本发明属于信息与通信，涉及一种基于阵列划分的近场联合定位与定姿方法。
背景技术：
1、通感一体化(isac)技术被视为未来(6g)移动通信网络的关键组成部分。随着6g新应用(例如自动驾驶)对高质量通信服务和高精度感知服务的需求增加，isac系统的重要性进一步凸显。该技术旨在利用共享的硬件和频率资源，使用户能够同时访问通信和感知服务。随着6g网络中频段的拓展和天线阵列规模的增大，近场场景中的isac系统受到了特别关注。预计未来的6g网络将采用高达10thz的频段和包含高达数万个天线的极大规模天线阵列(elaa)。在这种情况下，用户设备很容易位于基站(bs)或其他移动站(ms)的近场区域(也称为菲涅尔区)。当使用尺寸在0.1米到1米之间的天线阵列进行毫米波频段的通信时，典型的工作距离介于1米到100米之间，几乎完全位于近场区域。目前，大多数现有的isac系统研究集中在远场(夫琅和费区)场景中，但直接将远场isac系统的配置应用于近场isac系统可能导致性能下降。
2、在isac系统中，高效且精确的定位技术至关重要。大多数定位研究集中在点源定位上，其中目标被视为质点。然而，在许多isac应用中，用于感知和通信的目标应被视为具有大小和形状的刚体。此外，目标的定位不仅需要估计其位置，还需要确定其姿态。例如，在室内机器人导航中，需要了解机器人的位置和姿态以实现精确的转向控制。这种扩展的定位问题被称为位置和姿态估计(pae)。在近场场景中，pae问题特别具有挑战性。由于近场场景中的球面波前特性，目标的位置和姿态信息在参考节点的信号中紧密耦合，使得难以分离。直接的最大似然(ml)方法涉及最大化具有尖锐全局最大值的高度多峰函数的困难任务，并且迭代搜索求解器需要准确的初始化和极高的搜索分辨率。此外，由于近场pae问题通常发生在部署elaa的情况下，因此必须考虑解决该问题的计算复杂度。
3、现有的pae方法可以大致分为两类，即基于mimo正交频分复用(mimo-ofdm)的方法和基于传感器网络的方法。在mimo-ofdm方法中，基站估计ofdm调制宽带导频信号的时延和到达角(aoas)，从而恢复ms的位置。ms的姿态是通过估计导频信号的离开角度(aod)来确定的。mimo-ofdm方法主要设计用于远场pae场景，其中ms的位置和姿态的估计可以很容易地分离。在基于传感器网络的方法中，少量传感器挂载到ms上，传感器的位置在ms本地已知。处于已知位置的基站与传感器间通信，并收集与它们的距离或aoa测量。然后，根据这些测量值和传感器的本地位置，估计ms的位置和姿态。大多数基于传感器网络的工作聚焦于在给定传感器与目标间的距离或aoa测量值的情况下估计ms的位置和姿态，而实际上想要准确地获取这些间接测量也是极具挑战的。
技术实现思路
1、为更高效，更快捷地获取目标的位置与姿态信息，本发明提出使用单一基站(bs)同时对于多个移动站(ms)进行位置与姿态估计。bs与每个ms均配置均匀矩形阵列(ura)。在导频传输阶段，每个ms阵列上的某些天线单元被激活以传输导频信号。bs根据接收到的导频信号和被激活的ms天线单元的先验拓扑知识来估计ms的位置和姿态。
2、考虑到近场信号模型下这项任务极具难度，将bs划分为多个相互不重叠的子阵列，并引入退化的子阵列接收信号模型，其中被激活的ms天线单元位于每个bs子阵列的远场区域内。基于退化的信号模型，在贝叶斯推理的框架下构建了概率意义下的pae问题。通过利用bs子阵列上导频信号的aoa差异以及激活的ms天线单元的先验拓扑知识，本发明设计了基于消息传递的apple算法来求解该pae问题。通过对基站阵列的划分，apple算法中所处理的信号维度下降，从而大大降低了算法的复杂度。apple算法表现出可拓展的计算复杂度，其与bs天线单元的数目呈线性关系。
3、apple算法主要由两个模块构成，即aoa估计模块和信息融合模块。aoa估计模块利用变分贝叶斯算法估计导频信号在各个bs子阵列上的aoa，信息融合模块结合aoa估计模块所获取的aoa信息，ms天线单元的先验拓扑知识，以及bs子阵列的位置信息，对各ms的位置与姿态进行估计。aoa估计模块与信息融合模块间相互迭代直至算法收敛。
4、本发明采用的技术方案包括以下步骤：
5、s1、考虑一单一bs被用于同时估计k个ms的位置与姿态场景。bs与每个ms均配置一ura，相邻天线阵元间距均为λ为波长。依bs阵列的直角边和垂直方向建立全局坐标系。bs的第(u,v)个天线单元坐标为
6、
7、依每个ms阵列的直角边和垂直方向建立共k个局部坐标系。第k个ms阵列上的第(q,s)个天线阵元在其对应的局部坐标系内的坐标为
8、
9、每个局部坐标系可由全局坐标系经平移和旋转而来。第k个ms阵列上的第(q，s)个天线阵元的全局坐标可表示为
10、pm；(k，q，s)＝pm；k+r(θk)qm；(k，q，s)，
11、其中pm；k为第k个ms的全局坐标。r(θk)为旋转矩阵：
12、
