CN112965530A - 一种多无人机自适应变尺度动态目标搜索方法 - Google Patents
一种多无人机自适应变尺度动态目标搜索方法 Download PDFInfo
- Publication number
- CN112965530A CN112965530A CN202110179013.XA CN202110179013A CN112965530A CN 112965530 A CN112965530 A CN 112965530A CN 202110179013 A CN202110179013 A CN 202110179013A CN 112965530 A CN112965530 A CN 112965530A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- slave
- particle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 78
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G05D1/12—Target-seeking control
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种多无人机自适应变尺度动态目标搜索方法，多无人机包括一主多从，包括：网格化规定区域，并根据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，并基于信息更新初始概率图；按照粒子群算法控制各个从无人机进行目标搜索；当接收到指定目标位置时，基于指定目标位置更新概率图；针对每个从无人机，计算从无人机当前位置到指定目标位置的距离；通知从无人机从当前位置朝着指定目标位置方向飞行t分钟；当确定从无人机到达规定位置时，切换到粒子群算法控制各个从无人机进行目标搜索。该方法有效提高了搜索效率，在调用无人机最少的情况下，对目标进行有效搜索。
Description
技术领域
本发明涉及目标搜索技术领域，特别是涉及一种多无人机自适应变尺度动态目标搜索方法。
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，还可以运用到安防上，因为安防用无人机上安装有摄像头，相关人员可以通过摄像头进行安全防范和目标搜索追踪，进而方便监测人员。
目前多无人机进行目标搜索时，大部分采用粒子群搜索方法，在搜索过程中需要实时更新概率图，但是对于搜索范围大，有限无人机设备时，寻找目标成功的概率就会很小，有的甚至一次搜索不到。
同时，当目标位置被其他设备发现时(如人为举报)，控制中心将调动无人机群去目标位置，当无人机群到达目标位置时，由于是动态目标，目标已经移动走了，因此现有方法无法满足搜索要求。
发明内容
有鉴于此，本发明提出一种多无人机自适应变尺度动态目标搜索方法，以满足多无人机搜索动态目标的需求，进而完成有效的目标搜索。
本发明提供了以下技术方案：
本发明提供了一种多无人机自适应变尺度动态目标搜索方法，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；
接收各个从无人机到达当前位置时的信息，并基于所述信息更新所述初始概率图，得到概率图；
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；
当接收到指定目标位置时，基于所述指定目标位置以及所述信息更新所述概率图；
基于更新后的概率图，针对每个从无人机，计算所述从无人机当前位置到指定目标位置的距离D；
通知所述从无人机从当前位置朝着所述指定目标位置方向飞行t分钟，以便到达规定位置；t＝[D/(Vmax+Va)]，Vmax为目标最快移动速度，Va为所述从无人机的速度；
当确定所述从无人机到达所述规定位置时，切换到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，根据搜索目标、搜索区域以及经验设定Vmax。
进一步地，Vmax的确定方式包括：
在搜索目标时，通过目标携带的电子设备上的GPS定位接收设备，通过差分测速的方法测量目标的速度，将测量得到的最快速度作为Vmax。
进一步地，Vmax的确定方式包括：
在无人机上配置光流摄像头，获取所述光流摄像头拍摄的包含动态目标的两帧图像，基于所述包含动态目标的两帧图像以及测距模块测得的距离数据进行解算，得到Vmax。
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：
本发明提供的多无人机自适应变尺度动态目标搜索方法，在进行动态目标搜索时，先按照适应性变尺度算法把搜索范围缩小，然后再按照粒子群算法进行精确目标搜索，通过算法切换科学的缩小搜索区域，提高了搜索效率，同时保证了搜索精度。
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多无人机自适应变尺度动态目标搜索方法的流程图；
图2为本发明实施例中一种初始概率图的示意图；
图3为本发明实施例中一种更新初始概率图得到的概率图的示意图。
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多无人机自适应变尺度动态目标搜索方法的流程图，该方法用于在规定区域内搜索目标，目标可以是人、车辆或其他物体，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。
参见图2，其示出了一种初始概率图的示意图，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，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。
其中，先验信息可以包括：其他相关设备发现的情况等等。
S2、接收各个从无人机到达当前位置时的信息，并基于所述信息更新初始概率图，得到概率图。
其中，主无人机接收到的从无人机的信息至少包括：空间坐标及航向角。
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。
例如，基于上述贝叶斯公式更新如图2所示的初始概率图，当无人机飞到第3行3列时，未发现目标时，根据公式求得：
P(3,3)＝0.0135*0.15/(0.0135*0.15+(1-0.0135)*0.85)＝0.0024；
同理，依次求得各个网格的概率，得到的概率图如图3所示。
S3、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。
S4、判断是否接收到指定目标位置，如果否，则返回S2执行；如果是，则基于所述指定目标位置以及所述信息更新所述概率图；
S5、基于更新后的概率图，按照自适应变尺度算法通知各个从无人机向指定目标位置移动；
自适应变尺度算法可以根据动态目标最大移动速度来缩小搜索范围，并根据指定目标位置切换搜索算法进行变距离搜索。具体实施中，自适应变尺度算法包括：
S51、针对每个从无人机，计算所述从无人机当前位置到指定目标位置的距离D；
S52、通知所述从无人机从当前位置朝着所述指定目标位置方向飞行t分钟，到达规定位置；t＝[D/(Vmax+Va)]，Vmax为目标最快移动速度，Va为所述从无人机的速度。
