一种基于多智能反射面的移动设备定位与追踪方法转让专利
申请号 : CN202111475977.5
文献号 : CN114286439B
文献日 : 2022-09-30
发明人 : 袁晓军 , 滕博宇
申请人 : 电子科技大学
摘要 :
本发明属于无线通信技术领域与设备定位领域，尤其涉及一种基于多智能反射面(RIS)的移动设备定位与追踪方法及系统。通过在无线环境中部署多个智能反射面提供虚拟视距路径，本发明构建了多智能反射面辅助的多输入多输出系统，并在该系统下实现移动设备的定位与追踪。通过利用设备位置与接收信号到达角之间的几何关系，并利用设备位置在相邻时隙间的关联性，本发明提出贝叶斯框架下用户定位与追踪算法实现了移动用户的高精度追踪。此外本发明给出了基于贝叶斯克拉美罗下界的智能反射面波束赋形设计及基站波束赋形设计以进一步提高追踪精度。
权利要求 :
1.一种基于智能反射面的移动设备定位与追踪方法，包括一个具有NB个天线的基站及K个具有NR个反射单元的线性阵列的智能反射面，基站在各个时隙上发出导频信号，导频信号通过智能反射面的反射被具有NU个天线的移动设备接收，第t个时隙移动设备的接收信号为(t)
其中， 为等效的信道系数，n 为接收端的加性高斯噪声与非虚拟视距路径的信号干扰， 为移动设备天线的到达角对应的导向矢量具有如下数学形式：设备的位置信息通过信号的到达角 及设备位置与智能反射面位置的几何关系给出，表示为其中eU为设备接收天线的方向矢量，符号δ(·)代表狄拉克函数；特征在于，利用移动设备位置在相邻时隙的相关性建立移动设备追踪概率模型，移动设备追踪概率模型将设备位置建模为服从高斯分布的三维随机变量，将相邻时隙之间的设备位置关系建模为如下模型：即时隙t的设备位置 是以上一时刻设备位置 为均值，以Cq为协方差的高斯随机变量；由此移动设备追踪的概率模型由如下联合概率密度函数给出(1：t) (1：t)
对该联合概率密度函数进行因子图表示，变量节点包括 θ 和ρ 中各自的元(j) (j)素；校验节点包括不同时隙上的概率因子 p(ρ )和p(y |(j) (j)
θ ，ρ )；根据因子图设计迭代近似消息传递算法，因子图中左半部分的迭代近似消息对应设备位置信息在时隙之间传递，因子图右半部分的迭代近似消息对应设备到达角估计；
所述定位与追踪方法包括以下步骤：S1、获得初始的设备位置估计，包括设备位置的均值 与协方差S2、在任意t，根据上一时隙的位置估计及等效信道系数估计，获得对于参数的贝叶斯克拉美罗下界的估计，其由贝叶斯Fisher信息矩阵 的逆给出，并在相邻时隙满足递推关系其中 由下式计算：
(t) (t)
J 为关于参数γ 的Fisher信息矩阵，由下式给出：其中 和 分别为取实部和虚部；
(t)
S3、将参数γ 中的 与 分别用上一时隙 和向量值函数代替， 由如下公式给出：
其中：
其中，PR，i与eR，i分别为第i个智能反射面的位置与方向向量， 为已获得的对 的估计， 和 为第(t‑1)个时刻的基站波束赋形向量和第i个智能反射面的波束赋形向量， 为智能反射面的导向矢量，为基站的导向矢量，符号diag(·)表示将向量转为对角矩阵；将智能反射面的波束赋形向量固定为 其中符号⊙代表哈达玛积，将基站的波束赋形向量固定为其中 为第i个波束的权重；
S4、利用梯度下降方法解决以权重向量 为优化变量的优化问题：获得第t个时隙的基站波束赋形方案；
S5、对任意t，计算上一时隙传递的关于位置 的高斯消息 的均值与协方差：
S6、利用梯度下降方法获得 的局部最优解 并获得 在 处的黑塞矩阵 将 近似为以 为均值，以 为协方差为的高斯分布；
S7、对任意t及i，计算各个变量节点 到因子节点 的消息 其均值与协方差由如下公式获得：
S8、对任意t及i，计算因子节点 到变量节点 的消息 其中被近似为冯米斯分布，其参数由如下公式获得：其中
S9、对任意t及i，将各个变量节点 处的消息近似为对到达角 的后验估计利用相关线谱估计算法获得该后验估计的近似表示，其服从冯米斯分布并获得等效信道系数 的估计
S10、将后验估计的均值 与消息 的均值 按照最小均方误差进行配对；
S11、对任意t及i，计算变量节点 到因子节点 的消息 该消息被近似为冯米斯分布，其参数由如下公式获得：S12、对任意t及i，计算因子节点 到变量节点 的消息 其具体表达式为：
S13、对任意t，利用梯度下降方法获得 的局部最优解并获得 在 处的黑塞矩阵 将 近似为以 为均值，以为协方差为的高斯分布；
(t+1)
S14、计算变量节点 到因子节点ψ 的消息 其均值与协方差由如下公式获得：
其中
