CN112051862B - 面向观测优化的多机异类传感器协同多目标跟踪 - Google Patents
面向观测优化的多机异类传感器协同多目标跟踪 Download PDFInfo
- Publication number
- CN112051862B CN112051862B CN202010990394.5A CN202010990394A CN112051862B CN 112051862 B CN112051862 B CN 112051862B CN 202010990394 A CN202010990394 A CN 202010990394A CN 112051862 B CN112051862 B CN 112051862B
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned aerial
- aerial vehicle
- observation
- formation
- 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
Links
- 238000005457 optimization Methods 0.000 title description 9
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000005755 formation reaction Methods 0.000 claims description 124
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 12
- 230000003864 performance function Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05D1/10—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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于协同目标跟踪技术,针对多无人机异类传感器协同多目标跟踪问题,提供了一种面向观测优化的多机异类传感器协同多目标跟踪方法。针对单目标编队,首先构造了拒止区域,得到适用于无人机连续运动的包络路径,并根据无人机的位置与传感器配置,构造无人机编队对目标编队跟踪的性能函数。令传感器在“跟踪‑搜索”模式下工作,根据异类传感器的性能增益与可观测性条件建立模型,求解无人机与目标的最优观测配置关系。当目标编队组成变化时,适时地在线重规划无人机编队组成与观测配置关系,从而提出了全局观测大化的多目标协同跟踪方法。本发明能够根据异类传感器性能、可观测性约束、目标编队动态变化有效改善了对多目标的全局观测性能。
Description
技术领域
本发明属于协同目标跟踪技术,针对多无人机异类传感器协同多目标跟踪问题,提供了一种面向观测优化的多机异类传感器协同多目标跟踪方法。
背景技术
受益于无人机信息融合技术与协同探测技术的快速发展,可使用多架搭载不同传感器的无人机在广域空间内对多运动目标、敏感区域长时间遂行侦察与跟踪任务。由于多无人机多目标协同跟踪是典型NP-hard问题,并且需要根据传感器特点提出有效鲁棒的解决方法。
本发明旨在针对异类传感器对多目标的观测优化问题,研究了多机多目标协同跟踪样式,并结合异类传感器工作模式特点、多无人机的可观测性条件,为优化多无人机协同跟踪系统对多目标跟踪过程中的全局观测性能,对多无人机多目标的观测配置问题与紧环绕跟踪问题进行深入研究,提出有效可靠的新方法。
发明内容
1.多无人机协同standoff目标编队跟踪
(1)基于分布式异类传感器融合的目标状态估计
假设二维平面中使用多架无人机对编队运动的多个目标遂行侦察监视任务。无人机利用机载传感器能够感知一定范围内的目标,并利用状态滤波算法对目标进行连续跟踪。对于有源传感器的目标跟踪问题,已有大量的文献进行了相关研究,本文采用经典的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)方法得到连续的目标状态估计结果。考虑到多无人机编队系统中存在无源传感器的情况,为使得后续目标状态的分布式融合估计的顺利进行,需要使用无源传感器得到目标估计结果,因此本文引入了偏差补偿的伪线性卡尔曼滤波器(Bias-Compensated Pseudolinear Kalman Filter,BC-PLKF)用于连续估计目标状态。选用EKF和BC-PLKF方法分别用于有/无源传感器的目标状态个跟踪滤波,可统一待估计的目标状态向量,一方面,当无人机搭载有多个异类传感器时,可直接使用序贯方法得到局部的目标状态融合估计,另一方面,当无人机编队中存在异类传感器时,方便使用现有分布式目标状态融合估计方法。
在各个无人机得到目标的状态估计结果后,通过通信链路与邻近无人机进行通信,通信内容包括对目标的观测结果、无人机运动状态信息以及未来的控制序列信息,而后可利用基于信息一致性的分布式目标状态融合估计方法得到一致性的目标状态估计。针对复杂的机动目标,则可以结合交互多模型提高目标状态估计精度。目标状态融合过程中假设各个无人机的目标观测结果已完成时间配准、航迹关联和系统偏差估计。
