,r t ,s t +1}存储在记忆空间O ,并且随机从中抽取B 个样本{s j ,a j ,r j ,s j +1},j ɪ[1,2, ,B ]进行训练来破坏连续传输的元组之间的相关性㊂固定目标网络即定期更新目标Q^网络的权值,以加速训练㊂DNN 的损失函数表示为:L (θ+)=(y target j-Q (s j ,a j ;θ+))2,(17)式中,y target j和Q (s j ,a j ;θ+)分别是在DRL 智能体在时隙j 选择动作a j 时Q 表的目标输出和实际输出,因此L (θ+)表示为预测误差㊂ytargetj可以表示为:y targetj=r j +γmax aᶄ㊀Q ^(s j +1,aᶄ;θ-),(18)式中,s j ,a j ,r j 分别表示j 时隙的状态㊁选择的动作和相应的奖励㊂Q ^(s j +1,aᶄ;θ-)表示在j +1时隙考虑动作aᶄ目标Q 表的输出㊂基于所提出的ISAC 传输协议,DRL 网络的输入为汽车当前距离d t 和前k 个时刻的距离{d t -1,d t -2, ,d t -k },输出为预测的下一个时隙调制模式㊂因此,对DRL 的状态空间㊁动作空间㊁即时奖励定义如下㊂状态空间㊀即所有可能的状态集合㊂具体时刻t 的状态由(k +1)个车辆距RSU 的距离组成㊂可以描述为:s t ={d t ,d t -1, ,d t -k }㊂(19)㊀㊀动作空间㊀包括所有可能选择的调制模式,如下所示:A ={M 1,M 2, ,M P },(20)在时隙j 选择的动作a j ɪA ㊂即时奖励㊀为了在保证最佳的通信速率和质量,即时奖励被设计为:r t =-lg 1-ρt +1-ρ0ρt +1(),ρt +1>ρ0C t +1,else{,(21)式中,C t +1和ρt +1可分别用式(12)~(13)计算㊂ρ0为最大瞬时误码率㊂该算法在约束ρt +1<ρ0下使C t +1最大化,来实现下一时隙调制模式的预测,并由此解决式(15)~(16)中描述的优化问题㊂DRL 具体实现如算法1所示㊂算法1㊀DRL 算法输入:存储空间O ,奖励衰减γ,学习速率l ,样本数量B ,初始化:分别用随机权值θ+和θ-初始化Q 网络和目标Q^网络 1.㊀for episode =1,E do 2.㊀初始化状态s 13.㊀for i =1,I do 4.根据贪婪因子随机选择动作为随机值㊀㊀㊀或者最大Q 值对应动作,即a i =argmax a Q (s i ,a ;θ+)5.执行动作a i ,得到奖励r i 和下一个状态s i +16.将(s i ,a i ,r i ,s i +1)存储到O7.随机在存储空间采样B 个元组(s j ,a j ,r j ,s j +1)8.计算y target j =r j +γmax a ᶄQ ^(s j +1,aᶄ;θ-),并跟据预测误差对Q 网络的权值θ+进行梯度下降更新,预测误差计算如式(17)9.每隔J 步更新目标网络Q^=Q 10.㊀end for 11.end for3 仿真结果本节利用一些数值结果来评估所提算法的有效性㊂在所考虑的V2X 系统中,N 0=N 1=-50dBm㊂使用笛卡尔坐标系来表示RSU 与车辆之间的空间关系,RSU 定义在[0m,0m],车辆坐标为[X ,Y ]㊂为不失一般性,设置Y 为30m㊂此外,假设车辆的初始速度μ0为23m/s,车辆从道路左边界[-150m,30m]驶向右边界[150m,30m],加速度设置为a ~N (0,5m /s 2)㊂此外,假定发射机支持6种调制模式:0㊁4QAM㊁8QAM㊁16QAM㊁32QAM㊁64QAM,模式0意味着发射机继续传输4QAM 信号仅进行感知㊂并且将输入的距离信息进行归一化处理,设k =5㊂其他仿真参数见表1㊂表1㊀仿真参数Tab.1㊀Simulation parameters参数值天线增益G /dB 0载波频率f c /GHz5一个时隙符号数N 1024传输功率p 0/dB 21误码率阈值ρ01ˑ10-4信号时隙周期/ms 20㊀㊀本文使用如下基线来评价系统的性能:传统导频训练㊀考虑文献[9]中使用的传统通信方案,它从导频交互中得到过时的CSI㊂本文直接使用此时刻h t 作为下一时刻h t +1来选择调制模式,其中导频开销假定为8%[25]㊂理想模式㊀根据完美CSI 选择给定瞬时BER 约束下最优调制模式㊂DRL 算法㊀它建立在本文提出的考虑历史距离的ISAC 系统上㊂DRL 中的DNN 由一个包含(k +1)个神经元的输入层,3个分别包含200㊁100和40个神经元的全连接隐藏层和一个包含6个神经元的输出层组成㊂此外,对DRL 的一些参数进行设置,例如存储大小O ㊁奖励衰减γ㊁学习速率l ,样本数量B ,更新间隔J 分别设置为5000㊁0.2㊁0.005㊁256㊁100,并且训练迭代次数E ˑI =1000ˑ1000㊂自回归(Auto Regressive,AR)㊀本文采用基于预测的AR 算法,并将其运用到提出的ISAC 自适应调制协议中,从而与本文提出的DRL 算法进行进一步对比㊂即发射机通过回波估计信道状态,然后使用AR 预测下一时刻信道状态,基于预测的信道状态选择调制模式㊂本文使用burg 方法来估计AR 模型的系数㊂图4展示了平均吞吐量(bit /s)和BER 的对比㊂由图4(a)可以看出,由于导频符号占据一部分信息符号,传统方法的平均吞吐量最低㊂AR㊁理想㊁DRL 