具体实施方式

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，如无特殊说明，一般表示前后关联对象是一种“或”的关系。

如图1所示的RIS辅助基站/无线访问点、用户之间进行通信的场景，通过部署RIS，为基站和用户之间创建一个额外的通信链路。图中，Θ是RIS的反射系数，h、g、G分别表示基站至RIS的信道增益、RIS至用户的信道增益、基站至用户的的信道增益。

在这个通信场景中，用户端接收的总信道增益H可表示为H＝G+g^HΘh，通过调节RIS的反射系数Θ，即可实现对信道的重新配置，以实现预期的通信性能增强或减弱的效果。RIS因其特殊的组成和原理，相比于其他类似技术，如中继、反向散射通信等，具有低成本，低能耗、高效率等优点。

目前已有一些研究对比了：无源RIS和有源中继之间的性能差异，结论表明，虽然无源RIS有着上述优点，但要实现与传统有源中继相当的性能，需要部署大量的反射元件，这无疑会提高部署成本；同时随着反射元件的增多，RIS辅助的无线通信的信道也会变得更具挑战性。因此，如何权衡RIS和中继二者在通信系统中扮演的角色和定位，是一个值得探讨的问题。

再者，受无人机技术的发展，无人机通信技术也受到研究人员的广泛关注。一般来说，无人机因其机动性和灵活性，可为通信设计带来极大的自由度。随着物联网技术的兴起，大规模设备之间的互联也是未来网络研究和应用的一大热点，无人机通信在物联网技术中也可发挥重要的作用。

虽然无人机的高移动性可提高LoS的概率，但因城市建筑物，树木和人等对通信环境的恶劣影响，无人机的移动性对通信性能的提高也是有限的，尤其是在配有毫米波通信的无人机通信场景中，障碍物遮挡带来的影响更为严重。受上述限制，无人机可能需要飞行在较高的高度，以保持较高的LoS性能，而这也会带来较大的通信损耗。因此，通过部署RIS，以进一步提高无人机通信的自由度，使得无人机在直接通信链路受遮挡时也可保持较好的通信连接。

又由于RIS辅助无人机通信时存在两段距离构成的“乘积路径损耗”，其中两段距离包括用户的接收功率与发射端至RIS的距离d_SI和RIS至接收端的距离d_ID。具体来说，两段距离构成的“乘积路径损耗”与两端距离的乘积成反比，即|E|²∝(d_SId_ID)^-1，其中，E表示乘积路径损耗。因此，为降低乘积路径损耗的影响，通常将RIS部署在发射端或接收端附近。但对于RIS辅助的无人机通信系统，由于无人机的位置是可变的，无法得到接近无人机的固定位置，而若考虑将RIS部署在接近地面用户的位置，仍然面临无人机与RIS存在遮挡的问题，因此仅靠RIS辅助带来的性能提升十分有限。

目前也有少数研究了用RIS以辅助中继以提高传统中继系统的通信速率，但其重点在于用RIS对传统中继的提升，而没有考虑二者的协作，具体来说，只考虑了用RIS辅助中继和发射端、接收端之间的通信链路，而没有考虑RIS本身可辅助发射端与接收端之间的连接。无人机位置变化带来的影响也是其他中继和RIS协作系统没有考虑的。

综上，协调RIS和中继的作用，使RIS和中继组成一个协作系统，用以辅助无人机对地面传感器节点进行数据采集任务，具有极大的研究价值。

下面结合说明书附图对本发明实施例作进一步详细描述。

参照图2，部署一个RIS和中继协作，辅助旋翼UAV(Unmanned aerial vehicle，无人机)对地面的SN(Sensor Node，传感器节点)进行上行通信的系统，例如部署UAV对特定区域的SN执行数据采集任务，智能超表面与中继的协作系统辅助无人机通信的系统如图2所示。在UAV执行数据采集任务之前，预设设置好地面的SN位置，且UAV无法与SN建立直接通信链路。具体地，SN位于某大楼内，在该大楼外放置一个半双工的解码转发中继，同时，在该大楼附近的建筑物表面部署RIS阵列，此外，考虑到RIS的反射路径，RIS需面向中继和SN，使RIS垂直部署在建筑物表面。故中继和RIS的部署使基于中继和RIS的协作系统与SN和UAV之间可建立LoS链路。

