CN108614580A - 一种无人机目标跟踪中的分层避障控制方法 - Google Patents

一种无人机目标跟踪中的分层避障控制方法 Download PDF

Info

Publication number
CN108614580A
CN108614580A CN201810651144.1A CN201810651144A CN108614580A CN 108614580 A CN108614580 A CN 108614580A CN 201810651144 A CN201810651144 A CN 201810651144A CN 108614580 A CN108614580 A CN 108614580A
Authority
CN
China
Prior art keywords
unmanned plane
target
obstacle
avoidance
tracking
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.)
Pending
Application number
CN201810651144.1A
Other languages
English (en)
Inventor
王祥科
赵云云
贾圣德
李�杰
刘志宏
丛睿
丛一睿
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201810651144.1A priority Critical patent/CN108614580A/zh
Publication of CN108614580A publication Critical patent/CN108614580A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/10—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)
  • 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)

Abstract

本发明公开一种无人机目标跟踪中的分层避障控制方法，步骤包括：S1.基于无人机、目标的状态构建无人机目标跟踪模型；S2.基于无人机目标跟踪模型控制无人机进行目标跟踪，使用基于目标信息累积量的跟踪决策函数控制无人机动作决策，以寻找使得目标信息累积量最大化的最佳动作序列；S3.当预测到障碍且判定需要进行障碍规避时，启动对无人机进行避碰控制，使用预先基于无人机位置与障碍位置之间关系构建的避碰决策函数控制无人机动作决策，以使得无人机快速远离预测到的障碍。本发明具有实现方法简单、所需计算时间少、跟踪及避障的效率及精度高且避障效果好等优点。

