买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学申请的专利一种大容量低能耗的无人机隐蔽通信方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118678325B 。

龙图腾网通过国家知识产权局官网在2026-05-08发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410537093.5，技术领域涉及：H04W4/44；该发明授权一种大容量低能耗的无人机隐蔽通信方法是由王景璟;白琳;陈健瑞;王佳星;任鹏飞;张梦源设计研发完成，并于2024-04-30向国家知识产权局提交的专利申请。

本一种大容量低能耗的无人机隐蔽通信方法在说明书摘要公布了：本发明公开了一种大容量低能耗的无人机隐蔽通信方法，属于无人机路径规划及隐蔽通信技术领域，包括以下步骤：S1：构建无人机隐蔽通信的系统模型；S2：构建无人机隐蔽通信模型；S3：构建无人机的运动能耗模型；S4：基于所述系统模型、通信模型和运动能耗模型，找到无人机的任务目标为找到最优的发射功率和航行轨迹，使窃听者的检测误差概率最大化，并以此构建优化问题和约束条件；S5：利用多目标深度确定性策略梯度算法MODDPG求解所述优化问题。本发明在满足发送者、接收者之间通信链路不被窃听者探测到的前提下，实现链路吞吐量、无人机运动能耗的帕累托最优，为无人机开展任务提供安全性能、通信性能、节能性能的保障。