方法的平均吞吐量接近,证明了ISAC 系统确实能够提高通信速率㊂图4(b)展示了模式选择临界点BER 的比较,可以看出DRL 可以满足瞬时BER 的约束,保证了信号传输的可靠性㊂(a )吞吐量比较(b )BER 比较图4㊀不同方法下吞吐量和BER 的比较(μ0=23m /s )Fig.4㊀Comparison of throughput and average BERversus different method (μ0=23m /s )图5为车辆运动过程中RSU 在模式切换临界点附近模式选择的比较㊂由图5可知,传统方法使用的过时的CSI,所以具有滞后性,而基于回波的ISAC 策略可以较为准确地预测调制方案㊂图5㊀不同方法下模式选择随时间变化Fig.5㊀Mode selection versus time for different methods4 结束语本文考虑了ISAC 系统下的自适应调制方案设计,在V2X 网络中RSU 根据车辆的位置提供不同调制模式来提升通信性能㊂在该场景下,RSU 接收到车辆反射的回波信号后,通过匹配滤波估计车辆的距离和速度㊂为了在保证通信质量的情况下最大化容量,RSU 根据当前车辆的距离,采用DRL 算法预测下一时隙的调制模式㊂仿真结果表明,本文采用的基于ISAC 的DRL 算法能够准确地预测调制模式,相较于传统通信在保证误码率的情况下,通信容量有较大的提升,并且具有较好的鲁棒性㊂此外,本文仅考虑了视距信道,在今后的工作中可以考虑在有非视距信道影响下的自适应调制问题㊂参考文献[1]㊀SWAMY S N,KOTA S R.An Empirical Study on SystemLevel Aspects of Internet of Things (IoT)[J].IEEE Access,2020,8:188082-188134.[2]㊀WYMEERSCH H,SECO-GRANADOS G,DESTINO G,et al.5G mmWave Positioning for Vehicular Networks[J].IEEE Wireless Communications,2017,24(6):80-86. [3]㊀SIEGEL J E,ERB D C,SARMA S E.A Survey of theConnected Vehicle Landscape-Architectures,Enabling Tech-nologies,Applications,and Development Areas[J].IEEETransactions on Intelligent Transportation Systems,2017,19(8):2391-2406.[4]㊀FENG Z,FANG Z,WEI Z,et al.Joint Radar and Com-munication:A Survey[J].China Communications,2020,17(1):1-27.[5]㊀LIU C,YUAN W,LI S,et al.Learning-based PredictiveBeamforming for Integrated Sensing and Communication inVehicular Networks[J].IEEE Journal on Selected Areas inCommunications,2022,40(8):2317-2334.[6]㊀LIU F,CUSI Y,MASOURO C,et al.Integrated Sensingand Communications:Towards Dual-functional WirelessNetworks for6G and Beyond[J].IEEE Journal on SelectedAreas in Communications,2022,40(6):1728-1767.[7]㊀ANDREWS J G,BUZZI S,CHOI W,et al.What Will5G Be?[J].IEEE Journal on Selected Areas in Commu-nications,2014,32(6):1065-1082.[8]㊀ZHANG J A,LIU F,MASOUROS C,et al.An Overviewof Signal Processing Techniques for Joint Communicationand Radar Sensing[J].IEEE Journal of Selected Topicsin Signal Processing,2021,15(6):1295-1315. [9]㊀GOLDSMITH A J,CHUA S G.Variable-rate Variable-power MQAM for Fading Channels[J].IEEE Transactionson Communications,1997,45(10):1218-1230. [10]ZHANG J,CHEN S,MAUNDER R G,et al.AdaptiveCoding and Modulation for Large-scale Antenna Array-based Aeronautical Communications