CN111397607B - 一种采用并行融合机制的信息滤波方法 - Google Patents

一种采用并行融合机制的信息滤波方法 Download PDF

Info

Publication number
CN111397607B
CN111397607B CN202010197422.8A CN202010197422A CN111397607B CN 111397607 B CN111397607 B CN 111397607B CN 202010197422 A CN202010197422 A CN 202010197422A CN 111397607 B CN111397607 B CN 111397607B
Authority
CN
China
Prior art keywords
information
local
filter
covariance
matrix
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.)
Active
Application number
CN202010197422.8A
Other languages
English (en)
Other versions
CN111397607A (zh
Inventor
徐博
刘梁
李盛新
吴磊
王连钊
金坤明
张大龙
张奂
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202010197422.8A priority Critical patent/CN111397607B/zh
Publication of CN111397607A publication Critical patent/CN111397607A/zh
Application granted granted Critical
Publication of CN111397607B publication Critical patent/CN111397607B/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
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种采用并行融合机制的信息滤波方法，通过将实时更新的局部后验估计均值和协方差用于局部无迹信息滤波器，使无迹信息滤波器和加权平均一致性滤波器并行运行，保证算法在随机动态通信拓扑正常运行，对平均一致性滤波器的改进和通信拓扑拉普拉斯矩阵次小特征根的最大化，使算法具有更好的稳定性，准确率和收敛速率，具有较高的工程应用价值。

