CN110517286A - 基于多智能体控制的单目标动态跟踪与围捕方法 - Google Patents
基于多智能体控制的单目标动态跟踪与围捕方法 Download PDFInfo
- Publication number
- CN110517286A CN110517286A CN201910740239.5A CN201910740239A CN110517286A CN 110517286 A CN110517286 A CN 110517286A CN 201910740239 A CN201910740239 A CN 201910740239A CN 110517286 A CN110517286 A CN 110517286A
- Authority
- CN
- China
- Prior art keywords
- target
- seize
- state
- intelligent body
- indicate
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/207—Analysis of motion for motion estimation over a hierarchy of resolutions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于多智能体控制的单目标动态跟踪与围捕方法。目前缺乏运用多智能体控制对运动目标进行编队式跟踪与控制的方法。本发明方法通过使用序列多假设跟踪算法对运动目标状态进行估计,在杂波环境下获得目标状态后,引入基于一致性思想设计分布式控制器实现多智能体对单目标动态围捕,最后通过传感器控制方法对目标估计轨迹进行跟踪。发明方法可以使多智能体系统形成编队、保持编队,并实现对单目标的动态跟踪与围捕,加深了传统算法中对传感器控制问题及目标跟踪问题的结合。
Description
技术领域
本发明属于计算机技术领域,具体涉及一种基于多智能体控制的单目标动态跟踪与围捕方法。
背景技术
在当今的技术发展与社会服务中,由于执行任务复杂度的提高,单一的智能体已经无法完成越来越复杂的任务需求,需要通过多个智能体的协同完成任务。而多智能体协调控制系统因其兼具分布式感知与执行能力以及整体的协调并行能力,并且具有较强的鲁棒性和容错性而得到广泛关注。目前国内外对编队控制的研究内容主要包括编队形成、编队保持、队形切换、编队避障四个方面。单目标动态跟踪与围捕主要分为轨迹跟踪和动态围捕两部分。本发明中用到的轨迹跟踪方法是序列多假设跟踪算法,动态围捕算法的设计是基于一致性理论。目前,单一的多传感器控制算法以及单一的目标跟踪算法已经有了深入的研究,但是运用多智能体控制对运动目标进行编队式跟踪与控制的研究还较为缺乏。
发明内容
本发明针对现有技术的不足,提供一种多智能体控制的单目标动态跟踪与围捕方法。
本发明方法通过使用序列多假设跟踪算法对运动目标状态进行估计,在杂波环境下获得目标状态后,引入基于一致性思想设计分布式控制器实现多智能体对单目标动态围捕,最后通过传感器控制方法对目标估计轨迹进行跟踪。
本发明方法包括以下各步骤:
步骤(1).采用序列多假设跟踪算法获取目标状态估计:
步骤(1-1).描述目标状态估计问题为极大后验估计问题:
其中,为目标状态估计值,zk={zk,1,zk,2,…,zk,n},为第k次的目标测量值,n为第k次测量的数据个数,为杂波量测,xk为目标状态,sk为传感器状态,Zk={z1,z2,…,zk}为到第k次目标测量的累积值,表示概率。
航迹的状态估计由Kalman滤波更新,获取新的数据测量后,通过设置门检的方法,由马氏距离给出:其中,zk,i表示第i个信号点状态观测值,表示状态观测预测值,表示状态预测值,Sk|k-1表示传感器状态预测值,H为状态观测矩阵,T表示矩阵转置;选取最小的马氏距离ηmin,即当所有zk,i∈zk,时,表示目标漏检,没有量测产生,此时,目标的状态估计采用预测值,即
步骤(1-2).通过序列多假设跟踪算法进行数据关联:
在序列传感器条件下,使用分配集:
γk定义为:依据贝叶斯公式,序列多假设跟踪算法的概率为:
ψ分别是新目标和虚警的测量数量,c'表示归一化系数,是第l条假设,为第i个目标的测量密度,第j次测量的杂波测量密度,Τi是和原有目标关联的数量,δt表示轨迹t被传感器检测到,χt表示轨迹t被删除,PD、Pχ分别表示目标点被检测到的概率和被删除的概率,mk表示在k时刻假设的数量。
步骤(1-3).对产生的多假设进行剪枝:
采用多扫描剪枝技术,剪除不可能的假设和低概率假设,始终保持固定的假设数量。
步骤(2).多智能体控制的单目标动态围捕:
假设多智能体系统为一阶模型:q=1,2,…,w;w为智能体的个数;
设计控制器其中aqg表示两个智能体之间的权重,xq(t)、xg(t)为智能体的状态,bq为偏差向量。
当q=1时,围捕智能体x1的控制与运动方程为:其中xm(t)为运动目标在t时刻的状态,d为偏差距离,θ1是目标的轨迹切线方向与X轴的夹角,b1矩阵的四个维度,分别表示为X方向位置、X方向速度、Y方向位置、Y方向速度。
