CN111612810A - 基于多源信息融合的目标估计方法 - Google Patents

基于多源信息融合的目标估计方法 Download PDF

Info

Publication number
CN111612810A
CN111612810A CN202010260825.2A CN202010260825A CN111612810A CN 111612810 A CN111612810 A CN 111612810A CN 202010260825 A CN202010260825 A CN 202010260825A CN 111612810 A CN111612810 A CN 111612810A
Authority
CN
China
Prior art keywords
target
aircraft
axis direction
time
information
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
CN202010260825.2A
Other languages
English (en)
Other versions
CN111612810B (zh
Inventor
李斌
林德福
江涛
王圣
朱雨翔
彭林
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.)
Beijing Institute of Technology BIT
State Grid Jiangxi Electric Power Co Ltd
Original Assignee
Beijing Institute of Technology BIT
State Grid Jiangxi Electric Power Co Ltd
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 Beijing Institute of Technology BIT, State Grid Jiangxi Electric Power Co Ltd filed Critical Beijing Institute of Technology BIT
Priority to CN202010260825.2A priority Critical patent/CN111612810B/zh
Publication of CN111612810A publication Critical patent/CN111612810A/zh
Application granted granted Critical
Publication of CN111612810B publication Critical patent/CN111612810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明公开了一种基于多源信息融合的目标估计方法，该方法通过多个飞行器同时分别观测同一个目标，实时获得各个飞行器与目标之间的视线角信息、各个飞行器相对于目标的位置信息和各个飞行器相对于目标的速度信息；再彼此共享各个飞行器获得的目标最优估计状态，通过线性分布式一致鲁棒滤波算法解算出目标下一时刻的状态信息。

