基于感知的通信波束跟踪方法

技术领域

本发明属于通信工程领域，具体涉及一种基于感知的通信波束跟踪方法，更具体涉及一种基于感知的大规模MIMO-OFDM(Multi Input Multi Output-OrthogonalFrequency Division Multiplexing，多输入多输出-正交频分复用)系统下的通信波束跟踪方法。

背景技术

考虑一个单基站-单无人机通信系统，基站端为了保证和无人机之间稳定的通信链路，需要掌握与无人机之间的信道信息。在传统的方案中，一般是通过波束训练和波束跟踪来完成的。

传统的基于反馈的波束跟踪方案流程如下：首先基站端进行波束训练，即循环地从预设的码本中选择所有可能的波束方向进行发射，将路径增益最强的信号方向作为无人机的方向，然后基站依据此方向设计相应的波束成形向量，发送OFDM符号块给无人机完成第一次通信。随后，为了确定基站与无人机下一时刻的信道信息，基站端发送导频信号给无人机，在无人机端完成信道估计后，将信道信息通过上行链路反馈给基站端，基站端重新设计新的波束成形向量，与无人机开始第二次通信，后续的跟踪过程依次类推。

在上述跟踪方案中，最为重要的一步是发射导频符号做信道估计，根据信道的不同状况，导频符号的排列也不同。在考虑时延扩展大于CP(Cyclic Prefix，循环前缀)长度的通信场景中，一般采用块状导频排列。块状导频周期性地使用整个OFDM符号的所有子载波作为导频，为了保证信道估计的效果，导频符号周期S

分析上述基于反馈的波束跟踪方案可知，发射基站在每一次发射波束之前，都需要发送一段导频信号给无人机，无人机完成信道估计之后再反馈给发射基站，这存在两个问题。第一，由于跟踪过程中发射信号的周期是很短的，频繁地发送未携带通信信息的导频是一笔很大的开销，会降低有用信息的传输速率。第二，在跟踪的过程中每次只会将少量的OFDM符号作为导频发送出去，当接收基站收到导频信号之后做匹配滤波操作，会造成匹配滤波增益很低，从而影响信道估计的性能。

发明内容

发明目的：针对现有技术存在的缺陷，本发明提出一种基于感知的大规模MIMO-OFDM系统下的通信波束跟踪方法，在降低导频开销，提高系统有用信息的通信速率的同时提高发射基站对无人机的跟踪性能。

技术方案：基于感知的大规模MIMO-OFDM系统通信波束跟踪方法及性能分析，包含以下步骤：

(1)在一体化发射基站端，接收来自数据处理中心反馈的无人机的预测位置信息，根据所述预测位置信息设计对无人机的波束成形向量，并发射相应的波束与无人机完成通信；

(2)发射基站发射出去的波束经过无人机表面反射至分布式接收基站，所述分布式接收基站将观测到的回波信号发送给数据处理中心进行统一处理；

(3)数据处理中心首先对无人机的状态转移模型和观测模型进行建模，并对回波复信号进行实数化和拉直处理，接下来根据UKF(Unscented Kalman Filter，无迹卡尔曼滤波)算法和处理后的回波数据对当前时刻无人机的位置信息进行跟踪，并对下一时刻无人机的位置信息进行预测，将预测的结果反馈给发射基站；

(4)重复所述步骤(1)(2)(3)，发射基站在对无人机进行轨迹跟踪的同时，完成与无人机之间的通信。

进一步的，所述步骤(1)中包括如下步骤：

数据处理中心根据t-1时刻的无人机位置信息估计值

进一步的，所述步骤(2)中包含如下步骤：

步骤(1)中设计好的波束发射之后经过无人机表面发射至分布式接收基站中的每一个接收基站，每一个接收基站都是独立的，对于第r个接收基站而言，其收到的回波信号经过匹配滤波之后的表达式

进一步的，所述步骤(3)中包含如下步骤：

1)确定无人机的系统状态模型和系统观测模型：

数据处理中心将无人机的状态表征为二维位置坐标(p

2)初始化无人机的状态信息和估计方差矩阵：

在对无人机开始跟踪前，利用估计算法(如MUSIC(Multiple SignalClassification，多信号分类)、OMP(Orthogonal Matching Pursuit，正交匹配追踪))对无人机的位置进行初步估计，估计结果为s