S15、判断在变量节点 处的消息是否收敛，若已收敛，则获得当前时隙的设备位置的估计 设备到达角 的估计 以及等效信道系数的估计 若未收敛，则回到步骤S6；
S16、回到步骤S2，进行下一时隙设备位置估计。
说明书 :
一种基于多智能反射面的移动设备定位与追踪方法
技术领域
[0001] 本发明涉及无线通信技术领域与设备定位领域，尤其涉及一种基于多智能反射面的移动设备定位与追踪方法。
背景技术
[0002] 6G移动通信及其催生的新兴应用场景如车联网(IoV)、增强现实(AR)、虚拟现实(VR)、无人机(UAV)通信对移动设备的高精度定位有巨大的潜在需求“H.Wymeersch,D.Shrestha,C.M.de Lima,V.Yajnanarayana,B.Richerzhagen,M.F.Keskin,K.Schindhelm,A.Ramirez,A.Wolfgang,M.F.de Guzman et al.,“Integration of communication and sensing in 6G:a joint industrial and academic perspective,”in IEEE PIMRC Workhops,Sep.2021,pp.1–7”。6G移动通信技术采用了较大的天线阵列并具有较宽的频谱带宽，这使得信号在角度域和时延域具有较高的分辨率，进而有可能实现基于无线信号的高精度定位“F.Liu,Y.Cui,C.Masouros,J.Xu,T.X.Han,Y.C.Eldar,and S.Buzzi,“Integrated sensing and communications:Towards dual‑functional wireless networks for 6G and beyond,”arXiv preprint arXiv:2108.07165,2021”。
[0003] 电磁传播理论指出无线信号的衍射能力随着频率的增加而减弱，此现象在6G中尤其严重，因为6G使用的频带比前几代移动通信技术更高。因此，6G移动通信严重依赖于视距(LoS)路径的存在来保证获得足够的接收功率。此外，在定位问题中，移动设备的位置信息主要由移动设备与雷达(基站)之间的视距路径来承载，因此可靠的定位服务也依赖于视距路径的存在。然而在移动通信中，复杂多变的通信场景难以保证视距路径的存在，为解决此问题，本发明引入智能反射面(RIS)这一新兴的无线通信技术。作为一种低成本低能耗的器件，智能反射面可部署在无线环境中进而创建虚拟视线(VLoS)路径。智能反射面通常由大量无源反射元件组成，每个反射元件可以独立控制反射振幅和反射附加相位以调整入射信号“H.Liu,X.Yuan,and Y.‑J.A.Zhang“,Matrix‑calibration‑based cascaded channel estimation for reconfigurable intelligent surface assisted multiuser MIMO,”IEEE J.Sel.Areas Commun.,vol.38,no.11,pp.2621–2636,Jul.2020”。此外，通过有效的无源波束形成设计，智能反射面能够将反射信号聚焦到目标方向，进而显著提高虚拟视距链路的通信质量“Q.Wu,S.Zhang,B.Zheng,C.You,and R.Zhang“, Intelligent reflecting surface aided wireless communications:A tutorial,”IEEE Trans.Commun.,pp.3313–3351,Jan.2021”。
[0004] 在实现目标设备定位的基础上，考虑到实际的设备往往具有移动性，目标设备的追踪问题需要进一步研究。然而传统的设备定位技术在每个时隙上单独进行定位(“H.Zhang,H.Zhang,B.Di,K.Bian,Z.Han,and L.Song,“Metalocalization:Reconfigurable intelligent surface aided multi‑user wireless indoor localization,”IEEE Trans.Wireless Commun.,Jun.2021,early access”，“W.Wang and W.Zhang,“Joint beam training and positioning for intelligent reflecting surfaces assisted millimeter wave communications,”IEEE Trans.Wireless Commun.,vol.20,no.10,pp.6282–6297,Apr.2021”)，没有利用到目标设备位置在时间上的关联性，这极大影响了移动设备追踪性能。为此，本发明提出一种可靠有效的多智能反射面辅助的移动设备定位及追踪方法与系统。