(2)多机standoff目标编队跟踪性能函数
假设通过分布式目标状态融合估计后,k时刻无人机i对目标j的位置状态结果为xij,k=[xij,k,yij,k]T,其中N={j}表示所有目标节点的集合,M={i}表示所有无人机节点的集合。设无人机的运动状态为分别表示无人机k时刻的位置pi,k=[xi,k,yi,k]T、航向、速度和转向角速度。量测方程统一表示为zi,k=h(pi,k,xij,k)。由于目标中可能存在多个编队的情况,则目标编队p中的目标节点的集合表示为对编队Np进行定位跟踪无人机的集合为为保证多无人机对多目标跟踪时的稳定性和连续性,假设一个目标编队有且仅被一个无人机编队观测,而单个无人机编队可以观测多个目标编队。为保证多无人机对多目标跟踪时的稳定性和连续性,假设一个目标编队有且仅被一个无人机编队观测,而单个无人机编队可以观测多个目标群。图2展示了多无人机机对多目标编队协同standoff跟踪场景。
无人机i∈Mq的视角下,k时刻,无人机编队Mq对目标编队Np中的目标的观测能力可以描述为
其中Mij,k为无人机i对目标j的Fisher信息矩阵
(3)拒止区域
为使无人机与目标之间保持稳定的安全距离或受限于某些传感器的观测视野,使得固定翼无人机能够持续稳定的对目标进行连续观测,要求无人机与目标之间保持稳定的standoff距离rd,因此设置以目标为圆心,standoff距离为半径的圆为对目标的拒止区域,从而保证无人机沿着拒止区域的边缘飞行。当多个目标彼此靠近,其对应的拒止区域相互重叠,从而形成一个目标群/编队,对应拒止区域为所有目标拒止区域的并集。将传统standoff目标跟踪的概念推广到多目标场景,则要求无人机与距其最近目标之间的距离不小于预设的standoff距离,形成无人机沿着多个目标圆的外包络环绕飞行的standoff多目标跟踪样式,又被称作紧环绕(Tight Circumnavigation)跟踪。当目标之间的间距较大(但小于2rd)时,拒止区域会产生陡峭的凹陷,介于无人机对长时控制序列的预测能力有限,无人机无法理想地直接沿着拒止区域的包络运动。为提高无人机控制的稳定性和控制优化效率,根据无人机运动性能,使用无人机的最小转弯半径圆填补陡峭的凹陷,得到修补后的拒止区域,从而得到适用于无人机连续运动的包络路径,其中最小转弯半径使用无人机的最大速度计算得到
在不显著影响观测性能的条件下,为简化计算,直接在两圆的中部使用矩形填补凹陷区域成较为规则的图形,双目标拒止区域的构造示意图如图3所示。
当无人机观测编队的数目较少时,需要部分无人机对多个目标编队进行观测,采取相似的思路构建拒止区域。以两个目标编队为例,其中编队之间的最小距离不小于2rd,如图4所示,其中添加矩形的宽度dmin由两圆相切时的矩形宽度确定。
当无人机位于拒止区域内时,应保证无人机控制的优化方向径向地指向拒止区域外,同时尽可能保证性能函数及其导数在拒止区域附近有着相近的尺度。因此将编队目标的拒止区域分为和两部分,如图5所示。在区域中,为保证控制量的优化方向径向地远离目标,选择距离无人机i最近的目标j,定义其性能函数为
其中
综上所述,对无人机i∈Mq,k时刻无人机编队Mq对目标编队Np的性能函数可以表述为
注意到,对于仅测角无源传感器,其FIM不满秩,无法求导,本方法中其FIM行列式及其导数的计算使用FIM的迹代替。
结合基于模型预测控制的方法,对于无人机i,无人机系统对多目标的观测性能函数为
其中Nr为滚动时域的长度。
可采用优化后的MPC方法在分散式框架下求解无人机控制变量,并对多无人机的圆周运动方向进行协同控制。
2.多无人机编队协同跟踪
当目标有多个编队时,编队内目标间隔较近,而编队间的距离相对较远,因此需要对多目标进行划分,划分为多个目标编队(群)。同时,为了提高对编队目标的观测、定位、跟踪能力,需要对多无人机的跟踪任务目标进行规划,以获得最佳的战场态势感知能力。此外,考虑基于旋转扫描体制传感器的工作模式、传感器观测类型对目标分群、目标任务规划的影响。
(1)传感器工作模式
机载传感器可根据其自身特点和任务目标的要求工作在不同的模式下,常见的两种工作模式分别为目标搜索与目标跟踪,其中目标跟踪工作模式又可以根据目标的优先级程度,划分为目标捕获、目标跟踪、记忆跟踪与目标验证等。
不同的传感器有不同的工作模式。以相控阵雷达为例,通过多次相参积累,可以提高测距的信噪比,改善对目标的定位跟踪精度。使用云台搭载的相机传感器,可以通过将目标始终置于视野之中提高对目标观测的采样率,进而提高目标跟踪性能。
为兼顾目标跟踪观测质量和对新目标的搜索发现,定义一种跟踪-搜索工作模式。该工作模式下,假设传感器对已知的重点目标区域,通过提高传感器视野的驻留时间,增加观测的采样率或提高传感器信噪比的方式,提高对目标的观测性能;对连续的非目标区域或次要目标区域则按照正常的采样率,从而保证对可能出现的新目标进行搜索并检测,同时保证对次要目标的状态更新。设k时刻目标编队Np所在区域的角域范围为βp,k,则传感器的观测周期由Ts变为Tp,k
其中nTS表示传感器视野驻留时间相对于原有时间的倍数。nTS=1表示没有提高驻留时间,传感器按照在全角域按照搜索的工作模式感知或跟踪目标,易知,此时Tp,k=Ts。
