CN108536171A - 一种多约束下多无人机协同跟踪的路径规划方法 - Google Patents
一种多约束下多无人机协同跟踪的路径规划方法 Download PDFInfo
- Publication number
- CN108536171A CN108536171A CN201810232678.0A CN201810232678A CN108536171A CN 108536171 A CN108536171 A CN 108536171A CN 201810232678 A CN201810232678 A CN 201810232678A CN 108536171 A CN108536171 A CN 108536171A
- Authority
- CN
- China
- Prior art keywords
- moment
- unmanned plane
- target
- matrix
- threat
- 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 22
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000002945 steepest descent method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000001914 filtration Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多约束下多无人机协同跟踪的路径规划方法，克服了现有多无人机协同跟踪未考虑无人机物理和威胁/障碍约束的问题。它的特点是首先利用分布式融合准则将各无人机对目标的局部滤波估计进行融合，然后利用A最优准则建立代价函数，之后针对威胁/障碍约束，通过惩罚函数来修正代价函数并应用最速下降法快速求解此优化问题，最后通过约束无人机的最大转弯角以便于无人机的飞行。它有效解决了在威胁/障碍和物理约束下多无人机协同跟踪目标的问题，从而实现了复杂环境下多无人机对目标的协同跟踪。
Description
技术领域
本发明属于路径规划技术领域，涉及多无人机协同跟踪和雷达信息处理技术研究。
背景技术
由于装载有机载雷达的无人机(UAV)具有灵活性强、机动性高、代价低和低空突防等特点，因此无人机在监视、跟踪和救援等方面得到广泛应用。在对目标进行跟踪时，多无人机可以从不同视角对目标进行观测进而提高估计结果。然而由于实际环境复杂，提高无人机在威胁/障碍下的生存能力具有重要意义。总之，无人机作为一种目标探测、跟踪和打击的新手段，在民用和军用领域都有着广阔的发展空间。
对于分布式多无人机协同跟踪系统，各无人机通过不同视角观测目标，然后将量测信息输入到局部卡尔曼滤波器估计目标的状态，之后通过融合准则对各局部状态估计进行融合得到目标状态的全局估计。但随着无人机数量的增大，将导致维数灾难，而且选择跟踪精度为代价函数计算量大，从而导致实时更新多无人机的位置难以解决。文献"Jointpassive sensor scheduling for target tracking,"in 2017 20th InternationalConference on Information Fusion(Fusion),2017,pp.1-7.”中以费歇尔信息为代价函数，利用遍历的方法求解改优化问题，进而得到无人机的航迹。但该方法仅考虑了无威胁下的两架无人机协同情形，且计算复杂度高，不适合实际应用。在文献"基于改进A-Star算法的无人机航迹规划算法研究[J].兵工学报,2008,29(07):788-792.”中建立了以路径代价和威胁代价的加权和为目标函数的数学模型，但该方法仅仅是在单个无人机在炮火威胁下的航迹规划，并没有研究在威胁下的多无人机协同路径规划算法。上述方法只针对单/两架无人机在一种威胁下的路径规划，不能用于在多种威胁下的多无人机路径规划。
发明内容
本发明的目的是针对背景技术存在的缺陷，研究设计一种多约束下多无人机协同跟踪的路径规划方法，解决现有多无人机路径规划没有考虑威胁/障碍及无人机物理约束，从而无法实现多种约束下的多无人机对目标协同跟踪的问题。
本发明的解决方案是首先利用分布式融合准则将各无人机对目标的局部滤波估计进行融合，然后利用A最优准则建立包含融合后的目标估计误差协方差矩阵的代价函数，之后针对威胁/障碍约束，通过惩罚函数来修正代价函数并应用最速下降法快速求解此优化问题，最后通过约束无人机的最大转弯角以便于无人机的飞行。该方法有效解决了现有多无人机路径规划没有考虑威胁/障碍及无人机物理约束的问题，从而实现复杂环境下的多无人机对目标的协同跟踪。
本发明提出了一种多约束下多无人机协同跟踪的路径规划方法，该方法包括：
步骤1：多无人机跟踪系统参数初始化，
目标的是目标在k时刻的状态向量，状态向量由目标位置[xk,yk]T和目标速度组成,xk,yk是目标在k时刻的x轴坐标、y轴坐标，是目标在k时刻的x轴速度、y轴速度，[]T表示矩阵转置；滤波初值和滤波误差协方差矩阵的初值分别为x0＝E[x0],P0＝var[x0]，E表示数学期望，var表示方差，x0是目标在0时刻的状态向量；第i个威胁/障碍的位置为C(i)，其威胁强度用Ki表示；无人机的最大转向角记为采样周期表示为Ts；
