面向无人机数据回传的压缩采样技术：机会与挑战

2019-09-19李晓鹏孙维泽张沛昌

深圳大学学报（理工版） 2019年5期

黄磊，李晓鹏，黄敏，李强，赵博，孙维泽，张沛昌

1)深圳大学电子与信息工程学院，广东深圳 518060；2)广东省(深圳大学-达实智能)位置感知与探测工程技术研究中心，广东深圳 518060

无人机(unmanned aerial vehicle, UAV)在情报侦察、低空突防、航拍摄影、农业植保、现代物流、监控疾病、国土测绘、电力巡检以及抢险救灾等领域有着广泛的应用背景[1]．近年来，无人机产业得到快速发展，发达国家都在积极发展无人机的先进技术，大力拓展无人机的行业应用．无论在哪个领域，无人机的监测数据都需要进行科学分析和应用才能发挥其实际作用．这就涉及到数据的实时共享问题——无人机的数据通信技术或无人机数据链技术．

无人机数据链属于窄带远距离传输技术，其数据传输率一般在115 200 bit/s以下[2]．实际上，这种数据率很难满足目前的应用需求．譬如，美国地理情报局在2005年发布的MISP/STANG4609标准，定义了高清图像标准为1 280×720像素，要实现彩色或热图像的实时共享，数据链传输率需要达到1.48 Gbit/s[3]．美国和北大西洋公约组织又制定了更高清晰度的图像标准，像素高达1 920×1 080，这时要求传输率达到3 Gbit/s以上[3]．但是，目前大多数的无人机数据传输系统没有足够大的信道带宽提供如此高的信息传输速率，面临着极大挑战．

另一方面，随着无人机的广泛应用，人们已经不满足于高清图像的实时共享．高清无人机视频监测信息的实时回传逐渐成为主要需求．无人机通信链路主要包括控制信息的交互和无人机监测数据的回传．远程控制系统信息的交互主要是用于无人机起飞、降落和姿态调整等控制信息的传输，具有单位时间内数据量少、可靠性高且安全性强的特点．由于其在现实生活中已得到普遍应用，且相关技术趋于成熟，恕不赘述．但是，无人机监测(视频图像、雷达成像及地理测绘等)数据的回传，要求信息数据可以在无人机高速移动环境下，以较高的传输速率，实时可靠地回传到地面的控制中心．

为此，本文总结分析了现有的通信标准，发现现有的通信标准已无法满足无人机通信日益增长的需求，指出压缩采样(compressive sampling, CS)理论和技术可用于无人机数据的压缩和恢复．通过总结4种具有代表性的压缩采样技术及原理，从待处理数据结构的角度出发，将CS技术分为基于一维向量的压缩采样技术和基于二维矩阵的压缩采样技术．基于实测数据分析部分代表性的压缩采样技术的理论性能．最后，指出了未来的研究方向．

图1 现有无线通信技术Fig.1 Existing wireless communication techniques

1 UAV通信瓶颈

为探讨无人机监测数据的实时回传无线通信机制，本文对现有的无线通信技术进行了系统分析．如图1，根据传播距离的不同，现有无线通信网络可分为无线个人网(wireless personal area network, WPAN)、无线局域网(wireless local area network, WLAN)、无线邻域网(wireless neighborhood area network, WNAN)，以及无线广域网(wireless wide area network, WWAN)．它们的覆盖的范围分别是短距离通信(10～100 m)、中短距离通信(100～1 000 m)、中距离通信(5～10 km)以及长距离通信(10～100 km)．

无人机具有高速移动性，表1为对常用的移动通信技术的核心参数(吞吐量、距离、频段、带宽及时延等)的总结和对比．由表1可见，采用正交频分复用(orthogonal frequency division multiplexing, OFDM)调制的长期演进(long term evolution, LTE)、长期演进+(long term evolution-advanced, LTE-A)、全球互通微波访问(worldwide interoperability for microwave access, WiMAX)、无线宽带(wireless fidelity, WiFi)和无线访问车载环境(wireless access vehicular environment, WAVE)可提供比较高的通信速率(≥11 Mbit/s)；宽带码分多址(wideband code division multiple access, WCDMA)和蓝牙次之(≥1 Mbit/s)；Zigbee和LoRa最低(≤250 kbit/s)．但是，从功耗角度来看，其排序为(Zigbee、LoRa)>WCDMA>(LTE、 LTE-A、 WiMAX、 WIFI、 WAVE)．