当q=2,3时,围捕智能体x2、x3的控制与运动方程为:q=2,3;β1表示围捕智能体x1运动的方向和X轴的夹角,α2为+120°、α3为-120°;θq表示偏离围捕智能体x1运动方向±120°。
当q=4时,围捕智能体x4的控制与运动方程为:θ4是围捕智能体x1和围捕智能体x2、x3的中点坐标连线求出的角度,b4是在偏差角度θ4上的向量。
本发明的有益效果:利用传感器控制方法使多智能体形成编队对单运动目标跟踪和围捕,本发明的序列多假设跟踪算法可使多智能体系统在杂波环境下对获取目标信息的利用率得到提高。本发明设计的控制器可以使多智能体编队形成更快、队形保持更稳定。相较于传统目标跟踪手段,本发明提出的算法有效提高了目标跟踪和编队控制的稳定性,一定程度上实现了目标跟踪和编队控制的联合。
附图说明
图1是目标跟踪过程中目标位置估计图;
图2是目标跟踪过程中目标速度估计图;
图3是多智能体系统偏差向量及虚拟点示意图;
图4是多智能体系统围捕单运动目标效果图;
图5是多智能体系统围捕单运动目标速度变化图。
具体实施方式
以下结合实施例以及附图对本发明作进一步说明。
一种基于多智能体控制的单目标动态跟踪与围捕方法,包括以下各步骤:
步骤(1).采用序列多假设跟踪算法获取目标状态估计:
步骤(1-1).描述目标状态估计问题为极大后验估计问题:
其中,为目标状态估计值,zk={zk,1,zk,2,…,zk,n},为第k次的目标测量值,n为第k次测量的数据个数,为杂波量测,xk为目标状态,sk为传感器状态,Zk={z1,z2,…,zk}为到第k次目标测量的累积值,表示概率。
航迹的状态估计由Kalman滤波更新,获取新的数据测量后,为避免不合理的假设,通过设置门检的方法,由以下马氏距离给出:
其中,zk,i表示第i个信号点状态观测值,表示状态观测预测值,表示状态预测值,Sk|k-1表示传感器状态预测值,H为状态观测矩阵,T表示矩阵转置;选取最小的马氏距离ηmin,即当所有zk,i∈zk,时,表示目标漏检,没有量测产生,此时,目标的状态估计采用预测值,即
步骤(1-2).通过序列多假设跟踪算法进行数据关联:
本发明使用序列传感器研究目标跟踪过程中的测量关联问题,这里的序列传感器意味着在不同的时刻可以选择不同的传感器来跟踪同一个目标,但是在某一特定时刻,只有一个传感器对目标进行跟踪。
在序列传感器条件下,使用分配集:
分配集描述独立测量值来自哪个传感器或者虚警。
其中,γk定义为:
依据贝叶斯(Bayes)公式,序列多假设跟踪算法的概率为:
ψ分别是新目标和虚警的测量数量,c'表示归一化系数,是第l条假设,为第i个目标的测量密度,第j次测量的杂波测量密度,Τi是和原有目标关联的数量,δt表示轨迹t被传感器检测到,χt表示轨迹t被删除,PD、Pχ分别表示目标点被检测到的概率和被删除的概率,mk表示在k时刻假设的数量。
步骤(1-3).对产生的多假设进行剪枝:
进行步骤(1-2)会产生很多的假设,包括不可能的假设,若不进行剪除,在得到多测量数据后,假设数目会进行指数增长,采用多扫描剪枝技术,剪除不可能的假设和低概率假设,始终保持固定的假设数量。
经过反复的迭代计算,可以得到每个时刻目标运动状态的估计值,在几何坐标上表示为一条目标运动的估计轨迹。
目标跟踪过程中目标位置估计见图1,目标跟踪过程中目标速度估计见图2。
步骤(2).多智能体控制的单目标动态围捕:
目前多智能体动态围捕研究中目标运动模型大多采用匀速直线运动模型,本文目标运动模型采用CT(匀速转弯运动)运动模型,状态向量为则系统的状态方程为:状态方程:x(k)=Ax(k-1)+w(k-1);观测方程为:z(k)=Hx(k)+υ(k)。
A为状态转移矩阵,H是观测矩阵,ω(k)、υ(k)为高斯噪声,满足ω(k)~N(0,Qk),υ(k)~N(0,Rk),状态转移矩阵A为:其中ω表示转弯角速度。设多智能体系统为一阶模型:q=1,2,…,w;w为智能体的个数;
在系统一致性基础上设计控制器其中aqg表示两个智能体之间的权重,xq(t)、xg(t)为智能体的状态,bq为偏差向量,在系统一致性的基础上使多智能体间形成一定的向量偏差,是形成多智能体编队和围捕动态目标的关键。
当q=1时,x1从运动目标获取信息,xg(t)为运动目标在t时刻的状态。围捕智能体要围捕动态目标,需让围捕智能体x1位置实时保持在目标预测轨迹上。沿目标运动轨迹的切线方向(即目标的运动方向)加上偏差向量b1,此时围捕智能体x1不再和运动目标达到系统一致,而是和运动目标位置加上向量b1后的虚拟点达成系统一致。偏差向量b1和虚拟点示意见图3。
围捕智能体x1的控制与运动方程为:其中xm(t)为运动目标在t时刻的状态,d为偏差距离,θ1是目标的轨迹切线方向与X轴的夹角,b1矩阵的四个维度,分别表示为X方向位置、X方向速度、Y方向位置、Y方向速度。
当q=2,3时,从围捕智能体x1获取信息,xg(t)为围捕智能体x1在t时刻的状态。围捕智能体x2、x3需围绕在目标的两翼,为了保持固定的多智能体编队队形运行,b2,3为偏离围捕智能体x1运动方向固定角度的两个向量。在t时刻,围捕智能体x2、x3不再和围捕智能体x1达到系统一致,而是和围捕智能体x1的位置加上向量b2,3后的虚拟点达成系统一致偏差向量b2,3和虚拟点示意见图3。