在连续时间域上,不考虑目标过程噪声,仅考虑目标状态的Fisher信息矩阵,则t时刻的FIM可定义为
离散化后,得到k时刻的FIM
若传感器采用跟踪的工作模式对部分重点密集目标进行观测,则新的FIM等价为
其中,RTS表示跟踪工作模型下得到改善的等效传感器量测误差矩阵。
若传感器采用搜索的工作模式对次要目标进行观测,则FIM等价为
整合式(13)和式(14),得到不同工作模式下的新增FIM的行列式为
其中gp,k定义为传感器在“跟踪-搜索”工作模式下,k时刻无人机对目标编队Np内目标的等效观测量增益。对无人机i,其定义为
其中gTS表示由于传感器采用视野驻留工作模式,所提高的传感器性能,d表示改善的传感器维度数。若传感器通过驻留可以提高测距和测角的采样率,则gTS≈nTS,d=2。以相控阵雷达为例,当其工作在增程模式时,使用相参积累可以有效提高测距的信噪比,则gTS=nTS,d=1;若使用非相参积累,则一般gTS<nTS。若传感器工作在搜索模式下对次要目标进行观测,则gTS=1,gip,k<1,即传感器会降低对次要目标的观测能力。若传感器工作在跟踪模式下对重点目标进行观测,则gTS>1,一般情况下,有gip,k>1,即传感器可以有效提高对重点目标的观测能力。若传感器对全角域按照搜索的模型进行探测,则gip,k=1,传感器对目标的观测能力不变。若传感器对全角域按照跟踪的模型进行探测,且gTS<nTS,则gip,k<1,反而会降低整体的观测能力。因此有区别地针对不同目标区域采取不同的工作模式,是有效提高整个无人机系统观测能力的关键。
(2)多无人机与多目标的观测配置
为更好地使用无人机遂行跟踪任务,得到持续稳定的最佳观测状态,需要将不同的目标群分配给不同的目标,该方法包含两个步骤,一是对多目标进行分割,得到多个目标编队,二是根据观测要求和无人机当前运动状态,将无人机配置到不同的目标上。
1)目标分群
首先需要对多个目标进行分割,得到多个目标编队。根据standoff跟踪的要求,若一个目标集合中任意邻近的两个目标之间的距离小于2rd,则认为该目标集合为一个目标编队。因此可以使用基于欧氏距离的分级聚类的方法对所有目标进行聚类,聚类的终止门限为2rd,从而得到目标编队结果Np,p=1,…,np,np为目标编队的数量。
2)无人机观测配置
根据无人机当前位置上对目标的观测能力,需要将无人机配置到不同的目标。为此,通常引入最优分配(optimal assignment)方法得到对全部目标的总观测量最优的无人机-目标编队观测配置结果,但没有考虑异类传感器不同工作模型对整体观测性能的影响,为此本发明提出了一种适用于异类传感器协同多目标跟踪的无人机与目标之间的最优观测配置关系求解方法。
忽略先验FIM,使用当前时刻的新增的FIM定义单无人机对不同目标编队的观测量,即
忽略时间标签,观测配置结果的目标函数表示为
其中{xip}表示值为0或1的二值分配矩阵。若xip=1,则表示第i个无人机在跟踪模式下对目标编队Np进行观测;若xip=0,则第i个无人机在搜索模式下对目标编队Np进行观测。
在讨论分配矩阵的约束前,需要考虑无人机搭载的传感器类型。若无人机仅搭载无源传感器时,为保证无人机编队在不进行特殊机动的条件下对目标仍具有可观测性,其所在无人机编队中的无人机数量应不少于2架;若无人机仅搭载主动传感器或同时搭载主/被动传感器,则单个无人机便能够实现对目标的观测、定位和跟踪。假设仅搭载无源传感器的无人机数量为nP,其他无人机数目为nA,则在满足可观测条件下的最大无人机编队数目为其中[·]D表示向下取整操作。
下面分两种情况讨论分配矩阵的约束。
a)目标编队数目不多于最大无人机编队数目
当目标编队数目小于或等于最大无人机编队数目时,无人机编队可以在满足对目标可观测性的基础上,增加编队中无人机的数量,提高对目标的观测性能。因此,对于仅搭载无源传感器的无人机,要求对同一目标编队观测的无人机数量不少于两架,即
相似地,对其他无人机则要求,对同一目标编队观测的无人机数量不少于一架,即
此外,当无人机数目较多时,在资源配置时,为避免多数无人机配置到单个目标编队的情况,对观测同一个目标编队的无人机数量上界进行约束,即
其中[·]U表示向上取整操作。
同时,在跟踪模式下,每一个无人机编队仅对一个目标编队进行观测,即
综上所述,整合式(19)-(22)中的约束条件,得到无人机与目标的最优观测配置的求解模型为
b)目标编队数目多于最大无人机编队数目
当目标编队数目多于最大无人机编队数目时,则要求所有无人机按照满足观测性情况下的最小规模组成编队,即
同时,一个无人机编队则需要在跟踪模式下至少观测一个目标编队,即
则无人机与目标的最优观测配置的求解模型为
根据式(23)和式(26)中的两类模型,使用0-1整数线性规划(Zero-One IntegerLinear Programming)方法可得到最佳的无人机编队配置结果以及对应的无人机-目标的观测配置结果。
(3)在线重规划
由于目标是不断运动,目标编队的组成也可能是变化的。
1)当目标由一个目标编队跨越到另一个编队(目标交接)时,无人机需要重新确定无人机编队组成,以确保多无人机系统对多目标的总体观测性能最优。
2)当单个目标编队分裂成多个编队时,在保证对目标可观测性的基础上,无人机也需要分裂成多个无人机编队,或者目标编队数目较多时,甚至可能需要其他无人机编队协作地对分裂出去的目标编队进行观测。
