CN107743299B - 面向无人机机载移动传感器网络的一致性信息滤波算法 - Google Patents

面向无人机机载移动传感器网络的一致性信息滤波算法 Download PDF

Info

Publication number
CN107743299B
CN107743299B CN201710807485.9A CN201710807485A CN107743299B CN 107743299 B CN107743299 B CN 107743299B CN 201710807485 A CN201710807485 A CN 201710807485A CN 107743299 B CN107743299 B CN 107743299B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
information
moving target
matrix
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.)
Active
Application number
CN201710807485.9A
Other languages
English (en)
Other versions
CN107743299A (zh
Inventor
胡超芳
陶晔
曹磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201710807485.9A priority Critical patent/CN107743299B/zh
Publication of CN107743299A publication Critical patent/CN107743299A/zh
Application granted granted Critical
Publication of CN107743299B publication Critical patent/CN107743299B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • 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
    • G05D1/0094—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots involving pointing a payload, e.g. camera, weapon, sensor, towards a fixed or moving target
    • 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
    • G05D1/12—Target-seeking control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Hall/Mr Elements (AREA)

Abstract

本发明公开了一种面向无人机机载移动传感器网络的一致性信息滤波算法：构建地面移动目标运动模型和无人机机载传感器测量模型；采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；基于无人机通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；根据一致性处理结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。本发明在信息滤波基础上，降低滤波估计的计算量，提高计算精度，并且考虑无人机不同融合中心的一致性问题，适用于在运动过程中对移动目标的状态估计。

