《Intelligent and Converged Networks》:Physical-Model-Driven Compressive Sensing for High-Precision Off-Grid Multi-Target UAV Localization
编辑推荐:
随着先进无线网络的快速发展以及对基于位置服务的日益依赖,在应急抢险和工业物联网(IoT)等领域中对无人机(UAV)进行高精度无源定位的需求变得愈加迫切。基于接收信号强度(RSS)的定位技术因其低成本、易部署而成为首选方案。然而,传统的基于网格压缩感知定位在多目
随着先进无线网络的快速发展以及对基于位置服务的日益依赖,在应急抢险和工业物联网(IoT)等领域中对无人机(UAV)进行高精度无源定位的需求变得愈加迫切。基于接收信号强度(RSS)的定位技术因其低成本、易部署而成为首选方案。然而,传统的基于网格压缩感知定位在多目标场景下存在网格失配问题,导致定位精度受限且鲁棒性较差。为解决该问题,研究人员提出了一种基于物理模型驱动块稀疏压缩感知的UAV高精度离网格多目标定位方法。首先,通过对RSS路径损耗模型进行泰勒近似,建立带有能量系数和几何偏移参数的离网格块稀疏模型,该模型联合刻画目标能量与位置信息,同时在模型层面缓解离散化误差。其次,提出一种物理模型驱动的快速迭代收缩阈值算法(FISTA)。所提出的物理模型驱动收缩算子替代近端映射算子,并在迭代过程中引入物理边界约束和差异化惩罚机制,从而缓解由高阶模型误差引起的过拟合问题。大量蒙特卡洛仿真实验表明,在不同信噪比(SNR)和目标数目场景下,所提方法取得了显著更优的平均定位精度,相比传统基于网格方法提升约35%,相比标准离网格方法提升约25%。此外,该方法在高信噪比下未出现精度饱和现象,并具有显著增强的鲁棒性。
随着第六代移动通信技术的发展,高精度无线定位已成为学术界与工业界共同关注的战略重点。凭借高机动性、灵活部署、良好的视距传输条件以及协同组网能力,无人机(UAV)成为执行复杂定位任务的理想空中平台,利用UAV对非合作地面目标进行无源定位具有低成本、隐蔽性好等优势。接收信号强度(RSS)方法因实现简单、功耗低且可直接复用现有通信模块而备受青睐。在多目标场景中,核心挑战在于如何从单接收天线获得的叠加RSS测量中解耦多个目标的位置信息。压缩感知(CS)理论通过利用目标空间分布的稀疏性,将定位问题转化为稀疏向量恢复问题。然而传统基于网格的CS定位存在固有矛盾:现实目标位置连续变化,用离散网格点估计连续位置会产生网格失配误差。简单加密网格虽能降低误差,但会带来计算复杂度急剧增加、字典原子相干性增强、破坏受限等距性质(RIP)等问题。为从模型层面突破这一瓶颈,研究人员借鉴阵列信号处理中的离网格思想,提出一种物理模型驱动的离网格块稀疏模型,将网格失配误差内化为与梯度原子关联的几何偏移系数;同时针对泰勒近似带来的高阶模型误差,设计物理模型驱动的快速迭代收缩阈值算法(PMD-FISTA),将物理边界约束和差异化惩罚机制嵌入迭代过程,避免了标准稀疏恢复算法为追求数学最优而对高阶误差过拟合、导致高信噪比下精度饱和的问题。
本研究构建了适用于动态UAV观测的离网格块稀疏物理模型。通过将RSS路径损耗模型在网格中心进行一阶泰勒近似,将离散网格失配误差转化为待估计的连续几何偏移系数,实现了目标能量与位置信息的联合表示。在此基础上,研究人员提出了PMD-FISTA算法。该算法将标准FISTA中的近端映射算子重建为物理模型驱动收缩算子:在每次迭代中,根据中间变量反推无约束几何偏移,通过裁剪函数(clip)将其限制在物理网格边界内,再依据物理关系重构中间变量;同时引入对角加权矩阵,对能量系数与几何偏移系数施加差异化惩罚,抑制了不合理候选解的范数贡献,使正则化惩罚准确作用于能量系数,从而保证了定位结果兼具数学最优性与物理合理性。大量蒙特卡洛仿真实验表明,该离网格定位方法相比传统基于网格定位与标准离网格定位,在定位精度和鲁棒性上均有显著提升。
