IRS辅助多天线UAV视频传输系统中的能耗最小化方法及装置

irs辅助多天线uav视频传输系统中的能耗最小化方法及装置
技术领域
1.本技术涉及无线通信领域，尤其涉及irs辅助多天线uav视频传输系统中的能耗最小化方法及装置。


背景技术：

2.无人机(unmanned aerial vehicles,uavs)凭借自身高灵活与低成本的特点在各个领域中广受欢迎。配备了摄像头的uav可以广泛适用于空中监控中的多类应用，如交通监控、灾害管理和基础设施检查。与摄像头位置固定的传统地面视频监控系统相比，空中监控可以扩大监控范围，持续跟踪移动目标，调整位置以灵活避障。与其他数据类型不同，视频监控需要更高的质量和更流畅的视频流，并对时延和数据率有严格要求。然而，在uav飞行期间，空对地(air-to-ground,a2g)信道质量会随着动态环境的变化剧烈波动，从而降低网络性能并增大时延。
3.此外，uav和地面用户(ground users,gus)间的视距(line-of-sight,los)链路在城市环境中很容易被障碍物遮挡，导致视频传输性能严重下降。因此，如何在满足服务质量(quality of service,qos)的前提下为城市用户提供流畅视频传输成为一项关键挑战。


技术实现要素：

4.本技术提供irs辅助多天线uav视频传输系统中的能耗最小化方法及装置，最大化所有地面设备的最小计算吞吐量。本技术的技术方案如下：
5.根据本技术实施例的第一方面，提供irs辅助多天线uav视频传输系统中的能耗最小化方法，所述方法包括：
6.s1：利用基于uav的空中视频监控系统构建网络模型、通信模型，以及能耗模型；
7.其中，所述基于uav的空中视频监控系统包括k个单天线的地面用户gus，一个多天线旋翼uav，以及gu附近建筑物上具有个反射单元的智能反射表面irs，从而建立uav-irs-gu链路；
8.s2：根据对无人机轨迹、飞行时间、波束成形向量以及irs反射角的联合优化，构建最小化无人机总能耗模型(p1)，其中所述无人机的总能耗包括推进能耗和通信能耗；
9.s3：将所述最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，其中，第一阶段算法采用路径离散化方法、交替优化方法和连续凸逼近算法(successive convex approximation,sca)最小化所述无人机的推进能耗；第二阶段算法采用基于惩罚的块坐标下降(penalty-based block coordinate descent,p-bcd)技术的双循环迭代算法最小化所述无人机的通信能耗。
10.可选地，利用基于uav空中视频监控系统构建网络模型，具体包括：
11.将uav设置在固定高度h0飞行，并确定uav的起点位置和终点位置分别为qi和qf；其中，uav飞行时间用t表示，时刻t∈[0,t]，uav的三维位置和速度可以分别用
和表示；
[0012]
将irs部署在楼宇顶部，以协助uav服务gus；对于irs的每个反射单元n∈{1,
…
,n}，反射幅度βn∈[0,1]和反射角θn∈[0,2π)由irs的智能控制器独立调整，以实现被动波束成形增益。
[0013]
可选地，利用基于uav的空中视频监控系统构建通信模型，具体包括：
[0014]
假设gu k和uav间的信道遵循rayleigh衰落，相应的信道系数可以表示为k和uav间的信道遵循rayleigh衰落，相应的信道系数可以表示为其中α1表示该信道的路径损耗指数，其中表示载波波长，c是光速，fc是载波频率；
[0015]
设置变量遵循独立同分布的圆对称复高斯分布，其均值为零，方差为1，表示为
[0016]
可选地，利用基于uav的空中视频监控系统构建能耗模型，具体包括：
[0017]
令无人机总能耗包括通信能耗和推进能耗，则有其中p
com
(t)和p
fly
(t)分别表示无人机在t时刻的通信功率和推进功率。
[0018]
可选地，其特征在于，
[0019]
无人机在t时刻的通信功率表示为：
[0020][0021]
无人机在t时刻的推进功率表示为：
[0022][0023]
其中，k表征第k个地面用户，wk(t)表征第k个地面用户的波束成形向量，p0表征无人机悬停状态下的叶片功率；ω表征无人机旋翼叶片角速度；r表征无人机旋翼半径；pi表征无人机悬停状态下诱导功率；v0表征无人机悬停状态下的平均转子诱导速度；d0表征机身阻力；ρ表征空气密度；s表征无人机转子坚固度；ar表征无人机转子盘面积。
[0024]
可选地，所述根据对无人机轨迹、飞行时间、波束成形向量以及irs反射角的联合优化，构建最小化无人机总能耗模型(p1)，具体包括：
[0025]
联合优化无人机三维轨迹{q(t)}，飞行时间t，波束成形向量{wk(t)}和irs反射角{u(t)}，优化问题模型描述为：
[0026]
(p1):
[0027]
约束条件包括：
[0028][0029][0030]
q(0)＝qi,q(t)＝qf,
[0031]
||v(t)||≤v
max
,t∈[0,t].