表1 UAV通信技术核心参数

由表1还可发现，现有的通信网络无法满足MISP/STANG 4609标准中高清图像的实时传输，因此也无法进行高清视频数据的实时传输．另一方面，考虑到无人机具有高速移动性，各种通信协议在不同移动速率下的信息传输速率会有不同程度的下滑，这就促使人们不断寻求有效的先进信号处理技术，利用有限的信道带宽进行高速率的无人机监测数据实时回传．由于机载传感器数据在空域、频域和码域具有稀疏结构的特性，这就激发研究人员通过压缩采样技术来求解无人机数据的实时回传．这里的压缩采样技术是指利用信号的稀疏特征，以低于(或远低于)奈奎斯特(Nyguist)采样率对信号进行采样．

2 压缩采样技术

基于信号稀疏结构的压缩采样技术可突破现有通信体制带宽受限的瓶颈，进而实现无人机数据与地面接收站的实时共享．关于压缩采样理论，业界已有大量的研究结果．本文主要介绍4种有潜力的无人机数据回传的压缩感知技术，包括压缩感知、1-bit压缩采样、相位恢复和矩阵补全(matrix completron, MC)技术．

图2描述了无人机数据回传的全过程，相对于传统的数据回传过程，该过程增加了利用压缩采样技术对数据进行压缩和恢复．压缩过程目的是设计量测矩阵进行随机采样；数据恢复过程则是利用相应的恢复技术处理压缩数据，从而获得原始数据．

图2 四种压缩采样技术在UAV数据传输中的作用Fig.2 (Color online) The role of four compression sampling techniques in UAV data transmission

2.1 压缩感知技术

压缩感知技术的主要目的是对接收的压缩采样信号y=Φx∈RM×1，通过稀疏恢复算法得到原始的具有稀疏特性的信号x∈RN×1．其中，N>M；Φ是量测矩阵[14-15]，Φ∈RM×N；压缩率p1=M/N．目前，人们已提出了多种基于稀疏恢复的方法，例如匹配追踪[16]、阈值法[17]和压缩采样匹配搜索法[18]等迭代方法，以及总体变异稀疏度[19]、非局部稀疏度[20]、小波树稀疏度[21]等基于原始数据的先验信息的优化方法．这些方法往往采用迭代优化的方法对问题进行求解，能取得较好的稀疏恢复性能，但也存在计算量过大的问题．同时，当实际数据不满足其特定的稀疏假设时，这些方法的恢复性能会大幅下降．

2.2 1-bit压缩采样技术

为保证能够准确获取信息，通常需对原始数据进行高精度的量化采样．随着数据量的增大，高精度的量化采样将导致高昂的数据采集、存储和处理成本，难以满足无人机平台的应用需求[25-26]．在信号稀疏特性的假设下，1-bit压缩采样技术为无人机的数据回传提供了新的解决方案．

在稀疏假设条件下，通常获得的是待重构信号x在系统量测矩阵Φ下的量测向量y．在1-bit压缩采样理论下，仅保留量测向量的符号信息，由此得到的信号量测模型[27-29]为

y=sgn(Φx)

(1)

其中， sgn()为符号函数．在该模型下，对量测向量的采样仅需保留1 bit的符号信息，从而避免了高精度的量化采样过程，大幅简化了系统的硬件架构．此时，对信号x的重构可表述[30]为

(2)

其中，Y=diag(y)， diag()为构是对角矩阵函数.

式(2)中第1个约束保证了重构信号符号的正确性，第2个约束避免了重构的多解性．在这两个约束下，通过最小化重构信号的l1范数可得到满足稀疏特性假设的信号估计结果．

1-bit压缩采样理论能够有效降低数据采集的量化精度．假设传统的信号处理需要对信号进行8 bit的采样量化，而利用1-bit压缩采样理论，在采样率不变的情况下，可将数据量降至原来的1/8，从源头上解决无人机回传数据量大的问题．

2.3 相位恢复技术

仅依据原始复数信号的线性量测强度或幅值信息，来恢复该完整复数信号的技术通常被称为相位恢复．该技术被广泛用于天文学、晶体学和光学成像等领域[31-33]．在这些领域中，由于设备采集信号时只记录了信号的强度或幅值，所以存储数据所占空间较少．在未采集复数信号相位信息的情况下，完整恢复原始信号其实是一项很有挑战的课题．

从数学角度来讲，相位恢复即是从M次线性量测的强度中，恢复出原始N维复数信号x，数学模型[34]为

(3)

