CN107121677A - 基于超宽带认知cppm信号的避障雷达方法及装置 - Google Patents
基于超宽带认知cppm信号的避障雷达方法及装置 Download PDFInfo
- Publication number
- CN107121677A CN107121677A CN201710408129.XA CN201710408129A CN107121677A CN 107121677 A CN107121677 A CN 107121677A CN 201710408129 A CN201710408129 A CN 201710408129A CN 107121677 A CN107121677 A CN 107121677A
- Authority
- CN
- China
- Prior art keywords
- module
- cppm
- signal
- wide band
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000019771 cognition Effects 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000033001 locomotion Effects 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims abstract description 6
- 238000004220 aggregation Methods 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000001149 cognitive effect Effects 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 230000001934 delay Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 210000001367 artery Anatomy 0.000 claims 1
- 238000004080 punching Methods 0.000 claims 1
- 210000003462 vein Anatomy 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 12
- 230000004438 eyesight Effects 0.000 description 5
- 230000004888 barrier function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009545 invasion Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241000557626 Corvus corax Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/933—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
基于超宽带认知CPPM信号的避障雷达产生多路彼此正交、宽频带的CPPM信号,该信号经过发射波束形成模块形成雷达发射信号,通过收/发开关模块由矩形电子扫描阵列天线发射。遇到其他飞行目标发生反射,回波信号由电子扫描阵列天线接收,形成接收信号,由信号采集模块采集。通过接收机匹配滤波模块获得目标的距离‑多普勒信息;通过二维多重信号分类模块获得目标回波幅度、方位角及高度信息。这些信息进入Dirichlet过程混合模型聚类模块进行聚集分类,再经过广义似然比检测模块区分不同目标。单个目标信息被分别送入变点探测模块用于检测目标运动轨迹中的突变点。根据突变点,重新设计CPPM信号的幅度与脉宽,并修正无人机自身的运动轨迹,避免和其他飞行目标碰撞。
Description
技术领域
本发明涉及无人机避障雷达,具体为一种基于超宽带认知混沌脉冲位置调制(chaotic-pulse-position modulation,CPPM)信号的避障雷达,用于帮助无人机探测并区分其他飞机或者障碍物,估测无人机飞行轨迹中的突变点,避免碰撞发生。
背景技术
无人机是指有动力驱动、机上无人驾驶、能携带多种任务设备、执行多种任务并能重复使用的航空飞行器,是一种由无线电遥控设备或自身程序控制装置操纵的不载人飞行器。无人机具有重量轻、尺寸小、机动性高、隐蔽性好、适应性强和不必冒生命危险等特点,在军用和民用领域受到广泛关注。军用上,无人机用于侦察与监视敌方目标、干扰与诱惑敌方火力等;民用上,无人机可用于场区监控、气象侦察、公路巡视、勘探测绘、水灾监控、航空摄影、交通管理和森林救火等。
然而,随着大批量无人机的投入使用,空中交通变得越来越拥挤。此外,由于无人机采用远程操控,不可预料因素太多,致使无人机对有人机或其他无人机的安全带来威胁,其自身飞行参数的测量故障也频频导致坠机事故发生。美军已发生过多起无人机和直升机的碰撞事件,例如2004年11月,美国陆军的一架“大乌鸦”无人机与一架“基奥瓦勇士”直升机于伊拉克上空发生碰撞。如何避免无人机与其他飞机或障碍物碰撞已成为世界各国十分重视的问题。
