CN110779544A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110779544A
CN110779544A CN201911052895.2A CN201911052895A CN110779544A CN 110779544 A CN110779544 A CN 110779544A CN 201911052895 A CN201911052895 A CN 201911052895A CN 110779544 A CN110779544 A CN 110779544A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
target
task
measurement
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
CN201911052895.2A
Other languages
English (en)
Other versions
CN110779544B (zh
Inventor
王雷钢
崔建岭
孔德培
戴幻尧
贾锐
吴晓朝
王建路
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.)
Chinese people's liberation army 63892
Original Assignee
Chinese people's liberation army 63892
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 Chinese people's liberation army 63892 filed Critical Chinese people's liberation army 63892
Priority to CN201911052895.2A priority Critical patent/CN110779544B/zh
Publication of CN110779544A publication Critical patent/CN110779544A/zh
Application granted granted Critical
Publication of CN110779544B publication Critical patent/CN110779544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C23/00—Combined instruments indicating more than one navigational value, e.g. for aircraft; Combined measuring devices for measuring two or more variables of movement, e.g. distance, speed or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Abstract

本发明属于多无人机协同技术领域，公开的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，是构建一个多无人机自定位和对目标定位两任务的同步运行架构，通过将每一时刻无人机和目标的位置同时视为待求解变量，包括CSL+CTL双任务运行架构、CSL+CTL任务下测量关系和信息的传递、CSL+CTL双任务深度融合、CSL+CTL深度融合时信息处理。本发明将侦察无人机和目标均视为位置不确定的待估计对象，且考虑了多无人机位置间的相关性，基于此对目标的定位将更为客观、准确。CSL+CTL深度融合模式优于两任务独立模式下各自所能完成的任务质量。本发明可用于多无人机在执行搜救或监视等任务时的目标定位。

