在GNSS信号受阻环境下的无人机群分布式协同定位:ICMC与ACPM融合方法

《Ad Hoc Networks》:UAV Swarm Distributed Cooperative Localization in GNSS-Denied Environments: An ICMC and ACPM Fusion Approach

【字体: 大 中 小 】 时间:2026年07月22日 来源:Ad Hoc Networks 5.4

编辑推荐:

  摘要:随着无人机在城市环境中的广泛应用,尤其是在全球导航卫星系统信号受限的环境下实现高精度定位已成为一项重大挑战。现有的定位方法大多依赖于集中式数据处理,这往往会导致信息冗余、计算复杂度高以及实时响应能力有限等问题。本文提出了一种基于帝国竞争机制聚类与蚁群信息素机制的无人机群协同

  摘要:随着无人机在城市环境中的广泛应用,尤其是在全球导航卫星系统信号受限的环境下实现高精度定位已成为一项重大挑战。现有的定位方法大多依赖于集中式数据处理,这往往会导致信息冗余、计算复杂度高以及实时响应能力有限等问题。本文提出了一种基于帝国竞争机制聚类与蚁群信息素机制的无人机群协同定位策略——I-ACPM。其中,帝国竞争机制聚类用于对无人机群进行多阶段聚类,以提高通信效率并减少信息冗余;而蚁群信息素机制则用于融合各簇内部及簇间的定位信息,从而提升系统的鲁棒性和定位精度。仿真结果表明,I-ACPM在低噪声环境下能显著提高定位精度,其性能接近克拉美尔-罗下界;与传统最大似然估计算法相比,它在精度和抗干扰能力方面均有明显优势。

引言:过去十年间,无人机的研发与应用已从传统的军事领域扩展到航空摄影、通信、灾害救援等众多民用领域。作为飞行基站的无人机在这些领域具有显著优势[1]。随着城市化进程加快,城市环境中的高楼大厦、密集的交通网络以及复杂的地形给无人机作业带来了诸多挑战。尽管存在这些困难,无人机依然能够在城市环境中提供灵活的视角和快速响应能力,助力物流配送、设施巡检以及应急处理等任务[2]。特别是在商业配送领域,无人机展现出巨大潜力,可实现从分拣中心到最终用户的直接配送。在邮政服务领域,无人机也被用于向偏远地区运送药品等重要物资,其在提升配送效率和服务覆盖范围方面具有明显优势[3]。然而,复杂的城市结构对无人机的定位精度和可靠性提出了更高要求。在这样的环境中,由于信号衰减、建筑物反射以及电磁干扰等因素,依赖全球导航卫星系统进行精确导航面临极大挑战,这些因素都会降低定位精度[4],从而严重制约无人机在城市环境中的有效应用。因此,为每架无人机提供准确且低延迟的定位信息,对于成功实施基于无人机的各类应用至关重要。

目前,关于无人机定位方法已有大量研究。Murata等人[5]提出了一种单无人机波源定位方案,通过估算信号的到达方向并运用最大似然估计,在非视距环境下实现精确的波源定位。另有研究[6]引入了一种基于惯性导航误差传播特性和卡尔曼滤波的定位误差检测方法。Bianchi等人[7]提出了一种基于卫星图像自动编码的无人机定位方法,通过压缩和比对卫星图像,可在短时间内实现高效精确的定位,同时大幅降低定位的均方根误差。此外,许多方法侧重于通过无人机间交换测量数据来实现多无人机协同定位。Wei等人[8]提出了一种基于高斯-自适应卡尔曼滤波与超宽频/惯性测量单元的定位方法,该方案在复杂非视距环境下仍能实现稳定定位,并得到了验证。Wang等人[9]提出了一种基于概率数据关联与视觉测量的无人机群协同定位算法。Russell等人[10]则提出了一种基于到达方向测量的、适用于全球导航卫星系统信号受限环境的协同定位方法,通过与配备GPS的无人机协作,利用半定规划与正交普罗克鲁斯特斯算法提升定位精度。Zhou等人[11]提出了一种基于到达角度的多无人机协同定位方法,通过最小化最坏情况位置误差界限来优化系统布局。在[12]中,有一种基于无人机间相对方位角测量的无人机编队定位技术被提出。Fan等人[13]则探索了一种基于相对距离和速度测量的三维移动网络协同定位方法,通过vBFGS算法显著提升了定位精度。

然而,这些方法大多依赖集中式数据处理,即观测数据需传输至地面中心进行处理。这种方法存在诸多局限性:首先,它高度依赖地面融合中心,一旦通信链路出现中断或干扰,就会严重影响整体定位性能;其次,集中式方法难以实时适应复杂环境中的突发变化[14],[15]。因此,分布式定位策略逐渐受到重视,被视为解决上述局限性的有效途径。Liu等人[16]提出了一种分布式三维相对定位算法,该算法利用加权半定规划整合本地几何信息,实现的定位精度接近克拉美尔-罗下界,且优于传统方法。Chen等人[17]研究了一种基于超多维缩放与块分割/合并算法的分布式协同定位方法,通过融入全球导航卫星系统信息,显著提升了无人机群的定位精度和鲁棒性。Xu等人[18]提出了一种分布式路径优化算法,该算法将扩展卡尔曼滤波与梯度下降相结合,能够自适应优化无人机路径,进而提升基于到达角度的目标定位的均方误差性能。Guerra等人[19]提出了一种低复杂度的分布式估计与自主导航技术,利用边缘计算方法提升时间敏感型任务中的定位效率。

