[发明专利]一种基于自适应kalman预测的3D-GPSR路由方法

说明书

本发明公开了一种基于自适应kalman预测的3D‑GPSR路由方法，所述方法包括以下步骤：在网络初始化阶段，每个无人机需要获得其自身和目的节点的位置；使用自适应kalman滤波预测所有节点的下一时刻三维位置；根据是否有要发送的数据，拓扑维护部分和数据转发部分分别基于预测的位置信息开始各自的工作。该方法考虑到实际UAV节点的移动随机性和可预测性，针对一定观测频率下，高斯运动模型节点加速度的随机性导致传统kalman预测结果不收敛的问题，利用运动模型的系统参数矩阵对kalman预测算法的处理噪声矩阵进行改进，以自适应地跟踪和估计无人机的速度和加速度，预测节点下一时刻的三维位置。

技术领域

本发明涉及一种基于位置预测的三维贪心周界无状态路由方法3D-GPSR(3Dimensional-Greedy Perimeter Stateless Routing)路由方法，具体涉及一种基于自适应kalman预测的3D-GPSR路由方法，属于无线通信技术领域。本发明可用于飞行自组网中高速无人机之间基于位置预测的路由选择。

技术背景

近年来，无人机以其多功能性、灵活性、安装方便、成本较低等优点得到了广泛的应用。无人机之间的数据传输可以通过地面站在线进行，也可以在多无人机节点间进行，多无人机协同应用组成的飞行自组织网络FANET可以实现网络的快速部署和无人机间信息共享，在解决突发事件、自然灾害时效果显著。与单无人机相比，FANET通过多无人机协同组网具有更强的生存性、多任务执行能力和快速任务切换能力，这在军事应用中尤为重要。然而，飞行自组网中，由于无人机在三维空间的高移动性，用于路由算法设计的无人机位置信息往往过时，会导致邻居节点信息不准确，下一跳选择无效。在这方面，许多研究者将预测机制引入到地理路由中，使路由算法能够跟踪和适应网络中的动态变化。

针对三维FANET路由中的预测机制，有学者提出了一种基于自适应信标的GPSR路由算法，其中加权线性回归算法用于无人机的位置预测。另外，还有学者提出交替使用单播和广播的路由算法，利用3D估计来预测中间节点的位置，并利用指向预测位置的定向传输转发数据，从而可以跟踪不断变化的拓扑结构，确保路由算法的健壮性。然而，这些三维路由预测方案基于相对简单的运动学方法，低估了速度和加速度的变化，对于复杂、高动态的无人机预测精度不够。近年来，一些高精度的二维动态路由预测算法被提出，一类是基于人工智能的算法，如模糊逻辑和强化学习，另一类是滤波算法，如卡尔曼预测。考虑到卡尔曼预测算法具有预测速度快、内存需求低、累积误差小的优点，有文献指出利用kalman滤波器估计节点的移动速度，进一步结合模糊逻辑算法来增强节点的链路稳定性，设计基于预测的链路连通性路由算法，该算法具有更好的生存期和包传递率。有文献提出一种基于未来位置的车联网路由算法，通过kalman滤波算法减少位置信息的不精确性和避免障碍，最大化数据包的接收，提高路由算法的性能。为了解决FANET网络下路由数据包丢失和路径故障的问题，M Song等人提出一种基于改进移动性预测的路由算法，该算法基于kalman滤波算法预测无人机移动轨迹，选择更稳定的无人机实现中继转发，提高路由算法的稳定性，然后将时延作为路由算法链路度量设计跨层排队延迟预测模型，实现流量负载均衡，减少端到端时延。然而，现有文献研究基于kalman预测的路由算法是基于二维位置信息的，并未充分考虑无人机运动的三维特性，针对无人机高动态下的三维kalman预测算法性能，文献中也未做出明确的分析。

因此，现有的FANET路由算法中对位置信息预测机制的研究，不能很好地适应FANET的三维高动态运动特性。为了进一步适应FANET环境，提高路由算法的性能，需要设计一种基于自适应卡尔曼预测的三维GPSR路由方法。