CN108363041A - 基于k均值聚类迭代的无人机声源定位方法 - Google Patents

基于k均值聚类迭代的无人机声源定位方法 Download PDF

Info

Publication number
CN108363041A
CN108363041A CN201810105210.5A CN201810105210A CN108363041A CN 108363041 A CN108363041 A CN 108363041A CN 201810105210 A CN201810105210 A CN 201810105210A CN 108363041 A CN108363041 A CN 108363041A
Authority
CN
China
Prior art keywords
unmanned plane
sound
coordinate
mean cluster
localization method
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
Application number
CN201810105210.5A
Other languages
English (en)
Other versions
CN108363041B (zh
Inventor
陈积明
常先宇
史治国
杨超群
史秀纺
吴均峰
吴泽先
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810105210.5A priority Critical patent/CN108363041B/zh
Publication of CN108363041A publication Critical patent/CN108363041A/zh
Application granted granted Critical
Publication of CN108363041B publication Critical patent/CN108363041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于K均值聚类迭代的无人机声源定位方法。该方法在利用广义互相关函数计算出多组声音传感器之间的时间延迟信息的基础上，首先利用时延关系写出多种不同的线性方程组，分别计算出多个无人机声源三维坐标；然后利用K均值聚类算法估计出无人机的最佳位置坐标；最后以该聚类算法得到的位置坐标作为初始值，采用迭代算法计算出无人机最终的位置坐标。本发明能够充分利用时延估计冗余信息，结合多声音传感器的优势，更加准确、可靠地定位出无人机声源目标的位置；解决迭代算法中对初始值较敏感的缺点，利用线性方程组求解的结果作为迭代的初始值，加快收敛速度，同时保证收敛结果的准确性；该方法具有巨大的应用价值。