步骤2：计算分布式无人机滤波器的状态估计；
步骤2-1：利用扩展的卡尔曼滤波器估计目标的状态，计算目标的一步状态预测：
xk|k-1＝Fxk-1|k-1 (1)
其中，xk|k-1是滤波器在k时刻的一步状态预测，xk|k是在k时刻的卡尔曼滤波状态估计，F是目标状态转移矩阵，即，
Ts表示采样周期；
步骤2-2：计算一步预测误差协方差矩阵；
Pk|k-1是在k时刻的一步预测误差的协方差矩阵，Pk-1k-1是在k时刻的卡尔曼滤波状态估计误差协方差矩阵，Q是过程噪声v(k)的协方差矩阵，v(k)假设是零均值的高斯白噪声，即Γk|k-1是在k时刻是系统过程噪声输入矩阵，即，
步骤2-3：计算卡尔曼增益；
其中，Kk是卡尔曼增益，Pk|k-1表示在k时刻的一步预测误差的协方差矩阵，Rk是量测噪声w(k)的协方差矩阵，w(k)是零均值的高斯白噪声，即且Rk满足；
其中，σi是N架无人机在k时刻的角度量测噪声的标准差；假设不同无人机的量测噪声相互独立；Hk是非线性量测h(x(k))的雅克比矩阵，即，
其中，表示第i架无人机在k时刻的x轴坐标、y轴坐标,βk是k时刻的角度量测向量，表示第i架无人机的角度量测；
步骤2-4：确定目标状态估计
xk|k＝xk|k-1+Kk(Zk-h(xk|k-1)) (8)
其中，xk|k是k时刻的卡尔曼滤波状态估计，xk|k-1表示滤波器在k时刻的一步状态预测，Kk表示是卡尔曼增益，Zk是N架无人机在k时刻的角度量测，即
Z(k)＝h(x(k))+w(k) (9)
步骤2-5：计算状态估计误差协方差矩阵
Pk|k＝(I-KkHk)Pk|k-1 (10)
其中，Pk|k是在k时刻的卡尔曼滤波状态估计误差协方差矩阵，Pk|k-1表示在k时刻的一步预测误差的协方差矩阵，I是4×4的单位阵；
重复步骤2-1至2-7进行每个无人机滤波器的递推滤波的计算；
步骤3：将步骤2中的局部滤波状态估计进行数据融合，并计算代价函数的值；
步骤3-1：由各局部滤波器的目标状态估计计算目标的全局状态估计
其中，和Pi,i＝1,...,N分别是步骤2中第i个滤波器的局部状态估计和局部状态估计协方差矩阵；Pfused是融合后的状态估计误差协方差矩阵，是融合后的全局状体估计；
步骤3-2：计算代价函数的值，即计算融合后的状态估计误差协方差矩阵Pfused的迹
其中，tr(·)是矩阵的求迹符号，J(πk)是融合后的状态估计误差协方差矩阵Pfused的迹；
步骤3-3：计算修正的代价函数的值；
假设在位置C(i),i＝1,2,...,M处存在M个威胁/障碍，通过修正代价函数使UAVs避开威胁/障碍，修正的目标函数为：
其中，Ki,i＝1,2,...,M表示威胁强度，即与威胁相关的风险，Ki越大，威胁C(i)越大，对UAVs的航迹影响也越大；当UAVs距离威胁/障碍很远时，JZ≈J，此时威胁基本不对航迹产生影响，当距离威胁/障碍近时，JZ会变大，进而影响UAVs的移动，N表示无人机的架数；
步骤4：确定最优航迹；
步骤4-1：利用最速下降法求解各无人机的最优航迹；
假设无人机在k,k＝1,2…时刻的位置表示为其中是第i架无人机在k时刻的x轴坐标、y轴坐标，当前时间所有无人机的位置由向量πk＝[p1(k),p2(k),...pn(k)]T表示，下一个时刻的最优位置πk+1为
其中Δk＝[Δ1(k),Δ2(k),...Δn(k)]T，通常取很小的正整数，vk是常数，代表无人机在k时刻的速度，||·||是向量的求模符号；
步骤4-2：对航迹进行修正；
得到各无人机的航向后，进而计算无人机的转向角，这是因为无人机固有的物理约束，即无人机只能以小于或等于预定最大转向角的角度转向，因此确定其最大偏转角
其中，θi(k)是无人机下一时刻的转弯角，当无人机的飞行方向时，无人机只能以最大转向角转向,即这时，下一个时刻的最优位置πk+1为
本发明的有益效果：本发明的方法是利用最速下降法得到了多种约束下的多无人机协同跟踪目标的最优航迹，首先利用分布式融合准则将各无人机对目标的局部滤波估计进行融合，然后利用A最优准则建立代价函数，之后针对威胁/障碍约束，通过惩罚函数来修正代价函数并应用最速下降法快速求解此优化问题，最后通过约束无人机的最大转弯角以便于无人机的飞行。从而解决了在威胁/障碍和物理约束下多无人机协同跟踪目标的问题，本发明的优点是实现了复杂环境下的多无人机对目标的协同跟踪，求解过程简单、计算复杂度低、精度高。本发明可以应用于交通监视、城市救援等领域。
附图说明
图1是本发明提供方法的流程框图。
图2是本发明具体实施方式采用的多无人机在某一时刻的协同飞行结构图。
图3是本发明具体实施方式采用的三架无人机在炮火威胁下跟踪固定目标的飞行路径结果图。(图3中的五角星代表目标的最终位置，圆代表无人机的最终位置)
图4是本发明具体实施方式采用的三架无人机在炮火威胁下跟踪移动目标的飞行路径结果图。(图4中的五角星代表目标的最终位置，圆代表无人机的最终位置)
图5是本发明具体实施方式采用的三架无人机跟踪移动目标的位置均方误差比较。
具体实施方式