in the Presence ofCo-channel Interference[J].IEEE Transactions on Wire-less Communications,2017,17(2):1343-1357. [11]SUN Y,PENG M,MAO S.Deep Reinforcement Learning-based Mode Selection and Resource Management forGreen Fog Radio Access Networks[J].IEEE Internet ofThings Journal,2018,6(2):1960-1971. [12]DU Z,LIU F,ZHANG Z.Sensing-assisted Beam Trackingin V2I Networks:Extended Target Case[C]ʊICASSP2022-2022IEEE International Conference on Acoustics,Speech and Signal Processing(ICASSP).Singapore:IEEE,2022:8727-8731.[13]LIU F,YUAN W,MASOUROS C,et al.Radar-assistedPredictive Beamforming for Vehicular Links:Communica-tion Served by Sensing[J].IEEE Transactions on Wire-less Communications,2020,19(11):7704-7719.[14]YUAN W,LIU F,MASOUROS C,et al.BayesianPredictive Beamforming for Vehicular Networks:A Low-overhead Joint Radar-communication Approach[J].IEEE Transactions on Wireless Communications,2020,20(3):1442-1456.[15]MATEOS-RAMOS J M,SONG J,WU Y,et al.End-to-end Learning for Integrated Sensing and Communication[C]ʊICC2022-IEEE International Conference on Com-munications.Seoul:IEEE,2022:1942-1947. [16]NIU Y,LI Y,JIN D,et al.A Survey of Millimeter WaveCommunications(mmWave)for5G:Opportunities andChallenges[J].Wireless Networks,2015,21(8):2657-2676.[17]POON A S Y,BRODERSEN R W.The Role of Multiple-antenna Systems in Emerging Open-access Environments[C]ʊEE Times Commun.Des.Conf.San Jose:EE Times,2003:1-10.[18]BACCARELLI E,FASANO A.Some Simple Bounds onthe Symmetric Capacity and Outage Probability for QAMWireless Channels with Rice and Nakagami Fadings[J].IEEE Journal on Selected Areas in Communications,2000,18(3):361-368.[19]KIM I M,KIM D I.Wireless Information and PowerTransfer:Rate-energy Tradeoff for Equi-probableArbitrary-shaped Discrete Inputs[J].IEEE Transactionson Wireless Communications,2016,15(6):4393-4407.[20]GOLDSMITH A.Wireless Communications[M].Cambri-dge:Cambridge University Press,2005:176-180. [21]ZHANG X,PENG M,YAN S,et al.Deep-reinforce-ment-learning-based Mode Selection and Resource Alloca-tion for Cellular V2X Communications[J].IEEE Internetof Things Journal,2019,7(7):6380-6391. [22]ZHAO Z,BU S,ZHAO T,et al.On the Design of Com-putation Offloading in Fog Radio Access Networks[J].IEEE Transactions on Vehicular Technology,2019,68(7):7136-7149.