CN111857186A - 一种切换拓扑条件下目标运动状态的估计方法 - Google Patents

Abstract

本发明公开了一种切换拓扑条件下目标运动状态的估计方法。假设编队中的每架无人机均量测到目标含高斯噪声和随机噪声的运动加速度信息，都对加速度进行低通一致性滤波，且对低通一致性滤波算法进行改进，使编队中的每架无人机得到较为精确的目标运动加速度。应用固定通信拓扑条件下推导得到的分布式连续滤波算法对目标运动状态进行估计，将低通一致性滤波得到的目标加速度带入IKCF；在无人机节点无法收到邻居的信息时，用标准连续Kalman滤波算法替代IKCF，对目标的状态估计在一定范围内将实现一致并且收敛到目标的真实运动状态。

Description

一种切换拓扑条件下目标运动状态的估计方法

技术领域

本发明属于切换通信拓扑条件下的分布式滤波算法以及低通一致性滤波算法，具体涉及一种切换拓扑条件下目标运动状态的估计方法。

背景技术

在目标跟踪、工业设备监控和环境监测等领域通常应用传感器网络对其进行分布式状态估计。而在目标跟踪中由于目标运动的不确定性很大，采用固定的传感器网络对其运动状态进行分布式滤波有些不太实用。因此，采用无人机编队对目标进行跟踪并进行状态估计是较为理想的方法。而无人机编队的通信系统在受到环境因素的影响时可能导致通信链路的中断，进而导致通信拓扑不含生成树；在一定的时间段内，通信拓扑通过编队通信系统的恢复或自组织连接将再次含有生成树。因此，采用一种在这种通信拓扑切换条件下稳定的分布式滤波算法是有必要的。

并且，在编队控制算法中基本要求每架无人机都知道目标的运动加速度。即使无人机通过某种传感器可以量测到目标的运动加速度，也必然是含有很大噪声的，从而导致每架无人机量测到的目标运动加速度相差很大。因此，有必要采用一种低通一致性滤波算法对量测到的目标运动加速度进行低通一致性滤波，从而使每架无人机得到更加准确的目标运动加速度。

发明内容

针对无人机编队目标跟踪、状态估计中通信链路容易中断导致通信拓扑不含生成树的问题，提出了一种切换通信拓扑条件下的分布式滤波算法，使算法更加贴近实际情况，并且提出了一种改进的低通一致性滤波算法，使得无人机可以得到目标更加准确的运动加速度。

本发明是这样实现的，一种切换拓扑条件下目标运动状态的估计方法，地面移动目标的运动状态模型为：

其中，u(t)∈R²为目标在水平方向的控制输入，系统矩阵A和输入B满足：

A为过程噪声驱动阵，状态变量x＝[p_x p_y v_x v_y]^T代表目标水平方向的位置和速度；过程噪声ω～(0,Q)，量测噪声v～(0,R)，z为目标位置、速度状态的观测量，观测矩阵H∈I^4×4为4阶单位阵，具体步骤如下：

无人机编队在跟踪目标的初始时刻通信拓扑图含有生成树；

(1)将每架无人机量测到的目标含噪声的运动加速度进行低通一致性滤波：

其中，

为无人机i对目标运动加速度的估计，

为无人机i量测到的目标运动加速度，a_ij＝1表示无人机i与无人机j有通讯链接，a_ij＝0无人机i与无人机j无通讯链接，且J_i＝N_i∪{i}，N_i为无人机i的邻居；

为了使滤波后的加速度在更小的范围内趋于一致，对算法进行改进，改进后的低通一致性滤波算法的组合形式为：

其中，

分别为无人机通信拓扑图的拉普拉斯矩阵和度矩阵；w₁≥1，w₂≥1为相应的权值因子；

由于传感器故障或量测距离的限制导致无人机i测到的目标运动加速度异常时，无人机i只与其邻居进行一致性滤波：

(2)编队中的每架无人机通过IKCF算法对目标的状态进行估计，并将由改进低通一致性滤波算法估计得到加速度

代替目标的控制输入：

无人机编队在跟踪目标的过程中由于环境干扰导致某些通信链路中断，此时编队通信拓扑不含生成树；

(3)将(2)中所提分布式滤波算法改为标准连续Kalman滤波算法的形式：

(4)在无人机通信拓扑含有生成树后则再次用(2)中的算法对目标的状态进行估计。

与现有技术相比，本发明的有益效果为：

(1)考虑无人机编队目标跟踪过程中通信链路发生中断导致通信拓扑不含生成树的情况，提出了一种切换拓扑条件下的分布式滤波算法，使其更具实际意义。

(2)对无人机量测得到的加速度进行低通一致性滤波，并对其进行改进，使得编队中的每架无人机都可以得到在更小范围内趋于一致的目标运动加速度。从而可以应用某些编队控制算法使无人机编队更加紧密地跟踪目标。