围捕智能体x2、x3的控制与运动方程为:q=2,3;β1表示围捕智能体x1运动的方向和X轴的夹角,α2为+120°、α3为-120°。θq表示偏离围捕智能体x1运动方向±120°。
当q=4时,围捕智能体x1、x2、x3分别围绕在目标位置的前方和两翼,围捕智能体x4需跟随目标运动,围捕智能体x4的状态由围捕智能体x2、x3共同决定,采取的方法由围捕智能体x2、x3的中点决定围捕智能体x4的状态,xg(t)为0.5(x2(t)+x3(t))。围捕智能体x4不再和围捕智能体x2、x3的中点达到系统一致,而是和围捕智能体x2、x3的中点位置加上向量b2,3后的虚拟点达成系统一致。
围捕智能体x4的控制与运动方程为:θ4是围捕智能体x1和围捕智能体x2、x3的中点坐标连线求出的角度,b4是在偏差角度θ4上的向量。偏差向量b4和虚拟点示意见图3。
多智能体系统围捕单运动目标效果见图4,多智能体系统围捕单运动目标速度变化见图5。由图4、5可见,实现了目标跟踪和编队控制的联合。
Claims (1)
1.基于多智能体控制的单目标动态跟踪与围捕方法,其特征在于该方法具体如下:
步骤(1).采用序列多假设跟踪算法获取目标状态估计:
步骤(1-1).描述目标状态估计问题为极大后验估计问题:
其中,为目标状态估计值,zk={zk,1,zk,2,…,zk,n},为第k次的目标测量值,n为第k次测量的数据个数,为杂波量测,xk为目标状态,sk为传感器状态,Zk={z1,z2,…,zk}为到第k次目标测量的累积值,表示概率;
航迹的状态估计由Kalman滤波更新,获取新的数据测量后,通过设置门检的方法,由马氏距离给出:其中,zk,i表示第i个信号点状态观测值,表示状态观测预测值,表示状态预测值,Sk|k-1表示传感器状态预测值,H为状态观测矩阵,T表示矩阵转置;选取最小的马氏距离ηmin,即当所有zk,i∈zk,时,表示目标漏检,没有量测产生,此时,目标的状态估计采用预测值,即
步骤(1-2).通过序列多假设跟踪算法进行数据关联:
在序列传感器条件下,使用分配集:
γk定义为:依据贝叶斯公式,序列多假设跟踪算法的概率为: ψ分别是新目标和虚警的测量数量,c'表示归一化系数,是第l条假设,为第i个目标的测量密度,第j次测量的杂波测量密度,Τi是和原有目标关联的数量,δt表示轨迹t被传感器检测到,χt表示轨迹t被删除,PD、Pχ分别表示目标点被检测到的概率和被删除的概率,mk表示在k时刻假设的数量;
步骤(1-3).对产生的多假设进行剪枝:
采用多扫描剪枝技术,剪除不可能的假设和低概率假设,始终保持固定的假设数量;
步骤(2).多智能体控制的单目标动态围捕:
假设多智能体系统为一阶模型:q=1,2,…,w;w为智能体的个数;
设计控制器其中aqg表示两个智能体之间的权重,xq(t)、xg(t)为智能体的状态,bq为偏差向量;
当q=1时,围捕智能体x1的控制与运动方程为:其中xm(t)为运动目标在t时刻的状态,d为偏差距离,θ1是目标的轨迹切线方向与X轴的夹角,b1矩阵的四个维度,分别表示为X方向位置、X方向速度、Y方向位置、Y方向速度;
当q=2,3时,围捕智能体x2、x3的控制与运动方程为:q=2,3;β1表示围捕智能体x1运动的方向和X轴的夹角,α2为+120°、α3为-120°;θq表示偏离围捕智能体x1运动方向±120°;
当q=4时,围捕智能体x4的控制与运动方程为:θ4是围捕智能体x1和围捕智能体x2、x3的中点坐标连线求出的角度,b4是在偏差角度θ4上的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740239.5A CN110517286B (zh) | 2019-08-12 | 2019-08-12 | 基于多智能体控制的单目标动态跟踪与围捕方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910740239.5A CN110517286B (zh) | 2019-08-12 | 2019-08-12 | 基于多智能体控制的单目标动态跟踪与围捕方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517286A true CN110517286A (zh) | 2019-11-29 |
CN110517286B CN110517286B (zh) | 2022-01-14 |
Family
ID=68625004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910740239.5A Active CN110517286B (zh) | 2019-08-12 | 2019-08-12 | 基于多智能体控制的单目标动态跟踪与围捕方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517286B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399534A (zh) * | 2020-02-25 | 2020-07-10 | 清华大学 | 多无人机对空中高速运动目标的围捕方法及系统 |