Description

基于多源信息融合的目标估计方法
技术领域
本发明涉及制导控制领域中的目标估计方法，具体涉及一种基于多源信息融合的目标估计方法。
背景技术
在飞行器制导控制过程中，获得目标位置是极其重要的一个工作阶段，现有技术中捕获目标的方法和设备也较多，如雷达、激光导引头、红外导引头、图像识别导引头等，通过这些方法和设备获得目标的位置信息，进而给飞行器的制导控制提供目标基础，由于飞行器的飞行速度较快，需要实时快速地获知目标的位置信息，但是如果目标是运动的，这些目标捕获方法和设备的应用效果就会有所减弱，飞行器获得的目标位置信息可能会出现较大的延迟及噪音；
另外，在实际工程中，飞行器的制导控制需要时间，即需要时间来调整飞行器的方向，以便于对准目标，如果目标的运动速度较高，现有的硬件设备虽然仍可捕获到目标，但飞行器来不及调整其自身的方向来对准目标，这时就需要为飞行器提供一个预估的目标位置，即下一时刻的目标位置，为飞行器调整飞行方向预留出足够的时间。
所以，飞行器能否快速获得准确的目标下一时刻位置的估计值，对于飞行器的精确控制至关重要。
由于上述原因，本发明人对现有的目标估计方法做了深入研究，设计出一种能够解决上述问题的基于多源信息融合的目标估计方法。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一种基于多源信息融合的目标估计方法，该方法通过多个飞行器同时分别观测同一个目标，实时获得各个飞行器与目标之间的视线角信息、各个飞行器相对于目标的位置信息和各个飞行器相对于目标的速度信息；再彼此共享各个飞行器获得的目标最优估计状态，通过线性分布式一致鲁棒滤波算法解算出目标下一时刻的位置信息，从而完成本发明。
具体来说，本发明的目的在于提一种基于多源信息融合的目标估计方法，该方法通过飞行器观测目标，实时获得飞行器与目标之间的视线角信息、飞行器相对于目标的位置信息和飞行器相对于目标的速度信息。
该方法中使用至少一个飞行器，且所述飞行器都同时观测同一个目标，
其中，在每个飞行器中都根据观测值解算出目标最优估计状态，再将每个飞行器获得的观测值和目标最优估计状态共享给其他飞行器，同时每个飞行器也都接收其他飞行器传递来的由其他飞行器获得的观测值和目标最优估计状态。
所述飞行器根据其自身观测获得的观测值和其接收到的其他飞行器获得的观测值，通过线性分布式一致鲁棒滤波算法解算出目标下一时刻的状态信息。
根据本发明提供的基于多源信息融合的目标估计方法，能够估计出目标的状态，获得下一时刻的目标状态信息，其获得的目标的状态收敛速度快，误差波动小且稳定。
附图说明
图1中给出了仿真实验例中目标真实(True)的X轴方向位置变化曲线、NCF获得的X轴方向位置变化曲线、NDF获得的X 轴方向位置变化曲线和LCF获得的X轴方向位置变化曲线；
图2中给出了仿真实验例中目标真实(True)的Y轴方向位置变化曲线、NCF获得的Y轴方向位置变化曲线、NDF获得的 Y轴方向位置变化曲线和LCF获得的Y轴方向位置变化曲线；
图3中给出了仿真实验例中NCF获得的X轴方向位置变化平均估计误差曲线、NDF获得的X轴方向位置变化平均估计误差曲线和LCF获得的X轴方向位置变化平均估计误差曲线；
图4中给出了仿真实验例中NCF获得的Y轴方向位置变化平均估计误差曲线、NDF获得的Y轴方向位置变化平均估计误差曲线和LCF获得的Y轴方向位置变化平均估计误差曲线；
图5中给出了仿真实验例中NCF获得的X轴方向位置变化均方误差曲线、NDF获得的X轴方向位置变化均方误差曲线和 LCF获得的X轴方向位置变化均方误差曲线；
图6中给出了仿真实验例中NCF获得的Y轴方向位置变化均方误差曲线、NDF获得的Y轴方向位置变化均方误差曲线和 LCF获得的Y轴方向位置变化均方误差曲线；
图7中给出了仿真实验例中目标真实(True)的X轴方向速度变化曲线、NCF获得的X轴方向速度变化曲线、NDF获得的 X轴方向速度变化曲线和LCF获得的X轴方向速度变化曲线；
图8中给出了仿真实验例中目标真实(True)的Y轴方向速度变化曲线、NCF获得的Y轴方向速度变化曲线、NDF获得的 Y轴方向速度变化曲线和LCF获得的Y轴方向速度变化曲线；
图9中给出了仿真实验例中NCF获得的X轴方向速度变化平均估计误差曲线、NDF获得的X轴方向速度变化平均估计误差曲线和LCF获得的X轴方向速度变化平均估计误差曲线；
图10中给出了仿真实验例中NCF获得的Y轴方向速度变化平均估计误差曲线、NDF获得的Y轴方向速度变化平均估计误差曲线和LCF获得的Y轴方向速度变化平均估计误差曲线；
图11中给出了仿真实验例中NCF获得的X轴方向速度变化均方误差曲线、NDF获得的X轴方向速度变化均方误差曲线和 LCF获得的X轴方向速度变化均方误差曲线；
图12中给出了仿真实验例中NCF获得的Y轴方向速度变化均方误差曲线、NDF获得的Y轴方向速度变化均方误差曲线和 LCF获得的Y轴方向速度变化均方误差曲线。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