Description

一种采用并行融合机制的信息滤波方法
技术领域
本发明涉及一种采用并行融合机制的分布式无迹信息滤波算法，适用于稀疏动态无线传感器网络下的目标追踪定位方法，属于无人机集群协同导航技术领域。
背景技术
协同导航通过多传感器的信息协同，提高定位准确性与可靠性。同时，信息融合估计是多无人机协同导航算法中关键的一环，对来自于不同传感器节点的多源信息进行合理有效地状态估计融合，也是开展无线传感器网络应用的重要基础。应用于无线传感器网络的多源信息状态估计融合方法一般可以分为集中式和分布式两种。分布式方法不需要唯一信息融合中心的存在，允许邻居节点之间进行互相通信和信息的并行处理，从而在对计算和通信复杂度的要求、以及容错性等方面,相对于集中式方法具有较为明显的优势，因而逐渐受到研究人员的青睐。根据对无线传感器网络无线通信拓扑的适应能力的不同,分布式方法又主要可以分为两种形式,分别是以信道滤波器和以基于一致性算法的分布式滤波器为代表的消息扩散形式。其中，消息传递方法依赖于树形或者环形等特殊通信拓扑，对于实际中普遍存在的随机动态通信拓扑则几乎无法适用；消息扩散方法，特别是基于一致性算法的分布式滤波器，只需要邻居节点之间进行单跳通信，因而在理论上对于通信拓扑具有较强的普适性，从而逐渐成为分布式方法研究的主要方向。从上述内容可以看出，通信拓扑正深刻影响着分布式方法研究的发展方向。由于传感器感知和通信范围有限、通信连接失效和节点移动等原因，稀疏和随机动态是目前无线传感器网络中主要存在的典型通信拓扑不稳定因素之一，结合相关通信拓扑不稳定因素开展应用于无线传感器网络的分布式多源信息状态估计融合方法的研究，已经成为当前的中心工作之一。本发明基于上述问题考虑，提出可在“稀疏”和“动态”通信拓扑条件下稳定，快速和准确的协同导航方法。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种适用于稀疏动态无线传感器网络下的稳定，快速和准确的采用并行融合机制的信息滤波方法。
为解决上述技术问题，本发明的一种采用并行融合机制的信息滤波方法，包括以下步骤：
S1：建立观测目标的系统模型和观测模型；
S2：局部无迹信息滤波器将实时局部后验估计均值和协方差进行无迹变换，向邻近无人机发送局部观测信息；
S3：无人机接收邻近无人机发送的多源观测信息，进行信息融合处理，完成局部后验估计和协方差更新；
S4：加权平均一致性滤波器接收步骤三得到的融合信息，在即时更新机制和收敛速率优化作用下得到全局后验估计均值和协方差。
S5：重复执行步骤二至步骤四，直至导航结束。
本发明还包括：
1.S4中加权平均一致性滤波器的算法具体为：
Figure BDA0002418112800000021
Ni为任意节点i的邻居集，Wij为作用于的加权值，且满足条件
Figure BDA0002418112800000022
化为向量形式为xk+1＝Wkxk，任意时刻k的状态加权矩阵Wk＝I-αLk，拉普拉斯矩阵：
Figure BDA0002418112800000023
元素
Figure BDA0002418112800000024
dij任意节点i和j之间的欧式距离，ε、ρ1和ρ2为待定参数。
2.S4中收敛速率优化具体为：在能量消耗受限下使用半正定规划方法增大拉普拉斯矩阵Lk的次小特征根，Lk特征值可以按大小排列为：
0＝λ1(Lk)≤λ2(Lk)≤…≤λN(Lk)
则半正定规划的约束条件如下：
maxλ2(Lk),
s.t.
Figure BDA0002418112800000025
上式中λ2(Lk)为n×n拉普拉斯矩阵Lk的次小特征根，P＝[p1,p2,...,pn-1]，其中
Figure BDA0002418112800000026
并且
Figure BDA0002418112800000027
U为能量上限，C为能量矩阵，C＝[Cij]N×N＝CT，Cij为任意节点i和j之间的通信消耗：
Figure BDA0002418112800000028
其中η为比例参数。
本发明的有益效果：与现有技术相比，本发明技术方案通过设置两种滤波器并行运行，有效抵制由通信拓扑随机动态变化带来的较大一致跟踪误差的困扰；建立即使更新机制有效抑制随机动态通信拓扑引起滤波异步问题，基于上述设计方案，在通信能量受限条件下优化平均一致性滤波器的均方收敛速率，从而提高算法的整体滤波效率。
本发明的优点体现在：
一、本发明在稀疏动态无线传感器网络情况下为多无人机协同导航提供了新方案，具有较高的工程应用价值。
二、与传统的无极信息滤波方案相比，本发明提高了滤波器均方收敛速率和定位精度，可以在更大的无人机范围内完成高精度的协同导航任务。
附图说明
图1是本发明方法中的算法原理图。
图2是本发明实例中的异步即时更新机制。
图3是本发明实例中所述仿真验证时的通信状况理想时的稀疏WSN。
图4是本发明实例中所述仿真验证时的目标跟踪结果。