参照图3，本发明实施例提供一种智能超表面与中继的协作系统辅助无人机通信方法，所述方法的主要步骤描述如下。

S1:基于智能超表面辅助传感器节点将数据发送至中继、无人机的阶段和基于智能超表面辅助中继解码转发数据至无人机的同时，传感器节点通过智能超表面反射信号至无人机的阶段，建立两阶段的传输协议和信道模型；

S2:根据两阶段的传输协议和信道模型，获得智能超表面与中继协作系统辅助无人机数据采集速率与中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置之间的关系；

S3:使智能超表面与中继协作系统辅助无人机数据采集速率达到最大值，优化中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置；

S4:按照优化的中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置，部署智能超表面和中继，使智能超表面、中继与无人机、传感器节点之间建立视距通信链路。

具体地，S1:基于智能超表面辅助传感器节点将数据发送至中继、无人机的阶段和基于智能超表面辅助中继解码转发数据至无人机的同时，传感器节点通过智能超表面反射信号至无人机的阶段，建立两阶段的传输协议和信道模型的具体步骤描述如下。

RIS辅助SN将数据发送至中继，同时，也将数据转发至UAV接收。假设RIS由M个无源反射元件组成，每个反射元件之间的距离均为d，由于反射元件的大小和相互之间的间距远小于通信距离，因此所有反射元件的位置可视为相同，表示为w_I＝[X_I,Y_I,Z_I]^T。RIS的反射系数包括反射幅度和反射相位两部分，目前对RIS的研究大多假设所有元件的反射幅度均为1，即全发射，为简化模型，我们也采用此假设，即反射相位可表示为：

其中，每个反射元件的相位需满足约束SN、中继和UAV均为单天线，中继为半双工解码转发中继，在第一跳接收数据，第二跳发送数据。SN和中继的位置坐标可分别表示为w_S＝[X_S,Y_S,0]^T，w_R＝[X_R,Y_R,Z_R]^T。UAV在固定高度H的空中飞行，其位置可表示为w_U＝[q,H]^T，其中q＝[x,y]。为简化问题，我们考虑UAV飞至特定位置后悬停开始接收数据，因此只针对得到系统最优通信速率的位置进行优化。

参照图4，中继和RIS的协作系统与SN和UAV之间建立LoS链路的通信过程分为智能超表面辅助传感器节点将数据发送至中继、无人机的第一阶段和智能超表面辅助中继解码转发数据至无人机的同时，传感器节点通过智能超表面反射信号至无人机的第二阶段两个阶段。在第一阶段，中继为接收数据状态，RIS辅助SN将数据发送至中继和UAV；在第二阶段，中继为发送数据状态，在中继解码转发数据至UAV的同时，SN仍可通过RIS反射信号至UAV。假设第一阶段与第二阶段分配的时间比例分别为α和1-α，即接收的时间分配系数α和发送的时间分配系数1-α，其中0≤α≤1，可通过调节α来提高系统的通信速率。

进一步地，用分别表示SN-RIS(SN到RIS)，RIS-Relay(RIS到中继)，SN-Relay(SN到中继)，RIS-UAV(RIS到UAV)，Relay-UAV(中继到UAV)的基带等效信道，根据信道互易性，Relay-RIS与RIS-Relay的信道满足G_IR＝G_RI。

由于RIS部署的灵活性和UAV的移动性，将上述所有信道建模为Rician衰落信道，以SN-RIS的基带等效信道为例，有：

其中，为SN与RIS之间的路径损耗，ρ为参考距离d₀＝1m的路径损耗，d_SI为SN与RIS之间的距离，κ为路径损耗指数，为SN与RIS之间的信道增益系数，β_SI为Rician因子，LoS分量为SN发送信号至RIS的阵列响应，φ_SI＝|X_S-X_I|/d_SI为AoA(到达角)的余弦值，NLoS分量可建模为零均值单位方差的CSCG(复高斯循环对称变量)，即

S2:根据两阶段的传输协议和信道模型，获得智能超表面与中继协作系统辅助无人机数据采集速率与中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置之间的关系的具体步骤描述如下。

