一种基于RIS的宽带毫米波SISO定位方法

孙俊倡; 谷荣妍; 马帅; 柴进晋; 李世银

doi:10.11999/JEIT230401

一种基于RIS的宽带毫米波SISO定位方法

doi: 10.11999/JEIT230401

1.
中国矿业大学信息与控制工程学院徐州 221116
2.
鹏城实验室深圳 518055
3.
空军工程大学防空反导学院西安 710038

基金项目: 国家自然科学基金(61771474, 62371451)

详细信息

作者简介:
孙俊倡：男，博士生，研究方向为毫米波定位、可重构智能超表面等

谷荣妍：女，硕士生，研究方向为语义通信、信息论等

马帅：男，副研究员，博士生导师，研究方向为语义通信、通信定位一体化、信息论等

柴进晋：男，讲师，研究方向为无线定位、OFDM系统、编码技术等

李世银：男，教授，博士生导师，研究方向为煤矿信息化、移动目标定位等

通讯作者:
李世银　lishiyin@cumt.edu.cn

中图分类号: TN929.5
计量
- 文章访问数: 708
- HTML全文浏览量: 387
- PDF下载量: 118
- 被引次数: 0
出版历程
- 收稿日期: 2023-05-11
- 修回日期: 2023-07-12
- 网络出版日期: 2023-07-20
- 刊出日期: 2024-04-24

An RIS assisted Wideband Millimeter Wave SISO-Based Positioning Method

1.
School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China
2.
Peng Cheng Laboratory, Shenzhen 518055, China
3.
School of Air Defence and Antimissile, Air Force Engineering University, Xi’an 710038, China

Funds: The National Natural Science Foundation of China (61771474, 62371451)

摘要

摘要: 针对毫米波定位过程中空间宽带效应产生的影响，该文基于可重构智能超表面(RIS)和单输入单输出(SISO)毫米波系统提出一种新颖的3维(3D)定位估计方法。首先，通过设计RIS相位，利用快速傅里叶逆变换(IFFT)粗略地估计直射路径的视距(LoS)时延、RIS路径的虚拟视距(VLoS)时延以及RIS与用户之间的出发角(AoD)等信道参数。然后，利用拟牛顿法修正上述参数进而估计用户的位置坐标。通过仿真模拟对比了所提宽带估计方法和传统的窄带估计方法的定位性能，结果表明，通过考虑空间宽带效应，带宽为240 MHz时定位精度大约可提高10%，随着带宽增大超过800 MHz时定位性能可提高超过20%。
- 毫米波定位 /
- 空间宽带效应 /
- 可重构智能超表面 /
- 单站定位
Abstract: For the effects of spatial-wideband effects during millimeter wave positioning, a novel 3-Dimensional (3D) positioning estimation method based on Reconfigurable Intelligent Surface (RIS) and Single Input Single Output (SISO) millimeter wave system is proposed. First, by designing the RIS phase profiles, the channel parameters of the direct Line-of-Sight (LoS) delay, the RIS-aided Virtual Line-of-Sight (VLoS) delay, and the Angle-of-Departure (AoD) between the RIS and the user are coarsely estimated based on the Inverse Fast Fourier Transform (IFFT). Then, the quasi-Newton method is used to refine these parameters and to estimate the location of the user. Simulations are conducted to compare the positioning performance of the proposed spatial-wideband estimation method with that of the traditional narrowband estimation method. The results show that by taking into account the spatial-wideband effects, the positioning accuracy can be improved by approximately 10% for a bandwidth of 480 MHz and by more than 20% as the bandwidth increases beyond 800 MHz.
- Millimeter wave positioning /
- Spatial-wideband effect /
- Reconfigurable Intelligent Surface (RIS) /
- Single station positioning

HTML全文

1. 引言

超短基线定位技术是水下航行器或潜水员进入深海、探测深海和开发深海的关键技术^[1-5]。目前，超短基线定位技术在民用领域已实现商业化。法国iXblue公司的POSIDONIA II^[6]、英国Sonardyne公司的HPT^[7]、挪威Kongsberg公司的HiPAP^[8]均为国际上知名的超短基线定位设备，代表着当今世界的最高水平。

超短基线通过测量目标到达声学基阵各个基元的传播时延来估计目标相对声学基阵的方位和距离从而确定目标的位置^[9,10]。传统声学基阵大多为线阵和平面阵，文献[11]介绍了一种针对线阵的超短基线定位算法，此算法利用不同观测点测得的空间方位角建立非线性方程，通过拟牛顿法估计目标位置。针对线阵的算法需综合利用不同观测点的角度信息，且要迭代求解非线性方程，定位效率低，难以满足对运动目标的高帧率定位需求。平面阵能在每个观测点完成一次目标位置的解算，能提供高帧率位置信息。文献[12-14]介绍了几种常见平面阵阵型(L型平面阵、十字平面阵、正五边形平面阵)的定位解算方法。这些方法都存在一个特点，即能直接获得目标的水平定位结果，目标的垂向定位结果需通过斜距和水平结果间接获得，这就导致了目标垂向定位精度受水平定位精度影响较大。为使目标垂向定位结果与水平独立，需要采用立体阵以直接获得目标垂直方向的定位结果。现有适用于立体阵的定位算法较少；文献[15]介绍了针对4元立体阵的超短基线定位算法。此算法利用4元立体阵的对称结构，独立构造出目标垂直位置的观测方程，能直接获得目标的垂向位置。但此算法仅适用于特定几何构型的立体阵，有一定的局限性。为实现一个算法适应不同结构立体阵的解算；文献[16]介绍了三角分解算法。三角分解算法首先将立体阵分解成不同朝向的3元阵组合，每个组合可求解一个目标位置，其次对所有组合的定位结果进行平均，作为目标的最终定位结果。三角分解算法涉及大量坐标基转换解算步骤极其繁琐，且当阵元数量较多时，运算量将急剧增大。此外，针对立体阵这类复杂的阵型结构，三角分解算法的定位模型十分复杂，难以分析其误差特性。

