基于凸差分的无人机分簇融合协同定位算法

彭珍妮; 杨歆童; 樊瑞

doi:10.16356/j.2097-6771.2026.02.019

Chinese

您当前的位置：

首页 >

文章列表页 >

基于凸差分的无人机分簇融合协同定位算法

更新时间：2026-04-30

- 基于凸差分的无人机分簇融合协同定位算法
- A Cluster‑Based Cooperative Localization Algorithm for UAVs Using Difference‑of‑Convex Programming
- 南京航空航天大学学报 2026年58卷第2期页码：434-440
- 作者机构：
  
  1.南京航空航天大学公共实验教学部，南京 211106
  2.南京航空航天大学电子信息工程学院，南京 211106
- 作者简介：
  
  彭珍妮，女，副研究员，硕士生导师，E‑mail： pengzhenni@nuaa.edu.cn。
- 基金信息：
  
  国家自然科学基金面上项目(62371232)
- DOI：10.16356/j.2097-6771.2026.02.019
  中图分类号： TP391.41
- 收稿：2025-06-03，
  
  修回：2025-12-31，
  
  纸质出版：2026-04-28
- 稿件说明：
移动端阅览
彭珍妮，杨歆童，樊　瑞. 基于凸差分的无人机分簇融合协同定位算法［J］. 南京航空航天大学学报（自然科学版），2026，58（2）：434⁃440.

PENG Zhenni， YANG Xintong， FAN Rui. A cluster‑based cooperative localization algorithm for UAVs using difference‑of‑convex programming［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition），2026， 58（2）：434⁃440.
彭珍妮，杨歆童，樊　瑞. 基于凸差分的无人机分簇融合协同定位算法［J］. 南京航空航天大学学报（自然科学版），2026，58（2）：434⁃440. DOI： 10.16356/j.2097-6771.2026.02.019.

PENG Zhenni， YANG Xintong， FAN Rui. A cluster‑based cooperative localization algorithm for UAVs using difference‑of‑convex programming［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition），2026， 58（2）：434⁃440. DOI： 10.16356/j.2097-6771.2026.02.019.

摘要

针对无人机集群定位精度要求高的问题，提出了一种基于凸差分（Difference‑of‑convex， DC ）的无人机分簇融合协同定位算法。首先建立了基于位置信息的协同定位数学模型，然后按照凸优化算法结构，将非凸约束转化为差分形式目标函数，提升位置信息解的精度。接着为优化迭代过程利用多维尺度分析（Multi‑dimensional scaling， MDS）方法提供初始位置估计，并将初始化过程加入每轮簇内定位过程。进而分析带有测距误差情况下的定位算法，利用最大似然估计改写目标函数，减小定位误差完成位置估计。随后提出了分簇融合方法，借助公共结点和Procrustes分析算法实现全局定位。通过仿真实验测量算法定位误差，与常见定位算法进行比较验证算法有效性。结果表明，所提出的算法具有定位精度高、适合多无人机网络的特点，能有效提高无人机集群定位性能。

Abstract

To address the challenges of high positioning accuracy requirements in unmanned aerial vehicle swarm localization， a cluster‑based cooperative localization algorithm for unmanned aerial vehicles based on difference‑of‑convex （DC） programming is proposed. A cooperative localization mathematical model based on positional information is established. Then， following the structure of convex optimization algorithms， the non‑convex constraints are transformed into a difference‑of‑convex objective function to enhance the accuracy of the position solution. To optimize the iterative process， the multi‑dimensional scaling （MDS） method is used to provide an initial position estimate， and this initialization step is incorporated into each round of intra‑cluster localization. The algorithm is further analyzed under the condition of ranging errors. The objective function is reformulated using maximum likelihood estimation to reduce positioning errors and improve location estimation accuracy. Subsequently， a cluster fusion method is introduced， which utilizes common nodes and the Procrustes analysis algorithm to achieve global localization. Simulation experiments are conducted to measure localization errors， and comparisons with commonly used localization algorithms are made to validate the effectiveness of the proposed method. The results demonstrate that the proposed algorithm features high localization accuracy， and is well‑suited for multi‑unmanned aerial vehicle networks， effectively enhancing the localization performance of UAV swarms.

关键词

Keywords

references

鄢家鑫，贺晓华，周泽波，等 . 基于GNSS/UWB的多无人机协同定位技术［J］. 探测与控制学报， 2024 ， 46 （ 1 ）： 121 ‑ 128 .

YAN Jiaxin ， HE Xiaohua ， ZHOU Zebo ， et al . Cooperative localization technology of multi‑UAVs based on GNSS/UWB ［J］. Journal of Detection & Control ， 2024 ， 46 （ 1 ）： 121 ‑ 128 .

KINNARI J ， VERDOJA F ， KYRKI V . Season-invariant GNSS‑denied visual localization for UAVs ［J］. IEEE Robotics and Automation Letters ， 2022 ， 7 （ 4 ）： 1 0232‑ 10239 .

ZHANG P F ， MA Z H ， HE Y ， et al . Cooperative positioning method of a multi‑UAV based on an adaptive fault‑tolerant federated filter ［J］. Sensors ， 2023 ， 23 （ 21 ）： 8823 .

王志刚，龚华军，尹逸，等 . 基于强化学习的多机协同超视距空战决策算法［J］. 南京航空航天大学学报（自然科学版）， 2025 ， 57 （ 5 ）： 831 ⁃ 841 .