将SN的发射功率固定为P_S，中继的发射功率固定为P_R，另外，定义为RIS在第一阶段的相位，其中同理，v₂＝[v_2,1,…,v_2,M]为第二阶段的相位，则反射相位约束转换为恒模约束

第一阶段的通信链路包括S-R和S-U，其中S-R是指SN-RIS-中继和SN-中继的复合链路，S-U是指SN-RIS-UAV的反射级联链路，根据(2)中的信道模型，有S-R复合链路的SNR(Signal-to-Noise Ratio，信噪比)为：

其中σ²为噪声功率。S-U反射级联链路的SNR为：

其中因此，由(3)式，第一阶段的中继接收数据的速率为：

由(4)式，第一阶段的UAV接收数据的速率为：

第二阶段的通信链路包括R-U和S-U，其中R-U是指中继-RIS-UAV和中继-UAV的复合链路，S-U是指SN-RIS-UAV的反射级联链路，与第一阶段类似，可得到R-U与S-U的SNR分别为：

其中，因此，第二阶段的UAV接收数据的速率为：

在中继和RIS的协作系统与SN和UAV之间建立LoS链路的通信模型中，假设数据的传输采用无速率编码方式，数据在UAV处以能量累积的形式接收，因此系统的通信速率可表示为：

C＝min{αC_R,1,αC_U,1+(1-α)C_U,2} (10)

值得说明的是，对于上述表达式成立需满足C_R,1≥C_U,1，即γ_SR≥γ_SU1，在实际中，由于UAV在城市上空飞行，受距离影响，上述前提条件一般可成立。

系统的通信速率表达式反映了智能超表面与中继协作系统辅助无人机数据采集速率与中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置之间的关系。

S3:使智能超表面与中继协作系统辅助无人机数据采集速率达到最大值，优化中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置的具体步骤描述如下。

在一个包含两阶段的中继和RIS的协作系统辅助UAV对地面SN进行数据采集的场景下，通过联合优化两阶段中继接收和转发的两阶段的时间分配、RIS的两阶段的相位以及UAV的最优通信位置，最大化智能超表面与中继协作系统辅助无人机数据采集速率。因此，得到如下优化问题：

P1:

s.t.0≤α≤1, (12)

其中，需要优化的变量是中继两阶段的时间分配系数因子α、RIS相位v_i和UAV位置q。

具体地，在求解问题P1时，由于优化目标是优化变量α,v_i,q的耦合，不是凹函数，无法直接求解，恒模约束(13)也难直接处理，因此考虑采用交替优化的方法将原非凸问题分解为三个子问题求解。具体来说，我们需优化四个变量α,v₁,v₂,q，通过给定其中两个变量，优化另一个变量，得到更新的优化变量，通过交替求解，迭代更新所有优化变量，最终逼近最优的解。三个子问题表述如下：

子问题P2：给定UAV位置和RIS相位，优化时间分配系数α；

子问题P3：给定UAV位置和时间分配系数，优化RIS相位v_i；

子问题P4：给定时间分配系数和RIS相位，优化UAV位置q。

具体地，优化时间分配系数α的步骤描述如下。

在给定UAV位置q和RIS相位v_i时，原问题P1可转换为：

P2:

又P2问题是LP(线性规划)问题，令：

由(6)式和(9)式，不难证明：0≤C_U,1≤C_U,2，因此，A₁关于α单调不减，A₂关于α单调不增，而A₁(0)＝0,A₂(0)＝C_U,2,A₁(1)＝C_R,1,A₂(1)＝C_U,1，因此A₁(0)≤A₂(0),A₁(1)≥A₂(1)，最优的时间分配系数α^*应满足A₁(α^*)＝A₂(α^*)，可得到闭式解：

进一步地，优化RIS相位v_i的步骤描述如下。

根据预设的UAV位置q和已优化的时间分配系数因子α，原问题P1可转换为：

P3：

s.t.(13).

其中，可先对第二阶段的RIS相位优化，P3问题可进一步拆分为：

P3.1：

s.t.

由(9)式，有：

其中，t＝1，

而则恒模约束(18)转换为：

应用SDR(半定松弛)方法将秩1约束松弛，则P3.1问题可转换为如下：

P3.2:

s.t.