Description

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
技术领域
本发明属于多无人机协同技术领域，尤其涉及在多无人机同时承担自定位和目标定位两类任务时的两任务的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。
背景技术
协同作业为提高无人机能力提供了一种新的工作模式。为发挥协同效能，多无人机系统可以在多个层次进行协作，如系统内部的协作定位、外界目标协同侦察等。各层协作任务相互影响，如协作定位提高了侦察无人机的位置估计精度，而对自身更准确的位置认知又有利于提高对目标的协同侦察能力。
协作自定位Cooperative Self-Localization，CSL和协同目标定位CooperativeTarget-Localization，CTL属于多无人机协同作业的两类任务。前者面向无人机平台，以提高无人机自身的定位精度为目的，后者面向安装于无人机上的侦察系统，以提高对外界目标的认知为目的。CSL利用无人机间的相对测量，如距离、方位来提高多无人机的位置精度，将滤波技术用于CSL是主要方法之一。CTL是多个侦察无人机在侦察到外部目标时，融合多侦察者-目标的相对测量值对目标进行定位。
侦察无人机位置是CTL任务执行的基础数据。当利用滤波技术进行协作自定位时，CSL输出的无人机位置存在非确定性性和相关性(分别以方差、协方差表征)，因此在CTL中只有充分考虑这些信息因素，对目标的定位才更为准确。
在当前的应用或研究中，CSL和CTL往往作为不同的问题而分别独立解决，模式是：CSL提供侦察者位置，CTL输入侦察者位置、侦察数据，输出目标位置。这种模式下，一方面，侦察者位置数据作为CTL的输入，其不确定性和相关性往往被忽略，这就造成CTL过分相信并利用该数据。另一方面，当多个侦察者测量到同一目标时，这一测量关系将又增加侦察者间的几何约束，但在独立模式下，这些约束信息未能被用于侦察者的位置估计(即未帮助CSL任务)，这使得测量信息未能被充分利用。
发明内容
针对多无人机同时承担CSL和CTL两类任务情况，本发明提出了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。
为实现上述发明目的，本发明采用如下技术方案：
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，构建一个多无人机自定位和对目标定位两任务的同步运行架构，通过将每一时刻无人机和目标的位置同时视为待求解变量，本架构安装有线速度和相对距离测量设备、目标搜索测量设备、无线通信设备的无人机，一个具有信息处理能力的中心无人机，中心无人机有通信设备，及与各无人机通信：设置有N个无人机，无人机编号集表示为C，被侦察目标一个，表示为o；具体实施步骤如下：
一、CSL+CTL双任务运行架构，深度融合时，两任务的输出/输出关系；在每一时刻，CSL输出各侦察者的位置及其不确定度和相关度；进行CTL任务时，在估计出目标位置的同时，侦察者的位置被重新估计，该估计结果又将继续作为下一时刻的CSL任务的前提输入；
二、CSL+CTL任务下，测量关系和信息传递的关系，测量信息种类包括无人机自身运动测量、无人机之间相对测量、无人机对目标的测量；自身运动参数能够被连续地测量，而受测量环境条件的影响，无人机间的相对测量并非一直存在，但其出现频次仍高于无人机对目标的测量频次，即无人机与目标非合作；
每隔一固定周期，各无人机都将自身的运动测量、对友邻无人机的相对测量、对目标的相对测量传送与中心无人机；中心无人机在利用这些信息完成融合后，估计出无人机位置、目标位置，它们是否反馈与无人机由实际需要而定；
三、CSL+CTL双任务深度融合流程，各无人机负责测量数据采集，中心无人机运行处理算法，负责估计无人机和目标的位置，具体过程如下：
步骤一：无人机采集、发送数据
任务开始后，各无人机开始侦察邻近无人机和目标，期间测量采集三类数据：自身运动参数的线速度，无人机间相对测量无人机间相对测量zij(k)(i,j∈C)、无人机与目标相对测量zio(i∈C)；
若无人机收到任务停止指令，则停止工作；若无人机没有收到停止指令，则每隔一固定周期，各无人机将三类数据打包发送与中心无人机；
步骤二：中心无人机处理数据
当中心无人机接收到各无人机发送来的数据后，对数据作如下处理：