对于三角分解算法存在的问题，本文从向量的角度提出了另一种适用于立体阵的算法，基于向量投影的立体阵定位算法。本文算法从向量投影的角度构建立体阵中各基线向量与目标方位之间的观测方程，通过解观测方程组实现对目标方向余弦向量的估计。相较于三角分解算法，本文提出的算法时间复杂度更小，且待估计参数与量测数据间的关系呈线性形式，易分析定位误差与各参量之间的影响关系。

2. 三角分解算法及其缺陷

由引言部分可知，三角分解算法能适用于立体阵型的解算。算法的思想可以概括如下：(1)将立体阵分解为不同朝向的3元阵组合，每个组合定义一个本地坐标系；(2)确定目标在每个本地坐标系下的坐标；(3)通过坐标转换获得目标在基阵坐标系下^[17]的坐标；(4)对所有组合的结果进行平均，获得目标的最终位置。

下面以某一个3元阵组合为例，给出具体定位原理。假设3元阵定义的本地坐标系为 $o {\text{-}} {x_{{\rm{Local}}}}{y_{{\rm{Local}}}}{z_{{\rm{Local}}}}$ ；目标在本地坐标系下的位置 ${{\boldsymbol{X}}_{{\rm{Local}}}}$ 可由式(1)和式(2)获得。

$\begin{split} \left[ \begin{gathered} {X_{{\rm{Local}}}} \\ {Y_{{\rm{Local}}}} \\ \end{gathered} \right] =& \left[ {\begin{array}{*{20}{c}} {\cos \left( {\dfrac{{90 - \nu }}{2}} \right)}&{\cos \left( {\dfrac{{90 + \nu }}{2}} \right)} \\ {\cos \left( {\dfrac{{90 + \nu }}{2}} \right)}&{\cos \left( {\dfrac{{90 - \nu }}{2}} \right)} \end{array}} \right]\\ & \left[ {\begin{array}{*{20}{c}} {1 - {{\left( {\dfrac{{\cos \nu }}{{\sin \nu }}} \right)}^2}}&{ - \dfrac{{\cos \nu }}{{{{\sin }^2}\nu }}} \\ { - \dfrac{{\cos \nu }}{{{{\sin }^2}\nu }}}&{1 - {{\left( {\dfrac{{\cos \nu }}{{\sin \nu }}} \right)}^2}} \end{array}} \right]\\ & \left[ \begin{gathered} R\cos \alpha \\ R\cos \beta \end{gathered} \right] \end{split}$

(1)

${Z_{{\rm{Local}}}} = \sqrt {{R^2} - X_{{\rm{Local}}}^2 - Y_{{\rm{Local}}}^2}$

(2)

其中，R代表目标到本地坐标系原点的距离。 $\nu$ 代表3元阵中两基线的夹角。 $\cos \alpha = c{\tau _1}/{d_1}$ , $\cos \beta = c{\tau _2}/{d_2}$ 代表目标位置向量与3元阵中两基线夹角的余弦值。 ${\tau _1}$ , ${\tau _2}$ 分别代表声波到达两基线中各基元间的时延差， ${d_1}$ , ${d_2}$ 代表基线长度， $c$ 代表声波在水中的传播速度。

由于本地坐标系与基阵坐标系并不一致，需通过坐标旋转获得目标在基阵坐标系下的位置 ${{\boldsymbol{X}}_{{\rm{Array}}}}$ 。

${{\boldsymbol{X}}_{{\rm{Array}}}} = {{\boldsymbol{R}}_{{\rm{LA}}}}\left( {\boldsymbol{\theta}} \right){{\boldsymbol{X}}_{{\rm{Local}}}}$

(3)

其中， ${{\boldsymbol{R}}_{\rm{{LA}}}}$ 代表本地坐标系到基阵坐标系的旋转矩阵， ${\boldsymbol{\theta}}$ 代表两个坐标系之间的欧拉角矢量。

至此，可获得3元阵组合的定位结果。文献[]给出了三角分解算法的详细推导，此处不再过多赘述。三角分解算法的主要量测数据为 $c{\tau _1}$ , $c{\tau _2}$ ，将其分别记为 ${L_1} = c{\tau _1}$ , ${L_2} = c{\tau _2}$ ，分析量测误差 $\Delta {L_1}$ , $\Delta {L_2}$ 对定位误差 $\Delta {{\boldsymbol{X}}_{{\rm{Array}}}}$ 的影响程度。将式(3)写作 ${{\boldsymbol{X}}_{{\rm{Array}}}} = {{\boldsymbol{R}}_{{\rm{LA}}}}\left( {\boldsymbol{\theta}} \right){{\boldsymbol{X}}_{{\rm{Local}}}} = {\boldsymbol{f}}$ ，对其两边同时求微分，有

$\Delta {{\boldsymbol{X}}_{{\rm{Array}}}} = \frac{{\partial {\boldsymbol{f}}}}{{\partial {L_1}}}\Delta {L_1} + \frac{{\partial {\boldsymbol{f}}}}{{\partial {L_2}}}\Delta {L_2}$

(4)

式(4)的展开式十分复杂，从中看不到明显的关系。但由于 ${\boldsymbol{f}}$ 与 $\cos \alpha$ , $\cos \beta$ 有关，可知定位误差 $\Delta {{\boldsymbol{X}}_{{\rm{Array}}}}$ 不仅与量测误差 $\Delta {L_1}$ , $\Delta {L_2}$ 有关，还与目标的方位有关。