Description

面向无人机机载移动传感器网络的一致性信息滤波算法
技术领域
本发明属于目标估计领域，更具体的说，是涉及一种面向无人机机载移动传感器网络的一致性信息滤波算法。
背景技术
无人机，顾名思义，无人驾驶飞机，以其良好的安全性、适应性、灵活性，有效地代替了人力去执行一些机械重复性的或危机人身安全的工作，在工业、农业、军事等行业都有广泛应用。如环境监视、协航护卫、城市作战、海上搜救、森林灭火、农药喷洒、电线检修、快递分拣配送等等。综合分析所有类型无人机的工作过程可以得知，大多的无人机都是在给定航线的基础上进行飞行控制，从而完成不同类型的任务。但是当无人机用于对未知目标的追踪、打击以及对抗任务中时，无人机在进行飞行控制前，需要对目标进行准确的识别，目标识别的精度和准确度对无人机任务的执行具有至关重要的影响。
考虑到无人机受到机载传感器视野和自身机动性的影响，为了提高目标定位的精度和任务执行的成功率，多无人机协同控制受到了越来越广泛得研究。多无人机的协同控制可以有效地扩大无人机的视野和工作区域，具有更大的覆盖度和机动性。因此如何有效利用不同无人机的自身信息和测量信息，实现未知目标的准确估计是一个重要的研究问题，并且需要考虑不同无人机之间的目标估计一致性问题。此外，多无人机的机载传感器组成了一个动态的移动传感器网络，随着无人机的运动，传感器网络也在实时运动，并且由于无人机需要实时快速的运动控制，目标估计算法也需要满足一定高效性。因此鉴于传感器网络的移动性，无人机之间的通信性能，在尽量降低通信负担和计算负担的基础上，对移动传感器网络的一致性融合估计算法进行研究具有重要的理论意义和实用价值。
发明内容
本发明的目的是为了克服现有技术中的不足，提供了一种面向无人机机载移动传感器网络的一致性信息滤波算法，在信息滤波的基础上，降低滤波估计的计算量，提高计算精度，并且考虑无人机不同融合中心的一致性问题。
本发明的目的是通过以下技术方案实现的。
本发明的面向无人机机载移动传感器网络的一致性信息滤波算法，包括以下步骤：
步骤一，构建地面移动目标运动模型和无人机机载传感器测量模型；
步骤二，采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；
步骤三，一致性算法：基于无人机的通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；
步骤四，状态更新：根据一致性处理的结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。
步骤一中所述地面移动目标运动模型为：
Figure GDA0002674399100000021
其中，xt,
Figure GDA0002674399100000022
yt,
Figure GDA0002674399100000023
分别表示地面移动目标x,y方向的位置、速度、加速度；α为模型参数，ω(t)表示过程噪声，其协方差矩阵为：
Figure GDA0002674399100000024
其中，σa是与目标加速度有关的标准差参数；
所述地面移动目标运动模型的离散形式为：
Figure GDA0002674399100000025
其中，
Figure GDA0002674399100000031
I是单位矩阵，Ts是采样时间，k表示k时刻，
Figure GDA0002674399100000032
步骤一中所述无人机机载传感器测量模型为：
Figure GDA0002674399100000033
其中，rk,φk,
Figure GDA0002674399100000034
分别为k时刻无人机机载传感器与地面移动目标间的距离、水平方位角及俯仰角，xk,yk,hk表示k时刻无人机机载传感器的水平位置和高度，vk表示测量噪声，其协方差矩阵为：
Figure GDA0002674399100000035
其中，
Figure GDA0002674399100000036
分别表示距离、水平方位角及俯仰角三个测量值的噪声参数。
步骤二中所述平方根容积信息滤波的具体过程为：
A：预测更新
首先，取2n个加权相同的对称的容积点：
Figure GDA0002674399100000037
其中，n是地面移动目标状态量
Figure GDA0002674399100000038
的维数，Sx,k-1|k-1为Pk-1|k-1的平方根，Pk-1|k-1是k-1时刻的估计误差协方差矩阵，
Figure GDA0002674399100000039
为k-1时刻地面移动目标状态的最优估计值，ξi的取值如下：
Figure GDA0002674399100000041
其中，ei表示单位矩阵的第i列分量。