(1)估计无人机预期位置
利用式(19)(20)计算各测量无人机预期位置以及预期位置协方差
Figure BDA0002255774730000033
Figure BDA0002255774730000034
其中
Figure BDA0002255774730000035
Δ(k)＝diag[Δ1；…ΔN],
Figure BDA0002255774730000036
δ表示采样周期，G(k)＝diag[G1…GN],
Figure BDA0002255774730000037
Figure BDA0002255774730000038
(2)判断是否存在无人机间相对测量zij(k)，
1)若不存在，按照(21)(22)获得
Figure BDA0002255774730000039
Figure BDA00022557747300000310
Figure BDA00022557747300000311
2)若存在，则进行协作自定位，按照下式对预期位置进行更新；
Figure BDA00022557747300000312
Figure BDA00022557747300000313
Figure BDA0002255774730000041
其中
Figure BDA0002255774730000042
表示后验位置，
Figure BDA0002255774730000043
为对应协方差；h(·)为相对测量关系表达式，H(k+1)为h(·)的线性化展开，R(k)＝diag[R1…RN]表示测量噪声方差形成的对角阵；
(3)判断是否存在无人机与目标间的相对测量zio(k)，若存在则进行CSL+CTL的深度融合，重新获得无人机位置，并估计出目标位置，否则本次接收数据处理完毕；
步骤三：中心无人机将估计的无人机位置
Figure BDA0002255774730000044
各估计误差间的协方差
Figure BDA0002255774730000045
目标位置，根据实际任务需求发送与不同的需求者。返回步骤一重复执行，直到无人机接收到任务停止指令，停止工作；
四、CSL+CTL深度融合时信息处理流程，当中心无人机接收到的数据中包含无人机-目标相对测量时，则进行深度融合，具体步骤如下：
1：建立全局代价函数
Figure BDA0002255774730000046
其中zmo表示侦察无人机测量到与目标距离值，
Figure BDA0002255774730000047
表示测量方差；初始化迭代变量：令
Figure BDA0002255774730000048
上标表示迭代步数，由计算S0；
2：计算迭代模型系数
(1)若无人机i测量到目标，则根据(27)计算无人机位置估计的迭代系数ai，
Figure BDA0002255774730000049
Figure BDA00022557747300000410
(2)若无人机i未测量到目标，则根据(28)计算位置估计的迭代系数ai，
(3)计算目标位置估计的迭代系数ao，
Figure BDA0002255774730000052
计算公式如下：
Figure BDA0002255774730000053
3：迭代优化
1)令：
Figure BDA0002255774730000054
根据(30)计算无人机位置估计，
Figure BDA0002255774730000055
2)根据(31)估计目标位置，
Figure BDA0002255774730000056
4：计算迭代估计的协方差
(1)根据(32)计算2n+1个σ点，
Figure BDA0002255774730000057
(2)根据(33)计算σ的传播，
Figure BDA0002255774730000058
其中fi(·)对应于(30)(31)，
Figure BDA0002255774730000059
表示
Figure BDA00022557747300000510
的第i块元素。
(3)根据(34)(35)计算迭代估计Xs+1的误差协方差
Figure BDA00022557747300000511
Figure BDA00022557747300000512
5：迭代终止判断
将xs+1，
Figure BDA0002255774730000061
代入(26)计算Ss+1，判断(36)是否成立，即：