Description

一种无人机目标跟踪中的分层避障控制方法
技术领域
本发明涉及无人机控制技术领域，尤其涉及一种无人机目标跟踪中的分层避障控制方法。
背景技术
无人机(UAV)已广泛用于军事以及民用领域，无人机在目标跟踪中，目标的可观察性是通过操纵安装在无人机上的传感器来实现的，正是由于无人机的感知能力受到无人机动态性能和机载传感器性能的限制，无人机的动作决策成为目前主要的研究热点之一。同时在复杂的环境下，无人机对目标进行跟踪时可能出现突发的威胁或障碍，即飞行空间出现禁飞区(统称为障碍区)，即在目标跟踪过程中还存在障碍规避问题。
现有技术中无人机目标跟踪过程中通常都是采用惩罚函数法进行碰撞检测及碰撞规避，会存在以下问题：
1、使用惩罚函数法进行碰撞检测及规避，所需的计算时间长，使得避障控制效率较低，在检测到障碍时无法及时响应；
2、使用惩罚函数法进行碰撞检测及规避时，仍需考虑目标跟踪策略，为同时保证目标与跟踪精度，无人机的避障效果通常较差，使得无人机位于危险区域的路径较长。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、所需计算时间少、跟踪及避障的效率及精度高且避障效果好的无人机目标跟踪中的分层避障控制方法。
为解决上述技术问题，本发明提出的技术方案为：
一种无人机目标跟踪中的分层避障控制方法，步骤包括：
S1.基于无人机、目标的状态构建无人机目标跟踪模型；
S2.基于所述无人机目标跟踪模型控制无人机进行目标跟踪，使用基于目标信息累积量的跟踪决策函数控制无人机动作决策，以寻找使得所述目标信息累积量最大化的最佳动作序列；
S3.当预测到障碍且判定需要进行障碍规避时，启动对无人机进行避碰控制，使用预先基于无人机位置与障碍位置之间关系构建的避碰决策函数控制无人机动作决策，以使得无人机远离预测到的障碍。
作为本发明的进一步改进：所述步骤S1中具体基于POMDP(部分客观马尔可夫，partially observable Markov decision process)构建无人机目标跟踪模型，构建的模型中包括基于目标信息累积量定义的回报函数。
作为本发明的进一步改进：基于POMDP构建无人机目标跟踪模型具体为：基于系统状态S、动作U、观测率Ω、观测值O、回报函数R、状态转移律T以及置信状态b0构建无人机目标跟踪模型，定义一个无限区间的POMDP为一个数组M＝<S,U,T,Ω,O,R,b0>，其中所述系统状态S包括无人机的状态目标的状态以及计算得到的目标的相对位置所述动作U包括无人机的控制量所述回报函数R使用信息累积量定义；
所述状态转移律T为：
所述观测率Ω包括传感器的观测律：其中，所述目标的相对位置使用误差协方差矩阵表示。
作为本发明的进一步改进：所述步骤S2中具体使用基于Fisher信息矩阵计算无人机轨迹的信息累积量，构建基于Fisher信息矩阵的跟踪决策函数。
作为本发明的进一步改进，构建所述基于Fisher信息矩阵的跟踪决策函数具体步骤为：
定义k时刻的Fisher信息矩阵为：
其中，p(z1:k|xk)表示测量的似然概率，z1:k表示在笛卡尔坐标中从t1到当前时刻对目标位置的观测序列，为目标的相对位置且
以递归的形式计算Fisher信息矩阵：
其中，rk为目标与无人机的相对距离；
使用在H个采样点处Fisher信息矩阵的行列式之和近似无人机轨迹的累积信息，即：
其中，ftracking为信息累积量，Gi为i时刻Fisher信息矩阵；
构建得到基于Fisher信息矩阵的跟踪决策函数，以使得无人机的动作决策过程找到所述信息累积量ftracking最大化的最佳动作序列。
作为本发明的进一步改进，所述步骤S2中控制无人机进行目标跟踪步骤包括：
S21.初始化置信状态；
S22.获得观测值后更新目标的置信状态；