目前常用的无人机避障技术包括以下几种:1)广播式自动相关监视(IEEEAerosp.Electron.Syst.Mag.,Vol.16,p.27-32,2001):该技术是国际民航组织确定的新一代监视技术,是一种以全球导航卫星系统为基础,利用相关无线通信技术、地面收发设备以及机载收发设备等先进技术,通过高速数据链实现“空-地”、“空-空”交互通信,提供安全高效的航空监视新技术。2)空中防撞系统(18th International Conference on TransportMeans,p.401-401,2014):该系统不依赖于任何陆基空中交通管制系统,可以为各种不同型号飞机提供防撞保护的机载设备。作为一种自动控制系统,它能够帮助飞行员尽快正确识别飞机之间的相对位置,减少飞机空中相撞的危险,并提示机组怎样最好地避让其它飞机。然而,上述两种技术依赖于公开和未加密的传输信号,容易遭受外界电子欺骗和侵略信息的攻击(IEEE Commun.Mag.,Vol.52,p.111-118,2014)。3)各类传感器技术:包括超声波传感器(International Journal of Control,Automation and Systems,Vol.8,p.36-44,2010)、光学传感器(IOP Conference Series:Materials Science and Engineering,Vol.152,2016)、视觉传感器(IEEE Aerosp.Electron.Syst.Mag.,Vol.25,p.36-42.2010)(例如:CCD相机)。其中,超声波技术是在无人机上加装定向超声波发射和接收器,然后将其接入飞行控制系统即可完成距离感知和飞行避障。但是超声波探测波束角过大,再加上环境温度、湿度的影响,测距精度并不理想。此外,该方法还容易受到可闻声波的干扰。光学传感技术是通过结构光投射器向近距离场景投射可控制光点、光条或光面结构,并由图像传感器捕获经过场景调制的图像,通过光学测量系统的几何关系与经典的三角测量原理还原出场景的三维信息。光学传感器容易受到外界的杂光干扰,如城市楼宇光污染、太阳强光灯等。视觉传感器通常直接采集场景的信息,经过复杂的计算整合获得场景的深度信息。该方法是典型的被动式避障方式之一,它模拟人的视觉系统,通过视觉传感器获取外界场景信息,智能化感知外界障碍物并做出相应的路径规划。视觉传感器非常容易受到风、雨、雪、雾、冰雹、白天/黑夜等天气变化的影响。
发明内容
本发明为避免无人机与其他飞行目标发生碰撞,提出了一种基于超宽带认知CPPM信号的避障雷达。该装置可帮助无人机探测并区分其他飞行目标,修正自身运动轨迹,避免碰撞发生。
本发明所述的基于超宽带认知CPPM信号的避障雷达方法是采用如下技术方案实现的:一种基于超宽带认知CPPM信号的避障雷达方法,超宽带多输入多输出CPPM波形设计模块产生多路彼此正交、宽频带的CPPM信号,一部分信号作为参考信号进入信号采集模块,另一部分经过发射波束形成模块形成雷达的发射信号,再通过收/发开关模块由矩形电子扫描阵列天线发射出去;所述超宽带多输入多输出CPPM波形设计模块、收/发开关模块和信号采集模块均由同步时钟模块控制;矩形电子扫描阵列天线发射出去的CPPM探测信号遇到其他飞行目标发生反射,回波信号由矩形电子扫描阵列天线接收,经过接收波束形成模块形成接收信号,再由信号采集模块采集;采集后的参考信号和回波信号进入中央处理模块,一方面通过中央处理模块内设的接收机匹配滤波模块进行相关时延估计,获得目标的距离-多普勒信息;另一方面,通过中央处理模块内设的二维多重信号分类模块获得目标的回波幅度、方位角以及高度信息;幅度、方位角、高度以及距离-多普勒信息进入Dirichlet过程混合模型聚类模块进行聚集分类,再经过广义似然比检测模块区分出不同的目标;单个目标的信息被分别送入变点探测模块用于检测该目标运动轨迹中的突变点;突变点信息被送入避障与导航模块,用于修正无人机自身的运动轨迹,避免和其他飞行目标发生碰撞。
进一步,突变点信息还通过认知CPPM波形设计反馈环路反馈给超宽带多输入多输出CPPM波形设计模块用于CPPM信号的幅度与脉宽的重新设计。
本发明所述的基于超宽带认知CPPM信号的避障雷达装置是采用以下技术方案实现的:一种基于超宽带认知CPPM信号的避障雷达装置,包括用于产生多路彼此正交、宽频带的CPPM信号的超宽带多输入多输出CPPM波形设计模块、发射波束形成模块、收/发开关模块、矩形电子扫描阵列天线、同步时钟模块、接收波束形成模块、信号采集模块和中央处理模块;所述超宽带多输入多输出CPPM波形设计模块的两个信号输出端分别与发射波束形成模块的信号输入端和信号采集模块的一个信号输入端相连接,发射波束形成模块的信号输出端与收/发开关模块的信号输入端相连接,收/发开关模块的信号输入/输出端与矩形电子扫描阵列天线相连接;收/发开关模块的信号输出端与接收波束形成模块的另一个信号输入端相连接,接收波束形成模块的信号输出端与信号采集模块的另一个信号输入端相连接,同步时钟模块的多个输出端分别与收/发开关模块、超宽带多输入多输出CPPM波形设计模块和信号采集模块相连接。信号采集模块的输出端与中央处理模块的信号输入端相连接;所述的中央处理模块包括:接收机匹配滤波模块、二维多重信号分类模块、Dirichlet过程混合模型聚类模块、广义似然比检测模块、变换点探测模块和避障与导航模块;信号采集模块的信号输出端与接收机匹配滤波模块和二维多重信号分类模块相连接,接收机匹配滤波模块和二维多重信号分类模块均与Dirichlet过程混合模型聚类模块相连接,Dirichlet过程混合模型聚类模块顺次与广义似然比检测模块、变换点探测模块相连接,变换点探测模块与超宽带多输入多输出CPPM波形设计模块相连接构成认知CPPM波形设计反馈环路;变换点探测模块还与避障与导航模块连接。