3)一步预测无人机状态和估计方差矩阵：

对

4)一步预测观测回波：

依据3)中s

5)更新无人机状态和估计方差矩阵：

根据3)和4)中的一步预测结果s

进一步的，所述步骤(4)中包含如下步骤：

发射基站在跟踪过程中会根据对无人机预测的状态信息发射波束，与无人机完成通信，对于K个无人机而言，其与基站之间的通信速率之和可以表示为

有益效果：本发明适用于5G大规模MIMO-OFDM系统场景下的通信波束跟踪场景，相比传统的基于反馈的波束跟踪方案，避免了每次跟踪前发射导频的开销，将更多的通信资源用于发送有用信息，提高了有用信息的通信速率；将整个OFDM符号块作为观测信号参与跟踪过程，提高了接收信号的匹配滤波增益，增强了无人机的跟踪性能。相比于传统的基于EKF(Extended Kalman Filter，扩展卡尔曼滤波)的跟踪算法，应用UKF算法能够避免计算复杂耗时的雅可比矩阵，实时性更好，并且性能优于EKF算法。

附图说明

图1是本发明的实时通信和跟踪的通感一体化系统模型图；

图2是本发明的基于通信反馈的波束跟踪示意图；

图3是本发明的块状导频排列图；

图4是本发明的基于一体化信号的波束跟踪示意图；

图5是本发明的基于UKF和基于反馈的跟踪性能对比图；

图6是本发明的基于UKF和基于反馈的通信性能对比图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出了一种基于感知的通信波束跟踪方法，在传统的基于纯通信的波束跟踪中引入雷达，并应用UKF算法，不仅降低了导频开销，提高了有用信息的传输速率，而且也提升了感知精度和跟踪性能。本发明提出的方案具体如下：

1：系统模型：

考虑如图1所示的实时通信和跟踪的通感一体化系统模型，设定系统中有1个发射基站，R个分布式接收基站，每个发射基站配有M

(1)通信信号模型

假设发射的通信基带信号包含Q个OFDM符号，每个OFDM符号包含L个子载波，w

其中，u

(2)基于感知的波束跟踪

如图2所示，基于反馈的波束跟踪方法每一次通信之前都需要发射基站重新发送导频进行信道估计，对于频率选择性信道而言，一般选择如图3所示的块状导频作为导频排列方式，频繁的通信过程导致了严重的导频开销。而如图4所示的基于感知的波束跟踪方法使用整个OFDM数据块作为观测数据跟踪无人机，不再需要导频。在窄带信号的假设下，对于第r个接收基站而言，其收到的回波信号经过下变频之后可以表示成

假设

其中，p

对于K个无人机，总体的传输速率R

2：基于UKF的波束跟踪：

(1)对无人机的状态转移方程和观测方程进行建模。根据前面的描述，可以分别抽象出来第k个无人机的状态转移方程和观测方程。状态转移方程可以表示成s

y

ω

(2)对无人机状态变量和估计方差矩阵进行初始化。即

(3)对无人机状态进行一步预测。首先进行UT变换，由于状态变量是P维，因此需要产生2P+1个Sigma点，对于p＝0的时候，Sigma点

(4)对接收基站处观测回波进行一步预测。和步骤(3)中一样进行UT变换，值得注意的是，该步UT变换使用的是步骤(3)中一步预测之后的结果s

(5)对无人机状态和估计方差矩阵进行更新。首先对t时刻的卡尔曼增益K

如图5所示，横坐标表示无人机的运动时间，纵坐标表示两种跟踪算法下估计的无人机位置(横坐标)的均方根误差。在图中可以看到，点划线代表基于反馈的波束跟踪，误差范围在10

图6比较了基于UKF的波束跟踪和基于反馈的波束跟踪两种方法下基站与无人机之间的通信性能，横坐标是无人机的运动时间，纵坐标是通信速率。实线表示UKF下的通信速率，点划线表示基于反馈下的通信速率。分析图中结果，前6秒中，基于反馈的通信速率基本能跟上基于UKF的通信速率，7秒后，基于反馈的通信速率开始震荡下降，并在8.9秒的时候急剧下降，这是由于8.9秒的时候基于反馈的方法的跟踪性能太差，基站端难以发射对准无人机的波束，造成通信速率急剧下降。而基于UKF的方法跟踪性能更优，没有出现通信速率急剧下降的情况，并且整个跟踪过程能达到的峰值速率更大，总体通信质量也更优。

仿真证明，本发明提出的基于感知的大规模MIMO-OFDM系统的通信波束跟踪方法可以在降低导频开销的情况下，提高有用信息的通信速率，并且比传统的基于反馈的波束跟踪的方法跟踪性能更优，验证了理论的正确性。