本发明授权一种大容量低能耗的无人机隐蔽通信方法在权利要求书中公布了：1.一种大容量低能耗的无人机隐蔽通信方法，其特征在于：包括以下步骤： S1：构建无人机隐蔽通信的系统模型； S2：构建无人机隐蔽通信模型； S3：构建无人机的运动能耗模型； S4：基于所述系统模型、通信模型和运动能耗模型，找到无人机的任务目标为找到最优的发射功率和航行轨迹，使窃听者的检测误差概率最大化，并以此构建优化问题和约束条件； S5：利用多目标深度确定性策略梯度算法MODDPG求解所述优化问题； 所述无人机隐蔽通信的系统模型中，令无人机的起始点的位置为、目标点的位置为、无人机的位置为和窃听者的位置为；记无人机从起始点到目标点耗费总时间为，将总时间均分为个持续时间为的极短时隙，在每个时隙内视无人机为匀速直线运动；在第个时隙时，记无人机与地面基站间的距离为，无人机与窃听者之间的距离为； 所述无人机隐蔽通信模型具体包括： 无人机与基站之间的信道模型设为LoS信道，并设无人机在信号发射采用块衰落信道，无人机信号的信道增益在同一个块中保持不变； 无人机在运动过程中，在不同时隙无人机将选择是否与地面基站进行通信，用代表无人机向地面基站发射信号，用表示无人机未与地面基站通信； 当无人机与地面基站通信时，无人机将发送的消息映射到码字，其中为所用的信道数；在第个时隙地面基站接收到的第条信道的信号为： 其中、和分别表示第个时隙中第条信道的发射功率增益、发射信号以及无人机到地面基站的信道增益，为接收点处的噪声信号，和的大小分别服从高斯分布和； 窃听者采用能量计监听区域内的信号能量，并根据接收信号的信噪比大小判断无人机是否正在与地面基站通信；在第个时隙窃听者接收到的第条信道的信号为： 其中，为窃听者处的噪声信号，其大小服从高斯分布； 窃听者通过检测接收到的信号信噪比是否超过设定的功率门限判断无人机是否正在与地面基站通信；如果该信噪比大于门限值，则判定无人机正在给地面基站发送信号；如果该信噪比小于门限值，则判定无人机没有发送信号；窃听者采用最大似然比检测的方法来最小化它的检测误差，表示为： 其中是在第时隙内窃听者接收来自所有信道的信号之和，是窃听者设置的检测门限值； 采用相对熵构建无人机通信不被窃听者检测到的概率约束，其中和分别为和假设下窃听者接收信号的最大似然函数，分别表示为： ； . 相对熵表示了和假设下窃听者接收信号的分布概率之间的距离，通过降低所述相对熵，使窃听者无法分辨发送者是否发送信号，即实现隐蔽通信； 假设窃听者有无人机发射功率和噪声功率的先验信息，则窃听者设置的最优阈值为： 其中，是窃听者处信号的信噪比，为：； 所述采用相对熵构建无人机通信不被窃听者检测到的概率约束，具体为： 其中为： 其中为无人机通信被窃听者检测到的概率； 所述无人机的运动能耗模型如下： 在每个时隙中，假设无人机处于准静态平衡状态，并假设其速度在每个时隙中保持不变； 记无人机在第个时隙内的速度为，无人机的推进能耗是水平推进能耗、垂直推进能耗和与流体阻力相关的剖面能耗的线性和，其中： 第个时隙内的水平推进能耗表示为： 其中为无人机的重量，和表示无人机的质量和重力加速度；为无人机在运动方向上的横截面积，为空气质量密度，为每个时隙的长度； 第个时隙内的垂直推进能耗表示为： 与流体阻力相关的剖面能耗为： 其中为无人机的流体阻力与其物理结构之间的关系，为无人机相对于空气的速度，是风速，表示阻力系数； 无人机在第个时隙内的总能耗为： 其中，，和； 所述优化问题和约束条件如下： 和为无人机路径规划时的两个优化目标，分别表示最大化无人机通信吞吐量和最小化无人机运动能耗，其中，为解码错误概率；约束是在接收方处的解码错误概率约束；约束限制了无人机的每条信道的发射功率；约束限制了无人机和地面基站之间的隐蔽性要求；约束条件和分别限制了每个时隙内无人机的最大位移和速度的变化，其中表示可取到的最大加速度； 步骤S5中，将无人机的路径规划和传输功率控制建模为一个有限的马尔可夫决策过程MDP问题，无人机依赖于与环境的交互来调整其行动并学习最优策略，其状态空间、动作空间和奖励函数如下： 状态空间：； 动作空间：； 奖励函数：，其中，和对应于有效吞吐量的最大化和无人机能耗的最小化，分别表示为： 和为两个辅助奖励函数： 表示无人机通信安全性能，反映了对较长路径长度的惩罚； 为4个奖励函数设置不同的权重，记为，则完整的奖励记为：； 所述MODDPG算法包含两个网络结构：演员Actor网络和评论家Critic网络，这两个网络都由在线网络和目标网络两个子网络组成；其中在线演员网络通过指定主策略将观察到的状态映射到行动，在线评论者网络估计值，其中和是两个在线网络的参数； 采用演员-评论家架构的两个目标网络，通过在更新前冻结目标网络的参数来计算目标值，目标网络的参数和在初始化阶段从在线演员-评论家网络中复制，在更新网络参数时，从经验回放池中随机抽取一个小批量样本； 使用线性加权方法将奖励向量的元素转换为标量加权和，考虑到多个目标、约束条件之间的偏好，记权重为，在演员策略中加入一个随时间变化的衰减噪声；基于来自经验回放池的变换，策略目标值函数为： 优化在线评论家网络的步骤如下：首先计算在线评论家网络给出的目标值与值之间的差值，然后使用梯度下降法将损失函数最小化，损失函数定义为差值的均方误差MSE： 在线评论家网络的优化目标为最小化MSE； 使用在线评论家网络给出的值然后计算在线演员网络的策略的梯度： 在线演员网络的优化目标为最大化梯度； MODDPG算法步骤如下： S51：输入权重参数向量； S52：随机初始化在线演员网络参数和在线评论家网络参数；初始化目标演员网络参数和目标评论家网络参数：，；初始化经验回放池，小批量集大小，折扣因子，探索噪声，目标演员网络和评论家网络的学习因子和； S53：获得初始观测状态； S54：在每一个步长，根据当前状态和噪声选取并实施动作； S55：执行动作，并观测奖励下一时刻状态； S56：将存入经验回放池； S57：从中随机抽取个小批次数据； S58：对每一个数据，计算目标函数值： S59：通过最小化损失函数更新在线评论家网络参数；通过最大化策略梯度更新在线演员网络参数； S510：更新目标网络参数： S511：探索噪声衰减：； S512：令步长加1，返回步骤S54，直至最大步长； S513：返回步骤S53重新训练，直到达到最大训练次数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学，其通讯地址为：100083 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。