一种基于智能反射面的运动目标追踪方法

1.本发明涉及通感一体化，基于智能反射面的运动目标追踪方法。


背景技术：

2.在当今无线通信感知中，传统的基于导频的目标追踪方式需要复杂的信号设计以及较大的计算资源，通过通感一体化设计能够实现感知和通信的同步进行以及感知、通信性能的提升。fanliu和jinhongyuan提出基于雷达的通感一体化目标追踪模型，通过对二维坐标下目标的运动状态预测，实现雷达端的波束赋型预测，然后通过扩展卡尔曼滤波进行状态估计，提高了定位追踪的精度。但是基于雷达的追踪系统需要利用大规模天线带来的增益，其算法复杂度和资源消耗较高。智能反射面作为6g的使能技术，被认为对通信和定位有极大的帮助。因此智能反射面辅助的通感一体化系统通过引入智能反射面，扩大通信区域，充分利用额外的信道状态信息，进一步提升追踪的性能。
3.智能反射面辅助的通感一体化系统主要由两部分组成：一部分是原有的由雷达、基站组成的通感一体化模型，主要用于通信和感知；另一部分是部署的智能反射面，用于增加额外的通信链路和虚拟视距链路，增强信道增益。显然与其他通感一体化模型相比，该模型充分利用智能反射面带来的额外信道状态信息以及可调控相位特性，增加接收信号的信噪比以及分辨率等。
4.目前，智能反射面辅助的通感一体化系统存在的问题主要是：随着智能反射面的部署，出现目标-智能反射面-基站的级联信道等复杂信道，虽然存在精心设计的估计算法，但是信道估计的准确率和复杂度依旧大幅度提高。此外，该模型仍是在雷达端进行感知，在基站端进行估计追踪，存在时延的问题，无法较好利用智能反射面的相控特性。得益于智能反射面的被动无源低功耗特性以及相控特性，可以实现在智能反射面端进行信号估计以及目标追踪。