本发明提供的一种基于超宽带认知CPPM信号的避障雷达,与现有无人机避障技术相比,本发明具有以下优点:
一、本发明可全天候工作,不受恶劣天气、温度、湿度和光强变化的影响;
二、本发明不依赖于公开和未加密的传输信号,因此,对于外界电子欺骗和侵略信息的攻击,具有很强的抵抗能力;
三、本发明基于混沌波形的自适应变化,增强了对目标的探测能力;
四、本发明基于Dirichlet过程混合模型聚类模块和变点探测模块,可以在不知道先验目标场景假设的情况下,仅依靠原始数据区分不同的目标,并且估测目标运动轨迹中的突变点。
附图说明
图1是本发明所述雷达装置的结构意图。
图中:1:超宽带多输入多输出CPPM波形设计模块;2:发射波束形成模块;3:收/发开关模块;4:矩形电子扫描阵列天线;5:同步时钟模块;6:接收波束形成模块;7:信号采集模块;8:中央处理模块;8a:接收机匹配滤波模块;8b:二维多重信号分类模块;8c:Dirichlet过程混合模型聚类模块;8d:广义似然比检测模块;8e:变换点探测模块;8f:认知CPPM波形设计反馈环路;8g:避障与导航模块。
具体实施方式
本发明所述的一种基于超宽带认知CPPM信号的避障雷达是采用以下技术方案实现的:一种基于超宽带认知CPPM信号的避障雷达利用超宽带多输入多输出CPPM波形设计模块产生多路彼此正交、宽频带的CPPM信号。一部分信号作为参考信号进入信号采集模块,另一部分经过发射波束形成模块形成雷达的发射信号,再通过收/发开关模块由矩形电子扫描阵列天线发射出去。超宽带多输入多输出CPPM波形设计模块、收/发开关模块和信号采集模块均由同步时钟模块控制。CPPM探测信号遇到其他飞行目标发生反射,回波信号由电子扫描阵列天线接收,经过接收波束形成模块形成接收信号,再由信号采集模块采集。采集后的参考信号和回波信号进入中央处理模块,一方面通过接收机匹配滤波模块进行相关时延估计,获得目标的距离-多普勒信息;另一方面,通过二维多重信号分类模块获得目标回波的幅度、方位角以及高度信息。幅度、方位角、高度以及距离-多普勒信息进入Dirichlet过程混合模型聚类模块进行聚集分类,再经过广义似然比检测模块区分出不同的目标。单个目标的信息被分别送入变点探测模块用于检测该目标运动轨迹中的突变点。突变点信息一方面通过认知CPPM波形设计反馈环路反馈给超宽带多输入多输出CPPM波形设计模块用于CPPM信号的幅度与脉宽的重新设计。另一方面,突变点信息也被送入避障与导航模块,用于修正无人机自身的运动轨迹,避免和其他飞行目标发生碰撞。本发明可帮助无人机探测并区分其他飞行目标,修正自身运动轨迹,避免碰撞的发生。
结合理论分析,对本发明所述的一种基于超宽带认知CPPM信号的多输入多输出无人机避障雷达做具体说明:
超宽带多输入多输出CPPM波形设计模块产生的单路宽频带CPPM信号s(t)如下所示:
其中,ω(t-ti)表示在时间处产生的脉冲波形,Tj+1是第j+1个和第j+2个脉冲之间的时间间隔,t0是初始时刻;时间间隔序列{Tj}处于混沌状态,即Tj+1=f(Tj),f表示混沌映射。以Logistic混沌映射为例,Tj+1=4Tj(1-Tj),T0=0.4。因此,无人机避障雷达发射的M路彼此正交的CPPM信号s(t)为:
s(t)=[s1(t),...,sM(t)] ②
并且满足正交条件:其中ⅡM表示M维单位矩阵。
矩形电子扫描阵列天线接收到的回波信号r(τ,t)为:
其中,t和τ分别表示快时间和慢时间;V=[ν1,...,νM]表示发射波束形成矩阵;(·)H表示共轭转置;表示所选择的接收矩阵的波束导向矢量;表示目标中心在的反射系数;是方位角φn和高度的波束控制矢量。
一方面,CPPM回波信号r(τ,t)和参考信号s(t)经过信号采集模块,进入接收机匹配滤波模块(8a)进行相关时延估计,可以得到匹配滤波结果ci(τ):
其中(·)*表示共轭,i=1,……,M,表示M路正交通道。通过匹配滤波结果ci(τ)可以得到M个通道相对应的距离-多普勒估计。
另一方面,将CPPM回波信号r(τ,t)输入二维多重信号分类模块,通过二维多重信号分类算法,可以获得M个通道的目标回波的幅度、方位角和高度信息。
经过上述两个模块得到的M个通道的目标回波的幅度、方位角、高度信息以及距离-多普勒估计被输入到Dirichlet过程混合模型聚类模块进行聚集分类,再经过广义似然比检测模块区分出不同的目标,具体的数学表达式如下所示:
对于一个特定的正交通道i,假设匹配滤波结果ci(τ)在回波幅度、方位角及高度上服从均值为μn,协方差为σn的多元高斯分布。令ψn={μn,σn},为了能够区分出不同的目标,Dirichlet过程混合模型聚类模块和广义似然比检测模块根据(c1,……,cM)得到相应的后验分布(ψ1,……,ψM)。假设ψn的先验分布为一个随机过程,Dirichlet过程也同样为随机过程。因此,Dirichlet过程混合模型聚类模块有如下表达式:
G~DP(κ,G0),ψn|G~G,cn|ψn~F(·|ψn) ⑤
其中cn~F(·|ψn)表示cn服从高斯分布F(·|ψn),G0是ψ的先验知识,κ是一个正数,代表先验知识和后验分布之间的权重系数。假设ψ-n=(ψ1,……,ψn-1,ψn+1,……,ψM),根据(c1,……,cM)和ψ-n,可以得到ψn的后验分布表达式为:
