多误差耦合下无人机集群的目标定位:一种协同信息效用优化方法

《Ad Hoc Networks》:Target localization in UAV swarm under multi-error coupling: A cooperative utility of information optimization approach

【字体: 大 中 小 】 时间:2026年01月27日 来源:Ad Hoc Networks 4.8

编辑推荐:

  在复杂电磁环境中,无人机(Unmanned Aerial Vehicle, UAV)集群的规模效应为提升协同效能展现出显著潜力。然而,基于到达时间差(Time Difference of Arrival, TDOA)的无人机集群非合作辐射源定位精度受到多源误差

  
在复杂电磁环境中,无人机(Unmanned Aerial Vehicle, UAV)集群的规模效应为提升协同效能展现出显著潜力。然而,基于到达时间差(Time Difference of Arrival, TDOA)的无人机集群非合作辐射源定位精度受到多源误差耦合的严重影响,主要包括无人机位置误差(UAV Position Error, UPE)、时钟同步误差(Clock Synchronization Error, CSE)和TDOA测量误差(TDOA Measurement Error, TME)。为应对多源误差耦合下协同效能评估的挑战,以及平衡定位精度与计算效率,研究人员提出了一种协同信息效用(Cooperative Utility of Information, CUoI)优化方法。首先,通过集成多源误差构建TDOA观测不确定性模型。其次,推导目标位置估计的信息增益以建立CUoI评估模型。接着,利用对决深度Q网络(Dueling Deep Q-Network, Dueling DQN)将状态价值与动作优势解耦的特性,实现对不同超参数调整策略潜在效益的精确评估。该特性促进粒子群优化(Particle Swarm Optimization, PSO)中关键超参数的自适应调节。最后,提出基于Dueling DQN的动态PSO框架以有效平衡定位精度与计算效率。数值实验表明,与半正定松弛-TDOA(Semidefinite Relaxation-TDOA, SDR-TDOA)、灰狼优化器(Grey Wolf Optimizer, GWO)以及多群离散量子启发式粒子群优化结合自适应模拟退火(Multi-swarm Discrete Quantum-inspired Particle Swarm Optimization with Adaptive Simulated Annealing, MDQPSO-ASA)相比,所提算法分别实现了平均定位均方根误差(Root Mean Square Error, RMSE)降低19.1%、6.0%和1.4%。
随着无人机技术向小型化和低成本方向快速发展,无人机集群凭借其机动性和灵活部署能力,在复杂地形(如山地和城市环境)中的空中被动定位领域展现出广阔应用前景。生成式人工智能(GenAI)和数字孪生网络为精准感知与智能协同提供了新的技术支撑,使无人机集群在侦察监视、应急管理和智能交通系统等领域具有重要价值。在非合作辐射源定位任务中,基于无人机集群的TDOA定位能够通过多机协同部署与联合处理实现高精度定位,即使在复杂地形或基础设施受限条件下也不失为一种有效方案。

然而,在实际任务中,无人机集群通常搭载被动接收机在空中机动,通过协同TDOA测量对地面辐射源进行定位。TDOA测量不可避免地因环境干扰和设备精度限制而产生抖动和随机偏置;无人机位置信息亦受气流扰动和导航精度约束而产生偏差;多平台时钟依赖同步和周期性校准,其有限精度会引入相对时钟漂移。因此,无人机集群TDOA定位不可避免地受到TME、UPE和CSE等多源误差耦合影响。不同无人机子集在空间几何构型和误差水平上存在差异,这些差异在协同定位中被进一步放大,增加了目标位置的估计偏置,也使得由不同子集构成的候选协同定位簇(co-loc clusters)的定位贡献 inherently 不等价。因此,亟需高效的聚类策略以合理选取簇头和簇成员,构建具有高协同效能的co-loc簇,同时平衡定位精度与计算效率。

现有研究通常遵循三个步骤:在场景误差建模阶段,根据具体场景建立观测误差模型,为后续聚类选择提供依据;在协同效能评估阶段,构建适当指标以表征候选co-loc簇的定位贡献,从而比较不同簇配置;在求解设计阶段,采用可行的优化方法选取簇头和簇成员,兼顾定位精度与计算效率。