3)当多个目标编队合并成一个编队时,无人机编队可以通过合并,提高对新目标编队的观测性能。
注意若某一目标编队进行上述的交接、分裂与合并过程时,对应的无人机编队并非简单地进行相应的分裂与合并,而是需要根据当前时刻无人机与目标的位置关系,根据最优观测性这一优化目标重新确定无人机的编队构成,以及无人机编队与目标编队的对应关系。因此,当目标编队构成发生变化时,需重新规划无人机-目标的观测配置关系。
此外,由于无人机与目标均在不断运动,当其工作在跟踪-搜索模式时,目标区域在无人机视野中的角度范围根据其相对几何位置关系随时间不断变化。尤其对于目标编队数目相对较多的情况,一个无人机编队可能需要重点观测多个目标编队,当该无人机编队中的某个无人机距离某一目标编队较远时,该无人机对其观测能力较差,而该编队外的其他无人机可能对该目标具有更优的观测性能,因此当距离某一无人机最近的目标编号发生变化时,则重新优化无人机对目标编队的观测配置关系。
大量实验结果表明了所述方法具有更高的全局观测性能,并对不同的无人机数目、目标数目、目标编队数目具有较好的适应性。同时,所提方法能够在异类传感器的“跟踪-搜索”工作模型下,根据无人机-目标的几何位置关系、目标编队组成的动态变化适时地重规划观测配置关系,从而显著改善了全局的观测性能。
附图说明
图1:实施流程图;
图2:多机多目标协同跟踪示意图;
图3:单个目标编队的拒止区域的构造示意图;
图4:多个目标编队的拒止区域;
图5:拒止区域的划分。
具体实施方式
结合图1所述的本发明实施流程图,对本发明作进一步详细描述。
利用多架无人机协同跟踪多个目标的场景示意图如图2所示。通过通信链路或中继通信等方式,各个无人机可以相互传递无人机自身的运动状态、传感器性能、对目标的观测以及上一时刻的控制序列优化结果,并利用分布式目标状态融合估计方法,得到关于目标的状态估计结果。而后,在分散式框架下,各个无人机根据上述信息,判断是否需要重新规划无人机与目标编队之间的观测配置关系,最后根据观测配置关系,在给定的拒止区域的包络上协同跟踪目标编队,使全局观测结果最优。无人机之间的通信只发生在目标状态融合估计过程中,在后续的观测配置优化、协同目标跟踪过程中,则使用分散式框架,能够有效降低了对实时通信能力的需求,易于工程实践。
无人机i在k时刻运行本方法时的具体实施步骤如下。
步骤1:通过与邻近无人机进行通信,无人机i可获得所有无人机的运动状态xi,k、传感器量测协方差矩阵Ri,k和上时刻的控制序列并通过分布式异类传感器融合方法得到所有目标状态的估计结果为xij,k,其中,j∈N,i∈M,N表示所有目标节点的集合,M表示所有无人机节点的集合;
步骤2:当目标的编队组成发成分裂、合并、交接等变化时,或者距离无人机最近的目标发生变化时,则按照步骤3重新规划无人机与目标之间的观测配置关系,否则跳过步骤3,按照步骤4实施多机多目标协同跟踪;
步骤3:根据多无人机观测系统的传感器配置,考虑不同传感器的不同工作模式对观测性能的影响,求解无人机与目标之间的最优观测配置关系,优化全局观测性能;
步骤3.1:目标分群,若某一目标集合中任意邻近的两个目标之间的距离小于2rd,rd为standoff距离,则该目标集合为一个目标编队,使用基于欧氏距离的分级聚类的方法对所有目标进行聚类,聚类的终止门限为2rd,得到的聚类结果即目标编队结果对于有rij<2rd,其中,np为目标编队的数量,rij表示目标i和目标j之间的距离。
步骤3.2:传感器在“跟踪-搜索”模式下工作,根据无人机所搭载的传感器类型与所需观测目标的位置分布,可计算无人机i对目标编队Np中目标的等效观测增益系数gip,k
其中,βip,k表示被观测的目标编队所在的角域范围,nTS表示传感器视野驻留时间相对于原有时间的倍数,gTS表示对应传感器性能增益,d表示改善的观测维度数;
步骤3.3:计算满足可观测条件下的最大无人机编队数目
其中,仅搭载无源传感器的无人机数量为nP,其他无人机数目为nA,[·]D表示向下取整操作;
xip={0,1},i∈M,p=1,…,np
若目标编队数目多于nmax,则无人机与目标的最优观测配置的求解模型为
xip={0,1},i∈M,p=1,…,np
求解上述模型便可得到使全局观测最优的无人机与目标观测配置关系;
步骤4:无人机根据无人机与目标观测配置关系进行分组编队,无人机i所属的无人机编队Mq对其应观测的目标编队的性能函数为
其中,表示k时刻无人机i对目标j的Fisher信息矩阵,为传感器量测方程对目标状态的雅克比矩阵,Ri,k为传感器量测误差协方差矩阵,Fq表示无人机编队Mq观测的目标编队的编号集合,MP表示仅搭载无源传感器的无人机编号的集合,Nr为滚动时域的长度,j1和j2表示时,双目标连线距离无人机i最近的两个目标的编号,和表示拒止区域中的不同部分,划分方式如图5所示。基于上述所提性能函数,使用基于模型预测控制方法可以求解无人机控制序列实现多机异类传感器多目标协同跟踪。
大量实验结果表明了所述方法具有更高的全局观测性能,并对不同的无人机数目、目标数目、目标编队数目具有较好的适应性。同时,所提方法能够在异类传感器的“跟踪-搜索”工作模型下,根据无人机-目标的几何位置关系、目标编队组成的动态变化适时地重规划观测配置关系,从而显著改善了全局的观测性能。