实际应用中，目标最快移动速度可以通过多种方法确定，一种可能的实现方式是：根据搜索目标、搜索区域以及实际经验设定Vmax，如搜索目标为人，跑步的最快速度一般为10km/h-12km/h，可以将Vmax设定为12km/h；如在市区内搜索的是车辆，车辆的最快时速为60km/h-80km/h，可以将Vmax 设定为80km/h。又一种可能的实现方式是：在搜索目标(人或车辆)时，通过目标携带的电子设备上的GPS定位接收设备，通过差分测速的方法测量目标的速度，将测量得到的最快速度作为Vmax。其中，差分测速方法具体为：定义静态标准点的速度信息，以此来修正实测的目标的速度信息。正常标准点理论上的速度为零，但由于受到卫星的轨道误差、时钟差、多径效应等误差因素的影响，解算出的标准点的速度值与标准点理论上的速度值不同，因此可以得到一个测速观测值得修正参数Vb，再通过卫星测速获得动态目标速度 Va，从而得到物体的实测速度V＝Va+Vb，实测速度V中的最快速度可作为Vmax。又一种可能的实现方式是：在无人机上配置光流摄像头，获取所述光流摄像头拍摄的包含动态目标的两帧图像，基于所述包含动态目标的两帧图像以及测距模块测得的距离数据进行解算，得到Vmax。
S6、当确定所述从无人机到达所述规定位置时，返回S2执行，即切换到粒子群算法控制各个从无人机进行目标搜索。
其中，步骤S3以及S6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：
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。
本发明实施例中，在利用粒子群算法进行目标搜索时，以概率图网格概率值最大作为适应度函数，即将粒子群算法与概率图所反映的统计学规律相结合来进行目标搜索，提高了能够搜索到目标的可能性，一定程度上降低了粒子群算法在目标搜索时存在的盲目性和随机性。
上述本发明实施例提供的多无人机自适应变尺度动态目标搜索方法，在进行动态目标搜索时，先按照适应性变尺度算法把搜索范围缩小，然后再按照粒子群算法进行精确目标搜索，通过算法切换科学的缩小搜索区域，提高了搜索效率，同时保证了搜索精度。
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 (8)
1.一种多无人机自适应变尺度动态目标搜索方法，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；
接收各个从无人机到达当前位置时的信息，并基于所述信息更新所述初始概率图，得到概率图；
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；
当接收到指定目标位置时，基于所述指定目标位置以及所述信息更新所述概率图；
基于更新后的概率图，针对每个从无人机，计算所述从无人机当前位置到指定目标位置的距离D；
通知所述从无人机从当前位置朝着所述指定目标位置方向飞行t分钟，以便到达规定位置；t＝[D/(Vmax+Va)]，Vmax为目标最快移动速度，Va为所述从无人机的速度；
当确定所述从无人机到达所述规定位置时，切换到粒子群算法控制各个从无人机进行目标搜索。
2.根据权利要求1所述的多无人机自适应变尺度动态目标搜索方法，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所述的多无人机自适应变尺度动态目标搜索方法，其特征在于，根据搜索目标、搜索区域以及经验设定Vmax。
4.根据权利要求1所述的多无人机自适应变尺度动态目标搜索方法，其特征在于，Vmax的确定方式包括：
在搜索目标时，通过目标携带的电子设备上的GPS定位接收设备，通过差分测速的方法测量目标的速度，将测量得到的最快速度作为Vmax。
5.根据权利要求1所述的多无人机自适应变尺度动态目标搜索方法，其特征在于，Vmax的确定方式包括：
在无人机上配置光流摄像头，获取所述光流摄像头拍摄的包含动态目标的两帧图像，基于所述包含动态目标的两帧图像以及测距模块测得的距离数据进行解算，得到Vmax。
6.根据权利要求1所述的多无人机自适应变尺度动态目标搜索方法，其特征在于，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。
7.根据权利要求6所述的多无人机自适应变尺度动态目标搜索方法，其特征在于，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。
8.根据权利要求7所述的多无人机自适应变尺度动态目标搜索方法，其特征在于，w1、w2取2.81；S取0.953。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110179013.XA CN112965530B (zh) | 2021-02-09 | 2021-02-09 | 一种多无人机自适应变尺度动态目标搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110179013.XA CN112965530B (zh) | 2021-02-09 | 2021-02-09 | 一种多无人机自适应变尺度动态目标搜索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965530A true CN112965530A (zh) | 2021-06-15 |
| CN112965530B CN112965530B (zh) | 2024-03-19 |
Family
ID=76284559
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110179013.XA Active CN112965530B (zh) | 2021-02-09 | 2021-02-09 | 一种多无人机自适应变尺度动态目标搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965530B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991179A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650800A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 基于Storm的马尔可夫等价类模型分布式学习方法 |
| CN108983816A (zh) * | 2018-08-07 | 2018-12-11 | 中南大学 | 多旋翼无人机变尺度协同监视编队飞行控制方法 |
| CN109961130A (zh) * | 2019-03-11 | 2019-07-02 | 阿里巴巴集团控股有限公司 | 一种基于粒子群算法确定目标对象位置的方法和装置 |
| DE102018108204A1 (de) * | 2018-04-06 | 2019-10-10 | Rheinmetall Air Defence Ag | Interventionssystem zur Abwehr eines Schwarms von unbemannten Flugkörpern und Verfahren zur Abwehr eines Schwarms von unbemannten Flugkörpern mittels eines solchen Interventionssystems |
| CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 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 |
| US20210033484A1 (en) * | 2019-07-31 | 2021-02-04 | Northeast Petroleum University | Leakage detection system and method for long petroleum pipeline based on afpso-k-means |