13、θx；k∈[-π，π)，θz；k∈[-π，π)分别为第k个局部坐标系相对于全局坐标系的旋转角。
14、s2、在第t个时隙内，所有k个ms阵列的第(q(t)，s(t))个天线单元被激活，并发送导频符号xk，t。第k个ms的第(q(t)，s(t))个天线单元与bs阵列的第(u，v)个天线单元之间的信道系数为
15、
16、其中βk为bs与第k个ms之间的天线增益，为第k个ms的第(q(t)，s(t))个天线单元与bs阵列的第(u，v)个天线单元之间的自由空间路径损耗，r(u，v)，(k，q，s)＝||pm；(k，q，s)-pb；(u，v)||为第k个ms的第(q(t)，s(t))个天线单元与bs阵列的第(u，v)个天线单元之间的距离。在第t个时隙内，bs的基带接收信号模型为
17、
18、其中h(k，q(t)，s(t))表示第k个ms的第(q(t)，s(t))个天线单元与bs阵列之间的信道，wt为加性高斯白噪声。
19、s3、将bs天线阵列划分为m个互不重叠的子阵。以第m个子阵为例，第m个子阵包含nm＝nm，x×nm，y个天线单元，其中nm，x和nm，y分别为第m个子阵列沿x轴方向和y轴方向的天线数目。在对bs阵列进行划分之后，所有被激活的ms天线单元可以近似看作位于每个子阵的远场区域。以第m个子阵的中心为参考点，在远场假设下，在第t个时隙内，第m个子阵处的接收信号模型可以简化为
20、
21、其中为复信道增益，为第m个子阵处第k个ms的第(q(t)，s(t))个天线单元的aoa，为第m个子阵处的二维导向矢量，wm，t为第m个子阵处的加性高斯白噪声。
22、s4、基于阵列划分以及子阵处的远场接收信号模型，建立联合定位定姿问题的概率模型。以第m个子阵为例，似然函数以及条件概率密度函数p(pm；(k，q(t)，s(t))|pm；k，θk)和分别为
23、
24、p(pm；(k，q(t)，s(t))|pm；k，θk)＝δ(p(pm；(k，q(t)，s(t)))-pm；k-r(θk)qm；(q(t)，s(t)))
25、
26、其中和为第m个子阵处aoa与第k个ms的第(q(t)，s(t))个天线单元位置之间的几何约束。el为阵列沿l轴方向的单位向量，δ(·)为狄拉克函数。复信道增益与ms的位置的先验分布分别用复高斯分布与高斯分布来建模，即ms的旋转角度用冯-米塞斯(von-mises)分布来建模，即
27、
28、p(θk)＝p(θx；k)p(θy；k)p(θz；k)
29、联合概率密度函数可以表示为
30、
31、s5、对联合概率密度函数进行因子图表示，对于任意m，k，t，pm；(k，q(t)，s(t))，pm；k，ym，t，和θk都是因子图中的一个变量节点，每一个概率因子都是一个校验节点。为简单起见，记ζm，t表示校验节点记ζm，(k，t)表示校验节点记ηk，t表示校验节点p(pm；(k，t)|pm；k，θk)用δa→b(·)表示从节点a到b的消息，用ma→b和ca→b表示消息δa→b(·)的均值向量和协方差矩阵。根据因子图设计迭代消息传递算法，因子图中左半部分为aoa估计模块，因子图右半部分为aoa融合模块。
32、s6、初始化由节点pm；(k，t)向节点ζm，(k，t)的消息为
33、s7、更新由节点ζm，(k，t)向节点的消息为
34、
35、其中
36、s8、根据文献“multidimensional variational line spectraestimation”提出的mvalse算法，计算后验分布
37、s9、更新由节点ζm，(k，t)向节点的消息为
38、
39、其中
40、
41、s10、更新由节点ζm，(k，t)向节点pm；(k，t)的消息为
42、
43、s11、更新由节点pm；(k，t)向节点ηk，t的消息其均值由利用梯度下降法求解给出，其中
44、
45、协方差矩阵由给出，其中是在处的hessian矩阵。
46、s12、利用梯度下降法，求解
47、
48、其中
49、s13、更新由节点ηk，t向节点pm；(k，t)的消息为
50、
51、其中
52、
53、
54、s14、更新由节点pm；(k，t)向节点ζm，(k，t)的消息为
55、
56、其中
57、
58、
59、s15、重复s6-s13的步骤，直到达到aoa估计模块与aoa融合模块的最大迭代次数。
60、s16、利用梯度下降法求解ms位置与旋转角度的最大后验估计
61、
62、其中
63、
64、本发明的有益效果体现在提升了对目标的联合定位与定姿精度并节约了导频开销。通过将bs接收阵列划分为多个子阵列，ms发送天线单元的每个阵元可被视作处于bs子阵列的远场区域。将对ms的联合定位与定姿任务拆分为对发送天线阵元的角度估计与先验拓朴结构信息与各子阵列aoa信息的融合。引入变分贝叶斯推断与消息传递的方法可大幅降低算法的复杂度。
1.一种基于阵列划分的近场联合定位与定姿方法，使用单一基站bs同时对多个移动站ms进行位置和姿态估计，其特征在于，包括以下步骤：