p(ψn|ψ-n,cn)∝F(cn|ψn)p(ψn|ψ-n) ⑥
继而,使用吉布斯采样器获得ψn的后验分布值为:
如果ψ=ψj,p(ψ|ψ-n)=εF(cn|ψj);
如果ψ≠ψj,p(ψ|ψ-n)=εκq0ζ(cn|ψj); ⑦
其中,ε=1/(κq0+∑j≠nF(cn|ψj)),ζ(cn|ψj)=G0(ψ)F(cn|ψj)/q0,q0=∫G0(ψ)F(cn|ψ)dψ,q0是cn的边缘密度函数,得到ψn的后验分布值可用于区分出不同的目标。
在能区分出不同目标的基础上,对探测到的单个目标进行轨迹跟踪并估测该目标运动轨迹中突变点的发生概率,这便是变点探测模块所要实现的功能,其具体的数学表达式如下所示:
令B(i:j)=(B(i),B(i+1),...,B(j))表示单个目标运动轨迹中从节点i到j的一段。假设B(1:T)被变点δ0,...,δk分为k部分,其中δ0=0,δk=T。对每一部分B((δi+1):δi+1)(i=0,...,k-1),假设一个li阶线性回归模型:
其中,是一个基向量矩阵,Ci是一个参数向量,ò((δi+1):δi+1)是一个独立同分布的随机变量,均值为0,方差为需要获得参数k和{δi:i=0,...,k-1}的最大后验概率估计,假设前一个变点在t-1时发生,那么下一个变点发生的条件概率可以表示为:
其中,Pr(t,t’,q)表示当公式⑧中的模型阶数li为q时,B(t:t’)的条件概率;Q(t)表示当变点在t-1时刻发生时,B(t:T)的条件分布;λ是一个固定参数。给定前一个变点发生的时刻,根据公式⑨可以计算出下一个变点直到最后一个变点发生的条件概率。重复M次这个过程,并累计每一次的结果,以确定一个特定点为突变点,最后将累计结果除以M得到这个突变点的后验概率,即目标在该时刻运动轨迹发生变化的概率。
突变点信息一方面通过认知CPPM波形设计反馈环路反馈给超宽带多输入多输出CPPM波形设计模块用于CPPM信号的幅度与脉宽的重新设计。目标距离变近时,脉冲幅度减小,脉宽变窄即带宽增大;反之,脉冲幅度增大,脉宽变宽即带宽减小。另一方面,突变点信息也被输入给避障与导航模块,用于修正无人机自身的运动轨迹,避免和其他飞行目标发生碰撞。
Claims (4)
1.一种基于超宽带认知CPPM信号的避障雷达方法,其特征在于,超宽带多输入多输出CPPM波形设计模块(1)产生多路彼此正交、宽频带的CPPM信号,一部分信号作为参考信号进入信号采集模块(7),另一部分经过发射波束形成模块(2)形成雷达的发射信号,再通过收/发开关模块(3)由矩形电子扫描阵列天线(4)发射出去;所述超宽带多输入多输出CPPM波形设计模块(1)、收/发开关模块(3)和信号采集模块(7)均由同步时钟模块(5)控制;矩形电子扫描阵列天线(4)发射出去的CPPM探测信号遇到其他飞行目标发生反射,回波信号由矩形电子扫描阵列天线(4)接收,经过接收波束形成模块(6)形成接收信号,再由信号采集模块(7)采集;采集后的参考信号和回波信号进入中央处理模块(8),一方面通过中央处理模块(8)内设的接收机匹配滤波模块(8a)进行相关时延估计,获得目标的距离-多普勒信息;另一方面,通过中央处理模块(8)内设的二维多重信号分类模块(8b)获得目标回波的幅度、方位角以及高度信息;幅度、方位角、高度以及距离-多普勒信息进入Dirichlet过程混合模型聚类模块(8c)进行聚集分类,再经过广义似然比检测模块(8d)区分出不同的目标;单个目标的信息被分别送入变点探测模块(8e)用于检测该目标运动轨迹中的突变点;突变点信息被送入避障与导航模块(8g),用于修正无人机自身的运动轨迹,避免和其他飞行目标发生碰撞。
2.如权利要求1所述的基于超宽带认知CPPM信号的避障雷达方法,其特征在于,突变点信息还通过认知CPPM波形设计反馈环路(8f)反馈给超宽带多输入多输出CPPM波形设计模块(1)用于CPPM信号的幅度与脉宽的重新设计。
3.如权利要求2所述的基于超宽带认知CPPM信号的避障雷达方法,其特征在于,超宽带多输入多输出CPPM波形设计模块(1)产生的单路宽频带CPPM信号s(t)如下所示:
其中,ω(t-ti)表示在时间处产生的脉冲波形,Tj+1是第j+1个和第j+2个脉冲之间的时间间隔,t0是初始时刻;时间间隔序列{Tj}处于混沌状态,即Tj+1=f(Tj),f表示混沌映射;无人机避障雷达发射的M路彼此正交的CPPM信号s(t)为:
s(t)=[s1(t),...,sM(t)] ②
并且满足正交条件:其中ⅡM表示M维单位矩阵;
矩形电子扫描阵列天线(4)接收到的回波信号r(τ,t)为:
其中,t和τ分别表示快时间和慢时间;V=[ν1,...,νM]表示发射波束形成矩阵;(·)H表示共轭转置;表示所选择的接收矩阵的波束导向矢量;表示目标中心在的反射系数;是方位角φn和高度的波束控制矢量;
一方面,CPPM回波信号r(τ,t)和参考信号s(t)经过信号采集模块(7),进入接收机匹配滤波模块(8a)进行相关时延估计,可以得到匹配滤波结果ci(τ):
其中(·)*表示共轭,i=1,......,M,表示M路正交通道;通过匹配滤波结果ci(τ)可以得到M个通道相对应的距离-多普勒估计;
另一方面,将CPPM回波信号r(τ,t)输入二维多重信号分类模块(8b),通过二维多重信号分类算法,可以获得M个通道的目标回波的幅度、方位角和高度信息;