基于2n个容积点以及地面移动目标运动模型的离散形式，得到k时刻的地面移动目标状态容积点预测值：
Figure GDA0002674399100000042
其中，F＝I+TsF0；
从而计算地面移动目标状态向量的预测值和估计误差协方差矩阵平方根的预测值：
Figure GDA0002674399100000043
Figure GDA0002674399100000044
其中，
Figure GDA0002674399100000045
SQ为Qk的平方根，Qk＝Ts 2Qω，qr代表QR分解；
计算信息矩阵和信息向量的预测值：
Figure GDA0002674399100000046
Figure GDA0002674399100000047
B：测量更新
按相同的方法取2n个容积点用于测量更新：
Figure GDA0002674399100000048
基于2n个容积点以及无人机机载传感器测量模型得到k时刻测量值的容积点预测值：
Zi,k|k-1＝fh(Xi,k|k-1)
计算无人机机载传感器测量值的预测值：
Figure GDA0002674399100000049
计算地面移动目标状态向量预测值和无人机机载传感器测量值预测值之间的互协方差矩阵
Figure GDA0002674399100000051
其中，
Figure GDA0002674399100000052
Figure GDA0002674399100000053
信息增量矩阵的平方根和信息向量增量分别为：
Figure GDA0002674399100000054
Figure GDA0002674399100000055
其中，
Figure GDA0002674399100000056
表示的是k时刻无人机机载传感器测量值，SR为Rv的平方根；则信息增量矩阵为：
Figure GDA0002674399100000057
步骤三中所述对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理如下：
Figure GDA0002674399100000058
其中，πj,l是与无人机通信拓扑结构相关的连通性系数，j＝1,...,N，l＝1,...,N，N为无人机的数量；
通过系数β进行调节，得到第j架无人机的一致性滤波估计结果：
Figure GDA0002674399100000059
β取值范围为[1,N]，一般可取N/2。
步骤四中所述地面移动目标状态向量的估计值为：
Figure GDA00026743991000000510
估计误差协方差矩阵为：
Figure GDA0002674399100000061
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明在地面移动目标运动模型、无人机机载传感器测量模型已知的情况下，利用无人机的机载传感器，采用平方根容积信息滤波算法，对地面移动目标的位置、速度等状态进行估计，有效降低滤波估计的计算量，满足无人机在线实时控制的高性能要求，并基于无人机机载传感器网络拓扑结构对多架无人机的估计值进行一致性处理，提高目标估计的精度，从而有利于无人机跟踪、侦查等相关任务的执行。
附图说明
图1是本发明算法的流程图；
图2是地面移动目标运动轨迹；
图3是四架无人机运动轨迹；
图4是无人机通信拓扑结构图，连接线表示两架无人机可以进行信息交互；
图5中的曲线为四架无人机对地面移动目标的估计值；
图6是四架无人机对地面移动目标估计的位置误差；
图7是四架无人机对地面移动目标位置估计的一致性误差。
具体实施方式
下面结合附图对本发明作进一步的描述。
无线传感器网络的相关研究大多在通信领域进行，包括路由协议、故障处理、路由安全等。在控制领域也有一定的研究成果，通常都是以固定的传感器的网络结构对移动目标进行估计，并且只考虑噪声问题。而在无人机对地面移动目标的追踪过程中，由于无人机的位置、状态实时变化，移动目标的估计过程会变得更加复杂。并且考虑到无人机的分布式控制，每架无人机均以自身为融合中心进行估计，由于传感器和无人机自身的影响，不同的融合中心之间必然存在一定的差异，为了减低不同融合中心之间的偏差给无人机控制带来的影响，目标估计值的一致性处理也十分重要。
考虑到常规传感器网络目标估计中存在的问题，包括单个传感器滤波估计计算负担，固定传感器结构的局限性等，本发明在地面移动目标运动模型、无人机机载传感器测量模型已知的情况下，利用无人机的机载传感器，采用平方根容积信息滤波算法，对地面移动目标的位置、速度等状态进行估计，有效降低滤波估计的计算量，满足无人机在线实时控制的高性能要求，并基于无人机机载传感器网络拓扑结构对多架无人机的估计值进行一致性处理，提高目标估计的精度，从而有利于无人机跟踪、侦查等相关任务的执行。