P3.1问题为凸半定规划问题，可通过凸优化求解器，如CVX工具求解。

一般来说，P3.2一般无法直接得到满足秩1约束的解，即rank(V₂)≠1，这表示P3.2得到的解只是P3.1的一个上界，此时需要通过高斯随机化方法对获得的高秩解，即秩大于1的解进行处理得到所需的秩1的解。

具体来说，首先对得到的高秩解V₂进行特征值分解，即V＝UΣU^H，其中U＝[e₁,...,e_M+1],Σ＝diag(λ₁,...,λ_M+1)，然后生成若干个高斯随机变量r，对应若干个选择使目标函数值最大的作为我们的解构造RIS相位其中[x]_(1:M)表示x的前M个元素组成的向量，以获得第二阶段的相位。

优化求解得到第二阶段的相位后，P3问题可改写为：

P3.3:

s.t.αC_R,1(v₁)≥η, (25)

αC_U,1(v₁)+(1-α)C_U,2≥η, (26)

与第二阶段的优化求解类似，P3.3改写为：

P3.4:

s.t.

其中， t＝1，C_U,2根据给定的UAV位置和上一步P3.1求解的得到。与第二阶段的RIS相位求解类似，P3.4问题为凸半定规划问题，可通过凸优化求解器，如CVX工具得到，此时得到的解一般是高秩的，同样应用高斯随机化方法，可得到第一阶段的相位

总的来说，基于预设的无人机位置和已优化的时间分配系数，通过半定松弛方法，使智能超表面与中继协作系统的通信速率达到最大值的求解转换为凸半定规划问题，依次求解智能超表面在第二阶段和第一阶段的相位。其中，基于预设的无人机位置，求解第二阶段的相位，此时无需使用时间分配系数；进一步地，基于第二阶段求解得到的相位、预设的无人机位置、以及已优化的时间分配系数，求解第一阶段的相位。进一步地，优化UAV位置q的步骤描述如下。

根据已优化的时间分配系数因子α和已优化的RIS两阶段的相位，原问题P1可转换为：

P4:

对于UAV位置的优化，P4可进一步改写为：

P4.1:

根据(6)式和(9)式，UAV位置的改变会同时影响RIS-UAV链路的阵列响应中AoD(离开角)和路径损耗，即φ_IU＝|X_I-x|/d_IU(q)和二者耦合无法直接求解，为此，通过提出“LRO(Limited Region Optimization,有限区域逐次优化)”方法解决此难题。即先给定一个初始的UAV位置q₀，然后在此位置的有限区域内，优化得到局部最优的UAV位置q₁，||q₁-q₀||≤Δ，选择足够小的Δ以使阵列响应的AoD近似不变，因此，在此次迭代中，UAV的位置优化只影响路径损耗量，而阵列响应视为恒定。以此类推，我们以迭代更新的UAV位置的有限区域进一步优化得到局部最优解。对于给定的可行的UAV位置q_l，有限区域约束为：

||q-q_l||≤Δ (35)

此时有：

将其代入(6)式和(9)式，得到：

类似的，有：

因此，P4.1问题可改写为：

P4.2:

s.t.||q-q_l||≤Δ (42)

P4.2问题由于目标函数非凸，无法直接求解，引入松弛变量μ,τ，考虑如下优化问题：

P4.3:

s.t.||q-q_l||≤Δ, (44)

d_IU(q)≤μ, (45)

d_RU(q)≤τ. (46)

注意为使P4.3问题与P4.2问题等价，其最优解需保证约束(45)与(46)均取等。对于P4.3问题，目标函数和约束(45)与(46)均非凸，也无法直接求解，我们采用SCA(Successive Convex Approximation，连续凸逼近)方法，具体来说，我们对目标函数和约束(45)与(46)在{μ_l,τ_l}处求一阶泰勒展开，有：

其中

因此，根据(47)-(50)，P4.3问题可近似为：

P4.4:

s.t.||q-q_l||≤Δ, (52)

P4.4问题为凸优化问题，可通过凸优化求解器(如CVX工具)求解。

故在优化UAV位置时，基于LRO方法，以解决UAV位置变化导致目标函数难求解的问题。通过逐次在小区域求解局部最优的UAV位置，以保证在每次求解中，AoD可看作近似不变。而后，采用SCA方法对非凸问题进行凸近似，不断迭代逼近最优解。具体的迭代过程可参考如下LRO-SCA算法流程：