[0032]
其中，u(t)表征irs在t时刻的反射角向量；un(t)表征u(t)中的第n个元素；b为带宽(兆赫兹)；sinrk(t)表征第k个地面用户在t时刻的sinr；βk表征第k个地面用户的最大可容忍时延；v(t)表征uav在t时刻的速度(米/秒)；v
max
表征uav最大速度(米/秒)。
[0033]
可选地，所述用于限制反射角范围，所述用于限制反射角范围，所述用于给出视频传输的qos要求，所述||v(t)||≤v
max
,t∈[0,t]用于限制无人机速度。
[0034]
可选地，所述将最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，其中，第一阶段算法具体包括：
[0035]
将无人机路径划分为由l+1个路径点相连的l条线段；
[0036]
令和基于路径离散化方法，对l条连接线段的推进能量最小化问题表示为模型(p2)；
[0037]
利用bcd(block coordinate descent，块坐标下降)方法将优化变量分为和
[0038]
在固定一个块中变量的同时，交替优化另一个块的变量直至收敛，直到推进能耗的降幅比例低于阈值∈1。
[0039]
根据本技术实施例的第二方面，提供irs辅助多天线uav视频传输系统中的能耗最小化装置，包括：
[0040]
处理器；
[0041]
用于存储所述处理器可执行指令的存储器；
[0042]
其中，所述处理器被配置为执行所述指令，以实现上述第一方面中提到的方法的任一项所述的irs辅助多天线uav视频传输系统中的能耗最小化方法。
[0043]
本技术的实施例提供的技术方案至少带来以下有益效果：
[0044]
本技术涉及irs辅助多天线uav视频传输系统中的能耗最小化方法及装置，利用基于uav的空中视频监控系统构建网络模型、通信模型和能耗模型；通过部署irs构建可重构的uav-irs-gu链路以增强空对地通信质量。根据对无人机轨迹、飞行时间、波束成形向量以及irs反射角的联合优化，构建最小化无人机总能耗模型(p1)，该问题被模型化为一个变量紧密耦合的非凸优化问题；接下来将所述最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，获得次优解，其中，第一阶段算法采用路径离散化方法、交替优化方法和连续凸逼近算法最小化所述无人机的推进能耗；第二阶段算法采用基于惩罚的块坐标下降技术的双循环迭代算法最小化所述无人机的通信能耗。
[0045]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
[0046]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理，并不构成对本技术的不当限定。
[0047]
图1是根据一示例性实施例示出的构建无人机-地面设备通信的架构示意图；
[0048]
图2是根据一示例性实施例示出的irs辅助多天线uav视频传输系统中的能耗最小化方法的流程示意图；
[0049]
图3是根据一示例性实施例示出的无人机轨迹示意图。
[0050]
符号定义：
[0051]
t：uav工作时间；t：第t个时刻；
[0052]
q(t)：uav在t时刻的三维位置；
[0053]
k：地面用户的数量；k：第k个地面用户；
[0054]
wk(t)：第k个地面用户的波束成形向量；
[0055]
u(t)：irs在t时刻的反射角向量；
[0056]
un(t)：u(t)中的第n个元素；
[0057]
p
com
(t)：t时刻的uav通信功率(瓦)；p
fly
(t)：t时刻的uav推进功率(瓦)；
[0058]
b：带宽(兆赫兹)；
[0059]
sinrk(t)：第k个地面用户在t时刻的sinr；
[0060]
βk：第k个地面用户的最大可容忍时延；
[0061]
qi：uav的起点位置；qf：uav的终点位置；
[0062]
v(t)：uav在t时刻的速度(米/秒)；v
max
：uav最大速度(米/秒)。
具体实施方式
[0063]
为了使本领域普通人员更好地理解本技术的技术方案，下面将结合附图，对本技术实施例中的技术方案进行清楚、完整地描述。
[0064]
需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述特定的顺序或先后次序。因此这样使用的数据在适当情况下可以互换，这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
[0065]
本技术实施例描述的应用场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题同样适用。
[0066]