本发明的面向无人机机载移动传感器网络的一致性信息滤波算法，用于无人机对地面移动目标跟踪过程中的目标估计。如图1所示，具体过程如下：
(一)构建地面移动目标运动模型和无人机机载传感器测量模型。
首先，给出地面移动目标运动模型。通常大部分目标跟踪滤波算法都应用于跟踪高空目标，例如飞机、导弹等。尽管地面目标比空中目标的速度慢的多，但它们通常具有更加无规律的急停、启动等机动动作，同时具有更小的转弯半径。此时，广泛应用于高空目标跟踪的恒定速度运动模型对地面移动目标的跟踪问题就不再适用。因此，通过对目标轨迹和运动状态进行分析，可以选用更符合实际情况的加速度模型或加速度导数模型。本发明中采用加速度模型作为地面移动目标运动模型，对地面移动目标进行跟踪。
Figure GDA0002674399100000071
其中，xt,
Figure GDA0002674399100000072
yt,
Figure GDA0002674399100000073
分别表示地面移动目标x,y方向的位置、速度、加速度；α为模型参数，ω(t)表示过程噪声，其协方差矩阵为：
Figure GDA0002674399100000074
其中，σa是与目标加速度有关的标准差参数。
为了将地面移动目标运动模型应用于信息滤波算法中，需要对其进行离散化。在此，使用前向差分进行简单处理，采样时间为Ts，则地面移动目标运动模型的离散形式为：
Figure GDA0002674399100000081
其中，
Figure GDA0002674399100000082
I是单位矩阵，k表示k时刻，
Figure GDA0002674399100000083
其次，给出无人机机载传感器测量模型：
Figure GDA0002674399100000084
其中，rk,φk,
Figure GDA0002674399100000085
分别为k时刻无人机机载传感器与地面移动目标间的距离、水平方位角及俯仰角，xk,yk,hk表示k时刻无人机机载传感器的水平位置和高度，vk表示测量噪声，其协方差矩阵为：
Figure GDA0002674399100000086
其中，
Figure GDA0002674399100000087
分别表示距离、水平方位角及俯仰角三个测量值的噪声参数。
(二)采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵。
随着分布式控制的广泛应用，信息滤波以其在融合估计问题中计算的直观性和简单性逐渐取代了卡尔曼滤波，而且信息滤波不需要系统的先验状态。容积滤波通过球面径向容积准则，利用容积点解决非线性贝叶斯滤波中的多元微分问题。容积滤波与sigma点滤波有一定相似之处，均利用一系列与状态维数相适应的确定点通过非线性变换近似计算随机变量的均值和协方差，但容积滤波的调节参数更少，计算相对更加简单。而将平方根滤波的引入可以有效地避免传统滤波中的矩阵平方根运算和求逆运算，提高矩阵运算的准确度、精度。
首先，给出卡尔曼滤波的信息形式，即信息滤波，以Fisher信息矩阵Yk|k和信息状态向量
Figure GDA0002674399100000091
表示
Figure GDA0002674399100000092
Figure GDA0002674399100000093
其中，
Figure GDA0002674399100000094
Pk|k分别表示k时刻的状态估计值和估计误差协方差矩阵。
在传统的sigma点滤波中，矩阵的平方根是利用Cholesky分解求得的，即，若S为P的平方根，则S＝chol(P)T，其中S是一个下三角矩阵，满足P＝SST。为了进一步减低计算量，文中使用QR分解对Cholesky分解进行代替，即如果已知P＝AAT，则平方根S可利用A由QR分解得到。利用QR分解得AT＝QR，其中
Figure GDA0002674399100000095
是一个正交矩阵，
Figure GDA0002674399100000096
是一个上三角矩阵，且N≥L，取R的三角部分为
Figure GDA0002674399100000097
那么
Figure GDA0002674399100000098
下面给出平方根容积信息滤波的具体过程：
A：预测更新
首先，取2n个加权相同的对称的容积点：
Figure GDA0002674399100000099
其中，n是地面移动目标状态量
Figure GDA00026743991000000910
的维数，Sx,k-1|k-1为Pk-1|k-1的平方根，Pk-1|k-1是k-1时刻的估计误差协方差矩阵，
Figure GDA00026743991000000911
为k＝1时刻地面移动目标状态的最优估计值，ξi的取值如下：