[23]MNIH V,KAVUKCUOGLU K,SILVER D,et al.Human-level Control Through Deep Reinforcement Learning[J].Nature,2015,518(7540):529-533.[24]MASHHADI S,GHIASI N,FARAHMAND S,et al.DeepReinforcement Learning Based Adaptive Modulation withOutdated CSI[J].IEEE Communications Letters,2021,25(10):3291-3295.[25]ZHAO Z,CHENG X,WEN M,et al.Channel EstimationSchemes for IEEE802.11p Standard[J].IEEE Intell-igentTransportation Systems Magazine,2013,5(4):38-49.作者简介:㊀㊀李本翔㊀硕士研究生㊂主要研究方向:通感一体化等㊂㊀㊀(∗通信作者)向路平㊀博士,讲师㊂主要研究方向:信道编码㊁通感一体化系统和数能同传等㊂㊀㊀胡㊀杰㊀博士,正高级研究员,博士生导师㊂主要研究方向:无线通信与组网中的物理层设计和资源分配㊁无线数据与能量一体化传输关键技术等㊂㊀㊀杨㊀鲲㊀博士,电子科技大学国家特聘教授,数能网络实验室主任,欧洲科学院院士MAE㊂主要研究方向:无线通信和网络㊁未来网络技术和移动边缘计算等㊂。
【国家自然科学基金】_helmert方差分量估计_基金支持热词逐年推荐_【万方软件创新助手】_20140729
科研热词 推荐指数 间接平差 1 赫尔默特方差分量估计 1 粗差探测 1 无碴轨道高速铁路 1 方差分量估计 1 探月工程 1 拟稳平差 1 卫星测轨 1 仿真计算 1 minque 1 helmert型方差分量估计 1 bique 1
科研热词 helmert方差分量估计 赫尔默特法 虚拟观测 自适应因子 简化公式 极大似然估计 最小范数二次无偏估计 最小二乘方差分量估计 最优不变二次无偏估计 方差分量估计 拟合推估 定位精度 单点定位 协方差函数 半参数回归模型 gps高程拟合 gps beidou
推荐指数 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2009年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 随机信号 自适应因子 精密定位 方差分量估计 拟合推估 形变分析 地球物理模型 地壳变形分析 先验信息 helmert方差分量估计 gps
推荐指数 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1
2010年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
科研热词 helmert方差分量估计 随机模型 虚拟观测值 相对精度 正交分解 最小范数二次无偏估计 无碴轨道铁路 方差因子 方差-协方差分量估计 方位向偏移量 拟合推估 幅度匹配 单位权方差 全局最优化 二次型 三维形变 insar bam地震
科研热词 联合反演 方差分量估计 赫尔默特方差分量估计 赫尔墨特方差分量估计 相对权比 相对定位 模糊度解算 最小二乘配置 序贯算法 大地测量数据处理 单位权方差 两步法 helmert估计 gps/glonass
航迹融合算法在多传感器融合中的应用
融合法 、 信息矩阵融合 法 、 测量融 合法 和基于模 糊集 理论 伪
的模糊航迹融合法等。
航迹融合包含两 部分 ， 即航迹 关联 、 航迹 状态估 计 与融
合协方差计算 。航迹关 联 只说明两 条航迹 以较大 的概 率来 自同一 目标 ， 然后 对已关联 上的航迹 按照一定 的准 则进行合 并， 以形 成系统航 迹 ： 对融 合 以后 的航迹 状态 和协方 差进 并 行计算 ． 以便对航迹更 新
摘要： 研究寻 的制导优化控制问题 ， 针对传统单一传感 器导引不 能满足性能要求 ， 提出采用 多传感器复合制导 。航迹 融合 是
多传感器数据融合 中一个非常重要 的方面 。由于公共过程噪声的原因 ， 使在应用状 态估计 融合系统 中， 自不同传感器 的 来 航 迹估计误差未必有独立性 ， 为了使航迹与航迹关联和融合， 提出 自适应航迹 和协方差加权航迹融 合的算法。通过仿真研
究说 明 自 适应航迹融合和协方差加权航迹融合的算法对多传感 器数据融合技术有 很明显的作用 ， 数据融合 效果好 ， 为复合
寻的制导优化设计提供了依据 。 关键 词： 多传感器 ； 信息融合； 自适应航迹融合 ； 协方差加权航迹融合
中 图 分 类 号 ：Ｎ ５ ＋ ５ Ｔ ９ ３ ． 文 献标 识码 ： Ａ
Ａｐ ｌｃ ｔｏ ｆ ｔ ａ ｋ Ｆｕ ｉ ｎ ｉ ｕｌｉ ｓ ｎ ｏ ｐ ｉ ａ ｉ ｎ ｏ ｈｅ Ｔｒ ｃ ｓｏ ｎ Ｍ ｔ － ｅ ｓ ｒ Ｆｕｓｏ ｉｎ
ＴＩ ＡＮ ｅ ｙ ， ＩＹｉ ｂ ｎ Ｘｕ － ｉ Ｌ － ｉ ｇ，ＬＩＺｈ －ｇ ｎ ｉ ａｇ
１ 引言
复合 寻 的制 导技术是 当今世 界各 国竞 相发展 的精确制