无人机(unmanned aerial vehicles,uavs)可以为各种空中监控应用(如交通监控、灾害管理和基础设施检查)提供有力的技术支持，相关技术在uav视频流传输中采用动态自适应流媒体传输协议(dynamic adaptive streaming over http,dash)和码率自适应技术(adaptive bitrate streaming，abr)，根据信道质量为视频选择合适的比特率和分辨率。然而，大多数现有的uav视频流工作都采用单天线的uav，在同一时刻只能为一个地面用户(ground user,gu)提供视频传输服务，导致系统吞吐量受限且时延较高。
[0067]
为了进一步提高传输性能，引入多天线uav后，利用波束成形技术使uav可以同时为一组gus提供传输服务。具体而言，精确的波束成形设计可以实现信号传输的空间选择性，从而为使用相同时间/频率资源的多个gus消除用户间干扰。
[0068]
然而，uav和gu间的视距(line-of-sight,los)链路在城市环境中很容易被障碍物
遮挡，导致视频传输性能严重下降。因此，如何在满足服务质量(quality of service,qos)的前提下为城市用户提供流畅视频传输成为一项关键挑战。
[0069]
本技术通过部署智能反射表面(intelligent reflecting surfaces,irs)，构建可重构的uav-irs-gu链路以增强空对地(air-to-ground,a2g)通信质量。
[0070]
在一些实施例中，irs作为数控超表面，由一个智能控制器和大量可重构的反射单元组成。智能控制器能独立调整每个反射单元对入射信号的反射角和幅度，从而根据特定要求动态地重塑信号传播环境，如增强或抑制入射信号。将irs放在可见度良好的位置，可以构建新的uav-irs-gu链路，从而进一步提高a2g通信质量。
[0071]
为便于说明，先对本技术所涉及到的符号进行说明，本技术采用标准数学符号惯例，标量、矩阵和向量分别用斜体、黑体大写和黑体小写字母表示。和分别表示n
×
m实值和复值矩阵空间。对随时间变化的函数x(t),表示它的一阶导数。对复值向量y，yh表示其共轭转置，diag(y)表示其对角线矩阵，其中对角线上每个元素都是y中的元素。对一般矩阵m，m(i,j)表示其在第i行第j列的元素。表示矩阵m和n的克罗内克积。|
·
|和||
·
||分别表示绝对值和向量范数。re{
·
}表示复数的实部，[
·
]
t
表示矩阵转置。
[0072]
如图2所示，本技术提供irs辅助多天线uav视频传输系统中的能耗最小化方法，具体包括：
[0073]
s1：利用基于uav空中视频监控系统构建网络模型、通信模型，以及能耗模型。
[0074]
网络模型
[0075]
在本技术的一些实施例中，为无人机移动边缘计算网络构建系统模型。如图1所示，本技术提供一个有irs辅助的uav空中视频监控系统。该系统由k个单天线gus和一个装有根均匀矩形阵列(uniform rectangular array,ura)天线的旋翼uav组成。配备摄像头的uav从初始点飞往终点位置，在飞行过程中捕捉视频并传给所有gus。起点/终点可对应于任务前/后地点或充电站。由于在复杂的城市环境中，uav和gu间的los链路可能会被地面障碍物阻塞，因此在gu附近建筑物上部署了有个反射单元的irs，从而建立uav-irs-gu链路，以通过重构传播环境来增强a2g通信。
[0076]
为避免飞机频繁升降带来的能耗，假设uav以固定高度h0飞行。uav飞行时间用t表示。在时刻t∈[0,t]，uav的三维位置和速度可以分别用和表示。uav的起点位置和终点位置是预先确定的，分别用qi和qf表示。
[0077]
在一些实施例中，为避免信号阻塞，将irs部署在大楼顶部，以协助uav更好地服务gus。对于每个反射单元n∈{1,
…
,n}，反射幅度βn∈[0,1]和反射角θn∈[0,2π)可以由irs的智能控制器独立调整，以此实现被动波束成形增益。
[0078]
由于最大化反射幅度非常有助于提高用户处的接收信号强度，本技术设置β＝1，仅优化θ＝[θ1,
…
,θn]。irs在t时刻的反射角向量用u(t)＝[u1(t),
…
,un(t)]h表示，其中表示，其中反射角范围可以转换为等效的单位模形式，即此外，本技术不同irs反射元件与uav或gu间的距离变化可以忽略不计。假设所有irs反射元件都在同一位置，即irs的中心坐标i＝[xr,yr,zr]
t
。那么uav和irs在t时刻的水平和三维距离分别由和d
u,k
(t)＝||q(t)-i||表示。
[0079]
假设guk∈{1,
…
,k}的位置为gk＝[xk,yk,0]
t
，可以由，可以由和d
u,k
(t)＝||q(t)-gk||分别计算uav与guk在t时刻的水平和三维距离。同样地，还可以通过和d
r,k
＝||i-gk||，分别算出irs和guk之间的水平和三维距离。
[0080]
通信模型
[0081]
在本技术的一些实施例中，还为无人机移动边缘计算网络构建通信模型。
[0082]