技术实现要素：

5.本发明在原来智能反射面辅助的通感一体化模型的基础上，使用智能反射面代替雷达进行感知与目标追踪，推导拓展三维坐标下的运动目标的状态进化模型，并通过拓展卡尔曼滤波/粒子滤波得到目标的状态信息估计。在此基础之上设计智能反射面相位的自适应调控机制。该机制基于当前目标运动状态估计和状态进化模型预测下一时刻运动位置信息并用于智能反射面相位调控，以此匹配下一时刻的信号相位以最大化接收信号强度，提高下一时刻的目标状态估计精度。该模型充分利用智能反射面的相控特性，在低功耗低复杂度的情况下，提高了追踪的准确率和鲁棒性。
6.技术方案为：
7.一种基于智能反射面的动态目标追踪方法，其特征在于，该方法包括：
8.步骤1、运动目标状态进化模型，信号观测模型的构建以及拓展卡尔曼滤波/粒子滤波对目标状态进行估计：
9.首先利用运动目标的自身运动轨迹信息，构建目标的运动状态进化线性模型，可获得运动状态预测；
10.其次基于单天线的发射接收系统模型，构建当前时刻包含多采样信号、时延和多普勒频偏的信号接收模型；
11.再次基于当前时刻接收信号，利用拓展卡尔曼滤波或粒子滤波处理非线性接收信号，估计当前时刻的目标状态信息；
12.步骤2、基于预测信息的自适应智能反射面相位调控策略：
13.最后根据拓展卡尔曼滤波/粒子滤波的当前状态估计和状态进化模型，预测下一时刻状态信息并提前对智能反射面相位进行调控，提高下一时刻目标状态估计精度，实现运动目标追踪。
14.通过上述过程，构建的三维运动状态进化模型可以较为准确的进行状态转移估计，信号观测向量和拓展卡尔曼滤波或粒子滤波可以实现目标状态估计；同时，根据当前的状态估计和状态进化模型可获得预测状态信息，并对智能反射面的相位提前进行调控以适配下一时刻目标发送的信号，提高目标的状态估计精度，实现低成本低复杂度的运动目标感知与追踪。
15.本发明可用于智能网联车通信和定位追踪，也可用于智能工厂内运动作业机器人的通信和定位追踪。
附图说明
16.图1三维运动目标运动状态进化模型示意图；
17.图2基于角度近似和泰勒展开的距离近似仿真图；
18.图3高动态目标状态信息追踪估计性能示意图；
19.图4不同智能反射面元素数量下目标状态信息均方误差图；
20.图5不同接受机噪声功率下目标状态信息均方误差图。
具体实施方式
21.本发明选择智能反射面来替代通感一体化系统中的雷达进行运动目标追踪，利用智能反射面的反射单元被动反射且数量多的特性，可以在低功耗情况下提高接收信号的强度，但是其对应的信道估计复杂度上升，尤其在面对运动目标，时变信道导致智能反射面的相位调控复杂度上升。为此，本发明技术方案通过自适应调控智能反射面相位策略，实现低功耗，低复杂度的运动目标追踪。
22.下面结合附图和具体实施例对本发明进行详细说明。
23.图1给出了简化的三维坐标下的运动进化模型示意图，基于图1表示的运动关系，得到运动目标状态进化模型。
24.图2给出基于简单角度近似和基于泰勒展开近似的精度仿真结果，结果表明基于泰勒展开的距离近似与真实值几乎相等，精度较高。
25.图3展示了单次运动目标追踪的仿真结果，分别包括了方位角，俯仰角和距离，这三个物理量确定了物体在空间中的位置，结果表明，预测的智能反射面相位调控策略能够实现有效追踪，且基于拓展卡尔曼滤波的方法效果更好。
26.图4描绘了不同智能反射面元素数量下的追踪性能仿真结果，结果表明基于预测的相控策略在多元素下性能更好，但随机的则更差，这是因为多元素分别放大了经过随机相位处理的信号，导致估计精度大幅度下降。
27.图5描绘不同接受机噪声功率下的追踪性能仿真结果，结果表明噪声功率越小，性能越好。
28.实施例
29.步骤1.运动目标状态进化模型，信号观测模型的构建以及拓展卡尔曼滤波/粒子滤波对目标状态进行估计
30.首先、运动目标状态进化模型构建
31.步骤(11)，结合考虑的场景，如图1所示，获取原始相邻时刻映射距离位置l，俯仰角φn，方位角φn，方位角偏差δφ和运动位移δd的几何关系
[0032][0033]
步骤(12)，通过近似以及几何关系映射得到距离为
[0034]dn sinθn＝d
n-1
sinθ
n-1
+δdsinφ
n-1
.
[0035]
步骤(12.1)应用简单sinθn＝sinθ
n-1
近似，得到距离为步骤(12.2)基于勾股定理的泰勒展开，得到距离为
[0036][0037][0038][0039]dn
＝d
n-1
+δdsinφ
n-1
sinθ
n-1
.
[0040]