Figure GDA0002674399100000101
其中，ei表示单位矩阵的第i列分量。
基于2n个容积点以及地面移动目标运动模型的离散形式，得到k时刻的地面移动目标状态容积点预测值：
Figure GDA0002674399100000102
其中，F＝I+TsF0。
从而计算地面移动目标状态向量的预测值和估计误差协方差矩阵平方根的预测值：
Figure GDA0002674399100000103
Figure GDA0002674399100000104
其中，
Figure GDA0002674399100000105
SQ为Qk的平方根，Qk＝Ts 2Qω，qr代表QR分解。
计算信息矩阵和信息向量的预测值：
Figure GDA0002674399100000106
Figure GDA0002674399100000107
B：测量更新
按相同的方法(即取加权相同的对称的容积点)取2n个容积点用于测量更新：
Figure GDA0002674399100000108
基于2n个容积点以及无人机机载传感器测量模型得到k时刻测量值的容积点预测值：
Zi,k|k-1＝fh(Xi,k|k-1) (17)
计算无人机机载传感器测量值的预测值：
Figure GDA0002674399100000111
计算地面移动目标状态向量预测值和无人机机载传感器测量值预测值之间的互协方差矩阵：
Figure GDA0002674399100000112
其中，
Figure GDA0002674399100000113
Figure GDA0002674399100000114
信息增量矩阵的平方根和信息向量增量分别为：
Figure GDA0002674399100000115
Figure GDA0002674399100000116
其中，
Figure GDA0002674399100000117
表示的是k时刻无人机机载传感器测量值，SR为Rv的平方根。
则信息增量矩阵为：
Figure GDA0002674399100000118
(三)一致性算法
在对目标状态进行估计时，首先依据每架无人机的测量数据进行上述平方根容积信息滤波处理，得到每架无人机信息滤波的相关参数
Figure GDA0002674399100000119
其次，基于无人机的通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理如下：
Figure GDA00026743991000001110
其中，πj,l是与无人机通信拓扑结构相关的连通性系数，j＝1,...,N，l＝1,...,N，N为无人机的数量。
最后，通过系数β进行调节，得到第j架无人机的一致性滤波估计结果：
Figure GDA0002674399100000121
β取值范围为[1,N]，一般可取N/2。
(四)状态更新
根据一致性处理的结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。
Figure GDA0002674399100000122
Figure GDA0002674399100000123
实施例：
本发明在MATLAB环境下进行编程，通过有效的数据处理和图像绘制，以测试面向无人机机载移动传感器网络的一致性信息滤波算法的有效性。由于无人机机载传感器与无人机的相对位置比传感器与地面移动目标的相对位置小得多，因此，本发明中使用无人机的位置近似无人机机载传感器的位置，设置无人机的数量为四架。
首先给出地面移动目标运动目标参数及过程噪声协方差矩阵参数Ts＝0.5,α＝0.6,σα＝0.67。
测量噪声的协方差矩阵如下：
Figure GDA0002674399100000124
其中，d2r＝π/180。
无人机机载传感器滤波初始化参数：
Figure GDA0002674399100000125
一致性算法系数取Metropolis加权
Figure GDA0002674399100000131
其中,Wj表示在通信拓扑下，第j架无人机的邻接节点数量。
在MATLAB环境下编程实施本算法，目标估计结果如图5至图7所示。图5中的曲线为四架无人机对地面移动目标的估计值，图6为四架无人机对地面移动目标估计的位置误差，图7为四架无人机对地面移动目标位置估计的一致性误差。
仿真结果表明，本发明算法在运动过程中对移动目标估计具有较小的位置误差和一致性误差。因此，本发明中的一致性滤波算法对于移动目标估计问题是可行的，该方法既降低了传统滤波算法的计算量，满足无人机对目标估计的快速性要求，又保证了目标估计的精度，解决了不同无人机之间目标估计的一致性问题。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。