Claims (2)
1.面向观测优化的多机异类传感器协同多目标跟踪方法,其特征在于,各个无人机分别运行本方法实现对多目标的协同跟踪,无人机i在k时刻运行本方法时包括以下步骤:
步骤1,通过与其他无人机进行通信,无人机i可获得所有无人机的运动状态xi,k、传感器量测协方差矩阵Ri,k和上时刻的控制序列并通过分布式异类传感器融合方法得到所有目标状态的估计结果为xij,k,其中,j∈N,i∈M,N表示所有目标节点的集合,M表示所有无人机节点的集合;
步骤2,当目标的编队组成发生分裂、合并、交接变化时,或者距离无人机最近的目标发生变化时,则按照步骤3重新规划无人机与目标之间的观测配置关系,否则跳过步骤3,按照步骤4实施多机多目标协同跟踪;
步骤3,根据多无人机观测系统的传感器配置,考虑不同传感器的不同工作模式对观测性能的影响,求解无人机与目标之间的最优观测配置关系;
步骤4,无人机根据无人机与目标观测配置关系进行分组编队,而后根据无人机i所属的无人机编队Mq对其应观测的目标编队的性能函数,使用基于模型预测控制方法能够求解无人机控制序列实现多机异类传感器多目标协同跟踪;
所述性能函数具体为:
2.如权利要求1所述的面向观测优化的多机异类传感器协同多目标跟踪方法,其特征在于,步骤3具体为:
步骤3.1,使用基于欧氏距离的分级聚类的方法对所有目标进行聚类,聚类的终止门限为得到的聚类结果即目标编队结果对于有其中,np为目标编队的数量,表示目标j1和目标j2之间的距离,rd为standoff距离;
步骤3.2,传感器在“跟踪-搜索”模式下工作,根据无人机所搭载的传感器类型与所需观测目标的位置分布,计算无人机i对目标编队Np中目标的等效观测增益系数gip,k
其中,βip,k表示被观测的目标编队所在的角域范围,nTS表示传感器视野驻留时间相对于原有时间的倍数,gTS表示对应传感器性能增益,d表示改善的观测维度数;
步骤3.3,计算满足可观测条件下的最大无人机编队数目
其中,仅搭载无源传感器的无人机数量为nP,其他无人机数目为nA,[·]D表示向下取整操作;
xip={0,1},i∈M,p=1,…,np
其中,[·]U表示向上取整操作,Bip为第i个无人机对目标编队Np的观测量,k时刻的Bip定义为Mij,k为无人机i对目标j的Fisher信息矩阵,Js为全局观测性能;若目标编队数目多于nmax,则无人机与目标的最优观测配置的求解模型为
xip={0,1},i∈M,p=1,…,np
其中,xip表示值为0或1的二值分配矩阵,求解所述无人机与目标的最优观测配置的求解模型便可得到使全局观测最优的无人机与目标观测配置关系。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010990394.5A CN112051862B (zh) | 2020-09-18 | 2020-09-18 | 面向观测优化的多机异类传感器协同多目标跟踪 |
PCT/CN2020/135190 WO2022057107A1 (zh) | 2020-09-18 | 2020-12-10 | 面向观测优化的多机异类传感器协同多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010990394.5A CN112051862B (zh) | 2020-09-18 | 2020-09-18 | 面向观测优化的多机异类传感器协同多目标跟踪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112051862A CN112051862A (zh) | 2020-12-08 |
CN112051862B true CN112051862B (zh) | 2021-09-14 |
Family
ID=73603466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010990394.5A Active CN112051862B (zh) | 2020-09-18 | 2020-09-18 | 面向观测优化的多机异类传感器协同多目标跟踪 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112051862B (zh) |
WO (1) | WO2022057107A1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111427379B (zh) * | 2020-04-19 | 2022-05-31 | 中国人民解放军海军航空大学 | 观测驱动的多无人机协同standoff目标跟踪方法 |
CN112051862B (zh) * | 2020-09-18 | 2021-09-14 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪 |
CN113655811B (zh) * | 2021-08-25 | 2024-05-07 | 北京理工大学 | 隐式通信下无人机协同跟踪地面目标的期望队形获得方法 |
CN116400715B (zh) * | 2023-03-02 | 2024-06-21 | 中国人民解放军战略支援部队信息工程大学 | 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 |
CN116380148B (zh) * | 2023-04-06 | 2023-11-10 | 中国人民解放军93209部队 | 多传感器目标跟踪系统的两级时空误差标校方法及装置 |
CN116380502B (zh) * | 2023-04-07 | 2024-03-08 | 济南大学 | 一种eps系统多点同步nvh数据采集布局方法及系统 |
CN116489602B (zh) * | 2023-06-21 | 2023-08-18 | 北京航空航天大学 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
CN116974297B (zh) * | 2023-06-27 | 2024-01-26 | 北京五木恒润科技有限公司 | 基于多目标优化的冲突消解方法、装置、介质及电子设备 |
CN117270393B (zh) * | 2023-10-07 | 2024-05-17 | 重庆大学 | 智能机器人集群协同控制系统 |
CN117148730B (zh) * | 2023-11-01 | 2024-01-16 | 北京航空航天大学 | 一种时变分组编队跟踪控制方法、系统及电子设备 |
CN117687309B (zh) * | 2024-02-04 | 2024-04-16 | 北京航空航天大学 | 用于异构集群系统的异步约束输出编队跟踪方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5793931A (en) * | 1996-11-18 | 1998-08-11 | The United States Of America As Represented By The Secretary Of The Army | Method and apparatus for multi-sensor, multi-target tracking using intelligent search techniques |
CN102997911B (zh) * | 2012-12-13 | 2015-05-27 | 中国航空无线电电子研究所 | 一种被动传感器组网探测多目标方法 |
CN103235315A (zh) * | 2013-04-17 | 2013-08-07 | 苏州麦杰智能科技有限公司 | 一种多机动目标跟踪系统 |
CN104252579B (zh) * | 2014-09-18 | 2017-07-14 | 中国人民解放军海军航空工程学院 | 扩展广义s‑维分配编队目标机动模式判断方法 |
CN109116349B (zh) * | 2018-07-26 | 2022-12-13 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器协同跟踪联合优化决策方法 |
CN109508000B (zh) * | 2018-12-16 | 2021-09-03 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 异构多传感器多目标跟踪方法 |
CN111427379B (zh) * | 2020-04-19 | 2022-05-31 | 中国人民解放军海军航空大学 | 观测驱动的多无人机协同standoff目标跟踪方法 |
CN112051862B (zh) * | 2020-09-18 | 2021-09-14 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪 |
-
2020
- 2020-09-18 CN CN202010990394.5A patent/CN112051862B/zh active Active
- 2020-12-10 WO PCT/CN2020/135190 patent/WO2022057107A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN112051862A (zh) | 2020-12-08 |
WO2022057107A1 (zh) | 2022-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112051862B (zh) | 面向观测优化的多机异类传感器协同多目标跟踪 | |
Chmaj et al. | Distributed processing applications for UAV/drones: a survey | |
Farmani et al. | A scalable multitarget tracking system for cooperative unmanned aerial vehicles | |
Bahr et al. | Cooperative localization for autonomous underwater vehicles | |
Levine et al. | Information-rich path planning with general constraints using rapidly-exploring random trees | |
Farmani et al. | Tracking multiple mobile targets using cooperative unmanned aerial vehicles | |
Yang et al. | Cooperative search of UAV swarm based on improved ant colony algorithm in uncertain environment | |
Roy et al. | Unscented-Kalman-filter-based multitarget tracking algorithms for airborne surveillance application | |
Lizzio et al. | A review of consensus-based multi-agent UAV implementations | |
Guan et al. | Autonomous exploration using UWB and LiDAR | |
Zheng et al. | A collaborative target tracking algorithm for multiple UAVs with inferior tracking capabilities | |
Reboul et al. | Cooperative guidance of a fleet of UAVs for multi-target discovery and tracking in presence of obstacles using a set membership approach | |
Chen et al. | EasiDSlT: a two-layer data association method for multitarget tracking in wireless sensor networks | |
Shen et al. | Scalable cooperative localization with minimal sensor configuration | |
Hirsch et al. | Decentralized cooperative urban tracking of multiple ground targets by a team of autonomous UAVs | |
Yang et al. | Trajectory optimization for target localization and sensor bias calibration with bearing-only information | |
Abdelhamid | UAV path planning for emergency management in IoT | |
Manoharan et al. | Nonlinear model predictive control to aid cooperative localization | |
Lee et al. | Uwb based relative navigation and leader-follower formation for uavs using maneuvering of a follower | |
Omotuyi et al. | Distributed quadrotor uav tracking using a team of unmanned ground vehicles | |
Hirsch et al. | Dynamic decentralized cooperative control of multiple autonomous vehicles with multiple tasks for urban operations | |
Zheng et al. | A method for UAV tracking target in obstacle environment | |
Lebedeva et al. | Method for distributed mapping of terrain by a heterogeneous group of robots based on google cartographer | |
Sarunic et al. | Trajectory control of autonomous fixed-wing aircraft performing multiple target passive detection and tracking | |
CN117170238B (zh) | 基于协作分布式mpc的异构无人机集群搜索算法 |
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 |