根据本发明提供的一种基于多源信息融合的目标估计方法，该方法通过飞行器观测目标，实时获得飞行器与目标之间的视线角信息、飞行器相对于目标的位置信息和飞行器相对于目标的速度信息。
其中，该方法中使用至少一个飞行器，且所述飞行器都同时观测同一个目标，优选地，该方法中使用2个或2个以上飞行器，该飞行器可以是在目标周围巡航的飞行器，也可以是打击目标的飞行器，还可以两种类型的飞行器搭配使用，本申请中对此不作特别限定，能够实现上述观测目标的功能即可，另外，在飞行器上也需要设置有信息交互设备，如数据链等。
优选地，在每个飞行器中都根据观测值解算出目标最优估计状态，再将每个飞行器获得的观测值和目标最优估计状态共享给其他飞行器，同时每个飞行器也都接收其他飞行器传递来的由其他飞行器获得的观测值和目标最优估计状态。其中，飞行器在没有接收到其他飞行器共享的信息时，仍然按照本申请中所述的方法解算目标最优估计状态，即解算过程中j＝1。
在一个优选的实施方式中，所述飞行器根据其自身观测获得的观测值和其接收到的其他飞行器获得的观测值，通过线性分布式一致鲁棒滤波算法解算出目标下一时刻的状态信息，即目标最优估计状态
Figure BDA0002439228770000051
所述目标状态信息即为目标最优估计状态，包括目标相对于地面的速度信息、目标相对于地面的位置信息和目标相对于地面的加速度信息。
在一个优选的实施方式中，在线性分布式一致鲁棒滤波算法中，
通过下式(一)解算飞行器的测量信息矩阵
Figure BDA0002439228770000052
Figure BDA0002439228770000053
其中，
Figure BDA0002439228770000054
表示飞行器的测量信息矩阵，
Figure BDA0002439228770000055
表示视线角变量，
Figure BDA0002439228770000056
表示飞行器位置速度变量，
Figure BDA0002439228770000057
和
Figure BDA0002439228770000058
都表示量测噪声，都是预先灌装在飞行器中的已知量；
优选地，
Figure BDA0002439228770000059
Figure BDA00024392287700000510
视线角量测误差为σq＝0.2°(1σ)。
在一个优选的实施方式中，所述视线角变量
Figure BDA00024392287700000511
包括飞行器观测目标获得的飞行器与目标之间的视线角信息，
Figure BDA0002439228770000061
所述飞行器位置速度变量
Figure BDA0002439228770000062
包括飞行器实时记录的飞行器自身的位置信息和速度信息，
Figure BDA0002439228770000063
其中，
Figure BDA0002439228770000064
表示第j个飞行器在第k时刻测得的飞行器与目标之间的视线角；
Figure BDA0002439228770000065
表示第j个飞行器在第k时刻与目标之间相对距离在X 轴方向上的分量，
Figure BDA0002439228770000066
表示第j个飞行器在第k时刻与目标之间相对距离在Y 轴方向上的分量，
Figure BDA0002439228770000067
表示第j个飞行器在第k时刻与目标之间相对速度在X 轴方向上的分量，
Figure BDA0002439228770000068
表示第j个飞行器在第k时刻与目标之间相对速度在Y 轴方向上的分量。
所述信息的时间步长Ts＝0.01s，所述j为正整数。
所述X轴和Y轴分别为笛卡尔坐标系的两个轴，本申请中此处仅考虑二位平面情况，假设第三维度上的位置及速度分量都为0。
优选地，通过下式(二)解算逆协方差矩阵
Figure BDA0002439228770000069
Figure BDA00024392287700000610
其中，
Figure BDA00024392287700000611
表示逆协方差矩阵，
Figure BDA00024392287700000612
表示视线角变量，
Figure BDA00024392287700000613
表示飞行器位置速度变量，
Figure BDA00024392287700000614
和
Figure BDA00024392287700000615
都表示量测噪声。
优选地，在线性分布式一致鲁棒滤波算法中，通过下式(三) 解算估计误差协方差矩阵Pk|k，
Figure BDA00024392287700000616
其中，Pk|k表示k时刻的误差协方差矩阵，在通过式(三) 进行解算Pk|k时，首先对所有飞行器对应的逆协方差矩阵求和，即
Figure BDA0002439228770000071
再加上根据k-1时刻信息预测的k时刻的预测误差协方差矩阵，即(Pk|k-1)-1，最后对相加得到矩阵的逆矩阵即为Pk|k。
优选地，在线性分布式一致鲁棒滤波算法中，通过下式(四) 解算k时刻的目标最优估计状态
Figure BDA0002439228770000072
