[发明专利]一种基于自适应kalman预测的3D-GPSR路由方法

权利要求书

1.一种基于自适应kalman预测的3D-GPSR路由方法，其特征在于，所述方法包括以下步骤：

S1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；

S2使用自适应kalman滤波预测所有节点的下一时刻三维位置；

S3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；

其中，所述步骤S2中首先建立无人机运动模型，然后在MATLAB中设计适用于FANET的无人机运动模型的自适应kalman预测算法，并将节点位置的预测结果写入Hello消息中，用于增强三维GPSR选择下一跳机制的准确性；其中，所述步骤S1中包括：

S1.1建立无人机运动模型，令ΔT表示UAV位置信息的更新间隔，即路由算法中Hello消息的更新间隔，并假定ΔT＝t_n-t_n-1＝mΔt其中m是短时间步数；对于k^th在t_n-1和t_n之间的短时间步长的无人飞行器，令x_k表示x轴上的位置分量，代表x轴上的速度分量，代表x轴上的加速度分量；然后，x_k和可以分别表示为：

根据t_n-1时刻的位置分量x_n-1，t_n时刻的x_n是高斯分布的，其均值和方差可以表示如下：

类似于在x轴方向上的分析，可以获得在y轴和z轴方向上的速度和位置的表达式；

S1.2在卡尔曼滤波算法中，系统状态和度量的标准形式可以分别表示为：

X_k＝AX_k-1+BW_k  (5)

Z_k＝HX_k+V_k  (6)

其中X_k和X_k-1分别是时间k和k-1的系统状态向量，其中A为系统状态转换矩阵，B是系统动态噪声输入矩阵，Z_k是时间k时的系统测量矢量，H为系统状态向量到测量向量的增益矩阵，W_k是系统过程噪声，V_k是系统测量噪声；

对于FANET场景，根据运动学中3D直角坐标系中位移，速度和加速度之间的关系，可以将相应的系统状态表示为：

其中X＝[x,y,z]^T，T＝t_k-t_k-1是更新间隔，I是单位矩阵，O是零矩阵，并且系统过程噪声W_k是高斯分布，均值为零且协方差矩阵为Q_k，即W_k～CN(0,Q_k)；

将通过GPS获得的无人机的定位信息用作卡尔曼滤波器的输入测量向量，则测量方程可表示为：

其中测量噪声V_k也是高斯分布，其均值为零，协方差矩阵为R_k，即V_k～CN(0,R_k)。