Claims (2)

1.一种面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，包括以下步骤：
步骤一，构建地面移动目标运动模型和三维无人机机载传感器测量模型，从无人机于地面目标距离、水平方位角以及俯仰角三个特征量感知地面目标；
上述地面移动目标运动模型为：
Figure FDA0002938526710000011
其中，xt,
Figure FDA0002938526710000012
yt,
Figure FDA0002938526710000013
分别表示地面移动目标x,y方向的位置、速度、加速度；α为模型参数，ω(t)表示过程噪声，其协方差矩阵为：
Figure FDA0002938526710000014
其中，σa是与目标加速度有关的标准差参数；
所述地面移动目标运动模型的离散形式为：
Figure FDA0002938526710000015
其中，
Figure FDA0002938526710000016
I是单位矩阵，Ts是采样时间，k表示k时刻，
Figure FDA0002938526710000017
上述三维无人机机载传感器测量模型为：
Figure FDA0002938526710000021
其中，rk,φk,
Figure FDA0002938526710000022
分别为k时刻无人机机载传感器与地面移动目标间的距离、水平方位角及俯仰角，xk,yk,hk表示k时刻无人机机载传感器的水平位置和高度，vk表示测量噪声，其协方差矩阵为：
Figure FDA0002938526710000023
其中，
Figure FDA0002938526710000024
分别表示距离、水平方位角及俯仰角三个测量值的噪声参数；
步骤二，采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于三维无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；
平方根容积信息滤波的具体过程为：
A：预测更新
首先，取2n个加权相同的对称的容积点：
Figure FDA0002938526710000025
其中，n是地面移动目标状态量
Figure FDA0002938526710000026
的维数，Sx,k-1|k-1为Pk-1|k-1的平方根，Pk-1|k-1是k-1时刻的估计误差协方差矩阵，
Figure FDA0002938526710000027
为k-1时刻地面移动目标状态的最优估计值，ξi的取值如下：
Figure FDA0002938526710000028
其中，ei表示单位矩阵的第i列分量；
基于2n个容积点以及地面移动目标运动模型的离散形式，得到k时刻的地面移动目标状态容积点预测值：
Figure FDA0002938526710000031
其中，F＝I+TsF0；
从而计算地面移动目标状态向量的预测值和估计误差协方差矩阵平方根的预测值：
Figure FDA0002938526710000032
Figure FDA0002938526710000033
其中，
Figure FDA0002938526710000034
SQ为Qk的平方根，
Figure FDA0002938526710000035
qr代表QR分解；
计算信息矩阵和信息向量的预测值：
Figure FDA0002938526710000036
Figure FDA0002938526710000037
B：测量更新
按相同的方法取2n个容积点用于测量更新：
Figure FDA0002938526710000038
基于2n个容积点以及无人机机载传感器测量模型得到k时刻测量值的容积点预测值：
Zi,k|k-1＝fh(Xi,k|k-1)
计算无人机机载传感器测量值的预测值：
Figure FDA0002938526710000039
计算地面移动目标状态向量预测值和无人机机载传感器测量值预测值之间的互协方差矩阵
Figure FDA00029385267100000310
其中，
Figure FDA0002938526710000041
Figure FDA0002938526710000042
信息增量矩阵的平方根和信息向量增量分别为：
Figure FDA0002938526710000043
Figure FDA0002938526710000044
其中，
Figure FDA0002938526710000045
表示的是k时刻无人机机载传感器测量值，SR为Rv的平方根；
则信息增量矩阵为：
Figure FDA0002938526710000046
步骤三，一致性算法：基于无人机的分布式通信拓扑结构，采用一种结合测量一致性和信息一致性的改进方法，即分布式测量、信息一致性融合算法，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；
步骤四，状态更新：根据一致性处理的结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。
2.根据权利要求1所述的面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，步骤三中所述对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行分布式测量、信息一致性融合处理如下：
Figure FDA0002938526710000047
其中，πj,l是与无人机通信拓扑结构相关的连通性系数，j＝1,...,N，l＝1,...,N，N为无人机的数量；
通过权系数β调节滤波器性质，得到第j架无人机的一致性滤波估计结果：
Figure FDA0002938526710000048
β取值范围为[1,N]，一般可取N/2；
步骤四中所述地面移动目标状态向量的估计值为：
Figure FDA0002938526710000051
估计误差协方差矩阵为：
Figure FDA0002938526710000052
CN201710807485.9A 2017-09-08 2017-09-08 面向无人机机载移动传感器网络的一致性信息滤波算法 Active CN107743299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710807485.9A CN107743299B (zh) 2017-09-08 2017-09-08 面向无人机机载移动传感器网络的一致性信息滤波算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710807485.9A CN107743299B (zh) 2017-09-08 2017-09-08 面向无人机机载移动传感器网络的一致性信息滤波算法