图5是本发明实例中所述仿真验证时的平均误差对比图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明。
如图1所示，为本发明提供的适用于稀疏动态无线传感器网络的并行分布式无迹信息滤波方法的流程图，主要针对稀疏动态无线传感器网络情况下，多无人机协同导航问题，本发明具有定位精度高、均方收敛时间短等优势。包括如下步骤：
步骤一：建立观测目标的系统模型和观测模型。在无线传感器网络中，任意传感器节点i的量测模型为
Figure BDA0002418112800000031
其中：
Figure BDA0002418112800000032
为第i个传感器的观测变量，xk∈Rn为系统状态变量，系统模型为xk＝f(xk-1)+wk-1。在上式中，f(·)和h(·)分别为对应于系统方程和观测方程的非线性函数，wk-1∈Rn和
Figure BDA0002418112800000033
是相互独立的系统和量测高斯白噪声向量，并且
Figure BDA0002418112800000034
Figure BDA0002418112800000035
其中：δ为狄拉克函数，Qk和
Figure BDA0002418112800000036
均为正定矩阵。
步骤二：如图1所示，任意无人机的局部无迹信息滤波器将实时局部后验估计均值和协方差进行无迹变换，向邻近无人机发送局部观测信息；用于Sigma点采样的是实时局部后验估计均值
Figure BDA0002418112800000041
和协方差
Figure BDA0002418112800000042
Figure BDA0002418112800000043
Figure BDA0002418112800000044
Figure BDA0002418112800000045
这里n是状态维数，而τ是无迹变换的缩放比例参数。由此，进行预测估计：
Figure BDA0002418112800000046
Figure BDA0002418112800000047
从而得到局部预测信息向量
Figure BDA0002418112800000048
和信息矩阵
Figure BDA0002418112800000049
Figure BDA00024181128000000410
其中对应于目标状态估计均值和协方差的权值分别为
Figure BDA00024181128000000411
α的选取控制了采样点的分布状态，待选参数β是一个非负的权系数，它可以合并方程中高阶项的动差，将高阶项的影响包括在内，上标m和c分别代表均值和协方差。
步骤三：无人机接收邻近无人机发送的多源观测信息，进行信息融合处理，完成局部后验估计和协方差更新；
计算局部多源观测信息
Figure BDA00024181128000000412
Figure BDA00024181128000000413
任意节点i的伪观测矩阵
Figure BDA00024181128000000414
的计算如下：
Figure BDA00024181128000000415
其中
Figure BDA0002418112800000051
Figure BDA0002418112800000052
观测更新，则可以得到局部后验估计信息向量
Figure BDA0002418112800000053
和信息矩阵
Figure BDA0002418112800000054
Figure BDA0002418112800000055
Figure BDA0002418112800000056
从而可以得到局部后验估计均值和协方差
Figure BDA0002418112800000057
步骤四：如图2，针对加权平均一致性滤波器(WACF)延迟于局部无迹信息滤波器(LUIF)的滤波异步问题，建立WACF的即时更新机制，使WACF进行一致性融合最新的局部后验估计结果和收敛速率优化作用下得到全局后验估计均值和协方差。
采用通信能量消耗受限下的交替随机一致性方法进行λ2(Lk)值的最大化：
maxλ2(Lk),
s.t.
Figure BDA0002418112800000058
其中：U为能量上限，C为能量矩阵，C＝[Cij]N×N＝CT，此处Cij为任意节点i和j之间的通信消耗：
Figure BDA0002418112800000059
此方法实质上是在稀疏WSN的动态变化过程中，不断通过半正定规划(SDP)方法对拉普拉斯矩阵进行配置,从而求解在通信消耗受限条件下的λ2(Lk)最大值和任意时刻的通信连接边权值α,实现动态拓扑优化,提高平均一致算法的均方收敛速率。
加权平均一致性滤波器接收步骤三得到的融合信息
Figure BDA00024181128000000510
和
Figure BDA00024181128000000511
执行平均一致性算法：
Figure BDA00024181128000000512