CN112488359A (zh) * | 2020-11-02 | 2021-03-12 | 杭州电子科技大学 | 基于rrt与ospa距离的多智能体静止多目标围捕方法 |
CN113110182A (zh) * | 2021-04-19 | 2021-07-13 | 杭州电子科技大学 | 领导跟随多智能体系统的容错控制器设计方法 |
CN114089748A (zh) * | 2021-11-09 | 2022-02-25 | 浙江工业大学 | 一种基于轨迹预测的编队围捕方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1606769A2 (en) * | 2003-03-24 | 2005-12-21 | Siemens Corporate Research, Inc. | System and method for vehicle detection and tracking |
CN102831620A (zh) * | 2012-08-03 | 2012-12-19 | 南京理工大学 | 基于多假设跟踪数据关联的红外弱小目标搜索跟踪方法 |
CN105787959A (zh) * | 2015-11-16 | 2016-07-20 | 浙江工业大学 | 基于改进型自适应粒子滤波的多智能体网络目标跟踪方法 |
CN106204641A (zh) * | 2016-06-29 | 2016-12-07 | 电子科技大学 | 一种基于多假设检验的动态规划检测前跟踪方法 |
CN106802564A (zh) * | 2017-03-03 | 2017-06-06 | 新奥科技发展有限公司 | 多智能体系统及其控制方法 |
CN109765928A (zh) * | 2019-01-07 | 2019-05-17 | 杭州电子科技大学 | 基于移动多智能体编队的协作式控制与目标跟踪方法 |
-
2019
- 2019-08-12 CN CN201910740239.5A patent/CN110517286B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1606769A2 (en) * | 2003-03-24 | 2005-12-21 | Siemens Corporate Research, Inc. | System and method for vehicle detection and tracking |
CN102831620A (zh) * | 2012-08-03 | 2012-12-19 | 南京理工大学 | 基于多假设跟踪数据关联的红外弱小目标搜索跟踪方法 |
CN105787959A (zh) * | 2015-11-16 | 2016-07-20 | 浙江工业大学 | 基于改进型自适应粒子滤波的多智能体网络目标跟踪方法 |
CN106204641A (zh) * | 2016-06-29 | 2016-12-07 | 电子科技大学 | 一种基于多假设检验的动态规划检测前跟踪方法 |
CN106802564A (zh) * | 2017-03-03 | 2017-06-06 | 新奥科技发展有限公司 | 多智能体系统及其控制方法 |
CN109765928A (zh) * | 2019-01-07 | 2019-05-17 | 杭州电子科技大学 | 基于移动多智能体编队的协作式控制与目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
STEFANO CORALUPPI ET AL.: "Multi-Stage Multiple-Hypothesis Tracking", 《JOURNAL OF ADVANCES IN INFORMATION FUSION》 * |
李明华等: "基于分层数据关联的在线多目标跟踪算法", 《研究与开发》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111399534A (zh) * | 2020-02-25 | 2020-07-10 | 清华大学 | 多无人机对空中高速运动目标的围捕方法及系统 |
CN111399534B (zh) * | 2020-02-25 | 2021-09-17 | 清华大学 | 多无人机对空中高速运动目标的围捕方法及系统 |
CN112488359A (zh) * | 2020-11-02 | 2021-03-12 | 杭州电子科技大学 | 基于rrt与ospa距离的多智能体静止多目标围捕方法 |
CN112488359B (zh) * | 2020-11-02 | 2023-11-17 | 杭州电子科技大学 | 基于rrt与ospa距离的多智能体静止多目标围捕方法 |