本发明主要采用仿真实验的方法进行验证，所有步骤、结论都在Matlab2010上验证正确。下面就具体实施方式对本发明作进一步的详细描述。
步骤一：对某一时刻多无人机跟踪目标的几何结构，初始化各系统参数。
步骤二：利用局部扩展卡尔曼滤波器计算各无人机对目标的状态估计。首先利用表达式(1)计算目标状态的一步状态预测，然后利用表达式(3)确定一步预测误差协方差矩阵，之后利用表达式(5)计算卡尔曼增益，进而利用表达式(8)计算目标状态的一步状态预测，再利用公式(7-9)得到各无人机对目标的状态估计，最后利用表达式(10)得到各无人机目标状态估计误差协方差矩阵。重复表达式(1)(3)(5)(8)(10)进行每架无人机递推滤波的计算。
步骤三：利用表达式(11-12)把步骤二中的各无人机局部滤波状态估计进行融合，得到目标的全局状态估计和全局状态估计误差协方差矩阵。
步骤四：首先利用表达式(13)得到代价函数的值，之后针对威胁/障碍约束，计算修正的代价函数值。
步骤五：首先利用表达式(15)计算各无人机下一时刻的最优位置，之后利用表达式(16)计算下一时刻的转弯角。若下一时刻的转弯角大于无人机最大偏转角，则按照表达式(17)各更新无人机下一时刻的最优位置。重复步骤二、三、四和五，就可实现威胁/障碍下的多无人机对目标的协同跟踪。
图3至图5分别三架无人机在威胁/障碍下跟踪固定目标的路径图、三架无人机在威胁/障碍下跟踪匀速移动目标的路径图和三架无人机跟踪移动目标的位置均方误差比较图。图3和图4对应的参数表分别为表1和表2。
表1
表2
通过本发明具体实施方式可以看出，本发明可以很好的实现复杂环境下多无人机对目标的协同跟踪。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (1)
1.一种多约束下多无人机协同跟踪的路径规划方法，该方法包括：
步骤1：多无人机跟踪系统参数初始化，
目标的是目标在k时刻的状态向量，状态向量由目标位置[xk,yk]T和目标速度组成,xk,yk是目标在k时刻的x轴坐标、y轴坐标，是目标在k时刻的x轴速度、y轴速度，[]T表示矩阵转置；滤波初值和滤波误差协方差矩阵的初值分别为x0＝E[x0],P0＝var[x0]，E表示数学期望，var表示方差，x0是目标在0时刻的状态向量；第i个威胁/障碍的位置为C(i)，其威胁强度用Ki表示；无人机的最大转向角记为采样周期表示为Ts；
步骤2：计算分布式无人机滤波器的状态估计；
步骤2-1：利用扩展的卡尔曼滤波器估计目标的状态，计算目标的一步状态预测：
xk|k-1＝Fxk-1|k-1 (1)
其中，xk|k-1是滤波器在k时刻的一步状态预测，xk|k是在k时刻的卡尔曼滤波状态估计，F是目标状态转移矩阵，即，
Ts表示采样周期；
步骤2-2：计算一步预测误差协方差矩阵；
Pk|k-1是在k时刻的一步预测误差的协方差矩阵，Pk-1|k-1是在k时刻的卡尔曼滤波状态估计误差协方差矩阵，Q是过程噪声v(k)的协方差矩阵，v(k)假设是零均值的高斯白噪声，即Γk|k-1是在k时刻是系统过程噪声输入矩阵，即，
步骤2-3：计算卡尔曼增益；
其中，Kk是卡尔曼增益，Pk|k-1表示在k时刻的一步预测误差的协方差矩阵，Rk是量测噪声w(k)的协方差矩阵，w(k)是零均值的高斯白噪声，即且Rk满足；
其中，σi是N架无人机在k时刻的角度量测噪声的标准差；假设不同无人机的量测噪声相互独立；Hk是非线性量测h(x(k))的雅克比矩阵，即，
其中，表示第i架无人机在k时刻的x轴坐标、y轴坐标,βk是k时刻的角度量测向量，表示第i架无人机的角度量测；
步骤2-4：确定目标状态估计
xk|k＝xk|k-1+Kk(Zk-h(xk|k-1)) (8)
其中，xk|k是k时刻的卡尔曼滤波状态估计，xk|k-1表示滤波器在k时刻的一步状态预测，Kk表示是卡尔曼增益，Zk是N架无人机在k时刻的角度量测，即
Z(k)＝h(x(k))+w(k) (9)
步骤2-5：计算状态估计误差协方差矩阵
Pk|k＝(I-KkHk)Pk|k-1 (10)
其中，Pk|k是在k时刻的卡尔曼滤波状态估计误差协方差矩阵，Pk|k-1表示在k时刻的一步预测误差的协方差矩阵，I是4×4的单位阵；
重复步骤2-1至2-7进行每个无人机滤波器的递推滤波的计算；
步骤3：将步骤2中的局部滤波状态估计进行数据融合，并计算代价函数的值；
步骤3-1：由各局部滤波器的目标状态估计计算目标的全局状态估计
其中，和Pi,i＝1,...,N分别是步骤2中第i个滤波器的局部状态估计和局部状态估计协方差矩阵；Pfused是融合后的状态估计误差协方差矩阵，是融合后的全局状体估计；
步骤3-2：计算代价函数的值，即计算融合后的状态估计误差协方差矩阵Pfused的迹
其中，tr(·)是矩阵的求迹符号，J(πk)是融合后的状态估计误差协方差矩阵Pfused的迹；
步骤3-3：计算修正的代价函数的值；
假设在位置C(i),i＝1,2,...,M处存在M个威胁/障碍，通过修正代价函数使UAVs避开威胁/障碍，修正的目标函数为：
其中，Ki,i＝1,2,...,M表示威胁强度，即与威胁相关的风险，Ki越大，威胁C(i)越大，对UAVs的航迹影响也越大；当UAVs距离威胁/障碍很远时，JZ≈J，此时威胁基本不对航迹产生影响，当距离威胁/障碍近时，JZ会变大，进而影响UAVs的移动，N表示无人机的架数；
