CN111552322B - 基于lstm-粒子滤波器耦合模型的无人机追踪方法 - Google Patents

基于lstm-粒子滤波器耦合模型的无人机追踪方法 Download PDF

Info

Publication number
CN111552322B
CN111552322B CN202010352983.0A CN202010352983A CN111552322B CN 111552322 B CN111552322 B CN 111552322B CN 202010352983 A CN202010352983 A CN 202010352983A CN 111552322 B CN111552322 B CN 111552322B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
lstm
data
model
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
CN202010352983.0A
Other languages
English (en)
Other versions
CN111552322A (zh
Inventor
薛炜
唐华泽
余超
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010352983.0A priority Critical patent/CN111552322B/zh
Publication of CN111552322A publication Critical patent/CN111552322A/zh
Application granted granted Critical
Publication of CN111552322B publication Critical patent/CN111552322B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于LSTM‑粒子滤波器耦合模型的无人机追踪方法，该方法通过在线训练的LSTM‑粒子滤波器耦合模型来实现对于无人机定位，并且实现追踪，以防止无人机的失联情况。本发明所述方法基于传统长短期记忆神经网络和粒子滤波器算法，提出一种耦合的LSTM网络‑粒子滤波器进行无人机定位跟踪的方法，根据无人机传回的历史GPS定位和惯性测量单元数据实现无人机的位置追踪，解决了由于无人机持续运动和数据噪声等因素，造成无人机定位追踪困难和定位追踪丢失的问题。