综上，三角分解算法虽能适用于立体阵的解算，但也存在如下缺陷。(1)计算量大。对于一个N元立体阵，共能分解出 $3 \cdot {\rm{C}}_N^3$ 种朝向的3元阵组合，每个组合都需要计算一次目标位置，计算量较大。(2)解算所需参数难以直观获取。三角分解算法需知道本地坐标系与基阵坐标系间的欧拉角，对立体阵这类复杂的阵型结构而言，该量难以直观获得。(3)误差分析困难。三角分解算法的定位误差解析式十分复杂，难以通过解析式直观获得定位误差与各参量间的关系。

3. 基于向量投影的立体阵定位算法

针对三角分解算法的缺陷，本文提出基于向量投影的立体阵定位算法(以下简称向量投影算法)，从向量投影的角度构建立体阵中各基线向量与目标方位之间的观测方程，实现对三角分解算法定位模型的简化。

3.1 模型构建及参数求解

假设在基阵坐标系下，立体阵中任意两基元的坐标为 ${{\boldsymbol{X}}_j} = {[{x_j},{y_j},{z_j}]^{\text{T}}}$ 与 ${{\boldsymbol{X}}_i} = {[{x_i},{y_i},{z_i}]^{\text{T}}}$ ，此时基线i,j的方向向量可表示为 ${{\boldsymbol{X}}_{ji}} = {{\boldsymbol{X}}_j} - {{\boldsymbol{X}}_i}$ ，如所示。此外假设目标在基阵坐标系下的方向余弦为 ${\boldsymbol{e}} = {[\cos\alpha ,\cos\beta ,\cos\gamma ]^{\text{T}}}$ ，方向余弦各角度的定义如图1(b)所示。

图 1 基线与目标的方向向量

下载: 全尺寸图片幻灯片

基于向量投影定理，可获得目标的方向余弦向量 ${\boldsymbol{e}}$ 与基线向量 ${{\boldsymbol{X}}_{ji}}$ 夹角的余弦值为

$\cos \theta = \left( {{\boldsymbol{e}} \cdot {{\boldsymbol{X}}_{ji}}} \right)/{d_{ij}}$

(5)

其中， $\left( \cdot \right)$ 代表向量点积， $\theta$ 代表向量 ${\boldsymbol{e}}$ 与 ${{\boldsymbol{X}}_{ji}}$ 间的夹角， ${d_{ij}}$ 代表基线i,j的长度。

此外，由二元测向定理^[17]，可通过基线间的时延差，获得目标与基线i,j夹角的余弦值为

$\cos \theta = \left( {c{\tau _{ij}}} \right)/{d_{ij}}$

(6)

其中， ${\tau _{ij}}$ 代表声波到达基元i,j的时延差。联立式(5)与式(6)可得基线向量与目标方向余弦向量的观测方程：

$c{\tau _{ij}} = {\boldsymbol{e}} \cdot {{\boldsymbol{X}}_{ji}}$

(7)

将不同基线对应的量测数据及待估计参数以矩阵形式表达为

${\boldsymbol{L}} = {\boldsymbol{Ae}}$

(8)

其中

$\begin{split} & {\boldsymbol{L}} = c{[{\tau _{{N_1}{N_2}}},{\tau _{{N_3}{N_4}}},\cdots,{\tau _{{N_{2k - 1}}{N_{2k}}}}]^{\text{T}}} \\ & {\boldsymbol{A}} = {[{{\boldsymbol{X}}_{{N_2}{N_1}}},{{\boldsymbol{X}}_{{N_4}{N_3}}},\cdots,{{\boldsymbol{X}}_{{N_{2k}}{N_{2k - 1}}}}]^{\text{T}}} \end{split}$

(9)

基于最小二乘定理，目标的方向余弦 ${\boldsymbol{e}}$ 可根据式(10)获得

${\boldsymbol{e}} = {\left( {{{\boldsymbol{A}}^{\text{T}}}{\boldsymbol{A}}} \right)^{ - 1}}{{\boldsymbol{A}}^{\text{T}}}{\boldsymbol{L}}$

(10)

假设基阵的几何中心为基阵坐标系的原点，可以根据式(11)获得目标到基阵坐标系原点的斜距R。

$R = c\overline t$

(11)

其中， $\overline t$ 代表目标到立体阵各基元声传播时延的平均值。

至此，目标的斜距与方向余弦均为已知量，目标的定位结果 ${\boldsymbol{X}}$ 可由式(12)获得

${\boldsymbol{X}} = R{\boldsymbol{e}}$

(12)

3.2 向量投影算法的误差分析

接下来对向量投影算法的估值进行误差分析。对式(10)两边同时取微分，有

$\Delta {\boldsymbol{e}} = {\left( {{{\boldsymbol{A}}^{\text{T}}}{\boldsymbol{A}}} \right)^{ - 1}}{{\boldsymbol{A}}^{\text{T}}}\Delta {\boldsymbol{L}}$

(13)

由式(13)可以看出，量测误差 $\Delta {\boldsymbol{L}}$ 传递到估值误差 $\Delta {\boldsymbol{e}}$ 的程度与 ${\boldsymbol{A}}$ 有关，而 ${\boldsymbol{A}}$ 由基线向量组成，与立体阵的几何构型有关，为进一步分析估值误差与立体阵几何构型的关系，下面以一个普遍的4元立体阵为例进行推导。4元立体阵的构型如图2所示。

图 2 4元立体阵

下载: 全尺寸图片幻灯片

图2中，1-3基线与2-4基线的长度相同，到xoy平面的距离相等，投影到xoy平面上分别与x轴、y轴重合，并关于原点对称。定义立体阵4个基元的坐标为 ${{\boldsymbol{X}}_i} = {[{x_i},{y_i},{z_i}]^{\text{T}}}(i = 1,2, 3 ,4)$ 。为便于求解式(13)中 ${{\boldsymbol{A}}^{\text{T}}}{\boldsymbol{A}}$ 的逆，基于式(7)，以1-3基线向量，2-4基线向量，1-2加3-4基线向量构建观测方程组，有