经过上述两个模块得到的M个通道的目标回波的幅度、方位角、高度信息以及距离-多普勒估计被输入到Dirichlet过程混合模型聚类模块(8c)进行聚集分类,再经过广义似然比检测模块(8d)区分出不同的目标,数学表达式如下所示:
对于一个特定的正交通道i,假设匹配滤波结果ci(τ)在回波幅度、方位角及高度上服从均值为μn,协方差为σn的多元高斯分布;令ψn={μn,σn},为了能够区分出不同的目标,Dirichlet过程混合模型聚类模块(8c)和广义似然比检测模块(8d)根据(c1,......,cM)得到相应的后验分布(ψ1,......,ψM);假设ψn的先验分布为一个随机过程,Dirichlet过程也同样为随机过程;因此,Dirichlet过程混合模型聚类模块(8c)有如下表达式:
G~DP(κ,G0),ψn|G~G,cn|ψn~F(·|ψn) ⑤
其中cn~F(·|ψn)表示cn服从高斯分布F(·|ψn),G0是ψ的先验知识,κ是一个正数,代表先验知识和后验分布之间的权重系数;假设ψ-n=(ψ1,......,ψn-1,ψn+1,......,ψM),根据(c1,......,cM)和ψ-n,可以得到ψn的后验分布表达式为:
p(ψn|ψ-n,cn)∝F(cn|ψn)p(ψn|ψ-n) ⑥
继而,使用吉布斯采样器获得ψn的后验分布值为:
如果ψ=ψj,p(ψ|ψ-n)=εF(cn|ψj);
如果ψ≠ψj,p(ψ|ψ-n)=εκq0ζ(cn|ψj); ⑦
其中ε=1/(κq0+∑j≠nF(cn|ψj)),ζ(cn|ψj)=G0(ψ)F(cn|ψj)/q0,q0=∫G0(ψ)F(cn|ψ)dψ,q0是cn的边缘密度函数,得到ψn的后验分布值可用于区分出不同的目标;
在能区分出不同目标的基础上,对探测到的单个目标进行轨迹跟踪并估测该目标运动轨迹中突变点的发生概率,这便是变点探测模块(8e)所要实现的功能,其数学表达式如下所示:
令B(i:j)=(B(i),B(i+1),...,B(j))表示单个目标运动轨迹中从节点i到j的一段;假设B(1:T)被变点δ0,...,δk分为k部分,其中δ0=0,δk=T;对每一部分B((δi+1):δi+1)(i=0,...,k-1),假设一个li阶线性回归模型:
其中,是一个基向量矩阵,Ci是一个参数向量,ò((δi+1):δi+1)是一个独立同分布的随机变量,均值为0,方差为需要获得参数k和{δi:i=0,...,k-1}的最大后验概率估计,假设前一个变点在t-1时发生,那么下一个变点发生的条件概率可以表示为:
其中,Pr(t,t’,q)表示当公式⑧中的模型阶数li为q时,B(t:t’)的条件概率;Q(t)表示当变点在t-1时刻发生时,B(t:T)的条件分布;λ是一个固定参数;给定前一个变点发生的时刻,根据公式⑨可以计算出下一个变点直到最后一个变点发生的条件概率;重复M次这个过程,并累计每一次的结果,以确定一个特定点为突变点,最后将累计结果除以M得到这个突变点的后验概率,即目标在该时刻运动轨迹发生变化的概率;
突变点信息通过认知CPPM波形设计反馈环路(8f)反馈给超宽带多输入多输出CPPM波形设计模块(1)用于CPPM信号的幅度与脉宽的重新设计;目标距离变近时,脉冲幅度减小,脉宽变窄即带宽增大;反之,脉冲幅度增大,脉宽变宽即带宽减小;另一方面,突变点信息也被输入给避障与导航模块(8g),用于修正无人机自身的运动轨迹,避免和其他飞行目标发生碰撞。
4.一种基于超宽带认知CPPM信号的避障雷达装置,用于实现如权利要求2所述的方法,其特征在于,包括用于产生多路彼此正交、宽频带的CPPM信号的超宽带多输入多输出CPPM波形设计模块(1)、发射波束形成模块(2)、收/发开关模块(3)、矩形电子扫描阵列天线(4)、同步时钟模块(5)、接收波束形成模块(6)、信号采集模块(7)和中央处理模块(8);所述超宽带多输入多输出CPPM波形设计模块(1)的两个信号输出端分别与发射波束形成模块(2)的信号输入端和信号采集模块(7)的一个信号输入端相连接,发射波束形成模块(2)的信号输出端与收/发开关模块(3)的信号输入端相连接,收/发开关模块(3)的信号输入/输出端与矩形电子扫描阵列天线(4)相连接;收/发开关模块(3)的信号输出端与接收波束形成模块(6)的另一个信号输入端相连接,接收波束形成模块(6)的信号输出端与信号采集模块(7)的另一个信号输入端相连接,同步时钟模块(5)的多个输出端分别与收/发开关模块(3)、超宽带多输入多输出CPPM波形设计模块(1)和信号采集模块(7)相连接。信号采集模块(7)的输出端与中央处理模块(8)的信号输入端相连接;所述的中央处理模块(8)包括:接收机匹配滤波模块(8a)、二维多重信号分类模块(8b)、Dirichlet过程混合模型聚类模块(8c)、广义似然比检测模块(8d)、变换点探测模块(8e)和避障与导航模块(8g);信号采集模块(7)的信号输出端与接收机匹配滤波模块(8a)和二维多重信号分类模块(8b)相连接,接收机匹配滤波模块(8a)和二维多重信号分类模块(8b)均与Dirichlet过程混合模型聚类模块(8c)相连接,Dirichlet过程混合模型聚类模块(8c)顺次与广义似然比检测模块(8d)和变换点探测模块(8e)相连接,变换点探测模块(8e)与超宽带多输入多输出CPPM波形设计模块(1)相连接构成认知CPPM波形设计反馈环路(8f);变换点探测模块(8e)还与避障与导航模块(8g)连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710408129.XA CN107121677B (zh) | 2017-06-02 | 2017-06-02 | 基于超宽带认知cppm信号的避障雷达方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710408129.XA CN107121677B (zh) | 2017-06-02 | 2017-06-02 | 基于超宽带认知cppm信号的避障雷达方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107121677A true CN107121677A (zh) | 2017-09-01 |