Description

基于K均值聚类迭代的无人机声源定位方法
技术领域
本发明涉及运动声源目标定位领域，特别涉及一种基于K均值聚类迭代的无人机声源目标定位方法。
背景技术
近年来，无人机市场迅速发展，无人机的数量呈现井喷式的增长；与此同时，无人机“黑飞”、“滥飞”的事件层出不穷，对公共安全和个人隐私带来了严重的影响，因此，无人机的监管与防御成了各国学术界和工业界研究的重点。
目前用于无人机的检测手段主要有雷达、音频、视频以及射频。雷达成本较高，同时由于小型无人机飞行高度低，速度慢，多普勒频移效应不明显，因此检测检测难度较大；视频可以用于无人机的识别，但是却无法实现定位，同时现实环境复杂，容易受建筑物遮挡，且用于图像识别的样本需求量高，难以收集；射频装置主要用于检测无人机发出图传信号和遥控器的控制信号，虽然其拥有检测距离远和能定位的优点，但是当无人机设定为GPS自动导航时，射频无法检测该目标，同时环境中WI-FI信号较多，与很多无人机的通信频段处于同一频段，干扰较大；音频则可以同时实现无人机的检测定位，虽然距离短，但是通过增加声阵列的数量可以大大提升定位的距离，因此本发明采用声音传感器对无人机进行检测定位。
在基于时延的定位技术中，通过计算两两声音传感器之间的时间延迟，然后利用时延信息进行定位；当声阵列系统中存在冗余的时延信息时，如果能够正确利用，可以大大提升系统定位的准确度和精确度。因此本发明在融合声阵列系统的各个时延信息基础上，提出一种定位方法，能够大大提升无人机声源定位的可靠性与精确性。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于K均值聚类迭代的无人机声源定位方法，该方法在声阵列系统能够提供冗余时延估计信息的基础上，充分利用多组时延结果，进行融合定位，以提供更加稳定、准确的无人机声源定位结果。
本发明的目的是通过以下技术方案来实现的：一种基于K均值聚类迭代的无人机声源定位方法，包括以下步骤：
(1)在声音传感器覆盖的范围内，仅有一架无人机飞行，且其声音信号强度能够被声音传感器接收；保证每个声阵列的所有声音传感器的采集时间同步，计算声音传感器之间的时延估计结果tmn，m＝1,2…M，n＝1,2…M且m≠n，其中M表示单个声阵列中声音传感器的数量；
(2)根据声音到达不同声音传感器的时间不同有以下约束关系：
dmn＝||Sm-S0||-||Sn-S0||
其中dmn＝ctmn，利用该关系得到以下线性方程组：
等式中各参数的含义为：Sm、Sn分别表示声阵列中第m个和第n个声音传感器的空间三维坐标，S0表示三维空间中无人机声源的坐标，dn0表示三维空间中无人机声源和第n个声音传感器之间的距离，c表示声速；
以第n个声音传感器作为参考节点，依次取m＝1,2…M且m≠n，共得到M个不同的线性方程组；对于P个声阵列，依次取每个声阵列的一个线性方程组进行组合，共得到MP个组合后的定位方程，分别求解出MP个无人机声源目标的三维坐标；
(3)采用K均值聚类方法对MP个坐标进行聚类分析，得到无人机的最佳初始坐标点S；
(4)将最佳初始坐标点S作为牛顿迭代的初始点，利用牛顿迭代计算出无人机声源坐标。
进一步地，所述步骤(1)中，利用基于相位变换PHAT的广义互相关函数GCC计算出声音传感器之间的时延估计结果tmn。
进一步地，所述步骤(2)中，在遍历组合不同的线性方程组时，每次以一个声音传感器为参考节点，同一组时延变量仅重复两次。
进一步地，所述步骤(2)中，对于定位方程，利用最小二乘法求解出无人机声源目标的三维坐标。
进一步地，所述步骤(3)中，根据MP的大小和实际噪声情况确定聚类簇的个数，类别最多的簇的中心点作为无人机的最佳初始坐标点S。
进一步地，所述步骤(3)中，利用迭代计算出无人机声源的坐标，式中fS为dmn对S0的偏导数，为迭代后的最终结果。
进一步地，所述步骤(4)中，针对得到的无人机声源坐标位置，建立无人机匀速运动的系统状态方程，利用卡尔曼滤波进行滤波处理，得到最终的无人机运动轨迹坐标。
本发明提出的基于K均值聚类迭代的无人机声源定位方法，可以充分融合声阵列系统的时延估计信息，更加准确的定位无人机声源目标，本发明具有以下优势：
1、能够充分利用整个声阵列系统的时延估计冗余信息，结合多声音传感器的优势，更加准确、可靠地定位出无人机声源目标的位置；
2、解决迭代算法中对初始值较敏感的缺点，利用线性方程组求解的结果作为迭代的初始值，加快了收敛的速度，同时保证了收敛结果的准确性；
3、不增加声阵列系统的声音传感器数量，整个计算过程快速高效，可以保证实时性的要求。
附图说明
图1为声阵列具体模型图；
图2为无人机坐标的聚类结果图；
图3为无人机坐标迭代计算结果图；
图4为卡尔曼滤波结果图；
图5为定位轨迹与真实GPS轨迹对比图。
具体实施方式
以下结合附图对本发明的实施作如下详述：
附图1是声阵列具体模型图，声音传感器采用声传科技的CHZ-213，同时配置前置放大器。声阵列系统由2个四面体阵型的声阵列组成，每个声阵列安装4个声音传感器，每个声音传感器距离四面体底部中心点的距离为1m；声音信号通过NI-9234四通道数据采集卡进行采集，每个采集卡保证单个阵列上的4个声音传感器信号采集同步，采集频率为25600Hz。以该模型为基础，我们推导出系统的定位方程组。假设8个声音传感器的空间三维坐标为Sn(xn,yn,zn)，n＝1,2…8，且空间只存在一架无人机，其坐标为S0(x0,y0,z0)，空间中无人机声音到达任意两个声音传感器之间的声程差为dmn，m＝1,2…8，n＝1,2…8且m≠n，无人机距离任意一个声音传感器的距离为di0，i＝1,2…8，以声音传感器1，2为例，可以写出以下等式：
d21＝||S2-S0||-||S1-S0||
两边同时取平方可得：
整理可得：
即：
改写成矩阵的形式为：
同理可以写出下列等式：
其中p＝2,3,4，q＝6,7,8，将以上6个方程整理成如下矩阵的形式：
AX＝B
并带入各个坐标为：
求解其最小二乘解可以得到如下形式：
X＝(ATA)-1ATB＝[x0 y0 z0 d10 d50]T
等式中dmn＝ctmn，c为声速，tmn为两个声音传感器之间的时延估计，可由广义互相关函数计算得到。针对该图中的声阵列模型，可以写出16中不同方程组组合形式，因此可以计算出16个无人机的空间三维坐标。
附图2是对16种无人机空间坐标的聚类结果图，可以看出针对无人机声源的16个位置坐标，总共被分成了3种情况，图中多数的坐标点均集中在中间的位置；在K均值聚类算法中，设定为7个簇类别，采用欧拉距离进行度量；以最大簇的中心点作为无人机声源的最佳初始坐标估计结果。
附图3是将聚类得到的结果作为无人机声源的位置初始坐标，利用公式：
迭代计算出无人机声源的坐标，式中参数的含义为：S为无人机初始三维坐标，为最终坐标，fS为dmn对x，y，z的偏导数；可以看出，通过迭代算法，明显降低了系统中的噪点，大大提升了系统的定位精度。
附图4展示了卡尔曼滤波结果图，首先将对无人机声源建立一个匀速运动的模型，然后利用卡尔曼滤波进行平滑处理，得到最终无人机声源的位置坐标。
附图5展示了采用本发明定位方法计算出的轨迹与真实GPS轨迹对比图，可以看出通过该方法可以有效地估计出无人机声源的位置坐标。