步骤4：确定最优航迹；
步骤4-1：利用最速下降法求解各无人机的最优航迹；
假设无人机在k,k＝1,2...时刻的位置表示为其中 是第i架无人机在k时刻的x轴坐标、y轴坐标，当前时间所有无人机的位置由向量πk＝[p1(k),p2(k),...pn(k)]T表示，下一个时刻的最优位置πk+1为
其中Δk＝[Δ1(k),Δ2(k),...Δn(k)]T， 通常取很小的正整数，vk是常数，代表无人机在k时刻的速度，||·||是向量的求模符号；
步骤4-2：对航迹进行修正；
得到各无人机的航向后，进而计算无人机的转向角，这是因为无人机固有的物理约束，即无人机只能以小于或等于预定最大转向角的角度转向，因此确定其最大偏转角
其中，θi(k)是无人机下一时刻的转弯角，当无人机的飞行方向时，无人机只能以最大转向角转向,即这时，下一个时刻的最优位置πk+1为
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810232678.0A CN108536171B (zh) | 2018-03-21 | 2018-03-21 | 一种多约束下多无人机协同跟踪的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810232678.0A CN108536171B (zh) | 2018-03-21 | 2018-03-21 | 一种多约束下多无人机协同跟踪的路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108536171A true CN108536171A (zh) | 2018-09-14 |
| CN108536171B CN108536171B (zh) | 2020-12-29 |
Family
ID=63484444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810232678.0A Active CN108536171B (zh) | 2018-03-21 | 2018-03-21 | 一种多约束下多无人机协同跟踪的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108536171B (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109254591A (zh) * | 2018-09-17 | 2019-01-22 | 北京理工大学 | 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法 |
| CN109448434A (zh) * | 2018-10-16 | 2019-03-08 | 张亮 | 无人驾驶车辆群体决策方法 |
| CN110133608A (zh) * | 2019-04-04 | 2019-08-16 | 杭州电子科技大学 | 合作外辐射源双基雷达协同路径规划多步优化方法 |
| CN110162093A (zh) * | 2019-06-13 | 2019-08-23 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于几何相似性设计的高适应性编队控制方法 |
| CN110285812A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 多目标跟踪中基于目标威胁度的传感器匹配方法及系统 |
| CN110312085A (zh) * | 2019-06-06 | 2019-10-08 | 武汉易科空间信息技术股份有限公司 | 基于多个无人机航拍技术的图像融合方法及系统 |
| CN112066991A (zh) * | 2020-09-07 | 2020-12-11 | 常州微亿智造科技有限公司 | 多约束条件下智能飞行器航迹快速规划方法、装置 |
| CN112269401A (zh) * | 2020-09-04 | 2021-01-26 | 河南大学 | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 |
| CN112596395A (zh) * | 2020-12-24 | 2021-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种多重信息约束下的多智能体一致性协同控制方法 |
| CN112923925A (zh) * | 2021-01-07 | 2021-06-08 | 天津大学 | 双模式盘旋追踪地面目标的多无人机协同航迹规划方法 |
| CN113011475A (zh) * | 2021-01-29 | 2021-06-22 | 深圳信息职业技术学院 | 考虑相关噪声和随机参数矩阵的分布式融合算法 |