Ss+1-Ss≤ε (18)
其中ε为迭代终止的阈值，若(36)成立，则令：
Figure BDA0002255774730000062
若不成立，则返至2继续。CSL+CTL深度融合最终估计出目标位置和被重新估计的无人机位置。
由于采用上述技术方案，本发明具有如下优越性：
本发明构建的一个多无人机自定位和对目标定位两任务的同步运行架构，在该架构中，无人机位置不再是对目标位置估计的基准常值输入数据，而是通过将每一时刻无人机和目标的位置同时视为待求解变量，实现两种任务需求参数的同步输入、被估计结果的同步输出，使得无人机-目标间的测量数据也用于改进无人机的位置估计。基于该架构思想，以多无人机、目标位置估计的均方误差最小建立优化函数，其中引入多无人机位置的不确定性和位置间的相关性因素，设计基于迭代的无人机和被侦察目标位置的同步估计模型，用于实现对无人机和被侦察目标的位置估计。基于所提出的同步运行架构，自定位和对目标定位任务运行模块的输入/输出不再是传统的串行、依赖关系，实现两任务的深度配合，提高了定位精度。
本发明能够实现两任务深度融合的，将CSL和CTL所面临的场景视为一个多维标度Multi-dimensional Scaling，MDS问题，即在每一时刻，锚节点的侦察无人机、未知节点的目标、节点间相对测量构成一个快照snap-shot，建立全局代价函数，通过优化获得目标和侦察无人机的位置估计。本发明中首先以目标位置、多侦察者位置，由CSL输出、多侦察者与目标相对距离为变量，以均方误差最小为目标，建立一个包含侦察者位置的不确定性和相关性因素的全局代价函数，优化结果中不仅包含目标位置估计，还包含对侦察者的位置估计及其误差协方差。
相比于两类任务的独立运行的情况，该方法可以同时提高了CSL对侦察无人机自身和CTL对目标的定位精度，达到了两类任务相互支撑和相互促进目的。在本发明中，两类任务虽然在信息利用上深度融合，但结构上看，两任务只在输入输出形式要求一致，内部如何处理并无交联，因此两类任务的执行算法实施是独立的，这便于各自支撑算法的升级。
附图说明
图1为本发明中CSL+CTL双任务输入输出关系示意图。
图2为CSL+CTL双任务时的测量、信息传递关系示意图。
图3为本发明所述一种多无人机的CSL+CTL双任务深度融合方法处理流程示意图。
图4为CSL+CTL深度融合时信息处理流程图。
具体实施方法
下面结合附图介绍本发明的实施方式。
本发明针对安装有线速度和相对距离测量设备、目标搜索测量设备、无线通信设备的无人机，一个具有信息处理能力的中心无人机，中心无人机有通信设备，可与各无人机通信。假定有N个无人机，无人机编号集表示为C，被侦察目标一个，表示为o。
图1为CSL+CTL双任务运行架构。展示了深度融合时，两任务的输出/输出关系。在每一时刻，CSL输出各侦察者的位置及其不确定度和相关度；进行CTL任务时，在估计出目标位置的同时，侦察者的位置被重新估计，该估计结果又将继续作为下一时刻的CSL任务的前提输入。
图2为CSL+CTL任务下，测量关系和信息传递关系示意。测量信息种类包括无人机自身运动测量、无人机之间相对测量、无人机对目标的测量。自身运动参数可以被连续地测量，而受测量环境条件的影响，无人机间的相对测量并非一直存在，但其出现频次仍高于无人机对目标的测量频次(无人机与目标非合作)。
每隔一固定周期，各无人机都将自身的运动测量、对友邻无人机的相对测量(如果有)、对目标的相对测量(如果有)传送与中心无人机。中心无人机在利用这些信息完成融合后，估计出无人机位置、目标位置，它们是否反馈与无人机由实际需要而定。
图3为CSL+CTL双任务深度融合流程示意图。各无人机负责测量数据采集，中心无人机运行处理算法，负责估计无人机和目标的位置，具体过程如下：
步骤一：无人机采集、发送数据
任务开始后，各无人机开始侦察邻近无人机和目标，期间测量采集三类数据：自身运动参数(如线速度)，无人机间相对测量zij(k)(i,j∈C)(若存在)、无人机与目标相对测量zio(i∈C)(若存在)。
若无人机收到任务停止指令，则停止工作。若无人机没有收到停止指令，则每隔一固定周期，各无人机将三类数据打包发送与中心无人机。
步骤二：中心无人机处理数据
当中心无人机接收到各无人机发送来的数据后，对数据作如下处理：
(1)估计无人机预期位置
利用式(19)(20)计算各测量无人机预期位置
Figure BDA0002255774730000081