CN113110182A (zh) * | 2021-04-19 | 2021-07-13 | 杭州电子科技大学 | 领导跟随多智能体系统的容错控制器设计方法 |
CN114089748A (zh) * | 2021-11-09 | 2022-02-25 | 浙江工业大学 | 一种基于轨迹预测的编队围捕方法 |
CN114089748B (zh) * | 2021-11-09 | 2024-05-03 | 浙江工业大学 | 一种基于轨迹预测的编队围捕方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110517286B (zh) | 2022-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517286A (zh) | 基于多智能体控制的单目标动态跟踪与围捕方法 | |
CN109765928A (zh) | 基于移动多智能体编队的协作式控制与目标跟踪方法 | |
CN104793201B (zh) | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 | |
CN103729859A (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
CN107066806B (zh) | 航迹关联方法及装置 | |
CN103759732B (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
CN111289965B (zh) | 一种多目标雷达快速跟踪方法及系统 | |
CN108896047A (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN116182837A (zh) | 基于视觉激光雷达惯性紧耦合的定位建图方法 | |
CN113822335B (zh) | 基于gpb1-gm-phd的序贯融合目标跟踪方法 | |
CN106546976B (zh) | 一种基于长周期非均匀采样目标跟踪处理方法及装置 | |
Wang et al. | Event-based distributed bias compensation pseudomeasurement information filter for 3D bearing-only target tracking | |
CN109856623A (zh) | 一种针对多雷达直线航迹线的目标状态估计方法 | |
CN111504327B (zh) | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 | |
Rigatos | Distributed particle filtering over sensor networks for autonomous navigation of UAVs | |
CN116772867A (zh) | 一种基于因子图的节点优选的多auv自适应协同定位方法及系统 | |
Vivone et al. | Multiple sensor Bayesian extended target tracking fusion approaches using random matrices | |
Han et al. | A multi-platform cooperative localization method based on dead reckoning and particle filtering | |
CN109670142A (zh) | 一种基于随机有限集的可分辨机动群目标状态估计方法 | |
CN109657732A (zh) | 利用目标可见性实现航迹管理的多传感器航迹融合方法 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
Messaoudi et al. | Comparison of interactive multiple model particle filter and interactive multiple model unscented particle filter for tracking multiple manoeuvring targets in sensors array | |
CN108710295A (zh) | 一种基于渐进容积信息滤波的机器人跟随方法 | |
Zhou et al. | An improved range parameterized square root cubature information filter algorithm for multi-UAV cooperative passive location | |
CN106910211A (zh) | 复杂环境下多机动目标跟踪方法 |
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 |