S23.估计未来指定时间段内的信息累积量；
S24.求解所述跟踪决策函数的最优策略，以寻找到使得所述信息累积量最大化的最佳动作序列。
作为本发明的进一步改进：所述步骤S22中具体使用卡尔曼滤波方法更新目标的置信状态。
作为本发明的进一步改进：所述步骤S3中具体通过由无人机到危险圈的切线构建锥体，基于构建的锥体使用碰撞锥法预测障碍，当无人机的速度矢量位于碰撞锥内时，判定无人机将进入危险区域或禁飞区域，启动对无人机进行避碰控制。
作为本发明的进一步改进：所述避碰决策函数具体为基于无人机位置与所述碰撞锥位置之间的距离构建得到，所述步骤S3无人机决策过程中基于所述避碰决策函数控制使无人机尽快远离所述碰撞锥。
作为本发明的进一步改进，所述避碰决策函数具体为：
其中，dis(.)表示两点之间的距离，(xO,yO)为所述碰撞锥的切点，为受当前时刻的动作策略影响得到的t2时刻的无人机位置，且 为检测到障碍t0时刻无人机的状态，为无人机的位置，为无人机的速度和航向角；
所述步骤S3无人机决策过程中使用使fH＝1最小策略，使无人机尽可能的接近所述碰撞锥的切点，以尽快远离碰撞锥区域。
与现有技术相比，本发明的优点在于：
1)本发明无人机目标跟踪中的分层避障控制方法，通过将无人机动作决策分为目标跟踪和避障两部分，实现无人机在目标跟踪过程中的分层障碍规避，进行目标跟踪时使用基于信息累积量的跟踪决策函数，无人机由目标信息累积量确定最佳动作序列，可以降低计算成本和位置不确定性，有效提高目标跟踪的精度及效率，同时当预测到碰撞时启动避碰控制，调整使用基于无人机位置与障碍位置之间关系的避碰决策函数以规避障碍，由于避碰控制时只考虑避障，不考虑跟踪策略，能够减少计算时间并提高避障精度，在无人机检测到障碍时可以快速响应而避免进一步接近障碍，从而在整个无人机动作决策过程中可以同时确保跟踪和避障的精度和效率。
2)本发明无人机目标跟踪中的分层避障控制方法，进一步基于POMDP构建无人机目标跟踪模型，可以在POMDP决策框架下充分利用信息累积量进行无人机快速避障控制。
3)本发明无人机目标跟踪中的分层避障控制方法，进一步使用Fisher信息距离来解决POMDP的优化问题，基于Fisher信息量来构建跟踪决策函数，可以从信息几何的角度对测量信息进行建模，从而能够定量的描述测量的本质特征，进一步提高跟踪精度。
4)本发明无人机目标跟踪中的分层避障控制方法，使用碰撞锥进行障碍检测判断，同时在检测到障碍后的下一个运动周期中只考虑避碰策略，基于无人机位置与碰撞锥位置之间的距离构建的避碰决策函数控制无人机进行避障，从而通过牺牲一定的跟踪精度来尽可能的快速响应而避免障碍，使得无人机可以快速响应后尽快的远离碰撞锥，相比于传统的惩罚函数法相比，所需的计算时间更小，并且无人机避障效果更好。
附图说明
图1是本实施例无人机目标跟踪中的分层避障控制方法的实现流程示意图。
图2是本实施例构建的碰撞锥的结构原理示意图。
图3是采用本发明方法与传统惩罚函数法的无人机运动轨迹对比结果示意图。
图4是采用本发明方法与传统惩罚函数法的跟踪误差对比结果示意图。
图5是采用本发明方法与传统惩罚函数法的计算时间对比结果示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
如图1所示，本实施例无人机目标跟踪中的分层避障控制方法，步骤包括：
S1.基于无人机、目标的状态构建无人机目标跟踪模型；
S2.基于无人机目标跟踪模型控制无人机进行目标跟踪，使用基于目标信息累积量的跟踪决策函数控制无人机动作决策，以寻找使得目标信息累积量最大化的最佳动作序列；
S3.当预测到障碍且判定需要进行障碍规避时，启动对无人机进行避碰控制，使用预先基于无人机位置与障碍位置之间关系构建的避碰决策函数控制无人机动作决策，以使得无人机快速远离预测到的障碍。