CN107121677B CN107121677B (zh) | 2019-10-11 |
Family
ID=59729554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710408129.XA Active CN107121677B (zh) | 2017-06-02 | 2017-06-02 | 基于超宽带认知cppm信号的避障雷达方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107121677B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646570A (zh) * | 2018-07-11 | 2018-10-12 | 东北大学 | 一种改进极点配置的混沌轨迹跟踪方法 |
CN111045008A (zh) * | 2020-01-15 | 2020-04-21 | 深圳市华讯方舟微电子科技有限公司 | 基于展宽计算的车载毫米波雷达目标识别方法 |
CN111175753A (zh) * | 2020-02-24 | 2020-05-19 | 四川九洲电器集团有限责任公司 | 一种车载防撞雷达分波目标探测方法 |
US20210256321A1 (en) * | 2020-02-14 | 2021-08-19 | Ford Global Technologies, Llc | Enhanced object detection with clustering |
CN113406435A (zh) * | 2021-06-17 | 2021-09-17 | 太原理工大学 | 一种基于混沌同步的电缆故障快速无损定位装置 |
CN113567974A (zh) * | 2021-06-22 | 2021-10-29 | 太原理工大学 | 基于cppwm-mimo雷达的多生命体智能检测装置及方法 |
CN113671510A (zh) * | 2021-07-16 | 2021-11-19 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种基于氧气吸收的飞行器轨迹红外探测方法及系统 |
WO2021232359A1 (zh) * | 2020-05-21 | 2021-11-25 | 深圳市大疆创新科技有限公司 | 控制方法、控制装置、可移动平台与计算机可读存储介质 |
US20230069488A1 (en) * | 2021-08-30 | 2023-03-02 | Rockwell Collins, Inc. | Technique for post-correlation beamforming |
CN115840223A (zh) * | 2023-02-15 | 2023-03-24 | 成都熵泱科技有限公司 | 一种可识别目标属性的无人机探测系统及方法 |
CN116415161A (zh) * | 2023-04-17 | 2023-07-11 | 中交第四航务工程局有限公司 | 一种串状溶洞地质钻孔探测与不同物理波探测数据的拟合互补方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006088599A1 (en) * | 2005-01-19 | 2006-08-24 | The Charles Stark Draper Laboratory, Inc. | Systems and methods for positioning using multipath signals |
CN101354438A (zh) * | 2008-08-28 | 2009-01-28 | 阮树成 | 毫米波时分线性调频多目标检测汽车防撞雷达 |
CN102680962A (zh) * | 2012-05-18 | 2012-09-19 | 天津大学 | 宽带认知被动雷达系统架构设计方法 |
CN105912027A (zh) * | 2016-06-30 | 2016-08-31 | 西安交通大学 | 一种无人机避障装置及避障方法 |
CN107076826A (zh) * | 2016-11-15 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 超宽带测距方法和设备、避障方法以及避障设备 |
CN107765220A (zh) * | 2017-09-20 | 2018-03-06 | 武汉木神机器人有限责任公司 | 基于uwb和激光雷达混合定位的行人跟随系统及方法 |