${\boldsymbol{L}} = \left[ {\begin{array}{*{20}{c}} {{x_3} - {x_1}}&0&0 \\ 0&{{y_4} - {y_2}}&0 \\ 0&0&{2\left( {{z_2} - {z_1}} \right)} \end{array}} \right]{\boldsymbol{e}} = {\boldsymbol{Ae}}$

(14)

将式(14)中 ${\boldsymbol{A}}$ 代入式(13)中，易求得估值误差与立体阵构型的关系

$\begin{split} \Delta {\boldsymbol{e}} =& \left[ {\begin{array}{*{20}{c}} {1/\left( {{x_3} - {x_1}} \right)}&0&0 \\ 0&{1/\left( {{y_4} - {y_2}} \right)}&0 \\ 0&0&{1/2\left( {{z_2} - {z_1}} \right)} \end{array}} \right]\\ & \times\Delta {\boldsymbol{L}} \\[-15pt] \end{split}$

(15)

定义立体阵在x,y,z方向的孔径为 $\left| {{x_3} - {x_1}} \right|$ , $\left| {{y_4} - {y_2}} \right|$ , $\left| {{z_2} - {z_1}} \right|$ ；则由式(15)可知，增加 $\left| {{x_3} - {x_1}} \right|$ , $\left| {{y_4} - {y_2}} \right|$ , $\left| {{z_2} - {z_1}} \right|$ ，能分别减小 $\cos\alpha$ , $\cos\beta$ , $\cos\gamma$ 的估值误差。故增加立体阵3方向的孔径，能降低估值误差。

3.3 算法优势分析

从上面的分析可以得出，向量投影算法通过解线性方程组即可实现对目标方向余弦向量的估计。相比于三角分解算法，向量投影算法具有以下优势：

(1) 时间复杂度低。由文中的式(10)可知，向量投影算法的计算量主要集中在矩阵的运算上。对于一个 $N$ 元立体阵，向量投影算法的独立量测量个数为 $N - 1$ 个，对应可列出 $N - 1$ 个观测方程，相应的 ${\boldsymbol{A}}$ 矩阵为 $\left( {N - 1} \right) \times 3$ ， ${\boldsymbol{L}}$ 向量为 $\left( {N - 1} \right) \times 1$ 。根据矩阵运算的时间复杂度^[18]，可计算出式(10)中 ${\left( {{{\boldsymbol{A}}^{\text{T}}}{\boldsymbol{A}}} \right)^{ - 1}}{{\boldsymbol{A}}^{\text{T}}}{\boldsymbol{L}}$ 的时间复杂度为 $O\left( {21N + 6} \right)$ ，根据时间复杂度的定义^[18]，当 $N$ 较大时，可忽略常数项及系数的影响，则向量投影算法的时间复杂度可简化为 $O\left( N \right)$ 。同样对于一个 $N$ 元立体阵，三角分解算法总共能分解出 $3 \cdot {\rm{C}}_N^3$ 个朝向的3元阵组合，对于每个3元阵组合，都需计算一次目标位置，由于文中式(1)至式(3)与 $N$ 无关，则三角分解算法的时间复杂度主要取决于3元组合的数量，即 $O\left( {3 \cdot {\rm{C}}_N^3} \right)$ 。忽略低阶项及系数，可将三角分解算法的时间复杂度简化为 $O\left( {{N^3}} \right)$ 。由于 $O\left( N \right)$ 的时间复杂度远小于 $O\left( {{N^3}} \right)$ ，由此可得向量投影算法的时间复杂度更低。

(2) 解算所需的参数更易获取。相比于三角分解算法，向量投影算法无本地坐标系的定义，无需知道坐标系间的欧拉角，仅需输入各基元在基阵坐标系下的坐标、量测时延及声速，即可估计目标位置。

(3) 误差分析直观。针对立体阵这类复杂的阵型结构，传统三角分解算法难以通过解析式获得定位误差与各参量间的关系；而对于向量投影算法，能通过解析式获得定位误差与立体阵孔径间的关系。

4. 仿真分析

为验证本文算法的性能，本部分通过算法运行时间与定位误差评价优劣。仿真中目标的位置采用球面坐标进行描述，如所示。图中R表示目标的斜距， ${{E}}$ 表示目标的俯仰角，定义目标位于xoy平面下方时为负， ${{A}}$ 表示目标的水平方位角，定义以x轴为起点，左手规则为正。

图 3 水平方位角与俯仰角的定义

下载: 全尺寸图片幻灯片

4.1 算法运行时间对比

此部分仿真对比不同基元数量下，两种算法的运行时间。仿真过程中，选择一个固定目标，俯仰角–45°，方位角45°，斜距50 m。仿真所用阵型为不同基元数量的圆锥阵，如图4(a)所示，顶基元距基阵水平面的距离为0.13 m，底面基元位于xoy平面上半径为0.13 m，以原点为中心的圆周上。底面基元的数量由4增大到10，仿真统计两种算法定位1000次的运行时间，如图4(b)所示。

图 4 算法运行时间对比

下载: 全尺寸图片幻灯片

由图4可看出，三角分解算法的运行时间远大于向量投影算法，且随着基元数量变多增长斜率变大。

4.2 不同误差源下性能分析

此部分仿真分析不同量测误差源对三角分解算法及向量投影算法定位误差的影响。

由算法的观测方程可以看出，两种算法的定位误差由声速误差、基元位置误差及时延误差共同决定，3种误差中，基元位置误差在实际作业前会通过高精度阵型校准技术^[19]进行修正，因此忽略基元位置误差的影响，重点分析声速误差和时延误差的影响。以下仿真所用的阵型参数为图2所示的4元立体阵。其中，x,y方向的孔径为0.26 m，z方向的孔径为0.13 m。目标位置设置与4.1节相同。