随着人工智能的快速发展,机器学习逐渐成为无人机定位与任务规划中不可或缺的部分。Shurrab等人[20]提出了一种基于深度Q网络的强化学习框架,显著提升了无人机目标定位的智能性与效率。Zhou等人[21]提出了一种基于信息效用优化的协同定位方法,用于在多误差耦合条件下实现基于到达时间差的无全球导航卫星系统无人机群目标定位,通过对抗式深度Q网络与信息增益评估实现参数的自适应调整,从而提升定位精度与计算效率。在[22]中,有一种基于5G蜂窝网络的无人机自主三维定位方法被提出,该方法利用深度神经网络与强化学习最小化接收信号强度指示器的测量误差,展现了高效的实时定位能力。

近年来,群体智能算法在分布式协作系统中得到了广泛应用[23]。其中,仿生计算与进化算法是最常用的两种方法[24],[25]。例如,Zhang等人[26]提出了一种基于改进粒子群优化算法的无人机定位方法,该方法通过引入分层粒子群优化与参考粒子群优化,降低了算法复杂度并提升了定位精度。Aslan等人[27]开发了一种基于人工蜂群算法的无人机定位技术,结果表明该算法在定位精度上优于传统粒子群优化算法。Nithya等人[28]将人工蜂群算法与蝙蝠算法结合,构建了一种混合优化算法(ABC-BAT),该算法能有效降低异构传感器网络中的定位误差与延迟。Zou等人[29]设计了一种基于改进蚁群优化算法的定位策略,该算法模仿蚂蚁的觅食行为,更高效地完成多源气味定位任务。

尽管在分布式定位、机器学习以及群体智能算法方面取得了显著进展,但传统方法在保持高精度定位方面仍面临挑战,尤其是在非视距及全球导航卫星系统信号受限的环境中。这些问题的产生源于复杂城市环境中的密集建筑、强烈的电磁干扰以及严重的信号衰减等因素[30]。此外,许多现有策略需要大量的计算资源与实时通信支持,这在通信范围和观测范围受限的情况下限制了其应用。为克服这些难题,本文提出了一种基于帝国竞争机制聚类与蚁群信息素机制的无人机群协同定位策略。该方法利用无人机接收到的到达角度与到达时间差信息,通过有效的聚类方式实现精确的相对定位,即便在通信与观测范围受限的情况下也能发挥作用。

本文的主要贡献如下:1. 根据无人机间接收到的信号将无人机群划分为多个簇,从而优化群内通信效率;即便在通信与观测范围受限的情况下,仅依靠同一簇内能够接收到来自全球导航卫星系统信号受限无人机信号的无人机,即可实现目标无人机的定位。2. 在复杂的城市环境中,密集的建筑以及由电磁干扰和多径效应导致的较大角度扩散十分常见,本文采用路径损耗模型来准确模拟这类环境下的信号传播特性;同时,部分无人机在非视距条件下仍能接收到到达角度信息,本文识别出处于非视距条件下的无人机,并对其因非视距效应产生的误差进行补偿,以提升定位精度。3. 在复杂城市环境中无人机群的协同定位场景中,本文采用蚁群信息素机制有效地整合不同簇的定位结果,从而提升系统的整体鲁棒性。

本文的其余结构如下:第2节阐述问题描述与系统架构;第3节介绍基于帝国竞争机制聚类的设计以及基于蚁群信息素机制的定位策略;第4节给出仿真结果;最后,第5节对全文进行总结。

问题描述与基本架构:在城市环境中N架无人机开展协同定位任务时,可将这组无人机表示为N={1,2,...,N},无人机群的位置矩阵则表示为G=[g1,g2,...,gN]T,其中gm=[xm,ym]T,m=1,2,...,N,gm表示第m架无人机的位置向量,xm和ym分别代表其位置坐标。理想情况下,无人机群可通过三边测量法实现协同定位[31]。然而,复杂的城市环境使得群内部分无人机无法……

基于帝国竞争机制的多阶段自组织聚类设计:本文提出了一种基于帝国竞争机制的多阶段自组织聚类方法,该方法将无人机通信网络的聚类过程视为各个“帝国”之间的扩张与竞争,如表1所示。在该模型中,无人机通信网络被抽象为一个由多个“国家”构成的世界,其中一些国家在竞争中取得胜利,成为“帝国”,而其他国家则沦为“殖民地”。通过这种聚类方式,……

仿真:本节通过仿真实验评估所提策略的通信与定位性能。研究人员利用MATLAB GUI开发了一个用于协作式四旋翼无人机飞行任务的仿真平台,用户可以通过该GUI输入无人机的初始位置、运动参数、最大功率以及任务持续时间,从而计算出无人机在运行过程中的轨迹与聚类情况。实验是在MATLAB R2022b环境下进行的。

结论:本文提出了一种基于帝国竞争机制聚类与蚁群信息素机制的无人机群协同定位策略——I-ACPM。通过建立聚类形成原则与效率函数,帝国竞争机制聚类能够形成稳定的聚类结构,其性能优于传统的HEED和CFG算法;同时,通过引入桥接节点,该算法有效解决了边缘节点分配问题,进而提升了网络通信效率。在这一聚类框架的基础上,蚁群信息素机制负责实现定位功能……

CRediT作者贡献说明:魏悦:撰写——审阅与编辑、验证、方法论、数据整理;王云晓:撰写——审阅与编辑、方法论;王立远:概念设计;刘忠昌:撰写——审阅与编辑;李莉莉:验证、方法论、数据整理;朱磊:验证。

利益冲突声明:作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢:本研究得到了中国自然科学基金(62273068)、辽宁省自然科学基金(2025-MSLH-107)、中央高校基本科研业务费(3132023512)、大连市科技创新基金(2019J12GX040)以及教育部春晖计划合作项目(HZKY20220409)的支持。

魏悦|王云晓|王立远|刘忠昌|李莉莉|朱磊
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