Description

基于LSTM-粒子滤波器耦合模型的无人机追踪方法
技术领域
本发明涉及无人机中继通信技术，具体涉及一种基于LSTM-粒子滤波器耦合模型的无人机追踪方法，特别是涉及一种在线训练的基于LSTM-粒子滤波器耦合模型的无人机防丢失的定位追踪方法。
背景技术
在第五代移动通信(5G)时代，有关将无人机作为中继通信平台并在地面站使用定向天线通信的研究得到越来越广泛的关注。然而由于这一过程中无人机使用毫米波进行通信，工作频率为30GHz以上，导致波束散发角很小，副瓣低，因而要求天线平台精确对准无人机时才能有效地传输信息。因此，如何能够实时进行天线平台的精确对准就成为了核心问题。
基于全球定位系统(Global Positioning System，GPS)的无人机对准方法，凭借其算法复杂度低等优点，已经被广泛应用于无人机自动跟踪。但是，传统的基于GPS的无人机对准方法都是根据无人机前一时刻传回的GPS数据计算出平板定向天线需转动的角度，当无人机进行运动时，天线精确对准效果较差。因此，传统的基于GPS的无人机对准方法不适合应用于无人机中继通信技术中。
发明内容
发明目的：本发明的目的是提供一种基于LSTM-粒子滤波器耦合模型的无人机追踪方法，实现定向天线对无人机的实时精确对准和无人机跟踪丢失下的搜索重连。
为实现上述目的，本发明采用以下技术方案：
一种基于LSTM-粒子滤波器耦合模型的无人机追踪方法，所述方法将LSTM神经网络和粒子滤波器算法进行耦合建立LSTM-粒子滤波器耦合模型，根据无人机传回的历史GPS定位和惯性测量单元数据实现无人机的定位，包括如下步骤：
(1)通过采集无人机的GPS坐标、惯性测量单元数据、速度作为历史数据以构建历史数据库，所述的历史数据库包括有效历史数据库和异常历史数据库；对于保持通信中的无人机的GPS坐标、惯性测量单元数据更新到有效历史数据库；对于通信中断的无人机，将上一次有效通信时获得的无人机的速度和上一次迭代得到的无人机位置储存进入异常历史数据库；
(2)对有效历史数据进行预处理，构造待训练的LSTM模型的训练样本数据和验证样本数据；
(3)通过训练样本数据得到预先训练的LSTM模型参数，然后通过LSTM模型在构造的验证样本数据上的表现对模型参数进行调整以提高LSTM模型精度，将修正后的LSTM模型作为LSTM-粒子滤波器耦合模型中LSTM预测模型和LSTM训练模型的初始化模型；
(4)根据无人机传回的带有噪声的速度数据和LSTM预测模型的记忆数据作为输入数据，输入预测用的LSTM模型，得到无人机在空间中位置的分布概率；
(5)将LSTM预测模型输出的无人机在空间中分布的概率作为重要性采样概率函数，将有效历史数据库或者异常历史数据库中无人机传回的带有噪声的速度、位置数据作为输入数据输入到粒子滤波器中，得到修正后无人机在空间中分布概率；
(6)如果追踪平台和无人机通信顺畅，就将修正后的无人机空间概率分布和LSTM预测模型的输出之间的误差输入到LSTM训练模型中进行反向传播，修正LSTM训练模型的参数；
(7)将LSTM训练模型的输出参数导入预测用的LSTM模型，定时更新LSTM预测模型的参数。
进一步地，步骤(1)中和无人机通信获得的数据为无人机在三维空间中的带有噪声的速度数据v＝[vx+nx，vy+ny，vz+nz]和GPS数据，vi代表了在i方向上的速度，ni代表了在i方向上分布未知的噪声。并且采样频率为100ms通信一次。
进一步地，步骤(2)所述的构造待训练的LSTM模型的训练样本数据的具体步骤如下：
从历史数据库中读取历史数据，进行归一化处理，并将连续20个数据划分成一次连续输入的数据。对于归一化公式如下：
Figure GDA0003938252290000021
对收集到的速度数据进行归一化和GPS位置数据进行归一化处理，使其值在0到1之间，其中x是待归一化处理的数据，xmax和xmin分别是原始数据中的最大值和最小值，xnorm是归一化之后的数据。