首先分析声速误差的影响。声速误差常以固定误差的形式存在，仿真过程中，声速误差从0 m/s均匀变化到10 m/s。两种算法的定位误差如图5所示。

图 5 声速误差

下载: 全尺寸图片幻灯片

由图5可看出随着声速误差的增大，两种算法的定位误差近似线性增大。在此斜距和方位下，10 m/s的声速误差对三角分解算法的影响最大不到2.4%R；对向量投影算法的影响最大不到0.52%R。

接下来分析时延误差的影响。时延误差常以随机误差的形式存在。假设立体阵各基元的时延误差统计独立，且都服从均值为0，标准差为 $\sigma$ 的正态分布。仿真过程中，标准差 $\sigma$ 的大小从0 μs均匀增加到5 μs。在每个标准差下进行1000次蒙特卡罗实验。其他仿真条件与图5相同。仿真结果如图6所示。

图 6 时延误差

下载: 全尺寸图片幻灯片

由图6可看出随着时延误差的增大，向量投影算法的定位误差近似线性增大，但三角分解算法的定位误差呈非线性关系。在此斜距和方位下，5 μs的时延误差对两种算法的影响最大均超过了4%R。

从图5、图6的仿真结果可得出以下结论：声速误差对两种算法的定位误差影响较小，时延误差对两种算法的定位误差影响较大。在实际使用中，可通过提高信噪比和采样率提升时延量测精度。

4.3 不同目标方位下性能分析

为更普遍地分析算法性能，本部分仿真计算同一量测误差下，目标位于不同方位时两种算法的定位误差。仿真所用的阵型与4.2节一致，声速误差设置为5 m/s，时延误差的标准差设置为5 μs。

先分析不同水平方位角的影响。仿真过程中，固定目标的俯仰角为–45°，斜距为50 m。目标的水平方位角从–180°均匀变化到180°。两种算法的定位误差如图7所示。

图 7 不同水平方位角下定位误差

下载: 全尺寸图片幻灯片

由图7可以看出，三角分解算法的定位误差随水平方位角的变化上下震荡，而向量投影算法随水平方位角的变化不大。两种算法在不同水平方位角下的定位误差各有优劣。

接下来分析不同俯仰角的影响。固定目标的水平方位角为45°不变。目标的俯仰角从–90°均匀变化到0°，两种算法的定位误差如图8所示。

图 8 不同俯仰角下定位误差

下载: 全尺寸图片幻灯片

由图8可以看出，三角分解算法的定位误差受俯仰角的影响较大，而向量投影算法的几乎不随俯仰角变化。两种算法在不同俯仰角下的定位误差同样各有优劣。

由图7、图8可知：不同目标方位下，两种算法的定位误差在数值上各有优劣；但三角分解算法的定位误差受目标方位的影响较大，而向量投影算法的定位误差几乎不受目标方位的影响，性能更加稳定。

4.4 不同立体阵孔径下性能分析

本文在误差分析部分，得到了向量投影算法的估值误差与立体阵孔径成反比的结论。本节通过仿真验证此结论的正确性。仿真中，量测误差的设置与4.3节相同，目标位置的设置与4.1节相同。

基于图2所示的4元立体阵，定义x,y方向的孔径为水平孔径，定义z方向的孔径为垂直孔径。首先分析水平孔径的影响，仿真中，垂直孔径固定为0.26 m不变，水平孔径从0.26 m均匀增加到0.52 m。两种算法的定位误差如图9所示。

图 9 不同水平孔径下定位误差

下载: 全尺寸图片幻灯片

由图9可以看出，随着水平孔径的增大，向量投影算法的水平定位误差明显降低，垂直定位误差几乎不变；三角分解算法的水平与垂直定位误差随着水平孔径的增大，呈先增大后减小的趋势。

接下来分析垂直孔径的影响，水平孔径固定为0.26 m不变，垂直孔径从0.26 m均匀增加到0.52 m。两种算法的定位误差如图10所示。

图 10 不同垂直孔径下定位误差

下载: 全尺寸图片幻灯片

由图10可以看出，随着垂直孔径的增大，向量投影算法的水平定位误差变化不明显，垂直定位误差明显降低。三角分解算法的水平与垂直定位误差随着垂直孔径的增大而减小。

从图9、图10可得以下结论，随着基阵水平与垂直孔径的增大，向量投影算法的定位误差明显降低，验证了误差分析结论的正确性；但三角分解算法的定位误差与阵型孔径间无明显的单调规律。

5. 湖试数据处理与分析

2022年2月27日，在湖北省丹江口开展了超短基线定位系统定位精度验证试验。试验期间平均水深约45 m。试验设备包括：哈尔滨工程大学自研的超短基线5元立体阵(阵型具体参数如图11所示)、声信标，法国iXsea公司的PHINS高精度姿态测量仪，中国华测公司P5型GNSS设备。试验中，姿态测量设备固定安装在5元立体阵的腔体内部；超短基线5元立体阵与GNSS天线通过4.5 m长的三脚架刚性连接，安装于船只右舷；5元立体阵入水深度约2 m；声信标布放在湖底，深度约40 m。

图 11 湖试所用立体阵阵型

下载: 全尺寸图片幻灯片

声信标在大地坐标系^[20]下的位置为先验已知量，在试验前通过标定方法获得^[20]。试验过程中，声信标布放在湖底不动，水面船只以声信标为中心，走半径约100 m的正反圆加正反叉航迹，如图12所示；期间5元立体阵利用1至4号基元在每个定位周期内完成对声信标的一次定位解算。