本实施例通过上述控制方法，将无人机动作决策分为目标跟踪和避障两部分，实现无人机在目标跟踪过程中的分层障碍规避，进行目标跟踪时使用基于信息累积量的跟踪决策函数，无人机由目标信息累积量确定最佳动作序列，可以降低计算成本和位置不确定性，有效提高目标跟踪的精度及效率，同时当预测到碰撞时启动避碰控制，调整使用基于无人机位置与障碍位置之间关系的避碰决策函数以规避障碍，由于避碰控制时只考虑避障，不考虑跟踪策略，能够减少计算时间并提高避障性能，在无人机检测到障碍时可以快速响应而避免进一步接近障碍，从而在整个无人机动作决策过程中可以同时确保跟踪和避障的精度和效率。
本实施例中，步骤S1中具体基于POMDP(部分客观马尔可夫)构建无人机目标跟踪模型，构建的模型中包括基于目标信息累积量定义的回报函数，以在POMDP决策框架下充分利用信息累积量进行无人机避障控制，可以进一步提高避障效率，实现无人机快速、高效避障。
本实施例中，基于POMDP构建无人机目标跟踪模型具体为：基于系统状态S、动作U、观测率Ω、观测值O、回报函数R、状态转移律T以及置信状态b0构建无人机目标跟踪模型，定义一个无限区间的POMDP为一个数组M＝<S,U,T,Ω,O,R,b0＞，其中系统状态S包括无人机的状态目标的状态以及计算得到的目标的相对位置动作U包括无人机的控制量回报函数R与状态和动作有关，本实施例具体用信息量来定义回报函数R；
状态转移律T为：
观测率Ω包括传感器的观测律：其中，误差协方差矩阵与目标的相对位置有关，且误差协方差矩阵表示为：
其中，rk、分别为目标与无人机的相对距离，距离测量方差和角度测量方差。
本实施例中，步骤S2中具体使用基于Fisher信息矩阵计算无人机轨迹的信息累积量，构建基于Fisher信息矩阵(FIM)的跟踪决策函数。本实施例将传感器在特定时间内获得的目标信息量用信息距离来表征，又在离散测量采样的想定中，信息距离由FIM的行列式之和给出，本实施例使用统计中Fisher信息距离来解决POMDP的优化问题，基于Fisher信息量来构建跟踪决策函数，可以从信息几何的角度对测量信息进行建模，从而能够定量的描述测量的本质特征，进一步降低计算成本和位置不确定性，提高跟踪精度。
本实施例中根据信息几何的相关知识，通过雷达检测模型推导出Fisher信息矩阵(FIM)，构建基于Fisher信息矩阵的跟踪决策函数具体步骤为：
定义k时刻的Fisher信息矩阵为：
其中，p(z1:k|xk)表示测量的似然概率，z1:k表示在笛卡尔坐标中从t1到当前时刻对目标位置的观测序列，为目标的相对位置且
以递归的形式计算Fisher信息矩阵：
其中，rk为目标与无人机的相对距离；
使用在H个采样点处Fisher信息矩阵的行列式之和近似无人机轨迹的累积信息，即：
其中，ftracking为信息累积量，Gi为i时刻Fisher信息矩阵；
构建得到基于Fisher信息矩阵的跟踪决策函数，以使得无人机的动作决策过程找到信息累积量ftracking最大化的最佳动作序列，即无人机在动作决策过程中，基于POMDP选择合适的动作序列，使得累计回报ftracking最大，即为找到使信息累积量最大化的最佳动作序列，在这个过程中，具体可以利用近似滚动时域方法获得整个过程中的最优动作序列。
本实施例中，步骤S2中控制无人机进行目标跟踪步骤包括：
S21.初始化置信状态；
S22.获得观测值后更新目标的置信状态；
S23.使用估计未来指定时间段内的信息累积量；
S24.求解跟踪决策函数的最优策略，以寻找到使得信息累积量最大化的最佳动作序列。
本实施例中，步骤S22中具体使用卡尔曼滤波方法更新目标的置信状态。
本实施例具体基于上述构建的POMDP模型，先初始化置信状态，获得观测值后再使用卡尔曼滤波方法更新目标的置信状态，利用上述式(5)的迭代计算估计未来指定时间段内的信息累积量ftracking，最后求解使ftracking最大化的最优策略，得到控制无人机目标跟踪的最佳动作序列。