步骤(12.3)进行仿真实验，实验结果如图2所示，蓝线表示的泰勒近似值与真实值几乎重合，说明基于勾股定理的泰勒展开近似精确度更高；
[0041]
步骤(13)，根据所得泰勒距离近似，获取方位角φn进化模型
[0042][0043][0044][0045]
步骤(14)，根据所得泰勒距离近似，获取俯仰角θn进化模型
[0046][0047][0048]
步骤(15)，假设目标保持匀速运动，因此速度保持不变，即vn≈v
n-1
.
[0049]
步骤(16)，根据距离近似，获取信道幅度增益βn进化模型
[0050][0051][0052][0053][0054]
其中表示n时刻的修正增益。
[0055]
其次、接收信号模型构建
[0056]
步骤(17)，构建信号接收模型中，主要包括接收信号强度rn、时延τn、多普勒频偏μn的采样信号
[0057]
步骤(17.1)，原始接收信号rn(t)
[0058][0059]
其中，κ是智能反射面阵列因子增益，ψ是目标到智能反射面的相位偏移，pn是发射功率，h
rc
表示智能反射面与接收天线之间的信道，h
mr
表示目标与智能反射面之间的信道，ωn表示智能反射面的相位偏移，sn表示发送的信号，n
t
表示加性高斯白噪声。
[0060]
步骤(17.2)，通过匹配滤波器对原始信号rn(t)进行处理
[0061][0062][0063]
其中β
mr，n
表示n时刻目标与智能反射面之间的信道幅度增益，α
mr，n
表示n时刻目标与智能反射面之间的信道相位向量，
[0064]
步骤(17.3)，计算时延τn[0065][0066]
其中n
τ
表示时延噪声。
[0067]
步骤(17.4)，计算多普勒频偏μn[0068][0069]
其中nf表示多普勒频偏噪声，fc表示载波频率。
[0070]
再次、扩展卡尔曼滤波进行状态估计
[0071]
步骤(18)，设置拓展卡尔曼滤波过程中的参数向量和观测向量
[0072]
x＝[φ，θ，d，v，β]
t
[0073]
y＝[r1，...，rn，τ，μ]r[0074]
步骤(19)，简化状态进化模型和接收信号模型
[0075][0076]
步骤(20)，对状态进化函数和接收模型函数求雅可比矩阵
[0077]
步骤(20.1)，计算状态进化函数雅可比矩阵
[0078][0079]
步骤(20.2)，计算接收信号函数雅可比矩阵
[0080][0081]
其中r＝r1，...，rn。
[0082]
步骤(21)定义运动状态向量噪声vs和信号观测向量噪声vm[0083][0084][0085]
其中表示对应方位角，俯仰角，距离，速度和信道增益的方差。
[0086]
则表示接收信号，时延和多普勒频片的方差
[0087]
步骤(22)，通过拓展卡尔曼滤波，结合上一时刻运动状态估计当前接收信号向量yn，实现当前目标状态信息的估计。拓展卡尔曼滤波的步骤如下式所示
[0088][0089][0090][0091][0092][0093]
pn＝(i-k
nhn
)p
n|n-1
[0094]
步骤(23)的方法和步骤(22)是并行的，即得到状态估计可以用步骤(22)或者步骤(23)。
[0095]
此外，步骤(23)，此外，也可以通过粒子滤波，结合上一时刻运动状态估计当前接收信号向量yn，实现当前目标状态信息的估计。粒子滤波的滤波过程如下式所示。
[0096][0097][0098][0099][0100]
其中e(xn)表示求xn的数学期望，n
p
表示粒子的数量，表示粒子的权重，表示粒子的归一化权重，p(
·
)，q(
·
)分别表示条件概率和建议分布。
[0101]
步骤2.基于预测信息的自适应智能反射面相位调控策略
[0102]
最后，基于目标预测状态信息的智能反射面相位调控和接收信号构造
[0103]
步骤(2.1)，把智能反射面的相位分为两个部分，分别进行设计，以降低智能反射面相位调控的复杂度。
[0104][0105]
步骤(2.2)，设计智能反射面相位的前半部分ω
rc，n，
用于抵消智能反射面到接收天
线的固定相位偏差，使得智能反射面到接收天线之间的信道成为固定信道。
[0106][0107]
步骤(2.3)，设计智能反射面相位的后半部分根据上一时刻的状态估计和状态进化模型，得到预测的下一时刻状态信息，并用于设置自适应智能反射面相位
[0108][0109]
其中qi表示第i个元素的极坐标。
[0110]
步骤(2.4)，设置随机相位调控策略作为对照，因此得到基于随机和自适应的智能反射面相位调控策略。
[0111][0112]
其中对服从[0，2π)的均匀分布。