1.初始化变量{q₀,μ₀,τ₀}，迭代次数l＝0，设置阈值ζ，计算初始目标函数值；

2.由{q_l,μ_l,τ_l}，求解P4.4问题，更新得到{q_l+1,μ_l+1,τ_l+1}；

3.更新迭代次数l＝l+1，更新目标函数值；

4.跳转至步骤2，顺序执行步骤2-3；

5.直到目标函数值的分数增长量小于阈值ζ，结束迭代；

6.输出优化解q。

综上所述，优化中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置的算法流程可描述如下：

1.初始化变量迭代次数r＝0，设置阈值ε，计算初始目标函数值；

2.由给定的求解P2子问题，更新得到α^r+1；

3.由给定的{q^r,α^r+1}，求解P3.2子问题，更新得到

4.由给定的求解P3.4子问题，更新得到

5.由给定的求解P4.4子问题(LRO-SCA算法)，更新得到q^r+1；

6.更新迭代次数r＝r+1，更新目标函数值；

7.跳转至步骤2，顺序执行步骤2-6；

8.直到目标函数值的分数增长量小于阈值ε，结束迭代；

9.输出变量优化解{q,v₁,v₂,α}。

S4:按照优化的中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置，部署智能超表面和中继，使智能超表面、中继与无人机、传感器节点之间建立视距通信链路。

进而部署智能超表面、中继、无人机和传感器节点，使智能超表面、中继与无人机、传感器节点之间建立视距通信链路的步骤包括：

当无人机和传感器节点之间无直接通信链路时，预设传感器节点于建筑物内的地面位置；

使中继位于建筑物外部区域；

结合传感器节点和中继的位置，使至少2个智能超表面垂直放置在建筑物表面；

同时，基于优化的无人机的位置，使智能超表面、中继与无人机、传感器节点之间建立视距通信链路。

本实施例中，垂直放置在建筑物表面的智能超表面的数量范围可以为[145,155]，具体可以为150个。

本实施例基于中继和智能超表面的协作系统，考虑了RIS和中继各自的特点，通过部署RIS和中继的协作系统辅助UAV与地面用户的通信，使得RIS不仅可建立额外的通信链路，还可辅助增强SN或UAV与中继之间的通信，辅助位置可变的无人机与地面传感器节点的通信速率达到最大值，最大程度发挥了中继和智能超表面在通信中的协同辅助作用。解决了在城市复杂环境中无人机采集数据的应用场景下，由于障碍物遮挡导致无人机无法收集地面传感器节点数据的问题；同时，通过优化无人机的位置，可针对不同的信道状态，灵活地改变无人机的位置，以提高通信质量。相比于传统有源中继转发系统，本实施例通过RIS的辅助，显著提高了中继转发的通信速率。例如，在发送信噪比为50dB、反射元件数量为64个的情况下，中继和智能超表面的协作系统相比于传统的中继转发系统，速率提升了4.2dB；相比于一般的仅部署RIS辅助通信的无线系统，通过有源中继的解码转发，可减少RIS所需的元件数量，降低了部署成本。例如，当发送信噪比为30dB时，为实现2bps/Hz的通信速率，RIS和中继协作系统仅需要118个反射元件，而仅RIS辅助的方案则需要196个反射元件来实现。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能超表面与中继的协作系统辅助无人机通信方法。

在一个实施例中，提供了一种计算机可读存储介质，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

S1:基于智能超表面辅助传感器节点将数据发送至中继、无人机的阶段和基于智能超表面辅助中继解码转发数据至无人机的同时，传感器节点通过智能超表面反射信号至无人机的阶段，建立两阶段的传输协议和信道模型；

S2:根据两阶段的传输协议和信道模型，获得智能超表面与中继协作系统辅助无人机数据采集速率与中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置之间的关系；

S3:使智能超表面与中继协作系统辅助无人机数据采集速率达到最大值，优化中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置；

S4:按照优化的中继接收与发送的两阶段的时间分配系数、智能超表面的两阶段的相位和无人机的位置，部署智能超表面和中继，使智能超表面、中继与无人机、传感器节点之间建立视距通信链路。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。