本实施例中，步骤S3中具体通过由无人机到危险圈的切线构建锥体，基于构建的锥体使用碰撞锥法预测障碍，当无人机的速度矢量位于碰撞锥内时，判定无人机将进入危险区域或禁飞区域，启动对无人机进行避碰控制。
本实施例中，避碰决策函数具体为基于无人机位置与碰撞锥位置之间的距离构建得到，步骤S3无人机决策过程中基于避碰决策函数控制使无人机尽快远离碰撞锥。在障碍环境中，无人机需要决定在何时对检测到的障碍进行规避，本实施例使用碰撞锥法，可以方便有效的预测出障碍。本实施例构建的碰撞锥结构如图3所示，其中d为无人机和障碍之间的距离，V为无人机的速度，rdanger为危险区域的半径，Obstacle为障碍中心，rno-fly为禁飞区域的半径，由无人机到危险圈的切线构建锥体，如果无人机的速度矢量位于碰撞锥内，则说明无人机将进入危险区域甚至禁飞区域。
假设无人机检测到障碍时，即t0的状态为其中为无人机的位置，为无人机的速度和航向角，根据无人机的运动学模型，当前时刻的动作策略会影响t2时刻的无人机位置，即：
其中，
考虑到决策周期足够小，本实施例在检测到障碍后的下一个运动周期中只考虑避碰策略，通过牺牲一定的跟踪精度来尽可能的快速响应而避免障碍，基于无人机位置与碰撞锥位置之间的距离构建的避碰决策函数控制无人机进行避障，使得无人机可以快速响应后尽快的远离碰撞锥，一旦无人机飞离危险区域，返回执行S1以恢复目标跟踪，即使用基于目标信息累积量的跟踪决策函数控制无人机进行目标跟踪。
本实施例中，避碰决策函数具体为：
其中，dis(.)表示两点之间的距离，(xO,yO)为碰撞锥的切点。
步骤S3无人机决策过程中即使用fH＝1使无人机尽可能的接近碰撞锥的切点，即当预测到可能碰撞时，使用如式(8)所示的目标函数最小的策略获得下一周期的动作策略，以使无人机尽可能的接近碰撞锥的切点(xO,yO)而尽快远离碰撞锥区域。
当然在其他实施例中，根据实际的避障精度和求解时间需求，避碰决策函数也可以其他函数形式，如采用与预测位置相关的指数型函数，以使得无人机位置能够尽可能的远离碰撞锥。
在具体应用实施例中，利用上述控制方法实现无人机目标跟踪中的分层避障的详细流程包括：
(a)目标跟踪决策过程
步骤1.构建POMDP模型，并初始化置信状态；
步骤2.获得观测值后，利用卡尔曼滤波方法更新目标的置信状态；
步骤3.根据式(5)的迭代计算方法，估计未来有限时间内的信息累积量ftracking；
步骤4.利用Matlab最优化求解库函数fmincon函数求解最优策略，以寻找ftracking最大化的最佳动作序列。
(b)障碍规避过程
步骤1.检测到障碍后，使用上述碰撞锥方法判断是否需要障碍规避；
步骤2.如果需要障碍规避，使用式(8)的避障决策函数获得下一周期的动作策略；
步骤3.继续进行障碍检测，如果不需要避障，则利用(a)中的目标跟踪决策方法获得无人机的动作策略。
为验证本发明的有效性，分别使用本发明上述控制方法以及传统的惩罚函数法对无人机目标跟踪进行分层避障控制实验，实验中目标的移动速度为15m/s，障碍位于500m处，障碍的半径为50m，实验中详细计算了危险区域的平均跟踪误差，平均计算时间和航点数，使用本发明上述控制方法与传统的惩罚函数法得到的实验结果对比如图3、4、5所示，其中图3为无人机的运动轨迹对比结果，图4为跟踪误差对比结果，图5为计算时间对比结果。从实验结果可以看出，采用本发明控制方法，能够实现无人机在目标跟踪过程中的障碍规避，与传统的惩罚函数法相比，算法的平均计算时间更小，并且无人机避障效果更好，即无人机位于危险区域的路径更短。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (10)