仿真场景设置为100×100 m2的正方形区域,均匀划分为400个5×5 m2的网格;25架UAV在20 m高度协同飞行,每架沿轨迹采集8个RSS测量点,总观测维度M=200;目标发射功率Pt=1 mW,路径损耗指数ξ=2.7;噪声为加性高斯白噪声,由信噪比(SNR)控制。对比方法包括基于网格的FISTA定位方法和标准离网格FISTA定位方法,所有方法的正则化参数与权重均通过交叉验证取最优。
定位场景可视化分析:图2给出了SNR=25 dB、目标数K=5时的定位结果。图中红色星标为真实目标位置,彩色标记为各方法多次蒙特卡洛实验的平均估计位置。结果显示,基于网格的FISTA定位方法的平均估计位置与真实位置偏差最大,部分目标误差超过10 m,直观暴露了网格失配导致的系统性偏差。标准离网格FISTA方法通过引入几何偏移系数降低了平均误差,但仍存在明显偏差,证明标准算法会输出超出物理边界的偏移量以拟合高阶模型误差。PMD-FISTA离网格定位方法的估计位置最接近真实位置,误差线最短且分布最集中,表明物理模型驱动收缩算子和差异化惩罚机制有效抑制了过拟合,使定位结果同时具备数学最优性与物理真实性。
平均定位误差与SNR的关系:图3固定目标数K=3,展示了平均定位误差随SNR的变化曲线。低SNR下测量噪声主导误差,两种离网格方法均显著优于基于网格方法,因其能建模连续位置。高SNR下,基于网格方法的误差曲线在SNR达20 dB后趋于平坦,无法继续下降;标准离网格FISTA方法为追求数学最优而对高阶误差过拟合,也出现精度饱和。而PMD-FISTA离网格方法的误差曲线在整个SNR范围内持续下降,未出现饱和,说明物理边界约束和差异化惩罚有效阻止了几何偏移系数的异常增长,释放了离网格模型的性能潜力。
平均定位误差与目标数的关系:图4在SNR=25 dB下给出了平均定位误差随目标数K变化的曲线。随着目标数增加,多目标信号叠加使稀疏恢复问题更难求解,所有方法性能均下降。基于网格方法性能下降最严重,因为目标越多,网格失配概率和严重程度增加;标准离网格方法误差增加也较明显,因高阶模型误差耦合更复杂,无约束优化易陷入错误局部最优。PMD-FISTA方法的误差增长相对平缓,这得益于对每个目标块独立施加物理约束,有效抑制了跨目标误差传播;同时差异化惩罚机制增强了目标能量系数的可分辨性,提升了密集目标场景下的解耦性能。
讨论与结论:本研究表明,将物理先验深度嵌入优化迭代,能够解决近似物理模型与恢复算法之间的失配问题。研究结论可翻译为:针对通感一体化UAV多目标定位中的网格失配与求解器缺乏物理意义两大核心困难,本文提出了一种基于物理模型驱动压缩感知的离网格定位方法。首先,通过构建离网格块稀疏物理模型,将网格失配误差内化为连续几何偏移系数,联合表示目标能量与位置信息,缓解模型层面的离散化误差。其次,在明确有界能量系数与无固有约束几何偏移系数物理性质的基础上,设计物理模型驱动收缩算子,识别不合理解并对能量系数与几何偏移系数施加差异化惩罚,确保定位结果兼具数学最优性与物理真实性,为类似离网格稀疏恢复问题中物理先验的深度融合提供了新范式。仿真结果表明,在不同SNR与目标数条件下,该方法实现了UAV多目标米级定位精度,平均定位精度相比传统基于网格方法提升约35%,相比标准离网格方法提升约25%,且在高SNR下无精度饱和,鲁棒性显著增强。