Figure BDA0002439228770000073
其中，
Figure BDA0002439228770000074
表示k时刻的目标最优估计状态，
Figure BDA0002439228770000075
表示k时刻的目标预测状态。
优选地，k+1时刻的目标预测状态
Figure BDA0002439228770000076
通过下式(五)解算，
Figure BDA0002439228770000077
其中，Fk表示系统状态转移矩阵，
Figure BDA0002439228770000078
表示k+1时刻的目标预测状态，具体来说是由k时刻目标最优估计状态
Figure BDA0002439228770000079
利用式 (五)得到的k+1时刻目标预测状态；
Figure BDA00024392287700000710
其中，Ts表示时间步长，Ts＝0.01s。
在通过式(四)和式(五)解算
Figure BDA00024392287700000711
的过程中，首先灌装目标初始时预测状态
Figure BDA00024392287700000712
即给出初始时刻(即k＝0时刻)预测状态
Figure BDA00024392287700000713
的预设值，利用式(五)获得下一时刻(即k＝1时刻)的目标预测状态值
Figure BDA00024392287700000714
再利用式(四)获得下一时刻(即k＝1时刻)的目标最优估计状态
Figure BDA00024392287700000715
从而循环解算，其中，式(四) 和式(五)中涉及到的Pk|k、
Figure BDA00024392287700000716
Fk信息矩阵在求解过程中都实时更新。
在一个优选的实施方式中，通过下式(六)解算新预测误差方差矩阵Pk+1|k，
优选地，
Figure BDA0002439228770000081
其中，Pk+1|k表示根据k时刻信息预测的k+1时刻的预测误差协方差矩阵，
Figure BDA0002439228770000082
表示系统状态转移矩阵的转置，Qk表示系统噪声协方差矩阵；所述转置矩阵是将原矩阵的行列互换得到的新矩阵。
Figure BDA0002439228770000083
σp表示系统过程噪声，σp＝1m2/s。
在一个优选的实施方式中，在获得目标下一时刻的状态信息后，将该状态信息传递给用于攻击目标的飞行器，所述用于攻击目标的飞行器根据该状态信息解算制导指令，再通过该制导指令控制飞行器飞向目标；所述用以观测目标的飞行器可以是所述用以攻击目标的飞行器，也可以是额外的其他位于目标一定区域内的飞行器。
实施例：
通过4个飞行器观测目标，实时获得飞行器与目标之间的视线角信息、飞行器相对于目标的位置信息和飞行器相对于目标的速度信息。以第30秒时为例进行说明，观测获得的信息如下：
飞行器 1 2 3 4
位置(m) (-10935,2866) (-10639,4173) (-11072,-1996) (-10769,2322)
速度(m/s) (182.7,-121.8) (222.6,-11) (223,-8.7) (188.1,141.4)
视线角(rad) -0.2181 -0.3394 0.2058 0.2324
从而获得：
飞行器位置速度变量
Figure BDA0002439228770000091
Figure BDA0002439228770000092
Figure BDA0002439228770000093
视线角变量
Figure BDA0002439228770000094
Figure BDA0002439228770000095
为测得的飞行器与目标之间的视线角，
Figure BDA0002439228770000096
Figure BDA0002439228770000097
通过式(一)获得
Figure BDA0002439228770000098
Figure BDA0002439228770000099
其中，量测噪声
Figure BDA00024392287700000910
Figure BDA00024392287700000911
线角量测误差为σq＝0.2°(1σ)；
得到：
Figure BDA00024392287700000912
Figure BDA00024392287700000913
通过式(二)获得
Figure BDA00024392287700000914
Figure BDA00024392287700000915
得到：
Figure BDA00024392287700000916
Figure BDA00024392287700000917
通过式(三)获得Pk|k，
Figure BDA0002439228770000101
得到：
Figure BDA0002439228770000102
其中，飞行器中预存有初始时预测误差方差矩阵：
Figure BDA0002439228770000103
通过式(四)获得最优估计状态