以及预期位置协方差
Figure BDA0002255774730000082
Figure BDA0002255774730000083
其中
Figure BDA0002255774730000084
Δ(k)＝diag[Δ1；…ΔN],δ表示采样周期，G(k)＝diag[G1…GN],
Figure BDA0002255774730000086
Figure BDA0002255774730000087
(2)判断是否存在无人机间相对测量zij(k)，
3)若不存在，按照(21)(22)获得
Figure BDA0002255774730000089
Figure BDA00022557747300000810
4)若存在，则进行协作自定位，按照下式对预期位置进行更新
Figure BDA0002255774730000091
Figure BDA0002255774730000092
Figure BDA0002255774730000093
其中
Figure BDA0002255774730000094
表示后验位置，为对应协方差。h(·)为相对测量关系表达式，H(k+1)为h(·)的线性化展开，R(k)＝diag[R1…RN]表示测量噪声方差形成的对角阵。
(3)判断是否存在无人机与目标间的相对测量zio(k)，若存在则进行CSL+CTL的深度融合，重新获得无人机位置，并估计出目标位置，具体实施过程如图4所示。否则本次接收数据处理完毕。
步骤三：中心无人机将估计的无人机位置各估计误差间的协方差
Figure BDA0002255774730000097
目标位置，根据实际任务需求发送与不同的需求者。返回步骤一重复执行，直到无人机接收到任务停止指令，停止工作。
图4为CSL+CTL深度融合时信息处理流程图。当中心无人机接收到的数据中包含无人机-目标相对测量时，则进行深度融合，具体步骤如下：
1：建立全局代价函数
Figure BDA0002255774730000098
其中zmo表示侦察无人机测量到与目标距离值，
Figure BDA0002255774730000099
表示测量方差。初始化迭代变量：令
Figure BDA00022557747300000910
(上标表示迭代步数)，由计算S0；
2：计算迭代模型系数
(4)若无人机i测量到目标，则根据(27)计算无人机位置估计的迭代系数ai，
Figure BDA00022557747300000911
Figure BDA00022557747300000912
(5)若无人机i未测量到目标，则根据(28)计算位置估计的迭代系数ai，
Figure BDA0002255774730000101
Figure BDA0002255774730000102
Figure BDA0002255774730000103
(6)计算目标位置估计的迭代系数ao，
Figure BDA0002255774730000104
计算公式如下：
3：迭代优化
3)令：根据(30)计算无人机位置估计，
Figure BDA0002255774730000107
4)根据(31)估计目标位置，
Figure BDA0002255774730000108
4：计算迭代估计的协方差
(4)根据(32)计算2n+1个σ点，
(5)根据(33)计算σ的传播，
Figure BDA00022557747300001010
其中fi(·)对应于(30)(31)，
Figure BDA00022557747300001011
表示
Figure BDA00022557747300001012
的第i块元素。
(6)根据(34)(35)计算迭代估计Xs1的误差协方差
Figure BDA00022557747300001013
Figure BDA0002255774730000111
Figure BDA0002255774730000112
5：迭代终止判断
将xs+1，
Figure BDA0002255774730000113
代入(26)计算Ss+1，判断(36)是否成立，即：
Ss+1-Ss≤ε (36)
其中ε为迭代终止的阈值，若(36)成立，则令：
Figure BDA0002255774730000114
若不成立，则返至2继续。CSL+CTL深度融合最终估计出目标位置和被重新估计的无人机位置。