在一些实施例中，irs反射角优化需要irs、uav和gu之间准确的信道状态信息(channel state information，csi)。假设uav已充分知晓相应的csi，并在执行算法后将资源分配和反射角优化结果发往irs控制器和gus。用表示uav和irs间的等效信道系数，用和分别表示gu k对应的irs-gu和uav-gu链路中的等效信道系数。由于路径衰减非常显著，将忽略被irs多次反射的信号。
[0083]
在城市环境中，gu和uav之间的los链路总是被建筑物和树木等障碍物阻挡。因此，假设gu k和uav间的信道遵循rayleigh衰落，相应的信道系数可以表示为k和uav间的信道遵循rayleigh衰落，相应的信道系数可以表示为其中α1表示该信道的路径损耗指数，其中表示载波波长，c是光速，fc是载波频率。假设变量遵循独立同分布的圆对称复高斯(circularly symmetric complex gaussian，cscg)分布，其均值为零，方差为1，可以表示为gaussian，cscg)分布，其均值为零，方差为1，可以表示为
[0084]
由于无人机一般在高空飞行，且irs总是部署在高大建筑物的顶部，因此，假设无人机和irs之间是纯los信道，可以用表示，其中α2表示uav-irs信道的路径损耗指数，
[0085]
[0086]
在公式(1)中，dr表示irs单元间距，du表示uav天线间距，φ
r,u
和θ
r,u
分别表示无人机和irs之间的水平和垂直到达角(angle of arrival，aoa)。类似地，φ
u,r
和θ
u,r
分别表示从无人机到irs的水平和垂直离去角(angle of departure，aod)。具体来说，departure，aod)。具体来说，departure，aod)。具体来说，
[0087]
在一些实施例中，irs与gu间的信道包括los和nlos两个部分，用rician信道模型对h
r,k
进行建模，即
[0088][0089]
其中α3表示该信道的损耗指数，是确定的los分量。是随机散射的nlos分量，g是rician因子。具体来说，可以表示为
[0090][0091]
其中φ
r,k
和θ
r,k
分别表示从irs到gu k的水平和垂直aod，k的水平和垂直aod，另一方面，
[0092]
无人机和gu k之间的有效信道由两部分组成，即直接的uav-gu链路和反射的uav-irs-gu链路。因此，t时刻无人机和gu k之间的等效信道系数可以表示为k之间的等效信道系数可以表示为其中在无人机上采用线性预编码，为每个gu分配一个专用波束成形向量。在t时刻无人机发射的复基带信号可表示为编码，为每个gu分配一个专用波束成形向量。在t时刻无人机发射的复基带信号可表示为其中是预编码向量，是用户k的发射信号。那么，在时刻t用户k从两个链路接收到的总信号可表示为
[0093][0094]
其中，表示接收端guk处功率为的加性高斯白噪声(additive white gaussian noise，awgn)。因此，guk在时刻t的信号干扰加噪声比可由下式给出
[0095][0096]
因此，用户k在t时刻的可达速率可由blog2(1+sinrk(t))计算，其中b表示带宽。相
应地，从无人机传输1比特数据到用户k的时延可表示为秒。为保证视频传输的qos要求，每个gu的传输时延都受到最大可容忍时延βk的限制，即
[0097][0098]
表ⅱ无人机推进动力参数的物理意义及值
[0099]
参数物理含义仿真数值p0悬停状态下的叶片功率79.86瓦ω旋翼叶片角速度300弧度/秒r旋翼半径0.4米pi悬停状态下诱导功率88.63瓦v0悬停状态下的平均转子诱导速度4.03弧度/秒d0机身阻力0.3ρ空气密度1.225千克/立方米s转子坚固度0.05立方米ar转子盘面积0.503平方米
[0100]
能耗模型
[0101]
由于机载能量有限，能耗是限制无人机通信的关键因素。无人机能耗主要用于通信和飞行推进，可建模为其中p
com
(t)和p
fly
(t)分别表示无人机在t时刻的通信和推进功率。具体而言，无人机在t时刻的通信功率可以表示为：
[0102][0103]
可以通过以下公式计算旋翼无人机在时间t的推进功率：
[0104][0105]
其中，式(8)是叶片型阻功率、废阻功率和诱导功率三项之和，其中各参数的物理意义与仿真数值均总结在表ii中。
[0106]
步骤2：根据对无人机轨迹、飞行时间、波束成形向量以及irs反射角的联合优化，构建最小化无人机总能耗模型(p1)，其中所述无人机的总能耗包括推进能耗和通信能耗。
[0107]
为保证从初始点qi到终点qf的节能空中视频传输，本技术旨在满足视频传输qos约束的同时，最小化无人机总能耗。为此，联合优化无人机轨迹{q(t)}，飞行时间t，波束成形向量{wk(t)}和irs反射角{u(t)}。优化问题模型可描述为：
[0108]
(p1):
[0109][0110][0111]
q(0)＝qi,q(t)＝qf,
ꢀꢀꢀꢀꢀ
(11)
[0112]
||v(t)||≤v
max
,t∈[0,t].
ꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0113]
在一些实施例中，约束条件(9)限制了反射角范围，约束条件(10)给出了视频传输的qos要求，约束(12)限制了无人机速度。
[0114]
本技术提出的irs辅助的uav空中视频监控系统。多天线uav能在irs的帮助下同时为多个地面用户传输视频。为确保空中监控的可持续和低时延，以最小化uav总能耗为目标，在视频流传输的qos要求下联合优化uav轨迹、飞行时间、传输波束成形向量以及irs反射角，问题被模型化为含有紧密耦合变量的非凸优化问题。
[0115]
s3,将所述最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，其中，第一阶段算法采用路径离散化算法、交替优化算法和sca算法最小化所述无人机的推进能耗；第二阶段算法采用p-bcd技术的双循环迭代算法最小化所述无人机的通信能耗。
[0116]
最小化无人机总能耗模型(p1)为一个非凸优化问题，具体的，第一，(p1)含有无数个优化变量和未知的积分上限t；第二，约束条件(9)和(10)是非凸约束条件，目标函数是非凸函数；第三，无人机轨迹、irs反射角和传输波束成形向量在sinrk(t)中紧密耦合。为解决上述问题，有效地找到该非凸问题(p1)的次优解，本技术提出一个两阶段算法，如图3所示。
[0117]
一般情况下，无人机推进能耗占据了绝大部分总能耗。例如，无人机的推进能耗通常以千焦耳为单位进行计量，而通信能耗只以焦耳为单位进行计量。此外，irs的部署可以进一步减少通信相关能耗。
[0118]
因此，在第一阶段优化无人机轨迹{q(t)}和无人机的工作时间t，以最小化推进能耗。在给定由第一阶段得到的{q(t)}和t下，第二阶段优化波束成形向量{wk(t)}和反射角{u(t)}，以最小化无人机通信相关能耗。
[0119]
第一阶段：优化无人机轨迹和工作时间
[0120]
1)问题重构：第一阶段主要处理连续变量{q(t)}和未知的飞行时间t。本文采用了路径离散化方法，将无人机轨迹离散为数量有限但具有不同时长的连线段。具体来说，将无人机路径划分为由l+1个路径点相连的l条线段，用表示无人机在第l条线段起始处的坐标。假设||q
l+1-q
l
||≤d
max
，其中d
max
设置为足够小以至于可以认为无人机的位置和速度在第l条线段内保持不变。在给定d
max
下，选择一个足够大的l，使其中是无人机总飞行距离的上限。用δ
l
表示无人机在线段l上的时长，无人机的总飞行时间可由表示无人机在线段l上的时长，无人机的总飞行时间可由计算，无人机在第l条线段上的速度可以近似表示为相应地，无人机在第l条线段上的推进能耗可近似为
[0121][0122]
令和基于路径离散化方法，无人机在l条线段上的推进能量最小化问题模型可表示为
[0123]
(p2):
[0124]
[0125]
q1＝qi,q
l+1
＝qf,
ꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0126][0127]
||q
l+1-q
l
||≤d
max
,l＝1,
…
,l.
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0128]
由于目标函数为非凸问题，很难得到(p2)的全局最优解。因此，基于bcd方法技术，设计了一个有效算法为(p2)找到高质量的次优解。
[0129]
2)求解(p2)：由于(14)的存在，通过中任意两组变量即可确定剩余一组变量的值。因此，可以利用bcd方法将优化变量分为两块，即和随后，可以在固定一个块的变量的同时，交替优化另一个块的变量直至收敛，从而最小化(p2)中的推进能耗。
[0130]
针对第一子问题模型，在给定时长下优化路径点和速度为解决非凸目标函数，引入了辅助变量其中并推导出且且因此，(p2)的第一子问题模型可以表述为
[0131]
(p3):
[0132]
s.t.(14)-(17),
[0133][0134]
本技术中，第一子问题模型(p3)总是在约束(18)中的等式成立时得到最优解，否则总是可以在不影响目标值和其他约束条件的情况下降低ζ
l
以满足其相等性。因此，在给定的条件下，第一子问题模型(p3)等价于推进能量最小化问题模型(p2)。
[0135]
因为约束(18)的左侧项(left-hand-side，lhs)非凹，(18)仍然是非凸约束。通过对||v
l
||2运用一阶泰勒近似，可以得到lhs的线性下界，即运用一阶泰勒近似，可以得到lhs的线性下界，即用代替(18)的lhs，推进能耗最小化问题模型可以近似为第一子问题优化模型：
[0136]
(p4):
[0137]
s.t.(14)-(17),
[0138][0139]
由于(18)中的lhs被其下界替换，(p4)的任何可行解对(p3)也是可行的。(p4)的目标函数和约束条件均满足标准凸优化的形式，可以通过cvx等求解器进行有效求解。
[0140]
第二个子问题模型是在给定速度的情况下，优化时长和路径点可以表述为：
[0141]
(p5):
[0142]
s.t.(14)-(17).