附图说明

图1-a是本实施过程用到的通信拓扑图：‘0’代表移动目标；‘1-5’代表五架无人机，并且图1-a中Topology 1含有生成树；

图1-b是本实施过程用到的通信拓扑图：‘0’代表移动目标；‘1-5’代表五架无人机，并且图1-b中Topology 2含有生成树；

图1-c是本实施过程用到的通信拓扑图：‘0’代表移动目标；‘1-5’代表五架无人机，并且图1-c中Topology 3不含有生成树；

图1-d是本实施过程用到的通信拓扑图：‘0’代表移动目标；‘1-5’代表五架无人机，并且图1-d中Topology 4不含有生成树；

图2是地面移动目标在X轴向的控制输入。

图3是无人机1量测到的X轴向原始加速度误差。

图4是无人机1-5运行原始低通一致性滤波算法估计得到的加速度误差。

图5是无人机1-5运行改进低通一致性滤波算法估计得到的加速度误差。

图6是仿真条件1切换拓扑条件下的估计误差Lyapunov函数曲线。

图7是仿真条件1切换拓扑条件下本发明所提分布式滤波算法的估计误差。

图8是仿真条件2切换拓扑条件下的估计误差Lyapunov函数曲线。

图9是仿真条件2切换拓扑条件下本发明所提分布式滤波算法的估计误差。

具体实施方式

以下结合图1-9和具体实施过程对本发明做进一步详细说明：

图1是本实施例过程用到的通信拓扑图：‘0’代表移动目标；‘1-5’代表五架无人机；并且图中Topology 1和Topology 2含有生成树，Topology 3和Topology 4不含有生成树。图2是地面移动目标在X轴向的控制输入。图3是无人机1量测到的X轴向原始加速度误差。

设定数值仿真的步长为Δt＝10^-3s，目标动态模型的过程白噪声方差为n_ω＝0.04；量测到的目标位置、速度白噪声方差分别为n_p＝3和n_v＝3；无人机间的通信白噪声方差为n_c＝0.01；给定无人机量测到的目标运动加速度含白噪声的方差为

含随机噪声的幅值大小为al＝0.2。在经过对量测加速度的低通一致性滤波后，给定目标运动加速度的输入噪声方差阵中对角线元素大小为0.1。

通信拓扑取图1中的Topology 1，在改进的低通一致性滤波算法中取w₁＝90，w₂＝12，得到如图5所示的估计加速度误差，和图4相比体现出改进低通一致性滤波算法的优势。

取w₁＝90，w₂＝12。假设无人机编队在通信拓扑Topology 1下跟踪并估计地面目标，在第5s时通信拓扑切换到Topology 3。在10s后也就是数值仿真的第15s，通信拓扑恢复到Topology 1。在数值仿真的第35s及以后,再次发生和第5s及第15s相同的通信拓扑切换过程。仿真结果如图6和图7。

取w₁＝90，w₂＝12。假设无人机编队通信拓扑在数值仿真的35s以前发生和上一段所提相同的切换过程，只是在第35s时通信拓扑切换到Topology 4，并且在第45s时切换到Topology 2。仿真结果如图8和图9。

Claims (1)

1.一种切换拓扑条件下目标运动状态的估计方法，其特征在于，地面移动目标的运动状态模型为：

其中，u(t)∈R²为目标在水平方向的控制输入，系统矩阵A和输入B满足：

A为过程噪声驱动阵，状态变量x＝[p_x p_y v_x v_y]^T代表目标水平方向的位置和速度；过程噪声ω～(0,Q)，量测噪声v～(0,R)，z为目标位置、速度状态的观测量，观测矩阵H∈I^4×4为4阶单位阵，具体步骤如下：

无人机编队在跟踪目标的初始时刻通信拓扑图含有生成树；

(1)将每架无人机量测到的目标含噪声的运动加速度进行低通一致性滤波：

其中，

为无人机i对目标运动加速度的估计，

为无人机i量测到的目标运动加速度，a_ij＝1表示无人机i与无人机j有通讯链接，a_ij＝0无人机i与无人机j无通讯链接，且J_i＝N_i∪{i}，N_i为无人机i的邻居；

为了使滤波后的加速度在更小的范围内趋于一致，对算法进行改进，改进后的低通一致性滤波算法的组合形式为：

其中，

分别为无人机通信拓扑图的拉普拉斯矩阵和度矩阵；w₁≥1，w₂≥1为相应的权值因子；

由于传感器故障或量测距离的限制导致无人机i测到的目标运动加速度异常时，无人机i只与其邻居进行一致性滤波：

(2)编队中的每架无人机通过IKCF算法对目标的状态进行估计，并将由改进低通一致性滤波算法估计得到加速度

代替目标的控制输入：

无人机编队在跟踪目标的过程中由于环境干扰导致某些通信链路中断，此时编队通信拓扑不含生成树；

(3)将(2)中所提分布式滤波算法改为标准连续Kalman滤波算法的形式：

(4)在无人机通信拓扑含有生成树后则再次用(2)中的算法对目标的状态进行估计。

Images