图 12 水面船航迹

下载: 全尺寸图片幻灯片

由于试验过程中，声信标在大地坐标系下的位置未曾改变，若将5元立体阵在基阵坐标系下的定位结果转到大地坐标系，则结果应基本聚合在一点。为对比三角分解算法、向量投影算法的定位精度，将两种算法的定位结果通过坐标转换公式转到大地坐标系下，以声信标的标定位置为参考，对比两种算法的离散程度，如图13的直方图所示。表1统计了图13中两种算法在3个方向的均方根误差及运行时间。

图 13 与标定结果差值的直方图

下载: 全尺寸图片幻灯片

表 1 算法均方根误差及运行时间统计结果

算法名称	北向均方根误差(m)	东向均方根误差(m)	天向均方根误差(m)	运行时间(s)
三角分解算法	0.2048	0.2244	0.6600	0.1225
向量投影算法	0.1714	0.1752	0.6561	0.0131

下载: 导出CSV

| 显示表格

由图13及表1的结果可以看出，向量投影算法与三角分解算法在3方向的均方根误差基本一致，差距在厘米级，向量投影算法略优；此外，三角分解算法的运行时间为0.1225 s，远大于向量投影算法的0.0131 s，是向量投影算法的9倍多。

湖试数据处理结果表明，向量投影算法能获得与三角分解算法几乎一致的定位精度，且计算效率更高。

6. 结论

本文针对现有适用于立体阵型的三角分解算法计算量大、定位误差难以通过解析式精确表征的问题，从向量的角度提出了向量投影算法。与三角分解算法相比，向量投影算法的时间复杂度更低，解算所需的参数更易获取，且定位误差的解析式简洁、直观。通过对向量投影算法的误差分析，得到增大立体阵孔径能降低算法估值误差的结论，该结论对立体阵的阵型设计具备指导意义。仿真分析表明，在不同目标方位下，相较于三角分解算法，向量投影算法的定位误差几乎维持在同一数值，受目标方位影响小，算法性能更加稳定且运算时间更少；此外，基于误差分析的指导，增加基阵的水平与垂直孔径能明显减小向量投影算法的定位误差，验证了误差分析结论的正确性。湖试数据处理结果表明，向量投影算法能获得与三角分解算法几乎一致的定位精度，但运算时间少于三角分解算法的九分之一。

图 1 RIS辅助的毫米波SISO定位系统模型

下载: 全尺寸图片幻灯片

图 2 定位估算误差随接收SNR的变化趋势

下载: 全尺寸图片幻灯片

图 3 定位估算误差随带宽的变化趋势

下载: 全尺寸图片幻灯片

算法1　基于RIS的毫米波SISO系统定位算法
输入：接收信号 ${\mathbf{Y}}$
输出：用户估计位置 ${\mathbf{\hat u}}$
1：定义矩阵 ${{\mathbf{Z}}_{\text{b}}}$ 并利用IFFT估计 ${\hat k_{\text{b}}}$
2：粗估计LoS时延 ${\tilde \tau _{\text{b}}}$
3：利用拟牛顿法准确估计LoS时延 ${\hat \tau _{\text{b}}}$
4：估计LoS复信道增益 ${\hat \rho _{\text{b}}}$
5：定义矩阵 ${{\mathbf{Z}}_{\text{r}}}$ 并利用IFFT估计 ${\hat k_{\text{r}}}$
6：粗估计VLoS时延 ${\tilde \tau _{\text{r}}}$
7：利用拟牛顿法准确估计VLoS时延 ${\hat \tau _{\text{r}}}$
8：粗估计RIS和用户之间的AoD ${\tilde {\boldsymbol{\phi}} }$
9：利用拟牛顿法准确估计AoD ${\hat {\boldsymbol{\phi}} }$
10：估计RIS和用户之间的距离 $\hat d$
11：估计用户位置 ${\mathbf{\hat u}}$

下载: 导出CSV

表 1 仿真参数设置

参数	值
频率 ${f_{\text{c}}}$	30 GHz
RIS尺寸大小 $L$	$64 \times 64$
子载波间距 ${\varDelta _f}$	240 kHz
符号数目 $T$	120
RIS相位束数目 $K$	12
噪声PSD ${N_0}$	$- 174{\text{ dBm/Hz}}$
噪声因子	8 dB
IFFT维度 ${N_{\text{F}}}$	4096
基站位置 ${\boldsymbol{p}}$	$\left( {2,2, - 7} \right)$
RIS位置 ${\boldsymbol{r}}$	$\left( {0,0,0} \right)$
用户位置 ${\boldsymbol{u}}$	$\left( { - {\text{5/}}\sqrt {\text{2}} ,{\text{5/}}\sqrt {\text{2}} , - 10} \right)$

下载: 导出CSV

参考文献(29)