[0143]
(p5)是一个标准凸优化问题，可以利用现有的求解器有效求解。结合bcd和sca技术，可以通过交替迭代优化(p4)和(p5)来求解(p2)。
[0144]
2)总体算法、收敛性和复杂度，其中∈1是给定的收敛精度：
[0145][0146]
用表示在给定时长速度和辅助变量下，推进能量最小化问题模型(p2)在第r次迭代的目标值，可以得到如下关系式：
[0147][0148]
由于在基于sca的步骤3中，第一子问题优化模型(p4)的目标值单调递减，所以(a)成立；由于在步骤4中可以求得(p5)的最优解，所以(b)成立。由于(p2)的目标值在迭代过程单调递减，算法1保证收敛到问题(p2)的kkt(karush-kuhn-tucker，kkt)点。此外，算法1的主要步骤为求解标准凸优化问题第一子问题优化模型(p4)和第二子问题模型(p5)，计算复杂度取决于优化变量的数量，可以表示为第二阶段：波束成形向量和反射角优化
[0149]
利用第一阶段的算法1，得到了优化后的uav轨迹{q
l
}和总工作时间基于iv-a小节中的路径离散化方法，wk(t)，u(t)，p
com
(t)，sinrk(t)，hk(t)对应的离散化形式分别为分别为由于uav在每个时间段内的位移相对较小，假设uav在第l个时间段内的坐标为通信能量最小化问题模型可以表述为
[0150]
(p6):
[0151][0152][0153]
需注意的是，由于单位模约束条件(21)和含紧密耦合变量的约束条件(22)的存在，(p6)是一个非凸优化问题。由反证法可得，无人机在总时间t内的最小通信能耗，等于其在每个线段l(1≤l≤l)上的最小通信能耗之和。基于此，将设计算法最小化uav在一段时长内的通信能耗。通过分别对线段l＝1,
…
,l应用所提算法，获得uav全部波束成形向量和irs反射角，从而最小化总通信能耗。
[0154]
1)问题重构：为便于处理，首先将优化问题转化为一段时长内的uav通信能耗最小化问题。定义转换后的问题可以表述为
[0155]
(p7):
[0156][0157][0158]
解决qos约束条件(24)的关键思想是，引入辅助变量解耦sinr表达式中的反射角u和波束成形向量具体来说，首先引入了一个新等式约束，将约束(24)重新表示为以下区域的交集：
[0159][0160][0161]
然后，将(p7)转换为如下等价形式
[0162]
(p8):
[0163]
s.t.(23),(25),(26).
[0164]
虽然等式约束(25)中仍存在耦合变量，但上述转换有助于在接下来的步骤中并行更新优化变量。然后，利用惩罚方法将等式约束整合到(p8)的目标函数中。具体来说，把基于等式约束的二次函数|hkw
i-y
k,i
|2作为惩罚项添加到目标函数中，将(p8)转换为
[0165]
(p9):
[0166]
s.t.(23),(26).
[0167]
其中，ρ是用于惩罚违反等式约束(25)的正值参数，当ρ
→
0时(p9)和(p8)等价。同时，在实际应用中选择非常小的ρ会降低功耗在目标函数中的权重，使解决方案无效。为解
决这一问题，本技术提出了一种基于p-bcd技术的双循环迭代算法，在每次迭代中对ρ进行适当地更新。在外循环中，通过ρ＝cρ使ρ逐渐减小(c《1)，以放大违反等式约束的惩罚效果，直到满足目标阈值。在内循环中，采用bcd技术，将优化变量划分为不同的块来解决非凸优化问题(p9)。具体来说，首先将(p9)划分为两个子问题模型：1)波束成形向量和辅助变量优化；2)irs反射角u优化，然后迭代优化这两个子问题，直至收敛。2)波束成形向量和辅助变量优化：在给定反射角u下，优化波束成形向量和辅助变量y的子问题可以表述为
[0168]
(p10):为处理非凸约束(26)，将其转换成如下等价形式
[0169][0170]
利用sca技术，在给定的局部点上应用一阶泰勒近似，可得到|y
k,k
|2的下界，即
[0171][0172]
其中是关于y
k,k
的线性函数。将非凸项|y
k,k
|2替换为下界(p9)可以近似为以下凸优化问题
[0173]
(p11):
[0174][0175]
通过cvx等标准凸优化工具可以有效求解该问题。
[0176]
3)反射角优化：在这个子问题模型中，用给定的波束成形向量和辅助变量来优化反射角u。因为波束成形向量固定，可以忽略目标函数中有关通信功率的常数项，只最小化惩罚项。引入和可以得到可以得到子问题可以表述为
[0177]
(p12):
[0178]
s.t.(23).
[0179]
尽管(23)是非凸单位模约束，但每个反射角un在(23)中都是相互独立的，且只在目标函数中与其他反射角耦合。本技术基于bcd技术提出了一种算法，可以在给定其他反射角角的情况下迭代优化反射角un。具体来说，通过忽略常数项，在给定下优化un的问题可以写成(p13)
[0180]
(p13):
[0181]
s.t.|un|2＝1.
