[0001] 本发明属于通信技术领域，具体涉及无线通信中的定位。

[0002] 近年来，随着物联网技术、WSNs的发展以及5G通信技术的普及应用和6G通信技术研发工作的持续推进，人们对于高精度定位的需求也日益剧增。当目标源处在环境较为复杂的城市区域或室内时，由于障碍物遮挡、建筑物密集度较高等诸多因素会产生非共视问题，导致传感器不能同时接收测量信息，严重影响定位精度。因此，研究面向非共视环境下基于无人机群轨迹优化的目标定位方法就极为重要。

[0003] 刘军的《基于RSSI和TDOA分层融合的无线定位算法》中提出采用RSSI算法筛选修正过后进行TDOA算法的分层融合算法，使得整体的定位精度得到进一步提升。但在非共视环境下面对测量信息不完全的情况，定位精度下降，难以实现高精度定位。Nitesh Sahu,Linlong Wu等人的《Optimal Sensor Placement for Source Localization:A Unified ADMM Approach》结合乘法器交替方向法(ADMM)和最大‑最小化(MM)技术，建立了传感器最优放置的统一优化框架，在框架内稍加修改，并相应地产生最佳的传感器位置。但该方法并不能适应在非共视环境下进行定位。

[0004] 专利公开号为CN114979948A发明名称为“室内NLOS下TOA定位系统与TDOA定位系统锚节点布局优化方法及系统”的中国专利，基于线性加权组合方法，将双目标优化问题转化为单目标优化问题，得到锚节点部署算法的适应度函数，通过优化锚节点部署的几何形状来达到在不改变系统架构以锚节点数目的前提下，实现平衡定位精度与应用成本的目的。但该方法应用到非共视定位环境中，有效测量信息减少，定位精度大大下降。

[0078] 下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。

[0079] 实施例1

[0080] 本实施例的非共视环境下基于无人机群轨迹优化的目标定位方法由下述步骤组成(参见图1)。

[0081] (1)提取能域测量信息

[0082] 无人机上装载有无线信号接收器，记录无人机接收到的信号能量，按式(1)提取能量域测量信息Qi：

[0083]

[0084] di＝||xp‑si||

[0085] 其中，Qo为信号源在参考距离do处的参考功率，do取值为1～2m，本实施例的do取值为1.5m，β为路径损耗指数与传播环境有关，β取值为2～4，本实施例的β取值为3，μi为零均值高斯随机变量的噪声项。

[0086] (2)确定目标源初始位置

[0087] 根据能量域测量信息Qi，用最大似然准则构建能量域内信号源定位的最小化函数[0088] 对于上述模型，使用MATLAB优化工具箱中的Levenberg‑Marquardt方法确定出目标源初始位置

[0089] (3)构建定位模型

[0090] (3.1)构建时频域测量模型

[0091] 时频域测量模型由时域测量模型 和频域测量模型 组成。

[0092] 按式(2)构建时域测量模型

[0093]

[0094] 其中，mi为第i个接收机时域的测量噪声，i∈(2,3,...,Ns)，Ns取值至少为3，本实施例Ns取值为4，xp是目标源位置，si是第i架无人机位置，s1是第1架无人机位置。

[0095] 按式(3)构建频域测量模型 ：

[0096]

[0097] v＝(vx,vy,vz)T

[0098]

[0099] 其中，fc是载波频率，fc取值为(2.4～2.5)×109Hz，本实施例的fc取值为2.45×9 8 8
10Hz，c为光速，c取值为(2.99～3.00)×10m/s，本实施例的c取值为3.00×10m/s，ni为第i个接收机频域的测量噪声。

[0100] (3.2)构建极大似然函数

[0101] 按下式构建极大似然函数

[0102] Wn＝(k×Qn×kT)‑1

[0103]

[0104] r2＝||xp‑s2||

[0105] r3＝||xp‑s3||

[0106]

[0107] r1＝||xp‑s1||

[0108]

[0109] A＝(A1,P)

[0110]

[0111] y＝(xT,(r2×r1,r3×r1,...,rNs×r1))T

[0112]

[0113] H＝h1+h2

[0114]

[0115] 其中，Qm和Qn分别为时域和频域测量噪声的协方差矩阵，3(Ns‑1)×1表示x是大小为3(Ns‑1)行，1列的列向量。

[0116] (3.3)非凸函数转化为凸函数

[0117] 按下式构建目标函数

[0118]

[0119] δ＝||xp‑s1||

[0120] R＝ro×(ro,T)

[0121] Y＝y×(yT)

[0122]

[0123] 其中，Tr表示求矩阵的迹，I表示单位矩阵。

[0124] (3.4)松弛约束条件

[0125] 按下式对约束条件进行变化：

[0126]

[0127] R＝Tr(Li×G)‑2δ×||xp‑si||+δ2

[0128] y＝(xT,(ro,T+δ)×δ)T

[0129]

[0130] (4)优化飞行轨迹并定位

[0131] (4.1)接收测量信息

[0132] 用目标源初始位置 对未接收到测量信息的无人机发送信息，绕过障碍物，飞往能够接收到源信号的位置，接收测量信息。

[0133] (4.2)迭代更新定位

[0134] 按下式对无人机的飞行轨迹 进行优化：

[0135]

[0136] 其中， 为无人机与辐射源的初始距离， 为当前时刻n的距离，表示无人机在3‑D坐标轴上的三个分量， 表示目标源在3‑D坐标轴上的三个分量， 表示目标源初始估计值在3‑D坐标轴上的三个分量。