且满足条件Wii+∑Wij＝1，化为向量形式为xk+1＝Wkxk，任意时刻k的状态加权矩阵Wk＝I-αLk，拉普拉斯矩阵
Figure BDA0002418112800000061
元素
Figure BDA0002418112800000062
dij任意节点i和j之间的欧式距离，ε、ρ1和ρ2为待定参数。
两个平均一致性滤波器的输出为全局后验估计均值和协方差。
步骤五：重复执行步骤二至步骤四，直至仿真时长。
仿真验证
仿真条件：任意传感器节点i的观测模型描述如下：
Figure BDA0002418112800000063
其中：(xi,yi)为节点i的位置坐标，
Figure BDA0002418112800000064
为节点i在任意时刻k观测得到的目标位置坐标。系统噪声和观测噪声均为零均值高斯白噪声，其方差为Qk＝diag(0.1 0.1)2，Rk＝0.52，设置目标初始状态为x0＝[5 0.1 15 0.1]T。设置任意无效节点i′和任意有效节点i的初始矩阵分别为
Figure BDA0002418112800000065
和
Figure BDA0002418112800000066
采样周期为0.25s，仿真时间设置为100s。
为验证本发明的有效性，仿真环境设置为：在50×50m的环境中，随机分布50个节点，根据预先设定的通信距离显示有效通信连接边构建稀疏无线传感器网络(WSN)。图3是处于通信范围之内的任意节点i和j存在有效连接服从伯努利分布，以此来体现通信拓扑的随机动态变化，此处设置传感器节点的通信距离为
Figure BDA0002418112800000067
伯努利分布概率为0.5。图4是本发明实例中所述仿真验证时的目标跟踪结果。其中绿色粗线为真实轨迹，红色虚线为PF-DUIF算法跟踪定位结果，蓝色细线为DUIF算法跟踪定位结果，浅蓝色圆圈代表节点位置。图5是本发明实例中所述仿真验证时的平均误差对比图，上图为PF-DUIF算法的定位误差，下图为PF-DUIF算法和DUIF算法定位误差对比，其中蓝色虚线为DUIF算法定位误差，红色实线为PF-DUIF算法定位误差。由表1中可以看出，本发明方案在稀疏动态WSN中条件下，每步运行时间最少可达0.1856s，最长为0.3573s。
表1本发明仿真验证时的算法运行时间比较
Figure BDA0002418112800000071
具体实施方式还包括：
本发明公开了一种基于一致性算法的分布式无迹信息滤波算法，使其可适用于稀疏动态无线传感器网络。通过将实时更新的局部后验估计均值和协方差用于局部无迹信息滤波器，使无迹信息滤波器和加权平均一致性滤波器并行运行，保证算法在随机动态通信拓扑正常运行，对平均一致性滤波器的改进和通信拓扑拉普拉斯矩阵次小特征根的最大化，使算法具有更好的稳定性，准确率和收敛速率，具有较高的工程应用价值。包括如下步骤：
步骤一：建立观测目标的系统模型和观测模型；
步骤二：局部无迹信息滤波器将实时局部后验估计均值和协方差进行无迹变换，向邻近无人机发送局部观测信息；
步骤三：无人机接收邻近无人机发送的多源观测信息，进行信息融合处理，完成局部后验估计和协方差更新；
步骤四：加权平均一致性滤波器接收步骤三得到的融合信息，在即时更新机制和收敛速率优化作用下得到全局后验估计均值和协方差。
步骤五：重复执行步骤二至步骤四，直至导航结束。
本发明中局部无迹信息滤波器和加权平均一致性滤波器并行运行。
步骤四中所述滤波器执行的平均一致性算法如下：
Figure BDA0002418112800000072
Ni为任意节点i的邻居集，Wij为作用于的加权值，且满足条件
Figure BDA0002418112800000073
化为向量形式为xk+1＝Wkxk，任意时刻k的状态加权矩阵Wk＝I-αLk，拉普拉斯矩阵：
Figure BDA0002418112800000074
元素
Figure BDA0002418112800000081
dij任意节点i和j之间的欧式距离，ε、ρ1和ρ2为待定参数。
步骤四中即时更新机制为使加权平均一致性滤波器进行一致性融合的对象均是最新的局部后验估计结果。
步骤四中收敛速率优化方法原理是在能量消耗受限下使用半正定规划方法增大拉普拉斯矩阵Lk的次小特征根，Lk特征值可以按大小排列为
0＝λ1(Lk)≤λ2(Lk)≤…≤λN(Lk)
则半正定规划的约束条件如下
maxλ2(Lk),
s.t.
Figure BDA0002418112800000082
上式中λ2(Lk)为n×n拉普拉斯矩阵Lk的次小特征根，P＝[p1,p2,...,pn-1]，其中
Figure BDA0002418112800000083
并且
Figure BDA0002418112800000084
U为能量上限，C为能量矩阵，C＝[Cij]N×N＝CT，Cij为任意节点i和j之间的通信消耗：
Figure BDA0002418112800000085
其中η为比例参数。