ꢀꢀ
(30)
[0182]
在问题(p13)中，在问题(p13)中，因此，(p13)的目标函数是线性的，其最优解可由以下封闭表达式得出
[0183][0184]
基于(31)，每个反射角将在固定其它n-1个反射角的条件下交替优化，直至满足收敛条件。
[0185]
在算法2中总结了反射角优化的详细过程。
[0186][0187]
在一些实施例中，通过轻微修改，可以将算法2扩展到离散反射角的场景。假设可选的离散反射角在[0,2π)上均匀分布，则角度范围约束可改写为其中2b表示可选的反射角个数。首先，基于算法2可以得到优化后的连续反射角后的连续反射角然后可由得到离散反射角的解。
[0188]
[0189][0190]
4)总体算法、收敛性和复杂度：基于以上讨论，在算法3中总结了求解问题模型(p9)的详细过程。在外循环中，引入指标评估所得解违反等式(25)的程度。随着惩罚系数ρ的减小，违反程度也将逐渐降低，当φ低于阈值∈2时，提出的双循环p-bcd算法终止。通过对每段路径应用算法3，并将产生的通信能耗相加，可以得到uav在整个飞行期间的总通信能耗。值得注意的是，因为坐标参数可以在每段时间内调整，本技术的解决方案也可以应用于gu可移动的场景。
[0191]
接下来，将首先分析内循环的收敛性。给定第r次迭代时的irs反射角和辅助变量问题(p9)的目标值可表示为并具有如下关系
[0192][0193]
由于算法3第5步中的一阶泰勒展开式具有紧密性，不等式(a)成立；由于基于bcd技术的算法2具有单调收敛性，不等式(b)成立。因此，具有给定惩罚系数ρ的在迭代过程中非增，这保证了算法3中内循环的收敛性。
[0194]
内循环的关键步骤在于求解优化问题模型(p10)，其计算的复杂度取决于优化变量数，可以表示为算法2的复杂度取决于利用封闭表达式(31)计算u
n*
的次数，可以表示为其中i0是收敛所需的迭代次数。因此，算法3的整体复杂度可以表示为其中l
inn
和l
out
分别表示内外循环所需的迭代次数。
[0195]
本技术基于irs辅助的多天线uav网络，利用基于uav的空中视频监控系统构建网络模型、通信模型，以及能耗模型；可以通过部署irs构建可重构的uav-irs-gu链路以增强空对地通信质量。为了在满足时延要求的前提下最小化uav总能耗，本技术提出了一种两阶段算法，联合优化uav飞行时间、uav轨迹、发射波束成形向量和irs反射角。具体来说，本技术采用路径离散化、交替优化和sca技术解决推进能量最小化子问题，并提出一种p-bcd技术的双循环迭代算法解决通信能量最小化子问题。具体而言，引入辅助变量来解耦反射角和波束成形向量设计，并采用二次惩罚方法将等式约束附加到目标函数上，使用sca技术解决波束成形和辅助变量优化的子问题，使用bcd技术解决反射角优化的子问题。
[0196]
本发明实施例还提供一种irs辅助多天线uav视频传输系统中的能耗最小化装置，包括：
[0197]
处理器；
[0198]
用于存储所述处理器可执行指令的存储器；
[0199]
处理器执行存储器存储的计算机执行指令，以实现上述任一方法实施例所提供的方案，具体功能和所能实现的技术效果此处不再赘述。
[0200]
所属技术领域的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
[0201]
在一些可能的实施方式中，根据本技术的电子设备包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本技术各种示例性实施方式的运营数据管理方法。例如，处理器可以执行如运营数据管理方法中的步骤。
[0202]
进一步的，根据本技术实施的irs辅助多天线uav视频传输系统中的能耗最小化装置，可执行上述实施例中所提到的irs辅助多天线uav视频传输系统中的能耗最小化方法中的步骤。
[0203]
在示例性实施例中，本技术提供的irs辅助多天线uav视频传输系统中的能耗最小化方法及装置的各个方面还可以实现为一种程序产品，包括程序代码等。当程序产品在计算机设备上运行时，程序代码用于使计算机设备执行本说明书所描述的步骤，该步骤在根据本技术各种示例性实施方式的多天线无人机视频传输系统中最大化体验质量的方法中。
[0204]
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本技术的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为多个单元来具体化。
[0205]
此外，尽管在附图中以特定顺序描述了本技术方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。执行时可以附加地或备选地省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0206]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0207]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器，使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0208]
这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0209]
这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行指令，用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能步骤。
[0210]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求将解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0211]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也可以包含这些改动和变型在内。

技术特征：