Figure BDA0002439228770000104
Figure BDA0002439228770000105
得到：
Figure BDA0002439228770000106
其中，飞行器中预存有初始预测状态：
Figure BDA0002439228770000107
通过式(五)获得新的目标预测状态
Figure BDA0002439228770000108
Figure BDA0002439228770000109
得到：
Figure BDA00024392287700001010
其中，飞行器中预存有系统状态转移矩阵：
Figure BDA00024392287700001011
时间步长Ts＝0.01s。
通过式(六)获得新预测误差方差矩阵Pk+1|k
Figure BDA00024392287700001012
得到：
Figure BDA0002439228770000111
其中，飞行器中预存有系统噪声协方差矩阵：
Figure BDA0002439228770000112
系统过程噪声σp＝1m2/s。
通过该实施例可以看出本申请提供的基于多源信息融合的目标估计方法能够切实获得目标最优估计状态，能够为飞行器制导控制提供目标信息。
仿真实验例：
在二维平面内进行仿真实验，其中，选用四个飞行器同时观测运动中的目标，对目标状态进行估计。设定目标位于相对坐标系的原点，即(0,0)m位置，目标速度为νT＝15m/s，目标初始速度方向角θT＝45°。
分别采用现有的非线性集中式滤波方法(NCF)、现有的非线性分布式滤波方法(NDF)和本申请提供的基于多源信息融合的目标估计方法(LCF)估计目标状态。蒙特卡洛仿真次数M为10次。
其中，定义平均估计误差E(k)和均方误差D(k)作为算法性能的评价指标，用于描述状态估计值与真实值之间的差。
Figure BDA0002439228770000113
Figure BDA0002439228770000121
Figure BDA0002439228770000122
是估计的平均值，
Figure BDA0002439228770000123
是指每个导弹对目标的估计值，x表示真实值，N表示参与目标观测估计的飞行器数量，取值为4；
仿真获得的结果如图1至图12中所示，
图1中给出了目标真实(True)的X轴方向位置变化曲线、 NCF获得的X轴方向位置变化曲线、NDF获得的X轴方向位置变化曲线和LCF获得的X轴方向位置变化曲线；
图2中给出了目标真实(True)的Y轴方向位置变化曲线、 NCF获得的Y轴方向位置变化曲线、NDF获得的Y轴方向位置变化曲线和LCF获得的Y轴方向位置变化曲线；
图3中给出了NCF获得的X轴方向位置变化平均估计误差曲线、NDF获得的X轴方向位置变化平均估计误差曲线和LCF 获得的X轴方向位置变化平均估计误差曲线；
图4中给出了NCF获得的Y轴方向位置变化平均估计误差曲线、NDF获得的Y轴方向位置变化平均估计误差曲线和LCF 获得的Y轴方向位置变化平均估计误差曲线；
图5中给出了NCF获得的X轴方向位置变化均方误差曲线、 NDF获得的X轴方向位置变化均方误差曲线和LCF获得的X轴方向位置变化均方误差曲线；
图6中给出了NCF获得的Y轴方向位置变化均方误差曲线、 NDF获得的Y轴方向位置变化均方误差曲线和LCF获得的Y轴方向位置变化均方误差曲线；
图7中给出了目标真实(True)的X轴方向速度变化曲线、 NCF获得的X轴方向速度变化曲线、NDF获得的X轴方向速度变化曲线和LCF获得的X轴方向速度变化曲线；
图8中给出了目标真实(True)的Y轴方向速度变化曲线、 NCF获得的Y轴方向速度变化曲线、NDF获得的Y轴方向速度变化曲线和LCF获得的Y轴方向速度变化曲线；
图9中给出了NCF获得的X轴方向速度变化平均估计误差曲线、NDF获得的X轴方向速度变化平均估计误差曲线和LCF 获得的X轴方向速度变化平均估计误差曲线；
图10中给出了NCF获得的Y轴方向速度变化平均估计误差曲线、NDF获得的Y轴方向速度变化平均估计误差曲线和LCF 获得的Y轴方向速度变化平均估计误差曲线；
图11中给出了NCF获得的X轴方向速度变化均方误差曲线、NDF获得的X轴方向速度变化均方误差曲线和LCF获得的 X轴方向速度变化均方误差曲线；
图12中给出了NCF获得的Y轴方向速度变化均方误差曲线、NDF获得的Y轴方向速度变化均方误差曲线和LCF获得的 Y轴方向速度变化均方误差曲线；
上述图1和图2中True曲线和LCF曲线都基本重合；上述图 1至12中，NCF曲线和NDF都基本重合。
根据上述结果可知，三种滤波方法最终可以达到基本相同的跟踪效果，但本申请提供的基于多源信息融合的目标估计方法(LCF)收敛速度快，误差波动小，较稳定，对目标状态的估计效果最好。NCF和NDF方法得到目标信息需要的时间为 25s左右，LCF需要的时间为5s左右，比NCF和NDF方法缩短4 倍，大大加快了对目标状态信息的估计速度，效率提升明显。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。