[1]	王丹阳, 薛秀珍, 魏伟, 等. 基于多天线信号合成的优化到达时间差定位算法[J]. 光学技术, 2022, 48(5): 536–540. doi: 10.13741/j.cnki.11-1879/o4.2022.05.004. WANG Danyang, XUE Xiuzhen, WEI Wei, et al. Optimal the time difference of arrival location algorithm localization algorithm based on multi-antenna signal combining[J]. Optical Technique, 2022, 48(5): 536–540. doi: 10.13741/j.cnki.11-1879/o4.2022.05.004.
[2]	郭文飞, 齐书峰, 邓玥, 等. 融合TOA/AOD的5G/SINS紧组合导航定位算法分析[J]. 测绘学报, 2023, 52(3): 367–374. doi: 10.11947/j.AGCS.2023.20210555. GUO Wenfei, QI Shufeng, DENG Yue, et al. Analysis of 5G/SINS tightly coupled navigation algorithm with TOA/AOD[J]. Acta Geodaetica et Cartographica Sinica, 2023, 52(3): 367–374. doi: 10.11947/j.AGCS.2023.20210555.
[3]	PALACIOS J, BIELSA G, CASARI P, et al. Single- and multiple-access point indoor localization for millimeter-wave networks[J]. IEEE Transactions on Wireless Communications, 2019, 18(3): 1927–1942. doi: 10.1109/TWC.2019.2899313.
[4]	TALVITIE J, KOIVISTO M, LEVANEN T, et al. High-accuracy joint position and orientation estimation in sparse 5G mmWave channel[C]. 2019 IEEE International Conference on Communications, Shanghai, China, 2019: 1–7.
[5]	SHAHMANSOORI A, UGUEN B, DESTINO G, et al. Tracking position and orientation through millimeter wave lens MIMO in 5G systems[J]. IEEE Signal Processing Letters, 2019, 26(8): 1222–1226. doi: 10.1109/LSP.2019.2925969.
[6]	SHAHMANSOORI A, GARCIA G E, DESTINO G, et al. Position and orientation estimation through millimeter-wave MIMO in 5G systems[J]. IEEE Transactions on Wireless Communications, 2018, 17(3): 1822–1835. doi: 10.1109/TWC.2017.2785788.
[7]	MENDRZIK R, WYMEERSCH H, BAUCH G, et al. Harnessing NLOS components for position and orientation estimation in 5G millimeter wave MIMO[J]. IEEE Transactions on Wireless Communications, 2019, 18(1): 93–107. doi: 10.1109/TWC.2018.2877615.
[8]	FASCISTA A, COLUCCIA A, WYMEERSCH H, et al. Millimeter-wave downlink positioning with a single-antenna receiver[J]. IEEE Transactions on Wireless Communications, 2019, 18(9): 4479–4490. doi: 10.1109/TWC.2019.2925618.
[9]	LIN Zhipeng, LV Tiejun, and MATHIOPOULOS P T. 3-D indoor positioning for millimeter-wave massive MIMO systems[J]. IEEE Transactions on Communications, 2018, 66(6): 2472–2486. doi: 10.1109/TCOMM.2018.2797993.
[10]	GARCIA N, WYMEERSCH H, LARSSON E G, et al. Direct localization for massive MIMO[J]. IEEE Transactions on Signal Processing, 2017, 65(10): 2475–2487. doi: 10.1109/TSP.2017.2666779.
[11]	GUO Shisheng, ZHAO Qingsong, CUI Guolong, et al. Behind corner targets location using small aperture millimeter wave radar in NLOS urban environment[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 460–470. doi: 10.1109/JSTARS.2020.2963924.
[12]	崔铁军. 电磁超材料—从等效媒质到现场可编程系统[J]. 中国科学:信息科学, 2020, 50(10): 1427–1461. doi: 10.1360/SSI-2020-0123. CUI Tiejun. Electromagnetic metamaterials-from effective media to field programmable systems[J]. Scientia Sinica Informationis, 2020, 50(10): 1427–1461. doi: 10.1360/SSI-2020-0123.
[13]	WU Qingqing and ZHANG Rui. Intelligent reflecting surface enhanced wireless network via joint active and passive beamforming[J]. IEEE Transactions on Wireless Communications, 2019, 18(11): 5394–5409. doi: 10.1109/TWC.2019.2936025.
[14]	WU Qingqing and ZHANG Rui. Towards smart and reconfigurable environment: Intelligent reflecting surface aided wireless network[J]. IEEE Communications Magazine, 2020, 58(1): 106–112. doi: 10.1109/MCOM.001.1900107.
[15]	刘海霞, 易浩, 马向进, 等. 基于无源可重构智能超表面的室内无线信号覆盖增强[J]. 通信学报, 2022, 43(12): 32–44. doi: 10.11959/j.issn.1000-436x.2022229. LIU Haixia, YI Hao, MA Xiangjin, et al. Indoor wireless signal coverage and enhancement based on passive reconfigurable intelligent metasurface[J]. Journal on Communications, 2022, 43(12): 32–44. doi: 10.11959/j.issn.1000-436x.2022229.
[16]	LIU Penglu, LI Yong, CHENG Wei, et al. Intelligent reflecting surface aided NOMA for millimeter-wave massive MIMO with lens antenna array[J]. IEEE Transactions on Vehicular Technology, 2021, 70(5): 4419–4434. doi: 10.1109/TVT.2021.3067938.
[17]	LIU Yang, SHI Qingjiang, WU Qingqing, et al. Joint node activation, beamforming and phase-shifting control in IoT sensor network assisted by reconfigurable intelligent surface[J]. IEEE Transactions on Wireless Communications, 2022, 21(11): 9325–9340. doi: 10.1109/TWC.2022.3175740.
[18]	ZHANG Jingwen, ZHENG Zhong, FEI Zesong, et al. Positioning with dual reconfigurable intelligent surfaces in millimeter-wave MIMO systems[C]. 2020 IEEE/CIC International Conference on Communications in China, Chongqing, China, 2020: 800–805.
[19]	ZHANG Haobo, ZHANG Hongliang, DI Boya, et al. Towards ubiquitous positioning by leveraging reconfigurable intelligent surface[J]. IEEE Communications Letters, 2021, 25(1): 284–288. doi: 10.1109/LCOMM.2020.3023130.
[20]	ABU-SHABAN Z, KEYKHOSRAVI K, KESKIN M F, et al. Near-field localization with a reconfigurable intelligent surface acting as lens[C]. 2021 IEEE International Conference on Communications, Montreal, QC, Canada, 2021: 1–6.
[21]	KEYKHOSRAVI K, KESKIN M F, SECO-GRANADOS G, et al. SISO RIS-enabled joint 3D downlink localization and synchronization[C]. 2021 IEEE International Conference on Communications, Montreal, Canada, 2021: 1–6.
[22]	RAHAL M, DENIS B, KEYKHOSRAVI K, et al. RIS-enabled localization continuity under near-field conditions[C]. 2021 IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications, Lucca, Italy, 2021: 436–440.
[23]	RINCHI O, ELZANATY A, and ALOUINI M S. Compressive near-field localization for multipath RIS-aided environments[J]. IEEE Communications Letters, 2022, 26(6): 1268–1272. doi: 10.1109/LCOMM.2022.3151036.
[24]	WANG Wei and ZHANG Wei. Joint beam training and positioning for intelligent reflecting surfaces assisted millimeter wave communications[J]. IEEE Transactions on Wireless Communications, 2021, 20(10): 6282–6297. doi: 10.1109/TWC.2021.3073140.
[25]	KEYKHOSRAVI K, KESKIN M F, SECO-GRANADOS G, et al. RIS-enabled SISO localization under user mobility and spatial-wideband effects[J]. IEEE Journal of Selected Topics in Signal Processing, 2022, 16(5): 1125–1140. doi: 10.1109/JSTSP.2022.3175036.
[26]	WANG Bolei, GAO Feifei, JIN Shi, et al. Spatial- and frequency-wideband effects in millimeter-wave massive MIMO systems[J]. IEEE Transactions on Signal Processing, 2018, 66(13): 3393–3406. doi: 10.1109/TSP.2018.2831628.
[27]	CAI Mingming, GAO Kang, NIE Ding, et al. Effect of wideband beam squint on codebook design in phased-array wireless systems[C]. 2016 IEEE Global Communications Conference, Washington, D.C., USA, 2016: 1–6.
[28]	MYERS N J and HEATH R W. InFocus: A spatial coding technique to mitigate misfocus in near-field LoS beamforming[J]. IEEE Transactions on Wireless Communications, 2022, 21(4): 2193–2209. doi: 10.1109/TWC.2021.3110011.
[29]	MA Siqi, SHEN Wenqian, AN Jianping, et al. Wideband channel estimation for IRS-aided systems in the face of beam squint[J]. IEEE Transactions on Wireless Communications, 2021, 20(10): 6240–6253. doi: 10.1109/TWC.2021.3072694.