Claims (7)

1.一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，包括以下步骤：
(1)计算声音传感器之间的时延估计结果tmn，m＝1,2…M，n＝1,2…M且m≠n，其中M表示单个声阵列中声音传感器的数量；
(2)根据声音到达不同声音传感器的时间不同有以下约束关系：
dmn＝||Sm-S0||-||Sn-S0||
其中dmn＝ctmn，利用该关系得到以下线性方程组：
等式中各参数的含义为：Sm、Sn分别表示声阵列中第m个和第n个声音传感器的空间三维坐标，S0表示三维空间中无人机声源的坐标，dn0表示三维空间中无人机声源和第n个声音传感器之间的距离，c表示声速；
以第n个声音传感器作为参考节点，依次取m＝1,2…M且m≠n，共得到M个不同的线性方程组；对于P个声阵列，依次取每个声阵列的一个线性方程组进行组合，共得到MP个组合后的定位方程，分别求解出MP个无人机声源目标的三维坐标；
(3)采用K均值聚类方法对MP个坐标进行聚类分析，得到无人机的最佳初始坐标点S；
(4)将最佳初始坐标点S作为牛顿迭代的初始点，利用牛顿迭代计算出无人机声源坐标。
2.根据权利要求1中所述的一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，所述步骤(2)中，在遍历组合不同的线性方程组时，每次以一个声音传感器为参考节点，同一组时延变量仅重复两次。
3.根据权利要求1中所述的一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，所述步骤(1)中，利用基于相位变换PHAT的广义互相关函数GCC计算出声音传感器之间的时延估计结果tmn。
4.根据权利要求1中所述的一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，所述步骤(4)中，对得到的无人机声源坐标进行卡尔曼滤波。
5.根据权利要求1中所述的一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，所述步骤(2)中，对于定位方程，利用最小二乘法求解出无人机声源目标的三维坐标。
6.根据权利要求1中所述的一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，所述步骤(3)中，根据MP的大小和实际噪声情况确定聚类簇的个数，类别最多的簇的中心点作为无人机的最佳初始坐标点S。
7.根据权利要求1中所述的一种基于K均值聚类迭代的无人机声源定位方法，其特征在于，所述步骤(3)中，利用迭代计算出无人机声源的坐标，式中fS为dmn对S0的偏导数，为迭代后的最终结果。
CN201810105210.5A 2018-02-02 2018-02-02 基于k均值聚类迭代的无人机声源定位方法 Active CN108363041B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810105210.5A CN108363041B (zh) 2018-02-02 2018-02-02 基于k均值聚类迭代的无人机声源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810105210.5A CN108363041B (zh) 2018-02-02 2018-02-02 基于k均值聚类迭代的无人机声源定位方法

Publications (2)

Publication Number Publication Date
CN108363041A true CN108363041A (zh) 2018-08-03
CN108363041B CN108363041B (zh) 2020-04-10

Family

ID=63004301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810105210.5A Active CN108363041B (zh) 2018-02-02 2018-02-02 基于k均值聚类迭代的无人机声源定位方法

Country Status (1)