Claims (9)

1.一种基于多源信息融合的目标估计方法，其特征在于，该方法包括：
通过飞行器观测目标，实时获得飞行器与目标之间的视线角信息、飞行器相对于目标的位置信息和飞行器相对于目标的速度信息。
2.根据权利要求1所述的基于多源信息融合的目标估计方法，其特征在于，该方法中使用至少一个飞行器，且所述飞行器都同时观测同一个目标，
其中，在每个飞行器中都根据观测值解算出目标最优估计状态，再将每个飞行器获得的观测值和目标最优估计状态共享给其他飞行器，同时每个飞行器也都接收其他飞行器传递来的由其他飞行器获得的观测值和目标最优估计状态。
3.根据权利要求2所述的基于多源信息融合的目标估计方法，其特征在于，
所述飞行器根据其自身观测获得的观测值和其接收到的其他飞行器获得的观测值，通过线性分布式一致鲁棒滤波算法解算出目标下一时刻的状态信息，即目标最优估计状态
Figure FDA0002439228760000011
其中，在线性分布式一致鲁棒滤波算法中，
通过下式(一)解算飞行器的测量信息矩阵
Figure FDA0002439228760000012
Figure FDA0002439228760000013
其中，
Figure FDA0002439228760000014
表示飞行器的测量信息矩阵，
Figure FDA0002439228760000015
表示视线角变量，
Figure FDA0002439228760000016
表示飞行器位置速度变量，
Figure FDA0002439228760000017
和
Figure FDA0002439228760000018
都表示量测噪声。
4.根据权利要求3所述的基于多源信息融合的目标估计方法，其特征在于，
所述视线角变量
Figure FDA0002439228760000019
包括飞行器观测目标获得的飞行器与目标之间的视线角信息，
Figure FDA00024392287600000110
所述飞行器位置速度变量
Figure FDA00024392287600000111
包括飞行器实时记录的飞行器自身的位置信息和速度信息，
Figure FDA0002439228760000021
其中，
Figure FDA0002439228760000022
表示第j个飞行器在第k时刻测得的飞行器与目标之间的视线角；
Figure FDA0002439228760000023
表示第j个飞行器在第k时刻与目标之间相对距离在X轴方向上的分量，
Figure FDA0002439228760000024
表示第j个飞行器在第k时刻与目标之间相对距离在Y轴方向上的分量，
Figure FDA0002439228760000025
表示第j个飞行器在第k时刻与目标之间相对速度在X轴方向上的分量，
Figure FDA0002439228760000026
表示第j个飞行器在第k时刻与目标之间相对速度在Y轴方向上的分量。
5.根据权利要求3所述的基于多源信息融合的目标估计方法，其特征在于，
通过下式(二)解算逆协方差矩阵
Figure FDA0002439228760000027
Figure FDA0002439228760000028
6.根据权利要求3所述的基于多源信息融合的目标估计方法，其特征在于，
通过下式(三)解算估计误差协方差矩阵Pk|k，
Figure FDA0002439228760000029
7.根据权利要求3所述的基于多源信息融合的目标估计方法，其特征在于，
通过下式(四)解算目标最优估计状态
Figure FDA00024392287600000210
Figure FDA00024392287600000211
其中，
Figure FDA00024392287600000212
表示k时刻的目标最优估计状态，
Figure FDA00024392287600000213
表示k时刻的目标预测状态。
8.根据权利要求1所述的基于多源信息融合的目标估计方法，其特征在于，
通过下式(五)解算
Figure FDA0002439228760000031
Figure FDA0002439228760000032
其中，Fk表示系统状态转移矩阵，
Figure FDA0002439228760000033
表示表示k+1时刻的目标预测状态；
Figure FDA0002439228760000034
Ts表示时间步长，Ts＝0.01s。
9.根据权利要求1所述的基于多源信息融合的目标估计方法，其特征在于，
通过下式(六)解算Pk+1|k，
Figure FDA0002439228760000035
其中，Pk+1|k表示根据k时刻信息预测的k+1时刻的预测误差方差矩阵，
Figure FDA0002439228760000036
表示系统状态转移矩阵的转置，Qk表示系统噪声协方差矩阵；
Figure FDA0002439228760000037
σp表示系统过程噪声，σp＝1m2/s。
CN202010260825.2A 2020-04-03 2020-04-03 基于多源信息融合的目标估计方法 Active CN111612810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260825.2A CN111612810B (zh) 2020-04-03 2020-04-03 基于多源信息融合的目标估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260825.2A CN111612810B (zh) 2020-04-03 2020-04-03 基于多源信息融合的目标估计方法