-
2021
- 2021-02-09 CN CN202110179013.XA patent/CN112965530B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106650800A (zh) * | 2016-12-08 | 2017-05-10 | 南京航空航天大学 | 基于Storm的马尔可夫等价类模型分布式学习方法 |
| DE102018108204A1 (de) * | 2018-04-06 | 2019-10-10 | Rheinmetall Air Defence Ag | Interventionssystem zur Abwehr eines Schwarms von unbemannten Flugkörpern und Verfahren zur Abwehr eines Schwarms von unbemannten Flugkörpern mittels eines solchen Interventionssystems |
| CN108983816A (zh) * | 2018-08-07 | 2018-12-11 | 中南大学 | 多旋翼无人机变尺度协同监视编队飞行控制方法 |
| CN109961130A (zh) * | 2019-03-11 | 2019-07-02 | 阿里巴巴集团控股有限公司 | 一种基于粒子群算法确定目标对象位置的方法和装置 |
| CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 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 |
| US20210033484A1 (en) * | 2019-07-31 | 2021-02-04 | Northeast Petroleum University | Leakage detection system and method for long petroleum pipeline based on afpso-k-means |
Non-Patent Citations (1)
| Title |
|---|
| 贾兆红 等: "面向多目标的自适应动态概率粒子群优化算法", 《系统仿真学报》, vol. 20, no. 18 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991179A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
| CN116991179B (zh) * | 2023-09-26 | 2023-12-15 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965530B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1610152B1 (en) | Tracking of a moving object for a self-defence system | |
| CN111797478B (zh) | 一种基于变结构多模型的强机动目标跟踪方法 | |
| CN111044052B (zh) | 一种基于智能感知的无人机自适应导航系统及方法 | |
| CN115451948B (zh) | 一种基于多传感器融合的农业无人车定位里程计方法及系统 | |
| CN109491241A (zh) | 一种针对机动目标的无人机鲁棒化跟踪方法 | |
| CN113075648A (zh) | 一种无人集群目标定位信息的聚类与滤波方法 | |
| CN117685953A (zh) | 面向多无人机协同定位的uwb与视觉融合定位方法及系统 | |
| Huang et al. | A novel route planning method of fixed-wing unmanned aerial vehicle based on improved QPSO | |
| CN112965530B (zh) | 一种多无人机自适应变尺度动态目标搜索方法 | |
| Neusypin et al. | Investigation into the nonlinear Kalman filter to correct the INS/GNSS integrated navigation system | |
| CN110514208A (zh) | 飞行器的航向确定方法及装置、系统 | |
| Owen et al. | Moving ground target tracking in urban terrain using air/ground vehicles | |
| CN117664146A (zh) | 一种基于光学短弧航迹关联的轨道确定方法 | |
| Kim et al. | Airborne multisensor management for multitarget tracking | |
| CN113126647A (zh) | 一种基于领导者跟追随者原理的协同制导方法 | |
| US20170010348A1 (en) | Producing data describing target measurements | |
| CN114740467A (zh) | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 | |
| Zwick et al. | Sensor Model-Based Trajectory Optimization for UAVs Using Nonlinear Model Predictive Control | |
| Tian et al. | Novel hybrid of strong tracking Kalman filter and improved radial basis function neural network for GPS/INS integrated navagation | |
| Qiu et al. | An improved IMM-KF for UAV position prediction | |
| CN113052871A (zh) | 一种基于智能选择策略的目标检测与自动跟踪算法 | |
| Tevjashev et al. | Mathematical Models and Methods of Observation and High-Precision Assessment of the Trajectories Parameters of Aircraft Movement in the Infocommunication Network of Optoelectronic Stations | |
| CN117741706B (zh) | 一种基于结果驱动机器学习的无人机诱骗选星方法 | |
| Sarunic et al. | Trajectory control of autonomous fixed-wing aircraft performing multiple target passive detection and tracking | |
| RU2819590C1 (ru) | Бортовая интеллектуальная система поиска и наведения беспилотного летательного аппарата |
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 |