进一步地，步骤(4)所述的LSTM预测模型和LSTM训练模型都具有1个输入层、1个隐藏层和1个输出层。输入层大小为4，要求输入为1×4的向量；隐藏层中具有512个LSTM(长短期记忆)单元；输出层大小为18，输出为1×18的向量。更进一步地，所述的隐藏层中使用的LSTM单元，该单元具有3个门：输入门表示是否允许采集的无人机速度和位置数据信息加入翻墙隐藏层节点中，如果为1代表门通畅，允许输入，如果是0，代表门关闭，输入的数据作为无用数据被舍弃；遗忘门表示是否保留当前隐藏层节点中储存的历史无人机位置和速度信息，如果为1代表保留，如果为0代表舍弃；输出门表示是否将当前节点的输出值输出给下一层，如果为1，代表门开，输出给下一层，如果为0，代表门关，这一节点值不输出。所述的LSTM单元具体公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中σ是logic sigmoid函数，i、f、o、c、h分别是输入门、遗忘门、输出门、单元激活向量和隐藏层单元，Wxi、Whi、Wci分别是输入特征向量、隐藏层单元和单元激活向量与输入门之间权重矩阵，Wxf、Whf、Wcf分别是输入特征向量、隐藏层单元和单元激活向量与遗忘门之间权重矩阵，Wxo、Who、Wco分别是输入特征向量、隐藏层单元和单元激活向量与输出门之间权重矩阵，Wxc、Whc分别是输入特征向量、隐藏层单元与单元激活向量之间权重矩阵，上述所有的权重矩阵都是对角阵；bi、bf、bc、bo分别是输入门、遗忘门、输出门、单元激活向量的偏差值，、t作为下标时表示采样时刻，、tanh是双曲正切函数，作为激活函数。
进一步地，步骤(5)中无人机在空间中的分布概率为无人机在以接收机为原点的极坐标系中的坐标(r，θ)中角度θ的概率分布。空间分布概率表示为将一个圆周360°按照20°为一个区间划分为18个区间，分别划分为区间I0，I1，…，I17。角度θ的概率分布满足独热向量(One-hot Vector)：
Figure GDA0003938252290000031
进一步，所述的粒子滤波器包括初始化、重要性采样、重采样和更新状态估计等步骤，具体步骤如下：
(s1)初始化：对于i＝1，2，…，N，由先验概率p(x0)生成采样粒子
Figure GDA0003938252290000032
(s2)重要性采样：对于i＝1，2，…，N，从重要性概率密度中生成采样粒子
Figure GDA0003938252290000033
计算粒子的权重
Figure GDA0003938252290000034
并进行归一化；
(s3)重采样：对粒子集
Figure GDA0003938252290000035
进行重采样，重采样之后的离子集为
Figure GDA0003938252290000036
(s4)更新状态估计：计算k时刻的状态估计值：
Figure GDA0003938252290000037
有益效果：与现有技术相比，本发明所述的方法基于传统长短期记忆神经网络(LSTM)和粒子滤波器算法，提出耦合的LSTM网络-粒子滤波器进行无人机定位跟踪的方法，根据无人机传回的历史GPS定位和惯性测量单元(Inertial measurement unit，IMU)数据，解决了由于无人机持续运动和数据噪声等因素，造成无人机定位追踪困难和定位追踪丢失的问题。
附图说明
图1为本发明所述方法的示意框图；
图2为本发明具体实施方式中的LSTM记忆单元；
图3位本发明具体实施方式中一个无人机在10m×10m平面空间运动的定位跟踪的预测路径和实际路径。
具体实施方式
为了详细的说明本发明所公开的技术方案，下面结合具体实施方式对本发明的技术方案作进一步的描述。
本发明提供是一种基于LSTM-粒子滤波器耦合模型的无人机定位追踪方法，是通过在线训练的基于LSTM-粒子滤波器耦合模型以实现的无人机防丢失的定位追踪方法。具体概述如下：