Publications (2)

Publication Number Publication Date
CN111612810A true CN111612810A (zh) 2020-09-01
CN111612810B CN111612810B (zh) 2023-08-18

Family

ID=72195989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260825.2A Active CN111612810B (zh) 2020-04-03 2020-04-03 基于多源信息融合的目标估计方法

Country Status (1)

Country Link
CN (1) CN111612810B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721188A (zh) * 2021-08-06 2021-11-30 北京理工大学 拒止环境下的多无人机自身定位与目标定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226357A (zh) * 2013-03-22 2013-07-31 海南大学 一种基于目标跟踪的多无人机通信决策方法
CN105628045A (zh) * 2015-12-31 2016-06-01 武汉顶翔智控科技有限公司 一种无人机跟拍路径规划与跟踪方法
CN105954743A (zh) * 2016-05-31 2016-09-21 西安电子科技大学 一种改进权值的变结构多模型机动目标跟踪方法
CN106443661A (zh) * 2016-09-08 2017-02-22 河南科技大学 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN109270945A (zh) * 2018-09-21 2019-01-25 北京大翔航空科技有限公司 一种用于捷联制导无人机的控制系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103226357A (zh) * 2013-03-22 2013-07-31 海南大学 一种基于目标跟踪的多无人机通信决策方法
CN105628045A (zh) * 2015-12-31 2016-06-01 武汉顶翔智控科技有限公司 一种无人机跟拍路径规划与跟踪方法
CN105954743A (zh) * 2016-05-31 2016-09-21 西安电子科技大学 一种改进权值的变结构多模型机动目标跟踪方法
CN106443661A (zh) * 2016-09-08 2017-02-22 河南科技大学 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN109270945A (zh) * 2018-09-21 2019-01-25 北京大翔航空科技有限公司 一种用于捷联制导无人机的控制系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIWEN YANG 等: "High Accuracy Active Stand-off Target Geolocation Using UAV Platform", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL, INFORMATION AND DATA PROCESSING》 *
任建存;吕俊伟;: "基于一致性的多UUV协同目标跟踪算法" *
杨明;赵恩娇;晁涛;王松艳;: "面向多飞行器的一致性协同估计方法" *
王激扬;张航;宋闯;易华;: "无人飞行器的多源信息融合技术发展综述" *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113721188A (zh) * 2021-08-06 2021-11-30 北京理工大学 拒止环境下的多无人机自身定位与目标定位方法