来 ， 多科技工作 者在此领域做 了大量的研究工作 。当前在 许 各种融合系统 中用得 比较多的主要有 以下几类 ： 加权 协方差
一种新的自适应图像增强融合算法
图像的反射及辐射互补特性细节 内容 ， 显著提高 了 图像的信息量。算法组成如图 １ 所示。
据融合处理技术 ， 利用多传感器信息互补性 ， 可有效 扩展系统 目 标探测的空间覆盖范围和时间覆盖范围， 图 １ 自适应图像增 强融合算 法组成 提高系统的全天时 目标检测和抗干扰能力。本文基 于机载红外／ 可见光双传感器光电系统实际应用场景 ２ 自适 应 图像增 强 算法首先对预处理后的红外和可见光图像分别 的特 ， 提出了一种 自 适应图像增强融合算法。 算法 首先对输入图像进行 自适应增强处理 ， 然 后基于局部能量及归一化互相关 的融合测度对增强 后的红外和可见光图像进行组合重构 ， 得到融合 图
一
种新 的 自适 应 图像 增 强 融 合 算 法
吉书鹏
（ 中国空空导弹研究 院， 河南 洛阳 ４ １０ ７ ０９）
摘 要： 出了一种新的 自 提 适应 图像增强融合算法 ， 算法将输入 图像分解为反映 图像平均照度 特征的低频分量和反映 图像对比度特征的高频分量 图像 ， 于局部灰度 方差增强 因子和非线 基 性投影变换 因子进行 自适应图像增强处理 ， 基于局部 能量、 局部 归一化互相关融合测度和加权 融合算子对增强后的 图像进行特征提取和重构， 得到融合 图像。有效地将输入 图像细节特征 传递组合到融合 图 中。 像 关 键词 ： 图像增 强 ； 图像 融合 ； 特征 提 取 中图分 类号 ： Ｐ ５ Ｔ７１ 文献标 识 码 ： Ａ
多源机会信号飞行器EKF_融合导航方法
引用格式：刘俊妧, 陈渲文, 张少莉, 等. 多源机会信号飞行器EKF 融合导航方法[J]. 中国测试，2023, 49(12): 94-100. LIU Junyuan, CHEN Xuanwen, ZHANG Shaoli, et al. Aircraft EKF fusion navigation method based on multi-source opportunity signals[J]. China Measurement & Test, 2023, 49(12): 94-100. DOI: 10.11857/j.issn.1674-5124.2023060057多源机会信号飞行器EKF 融合导航方法刘俊妧1， 陈渲文2， 张少莉1， 陈 森2(1. 中国飞行试验研究院，陕西 西安 710089; 2. 陕西师范大学数学与统计学院，陕西 西安 710119)摘 要: 该文考虑多源异构机会信号情况下的飞行器导航问题，提出一种新型扩张卡尔曼滤波融合导航方法。
首先，针对5类典型的机会信号，构建机会信号测量值模型。
然后，采用中心式交互结构，设计可自由增减导航机载模块的融合导航框架，具体包括3部分：局部机载设备的定位预报模块、局部机载设备的测量更新模块、中心融合计算模块。
通过交互中心融合计算模块与局部机载设备的信息，迭代更新当前飞行器的位置预估值。
进一步，给出所提出融合导航方法的误差分析结果，并且建立基于估计误差方差最小化的融合权重优化选取方案。
关键词: 机会信号导航; 扩张卡尔曼滤波; 融合滤波; 到达时间; 到达角度中图分类号: TN966文献标志码: A文章编号: 1674–5124(2023)12–0094–07Aircraft EKF fusion navigation method based on multi-source opportunity signalsLIU Junyuan 1, CHEN Xuanwen 2, ZHANG Shaoli 1, CHEN Sen 2(1. Chinese Flight Test Establishment, Xi’an 710089, China; 2. School of Mathematics and Statistics, Shaanxi NormalUniversity, Xi’an 710119, China)Abstract : This paper considers the navigation of aircraft with multi-source heterogeneous opportunity signals,and proposes a new extended Kalman filter based fusion navigation method. Firstly, the measurement models of five typical types of opportunity signals are presented. Then, the fusion navigation framework is constructed by using a centralized interactive structure, which can expediently increase or decrease navigation airborne modules. The fusion navigation contains three parts: the position prediction module of local airborne equipment, the