技术特征：
1.一种基于智能反射面的动态目标追踪方法，其特征在于，该方法包括：步骤1、运动目标状态进化模型,信号观测模型的构建以及拓展卡尔曼滤波/粒子滤波对目标状态进行估计：首先利用运动目标的自身运动轨迹信息，构建目标的运动状态进化线性模型，可获得运动状态预测；其次基于单天线的发射接收系统模型，构建当前时刻包含多采样信号、时延和多普勒频偏的信号接收模型；再次基于当前时刻接收信号，利用拓展卡尔曼滤波或粒子滤波处理非线性接收信号，估计当前时刻的目标状态信息；步骤2、基于预测信息的自适应智能反射面相位调控策略：根据拓展卡尔曼滤波/粒子滤波的当前状态估计和状态进化模型，预测下一时刻状态信息并提前对智能反射面相位进行调控，提高下一时刻目标状态估计精度，实现运动目标追踪。2.如权利要求1所述的基于智能反射面的动态目标追踪方法，其特征在于，所述步骤1，运动目标状态进化模型构建，包括：步骤11，获取原始相邻时刻映射距离位置l，俯仰角θ
n
，方位角θ
n
，方位角偏差δθ和运动位移δd的几何关系步骤12，通过近似以及几何关系映射得到距离为d
n
sinθ
n
＝d
n-1
sinθ
n-1
+δdsinφ
n-1
步骤12.1应用简单sinθ
n
＝sinθ
n-1
近似，得到距离为步骤12.2基于勾股定理的泰勒展开，得到距离为步骤12.2基于勾股定理的泰勒展开，得到距离为步骤12.2基于勾股定理的泰勒展开，得到距离为d
n
＝d
n-1
+δdsinφ
n-1
sinθ
n-1
步骤12.3进行仿真实验；步骤13，根据所得泰勒距离近似，获取方位角θ
n
进化模型进化模型进化模型
步骤14，根据所得泰勒距离近似，获取俯仰角θ
n
进化模型进化模型步骤15，假设目标保持匀速运动，因此速度保持不变，即v
n
≈v
n-1
步骤16，根据距离近似，获取信道幅度增益β
n
进化模型进化模型进化模型进化模型其中ζ
n
表示n时刻的修正增益。3.如权利要求1所述的基于智能反射面的动态目标追踪方法，其特征在于，所述步骤1，接收信号模型构建，包括：步骤17，构建信号接收模型中，主要包括接收信号强度r
n
、时延τ
n
、多普勒频偏μ
n
的采样信号；步骤17.1，原始接收信号r
n
(t)其中，κ是智能反射面阵列因子增益，ψ是目标到智能反射面的相位偏移，p
n
是发射功率，h
rc
表示智能反射面与接收天线之间的信道，h
mr
表示目标与智能反射面之间的信道，ω
n
表示智能反射面的相位偏移，s
n
表示发送的信号，n
t
表示加性高斯白噪声；步骤17.2，通过匹配滤波器对原始信号r
n
(t)进行处理(t)进行处理
其中β
mr,n
表示n时刻目标与智能反射面之间的信道幅度增益，α
mr,n
表示n时刻目标与智能反射面之间的信道相位向量；步骤17.3，计算时延τ
n
其中n
τ
表示时延噪声；步骤17.4，计算多普勒频偏μ
n
其中n
f
表示多普勒频偏噪声,f
c
表示载波频率。4.如权利要求1所述的基于智能反射面的动态目标追踪方法，其特征在于，所述步骤1，扩展卡尔曼滤波进行状态估计，包括：步骤18，设置拓展卡尔曼滤波过程中的参数向量和观测向量x＝[φ,θ,d,v,β]
t
y＝[r1,
…
,r
n
,τ,μ]
t
步骤19，简化状态进化模型和接收信号模型其中ω
n
和χ
n
表示状态进化模型和接收信号模型的噪声且方差为步骤21中的v
s
和v
m
；步骤20，对状态进化函数和接收模型函数求雅可比矩阵；步骤20.1，计算状态进化函数雅可比矩阵步骤20.1，计算状态进化函数雅可比矩阵步骤20.2，计算接收信号函数雅可比矩阵步骤20.2，计算接收信号函数雅可比矩阵其中r＝r1,
…
,r
n
；步骤21定义运动状态向量噪声v
s
和信号观测向量噪声v
m
其中表示对应方位角，俯仰角，距离，速度和信道增益的方差；则表示接收信号，时延和多普勒频片的方差；步骤22，通过拓展卡尔曼滤波，结合上一时刻运动状态估计当前接收信号向量y
n
，实现当前目标状态信息的估计；拓展卡尔曼滤波的步骤如下式所示的估计；拓展卡尔曼滤波的步骤如下式所示的估计；拓展卡尔曼滤波的步骤如下式所示的估计；拓展卡尔曼滤波的步骤如下式所示的估计；拓展卡尔曼滤波的步骤如下式所示p
n
＝(i-k
n
h
n
)p
n|n-1
步骤23的方法和步骤22是并行的，即得到状态估计用步骤22或者步骤23；步骤23，通过粒子滤波，结合上一时刻运动状态估计当前接收信号向量y
n
，实现当前目标状态信息的估计；粒子滤波的滤波过程如下式所示：的估计；粒子滤波的滤波过程如下式所示：的估计；粒子滤波的滤波过程如下式所示：的估计；粒子滤波的滤波过程如下式所示：其中e(x
n
)表示求x
n
的数学期望，n
p
表示粒子的数量，表示粒子的权重，表示粒子的归一化权重，p(
·
),q(
·
)分别表示条件概率和建议分布。5.如权利要求1所述的基于智能反射面的动态目标追踪方法，其特征在于，所述步骤2，基于目标预测状态信息的智能反射面相位调控，包括：步骤2.1，把智能反射面的相位分为两个部分,分别进行设计，以降低智能反射面相位调控的复杂度步骤2.2，设计智能反射面相位的前半部分ω
rc,n
，用于抵消智能反射面到接收天线的固
定相位偏差，使得智能反射面到接收天线之间的信道成为固定信道步骤2.3，设计智能反射面相位的后半部分根据上一时刻的状态估计和状态进化模型，得到预测的下一时刻状态信息，并用于设置自适应智能反射面相位其中q
i
表示第i个元素的极坐标步骤2.4，设置随机相位调控策略作为对照，因此得到基于随机和自适应的智能反射面相位调控策略其中对其中对服从[0,2π)的均匀分布。

技术总结
本发明提出了一种基于智能反射面的运动目标追踪方法，首先利用运动目标的自身运动轨迹信息，构建目标的运动状态进化线性模型，可获得运动状态预测；其次基于单天线的发射接收系统模型，构建当前时刻包含多采样信号、时延和多普勒频偏的信号接收模型；再次基于当前时刻接收信号，利用拓展卡尔曼滤波或粒子滤波处理非线性接收信号，估计当前时刻的目标状态信息；最后根据拓展卡尔曼滤波/粒子滤波的当前状态估计和状态进化模型，预测下一时刻状态信息并提前对智能反射面相位进行调控，提高下一时刻目标状态估计精度，实现运动目标追踪。本发明可用于智能网联车通信和定位追踪，也可用于智能工厂内运动作业机器人的通信和定位追踪。踪。踪。


技术研发人员：黄新林 卞梦奇 石运梅 唐小伟
受保护的技术使用者：同济大学
技术研发日：2023.03.24
技术公布日：2023/7/25