步骤一，和无人机通信，如果和无人机通信没有丢失，就获得带有噪声的无人机的包括GPS坐标、惯性测量单元(Inertial measurement unit，IMU)数据，作为历史数据并存入有效历史数据库；如果通信丢失，就将上一次有效通信时获得的无人机的速度和上一次迭代得到的无人机位置储存进入异常历史数据库。
步骤二，然后通过对收集到的有效历史数据进行预处理，构造待训练的LSTM(LongShort-Term Memory，长短时记忆)模型的训练样本数据和验证样本数据；
步骤三，通过训练样本数据得到预先训练的LSTM模型参数，然后通过模型在构造的验证样本数据上的表现对模型参数进行微调，提高LSTM模型精度，将该修正后的LSTM模型作为LSTM-粒子滤波器耦合模型中LSTM预测模型和LSTM训练模型的初始化模型；
步骤四，根据无人机传回的带有噪声的速度数据和LSTM预测模型的记忆数据作为输入数据，输入预测用的LSTM模型，得到无人机在空间中位置的分布概率；
步骤五，将LSTM预测模型输出的无人机在空间中分布的概率作为重要性采样概率函数，将有效历史数据库或者异常历史数据库中无人机传回的带有噪声的速度、位置数据作为输入数据输入到粒子滤波器中，得到修正后无人机在空间中分布概率，修正后的概率分布更加精确；
步骤六，如果追踪平台和无人机通信顺畅，就将修正后的无人机空间概率分布和LSTM预测模型的输出之间的误差输入到LSTM训练模型中进行反向传播，修正LSTM训练模型的参数；
步骤七，每过一定时间后将LSTM训练模型的输出参数导入预测用的LSTM模型，更新LSTM预测模型的参数。
具体的，本发明所述方法的框图如图1所示，包括LSTM神经网络和粒子滤波器。首先，通过控制平台及其应答机制实现和无人机通信，如果和无人机通信没有丢失，就获得带有噪声的无人机的包括GPS坐标、惯性测量单元(IMU)数据，作为历史数据并存入有效历史数据库；如果通信丢失，就将上一次有效通信时获得的无人机的速度和上一次迭代得到的无人机位置储存进入异常历史数据库。然后通过对收集到的有效历史数据进行预处理，构造待训练的LSTM(长短时记忆)模型的训练样本数据和验证样本数据。
数据收集之后，通过训练样本数据得到预先训练的LSTM模型参数，然后通过模型在构造的验证样本数据上的表现对模型参数进行微调，提高LSTM模型精度，将该修正后的LSTM模型作为LSTM-粒子滤波器耦合模型中LSTM预测模型和LSTM训练模型的初始化模型。之后，根据无人机传回的带有噪声的速度数据和LSTM预测模型的记忆数据作为输入数据，输入预测用的LSTM模型，得到无人机在空间中位置的分布概率，并将LSTM预测模型输出的无人机在空间中分布的概率作为重要性采样概率函数，将有效历史数据库或者异常历史数据库中无人机传回的带有噪声的速度、位置数据作为输入数据输入到粒子滤波器中，得到修正后无人机在空间中分布概率，修正后的概率分布更加精确。如果追踪平台和无人机通信顺畅，就将修正后的无人机空间概率分布和LSTM预测模型的输出之间的误差输入到LSTM训练模型中进行反向传播，修正LSTM训练模型的参数，并每过一定时间后将LSTM训练模型的输出参数导入预测用的LSTM模型，更新LSTM预测模型的参数。LSTM模型更新对最大定位误差的影响如下表所示。
更新次数 0 1 2 3
最大定位误差/m 0.203 0.108 0.062 0.022
和无人机通信获得的数据为无人机在三维空间中的带有噪声的速度数据v＝[vx+nx，vy+ny，vz+nz]和GPS数据，vi代表了在i方向上的速度，ni代表了在i方向上分布未知的噪声。采样频率为100ms通信一次。
构造待训练的LSTM模型的训练样本数据方法为：从数据库中读取历史数据，进行归一化处理，并将连续20个数据划分成一次连续输入的数据。归一化处理的流程为使用归一化公式为
Figure GDA0003938252290000061
对收集到的速度数据进行归一化和GPS位置数据进行归一化处理，使其值在0到1之间，其中x是待归一化处理的数据，xmax和xmin分别是原始数据中的最大值和最小值，xnorm是归一化之后的数据。