1.一种无人机目标跟踪中的分层避障控制方法，其特征在于，步骤包括：
S1.基于无人机、目标的状态构建无人机目标跟踪模型；
S2.基于所述无人机目标跟踪模型控制无人机进行目标跟踪，使用基于目标信息累积量的跟踪决策函数控制无人机动作决策，以寻找使得所述目标信息累积量最大化的最佳动作序列；
S3.当预测到障碍且判定需要进行障碍规避时，启动对无人机进行避碰控制，使用预先基于无人机位置与障碍位置之间关系构建的避碰决策函数控制无人机动作决策，以使得无人机远离预测到的障碍。
2.根据权利要求1所述的无人机目标跟踪中的分层避障控制方法，其特征在于：所述步骤S1中具体基于POMDP构建无人机目标跟踪模型，构建的模型中包括基于目标信息累积量定义的回报函数。
3.根据权利要求2所述的无人机目标跟踪中的分层避障控制方法，其特征在于，基于POMDP构建无人机目标跟踪模型具体为：基于系统状态S、动作U、观测率Ω、观测值O、回报函数R、状态转移律T、置信状态b0构建无人机目标跟踪模型，定义一个无限区间的POMDP为一个数组M＝<S,U,T,Ω,O,R,b0>，其中所述系统状态S包括无人机的状态目标的状态以及计算得到的目标的相对位置所述动作U包括无人机的控制量所述回报函数R使用信息累积量定义；
所述状态转移律T为：
所述观测率Ω包括传感器的观测律：其中，所述目标的相对位置使用误差协方差矩阵表示。
4.根据权利要求1或2或3所述的无人机目标跟踪中的分层避障控制方法，其特征在于，所述步骤S2中具体使用基于Fisher信息矩阵计算无人机轨迹的信息累积量，构建基于Fisher信息矩阵的跟踪决策函数。
5.根据权利要求4所述的无人机目标跟踪中的分层避障控制方法，其特征在于，构建所述基于Fisher信息矩阵的跟踪决策函数具体步骤为：
定义k时刻的Fisher信息矩阵为：
其中，p(z1:k|xk)表示测量的似然概率，z1:k表示在笛卡尔坐标中从t1到当前时刻对目标位置的观测序列，为目标的相对位置且
以递归的形式计算Fisher信息矩阵：
其中，rk为目标与无人机的相对距离；
使用在H个采样点处Fisher信息矩阵的行列式之和近似无人机轨迹的累积信息，即：
其中，ftracking为信息累积量，Gi为i时刻Fisher信息矩阵；
构建得到基于Fisher信息矩阵的跟踪决策函数，以使得无人机的动作决策过程找到所述信息累积量ftracking最大化的最佳动作序列。
6.根据权利要求1或2或3所述的无人机目标跟踪中的分层避障控制方法，其特征在于，所述步骤S2中控制无人机进行目标跟踪步骤包括：
S21.初始化置信状态；
S22.获得观测值后更新目标的置信状态；
S23.估计未来指定时间段内的信息累积量；
S24.求解所述跟踪决策函数的最优策略，以寻找到使得所述信息累积量最大化的最佳动作序列。
7.根据权利要求6所述的无人机目标跟踪中的分层避障控制方法，其特征在于，所述步骤S22中具体使用卡尔曼滤波方法更新目标的置信状态。
8.根据权利要求1或2或3所述的无人机目标跟踪中的分层避障控制方法，其特征在于，所述步骤S3中具体通过由无人机到危险圈的切线构建锥体，基于构建的锥体使用碰撞锥法预测障碍，当无人机的速度矢量位于碰撞锥内时，判定无人机将进入危险区域或禁飞区域，启动对无人机进行避碰控制。
9.根据权利要求8所述的无人机目标跟踪中的分层避障控制方法，其特征在于，所述避碰决策函数具体为基于无人机位置与所述碰撞锥位置之间的距离构建得到，以基于无人机位置与所述碰撞锥位置之间的距离控制使无人机尽快远离碰撞锥区域。
10.根据权利要求9所述的无人机目标跟踪中的分层避障控制方法，其特征在于，所述避碰决策函数具体为：
其中，dis(.)表示两点之间的距离，(xO,yO)为所述碰撞锥的切点，为受当前时刻的动作策略影响得到的t2时刻的无人机位置，且 为检测到障碍t0时刻无人机的状态，为无人机的位置，为无人机的速度和航向角；
所述步骤S3无人机决策过程中使用使fH＝1最小策略，使无人机尽可能的接近所述碰撞锥的切点，以尽快远离碰撞锥区域。
CN201810651144.1A 2018-06-22 2018-06-22 一种无人机目标跟踪中的分层避障控制方法 Pending CN108614580A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810651144.1A CN108614580A (zh) 2018-06-22 2018-06-22 一种无人机目标跟踪中的分层避障控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810651144.1A CN108614580A (zh) 2018-06-22 2018-06-22 一种无人机目标跟踪中的分层避障控制方法