其中，Φ∈RM×N为已知的M×N量测矩阵；n为量测噪声．

相位恢复是一个非线性非凸的优化问题，通常需使量测次数M大于信号的维度N，才能够准确地恢复出原始信号[36]．

在无人机监测(视频图像、雷达成像和地理测绘等)数据的回传中，为满足高清图像和视频的连续快速传输，可采用相位恢复技术对所传输复数数据进行压缩传输．根据所要传输数据x的特点，结合相位恢复数学模型，考虑将相位恢复模型中的量测矩阵Φ设计为编码矩阵，然后对复数数据x按一定规律编码后，取其强度或幅值，从而将复数数据的传输转化为实数数据的传输，加快数据传输速率．

通常，在设计编码矩阵Φ时，其行向量维度应远大于列向量维度．如果所传输数据x具有时域、空域、频域或码域等稀疏结构特性，编码矩阵Φ的行向量维度则可大幅减少，此时，可以采用欠采样相位恢复算法对数据进行恢复[35]．

2.4 矩阵补全技术

区别于前面3种压缩采样技术，矩阵补全技术处理的数据是二维矩阵格式．它可从欠采样信号XΩ中恢复出原始信号X. 欠采样信号的数学模型[36]为

XΩ=HΩ⊙X+N

(4)

其中，所有变量都属于RM×N； ⊙是元素乘法算子；X和N分别是原始信号和噪声信号；HΩ是由{0}和{1}组成的量测矩阵， {0}和{1}均服从随机均匀分布，但是必须确保由采样信号组成的矩阵不含全零行和全零列[37]．压缩率为

(5)

为恢复原始信号X， CANDS等[38]提出通过求解秩最小化问题来恢复X，表示为

(6)

(7)

3 实验验证

合成孔径雷达(synthetic aperture radar, SAR)具有全天候工作、分辨率高、抗干扰能力强等优点[44]．因此，SAR挂载于无人机进行探测，在情报侦察、低空突防、农业植保、抢险救灾等领域均具有明显优势．但是，对高分辨率采样图像的需求增加了数据储存与传输的难度．经过随机均匀采样后的数据可以节省储存空间，或降低对下传信道带宽的要求，更可减少无人机发射信号的功耗．在成像过程中，则可先利用压缩感知或矩阵补全恢复原始数据，然后利用恢复的数据进行恢复成像．

该实验运行环境为：i7-6700 CPU，3.40 GHz主频，16 Gbyte内存，Matlab2018a．

图3描述了实验的流程．其中，SAR数据由原始图片生成，源自Sandia National Laboratories，采用16 bit进行数据量化，编码方式为Huffman编码，无线通信机制为LoRa．

图3 实验流程图Fig.3 (Color online) Flowchart of experiment

3.1 基于压缩感知技术的实验结果

图4 基于深度神经网络的压缩感知框架Fig.4 (Color online) CS framework based on deep neural network

图5展示了压缩感知技术在SAR数据压缩与恢复中的效果．图5(a)为原始数据成像效果；图5(b)为在无噪情况下经过LoRa信道传输后基于压缩感知恢复的成像效果．其中，由SAR数据构成的矩阵维度是C1 000×800；原始数据经过LoRa信道传输耗时为2 845 s；采用压缩感知技术处理后的数据回传耗时为1 356 s；压缩率p1=50%；数据传输时间节省了45.43%．由图5(b)可见，基于压缩感知恢复的SAR图像与原图几乎一致，无肉眼可见的损失．

图5 基于原始数据和压缩感知数据的SAR成像Fig.5 SAR imaging based on original and CS data

3.2 基于矩阵补全技术的实验结果

图6描绘了矩阵补全技术在SAR数据压缩与恢复中的效果．图6(a)为原始数据成像结果，图6(b)为在无噪情况下，经过LoRa信道传输后基于矩阵补全的成像结果，图6(c)为在高斯白噪声情况下，经过LoRa信道传输后基于矩阵补全的成像结果．其中，倍噪比(signal to noise ratio, SNR)为10 dB；由SAR数据构成的矩阵维度是C800×600，原始数据回传耗时1 029.34 s；在采样率p2=40%情况下，压缩后的数据回传耗时缩短为669.42 s，数据传输时间节省了34.97%．由图6(a)和(b)可见，经过LoRa系统信道传输，并采用矩阵补全技术进行数据恢复，图像质量几乎没有降低．由图6(c)可见，矩阵补全技术可以抑制由传输信道带来的高斯噪声．