LSTM预测模型和LSTM训练模型都具有1个输入层、1个隐藏层和1个输出层。输入层大小为4，要求输入为1×4的向量；隐藏层中具有512个LSTM(长短期记忆)单元；输出层大小为18，输出为1×18的向量。隐藏层中使用的LSTM单元具有3个门：输入门表示是否允许采集的无人机速度和位置数据信息加入翻墙隐藏层节点中，如果为1代表门通畅，允许输入，如果是0，代表门关闭，输入的数据作为无用数据被舍弃；遗忘门表示是否保留当前隐藏层节点中储存的历史无人机位置和速度信息，如果为1代表保留，如果为0代表舍弃；输出门表示是否将当前节点的输出值输出给下一层，如果为1，代表门开，输出给下一层，如果为0，代表门关，这一节点值不输出。
LSTM单元具体公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中σ是logic sigmoid函数，i、f、o、c、h分别是输入门、遗忘门、输出门、单元激活向量和隐藏层单元，Wxi、Whi、Wci分别是输入特征向量、隐藏层单元和单元激活向量与输入门之间权重矩阵，Wxf、Whf、Wcf分别是输入特征向量、隐藏层单元和单元激活向量与遗忘门之间权重矩阵，Wxo、Who、Wco分别是输入特征向量、隐藏层单元和单元激活向量与输出门之间权重矩阵，Wxc、Whc分别是输入特征向量、隐藏层单元与单元激活向量之间权重矩阵，上述所有的权重矩阵都是对角阵；bi、bf、bc、bo分别是输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，tanh是双曲正切函数，作为激活函数。
步骤四中，无人机在空间中的分布概率为无人机在以接收机为原点的极坐标系中的坐标(r，θ)中角度θ的概率分布。
无人机的空间概率分布函数满足：将一个圆周360°按照20°为一个区间划分为18个区间，分别划分为区间I0，I1，…，I17。角度θ的概率分布满足独热向量(One-hot Vector)：
Figure GDA0003938252290000071
粒子滤波器包括初始化、重要性采样、重采样和更新状态估计等步骤，流程为：
(1)初始化：对于i＝1，2，…，N，由先验概率p(x0)生成采样粒子
Figure GDA0003938252290000072
(2)重要性采样：对于i＝1，2，…，N，从重要性概率密度中生成采样粒子
Figure GDA0003938252290000073
计算粒子的权重
Figure GDA0003938252290000074
并进行归一化；
(3)重采样：对粒子集
Figure GDA0003938252290000075
进行重采样，重采样之后的离子集为
Figure GDA0003938252290000076
(4)更新状态估计：计算k时刻的状态估计值：
Figure GDA0003938252290000077
以定位跟踪无人机在10m×10m的平面空间内运动为例。定位和跟踪一个无人机在10m×10m的平面空间内运动8s，其中在第4～5s内通信断开。定位跟踪的预测路径和实际路径如图3所示。可以发现，采用本发明提出的在线训练的基于LSTM-粒子滤波器耦合模型的无人机防丢失的定位追踪方法定位追踪无人机的误差，在通信顺畅的时候定位误差在0.1m以内，通信丢失时候定位误差最大在1m，由此实现了在通信可能丢失的情况下实现了对无人机的定位追踪。上述实施例中定位误差随着时间的变化情况如下表所示。
时间/s 0 0.5 1 1.5 2 2.5 3
定位误差/m 0.021 0.015 0.010 0.014 0.017 0.092 0.051
时间/s 3.5 4 4.5 5 5.5 6 6.5
定位误差/m 0.024 0.089 0.442 1.020 0.031 0.042 0.024
时间/s 7 7.5 8 / / / /
定位误差/m 0.035 0.062 0.021 / / / /