Country Link
CN (1) CN108363041B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564171A (zh) * 2018-03-30 2018-09-21 北京理工大学 一种基于快速全局k均值聚类的神经网络声源角度估计方法
CN109658948A (zh) * 2018-12-21 2019-04-19 南京理工大学 一种面向候鸟迁徙活动的声学监测方法
CN110333480A (zh) * 2019-06-27 2019-10-15 南京航空航天大学 一种基于聚类的单无人机多目标aoa定位方法
CN113419557A (zh) * 2021-06-17 2021-09-21 哈尔滨工业大学 运动无人机音频合成方法
CN115166634A (zh) * 2022-05-18 2022-10-11 北京锐士装备科技有限公司 一种多手段结合的无人机飞手定位方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181506A (zh) * 2014-08-26 2014-12-03 山东大学 一种基于改进phat加权时延估计的声源定位方法及其实现系统
CN104360315A (zh) * 2014-10-16 2015-02-18 河北工业大学 基于LabVIEW的麦克风阵列声源定位方法及装置
CN106940439A (zh) * 2017-03-01 2017-07-11 西安电子科技大学 基于无线声传感器网络的k均值聚类加权声源定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104181506A (zh) * 2014-08-26 2014-12-03 山东大学 一种基于改进phat加权时延估计的声源定位方法及其实现系统
CN104360315A (zh) * 2014-10-16 2015-02-18 河北工业大学 基于LabVIEW的麦克风阵列声源定位方法及装置
CN106940439A (zh) * 2017-03-01 2017-07-11 西安电子科技大学 基于无线声传感器网络的k均值聚类加权声源定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DON J.TORRIERI: ""Statistical Theory of Passive"", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
GUOQIANG MAO ET AL.: ""Wireless sensor network localization techniques"", 《COMPUTER NETWORKS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564171A (zh) * 2018-03-30 2018-09-21 北京理工大学 一种基于快速全局k均值聚类的神经网络声源角度估计方法
CN109658948A (zh) * 2018-12-21 2019-04-19 南京理工大学 一种面向候鸟迁徙活动的声学监测方法
CN110333480A (zh) * 2019-06-27 2019-10-15 南京航空航天大学 一种基于聚类的单无人机多目标aoa定位方法
CN113419557A (zh) * 2021-06-17 2021-09-21 哈尔滨工业大学 运动无人机音频合成方法
CN113419557B (zh) * 2021-06-17 2022-07-19 哈尔滨工业大学 运动无人机音频合成方法
CN115166634A (zh) * 2022-05-18 2022-10-11 北京锐士装备科技有限公司 一种多手段结合的无人机飞手定位方法及系统
CN115166634B (zh) * 2022-05-18 2023-04-11 北京锐士装备科技有限公司 一种多手段结合的无人机飞手定位方法及系统

Also Published As

Publication number Publication date
CN108363041B (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN108363041A (zh) 基于k均值聚类迭代的无人机声源定位方法
CN106772246B (zh) 基于声阵列的无人机实时检测和定位系统及方法
Deng et al. Energy-based sound source localization with low power consumption in wireless sensor networks
CN106405499A (zh) 一种机器人定位声源的方法
CN105388459B (zh) 分布式麦克风阵列网络的鲁棒声源空间定位方法
CN104035065A (zh) 基于主动旋转的声源定向装置及其应用方法
CN105096956A (zh) 基于人工智能的智能机器人的多声源判断方法及装置
CN104287946A (zh) 盲人避障提示装置及方法
CN106842128A (zh) 运动目标的声学跟踪方法及装置
CN104360315A (zh) 基于LabVIEW的麦克风阵列声源定位方法及装置
CN109932689A (zh) 一种适用于特定定位场景的任意阵列优化方法
CN103792513B (zh) 一种雷声定位系统及方法
CN101957442A (zh) 一种声源定位装置
CN103994765B (zh) 一种惯性传感器的定位方法
CN105976827B (zh) 一种基于集成学习的室内声源定位方法
CN108896962B (zh) 基于声音位置指纹的迭代定位方法
Plinge et al. Multi-speaker tracking using multiple distributed microphone arrays
CN104777908B (zh) 一种用于多人同步定位的装置和方法
CN107167770A (zh) 一种混响条件下的麦克风阵列声源定位装置
CN104394588A (zh) 基于Wi-Fi指纹和多维尺度分析的室内定位方法
CN107543531A (zh) 一种机器人视觉定位系统
Wendeberg et al. Anchor-free TDOA self-localization
CN107066975A (zh) 基于深度传感器的视频识别与跟踪系统及其方法
WO2022242018A1 (zh) 一种基于改进的cnn模型的室内目标定位方法
Zwirello et al. Study on UWB/INS integration techniques

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