一、论文核心
1、 主要方法
纯方位无源定位模型建立
- 极坐标代数法：在极坐标系下通过正弦定理列出三角方程进行代数求解,。
- 计算几何法：深入发掘“等角对等弦”的几何性质，将定位问题转化为两圆轨迹求交点,。利用旋转矩阵和向量叉积确定圆心，并利用几何对称性避开复杂的联立方程，降低求解难度,,。
最小发射信号无人机需求判定
- 通过量化误差范围（如极径误差 ，极角误差 ）进行分类讨论。
- 采用遍历编号情况的方法，判断夹角误差区间的交集是否为空，以此在编号未知的情况下确定发射信号的无人机编号。
编队调整方案策略
- 带阈值的启发式搜索算法：在算法启发下设计，通过对以后若干层搜索预判来寻找最优决策，克服了深度优先搜索效率低和贪心算法易陷于局部最优（短视性）的缺点。
- 估价函数：使用 L2 loss 函数作为评估标准，提高调整方案的精确度和收敛速度。
复杂编队（锥形）调整
- 预设信号发射顺序：针对多机共线或共圆导致编号难以判断的问题，采取预先设定发射顺序的策略，使接收机通过信号传输次数直接推断编号。
2、 创新点
高效的几何求解技巧
在定位计算中利用几何对称性求解圆弧交点，有效避开了复杂的非线性方程组求解，提高了计算的时效性。
远视的搜索策略
引入带阈值的启发式搜索，通过多层搜索决策树，能够有效避免陷入局部最优解，在全局范围内寻找收敛最快的方案。
针对性的估价优化
选择 L2 loss 作为估价函数，使算法更倾向于优先调整偏离标准位置较远的点，从而显著加快整体编队的收敛速度。
普适性的编号识别策略
在编号难以通过几何信息识别时（如锥形编队），提出“预设发射顺序”和“随机选点”的组合策略，该方法不依赖于编队的具体几何特征，具有很强的推广意义。
3、 不足之处
误差讨论范围有限
模型主要在设定的误差范围内进行讨论，未考虑超出预设误差范围的极端情况，导致其对极端环境的适应性较差。
特定场景收敛较慢
在处理锥形编队（问题二）时，由于采用了预设顺序和避开无法定位点的策略，导致无人机位置收敛到标准位置的速度相对较慢。
基准点选择存在局限
在复杂编队调整中，仅考虑了有限的基准点选择方法，可能无法全面找出调整方案的最优解。
二、方法平替
1、 针对无源定位（解方程与几何问题）
最小二乘法 (Least Squares Method)
当发射信号的无人机数量超过实现定位所需的最小需求（即多于 3 架）时，定位问题会变成超定方程组。此时可以利用最小二乘法，通过最小化观测角度与理论角度之间的残差平方和，获得更具鲁棒性的坐标解。
牛顿迭代法 (Newton’s Method)
来源中提到的代数法涉及复杂的三角函数方程。牛顿迭代法可以作为一种高效的数值解法，通过给定一个初始偏差值（如预期的标准位置），快速迭代收敛到真实的偏差坐标。
2、 针对编队调整（路径规划与决策优化）
遗传算法 (Genetic Algorithm, GA)
模拟退火算法 (Simulated Annealing, SA)
粒子群算法 (Particle Swarm Optimization, PSO)
3、 针对编号识别（模式匹配与概率推断）
贝叶斯推断 (Bayesian Inference)：
在来源 5.2.3 讨论编号识别时，利用的是几何区间的交集。除此之外，也可以利用贝叶斯概率模型，根据接收到的角度信息计算该信号属于各个编号的后验概率，选择概率最大的编号作为识别结果，这在处理包含噪声的信号时可能更有效。
聚类算法 (Clustering Algorithms)：
在处理复杂编队（如问题二的锥形编队）时，如果出现多个候选定位点，可以利用聚类分析来识别哪些点是由于误差产生的伪解，哪些点是真实的目标位置。
三、改进措施
1、误差讨论范围有限的改进方案
问题分析
原论文对误差的讨论以“误差上界较小”为前提，并在解码与选点时显式依赖该范围（例如通过角度落入区间来判别编号、排除误判；锥形编队也给定较小位置误差半径后讨论可收敛性），因此对以下更真实误差形态覆盖不足：
改进A：鲁棒非线性最小二乘（Robust NLS）+ 一致性检验（gating）
核心思想
理论依据：以鲁棒代价函数/最小二乘法替代L2，可在重尾噪声/离群条件下显著提升稳定性；并通过在线估计噪声强度、对离群观测降权，实现“误差增大仍可收敛”的鲁棒管线。类似的“动态噪声自适应 + 基于M估计的离群抑制”已被用于角度类观测算法以增强鲁棒性。