CN108614563A (zh) * | 2018-06-12 | 2018-10-02 | 北京康力优蓝机器人科技有限公司 | 一种通过定位导航实现移动机器人目标跟随的方法 |
-
2017
- 2017-06-02 CN CN201710408129.XA patent/CN107121677B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006088599A1 (en) * | 2005-01-19 | 2006-08-24 | The Charles Stark Draper Laboratory, Inc. | Systems and methods for positioning using multipath signals |
CN101354438A (zh) * | 2008-08-28 | 2009-01-28 | 阮树成 | 毫米波时分线性调频多目标检测汽车防撞雷达 |
CN102680962A (zh) * | 2012-05-18 | 2012-09-19 | 天津大学 | 宽带认知被动雷达系统架构设计方法 |
CN105912027A (zh) * | 2016-06-30 | 2016-08-31 | 西安交通大学 | 一种无人机避障装置及避障方法 |
CN107076826A (zh) * | 2016-11-15 | 2017-08-18 | 深圳市大疆创新科技有限公司 | 超宽带测距方法和设备、避障方法以及避障设备 |
CN107765220A (zh) * | 2017-09-20 | 2018-03-06 | 武汉木神机器人有限责任公司 | 基于uwb和激光雷达混合定位的行人跟随系统及方法 |
CN108614563A (zh) * | 2018-06-12 | 2018-10-02 | 北京康力优蓝机器人科技有限公司 | 一种通过定位导航实现移动机器人目标跟随的方法 |
Non-Patent Citations (1)
Title |
---|
周凯等: "面向超宽带雷达系统的CPPM微波源设计与实现", 《电子器件》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646570B (zh) * | 2018-07-11 | 2021-06-01 | 东北大学 | 一种改进极点配置的混沌轨迹跟踪方法 |
CN108646570A (zh) * | 2018-07-11 | 2018-10-12 | 东北大学 | 一种改进极点配置的混沌轨迹跟踪方法 |
CN111045008A (zh) * | 2020-01-15 | 2020-04-21 | 深圳市华讯方舟微电子科技有限公司 | 基于展宽计算的车载毫米波雷达目标识别方法 |
US20210256321A1 (en) * | 2020-02-14 | 2021-08-19 | Ford Global Technologies, Llc | Enhanced object detection with clustering |
US11586862B2 (en) * | 2020-02-14 | 2023-02-21 | Ford Global Technologies, Llc | Enhanced object detection with clustering |
CN111175753A (zh) * | 2020-02-24 | 2020-05-19 | 四川九洲电器集团有限责任公司 | 一种车载防撞雷达分波目标探测方法 |
CN111175753B (zh) * | 2020-02-24 | 2021-08-17 | 四川九洲电器集团有限责任公司 | 一种车载防撞雷达分波目标探测方法 |
WO2021232359A1 (zh) * | 2020-05-21 | 2021-11-25 | 深圳市大疆创新科技有限公司 | 控制方法、控制装置、可移动平台与计算机可读存储介质 |
CN113406435A (zh) * | 2021-06-17 | 2021-09-17 | 太原理工大学 | 一种基于混沌同步的电缆故障快速无损定位装置 |
CN113567974B (zh) * | 2021-06-22 | 2023-11-03 | 太原理工大学 | 基于cppwm雷达的多生命体智能检测装置及方法 |
CN113567974A (zh) * | 2021-06-22 | 2021-10-29 | 太原理工大学 | 基于cppwm-mimo雷达的多生命体智能检测装置及方法 |
CN113671510A (zh) * | 2021-07-16 | 2021-11-19 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种基于氧气吸收的飞行器轨迹红外探测方法及系统 |
US20230069488A1 (en) * | 2021-08-30 | 2023-03-02 | Rockwell Collins, Inc. | Technique for post-correlation beamforming |
US11929798B2 (en) * | 2021-08-30 | 2024-03-12 | Rockwell Collins, Inc. | Technique for post-correlation beamforming |