Claims (6)

1.一种基于LSTM-粒子滤波器耦合模型的无人机追踪方法，其特征在于：所述方法将LSTM神经网络和粒子滤波器算法进行耦合建立LSTM-粒子滤波器耦合模型，根据无人机传回的历史GPS定位数据和惯性测量单元数据实现无人机的定位，包括如下步骤：
(1)通过采集无人机的GPS坐标、惯性测量单元数据、速度作为历史数据以构建历史数据库，所述历史数据库包括有效历史数据库和异常历史数据库；对于保持通信中的无人机的GPS坐标、惯性测量单元数据更新到有效历史数据库；对于通信中断的无人机，将上一次有效通信时获得的无人机的速度和上一次迭代得到的无人机位置储存进入异常历史数据库；
(2)对有效历史数据进行预处理，构造待训练的LSTM模型的训练样本数据和验证样本数据；
(3)通过训练样本数据得到预先训练的LSTM模型参数，然后通过LSTM模型在构造的验证样本数据上的表现对模型参数进行调整以提高LSTM模型精度，将修正后的LSTM模型作为LSTM-粒子滤波器耦合模型中LSTM预测模型和LSTM训练模型的初始化模型；
(4)根据无人机传回的带有噪声的速度数据和LSTM预测模型的记忆数据作为输入数据，输入预测用的LSTM模型，得到无人机在空间中位置的分布概率；
(5)将LSTM预测模型输出的无人机在空间中分布的概率作为重要性采样概率函数，将有效历史数据库或者异常历史数据库中无人机传回的带有噪声的速度、位置数据作为输入数据输入到粒子滤波器中，得到修正后无人机在空间中分布概率；
(6)如果追踪平台和无人机通信顺畅，就将修正后的无人机空间概率分布和LSTM预测模型的输出之间的误差输入到LSTM训练模型中进行反向传播，修正LSTM训练模型的参数；
(7)将LSTM训练模型的输出参数导入预测用的LSTM模型，定时更新LSTM预测模型的参数；
步骤(3)中LSTM预测模型和LSTM训练模型均包括1个输入层、1个隐藏层和1个输出层；具体如下：
输入层大小为4，要求输入为1×4的向量；
隐藏层中具有512个LSTM单元；
输出层大小为18，输出为1×18的向量；
所述的隐藏层中的LSTM单元包括收输入门、遗忘门和输出门；
输入门表示是否允许采集的无人机速度和位置数据信息加入翻墙隐藏层节点中，如果为1代表门通畅，允许输入，如果是0，代表门关闭，输入的数据作为无用数据被舍弃；
遗忘门表示是否保留当前隐藏层节点中储存的历史无人机位置和速度信息，如果为1代表保留，如果为0代表舍弃；
输出门表示是否将当前节点的输出值输出给下一层，如果为1，代表门开，输出给下一层，如果为0，代表门关，这一节点值不输出；
所述的LSTM单元具体公式如下：
it＝σ(Wxixt+Whiht-1+Wcict-1+bi)
ft＝σ(Wxfxt+Whfht-1+Wcfct-1+bf)
ct＝ftct-1+ittanh(Wxcxt+Whcht-1+bc)
ot＝σ(Wxoxt+Whoht-1+Wcoct+bo)
ht＝ottanh(ct)
其中σ是logic sigmoid函数，i、f、o、c、h分别是输入门、遗忘门、输出门、单元激活向量和隐藏层单元，Wxi、Whi、Wci分别是输入特征向量、隐藏层单元和单元激活向量与输入门之间权重矩阵，Wxf、Whf、Wcf分别是输入特征向量、隐藏层单元和单元激活向量与遗忘门之间权重矩阵，Wxo、Who、Weo分别是输入特征向量、隐藏层单元和单元激活向量与输出门之间权重矩阵，Wxc、Whc分别是输入特征向量、隐藏层单元与单元激活向量之间权重矩阵，上述所有的权重矩阵都是对角阵；bi、bf、bc、bo分别是输入门、遗忘门、输出门、单元激活向量的偏差值，t作为下标时表示采样时刻，tanh是双曲正切函数，作为激活函数；
步骤(5)中所述的粒子滤波器包括初始化、重要性采样、重采样和更新状态估计，具体如下：
(s1)初始化：对于i＝1，2，…，N，由先验概率p(x0)生成采样粒子
Figure FDA0003938252280000021
(s2)重要性采样：对于i＝1，2，…，N，从重要性概率密度中生成采样粒子
Figure FDA0003938252280000022
计算粒子的权重
Figure FDA0003938252280000023
并进行归一化；
(s3)重采样：对粒子集
Figure FDA0003938252280000024
进行重采样，重采样之后的离子集为
Figure FDA0003938252280000025
(s4)更新状态估计：计算k时刻的状态估计值：
Figure FDA0003938252280000026
2.根据权利要求1中所述的基于LSTM-粒子滤波器耦合模型的无人机追踪方法，其特征在于：步骤(1)通过和无人机通信获得的数据为无人机在三维空间中的带有噪声的速度数据v＝[vx+nx，vy+ny，vz+nz]和GPS定位数据；其中，vi代表了在i方向上的速度，ni代表了在i方向上分布未知的噪声。
3.根据权利要求1中所述的基于LSTM-粒子滤波器耦合模型的无人机追踪方法，其特征在于：步骤(2)构造待训练的LSTM模型的训练样本数据是从通过获取历史数据，并且进行归一化处理。
4.根据权利要求3中所述的基于LSTM-粒子滤波器耦合模型的无人机追踪方法，其特征在于：所述归一化公式具体如下：
Figure FDA0003938252280000031
对收集到的速度数据进行归一化和GPS位置数据进行归一化处理，其中x是待归一化处理的数据，xmax和xmin分别是原始数据中的最大值和最小值，xnorm是归一化之后的数据。
5.根据权利要求1中所述的基于LSTM-粒子滤波器耦合模型的无人机追踪方法，其特征在于：步骤(4)中无人机在空间中的分布概率为无人机在以接收机为原点的极坐标系中的坐标(r，θ)中角度θ的概率分布。
6.根据权利要求5中所述的基于LSTM-粒子滤波器耦合模型的无人机追踪方法，其特征在于：所述的无人机空间概率分布函数满足如下条件：
将一个圆周360°划分为多个区间，分别划分为区间I0，I1，…，In；角度θ的概率分布满足如下独热向量：
Figure FDA0003938252280000032
CN202010352983.0A 2020-04-29 2020-04-29 基于lstm-粒子滤波器耦合模型的无人机追踪方法 Active CN111552322B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010352983.0A CN111552322B (zh) 2020-04-29 2020-04-29 基于lstm-粒子滤波器耦合模型的无人机追踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010352983.0A CN111552322B (zh) 2020-04-29 2020-04-29 基于lstm-粒子滤波器耦合模型的无人机追踪方法