施引文献

资源附件(0)

访问统计

图(3) / 表(2)

计量

文章访问数: 708
HTML全文浏览量: 387
PDF下载量: 118
被引次数: 0

1. 引言
2. 三角分解算法及其缺陷
3. 基于向量投影的立体阵定位算法
3.1 模型构建及参数求解
3.2 向量投影算法的误差分析
3.3 算法优势分析
4. 仿真分析
4.1 算法运行时间对比
4.2 不同误差源下性能分析
4.3 不同目标方位下性能分析
4.4 不同立体阵孔径下性能分析
5. 湖试数据处理与分析
6. 结论

1. 引言
2. 三角分解算法及其缺陷
3. 基于向量投影的立体阵定位算法
3.1 模型构建及参数求解
3.2 向量投影算法的误差分析
3.3 算法优势分析
4. 仿真分析
4.1 算法运行时间对比
4.2 不同误差源下性能分析
4.3 不同目标方位下性能分析
4.4 不同立体阵孔径下性能分析
5. 湖试数据处理与分析
6. 结论

参考文献(29)

施引文献

资源附件(0)

访问统计

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

一种基于RIS的宽带毫米波SISO定位方法

doi: 10.11999/JEIT230401

通讯作者:
李世银　lishiyin@cumt.edu.cn

计量

An RIS assisted Wideband Millimeter Wave SISO-Based Positioning Method

1. 引言

2. 三角分解算法及其缺陷

3. 基于向量投影的立体阵定位算法

3.1 模型构建及参数求解

3.2 向量投影算法的误差分析

3.3 算法优势分析

4. 仿真分析

4.1 算法运行时间对比

4.2 不同误差源下性能分析

4.3 不同目标方位下性能分析

4.4 不同立体阵孔径下性能分析

5. 湖试数据处理与分析

6. 结论

计量

目录

1. 引言

2. 三角分解算法及其缺陷

3. 基于向量投影的立体阵定位算法

3.1 模型构建及参数求解

3.2 向量投影算法的误差分析

3.3 算法优势分析

4. 仿真分析

4.1 算法运行时间对比

4.2 不同误差源下性能分析

4.3 不同目标方位下性能分析

4.4 不同立体阵孔径下性能分析

5. 湖试数据处理与分析

6. 结论

留言板

一种基于RIS的宽带毫米波SISO定位方法

doi: 10.11999/JEIT230401

通讯作者: 李世银 lishiyin@cumt.edu.cn

计量

出版历程

An RIS assisted Wideband Millimeter Wave SISO-Based Positioning Method

1. 引言

2. 三角分解算法及其缺陷

3. 基于向量投影的立体阵定位算法

3.1 模型构建及参数求解

3.2 向量投影算法的误差分析

3.3 算法优势分析

4. 仿真分析

4.1 算法运行时间对比

4.2 不同误差源下性能分析

4.3 不同目标方位下性能分析

4.4 不同立体阵孔径下性能分析

5. 湖试数据处理与分析

6. 结论

计量

出版历程

目录

1. 引言

2. 三角分解算法及其缺陷

3. 基于向量投影的立体阵定位算法

3.1 模型构建及参数求解

3.2 向量投影算法的误差分析

3.3 算法优势分析

4. 仿真分析

4.1 算法运行时间对比

4.2 不同误差源下性能分析

4.3 不同目标方位下性能分析

4.4 不同立体阵孔径下性能分析

5. 湖试数据处理与分析

6. 结论

通讯作者:
李世银　lishiyin@cumt.edu.cn