在误差建模方面,TME是最根本的误差源。大量研究将TME建模为独立零均值高斯噪声,采用克拉美-罗下界(Cramér–Rao Lower Bound, CRLB)作为优化传感器布设、选择和轨迹规划的性能准则。部分研究进一步考虑距离依赖的TME,如将TME方差建模为基线方差与距离依赖函数的乘积。然而,更实际的TME模型还应纳入接收信噪比(Signal-to-Noise Ratio, SNR)这一关键物理层因素,因为TME本质上源于各锚点的到达时间(Time of Arrival, TOA)估计误差,其均方误差(Mean Square Error, MSE)直接由链路SNR决定。忽略SNR效应将限制TME模型的完备性。对于UPE,研究表明其影响与相对无人机-目标几何关系直接相关,可用几何精度稀释因子(Geometric Dilution of Precision, GDOP)表征,且该误差会被几何构型放大。有研究将可用传感器位置建模为真实位置与零均值高斯误差之和,将UPE和TME纳入伪线性测量方程,构建约束总体最小二乘(Constrained Total Least Squares, CTLS)模型进行耦合建模与联合优化。然而,上述研究大多假设传感器间理想时钟同步。在实际中,不同无人机的本地时钟很少同步,这会引入TDOA测量偏置并增加定位不确定性。在完全异步网络中,有研究将各传感器时钟偏移建模为固定但未知参数,引入TDOA观测模型作为加性项,结合半正定规划松弛与高斯-牛顿迭代进行联合估计。然而,现有研究鲜少同时考虑TME、UPE和CSE三种误差源。有研究者针对非理想发射机同步的多辐射源多基地定位,将CSE建模包含时钟偏置和漂移的时间偏差项,与传感器位置误差一起纳入统一观测模型,构建关于目标位置、传感器位置和时间偏差的最大似然问题,采用两阶段半正定松弛策略进行联合估计,验证了显式建模多源误差对提升复杂环境下定位性能的重要性。

在协同效能评估方面,现有研究主要依赖CRLB和费舍尔信息矩阵(Fisher Information Matrix, FIM)建立定位性能准则。基于CRLB的评估中,A-最优性最小化平均误差,D-最优性最大化信息增益,E-最优性最小化最坏情况误差。然而,这些研究主要考虑单一测距误差源,未对无人机集群或多传感器协同定位中常见的多源误差进行建模。基于FIM的评估中,有研究考虑传感器位置和速度误差推导FIM,建立传感器位置和速度的联合配置准则,揭示几何与运动设计对信息增益的影响,但其FIM构建依赖精确的目标先验(位置和速度),在未知场景中往往不可得。为降低对精确目标先验的依赖,有研究以目标可能存在的区域替代点先验,构建异构传感器网络的FIM,用FIM行列式和迹评估区域上的部署效能和不确定性变化,但基于区域的多位置FIM评估或聚合计算开销大,可能限制实时应用。为此,研究人员从先验测量构建椭圆置信区域,在其中采样候选位置并按与粗估计的距离赋权,计算加权初始位置估计,为信息增益驱动的聚类优化提供更可靠的初始化。此外,在协同TDOA定位中,簇头作为公共参考节点,其测量可靠性直接影响多条TDOA测量及定位不确定性,因此簇头选择需显式考虑观测可靠性。研究人员采用FIM行列式评估多无人机目标定位的信息增益,并进一步引入接收SNR作为簇头选择准则以确保可靠TDOA测量,基于此构建整合信息增益与协同基础的CUoI模型。

在优化求解方面,聚类优化问题可表述为以布尔向量为优化变量的整数规划(Integer Programming, IP)问题,其NP-hard特性导致计算复杂度随集群规模指数增长。凸优化方法如SDR-TDOA和交替方向乘子法(Alternating Direction Method of Multipliers, ADMM)通过简化问题表述提高计算效率,但松弛模糊性可能限制定位精度。贪婪算法和元启发式算法被广泛用于大规模无人机集群的聚类优化,但贪婪更新的短视性可能牺牲全局最优性;传统元启发式算法如遗传算法(Genetic Algorithm, GA)对超参数设置敏感,易导致早熟收敛和低优化效率。近期研究探索利用强化学习(Reinforcement Learning, RL)提升元启发式算法的适应性,如采用深度Q网络(Deep Q-Network, DQN)自适应选择邻域算子,但DQN依赖单一网络进行动作选择和价值估计,可能导致有偏的动作价值估计;有研究将近端策略优化(Proximal Policy Optimization, PPO)智能体嵌入蝴蝶优化算法(Butterfly Optimization Algorithm, BOA)搜索过程,或采用多actor-critic方案进行PSO参数自适应,但这些方法构建于actor-critic训练之上,涉及多网络和裁剪策略更新等稳定机制,增加了实现难度和训练开销。相比之下,Dueling DQN将状态价值与动作优势函数解耦,能够以相对较低的复杂度更精确地比较候选动作。研究人员受此启发,采用Dueling DQN评估超参数调整动作,自适应调节PSO关键参数,据此开发Dueling-DQN驱动的动态PSO框架以平衡定位精度与计算效率。