Claims (1)

1.一种多无人机自定位和对目标定位的双任务深度配合方法，其特征在于：构建一个多无人机自定位和对目标定位两任务的同步运行架构，通过将每一时刻无人机和目标的位置同时视为待求解变量，本架构安装有线速度和相对距离测量设备、目标搜索测量设备、无线通信设备的无人机，一个具有信息处理能力的中心无人机，中心无人机有通信设备，及与各无人机通信：设置有N个无人机，无人机编号集表示为C，被侦察目标一个，表示为o；具体实施步骤如下：
一、CSL+CTL双任务运行架构，深度融合时，两任务的输出/输出关系；在每一时刻，CSL输出各侦察者的位置及其不确定度和相关度；进行CTL任务时，在估计出目标位置的同时，侦察者的位置被重新估计，该估计结果又将继续作为下一时刻的CSL任务的前提输入；
二、CSL+CTL任务下，测量关系和信息传递的关系，测量信息种类包括无人机自身运动测量、无人机之间相对测量、无人机对目标的测量；自身运动参数能够被连续地测量，而受测量环境条件的影响，无人机间的相对测量并非一直存在，但其出现频次仍高于无人机对目标的测量频次，即无人机与目标非合作；
每隔一固定周期，各无人机都将自身的运动测量、对友邻无人机的相对测量、对目标的相对测量传送与中心无人机；中心无人机在利用这些信息完成融合后，估计出无人机位置、目标位置，它们是否反馈与无人机由实际需要而定；
三、CSL+CTL双任务深度融合流程，各无人机负责测量数据采集，中心无人机运行处理算法，负责估计无人机和目标的位置，具体过程如下：
步骤一：无人机采集、发送数据
任务开始后，各无人机开始侦察邻近无人机和目标，期间测量采集三类数据：自身运动参数的线速度，无人机间相对测量无人机间相对测量zij(k)(i,j∈C)、无人机与目标相对测量zio(i∈C)；
若无人机收到任务停止指令，则停止工作；若无人机没有收到停止指令，则每隔一固定周期，各无人机将三类数据打包发送与中心无人机；
步骤二：中心无人机处理数据
当中心无人机接收到各无人机发送来的数据后，对数据作如下处理：
(1)估计无人机预期位置
利用式计算各测量无人机预期位置
Figure FDA0002255774720000021
以及预期位置协方差
Figure FDA0002255774720000022
Figure FDA0002255774720000023
Figure FDA0002255774720000024
其中Δ(k)＝diag[Δ1；…ΔN],δ表示采样周期，Q(k)＝diag[Q1…QN],
Figure FDA0002255774720000028
(2)判断是否存在无人机间相对测量zij(k)，
1)若不存在，按照获得
Figure FDA0002255774720000029
Figure FDA00022557747200000210
Figure FDA00022557747200000211
2)若存在，则进行协作自定位，按照下式对预期位置进行更新；
Figure FDA00022557747200000212
Figure FDA00022557747200000213
Figure FDA00022557747200000214
其中
Figure FDA00022557747200000215
表示后验位置，
Figure FDA00022557747200000216
为对应协方差；h(·)为相对测量关系表达式，H(k+1)为h(·)的线性化展开，R(k)＝diag[R1…RN]表示测量噪声方差形成的对角阵；
(3)判断是否存在无人机与目标间的相对测量zio(k)，若存在则进行CSL+CTL的深度融合，重新获得无人机位置，并估计出目标位置，否则本次接收数据处理完毕；
步骤三：中心无人机将估计的无人机位置
Figure FDA0002255774720000031
各估计误差间的协方差
Figure FDA0002255774720000032
目标位置，根据实际任务需求发送与不同的需求者；返回步骤一重复执行，直到无人机接收到任务停止指令，停止工作；
四、CSL+CTL深度融合时信息处理流程，当中心无人机接收到的数据中包含无人机-目标相对测量时，则进行深度融合，具体步骤如下：
1：建立全局代价函数
Figure FDA0002255774720000033
其中zmo表示侦察无人机测量到与目标距离值，
Figure FDA0002255774720000034
表示测量方差；初始化迭代变量：令
Figure FDA0002255774720000035
上标表示迭代步数，由计算S0；
2：计算迭代模型系数
(1)若无人机i测量到目标，则根据计算无人机位置估计的迭代系数ai，
Figure FDA0002255774720000036
Figure FDA0002255774720000037
(2)若无人机i未测量到目标，则根据计算位置估计的迭代系数ai，
Figure FDA0002255774720000038
(3)计算目标位置估计的迭代系数ao，
Figure FDA00022557747200000310
计算公式如下：
3：迭代优化
1)令：
Figure FDA0002255774720000041
根据计算无人机位置估计，
Figure FDA0002255774720000042
2)根据估计目标位置，
Figure FDA0002255774720000043
4：计算迭代估计的协方差
(1)根据计算2n+1个σ点，
Figure FDA0002255774720000044
(2)根据计算σ的传播，
Figure FDA0002255774720000045
其中fi(·)对应于，
Figure FDA0002255774720000046
表示
Figure FDA0002255774720000047
的第i块元素；
(3)根据计算迭代估计Xs+1的误差协方差
Figure FDA0002255774720000048
Figure FDA0002255774720000049
Figure FDA00022557747200000410
5：迭代终止判断
将xs+1，
Figure FDA00022557747200000411
代入计算Ss+1，判断是否成立，即：
Ss+1-Ss≤ε
其中ε为迭代终止的阈值，若成立，则令：
Figure FDA00022557747200000412
若不成立，则返至2继续；CSL+CTL深度融合最终估计出目标位置和被重新估计的无人机位置。
CN201911052895.2A 2019-10-31 2019-10-31 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 Active CN110779544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911052895.2A CN110779544B (zh) 2019-10-31 2019-10-31 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911052895.2A CN110779544B (zh) 2019-10-31 2019-10-31 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