测量模型：设待定位无人机位置为 ，发射机 已知位置为。接收端测得夹角
构造残差（注意角度环绕） 。
用鲁棒损失 最小化：
其中 可由“残差匹配/滑动窗口方差”自适应更新（噪声强度变化时保持稳定）。
可用IRLS（迭代重加权最小二乘）实现：每次迭代根据权函数 更新权重，等价于求解加权高斯–牛顿/LM步长。
伪代码（核心流程）：
Input: anchors S, observed angles α_hat[1..m], init x0, max_iter, gate τ
x ← x0
σ ← init_noise_level()
for t in 1..max_iter:
# 1) compute residuals
for k in 1..m:
r[k] ← wrap(α_hat[k] - α_model(k, x))
# 2) gating (hard rejection) + robust weights (soft)
I_inlier ← { k | |r[k]| < τ }
for k in 1..m:
if k ∈ I_inlier:
w[k] ← robust_weight(r[k]/σ) # e.g., Huber/Tukey
else:
w[k] ← 0
# 3) weighted Gauss-Newton/LM update
J ← jacobian_of_residuals(x, I_inlier)
Δx ← argmin || W^(1/2)(r + JΔx) ||_2^2 + λ||Δx||_2^2
x ← x + Δx
# 4) noise adaptation (optional)
σ ← update_noise_from_residuals(r[I_inlier])
if ||Δx|| < eps: break
return x, inlier_ratio=|I_inlier|/m, σ
2、特定场景收敛较慢的改进方案
问题分析（原因与影响）
原论文在圆形编队中通过启发式搜索得到较少轮次/较少发射架次的方案，但在锥形编队中因共线/共圆引发编号判别困难，采用预设发射顺序后仍需较多轮次才能达到高精度，体现出“特定场景收敛较慢”。
造成收敛慢的机制通常来自三类耦合：
-
可观测性不足与几何退化：仅方位（或夹角）观测在几何退化时信息量骤降，需要平台运动或多站同时观测才能获得必要可观测性；即便采用粒子滤波等方法，往往也面临实时性压力。
-
控制/更新策略“步长固定”：若每轮直接按一次解算到位移动，遇到噪声与偏置会出现震荡或来回修正；若步长过小则轮次增加。
-
选点策略未显式最大化信息增益：启发式搜索以位置误差为估价函数，但未显式度量“下一轮信息量/几何条件数”，导致在退化场景下可能选到“对当前最差点有效但对几何不增益”的组合，从而轮次上升。
改进B：信息驱动的发射机选择 + 阻尼更新（LM/线搜索）以减少“无效轮次”
核心思想
思想：把“选发射机—定位—移动”视为一个闭环优化回路：每轮不仅追求当前误差下降，还追求下一轮几何条件变好。用FIM/CRB近似衡量“该组合观测对位置的敏感度”，以此做组合选择；定位更新采用LM阻尼避免噪声下的震荡。FIM与CRB构造在多源定位/传感器布设中是常用信息准则。
组合选择目标示例（每轮最多选K个圆周发射机）：
为使上述“信息驱动选择”具有可计算的判据，可进一步引入 Fisher Information Matrix（FIM） 与 Cramér–Rao Bound（CRB）。直观上，FIM刻画的是当前观测组合对未知位置参数的区分能力：若观测对位置变化更敏感、几何覆盖更充分，则信息矩阵更优；相应地，CRB给出了无偏估计条件下可达到的理论最小方差下界，因此可作为衡量“该组发射机是否值得选”的代理指标。
换言之，这里引入FIM/CRB，并不是为了展开纯统计推导，而是为了给“发射机组合优劣”提供一个与几何结构、噪声水平直接相关的定量标准。实际应用中，可令 取为、 或 等信息型目标，从而优先选择那些能显著改善后续定位条件的发射机组合。
其中，多参数情形下有
即CRB由Fisher信息矩阵的逆给出。
为便于说明，先从单参数情形出发。设参数是标量，观测密度为。
定义对数似然：
定义得分函数（score function）：
则 Fisher 信息为：
在正则条件下，也可等价写为：