Publications (2)

Publication Number Publication Date
CN111552322A CN111552322A (zh) 2020-08-18
CN111552322B true CN111552322B (zh) 2023-04-07

Family

ID=72001727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010352983.0A Active CN111552322B (zh) 2020-04-29 2020-04-29 基于lstm-粒子滤波器耦合模型的无人机追踪方法

Country Status (1)

Country Link
CN (1) CN111552322B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112141101B (zh) * 2020-09-29 2022-10-04 合肥工业大学 一种基于cnn和lstm的预瞄安全路径的方法及系统
CN112465878B (zh) * 2021-02-02 2021-05-11 北京邮电大学 一种基于粒子滤波的位置预测方法及设备
CN113570667B (zh) * 2021-09-27 2022-04-12 北京信息科技大学 视觉惯导补偿方法、装置及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109559332B (zh) * 2018-10-31 2021-06-18 浙江工业大学 一种结合双向LSTM和Itracker的视线跟踪方法
CN109559329B (zh) * 2018-11-28 2023-04-07 陕西师范大学 一种基于深度去噪自动编码器的粒子滤波跟踪方法
CN109740742A (zh) * 2019-01-14 2019-05-10 哈尔滨工程大学 一种基于lstm神经网络的目标跟踪方法
CN110780290B (zh) * 2019-11-01 2022-10-21 西安电子科技大学 基于lstm网络的多机动目标跟踪方法

Also Published As

Publication number Publication date
CN111552322A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN111552322B (zh) 基于lstm-粒子滤波器耦合模型的无人机追踪方法
CN114048889B (zh) 基于长短期记忆网络的飞行器轨迹预测的方法
Chidlovskii et al. Semi-supervised variational autoencoder for WiFi indoor localization
CN111508282B (zh) 低空无人机农田作业飞行障碍物冲突检测方法
CN113271539B (zh) 一种基于改进的cnn模型的室内目标定位方法
CN113408392B (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
CN108152812B (zh) 一种调整网格间距的改进agimm跟踪方法
CN109460065B (zh) 基于势函数的无人机集群队形特征辨识方法及系统
CN108320051B (zh) 一种基于gru网络模型的移动机器人动态避碰规划方法
CN113438596B (zh) 一种面向北斗与5g融合的毫米波低时延波束赋形方法
CN111948601B (zh) 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
CN106231552A (zh) 一种基于混合方式的非合作目标定位方法
Wang et al. Fusing heterogeneous traffic data by Kalman filters and Gaussian mixture models
CN111352066B (zh) 基于粒子滤波的定位方法、装置、计算机设备和存储介质
CN111263295B (zh) 一种wlan室内定位方法和装置
CN117390498B (zh) 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法
Ge et al. Credible Gaussian sum cubature Kalman filter based on non-Gaussian characteristic analysis
CN111929641A (zh) 一种基于宽度学习的快速室内指纹定位方法
Havangi An adaptive particle filter based on PSO and fuzzy inference system for nonlinear state systems
CN112800889B (zh) 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法
Yang et al. Study on the trajectory positioning and prediction framework of unmanned aerial vehicle based on long short-term memory neural network
Malekzadeh et al. Non-Gaussian BLE-based indoor localization via Gaussian sum filtering coupled with Wasserstein distance
Wang et al. Optimization of Radio Frequency Identification Reference Tag Location Algorithm Based on Back Propagation Neural Network
Piavanini et al. Deep Unfolded Annealed Stein Particle Filter for Vehicle Tracking
CN114205905B (zh) 一种基于集成联邦学习的复杂环境室内指纹定位方法

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