1.irs辅助多天线uav视频传输系统中的能耗最小化方法，其特征在于，所述方法包括：s1：利用基于uav的空中视频监控系统构建网络模型、通信模型，以及能耗模型；其中，所述基于uav的空中视频监控系统包括k个单天线的地面用户(ground users,gus)，一个多天线旋翼uav，以及gus附近建筑物上具有个反射单元的智能反射表面irs，从而建立uav-irs-gu链路；s2：根据对无人机轨迹、飞行时间、波束成形向量以及irs反射角的联合优化，构建最小化无人机总能耗模型(p1)，其中所述无人机的总能耗包括推进能耗和通信能耗；s3：将所述最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，其中，第一阶段算法采用路径离散化方法、交替优化方法和连续凸逼近算法最小化所述无人机的推进能耗；第二阶段算法采用基于惩罚的块坐标下降技术的双循环迭代算法最小化所述无人机的通信能耗。2.根据权利要求1所述的方法，其特征在于，利用基于uav空中视频监控系统构建网络模型，具体包括：将uav设置在固定高度h0飞行，并确定uav的起点位置和终点位置分别为q
i
和q
f
；其中，uav飞行时间用t表示，时刻t∈[0,t]，uav的三维位置和速度可以分别用uav飞行时间用t表示，时刻t∈[0,t]，uav的三维位置和速度可以分别用和表示；将irs部署在楼宇顶部，以协助uav服务gus；对于irs的每个反射单元n∈{1,
…
,n}，反射幅度β
n
∈[0,1]和反射角θ
n
∈[0,2π)由irs的智能控制器独立调整，以实现被动波束成形增益。3.根据权利要求2所述的方法，其特征在于，利用基于uav的空中视频监控系统构建通信模型，具体包括：假设gu k和uav间的信道遵循rayleigh衰落，相应的信道系数可以表示为k和uav间的信道遵循rayleigh衰落，相应的信道系数可以表示为其中α1表示该信道的路径损耗指数，其中表示载波波长，c是光速，f
c
是载波频率；设置变量遵循独立同分布的圆对称复高斯分布，其均值为零，方差为1，表示为4.根据权利要求3所述的方法，其特征在于，利用基于uav的空中视频监控系统构建能耗模型，具体包括：令无人机总能耗包括通信能耗和推进能耗，则有其中p
com
(t)和p
fly
(t)分别表示无人机在t时刻的通信功率和推进功率。5.根据权利要求4所述的方法，其特征在于，无人机在t时刻的通信功率表示为：无人机在t时刻的推进功率表示为：
其中，k表征第k个地面用户，w
k
(t)表征第k个地面用户的波束成形向量，p0表征无人机悬停状态下的叶片功率；ω表征无人机旋翼叶片角速度；r表征无人机旋翼半径；p
i
表征无人机悬停状态下诱导功率；v0表征无人机悬停状态下的平均转子诱导速度；d0表征机身阻力；ρ表征空气密度；s表征无人机转子坚固度；a
r
表征无人机转子盘面积。6.根据权利要求5所述的方法，其特征在于，所述根据对无人机轨迹、飞行时间、波束成形向量以及irs反射角的联合优化，构建最小化无人机总能耗模型(p1)，具体包括：联合优化无人机三维轨迹{q(t)}，飞行时间t，波束成形向量{w
k
(t)}和irs反射角{u(t)}，优化问题模型描述为：约束条件包括：约束条件包括：q(0)＝q
i
,q(t)＝q
f
,||v(t)||≤v
max
,t∈[0,t].其中，u(t)表征irs在t时刻的反射角向量；u
n
(t)表征u(t)中的第n个元素；b为带宽(兆赫兹)；sinr
k
(t)表征第k个地面用户在t时刻的sinr；β
k
表征第k个地面用户的最大可容忍时延；v(t)表征uav在t时刻的速度(米/秒)；v
max
表征uav最大速度(米/秒)。7.根据权利要求6所述的方法，其特征在于，所述用于限制反射角范围，所述用于给出视频传输的qos要求，所述||v(t)||≤v
max
,t∈[0,t]用于限制无人机速度。8.根据权利要求7所述的方法，其特征在于，所述将最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，其中，第一阶段算法具体包括：将无人机路径划分为由l+1个路径点相连的l条线段；令和基于路径离散化方法，对l条连接线段的推进能量最小化问题表示为模型(p2)；利用bcd方法将优化变量分为和在固定一个块中变量的同时，交替优化另一个块的变量直至收敛，直到推进能耗的降幅比例低于阈值∈1。9.根据权利要求8所述的方法，其特征在于，所述将所述最小化无人机总能耗模型(p1)通过第一阶段算法和第二阶段算法进行问题优化，其中，第二阶段算法具体包括：确定通信能量最小化问题模型(p6)；将所述通信能量最小化问题模型(p6)转换为关于波束成形向量辅助变量和irs反射角u的优化问题，然后进行迭代优化直至收敛。
10.一种irs辅助多天线uav视频传输系统中的能耗最小化装置，其特征在于，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如权利要求1至权利要求9中任一项所述的irs辅助多天线uav视频传输系统中的能耗最小化方法。

技术总结
本申请涉及基于智能反射表面(Intelligent Reflecting Surfaces,IRS)辅助的多天线无人机(Unmanned aerial vehicles,UAVs)视频传输系统的能耗最小化方法装置，利用基于UAV的空中视频监控系统构建的网络模型、通信模型和能耗模型；通过部署IRS构建可重构的UAV-IRS-GU链路以增强空对地通信质量；根据对UAV轨迹、飞行时间、波束成形向量以及IRS反射角的联合优化，构建最小化无人机总能耗模型(P1)；将所述最小化无人机总能耗模型(P1)通过第一阶段算法和第二阶段算法进行问题优化，获得次优解，其中，第一阶段算法采用路径离散化方法、交替优化方法和连续凸逼近算法(Successive Convex Approximation,SCA)最小化所述无人机的推进能耗；第二阶段算法采用基于惩罚的块坐标下降技术(Penalty-Based Block Coordinate Descent,P-BCD)的双循环迭代算法来最小化所述无人机的通信能耗。代算法来最小化所述无人机的通信能耗。代算法来最小化所述无人机的通信能耗。


技术研发人员：詹成 廖婧睿 李婷婷 杨莉斌
受保护的技术使用者：西南大学
技术研发日：2023.07.24
技术公布日：2023/10/15