发明内容
[0005] 本发明提出一种基于多智能反射面的移动设备定位与追踪方法及系统，旨在实现移动设备的高精度定位与追踪。
[0006] 如图1所示，本发明考虑一个下行的多输入多输出(MIMO)系统，其中部署了具有NB个天线的基站(BS)及K个具有NR个反射单元的线性阵列的智能反射面来实现多天线移动设备的定位与追踪。首先本发明考虑基站在各个时隙上发出导频信号，导频信号通过多个智能反射面的反射被有NU个天线的移动设备接收。通过几何信道建模，第t个时隙移动设备的接收信号被简化为
[0007](t)
[0008] 其中 为等效的信道系数，n 为接收端的加性高斯噪声与非虚拟视距路径的信号干扰， 为移动设备天线的到达角对应的导向矢量具有如下数学形式：
[0009]
[0010] 设备的位置信息可以通过信号的到达角 及设备位置与智能反射面位置的几何关系给出，表示为
[0011]
[0012] 为了实现高精度移动设备追踪，本发明利用移动设备位置在相邻时隙的相关性建立了移动设备追踪的概率模型。移动设备追踪概率模型将设备位置建模为服从高斯分布的三维随机变量，将相邻时隙之间的设备位置关系建模为如下模型
[0013]
[0014] 即时隙t的设备位置是以上一时刻设备位置为均值，以Cq为协方差的高斯随机变量。由此移动设备追踪的概率模型由如下联合概率密度函数给出
[0015]
[0016] 基于此画出该联合概率密度函数对应的因子图表示如图2，其中使用圆形空心框(1：t) (1：t)代表变量节点，包括 θ 和ρ 中各自的元素；使用黑色实心矩形代表校验节点，(j) (j) (j) (j)
包括不同时隙上的概率因子 p(ρ )和p(y |θ ,ρ )；根据
因子图设计迭代近似消息传递算法，因子图中左半部分的迭代近似消息对应设备位置信息在时隙之间传递，因子图右半部分的迭代近似消息对应设备到达角估计。基于图2的因子图，本发明提出贝叶斯框架下的设备定位与追踪(BULT)算法。
包括不同时隙上的概率因子 p(ρ )和p(y |θ ,ρ )；根据
因子图设计迭代近似消息传递算法，因子图中左半部分的迭代近似消息对应设备位置信息在时隙之间传递，因子图右半部分的迭代近似消息对应设备到达角估计。基于图2的因子图，本发明提出贝叶斯框架下的设备定位与追踪(BULT)算法。
[0017] 本发明提出的BULT方法包括以下步骤：
[0018] S1、获得初始的设备位置估计，包括设备位置的均值 与协方差设备位置粗估计的获取可由全球定位系统(GPS)给出，也可以通过本发明提出的定位方法获得。
[0019] S2、在任意t，根据上一时隙的位置估计及等效信道系数估计，获得对于参数的贝叶斯克拉美罗下界的估计，其由贝叶斯Fisher信息矩阵 的逆给出，并在相邻时隙满足递推关系
[0020]
[0021] 其中 由下式计算：
[0022]
[0023] J(t)为关于参数γ(t)的Fisher信息矩阵，由下式给出：
[0024]
[0025] 其中 和 分别为取实部和虚部。
[0026] S3、将参数γ(t)中的 与 分别用上一时隙 和向量值函数代替， 由如下公式给出：
[0027]
[0028] 其中：
[0029]
[0030]
[0031] 其中pR，i与eR，i分别为第i个智能反射面的位置与方向向量， 为已获得的对的估计， 和 为第(t‑1)个时刻的基站波束赋形向量和第i个智能反射面的波束赋形向量，符号diag(·)表示将向量转为对角矩阵。将智能反射面的波束赋形向量固定为 其中符号⊙代表哈达玛积，将基站的波束赋形向量固定为
[0032]
[0033] 其中 为第i个波束的权重；
[0034] S4、利用梯度下降方法解决以权重向量 为优化变量的优化问题：
[0035]
[0036]
[0037] 获得第t个时隙的基站波束赋形方案；
[0038] S5、对任意t，计算上一时隙传递的关于位置 的高斯消息 的均值与协方差：
[0039]
[0040]
[0041] S6、利用梯度下降方法获得 的局部最优解 并获得 在处的黑塞矩阵‑ 将 近似为以 为均值，以 为协方差为的高斯分布。
[0042] S7、对任意t及i，计算各个变量节点 到因子节点 的消息 其均值与协方差由如下公式获得：
[0043]
[0044]
[0045] S8、对任意t及i，计算因子节点 到变量节点 的消息 其中被近似为冯米斯分布，其参数由如下公式获得：
[0046]