measurement based update module of local airborne equipment, and the central fusion calculation module. By fusing the information of the calculation module in interaction center and local airborne equipment, the estimated position of the current aircraft is iteratively updated. Furthermore, the error analysis results of the proposed fusion navigation method are presented, and the optimal selection of fusion weight based on minimizing the variance of estimation error is established.Keywords : navigation via signal of opportunity; extended Kalman filter; fusion filtering; arrival of time;arrival of angle收稿日期: 2023-06-12；收到修改稿日期: 2023-08-16基金项目: 国家自然科学基金资助项目（62003202）；陕西省科学技术协会青年人才托举计划项目（20230513）作者简介: 刘俊妧（1992-），女，陕西汉中市人，工程师，硕士，研究方向为机载电子设备飞行试验。
【PNT前沿】多无人机协同导航技术研究现状及进展
【PNT前沿】多无人机协同导航技术研究现状及进展展开全文许晓伟，赖际舟，吕品，樊刘仡(南京航空航天大学导航研究中心，南京 211106)摘要：UAV是无人驾驶飞机(Unmanned Aerial Vehicle)的简称，无人机相较于有人驾驶飞机具有用途广泛、成本低和生存能力强等特点，在军事民用领域都有着广阔的前景，受到了国内外研究者的关注。
协同导航技术极大地扩展了无人机的应用范围，提高了多无人机定位的精度以及无人机编队的稳定性、安全性和可靠性。
现阶段协同导航技术在编队导航、目标监测与跟踪等诸多方面都得到了研究与应用。
从四个层次对协同导航的研究现状和进展进行探讨：首先是对多无人机协同导航的概念、基本原理、国内外发展现状和必要性进行阐述；其次对协同导航中相对导航方式进行了分类分析，并分别介绍了无线电导航与视觉导航的原理、优缺点和应用场景；然后从导航目的、协同导航优化算法、滤波方法、协同导航信息融合容错策略几个方面对协同导航进行分析归纳；最后，讨论了基于多无人机协同导航未来的发展趋势。
关键词：协同导航;视觉导航;无线电导航;信息融合;卡尔曼滤波0 引言20世纪70年代，物理学家哈肯创立了协同理论，该理论指出，如果一个系统内部的各子系统能够相互协调配合，就可以产生“1+1>2”的协同效应[1]。
因此，协同导航技术作为一个新兴的研究方向受到了诸多研究者的关注，通过协同导航技术利用多无人机传感器之间的信息交互，以实现多无人机的信息协同，从而提高其定位的精度，弥补了导航传感器的误差，并且对可能出现的故障进行识别、隔离和恢复，保障多无人机的任务执行力。
目前，协同导航技术发展迅速，已经被广泛应用于军事领域，例如各军种的联合作战、蜂群作战。
同时，该技术也在向民用化发展，例如无人机群的协同灯光表演、无人机快递递送业务。
协同导航的研究起始于20世纪末，其应用平台相当广泛，包括水下无人器、无人机、卫星以及陆地机器人等[1]。
上海杰得夺得高交会优秀展示奖
３ ｂ所示 的结果 。图 ３是图 ２ 和 ｂ两幅图像经 过分 区迁 ａ 移合成后得 到 ， 显然 比图 ２ ｃ逼真得 多 ， 天绿树 是所 蓝
期望的效果 。
图像 处 理 和计 算 机 视 觉 。 责 任 编 辑 ：刘 伯 义
【】滕 升 华 。 ６ 菇安 军 ， 谋炎 ．一 种 基 于 拉 普 拉 斯 方 程 的图 像 彩 色 化 方 法 邹
『 ．中国图象图形学报，０ ６ｌ（） ４ — ４ ． Ｊ 】 ２ ０ ，１ ： ５ ５ ８ ４５
Ｏ ５ １ ０ １ ０ ２ ０ ２ ０ Ｏ ０ ５ Ｏ ５
Ｐｒ ｓ ，２ ０５ ｅｓ ０ ．
【Ｊ ４ 胡国 ， 傅健， 生．自适应颜色迁移【 ． 彭群 Ｊ 计算机学报， ０ ４ ７ ） Ｊ ２０， （ ： ２ ９
Ｉ ４ —１ ４ ２ ５ ２ ９．
【】赵 国英， Ⅱ叫， ５ 向 上 李华．高阶矩在颜色传输 中的应用【 ．计算机 辅助 Ｊ 】 设 汁与图形学学报，２ ０ ，６１：２ ６ ． ０ ４１（） — ６ ６
参 考 文 献
… 常青。 方， 重堪。 郑平 柳 等．车载 Ｇ Ｓ Ｒ组和导航 系统数据融合算 法 Ｐ／ Ｄ 研究 【． Ｊ 通信学报， ０ ０ １ ） ２ ４ ． 】 ２０， （： －８ ２ ２４ 【】 远喜， ２杨 高为广．基于方差分 量估 计 的自适应融合 导航【．测绘 学 Ｊ 】
中国数据通信，２０ ， １） ５ ． ０ ３ （０：１ ６ ５ ５－ ◇
作者简介 ： 杨 帅 。 。 士生 。 研移动终端 ； 女 硕 主