WANG Zhigang ， GONG Huajun ， YIN Yi ， et al . Multi‑aircraft collaborative beyond-visual-range air combat decision-making algorithm based on reinforcement learning ［J］. Journal of Nanjing University of Aeronautics & Astronautics（Natural Science Edition）， 2025 ， 57 （ 5 ）： 831 - 841 .

SAGALE A ， TASOOJI T K ， PARASURAMAN R . DCL‑sparse： Distributed range‑only cooperative localization of multi‑robots in noisy and sparse sensing graphs ［EB/OL］.（ 2024‑12‑19 ）. https：//arxiv.org/abs/2412.14793 https://arxiv.org/abs/2412.14793 .

YUAN Z J ， GUO W S ， AL‑RUBAYE S . Multi-UAV wireless positioning using adaptive multidimensional scaling and extended Kalman filter ［C］// Proceedings of 2022 IEEE Globecom Workshops （GC Wkshps） . Rio de Janeiro， Brazil ： IEEE ， 2023 ： 1437 ‑ 1441 .

DIAMOND S ， BOYD S . CVXPY： A Python-embedded modeling language for convex optimization ［EB/OL］.（ 2016‑03‑03 ）. https：//arxiv.org/abs/1603.00943 https://arxiv.org/abs/1603.00943 .

AN L T H ， TAO P D . The DC （difference of convex functions） programming and DCA revisited with DC models of real world nonconvex optimization problems ［J］. Annals of Operations Research ， 2005 ， 133 （ 1 ）： 23 ‑ 46 .

ZHENG JIYUAN ， ZHANG SHAOBO ， ZHANG DONGJUN ， ET AL . TASK SCHEDULING FOR UAV SWARMS WITH LIMITED COMMUNICATION RANGE ［J］. TRANSACTIONS OF NANJING UNIVERSITY OF AERONAUTICS & ASTRONAUTICS ， 2025 ， 42 （ 6 ）： 852 - 864 .

BISWAS P ， YE Y Y . Semidefinite programming for ad hoc wireless sensor network localization ［C］// Proceedings of the 3rd International Symposium on Information Processing in Sensor Networks . Berkeley， USA ： IEEE ， 2004 ： 46 ‑ 54 .

BI S G ， CUI J T ， NI W ， et al . Three‑dimensional cooperative positioning for internet of things provenance ［J］. IEEE Internet of Things Journal ， 2022 ， 9 （ 20 ）： 1 9945‑ 19958 .

MAGARIL‑IL’YAEV G ， TIKHOMIROV V . Convex analysis： Theory and applications ［M］. Providence， Rhode Island ： American MathematicalSociety ， 2003 .

FAJARDO M D ， VIDAL‑NUNEZ J . On fenchel c-conjugate dual problems for DC optimization： Characterizing weak， strong and stable strong duality ［EB/OL］. （ 2025‑01‑14 ）. https：//arxiv.org/abs/2501.08061 https://arxiv.org/abs/2501.08061 .

GEZICI S ， TIAN Z ， GIANNAKIS G B ， et al . Localization via ultra‑wideband radios： A look at positioning aspects for future sensor networks ［J］. IEEE Signal Processing Magazine ， 2005 ， 22 （ 4 ）： 70 ‑ 84 .

RUAN L ， LI G X ， DAI W H ， et al . Cooperative relative localization for UAV swarm in GNSS‑denied environment： A coalition formation game approach ［J］. IEEE Internet of Things Journal ， 2022 ， 9 （ 13 ）： 1 1560‑ 11577 .

CHEN R ， YANG B ， ZHANG W . Distributed and collaborative localization for swarming UAVs ［J］. IEEE Internet of Things Journal ， 2021 ， 8 （ 6 ）： 5062 ‑ 5074 .

ZHANG S H ， ZHANG H M ， ZHAN Y ， et al . Cluster networking and cooperative localization based on biogeography optimization and improved super-multidimensional scaling for multi‑unmanned aerial vehicles ［J］. Sensors ， 2025 ， 25 （ 9 ）： 2887 .

SAEED N ， NAM H ， AL‑NAFFOURI T Y ， et al . A state‑of‑the‑art survey on multidimensional scaling-based localization techniques ［J］. IEEE Communications Surveys & Tutorials ， 2019 ， 21 （ 4 ）： 3565 ‑ 3583 .

MASUOKA K ， TAKAHASHI T ， ABREU G ， et al . Quaternion domain super MDS for 3D localization ［C］// Proceedings of 2025 IEEE 26th International Workshop on Signal Processing and Artificial Intelligence for Wireless Communications （SPAWC） . Surrey， UK ： IEEE ， 2025 ： 1 ‑ 5 .

BORG I ， GROENEN P J F . Modern multidimensional scaling ［M］. 2nd ed . New York ： Springer ， 2005 .

CHANG S M ， LI L C . A two‑step SD/SOCP-GTRS method for improved RSS‑based localization in wireless sensor networks ［J］. Sensors ， 2025 ， 25 （ 6 ）： 1837 .

HAMAOUI M . Non‑iterative MDS method for collaborative network localization with sparse range and pointing measurements ［J］. IEEE Transactions on Signal Processing ， 2019 ， 67 （ 3 ）： 568 ‑ 578 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据