[0047]
[0048] 其中
[0049]
[0050]
[0051]
[0052] S9、对任意t及i，将各个变量节点 处的消息近似为对到达角 的后验估计利用相关线谱估计算法获得该后验估计的近似表示，其服从冯米斯分布并获得等效信道系数 的估计
[0053] S10、由于到达角的后验估计是无序的，需要与因子节点 进行匹配。将后验估计的均值 与消息 的均值 按照最小均方误差进行配对；
[0054] S11、对任意t及i，计算变量节点 到因子节点 的消息 该消息被近似为冯米斯分布，其参数由如下公式获得：
[0055]
[0056] S12、对任意t及i，计算因子节点 到变量节点 的消息 其具体表达式为：
[0057]
[0058] S13、对任意t，利用梯度下降方法获得 的局部最优解 并获得 在 处的黑塞矩阵‑ 将 近似为以 为均值，以
为协方差为的高斯分布。
(t+1)
为协方差为的高斯分布。
(t+1)
[0059] S14、计算变量节点 到因子节点ψ 的消息 其均值与协方差由如下公式获得：
[0060]
[0061]
[0062] 其中
[0063]
[0064]
[0065] S15、判断在变量节点 处的消息是否收敛，若已收敛，则获得当前时隙的设备位置 的估计 设备到达角 的估计 以及等效信道系数的估计若未收敛，则回到步骤S6。
[0066] S16、回到步骤S2，进行下一时隙设备位置估计。
[0067] 本发明的改进可作如下总结：在通信环境中部署了多个智能反射面提供多个虚拟视距路径，以减少对直射路径的依赖，并基于近似的克拉美罗下界优化基站波束赋形和各个反射面波束以提升移动设备追踪性能。通过利用设备位置与接收信号到达角之间的几何关系，并利用设备位置在相邻时隙间的关联性，本发明提出贝叶斯框架下设备定位与追踪算法实现了移动设备的高精度追踪.
附图说明
[0068] 图1：系统模型
[0069] 图2：移动设备追踪问题对应概率模型的因子图表示
[0070] 图3：消息 的冯米斯近似示意图
[0071] 图4：在不同数量的智能反射面单元下，移动设备追踪性能和AoA估计性能随发送功率变化比较图
[0072] 图5：在不同数量的智能反射面下，移动设备追踪性能和AoA估计性能随发端功率变化比较图
[0073] 图6：提出的BULT算法及其对比方案的设备追踪和到达角估计性能随发端功率变化比较图
[0074] 图7：对3种波束赋形方案的性能比较图
具体实施方式
[0075] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。
[0076] 具体方法的参数设置如下：
[0077] 在该具体实施方法中存在7个线性阵列智能反射面，他们拥有32个反射单元，并被部署于(‑35m,5m,‑10m),(‑30m,20m,10m),(‑20m,25m,20m),(‑10m,40m,10m),(0m,20m,10m),(10m,15m,20m),(30m,20m,5m)；他们的天线方向为分别为(0,1,0),(1,0,0),(1,0,
0),(1,0,0),(1,0,0),(1,0,0),(0,1,0)。基站拥有32个天线，被部署于(20m,0m,0m)，其天线方向为(1,0,0)。移动设备拥有17个天线且天线方向已知为(1,0,0)。无线信号的载波频率为28GHz，接收端加性白高斯噪声功率为‑84dBm。
0),(1,0,0),(1,0,0),(1,0,0),(0,1,0)。基站拥有32个天线，被部署于(20m,0m,0m)，其天线方向为(1,0,0)。移动设备拥有17个天线且天线方向已知为(1,0,0)。无线信号的载波频率为28GHz，接收端加性白高斯噪声功率为‑84dBm。
[0078] 移动设备被限制在30m×30m×6m的块状区域内，初始位置被设定为(‑10m,0m,0m)。移动设备轨迹依照如下概率转移模型生成：
[0079]
[0080] 采样间隔被设定为20ms，Cp被设定为diag([0.03,0.03,0.01]T),此参数设置对应48Km/h的设备移动速度。
[0081] 根据以上参数设置，具体实施步骤如下：
[0082] S1、获得初始的设备位置估计，包括设备位置的均值 与协方差设备位置粗估计的获取可由全球定位系统(GPS)给出，也可以通过本发明提出的定位方法获得。后续算法考虑时隙t＝1到t＝300上的移动设备定位问题。
[0083] S2、在任意t，根据上一时隙的位置估计及等效信道系数估计，获得对于参数的贝叶斯克拉美罗下界的估计，其由贝叶斯Fisher信息矩阵 的逆给出，并在相邻时隙满足递推关系
[0084]