Publications (1)

Publication Number Publication Date
CN108614580A true CN108614580A (zh) 2018-10-02

Family

ID=63665502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810651144.1A Pending CN108614580A (zh) 2018-06-22 2018-06-22 一种无人机目标跟踪中的分层避障控制方法

Country Status (1)

Country Link
CN (1) CN108614580A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471432A (zh) * 2018-11-08 2019-03-15 南京农业大学 一种自主导航农用车最短避障路径规划方法
CN110703804A (zh) * 2019-11-11 2020-01-17 中国人民解放军国防科技大学 一种固定翼无人机集群的分层防撞控制方法
CN111328015A (zh) * 2020-01-28 2020-06-23 浙江大学 一种基于Fisher信息距离的无线传感器网络目标跟踪方法
CN111984036A (zh) * 2020-08-28 2020-11-24 中国人民解放军国防科技大学 一种基于云台相机的固定翼无人机对快速运动目标的跟踪方法
CN114721412A (zh) * 2022-03-16 2022-07-08 北京理工大学 一种基于模型预测控制的无人机轨迹跟踪避障方法
CN114995506A (zh) * 2022-06-20 2022-09-02 西北工业大学 用于面向目标跟踪的飞行器控制方法、计算机系统及介质
CN115033027A (zh) * 2022-08-15 2022-09-09 中国民航大学 一种固定翼无人机动态避障预测管理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103365299A (zh) * 2013-08-02 2013-10-23 中国科学院自动化研究所 一种无人机的避障方法及其装置
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
CN107015571A (zh) * 2017-05-12 2017-08-04 南京航空航天大学 一种编队无人机追踪与规避移动目标的算法
CN107992065A (zh) * 2017-09-14 2018-05-04 北京航空航天大学 一种固定翼无人机群移动目标跟踪与避障防碰撞方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103365299A (zh) * 2013-08-02 2013-10-23 中国科学院自动化研究所 一种无人机的避障方法及其装置
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
CN107015571A (zh) * 2017-05-12 2017-08-04 南京航空航天大学 一种编队无人机追踪与规避移动目标的算法
CN107992065A (zh) * 2017-09-14 2018-05-04 北京航空航天大学 一种固定翼无人机群移动目标跟踪与避障防碰撞方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUNYUN ZHAO等: "A Hierarchical Decision-making Algorithm of UAV for Collision Avoidance in Target Tracking", 《2017 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471432A (zh) * 2018-11-08 2019-03-15 南京农业大学 一种自主导航农用车最短避障路径规划方法
CN110703804A (zh) * 2019-11-11 2020-01-17 中国人民解放军国防科技大学 一种固定翼无人机集群的分层防撞控制方法
CN110703804B (zh) * 2019-11-11 2023-02-28 中国人民解放军国防科技大学 一种固定翼无人机集群的分层防撞控制方法
CN111328015A (zh) * 2020-01-28 2020-06-23 浙江大学 一种基于Fisher信息距离的无线传感器网络目标跟踪方法
CN111328015B (zh) * 2020-01-28 2021-02-26 浙江大学 一种基于Fisher信息距离的无线传感器网络目标跟踪方法
CN111984036A (zh) * 2020-08-28 2020-11-24 中国人民解放军国防科技大学 一种基于云台相机的固定翼无人机对快速运动目标的跟踪方法
CN114721412A (zh) * 2022-03-16 2022-07-08 北京理工大学 一种基于模型预测控制的无人机轨迹跟踪避障方法
CN114995506A (zh) * 2022-06-20 2022-09-02 西北工业大学 用于面向目标跟踪的飞行器控制方法、计算机系统及介质
CN114995506B (zh) * 2022-06-20 2024-04-26 西北工业大学 用于面向目标跟踪的飞行器控制方法、计算机系统及介质
CN115033027A (zh) * 2022-08-15 2022-09-09 中国民航大学 一种固定翼无人机动态避障预测管理方法

Similar Documents

Publication Publication Date Title
CN108614580A (zh) 一种无人机目标跟踪中的分层避障控制方法
CN109633589A (zh) 目标跟踪中基于多模型优化多假设的多目标数据关联方法
CN107894767B (zh) 一种自动驾驶车辆横向运动控制对象选择方法
CN1940591B (zh) 使用传感器融合进行目标跟踪的系统和方法
CN109572694A (zh) 一种考虑不确定性的自动驾驶风险评估方法
CN107192995A (zh) 一种多层次信息融合的纯方位水下目标跟踪算法
EP2010981A2 (en) Method and system for autonomous tracking of a mobile target by an unmanned aerial vehicle
Chanel et al. Multi-target detection and recognition by uavs using online pomdps
Ma et al. Target tracking system for multi-sensor data fusion
Wang et al. Reduction of uncertainties for safety assessment of automated driving under parallel simulations
JPH075253A (ja) 標的を追跡する方法
CN108733042A (zh) 自动驾驶车辆的目标跟踪方法及装置
CN114114242A (zh) 一种基于点选航迹及航迹外推的雷达目标追赶跟踪方法
Polychronopoulos et al. Integrated object and road border tracking using 77 GHz automotive radars
CN105277939A (zh) 用于被动传感器对空观测网的目标引导方法及引导系统
CN113984066B (zh) 一种面向多目标跟踪的传感器平台路径规划方法
CN103235315A (zh) 一种多机动目标跟踪系统
CN114488104B (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN114167856B (zh) 一种基于人工情感的服务机器人局部路径规划方法
CN115792895A (zh) 一种结合ukf和随机矩阵的毫米波雷达目标跟踪方法
CN104850856A (zh) 近邻传播观测聚类的多扩展目标跟踪方法
Wang et al. Research on multi-maneuvering target tracking JPDA algorithm
Schubert et al. Performance evaluation of multiple target tracking in the absence of reference data
Zong et al. A method for robustness improvement of robot obstacle avoidance algorithm
Ding et al. Moving object tracking in support of unmanned vehicle opeartion

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181002

RJ01 Rejection of invention patent application after publication