Claims (2)

1.一种采用并行融合机制的信息滤波方法，其特征在于，包括以下步骤：
S1：建立观测目标的系统模型和观测模型；
S2：局部无迹信息滤波器将实时局部后验估计均值和协方差进行无迹变换，向邻近无人机发送局部观测信息；
S3：无人机接收邻近无人机发送的多源观测信息，进行信息融合处理，完成局部后验估计和协方差更新；
S4：加权平均一致性滤波器接收S3得到的融合信息，在即时更新机制和收敛速率优化作用下得到全局后验估计均值和协方差；所述收敛速率优化具体为：在能量消耗受限下使用半正定规划方法增大拉普拉斯矩阵Lk的次小特征根，Lk特征值可以按大小排列为：
0＝λ1(Lk)≤λ2(Lk)≤…≤λN(Lk)
则半正定规划的约束条件如下：
maxλ2(Lk),
Figure FDA0003809870130000011
上式中λ2(Lk)为n×n拉普拉斯矩阵Lk的次小特征根，P＝[p1,p2,...,pn-1]，其中
Figure FDA0003809870130000012
并且
Figure FDA0003809870130000013
U为能量上限，C为能量矩阵，C＝[Cij]N×N＝CT，Cij为任意节点i和j之间的通信消耗：
Figure FDA0003809870130000014
其中η为比例参数；
S5：重复执行S2至S4，直至导航结束。
2.根据权利要求1所述的一种采用并行融合机制的信息滤波方法，其特征在于：S4所述加权平均一致性滤波器的算法具体为：
Figure FDA0003809870130000015
Ni为任意节点i的邻居集，Wij表示作用于节点i和节点j之间的加权值，且满足条件
Figure FDA0003809870130000016
化为向量形式为xk+1＝Wkxk，任意时刻k的状态加权矩阵Wk＝I-αLk，拉普拉斯矩阵：
Figure FDA0003809870130000021
元素
Figure FDA0003809870130000022
dij任意节点i和j之间的欧式距离，ε、ρ1和ρ2为待定参数。
CN202010197422.8A 2020-03-19 2020-03-19 一种采用并行融合机制的信息滤波方法 Active CN111397607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010197422.8A CN111397607B (zh) 2020-03-19 2020-03-19 一种采用并行融合机制的信息滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010197422.8A CN111397607B (zh) 2020-03-19 2020-03-19 一种采用并行融合机制的信息滤波方法

Publications (2)

Publication Number Publication Date
CN111397607A CN111397607A (zh) 2020-07-10
CN111397607B true CN111397607B (zh) 2022-11-18

Family

ID=71432744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010197422.8A Active CN111397607B (zh) 2020-03-19 2020-03-19 一种采用并行融合机制的信息滤波方法

Country Status (1)