Publications (2)

Publication Number Publication Date
CN107743299A CN107743299A (zh) 2018-02-27
CN107743299B true CN107743299B (zh) 2021-05-28

Family

ID=61235228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710807485.9A Active CN107743299B (zh) 2017-09-08 2017-09-08 面向无人机机载移动传感器网络的一致性信息滤波算法

Country Status (1)

Country Link
CN (1) CN107743299B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109362049B (zh) * 2018-10-09 2021-09-03 中国人民解放军海军航空大学 基于混合信息加权一致的平方根容积滤波方法
CN109151759B (zh) * 2018-10-09 2021-06-29 中国人民解放军海军航空大学 传感器网络分布式信息加权一致性状态滤波方法
CN109523011B (zh) * 2018-11-06 2021-07-27 哈尔滨工业大学（深圳） 一种面向多无人机协同探测的多传感器自适应管理方法
CN110220513B (zh) * 2019-04-30 2022-10-04 中国科学院深圳先进技术研究院 一种目标定位的方法、系统、无人机及存储介质
CN110779544B (zh) * 2019-10-31 2024-03-19 中国人民解放军63892部队 一种多无人机自定位和对目标定位的双任务深度配合方法
CN112945240B (zh) * 2021-03-16 2022-06-07 北京三快在线科技有限公司 特征点位置的确定方法、装置、设备及可读存储介质
CN114840801B (zh) * 2022-04-13 2024-05-31 北京航空航天大学 一种适用于有向切换拓扑的分布式目标跟踪方法及系统
CN114581480B (zh) * 2022-05-07 2022-08-05 西湖大学 多无人机协同目标状态估计控制方法及其应用
CN116489602B (zh) * 2023-06-21 2023-08-18 北京航空航天大学 一种分布式容错目标跟踪方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819439A (zh) * 2010-03-16 2010-09-01 清华大学 一种无中心环境下无人机协同模拟平台的控制方法及系统
US7991550B2 (en) * 2006-02-03 2011-08-02 GM Global Technology Operations LLC Method and apparatus for on-vehicle calibration and orientation of object-tracking systems
CN102419598A (zh) * 2011-12-08 2012-04-18 南京航空航天大学 一种多无人机协同侦察移动目标的方法
CN104833949A (zh) * 2015-05-11 2015-08-12 西北工业大学 一种基于改进距离参数化的多无人机协同无源定位方法
CN104833981A (zh) * 2015-05-11 2015-08-12 西北工业大学 基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7991550B2 (en) * 2006-02-03 2011-08-02 GM Global Technology Operations LLC Method and apparatus for on-vehicle calibration and orientation of object-tracking systems
CN101819439A (zh) * 2010-03-16 2010-09-01 清华大学 一种无中心环境下无人机协同模拟平台的控制方法及系统
CN102419598A (zh) * 2011-12-08 2012-04-18 南京航空航天大学 一种多无人机协同侦察移动目标的方法
CN104833949A (zh) * 2015-05-11 2015-08-12 西北工业大学 一种基于改进距离参数化的多无人机协同无源定位方法
CN104833981A (zh) * 2015-05-11 2015-08-12 西北工业大学 基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
An Improved Range Parameterized Square Root Cubature Information Filter Algorithm for Multi-UAV Cooperative Passive Location;Deyun Zhou 等;《Proceeding of the 2015 IEEE International Conference on Information and Automation Lijiang, China, August 2015》;20151001;1079-1084 *

Also Published As

Publication number Publication date
CN107743299A (zh) 2018-02-27

Similar Documents

Publication Publication Date Title
CN107743299B (zh) 面向无人机机载移动传感器网络的一致性信息滤波算法
CN108388270B (zh) 面向安全域的集群无人机轨迹姿态协同控制方法
Tisdale et al. Autonomous UAV path planning and estimation
Liu et al. A deep reinforcement learning based intelligent decision method for UCAV air combat
CN107168380B (zh) 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法
Sarabakha et al. Novel Levenberg–Marquardt based learning algorithm for unmanned aerial vehicles
Park et al. Stereo vision based obstacle collision avoidance for a quadrotor using ellipsoidal bounding box and hierarchical clustering
Oh et al. Coordinated standoff tracking of groups of moving targets using multiple UAVs
CN113434966A (zh) 基于弹性力场的蜂群避撞控制方法
Horla et al. AL-TUNE: A family of methods to effectively tune UAV controllers in in-flight conditions
Huang et al. A novel route planning method of fixed-wing unmanned aerial vehicle based on improved QPSO
CN113076634B (zh) 一种多机协同无源定位方法、装置及系统
Halder et al. Biomimetic algorithms for coordinated motion: Theory and implementation
Wang et al. Target state estimation and prediction based standoff tracking of ground moving target using a fixed-wing UAV
CN117369507A (zh) 一种自适应粒子群算法的无人机动态路径规划方法
Vinokursky et al. Model predictive control for path planning of UAV group
Liu et al. Cooperative localization of imu-based UAV using relative observation by EKF
Monda et al. Ground target localization and tracking in a riverine environment from a uav with a gimbaled camera
Ramirez et al. Stability analysis of a vision-based UAV controller: An application to autonomous road following missions
CN108873935A (zh) 物流配送无人机降落的控制方法、装置、设备及存储介质
Bouzerzour et al. Robust vision-based sliding mode control for uncooperative ground target searching and tracking by quadrotor
Liu et al. A review of multisensor information fusion technology
Muhammad et al. Total least squares estimation of aerodynamic parameter of micro coaxial helicopter from flight data
Oh et al. Decentralised road-map assisted ground target tracking using a team of UAVs
Wang et al. Rf based target search and localization with microuva

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