基于位置姿态预测的无人机波束跟踪*
时间：2023-04-12 11:50:55
基于位置姿态预测的无人机波束跟踪*一文创作于：2023-04-12 11:50:55，全文字数：10468。
基于位置姿态预测的无人机波束跟踪*系原点为发射无人机重心，xa、ya、za分别指向无人机的右方、前方和上方。（2）接收无人机的局部坐标
接收无人机的局部坐标定义为b坐标系，该坐标系原点为接收无人机重心，xb、yb、zb分别指向无人机右方、前方以及上方。
（3）UPA 坐标系
UPA 坐标系定义为c坐标系，原点为UPA 的几何中心，xc轴与xa平行，zc垂直阵列平面，yc垂直于zc平面。
（4）全局坐标系
3 仿真实验
为了验证基于GP 预测的波束跟踪方法的性能，本文分别从信噪比（SNR,Signal to Noise Ratio）和阵列尺寸两方面对基于GP 预测的波束跟踪算法进行仿真分析。考虑载波频率为60 GHz 的U2U 通信。无人机的运动遵循平滑转向移动模型[15]。具体仿真参数如表1 所示：
表1 仿真参数
3.1 预测性能分析
发射无人机和接收无人机首次交换MSI 后，使用过去3 000 个时隙的无人机位置姿态数据作为训练数据集。测试数据集为后2 000 个时隙，在一个时间步上预测Tf=5 个时隙的位置，当前预测的输出和之前的输出作为下一个时间步预测的输入，直到进行下一次MSI 交换。
UAV 位置预测性能如图2 所示，与完美MSI 数据以及与基于KF 方法[20]的位置姿态预测方法进行比较，基于GP 的位置预测结果与MSI 较为拟合，KF 预测结果误差略大于GP 预测结果，原因是UAV 间的MSI 交换间隔较长，KF 在没有频繁观测的情况下没有足够的信息准确更新系统状态，而GP 方法由于训练后的GP 模型不需要频繁观测而受到较小的影响。并且，当运动越接近非线性运动时，GP 模型预测的优势越显著。
图2 GP位置预测
姿态预测性能如图3 所示，姿态预测时，GP 预测曲线在突变情况下误差更小，而KF 方法表现出明显的滞后性，原因同上。因此该方法能够获得及时稳健的预测精度。
图3 GP姿态预测
3.2 跟踪性能分析
在仿真中，对1 000 个点进行平均频谱效率计算。图4 为在阵列大小为16×18 阵元的情况下，频谱效率和信噪比的关系。基于GP 预测的波束跟踪算法频谱效率与完美MSI 情况相差约0.76 dB，而KF 方法相差2 dB 以上，GP 明显优于KF 算法。
图4 频谱效率与信噪比的关系
图5 是在SNR=5 dB，y 方向天线阵列数为16 的情况下得到的频谱效率与天线阵列大小的关系。如图5 所示，当天线阵列较小时，GP 预测的误差对频谱效率的影响很小，而天线阵列越大，预测误差对频谱效率的影响越大，并且GP 预测性能相比于KF 预测优势更显著。
图5 频谱效率与天线阵列大小的关系
4 结束语
本文针对U2U 毫米波通信系统，采用了一种基于位置姿态预测的波束跟踪方法。利用GP 模型学习位置和姿态的历史数据并对无人机未来的位置姿态进行预测。该方法根据预测信息的几何关系，利用坐标变换得到AoA和AoD，从而到达波束跟踪的目的。仿真结果表明，在高移动性的U2U 毫米波通信中，基于GP 的波束跟踪方案获得相对精确的波束跟踪效果。
《基于位置姿态预测的无人机波束跟踪*》在线阅读地址：基于位置姿态预测的无人机波束跟踪*