针对多源误差耦合场景下的上述挑战,研究人员提出了基于CUoI优化的动态无人机聚类方法。主要贡献包括:开发融合UPE、CSE和SNR-距离依赖TME的TDOA观测不确定性模型,并提出基于置信区域的加权目标位置估计方法,从多源误差建模和空间不确定性估计两方面为无人机聚类优化提供实际的不确定性建模基础;构建整合FIM行列式信息增益和SNR协同基础的CUoI评估模型,通过联合优化聚类几何和感知可靠性,增强所选co-loc簇的定位精度和鲁棒性;采用Dueling DQN评估不同超参数调整策略的潜在效益,实现PSO关键参数的自适应调节,提出基于Dueling DQN的动态PSO优化框架;在典型多源误差耦合场景中,通过对比不同协同策略验证了所提CUoI评估模型的有效性。

为开展此项研究,研究人员主要运用了以下几项关键技术方法:一是多源误差耦合的TDOA观测不确定性建模技术,将UPE建模为三维高斯随机向量,CSE建模为包含时钟偏置和漂移的时间偏差项,TME建模为SNR和距离依赖的测量误差;二是基于置信区域的加权目标位置估计技术,从先验测量构建椭圆置信区域进行采样加权;三是协同信息效用评估技术,以FIM行列式量化信息增益,以SNR量化协同基础,构建CUoI模型;四是Dueling DQN驱动的动态PSO优化技术,利用Dueling DQN解耦状态价值与动作优势的特性,自适应调节PSO惯性权重、认知系数和社会系数等关键超参数。

研究结果部分,依据论文结构主要包括以下内容:

TDOA定位不确定性建模。通过显式建模UPE、CSE和SNR-距离依赖的TME,构建统一的TDOA观测方程,刻画多源误差的耦合影响。UPE影响通过GDOP放大,CSE作为加性偏置引入,TME方差 modeled as与传播距离和接收SNR相关的函数,从而得到更切合实际的TDOA观测不确定性模型。

CUoI驱动的无人机聚类优化模型。为有效评估协同效能,聚类优化需同时考虑co-loc簇的协同基础和目标定位的信息增益。簇头UAV的接收SNR直接影响TME的传播,co-loc簇的空间分布反映其几何信息增益。通过整合基于FIM行列式的信息增益和基于SNR的协同基础,构建CUoI评估模型,实现聚类几何与感知可靠性的联合优化。

基于Dueling DQN的动态PSO框架。针对聚类优化涉及的高维组合优化和非线性测量模型特性,结合Dueling DQN的精确评估能力和PSO的高效搜索能力,实现PSO关键参数的自适应调节。Dueling DQN的状态空间包括种群多样性、收敛趋势等特征,动作空间为PSO超参数调整策略,奖励函数兼顾定位精度提升和迭代效率优化,从而动态平衡全局探索与局部开发。

仿真结果与分析。构建包含100架UAV和3个地面目标的动态定位场景,UAV分布于25km×50km水平范围、2km高度的三维空域,运动速度设为[25,12.5,0]m/s。与SDR-TDOA、GWO、MDQPSO-ASA等基准算法相比,所提算法在平均定位RMSE上分别降低19.1%、6.0%和1.4%,且以更少迭代次数收敛到更优解,有效平衡了精度与效率。

讨论与结论部分,数值实验表明,在无人机集群定位远距离目标的多源误差耦合场景中,所提评估模型能够选择具有更高定位精度的co-loc簇,优于随机选择和仅几何优化策略;在近距场景中,精度与仅几何优化相当。与PSO、GA、GWO、DMSSA和MDQPSO-ASA等元启发式算法相比,所提求解器收敛速度更快,定位精度更高。研究结论指出,所提出的CUoI优化方法通过整合多源误差建模、信息增益评估和动态智能优化,为复杂电磁环境下无人机集群协同目标定位提供了有效的技术途径,在保持较低计算开销的同时显著提升了定位性能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号