| CN113608555A (zh) * | 2021-10-08 | 2021-11-05 | 广东博创佳禾科技有限公司 | 多无人机协同控制方法和装置 |
| WO2022000967A1 (zh) * | 2020-07-02 | 2022-01-06 | 苏州艾吉威机器人有限公司 | 一种路径跟踪控制方法、系统及计算机可读存储介质 |
| CN114115331A (zh) * | 2021-10-29 | 2022-03-01 | 西安电子科技大学 | 一种多无人机多载荷协同侦察方法 |
| CN114545968A (zh) * | 2022-02-18 | 2022-05-27 | 南京理工大学 | 基于纯方位定位的无人机集群多目标跟踪轨迹规划方法 |
| CN116520890A (zh) * | 2023-07-05 | 2023-08-01 | 杭州柯林电气股份有限公司 | 一种可三维全息巡视的无人机控制平台 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6563451B1 (en) * | 2002-01-16 | 2003-05-13 | Raytheon Company | Radar imaging system and method |
| US20120072990A1 (en) * | 2010-09-22 | 2012-03-22 | The Boeing Company | Cost function for data transmission |
| CN104019817A (zh) * | 2014-05-30 | 2014-09-03 | 哈尔滨工程大学 | 一种用于卫星姿态估计的范数约束强跟踪容积卡尔曼滤波方法 |
| CN106054604A (zh) * | 2016-06-02 | 2016-10-26 | 西北工业大学 | 基于模型预测控制理论的再入飞行器鲁棒最优制导方法 |
| CN106647784A (zh) * | 2016-11-15 | 2017-05-10 | 天津大学 | 基于北斗导航系统的微小型无人飞行器定位与导航方法 |
| CN106681353A (zh) * | 2016-11-29 | 2017-05-17 | 南京航空航天大学 | 基于双目视觉与光流融合的无人机避障方法及系统 |
| CN106777489A (zh) * | 2016-11-22 | 2017-05-31 | 中国人民解放军陆军军官学院 | 无人机载光电稳定转台跟踪态建模仿真方法 |
| CN106873628A (zh) * | 2017-04-12 | 2017-06-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
| CN107356922A (zh) * | 2017-08-30 | 2017-11-17 | 电子科技大学 | 一种扩表辅助法解模糊的多重频雷达目标检测前跟踪方法 |
-
2018
- 2018-03-21 CN CN201810232678.0A patent/CN108536171B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6563451B1 (en) * | 2002-01-16 | 2003-05-13 | Raytheon Company | Radar imaging system and method |
| US20120072990A1 (en) * | 2010-09-22 | 2012-03-22 | The Boeing Company | Cost function for data transmission |
| CN104019817A (zh) * | 2014-05-30 | 2014-09-03 | 哈尔滨工程大学 | 一种用于卫星姿态估计的范数约束强跟踪容积卡尔曼滤波方法 |
| CN106054604A (zh) * | 2016-06-02 | 2016-10-26 | 西北工业大学 | 基于模型预测控制理论的再入飞行器鲁棒最优制导方法 |
| CN106647784A (zh) * | 2016-11-15 | 2017-05-10 | 天津大学 | 基于北斗导航系统的微小型无人飞行器定位与导航方法 |
| CN106777489A (zh) * | 2016-11-22 | 2017-05-31 | 中国人民解放军陆军军官学院 | 无人机载光电稳定转台跟踪态建模仿真方法 |
| CN106681353A (zh) * | 2016-11-29 | 2017-05-17 | 南京航空航天大学 | 基于双目视觉与光流融合的无人机避障方法及系统 |
| CN106873628A (zh) * | 2017-04-12 | 2017-06-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
| CN107356922A (zh) * | 2017-08-30 | 2017-11-17 | 电子科技大学 | 一种扩表辅助法解模糊的多重频雷达目标检测前跟踪方法 |
Non-Patent Citations (1)
| Title |
|---|
| RYAN R. PITRE ; X. RONG LI ; R. DELBALZO: "UAV Route Planning for Joint Search and Track Missions—An Information-Value Approach", 《 IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109254591A (zh) * | 2018-09-17 | 2019-01-22 | 北京理工大学 | 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法 |
| CN109254591B (zh) * | 2018-09-17 | 2021-02-12 | 北京理工大学 | 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法 |
| CN109448434A (zh) * | 2018-10-16 | 2019-03-08 | 张亮 | 无人驾驶车辆群体决策方法 |
| CN110133608A (zh) * | 2019-04-04 | 2019-08-16 | 杭州电子科技大学 | 合作外辐射源双基雷达协同路径规划多步优化方法 |
| CN110312085A (zh) * | 2019-06-06 | 2019-10-08 | 武汉易科空间信息技术股份有限公司 | 基于多个无人机航拍技术的图像融合方法及系统 |
| CN110162093A (zh) * | 2019-06-13 | 2019-08-23 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于几何相似性设计的高适应性编队控制方法 |
| CN110162093B (zh) * | 2019-06-13 | 2022-02-11 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于几何相似性设计的高适应性编队控制方法 |
| CN110285812A (zh) * | 2019-06-27 | 2019-09-27 | 电子科技大学 | 多目标跟踪中基于目标威胁度的传感器匹配方法及系统 |
| WO2022000967A1 (zh) * | 2020-07-02 | 2022-01-06 | 苏州艾吉威机器人有限公司 | 一种路径跟踪控制方法、系统及计算机可读存储介质 |
| CN112269401B (zh) * | 2020-09-04 | 2021-07-20 | 河南大学 | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 |
| CN112269401A (zh) * | 2020-09-04 | 2021-01-26 | 河南大学 | 基于跟踪精度与风险控制的自适应主动传感器跟踪方法 |
| CN112066991A (zh) * | 2020-09-07 | 2020-12-11 | 常州微亿智造科技有限公司 | 多约束条件下智能飞行器航迹快速规划方法、装置 |
| CN112596395A (zh) * | 2020-12-24 | 2021-04-02 | 中国科学院重庆绿色智能技术研究院 | 一种多重信息约束下的多智能体一致性协同控制方法 |
| CN112596395B (zh) * | 2020-12-24 | 2022-05-24 | 中国科学院重庆绿色智能技术研究院 | 一种多重信息约束下的多智能体一致性协同控制方法 |
| CN112923925A (zh) * | 2021-01-07 | 2021-06-08 | 天津大学 | 双模式盘旋追踪地面目标的多无人机协同航迹规划方法 |
| CN112923925B (zh) * | 2021-01-07 | 2023-02-21 | 天津大学 | 双模式盘旋追踪地面目标的多无人机协同航迹规划方法 |
| CN113011475A (zh) * | 2021-01-29 | 2021-06-22 | 深圳信息职业技术学院 | 考虑相关噪声和随机参数矩阵的分布式融合算法 |
| CN113608555A (zh) * | 2021-10-08 | 2021-11-05 | 广东博创佳禾科技有限公司 | 多无人机协同控制方法和装置 |
| CN114115331A (zh) * | 2021-10-29 | 2022-03-01 | 西安电子科技大学 | 一种多无人机多载荷协同侦察方法 |
| CN114115331B (zh) * | 2021-10-29 | 2024-04-05 | 西安电子科技大学 | 一种多无人机多载荷协同侦察方法 |
| CN114545968A (zh) * | 2022-02-18 | 2022-05-27 | 南京理工大学 | 基于纯方位定位的无人机集群多目标跟踪轨迹规划方法 |
| CN114545968B (zh) * | 2022-02-18 | 2023-09-26 | 南京理工大学 | 基于纯方位定位的无人机集群多目标跟踪轨迹规划方法 |
| CN116520890A (zh) * | 2023-07-05 | 2023-08-01 | 杭州柯林电气股份有限公司 | 一种可三维全息巡视的无人机控制平台 |
| CN116520890B (zh) * | 2023-07-05 | 2023-09-05 | 杭州柯林电气股份有限公司 | 一种可三维全息巡视的无人机控制平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108536171B (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536171A (zh) | 一种多约束下多无人机协同跟踪的路径规划方法 | |
| Zhang et al. | Vision-based target three-dimensional geolocation using unmanned aerial vehicles | |
| CN103941233B (zh) | 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法 | |
| Langelaan et al. | Wind field estimation for autonomous dynamic soaring | |
| CN104809326A (zh) | 一种异步传感器空间配准算法 | |
| CN108759839A (zh) | 一种基于态势空间的无人飞行器路径规划方法 | |
| CN107743299A (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 | |
| Lin et al. | Adaptive EKF-CMAC-based multisensor data fusion for maneuvering target | |
| CN109901108A (zh) | 一种基于后验线性化置信传播的编队无人机协同定位方法 | |
| Wang et al. | Active sensing based cooperative target tracking using UAVs in an urban area | |
| CN103499809B (zh) | 一种纯方位双机协同目标跟踪定位路径规划方法 | |
| Kim | Three dimensional tracking of a maneuvering emitter utilizing doppler-bearing measurements of a constant velocity observer | |
| CN109709592A (zh) | 一种北斗辅助列车定位算法 | |
| CN109186614A (zh) | 一种航天器间近距离自主相对导航方法 | |
| Chen et al. | TDOA/FDOA mobile target localization and tracking with adaptive extended Kalman filter | |
| CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
| Roh et al. | Trajectory optimization using Cramér-Rao lower bound for bearings-only target tracking | |
| CN107390166A (zh) | 一种自适应干扰源定位飞行校验方法 | |
| CN105510907B (zh) | 一种基于强散射点目标探测的弱散射点目标跟踪逼近方法 | |
| Ehrman et al. | Extended Kalman filter for estimating aircraft orientation from velocity measurements | |
| Han et al. | Method of target tracking with Doppler blind zone constraint | |
| Pachter et al. | Vision-based target geolocation using micro air vehicles | |
| Chen | An algorithm of mobile sensors data fusion tracking for wireless sensor networks | |
| Bhattacharya et al. | Performance evaluation of multi-sensor data fusion technique for test range application | |
| 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 |