Country Link
CN (1) CN111397607B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112583380A (zh) * 2020-12-15 2021-03-30 哈尔滨工程大学 一种基于收敛优化的分布式多速率粒子滤波算法
CN113048984B (zh) * 2021-04-01 2023-10-03 江苏科技大学 一种用于水下无人机器人集群的动态定位信息融合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218524A (zh) * 2013-04-03 2013-07-24 西安电子科技大学 基于密度的欠定盲源分离方法
CN109634798A (zh) * 2019-02-25 2019-04-16 北京理工大学 一种领航-跟随多智能体分布式系统的故障估计器设计方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1577148A (en) * 1976-04-14 1980-10-22 Aerospatiale Method and inertial device for steering a spacecraft and regulating its onboard supply voltage
NO321340B1 (no) * 2003-12-30 2006-05-02 Telenor Asa Fremgangsmate for a administrere nettverk ved analyse av konnektivitet
US7437014B2 (en) * 2004-04-21 2008-10-14 The Boeing Company Methods and systems for model reduction and system identification of dynamic systems with multiple inputs
US8620729B2 (en) * 2005-07-07 2013-12-31 International Institute Of Information Technology Methods for supply chain management incorporating uncertainty
CN102496027B (zh) * 2011-11-10 2013-04-17 西安电子科技大学 基于约束自适应传递的半监督图像分类方法
CN103049523B (zh) * 2012-12-20 2015-10-28 浙江大学 一种使用低秩半定规划求解社交推荐问题的方法
CN103871246B (zh) * 2014-02-10 2016-05-04 南京大学 基于路网空间关系约束Lasso的短时交通流预测方法
US9594727B2 (en) * 2014-12-22 2017-03-14 Synopsys, Inc. Optimization of parasitic capacitance extraction using statistical variance reduction technique
US11145072B2 (en) * 2017-08-31 2021-10-12 Sony Group Corporation Methods, devices and computer program products for 3D mapping and pose estimation of 3D images
CN108829126A (zh) * 2018-05-25 2018-11-16 哈尔滨工程大学 一种考虑通讯延时的auv集群协调控制方法
CN110044356B (zh) * 2019-04-22 2020-10-09 北京壹氢科技有限公司 一种通信拓扑切换下分布式协同目标跟踪方法
CN110286691B (zh) * 2019-06-21 2022-07-12 东北大学秦皇岛分校 基于线性微分包含的多无人机编队控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103218524A (zh) * 2013-04-03 2013-07-24 西安电子科技大学 基于密度的欠定盲源分离方法
CN109634798A (zh) * 2019-02-25 2019-04-16 北京理工大学 一种领航-跟随多智能体分布式系统的故障估计器设计方法

Also Published As

Publication number Publication date
CN111397607A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN108803349B (zh) 非线性多智能体系统的最优一致性控制方法及系统
CN112180734B (zh) 一种基于分布式自适应事件触发的多智能体一致性方法
CN110109351A (zh) 一种基于指定性能的多智能体一致性控制方法
CN111397607B (zh) 一种采用并行融合机制的信息滤波方法
CN112698634A (zh) 基于事件触发的交通智能体系统固定时间二分一致性方法
CN112135249A (zh) 一种基于rssi的加权质心定位算法的改进方法
Zhao et al. Fully distributed dynamic event-triggered semiglobal consensus of multi-agent uncertain systems with input saturation via low-gain feedback
Ryu et al. Distributed Kalman-filtering: Distributed optimization viewpoint
CN115562037A (zh) 一种非线性多智能体系统控制方法、装置、设备及应用
Vazquez-Olguin et al. Object tracking over distributed WSNs with consensus on estimates and missing data
CN112904731A (zh) 一种多时滞分布式电力信息物理系统的稳定域确定方法
CN112198796A (zh) 一种分布式前置时间状态观测器的设计方法
CN111967199A (zh) 一种强化学习多代理合作任务下的代理贡献分配的方法
CN117241215A (zh) 一种基于图神经网络的无线传感器网络分布式节点协作定位方法
CN115268275B (zh) 基于状态观测器的多智能体系统一致性跟踪方法及系统
CN114280930B (zh) 一种随机高阶线性多智能体系统控制协议的设计方法及系统
CN110351657A (zh) 一种无线传感器网络中节点几何定位的方法
Li et al. Topology inference on partially observable mobile robotic networks under formation control
CN114609910A (zh) 一种具有乘性噪声的线性多智体系统及其一致控制方法
CN115167451A (zh) 一种离散异构多自主体编队合围跟踪控制方法及系统
CN104936209B (zh) 一种基于权值可调的分布式滤波方法
CN113050697A (zh) 基于时间Petri网的无人机群一致性协同控制方法
CN112650299B (zh) 一种考虑时变编队的分组一致性无人机编队控制方法
CN113848701B (zh) 不确定性有向网络的分布式平均跟踪方法
Li et al. Research on Rao-Blackwellized Particle Filter SLAM Based On Grey Wolf Optimizer

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