王 民 北 ， 授 ， 士 生 导 师 ， 要 研 究 方 向 为 无 线 通 信 技 术 与 计 算 教 硕 主
机应用 ：
贾
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第33卷 第1期测 绘 学 报Vol.33,No.1 2004年2月ACTA GEODAETICA et CARTO GRAPHICA SIN ICAFeb.,2004 文章编号:100121595(2004)0120022205中图分类号:P223 文献标识码:A基于方差分量估计的自适应融合导航杨元喜1,高为广2(1.西安测绘研究所,陕西西安710054;2.信息工程大学测绘学院,河南郑州450052)Integrated N avigation by Using V ariance ComponentEstim ates of Multi 2sensor Measurements and AdaptiveWeights of Dynamic Model Inform ationYAN G Yuan 2xi 1,G AO Wei 2guang 2(1.Xi ’an Research Institute of S urveying !and M apping ,Xi ’an 710054,China ;2.Institute of S urveying and M apping ,Inf orm ation Engineering U niversity ,Zhengz hou 450052,China )Abstract :The accuracy of the measurement vectors of the multi 2sensor is usually different.In order to balance thecontributions of the various navigation sensors to the last output ,the principle of variance components estimation is applied.An integrated navigation estimator is given at first ,based on the multi 2sensor measurements.The variance components are applied for optimal balance of the contributions of the local navigation outputs that resulted from measurement vectors of the multi 2sensors.On the basis of the integrated navigation output ,the kinematic predicts are fused by using an adaptive filtering principle.An integrated navigation example by using simulated data is per 2formed and analyzed.K ey w ords :integrated navigation ;multi 2sensor ;variance component estimation ;adaptive data fusion摘 要:多源传感器观测信息的精度一般不一致,利用方差分量估计理论可以合理地顾及各传感器观测信息在融合导航解中的权比。
首先给出基于多源观测信息的融合导航解算模式,进而基于方差分量估计讨论了各传感器观测信息在融合导航解中的合理平衡问题,然后应用自适应因子顾及动力学模型预报信息的贡献,给出了计算过程,并利用模拟数据进行了试算与比较。
收稿日期:2003209226;修回日期:2003211225基金项目:国家杰出青年基金资助项目(49825107);国家自然科学基金资助项目(40174009和40274002)作者简介:杨元喜(19562),男,江苏姜堰人,教授,主要研究方向为大地测量数据处理理论与方法。
关键词:组合导航;多传感器;方差分量估计;自适应融合1 引 言多传感器组合导航是导航定位发展的趋势。
多传感器组合导航观测信息丰富且各传感器的观测信息一般不具有相同类型的系统误差,于是多传感器融合导航可为减弱各传感器系统误差提供辅助信息,并为诊断和剔除各传感器异常误差和状态异常误差提供冗余信息,从而从整体上提高导航定位的精度和可靠性。
多传感器导航一般采用分布式滤波(distributed filtering 或decentral 2ized filtering )[1]或联邦滤波(federated filter 2ing )[2～4]。
多传感器导航的分布式滤波可分为两个阶段,首先基于观测方程和动力模型进行局部滤波,然后进行整体滤波。
这种滤波计算量大,且容错能力差[4]。
近10多年来,基于信息分享原理的联邦滤波受到了重视[2,4]。
联邦滤波的基本思想是,先利用主传感器(或称参考传感器)进行主滤波(MF= master filter),利用各独立传感器观测信息及相应的局部状态方程进行局部滤波(L F=local filter),然后基于主滤波结果和各局部滤波结果进行综合加权滤波。