[0137] (4.3)输出目标源位置xp

[0138] 用CVX软件，确定目标源位置xp。

[0139] 完成非共视环境下基于无人机群轨迹优化的目标定位方法。

[0140] 实施例2

[0141] 本实施例的非共视环境下基于无人机群轨迹优化的目标定位方法由下述步骤组成：

[0142] (1)提取能域测量信息

[0143] 无人机上装载有无线信号接收器，记录无人机接收到的信号能量，按式(1)提取能量域测量信息Qi：

[0144]

[0145] di＝||xp‑si||

[0146] 其中，Qo为信号源在参考距离do处的参考功率，do取值为1～2m，本实施例的do取值为1m，β为路径损耗指数与传播环境有关，β取值为2～4，本实施例的β取值为2，μi为零均值高斯随机变量的噪声项。

[0147] (2)确定目标源初始位置

[0148] 该步骤与实施例1相同。

[0149] (3.1)构建时频域测量模型

[0150] 时频域测量模型由时域测量模型 和频域测量模型 组成。

[0151] 按式(2)构建时域测量模型

[0152]

[0153] 其中，mi为第i个接收机时域的测量噪声，i∈(2,3,...,Ns)，Ns取值至少为3，本实施例Ns取值为3，xp是目标源位置，si是第i架无人机位置，s1是第1架无人机位置。

[0154] 按式(3)构建频域测量模型

[0155]

[0156] v＝(vx,vy,vz)T

[0157]

[0158] 其中，fc是载波频率，fc取值为(2.4～2.5)×109Hz，本实施例的fc取值为2.4×9 8 8
10Hz，c为光速，c取值为(2.99～3.00)×10m/s，本实施例的c取值为2.99×10m/s，ni为第i个接收机频域的测量噪声。

[0159] (3.2)构建极大似然函数

[0160] 该步骤与实施例1相同。

[0161] (3.3)非凸函数转化为凸函数

[0162] 该步骤与实施例1相同。

[0163] (3.4)松弛约束条件

[0164] 该步骤与实施例1相同。

[0165] 其他步骤与实施例1相同。完成非共视环境下基于无人机群轨迹优化的目标定位方法。

[0166] 实施例3

[0167] 本实施例的非共视环境下基于无人机群轨迹优化的目标定位方法由下述步骤组成：

[0168] (1)提取能域测量信息

[0169] 无人机上装载有无线信号接收器，记录无人机接收到的信号能量，按式(1)提取能量域测量信息Qi：

[0170]

[0171] di＝||xp‑si||

[0172] 其中，Qo为信号源在参考距离do处的参考功率，do取值为1～2m，本实施例的do取值为2m，β为路径损耗指数与传播环境有关，β取值为2～4，本实施例的β取值为4，μi为零均值高斯随机变量的噪声项。

[0173] (2)确定目标源初始位置

[0174] 该步骤与实施例1相同。

[0175] (3.1)构建时频域测量模型

[0176] 时频域测量模型由时域测量模型 和频域测量模型 组成。

[0177] 按式(2)构建时域测量模型

[0178]

[0179] 其中，mi为第i个接收机时域的测量噪声，i∈(2,3,...,Ns)，Ns取值至少为3，本实施例Ns取值为8，xp是目标源位置，si是第i架无人机位置，s1是第1架无人机位置。

[0180] 按式(3)构建频域测量模型

[0181]

[0182] v＝(vx,vy,vz)T

[0183]

[0184] 其中，fc是载波频率，fc取值为(2.4～2.5)×109Hz，本实施例的fc取值为2.5×9 8 8
10Hz，c为光速，c取值为(2.99～3.00)×10m/s，本实施例的c取值为3.00×10m/s，ni为第i个接收机频域的测量噪声。

[0185] (3.2)构建极大似然函数

[0186] 该步骤与实施例1相同。

[0187] (3.3)非凸函数转化为凸函数

[0188] 该步骤与实施例1相同。

[0189] (3.4)松弛约束条件

[0190] 该步骤与实施例1相同。

[0191] 其他步骤与实施例1相同。完成非共视环境下基于无人机群轨迹优化的目标定位方法。

[0192] 为了验证本发明的有益效果，采用本发明实施例1非共视环境下基于无人机群轨迹优化的目标定位方法进行了计算机仿真实验，实验情况如下：

[0193] (1)仿真条件

[0194] 无人机位于800m×800m×800m的区域内飞行，使用4架无人机进行定位，在3‑D坐T T标轴下目标源位置设为(32,180,700) m，4架无人机初始位置分别设置为(0,0,0) m，(30,T T T
28,65) m，(42,200,620) m，(32,175,430)m，无人机匀速运动，飞行速度为15m/s，采样时刻为N＝10s。使用均方根误差RMSE来评价定位方法的性能如下：

[0195]

[0196] 其中， 为目标源真实位置，xp(l)为在第l次蒙特卡洛运行中的目标源位置，Mc表示蒙特卡洛次数，取值在1000～3000范围内随机取值，本实验Mc取值为2000。

[0197] B、仿真内容

[0198] (1)仿真实验1

[0199] 对目标源位置xp估计的均方误差随测量误差σm(m)，σn(Hz)变化的情况，仿真结果如图2、图3所示，图2是σn为1Hz，Ns为4，随着噪声σm(m)变化下均方误差变化图，图3是σm为1m，Ns为4，随着噪声σn(Hz)变化下均方误差变化图。

[0200] 综合上述仿真结果和分析，仿真结果验证了本发明方法的有效性、可靠性与鲁棒性。并证明了在非共视环境下使用本发明提出的时频域联合定位方法，能够有效地对目标源进行定位，保证了非共视环境下无线传感器网络目标的定位精度。