摘要: 由于单架无人机资源与性能的局限性，无人机集群以其高复杂性、高连续性、高覆盖性和强自主性得到了广泛关注。但是无人机集群存下如下问题：1）无人机集群系统中普遍采用 900 MHz、1.4GHz、2.4GHz 等通信频段，该频段为开放频段，所以极易受到多种同... 展开 由于单架无人机资源与性能的局限性，无人机集群以其高复杂性、高连续性、高覆盖性和强自主性得到了广泛关注。但是无人机集群存下如下问题：1）无人机集群系统中普遍采用 900 MHz、1.4GHz、2.4GHz 等通信频段，该频段为开放频段，所以极易受到多种同频干扰；2）无人机集群与基站之间或者集群内部采用该频段实现无线通信时，信息极易被截获；3）无人机集群导航系统中普遍采用全球卫星定位系统(Global Positioning System，GPS)或者北斗卫星定位系统，在复杂电磁或者遮挡环境中，其导航定位精度也难以得到保证。因此，如何提升无人机集群中通信和导航定位的联合性能，成为当前无人机集群面临的突出问题。感知通信一体化（Integrated Sensing and Communication， ISAC）系统通过共享软硬件与信息等资源，可以兼具通信与感知功能，在感知与通信协同的基础上，有效提升频谱、硬件、软件处理等资源的使用效率，并显著降低系统成本。 本文将 ISAC 系统应用于无人机集群中，采用资源调度的方法提高无人机集群在复杂环境下感知和通信的协同性能，通过调研与分析国内外 ISAC 系统以及安全通信的研究现状，构建了无人机集群在不同复杂环境下的 ISAC 系统模型，并提出了相应的资源分配方法以提高感知和通信联合性能。本文主要针对以下两个问题： 1） 无截获机环境中无人机集群 ISAC 系统的资源调度优化方法。首先，针对无人机集群感知任务：目标探测和通信任务：无人机集群间共享信息，构建无人机集群ISAC系统模型，建立资源分配的最优化问题，其中资源主要包括波束、频谱和功率等；其次，提出基于强化学习的资源分配求解方法，设计基于马尔科夫过程的强化学习闭环系统，包括环境状态、智能体行为和奖励设计等；最后，与现有的曼克莱斯（Kuhn Munkres，KM）迭代和深度神经网络等方法进行了对比，仿真结果表明，随着无人机集群规模以及环境复杂度的提高，所提出的强化学习方法均可获得优于深度神经网络的性能，而且复杂度远低于KM迭代算法。 2） 有截获机环境中无人机集群 ISAC 系统的资源调度优化方法。首先，针对无人机集群的感知任务：截获机群体的探测、位置估计以及识别任务，和通信任务：集群间隐蔽通信任务，提出无人机集群的隐蔽通信与感知的联合性能要求，构建无人机集群的ISAC系统，并定义了新型的有效通信目标函数，从而提出了基于最优化模型的资源分配方法，其中资源主要包括工作频点、带宽和功率等；然后，一方面针对工作频点分配问题，提出了基于强化学习的资源分配方法，另一方面针对功率资源分配问题，实现了基于注水法与KM方法的优化方法；最后，仿真结果表明，相比随机资源分配、资源平均分配以及完全强化学习而言，所提方法可以有效提升通信和感知的联合性能。 收起