从表面上看,这种滤波省时,近似最优。
但是联邦滤波法隐含一个假设前提,即各局部状态方程应该是互相独立的,实际上,多传感器的观测信息可以保证是独立的,但状态方程是载体的运动方程,既然多传感器相应于同一载体,则不可能有多个互相独立的状态方程,而且在每个观测历元均有新的状态估值,加上同一载体的运动方程误差,则多传感器的局部滤波之间均含有前一个历元的状态估值误差和载体运动方程的误差[5],但联邦滤波法在第二阶段的整体滤波时并未考虑各局部滤波输出量之间的相关性。
文献[6]研究了局部滤波器之间的相关性问题,但解算显得过于复杂,本文作者曾给出了动、静态滤波融合导航解[7],但未考虑各传感器信息的最优平衡问题。
本文采用Carlson的联邦滤波思想,提出了基于各传感器观测信息融合的滤波解,并基于方差分量估计平衡各传感器观测信息在最终融合导航结果中的权比。
这种融合滤波解能克服各局部导航解之间的相关性,从而保证了最终融合解的严格性、合理性和可靠性。
2 基于方差分量估计的多传感器融合导航 设某载体上有r个传感器1,2,…,r,对于载体导航,我们一般只关心载体的位置、速度和加速度,于是在理论上,同一载体的多个导航传感器应具有相同的位置、速度和加速度,即使多传感器不能位于同一位置,也可根据其几何关系化算至同一位置。
设在t时刻各传感器观测向量L j(t) (j=1,2,…,r),相应的协方差矩阵Σj(t),载体从t-1到t时刻的状态转移向量为X(t),则状态方程和观测方程为X(t)=Φt,t-1^X(t-1)+w(t)(1)L j(t)=A j(t)^X(t)+Δj(t)(2)式中,Φt,t-1为状态向量的转移矩阵,W(t)为状态误差向量,其协方差矩阵为Σw(t),A j(t)为设计矩阵,Δj(t)为L j(t)的误差向量。
为了合理地利用各传感器的导航解,可先由各传感器观测信息及相应的观测方程(2)求得观测历元的局部导航解或抗差导航解^X j和相应的协方差矩阵Σ^Xj或权矩阵P Xj,并进行简单融合,得^X0=P-1^X(P^X1^X1+…+P^Xr^X r)(3)式中P^X=∑rj=1P^Xj(4)然而,仅由各局部传感器的输出量^X j和P Xj 进行简单融合有时是不够的。
因为各局部传感器输出量难以可靠、合理地估计自身的可靠性,Σ^Xj 和P Xj仅反映各传感器内部观测信息的精度(离散程度),不能反映该传感器在融合导航解中的可靠性。
于是,有必要采用方差分量估计重新调整各传感器导航输出量的权矩阵。
为此,可构造如下极值条件Ω=∑rj=1V T j P j V j=min(5)式中, P j为经方差分量估计调节后的观测权矩阵。
基于此可得融合导航解为^X0=(∑rj=1A T j P j A j)-1(∑r j=1A T j P j L j)(6)利用方差分量估计原理[8,9],可得融合导航解的迭代解为 ^X k=(∑rj=1A T j P k j A j)-1(∑r j=1A T j P k j L j)=(∑rj=1N k j)-1(∑rj=1U k j)(7)式中N k j=A T j P k j A j U k j=A T j P k j L j(8)P k j=(^σ2j)kΣ-1j(9)(^σ2j)k=(V k j)T P k-1j V k jr j(10)r j=n j-tr(N k j(N k)-1)(11)N k=∑rj=1N k j(12)式中,Σ-1j为初始协方差矩阵的逆,n j,r j分别为L j的维数和多余观测数。
基于式(7)求得的^X k的协方差阵为Σ^X k=(∑rj=1N k j)-1^σ20(13)式中32第1期 杨元喜等:基于方差分量估计的自适应融合导航^σ20=∑rj=1V T j P j V j∑rj=1n j-m(14)m为未知参数个数。
如此求得的融合导航解不仅保证了融合导航解的可靠性,而且保证了各局部导航解输出量在最终融合解中的合理贡献。
3 考虑动力学模型的自适应融合导航解 由式(7)求得的融合导航解中不含有动力学模型信息,为合理利用动力学模型信息,可采用自适应估计原理[5,10]。
由式(1)可写出t时刻动力学模型信息的预报方程X(t)=Φt,t-1^X(t-1)(15)ΣX(t)=Φt,t-1Σ^X(t-1)ΦT t,t-1+Σw(t)(16)将^X k写成^X(t),Σ^X k写成Σ^X(t),则自适应融合解为^X t=(αP X(t)+P^X(t))-1(αP X(t)X(t)+P^X(t)^X(t))(17)Σ^Xt=(αP X(t)+P^X(t))-1(18)式中P X(t)=Σ-1X(t) P^X(t)=Σ-1^X(t)(19)α为自适应因子[10],其表达式为α= 1c0|ΔX|(c1-|ΔX|c1-c0)2 0|ΔX|≤c0c0<|ΔX|≤c1|ΔX|>c1(20)式中,c0=1.0～1.5,c1=3.0～4.5,|ΔX|为|ΔX|=‖X(t)-^X(t)‖/tr(ΣX(t))(21)上述基于多传感器观测信息的融合方法计算相对简单,理论严密。
基于观测信息的融合可保证各局部融合导航解之间不相关。
如果状态先验权矩阵和各传感器观测向量的先验权矩阵稳定可靠,则基于式(3)的融合解简单直观,若验前协方差矩阵或权矩阵不可靠,则必须采用方差分量估计重新估计各传感器观测向量的权矩阵,并用自适应估计方法调节状态预测信息的权矩阵。