Publications (2)

Publication Number Publication Date
CN110779544A true CN110779544A (zh) 2020-02-11
CN110779544B CN110779544B (zh) 2024-03-19

Family

ID=69388071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911052895.2A Active CN110779544B (zh) 2019-10-31 2019-10-31 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

Country Status (1)

Country Link
CN (1) CN110779544B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337875A (zh) * 2020-04-13 2020-06-26 北京航天长征飞行器研究所 一种空间多站多体制降维定位方法
CN111654814A (zh) * 2020-05-28 2020-09-11 联想(北京)有限公司 一种定位方法、无人机及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2321459A1 (en) * 1999-10-01 2001-04-01 Genesis Financial Products Inc. Computer-based method for creating an optimal configuration of at least one life insurance policy
US20100315290A1 (en) * 2009-06-16 2010-12-16 L3 Communications Integrated Systems, L.P. Globally-convergent geo-location algorithm
CN204965035U (zh) * 2015-08-31 2016-01-13 成都科创城科技有限公司 一种智能家居中控系统的多普勒语音采集装置
CN107743299A (zh) * 2017-09-08 2018-02-27 天津大学 面向无人机机载移动传感器网络的一致性信息滤波算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2321459A1 (en) * 1999-10-01 2001-04-01 Genesis Financial Products Inc. Computer-based method for creating an optimal configuration of at least one life insurance policy
US20100315290A1 (en) * 2009-06-16 2010-12-16 L3 Communications Integrated Systems, L.P. Globally-convergent geo-location algorithm
CN204965035U (zh) * 2015-08-31 2016-01-13 成都科创城科技有限公司 一种智能家居中控系统的多普勒语音采集装置
CN107743299A (zh) * 2017-09-08 2018-02-27 天津大学 面向无人机机载移动传感器网络的一致性信息滤波算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MORBIDI F等: "Active target tracking and cooperative localization for teams of aerial vehicles", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》, vol. 21, no. 5, pages 1694 - 1707, XP011526018, DOI: 10.1109/TCST.2012.2221092 *
于卓静: "运动目标协同定位与精度评估研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 02, pages 140 - 609 *
顼自强等: "基于一致性的水下目标协同定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 05, pages 136 - 284 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111337875A (zh) * 2020-04-13 2020-06-26 北京航天长征飞行器研究所 一种空间多站多体制降维定位方法
CN111654814A (zh) * 2020-05-28 2020-09-11 联想(北京)有限公司 一种定位方法、无人机及计算机可读存储介质
CN111654814B (zh) * 2020-05-28 2022-03-25 联想(北京)有限公司 一种定位方法、无人机及计算机可读存储介质

Also Published As

Publication number Publication date
CN110779544B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
US11255677B2 (en) Intelligent device navigation method and navigation system
CN108255791B (zh) 基于分布式传感器一致性的机动目标跟踪方法
CN112525218B (zh) 一种ins/dvl组合导航系统鲁棒智能协同校准方法
Fang et al. Graph optimization approach to range-based localization
CN105043388A (zh) 基于惯性/重力匹配组合导航的向量搜索迭代匹配方法
CN111536967A (zh) 一种基于ekf的多传感器融合温室巡检机器人跟踪方法
CN106772478A (zh) 一种基于历元‑星间差分约束的定位方法
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
CN113342059B (zh) 基于位置和速度误差的多无人机跟踪移动辐射源方法
CN110779544A (zh) 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
CN108717174B (zh) 基于信息论的预测快速协方差交互融合无源协同定位方法
CN114166221B (zh) 动态复杂矿井环境中辅助运输机器人定位方法及系统
Wen et al. GNSS/LiDAR integration aided by self-adaptive Gaussian mixture models in urban scenarios: An approach robust to non-Gaussian noise
CN110967017A (zh) 一种用于双移动机器人刚体协作搬运的协同定位方法
CN113532439B (zh) 输电线路巡检机器人同步定位与地图构建方法及装置
CN103096465A (zh) 一种环境自适应的多目标直接定位方法
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
Kong et al. Hybrid indoor positioning method of BLE and monocular VINS based smartphone
CN115226027A (zh) 一种WiFi室内指纹定位方法及装置
CN114415157A (zh) 一种基于水声传感器网络的水下目标多模型跟踪方法
CN114994600A (zh) 基于高度辅助的大规模矿井下用户三维实时定位方法
Kausar et al. A novel Kalman filter based trilateration approach for indoor localization problem
CN112762936A (zh) 一种运用于长航时无人机载荷的多源定位信息融合方法
CN116929350B (zh) 一种基于数据链测距的快速临机重构协同导航系统及方法
Grabowsky et al. Machine learning for wireless distance estimation model parameter estimation for breadcrumb localization applications

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