[0085] 其中 由下式计算：
[0086]
[0087] J(t)为关于参数γ(t)的Fisher信息矩阵，由下式给出：
[0088]
[0089] 其中 和 分别为取实部和虚部。(t)
[0090] S3、将参数γ 中的 与 分别用上一时隙 和向量值函数代替， 由如下公式给出：
[0091]
[0092] 其中：
[0093]
[0094]
[0095] 其中pR，i与eR，i分别为第i个智能反射面的位置与方向向量， 为已获得的对的估计， 和 为第(t‑1)个时刻的基站波束赋形向量和第i个智能反射面的波束赋形向量，符号diag(·)表示将向量转为对角矩阵。将智能反射面的波束赋形向量固定为 其中符号⊙代表哈达玛积，将基站的波束赋形向量固定为
[0096]
[0097] 其中 为第i个波束的权重；
[0098] S4、利用梯度下降方法解决以权重向量 为优化变量的优化问题：
[0099]
[0100]
[0101] 获得第t个时隙的基站波束赋形方案；
[0102] S5、对任意t，计算上一时隙传递的关于位置 的高斯消息 的均值与协方差：
[0103]
[0104]
[0105] S6、利用梯度下降方法获得 的局部最优解 并获得 在处的黑塞矩阵‑ 将 近似为以 为均值，以 为协方差为的高斯分布。
[0106] S7、对任意t及i，计算各个变量节点 到因子节点 的消息 其均值与协方差由如下公式获得：
[0107]
[0108]
[0109] S8、对任意t及i，计算因子节点 到变量节点 的消息 其中被近似为冯米斯分布，其参数由如下公式获得：
[0110]
[0111]
[0112] 其中
[0113]
[0114]
[0115]
[0116] S9、对任意t及i，将各个变量节点 处的消息近似为对到达角 的后验估计利用相关线谱估计算法“M.‑A.Badiu,T.L.Hansen,and B.H.Fleury,“Variational Bayesian inference of line spectra,”IEEE Trans.Signal Process.,vol.65,no.9,pp.2247–2261,May 2017.”获得该后验估计的近似表示，其服从冯米斯分布并获得等效信道系数 的估计
[0117] S10、由于到达角的后验估计是无序的，需要与因子节点 进行匹配。将后验估计的均值 与消息 的均值 按照最小均方误差进行配对；
[0118] S11、对任意t及i，计算变量节点 到因子节点 的消息 该消息被近似为冯米斯分布，其参数由如下公式获得：
[0119]
[0120] S12、对任意t及i，计算因子节点 到变量节点 的消息 其具体表达式为：
[0121]
[0122] S13、对任意t，利用梯度下降方法获得 的局部最优解 并获得 在 处的黑塞矩阵‑ 将 近似为以 为均值，以
为协方差为的高斯分布。
为协方差为的高斯分布。
[0123] S14、计算变量节点 到因子节点ψ(t+1)的消息 其均值与协方差由如下公式获得：
[0124]
[0125]
[0126] 其中
[0127]
[0128]
[0129] S15、判断在变量节点 处的消息是否收敛，若已收敛，则获得当前时隙的设备位置 的估计 设备到达角 的估计 以及等效信道系数的估计若未收敛，则回到步骤S6。
[0130] S16、回到步骤S2，进行下一时隙设备位置估计。
[0131] 具体实施结果见图4，图5，图6和图7。其中图4研究了在不同数量的智能反射面单元下，移动设备追踪性能和AoA估计性能随发送功率变化比较图，分别将智能反射面单元个数设置为32，64，96。结果显示智能反射面单元个数增加有利于移动设备位置追踪和接受角度追踪。图5研究了在不同数量的智能反射面下，移动设备追踪性能和AoA估计性能随发端功率变化比较图，分别考虑K＝5，K＝6和K＝7的情况。结果显示智能反射面个数增加有利于移动设备位置追踪，而接受角度追踪却没有性能提升。图6与基于文献“P.Tichavsky,C.H.Muravchik,and A.Nehorai,“Posterior Cramér‑Rao bounds for discrete‑time nonlinear filtering,”IEEE Trans.Signal Process.,vol.46,no.5,pp.1386–1396,May 1998.”的角度估计的定位方案做了比较，本发明提出的BULT算法相较该算法有较大性能提升。图7比较了3种波束赋形方案，结果表明基于CRLB的波束赋形方案相较随机波束赋形方案有较大提升，且两种优化波束赋形方案具有相近的性能，在具体实施中选择复杂度更低的波束赋形设计方案。