Also Published As

Publication number Publication date
CN111612810B (zh) 2023-08-18

Similar Documents

Publication Publication Date Title
He et al. Three-dimensional salvo attack guidance considering communication delay
CN107270933B (zh) 一种基于多星协同的空间碎片运动状态联合确定方法
CN108490433A (zh) 基于序贯滤波的空时偏差联合估计与补偿方法及系统
Yang et al. Three-dimensional consensus algorithm for nonsingular distributed cooperative guidance strategy
Fonod et al. Estimation enhancement by cooperatively imposing relative intercept angles
CN115329594B (zh) 一种大规模导弹集群攻防对抗仿真加速方法及系统
Talebi et al. Cooperative, non-cooperative and greedy pursuers strategies in multi-player pursuit-evasion games
CN111612810A (zh) 基于多源信息融合的目标估计方法
CN117455960B (zh) 时变观测噪声条件下机载光电系统对地无源定位滤波方法
CN114020021A (zh) 一种多导弹分布式协同制导律的设计方法及系统
Huang et al. A novel route planning method of fixed-wing unmanned aerial vehicle based on improved QPSO
CN108052112B (zh) 基于pn制导律辨识的多飞行器威胁度获取方法
CN110162084B (zh) 基于一致性理论的飞航导弹集群系统编队控制方法
CN111649734B (zh) 一种基于粒子群算法的捷联导引头目标定位方法
Popov et al. Development of Algorithm for Guiding the Swarm of Unmanned Aerial Vehicles
CN114153143A (zh) 一种导弹非奇异固定时间滑模制导律的设计方法
CN112965530A (zh) 一种多无人机自适应变尺度动态目标搜索方法
Zhang et al. Aircraft trajectory planning for improving vision-based target geolocation performance
Kumar et al. Adaptive extended kalman filter for ballistic missile tracking
Emeliyanov et al. Information set-based guidance algorithm against a decelerating maneuvering target
Saha et al. Using a metric based tuning of Converted Measurement Kalman Filter (CMKF) for realistic target tracking scenario
Su et al. Integrated estimation/guidance law against exoatmospheric maneuvering targets
Si et al. The estimation of wing flexure deformation in transfer alignment based on inertial sensors network
CN117910353A (zh) 低信息支撑条件下的弹道预报方法和装置
Jinlong et al. Receding horizon integrated guidance and control for interceptors based on Gauss pseudospectral method

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 334000 dispatch building, No.49, Minde Road, Xinzhou District, Shangrao City, Jiangxi Province

Applicant after: STATE GRID JIANGXI ELECTRIC POWER Co.,Ltd. SHANGRAO POWER SUPPLY BRANCH

Applicant after: BEIJING INSTITUTE OF TECHNOLOGY

Address before: 100081 No. 5 South Main Street, Haidian District, Beijing, Zhongguancun

Applicant before: BEIJING INSTITUTE OF TECHNOLOGY

Applicant before: STATE GRID JIANGXI ELECTRIC POWER Co.,Ltd. SHANGRAO POWER SUPPLY BRANCH

GR01 Patent grant
GR01 Patent grant