第【6】期--基于凸优化的多UAV-ISAC系统联合位置部署和功率分配研究-maltab完整代码+报告
文章目录
- 摘要
- 1、研究背景与动机
- 2 系统模型
- 3 优化算法
- 4 仿真结果
- 5 总结
摘要
研究了一种多无人机（UAV）使能的集成感知与通信（ISAC）系统。在该系统中，多架单天线无人机在向各自对应的地面用户发送信息的同时，利用这些信息信号协同探测地面目标。系统的目标是在满足地面用户信干噪比约束、无人机最大发射功率约束以及无人机间最小安全距离约束的前提下，通过联合优化无人机的水平部署位置和发射功率，最大化目标区域内的检测概率。由于问题非凸，提出一种基于交替优化和逐次凸近似的迭代算法。该算法在每一轮迭代中先固定无人机位置优化功率，再固定功率用SCA方法优化位置，从而获得高质量的解。
1、研究背景与动机
集成感知与通信（ISAC）的兴起
第六代（6G）无线网络的一个重要应用场景是将感知（雷达探测）与通信功能集成在同一系统中。ISAC 能够利用现有的无线基础设施和频谱/功率资源同时执行感知和通信任务，从而大幅提升频谱、能量和硬件利用率。传统地面基站的局限
传统的地面 ISAC 基站依赖于与目标区域的视距链路，建筑物和树木等障碍物会严重削弱感知性能。因此，地面基站仅能在有限的覆盖范围内提供高质量的感知服务。无人机（UAV）作为空中基站的优点
无人机具有高机动性和高海拔飞行的能力，可以作为空中 ISAC 基站，与感知目标建立视距链路，从空中提供灵活的感知和通信服务。这可以显著改善无线感知性能，并增强通信的灵活性。单无人机方案的不足
已有研究主要针对单无人机 ISAC 系统，但单无人机受限于尺寸、重量和功率，覆盖范围和性能有限。采用多无人机协作可以解决上述问题多无人机 ISAC 的挑战
多无人机之间会产生更复杂的信号干扰（既有通信信号干扰，也有感知回波干扰）。需要在感知与通信之间进行性能折衷优化。如何联合优化无人机的位置和发射功率成为关键挑战。
2 系统模型
- L 架无人机，每架配备单根天线。
- K 个地面用户，每个用户也是单天线，且与无人机一一对应（每个无人机负责与一个地面用户通信）。
- 所有无人机以固定高度 H 飞行，其水平坐标需要优化。
- 地面用户的位置已知。
通信模型:
无人机与地面用户之间的信道为视距信道，信道功率增益与距离平方成反比。
所有无人机同时发送信息信号，形成多用户干扰信道。
每个地面用户的接收信号包含：来自其配对无人机的有用信号、来自其他无人机的干扰信号，以及加性高斯白噪声。
每个无人机的发射功率受最大值限制。
感知模型
无人机利用其通信信号作为感知波形（即雷达信号与通信信号共享）。
目标反射回波被各无人机接收，经过匹配滤波后送到中心处理单元进行联合检测。
检测概率随总反射信号功率单调增加。因此，最大化检测概率等价于最大化总反射信号功率。
优化问题：
目标：最大化目标区域内最差位置（最小）的检测概率。
约束：
每个地面用户的信干噪比不低于给定阈值。
每个无人机的发射功率不超过最大值。
任意两架无人机之间的水平距离不小于最小值（防碰撞）。
集成感知与通信场景（ISAC）需要同时满足感知和通信的要求。
存在一个 SINR 阈值范围，如果阈值很低，无人机可以像仅感知一样放置在目标附近。
如果阈值升高到某个区间，无人机需要向各自的地面用户方向移动，以维持通信质量，其最优位置由包含飞行高度、用户间距、最小距离等参数的闭式表达式给出。这表明感知与通信之间存在折衷：无人机位置需要在“靠近目标”和“靠近各自用户”之间平衡。
3 优化算法
交替优化 + 逐次凸近似
提出一种迭代算法，每轮迭代包含两个步骤：
步骤 A：固定无人机位置，优化发射功率
功率优化是线性规划问题，可以用标准凸优化求解器（如 CVX）精确求解。
步骤 B：固定发射功率，优化无人机位置
位置优化非凸，使用SCA
经过上述近似后，每轮位置优化变成凸问题，可由 CVX 求解。
4 仿真结果
| 参数名称 | 数值 | 单位 |
|---|---|---|
| UAV 飞行高度 | 30 | m |
| 最大发射功率 | 45 | dBm |
| 参考距离信道增益 | -30 | dB |
| 通信噪声功率 | -60 | dBm |
| 感知噪声功率 | -60 | dBm |
| SINR 阈值 | 1 | dB |
| 最小 UAV 间距 | 10 | m |
| UAV 数量 | 3 | — |
nonnegative;variable zeta;expression interference_sum;% 目标函数 maximize(zeta)subject to % 约束条件(6b)0<=p_l<=Pmax;% 约束条件(6c)fork=1:K interference_sum=0;forl=1:Lifl ~=k dist_l=norm(u_r_l(l,:)- u_c_k(k,:))^2 + H^2;interference_sum=interference_sum +(p_l(l)* rho_0)/ dist_l;end end dist_s=norm(u_r_l(k,:)- u_c_k(k,:))^2 + H^2;p_l(k)* rho_0 / dist_s>=Gamma *(interference_sum + sigma_0_squared);end % 约束条件(7a)forn=1:N sensing_sum=0;forl=1:L dist_sensing=sum_square(u_r_l(l,:)- u_t_n(n,:))+ H^2;d_4=pow_p(dist_sensing,2);sensing_sum=sensing_sum + p_l(l)/ d_4;end sensing_sum>=zeta;end cvx_end5 总结
- 多无人机 ISAC 的核心难点在于：感知希望所有无人机靠近目标以增强回波，而通信希望各无人机靠近自己的用户以减少干扰并提高 SINR。联合优化正是寻找这种冲突的平衡点,。为未来多无人机协作感知与通信一体化网络提供了理论基础。
- 使用的 SCA 技巧（泰勒展开 + 引入辅助变量）是处理非凸约束的通用方法，值得借鉴。
- 未来可扩展的方向：动态目标追踪、三维轨迹优化、多目标检测、更复杂的信道模型（如非视距）等
参考文献：
W. Ding, C. Chen, Y. Fang, L. Qiu, X. Li, X. Wang, and J. Xu, “Multi-UAV-Enabled Integrated Sensing and Communications: Joint UAV Placement and Power Control,” in 2023 IEEE Globecom Workshops (GC Wkshps), Kuala Lumpur, Malaysia, 2023, pp. 842–847.
源代码出图所见即所得，代码获取方式见VX公众号