CN115840223A (zh) * | 2023-02-15 | 2023-03-24 | 成都熵泱科技有限公司 | 一种可识别目标属性的无人机探测系统及方法 |
CN116415161A (zh) * | 2023-04-17 | 2023-07-11 | 中交第四航务工程局有限公司 | 一种串状溶洞地质钻孔探测与不同物理波探测数据的拟合互补方法 |
CN116415161B (zh) * | 2023-04-17 | 2023-09-08 | 中交第四航务工程局有限公司 | 一种串状溶洞地质钻孔探测与不同物理波探测数据的拟合互补方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107121677B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107121677B (zh) | 基于超宽带认知cppm信号的避障雷达方法及装置 | |
Patole et al. | Automotive radars: A review of signal processing techniques | |
CN105070005B (zh) | 一种多旋翼无人飞行器及遥测遥控方法 | |
US20190339384A1 (en) | System and method of radar-based obstacle avoidance for unmanned aerial vehicles | |
US7068210B1 (en) | Low-cost position-adaptive UAV radar design with state-of-the-art cots technology | |
CN104656663A (zh) | 一种基于视觉的无人机编队感知与规避方法 | |
US20100204867A1 (en) | Collision avoidance system and method | |
JP6706041B2 (ja) | 展開可能空中センサアレイシステムおよび使用方法 | |
US9435635B1 (en) | System and methods of detecting an intruding object in a relative navigation system | |
US6670920B1 (en) | System and method for single platform, synthetic aperture geo-location of emitters | |
CN1279878A (zh) | 用于检测大气气象条件的方法 | |
EP3747000B1 (en) | Proximity navigation of unmanned vehicles | |
CN108803667A (zh) | 一种无人机协同监测与跟踪方法 | |
Meshcheryakov et al. | An application of swarm of quadcopters for searching operations | |
Radišić et al. | Challenges and solutions for urban UAV operations | |
CN112083420B (zh) | 一种无人机防撞方法、装置及无人机 | |
CN105044721A (zh) | 机载正前视扫描雷达角超分辨方法 | |
Wang et al. | Integrating ground surveillance with aerial surveillance for enhanced amateur drone detection | |
Sadovskis et al. | Modern methods for UAV detection, classification, and tracking | |
González et al. | Vision-based UAV detection for air-to-air neutralization | |
RU2615988C1 (ru) | Способ и комплекс барьерного зенитного радиолокационного обнаружения малозаметных летательных аппаратов на базе сетей сотовой связи стандарта gsm | |
Li et al. | Research on the intelligent obstacle avoidance and path planning strategy of UAV based on multi-sensor fusion | |
Teng | Fundamental aspects of netted radar performance | |
Sedunov et al. | Long-term testing of acoustic system for tracking low-flying aircraft | |
Yang et al. | Architecture and challenges for low-altitude security system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |