CN112905959B - 一种基于正态分布概率图的警务多无人机目标搜索方法 - Google Patents
一种基于正态分布概率图的警务多无人机目标搜索方法 Download PDFInfo
- Publication number
- CN112905959B CN112905959B CN202110182132.0A CN202110182132A CN112905959B CN 112905959 B CN112905959 B CN 112905959B CN 202110182132 A CN202110182132 A CN 202110182132A CN 112905959 B CN112905959 B CN 112905959B
- Authority
- CN
- China
- Prior art keywords
- probability
- grid
- unmanned aerial
- layer
- aerial vehicle
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种基于正态分布概率图的警务多无人机目标搜索方法,多无人机包括一个主无人机和若干个从无人机,该方法包括:网格化规定区域,并根据包括预先定义重点搜索位置的先验信息为各个网格分配概率,得到初始概率图;主无人机接收各个从无人机到达当前位置时的信息;基于信息更新初始概率图,得到概率图;基于概率图和粒子群算法控制各个从无人机进行目标搜索;当接收到目标可疑位置时,将概率图按照正态概率分布赋值,将目标可疑位置所在网格设置为正态分布的中心,得到正态分布概率图;基于正态分布概率图,按照粒子群算法控制各个从无人机进行目标搜索。本发明提供的方法,提高了搜索效率,能够对目标嫌疑人进行有效搜索。
Description
技术领域
本发明涉及目标搜索技术领域,特别是涉及一种基于正态分布概率图的警务多无人机目标搜索方法。
背景技术
随着科技的快速发展,出现了许多科技产品,譬如无人机,它不仅可以用到救援和拍摄上,还可以运用到警务安防上,因为警务安防用无人机上设有安装有摄像头,进而警务人员可以通过摄像头进行警务防范和目标搜索追踪,进而方便监测可疑人员和抓捕犯罪嫌疑人。
目前多无人机进行目标搜索时,基于目标存在概率值随机分布的概率图。然而,这种搜索方法,存在随机性和盲目性,尤其是在确定目标可疑位置的情况下,如果仍按照随机分布概率的概率图进行目标搜索,会出现搜索效率低,有时甚至无法搜索到目标的问题。
发明内容
有鉴于此,本发明提出一种基于正态分布概率图的警务多无人机目标搜索方法,将概率图更新为以目标可疑位置为中心的三维正态分布,并结合粒子群算法进行警务多无人机目标搜索,有效提高了警务多无人机目标搜索效率。
本发明提供了以下技术方案:
本发明提供了一种基于正态分布概率图的警务多无人机目标搜索方法,所述多无人机包括一个主无人机和若干个从无人机,所述方法应用于主无人机,所述方法包括:
网格化规定区域,并根据包括预定义重点搜索位置的先验信息为各个网格分配概率,得到初始概率图;
接收各个从无人机到达当前位置时的信息;所述信息至少包括无人机是否发现目标;
基于所述信息更新初始概率图,得到概率图;
基于所述概率图和粒子群算法控制各个从无人机进行目标搜索;
当接收到目标可疑位置时,将所述概率图按照正态概率分布赋值,将目标可疑位置所在网格设置为正态分布的中心,得到正态分布概率图;
基于所述正态分布概率图,按照粒子群算法控制各个从无人机进行目标搜索。
进一步地,所述信息至少包括:空间坐标及航向角。
进一步地,将所述概率图按照正态概率分布赋值,包括:按照正态分布联合概率密度公式依次计算各个网格的概率值;其中,正态分布联合概率密度公式如下:
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j)。
进一步地,将所述概率图按照正态概率分布赋值,包括:
将二维空间坐标以围绕中心位置分为5层,中心位置为第一层,围绕中心位置的网格为第二层,围绕第二层的网格为第三层,围绕第三层网格的第四层,其余网格为第五层;
第一层的概率值P1=P(5);
第二层的概率值P2=(P(4)+P(6))/n2,n2为围绕中心位置的网格数;
第三层的概率值P3=(P(3)+P(7))/n3,n3为围绕第二层的网格数;
第四层的概率值P4=(P(2)+P(8))/n4,n4为围绕第三层网格的网格数;
第四层的概率值P5=P(1)+P(9);
按照每层的概率值对每层包含的网格进行赋值,得到各个网格的概率值;
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j)。
进一步地,将所述概率图按照正态概率分布赋值,包括:
将二维空间坐标以围绕中心位置分为5层,中心位置为第一层,围绕中心位置的网格为第二层,围绕第二层的网格为第三层,围绕第三层网格的第四层,其余网格为第五层;
第一层的概率值P1=P(5);
第二层的概率值P2=P(4)=P(6);
第三层的概率值P3=P(3)=P(7);
第四层的概率值P4=P(2)=P(8);
第五层的概率值P5=P(1)=P(9);
按照每层的概率值对每层包含的网格进行赋值,得到各个网格的概率值;
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j)。
进一步地,根据包括预定义重点搜索位置的先验信息为各个网格分配概率,得到初始概率图,包括:
将搜索区域分为3个等级,重点搜索位置网格赋值为第一概率值;次重点搜索位置网格赋值为第二概率值;常规搜索位置网格赋值为第三概率值;第一概率值高于第二概率值,第二概率值高于第三概率值;
通过P(i,j)=Q(i,j)/Qtotal对网格的赋值进行归一化处理,使网格概率图概率总和为1,其中,P(i,j)为第i行j列网格概率值,Q(i,j)为第i行j列网格值,Qtotal为网格值总和,得到初始概率图。
进一步地,按照粒子群算法控制各个从无人机进行目标搜索,包括:
根据各个从无人机的当前位置初始化每个从无人机对应的粒子群的初始位置;每个从无人机对应一个粒子群,每个粒子群包括若干个粒子;所述粒子具有位置属性;
针对每个粒子群,通过迭代满足适应度函数找到粒子群的全局最优解,给出与所述粒子群对应的从无人机下一步位置的全局最优解;所述适应度函数为粒子群所在位置对应的概率图网格概率值最大;
在每一次的迭代中,通过本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置。
进一步地,通过本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置,包括:
在找到本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置后,粒子通过下面的公式更新位置:
Xi=S*Xi+w1*Rand*(Xb-Xi)+w2*Rand*(Xg-Xi);
Yi=S*Yi+w1*Rand*(Yb-Yi)+w2*Rand*(Yg-Yi);
其中,i=0,1,2…N代表单个从无人机所包含的粒子的个数;Rand代表随机数取值范围[0,1];(Xi,Yi)代表当前单个粒子位置;w1、w2为学习因子;S代表惯性因子。
进一步地,w1、w2取2.81;S取0.953。
本发明的优点和积极效果:
本发明提供的基于正态分布概率图和粒子群算法的警务多无人机目标搜索方法中,根据包括预定义重点搜索位置的先验信息确定概率图,先针对预定义重点搜索位置进行搜索,能够提高搜索效率。进一步地,在接收到目标可疑位置的情况下,将概率图更新为以目标可疑位置为中心的三维正态分布,基于统计学规律和粒子群算法,使搜索更科学合理,能够快速搜索到目标,提高了警务多无人机目标搜索的效率,进而完成对犯罪嫌疑人的有效抓捕。
同时,本发明中概率图根据新的泛化公式确定,能够准确计算出包括边界网格在内的各个网格的概率值,具有更科学的泛化能力,在搜索动态目标时,更可靠。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于正态分布概率图的警务多无人机目标搜索方法的流程图;
图2为本发明实施例中一种依据重点搜索位置赋概率值的初始概率图的示意图;
图3为本发明实施例中一种归一化处理之后的初始概率图的示意图;
图4为本发明实施例中一种正态分布概率图的空间示意图;
图5为本发明实施例中第一种方式得到的一种正态分布概率图的示意图;
图6为本发明实施例中第一种方法得到的又一种正态分布概率图的示意图;
图7为本发明实施例中一种正态分布图的示意图;
图8为本发明实施例中第二种方式得到的一种正态分布概率图的示意图;
图9为本发明实施例中第二种方法得到的又一种正态分布概率图的示意图;
图10为本发明实施例中第三种方式得到的一种正态分布概率图的示意图;
图11为本发明实施例中第三种方法得到的又一种正态分布概率图的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1,其示出了本发明实施例中一种基于正态分布概率图的警务多无人机目标搜索方法的流程图,该方法用于警务,在规定区域内搜索犯罪嫌疑人,采用5-10架无人机在规定区域内搜索,多无人机包括一个主无人机和若干个从无人机;采用一主-多从的方式进行通信,主无人机按照以下步骤执行:
S1、网格化规定区域,并根据包括预定义重点搜索位置的先验信息为各个网格分配概率,所有概率值之和为1,得到初始概率图。
其中,规定区域为搜索区域,网格化之后,每个无人机每次走一个格,网格的数量以及每个网格的尺寸可以根据实际搜索情况、无人机的配置进行设定,一般情况下概率图最少包括9*9个网格,最多可以包括50*50个网格。
由先验信息来初始概率图,每一个网格赋给一个概率值,表征目标存在的概率大小,目标存在概率大的网格可赋初始概率值大,概率小的区域赋初始概率值小,所有的概率值之和为1。本发明实施例中,预先定义的重点搜索位置是目标存在概率较大的位置,将这些位置赋予较大概率值,在一定程度上降低了目标搜索的盲目性,增加了搜索到目标的可能性。
在具体实施时,以包含9*9个网格的初始概率图为例,可以按照下述方式得到初始概率图:首先定义重点搜索位置的先验信息为各个网格分配概率:将搜索区域分为3个等级,重点搜索位置网格赋值为第一概率值;次重点搜索位置网格赋值为第二概率值;常规搜索位置网格赋值为第三概率值,第一概率值为5,第二概率值为3,第三概率值为1,如图2所示。通过P(i,j)=Q(i,j)/Qtotal对图2中各个网格的概率值进行归一化处理,使网格概率图概率总和为1,其中,P(i,j)为第i行j列网格概率值,Q(i,j)为第i行j列网格值,Qtotal为网格值总和,i的取值范围是[1,9],j的取值范围也是[1,9],得到初始概率图如图3所示。需要说明的是,由于取值精度问题,图3示出的概率图中所有网格的概率总和近似为1。
S2、接收各个从无人机到达当前位置时的信息;
其中,主无人机接收到的从无人机的信息至少包括:是否发现目标。还包括:空间坐标及航向角。
S3、基于所述信息更新初始概率图,得到概率图;
在具体实施中,可以基于贝叶斯公式,根据所述信息更新初始概率图,贝叶斯公式为:
其中Pd为无人机机载传感器发现概率取0.85,Pf为无人机机载传感器的虚警概率取0.15,Pd,Pf参数取值取决于无人机机载传感器性能;Pk-1(i,j)为第k-1步网格i行j列概率值,Pk(i,j)为第k步网格i行j列概率值,τ为概率图动态信息因子,取值为0~1,该动态信息因子能够确保无人机未检测或未访问过的网格在每次概率图更新时概率值也相应变化,以符合动态目标搜索的实际情况。
S4、基于所述概率图,按照粒子群算法控制各个从无人机进行目标搜索。
目标搜索的过程是:主无人机根据新生成的概率图求解各个从无人机下一步的位置,并将下一步的位置发给从无人机;从无人机到达之后,主无人机再次更新概率图,并根据更新后的概率图求解各个从无人机下一步的位置,重复这个过程,直至完成目标搜索。
其中,粒子群算法以粒子群所在位置对应的所述概率图网格概率值最大作为适应度函数。
S5、当接收到目标可疑位置时,将所述概率图按照正态概率分布赋值,将目标可疑位置所在网格设置为正态分布的中心,得到正态分布概率图。
如图4所述,其示出了一种正态分布概率图的空间示意图。
在具体实施时,将网格概率图按照正态概率分布赋值可以有多种实施方式:
第一种方式:
按照正态分布联合概率密度公式依次计算各个网格的概率值;其中,正态分布联合概率密度公式如下:
例如,当网格(5,5)发现疑似目标嫌疑人,将正态分布中心位置选择为(5,5),μx和μy取值为5,
P*(1,1)=1/8π*exp{-1/2(4+4)}=0.0007;
P*(1,2)=0.0017;
P*(5,5)=1/8π=0.0398;
依次计算各个网格的概率值,得到的正态分布概率图如图5所示;
再计算所有网格概率之和Pt;通过Pk(i,j)=P* k(i,j)/Pt对概率值进行归一化处理,得到的正态分布概率图如图6所示。
从图6可以看出,在围绕中心位置网格概率不一致(正负45度方向网格概率不同),然而,无人机实际搜索时,由于没有先验信息,所以往各个方向网格搜索的概率应当是一致的,所以按照第一种方式得到的正态分布概率图不符合实际情况。对此,本发明提出了第二种方式和第三种方式,根据如图7所示的正态分布图进行赋值。
第二种方式:
将二维空间坐标以围绕中心位置分为5层,中心位置为第一层,围绕中心位置的网格为第二层,围绕第二层的网格为第三层,围绕第三层网格的第四层,其余网格为第五层;
第一层的概率值P1=P(5);
第二层的概率值P2=P(4)=P(6);
第三层的概率值P3=P(3)=P(7);
第四层的概率值P4=P(2)=P(8);
第五层的概率值P5=P(1)=P(9);
按照每层的概率值对每层包含的网格进行赋值,得到各个网格的概率值;
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j)。
仍以目标嫌疑人在网格位置(5,5)为例,以(5,5)为中心进行赋值,
P1=P(5)=0.3989;
P2=P(4)=P(6)=0.242;
P3=P(3)=P(7)=0.054;
P4=P(2)=P(8)=0.0044;
P5=P(1)=P(9)=0.0001;
P*(5,5)=P1=0.3989;
P*(4,4)=P*(5,4)=P*(6,4)=P*(4,5)=P*(6,5)=P*(6,6)=P*(5,6)=P*(4,6)=P2=0.242;
P*(3,3)=P*(4,3)=P*(5,3)=P*(6,3)=P*(7,3)=P*(7,4)=P*(7,5)=P*(7,6)=P*(7,7)=P*(6,7)=P*(5,7)=P*(4,7)=P*(3,7)=P*(3,6)=P*(3,5)=P*(3,4)=P3=0.054;
P*(2,2)=P*(3,2)=P*(4,2)=P*(5,2)=P*(6,2)=P*(7,2)=P*(8,2)=P*(8,3)=P*(8,4)=P*(8,5)=P*(8,6)=P*(8,7)=P*(8,8)=P*(7,8)=P*(6,8)=P*(5,8)=P*(4,8)=P*(3,8)=P*(2,8)==P*(2,7)=P*(2,6)=P*(2,5)=P*(2,4)=P*(2,3)=P4=0.0044;
P*(1,1)=P*(2,1)=P*(3,1)=P*(4,1)=P*(5,1)=P*(6,1)=P*(7,1)=P*(8,1)=P*(9,1)=P*(9,2)=P*(9,3)=P*(9,4)=P*(9,5)=P*(9,6)=P*(9,7)=P*(9,8)=P*(9,9)=P*(8,9)=P*(7,9)=P*(6,9)=P*(5,9)=P*(4,9)=P*(3,9)=P*(2,9)=P*(1,9)=P*(1,8)=P*(1,7)=P*(1,6)=P*(1,5)=P*(1,4)=P*(1,3)=P*(1,2)=P5=0.0001。
得到的正态分布概率图如图8所示。
在图8的基础上,计算所有网格的概率值之和Pt,再通过Pk(i,j)=P* k(i,j)/Pt进行归一化处理,求得的网格概率图如图9所示。
第二种方式中,各层的概率值完全符合正态分布,能够精确对边界网格进行赋值,确保边界网格也符合正态分布,且在围绕中心位置网格概率一致,符合无人机目标搜索的实际情况。
第三种方式:
将二维空间坐标以围绕中心位置分为5层,中心位置为第一层,围绕中心位置的网格为第二层,围绕第二层的网格为第三层,围绕第三层网格的第四层,其余网格为第五层;
第一层的概率值P1=P(5);
第二层的概率值P2=(P(4)+P(6))/n2,n2为围绕中心位置的网格数;
第三层的概率值P3=(P(3)+P(7))/n3,n3为围绕第二层的网格数;
第四层的概率值P4=(P(2)+P(8))/n4,n4为围绕第三层网格的网格数;
第四层的概率值P5=P(1)+P(9);
按照每层的概率值对每层包含的网格进行赋值,得到各个网格的概率值;
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j)。
仍以目标嫌疑人在网格位置(5,5)为例,以(5,5)为中心进行赋值,
P1=P(5)=0.3989;
P2=(P(4)+P(6))/8=0.484/8=0.0605;
P3=(P(3)+P(7))/24=0.108/24=0.0045;
P4=(P(2)+P(8))/32=0.0088/32=0.0003;
P5=P(1)+P(9)=0.0002;
P*(5,5)=P1=0.3989;
P*(4,4)=P*(5,4)=P*(6,4)=P*(4,5)=P*(6,5)=P*(6,6)=P*(5,6)=P*(4,6)=P2=0.0605;
P*(3,3)=P*(4,3)=P*(5,3)=P*(6,3)=P*(7,3)=P*(7,4)=P*(7,5)=P*(7,6)=P*(7,7)=P*(6,7)=P*(5,7)=P*(4,7)=P*(3,7)=P*(3,6)=P*(3,5)=P*(3,4)=P3=0.0045;
P*(2,2)=P*(3,2)=P*(4,2)=P*(5,2)=P*(6,2)=P*(7,2)=P*(8,2)=P*(8,3)=P*(8,4)=P*(8,5)=P*(8,6)=P*(8,7)=P*(8,8)=P*(7,8)=P*(6,8)=P*(5,8)=P*(4,8)=P*(3,8)=P*(2,8)==P*(2,7)=P*(2,6)=P*(2,5)=P*(2,4)=P*(2,3)=P4=0.0003;
P*(1,1)=P*(2,1)=P*(3,1)=P*(4,1)=P*(5,1)=P*(6,1)=P*(7,1)=P*(8,1)=P*(9,1)=P*(9,2)=P*(9,3)=P*(9,4)=P*(9,5)=P*(9,6)=P*(9,7)=P*(9,8)=P*(9,9)=P*(8,9)=P*(7,9)=P*(6,9)=P*(5,9)=P*(4,9)=P*(3,9)=P*(2,9)=P*(1,9)=P*(1,8)=P*(1,7)=P*(1,6)=P*(1,5)=P*(1,4)=P*(1,3)=P*(1,2)=P5=0.0002。
得到的正态分布概率图如图10所示。
在图10的基础上,计算所有网格概率之和Pt,再通过Pk(i,j)=P* k(i,j)/Pt,求得的网格概率图如图11所示。
第三种方式下,在围绕中心位置网格概率一致,符合无人机目标搜索的实际情况,也能精确对边界网格进行概率赋值。同时,这种方式下,抬高了目标可疑位置的概率值,从中心向外的概率值逐层递减,能够更快速的完成对目标可疑位置进行搜索。
S6、基于所述正态分布概率图,按照粒子群算法控制各个从无人机进行目标搜索。
其中,其中,粒子群算法以粒子群所在位置对应的所述正态分布概率图网格概率值最大作为适应度函数,具体地,按照粒子群算法控制各个从无人机进行目标搜索,包括:
根据各个从无人机的当前位置初始化每个从无人机对应的粒子群的初始位置;每个从无人机对应一个粒子群,每个粒子群包括若干个粒子;所述粒子具有位置属性;
针对每个粒子群,通过迭代满足适应度函数找到粒子群的全局最优解,给出与所述粒子群对应的从无人机下一步位置的全局最优解;所述适应度函数为粒子群所在位置对应的正态分布概率图网格概率值最大;
在每一次的迭代中,通过本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置,包括:
在找到本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置后,粒子通过下面的公式更新位置:
Xi=S*Xi+w1*Rand*(Xb-Xi)+w2*Rand*(Xg-Xi);
Yi=S*Yi+w1*Rand*(Yb-Yi)+w2*Rand*(Yg-Yi);
其中,i=0,1,2…N代表单个从无人机所包含的粒子的个数;Rand代表随机数取值范围[0,1];(Xi,Yi)代表当前单个粒子位置;w1、w2为学习因子;S代表惯性因子。优选地,学习因子取2.81,惯性因子取0.953,该优选值可以有效的提高粒子群算法的搜索能力,提高最优解的收敛速度,更快更好的找到最优解。
本发明实施例提供的基于正态分布概率图和粒子群算法的警务多无人机目标搜索方法中,将概率图更新为以目标可疑位置为中心的三维正态分布,基于统计学规律使搜索更科学合理,能够快速搜索到目标,提高了警务多无人机目标搜索的效率,进而完成对犯罪嫌疑人的有效抓捕。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (3)
1.一种基于正态分布概率图的警务多无人机目标搜索方法,其特征在于,所述多无人机包括一个主无人机和若干个从无人机,所述方法应用于主无人机,所述方法包括:
网格化规定区域,并根据包括预定义重点搜索位置的先验信息为各个网格分配概率,得到初始概率图;
接收各个从无人机到达当前位置时的信息;所述信息至少包括无人机是否发现目标;
基于所述信息更新初始概率图,得到概率图;
基于所述概率图和粒子群算法控制各个从无人机进行目标搜索;其中,目标搜索包括:主无人机根据所述概率图求解各个从无人机下一步的位置,并将下一步的位置发给从无人机;从无人机到达之后,主无人机再次更新概率图,并根据更新后的概率图求解各个从无人机下一步的位置,重复这个过程,直至完成目标搜索;其中,粒子群算法以粒子群所在位置对应的所述概率图网格概率值最大作为适应度函数;
当接收到目标可疑位置时,将所述概率图按照正态概率分布赋值,将目标可疑位置所在网格设置为正态分布的中心,得到正态分布概率图;
基于所述正态分布概率图,按照粒子群算法控制各个从无人机进行目标搜索;
其中,将所述概率图按照正态概率分布赋值,包括:
将二维空间坐标以围绕中心位置分为5层,中心位置为第一层,围绕中心位置的网格为第二层,围绕第二层的网格为第三层,围绕第三层网格的第四层,其余网格为第五层;
第一层的概率值P1=P(5);
第二层的概率值P2=(P(4)+P(6))/n2,n2为围绕中心位置的网格数;
第三层的概率值P3=(P(3)+P(7))/n3,n3为围绕第二层的网格数;
第四层的概率值P4=(P(2)+P(8))/n4,n4为围绕第三层网格的网格数;
第五层的概率值P5=P(1)+P(9);
按照每层的概率值对每层包含的网格进行赋值,得到各个网格的概率值P* k(i,j);
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j);Pk(i,j)表示归一化之后第k步网格第i行第j列的概率值,网格横坐标i的取值范围是[1,9],网格纵坐标j的取值范围是[1,9];
或,将所述概率图按照正态概率分布赋值,包括:
将二维空间坐标以围绕中心位置分为5层,中心位置为第一层,围绕中心位置的网格为第二层,围绕第二层的网格为第三层,围绕第三层网格的第四层,其余网格为第五层;
第一层的概率值P1=P(5);
第二层的概率值P2=P(4)=P(6);
第三层的概率值P3=P(3)=P(7);
第四层的概率值P4=P(2)=P(8);
第五层的概率值P5=P(1)=P(9);
按照每层的概率值对每层包含的网格进行赋值,得到各个网格的概率值P* k(i,j);
计算所有网格的概率值之和Pt;
通过Pk(i,j)=P* k(i,j)/Pt对各个网格的概率值进行归一化处理,将Pk(i,j)赋值给网格(i,j);Pk(i,j)表示归一化之后第k步网格第i行第j列的概率值,网格横坐标i的取值范围是[1,9],网格纵坐标j的取值范围是[1,9];
其中,按照粒子群算法控制各个从无人机进行目标搜索,包括:
根据各个从无人机的当前位置初始化每个从无人机对应的粒子群的初始位置;每个从无人机对应一个粒子群,每个粒子群包括若干个粒子;所述粒子具有位置属性;
针对每个粒子群,通过迭代满足适应度函数找到粒子群的全局最优解,给出与所述粒子群对应的从无人机下一步位置的全局最优解;所述适应度函数为粒子群所在位置对应的概率图网格概率值最大;
在每一次的迭代中,通过本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置,包括:
在找到本次迭代粒子的局部最优解(Xb,Yb)和本次迭代粒子群的全局最优解(Xg,Yg)更新所述粒子的位置后,粒子通过下面的公式更新位置:
Xn’=S*Xn+w1*Rand*(Xb-Xn)+w2*Rand*(Xg-Xn);
Yn’=S*Yn+w1*Rand*(Yb-Yn)+w2*Rand*(Yg-Yn);
其中,n代表单个从无人机所包含的粒子的个数,n=0,1,2……N;Rand代表随机数,取值范围[0,1];(Xn,Yn)代表当前单个粒子位置;(Xn’,Yn’)代表单个粒子更新后的位置;w1、w2为学习因子;S代表惯性因子。
2.根据权利要求1所述的基于正态分布概率图的警务多无人机目标搜索方法,其特征在于,所述信息至少包括:空间坐标及航向角。
3.根据权利要求1所述的基于正态分布概率图的警务多无人机目标搜索方法,其特征在于,根据包括预定义重点搜索位置的先验信息为各个网格分配概率,得到初始概率图,包括:
将搜索区域分为3个等级,重点搜索位置网格赋值为第一概率值;次重点搜索位置网格赋值为第二概率值;常规搜索位置网格赋值为第三概率值;第一概率值高于第二概率值,第二概率值高于第三概率值;
通过P(i,j)=Q(i,j)/Qtotal对网格的赋值进行归一化处理,使网格概率图概率总和为1,其中,P(i,j)为第i行j列网格概率值,Q(i,j)为第i行j列网格值,Qtotal为网格值总和,网格横坐标i的取值范围是[1,9],网格纵坐标j的取值范围是[1,9];得到初始概率图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110182132.0A CN112905959B (zh) | 2021-02-09 | 2021-02-09 | 一种基于正态分布概率图的警务多无人机目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110182132.0A CN112905959B (zh) | 2021-02-09 | 2021-02-09 | 一种基于正态分布概率图的警务多无人机目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905959A CN112905959A (zh) | 2021-06-04 |
CN112905959B true CN112905959B (zh) | 2022-09-09 |
Family
ID=76123361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110182132.0A Active CN112905959B (zh) | 2021-02-09 | 2021-02-09 | 一种基于正态分布概率图的警务多无人机目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905959B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN105425820A (zh) * | 2016-01-05 | 2016-03-23 | 合肥工业大学 | 一种针对具有感知能力的运动目标的多无人机协同搜索方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110147099A (zh) * | 2019-04-30 | 2019-08-20 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
CN110262563A (zh) * | 2018-05-23 | 2019-09-20 | 中国海洋大学 | 多无人机协同搜索水上目标的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103945395B (zh) * | 2014-02-27 | 2016-06-01 | 北京理工大学 | 一种基于粒子群的无线网络传感器的快速优化部署方法 |
CN110389595B (zh) * | 2019-06-17 | 2022-04-19 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN112000126B (zh) * | 2020-08-12 | 2021-08-06 | 南京航空航天大学 | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 |
CN112327862B (zh) * | 2020-11-16 | 2021-10-19 | 北京理工大学 | 一种不确定环境下多机器人协同搜索的路径规划方法 |
-
2021
- 2021-02-09 CN CN202110182132.0A patent/CN112905959B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN105425820A (zh) * | 2016-01-05 | 2016-03-23 | 合肥工业大学 | 一种针对具有感知能力的运动目标的多无人机协同搜索方法 |
CN110262563A (zh) * | 2018-05-23 | 2019-09-20 | 中国海洋大学 | 多无人机协同搜索水上目标的方法 |
CN110147099A (zh) * | 2019-04-30 | 2019-08-20 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
Non-Patent Citations (2)
Title |
---|
具有感知能力的运动目标多无人机协同搜索方法研究;刘艳红;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20171015;C031-15 * |
异构多无人机自主任务规划方法研究;肖东;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190215;C031-406 * |
Also Published As
Publication number | Publication date |
---|---|
CN112905959A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110412869B (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
CN109917815B (zh) | 基于全局最优头脑风暴算法的无人机三维路径设计方法 | |
CN105737819B (zh) | 基于空间压缩和查表计算的无人机三维航路规划方法 | |
CN107589663B (zh) | 基于多步粒子群算法的无人机协同侦察覆盖方法 | |
CN106647744B (zh) | 一种机器人路径规划方法及装置 | |
CN112001309A (zh) | 基于无人机集群的目标搜索方法、装置、设备及存储介质 | |
Mingnan et al. | Sensors deployment optimization in multi-dimensional space based on improved particle swarm optimization algorithm | |
CN111240211A (zh) | 一种无人机群动态回收方法 | |
CN112731961A (zh) | 路径规划方法、装置、设备及存储介质 | |
CN113031650A (zh) | 一种不确定环境下的无人机集群协同目标分配设计方法 | |
CN112905959B (zh) | 一种基于正态分布概率图的警务多无人机目标搜索方法 | |
CN111612673A (zh) | 一种无人驾驶飞行器对多要地威胁程度确认方法及系统 | |
Moratuwage et al. | A hierarchical approach to the multi-vehicle SLAM problem | |
CN112965530B (zh) | 一种多无人机自适应变尺度动态目标搜索方法 | |
CN113919425B (zh) | 一种空中目标自主分配方法及系统 | |
Jishuai et al. | Improved monarch butterfly optimization for multi-to-multi weapon-target assignment problems | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN111553601A (zh) | 一种城市环境下协同探测系统的目标分配优化方法 | |
CN111950613B (zh) | 多源引导信息星上实时融合处理方法及系统 | |
CN114358127A (zh) | 一种空中任务群组识别方法 | |
CN109523838B (zh) | 基于演化博弈的异质化协同飞行冲突解决方法 | |
Ma et al. | Research on multiaircrafts cooperative arraying to jam based on multiobjective moth-flame optimization algorithm | |
CN112800082A (zh) | 一种基于置信规则库推理的空中目标识别方法 | |
CN112966741A (zh) | 一种可防御拜占庭攻击的联邦学习图像分类方法 | |
CN112183281A (zh) | 基于改进密度峰值算法的通信辐射源个体识别方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Zou Cunming Inventor before: Zou Cunming Inventor before: Yue Wei Inventor before: Dan Hui |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |