CN113311430A - 蜂群无人机数量估计和航迹生成方法 - Google Patents

Abstract

本发明公开一种蜂群无人机数量估计和航迹生成方法，应用于雷达成像检测以及运动目标航迹预测技术领域，针对传统的基于数据驱动的目标识别方法受环境影响大以及对无法对群目标识别的问题；本发明用PSO算法求解的目标最优运动状态参数生成的BP‑ISAR图像可以分析得到很多有关群目标的信息，如可用恒虚警算法估计得到目标的数量，同时得到的最优运动状态参数简化了预测轨迹的步骤，轨迹的预测可以根据运动状态的改变进行实时调整；本发明的方法有效的解决了RD算法无法有效应对大转角大尺寸目标、无法直接对多个目标成像等缺陷，解决了传统的基于数据驱动的目标识别方法受环境影响较大的问题，有效实现了对群目标数量的估计以及航迹预测。

Description

蜂群无人机数量估计和航迹生成方法

技术领域

本发明属于雷达成像检测以及运动目标航迹预测技术领域，特别涉及一种针对蜂群无人机的雷达探测具备群目标准确的数量估计能力和空间轨迹关联与预估技术。

背景技术

与基于视觉的运动目标检测与跟踪不同，雷达成像技术具有全天候、全天时、穿透力强的特点，有效提高了对目标信息获取的能力，在资源勘探、军事侦察等领域都有广泛的应用。

雷达成像的目的之一是对雷达图像中获取的目标信息进行目标检测与识别，其中基于雷达图像的目标识别受到越来越广泛的关注。传统的基于数据驱动的目标识别方法依赖于从数据本身分析后得到的目标信息，目标信息容易随环境的变化而变化，不适合应用于复杂目标的检测识别。目标的一些物理特征(如目标几何尺寸、排列结构等)受环境因素影响较小，而且雷达成像机理在一定程度上可以反映目标的物理特征。因此，利用雷达成像技术对目标进行检测与轨迹预测是具有重大意义的。

在雷达成像领域，群目标现象普遍存在。概括起来群目标有如下特点：有共同的行动目的，各成员彼此空间临近，速度、运动方向基本一致。针对运动的多目标、静止的雷达平台，采用逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)方法较为合适。传统的ISAR成像方法主要是RD(Range-Doppler,即距离-多普勒域)算法，但是其在使用时会受到无法有效对大转角大尺寸目标成像、无法直接对多个目标进行成像等诸多限制。而BP(Back-Projection,即后向投影)算法不受上述影响，并且能自由控制成像范围和成像网格间距，在实际使用时方便灵活。然而将BP算法运用在ISAR成像中需要知道运动目标在成像过程中的精确空间轨迹，本发明将解决这个问题。

目标轨迹预测技术与目标检测技术密切相关。目的是在获取目标新的观测信息后，求取下一段时间目标最大可能的状态。在轨迹预测的过程中，初始阶段目标状态不准确、目标运动复杂多变、目标所处背景干扰强等因素均可导致预测的误差增大。

目前针对雷达图像的目标检测研究中，文献“Target detection in syntheticaperture radar imagery:A state-of-the-art survey”(Journal of Applied RemoteSensing,2013)中介绍了许多实现雷达图像目标自动检测的方法，对各种方法进行了分类和对比，并且从信号处理和模型识别两个视角理解了恒虚警率的检测，但是大多是对于一些简单场景下的雷达图像目标检测及鉴别的方法；针对ISAR成像的研究中，文献“Range-Doppler radar imaging and motion compensation”(Boston:Artech House,Inc.2010)假定目标位于一个转动平台上以均匀角速度作旋转运动，对回波进行距离压缩得到目标的一维距离像历程，然后对距离像历程的方位向做快速傅里叶变换即可得到目标的二维像，该方法是针对目标平稳飞行且是一种小转角的成像算法，不适用于不规则运动的多目标。

发明内容

本发明的目的是针对背景技术存在的缺陷，研究设计一种对蜂群无人机即群目标的数量估计以及空间轨迹预测技术，以克服传统的基于数据驱动的目标识别方法受环境影响大以及对无法对群目标识别的问题，达到准确识别出群目标并得到目标运动状态从而进行轨迹预测的目的。

本发明的解决方案是利用粒子群(Particle Swarm Optimization,PSO)算法对每次雷达成像过程进行迭代，得到最优成像时的目标运动参数，解决了目标运动参数未知时无法利用后向投影实现逆合成孔径成像算法的缺陷，找到目标的正确运动参数，从而完成雷达成像，获得精确的目标高分辨率图像。对图像进行恒虚警检测(Constant False-AlarmRate,CFAR)分析，找到目标的数量，同时通过PSO算法得到的目标的运动参数可以用粒子滤波算法预测目标接下来的运动轨迹。本发明具体包括如下步骤：

S1.运用ISAR转台模型对目标的运动进行简化，将目标相对于雷达的运动分为平动和转动，以两个关于慢时间的多项式来描述它们：

其中，θ为相对雷达转动的角度，而R₀代表目标相对于雷达的平动距离，a₁,a₂,...,a_m为转动多项式系数，b₁,b₂,...,b_n位平动多项式系数，t,t²,...,t^m表示飞机飞行的时间参数，通常设置θ₀为0。

S2.基于PSO全局最优化的成像算法，迭代次数为N，具体过程如下：

S21.根据S1中的两个多项式设置多项式的阶数和各个系数的范围，并根据目标的运动估计出大致的初始平动和转动多项式系数。得到初始粒子向量为：

vec＝[a₁,a₂,...,a_m,R₀,b₁,b₂,...,b_n]

S22.计算S21中每个粒子的评价函数，即用BP算法根据解向量中的多项式系数对回波进行成像，以结果图像的熵作为归一化评价函数，对二维灰度图像的图像熵表达式为：

其中，u_g为第g级灰度值在图像中出现的概率，一共有G个灰度级。

S23.找到各个粒子当前位置和速度以及当前个体极值和整个粒子群的当前全局最优解，用更新公式更新每个粒子的速度和位置，更新公式如下：

其中，

和

表示第n次迭代时第i个粒子的位置与速度值的第d维；c₁和c₂分别为粒子的个体学习因子和社会学习因子，通常取常数2；rand(0,1)表示0～1区间的随机数；

表示第n-1次迭代第i个粒子当前搜索到的最优解(个体极值)的第d维；

表示第n-1次迭代全局最优解的第d维；

为惯性因子，随相似度而单调递减，其计算公式如下：

其中，s(i,g)为粒子i与当前群体最优粒子的相似度；ω_max、ω_min为惯性因子最大值和最小值，设置为ω_max＝0.95，ω_min＝0.4。

S24.判断最优解是否已符合预先设定的要求或者迭代次数是否达到了上限，本发明中迭代次数上限设置为60，如果没有达到则转至S22，否则转至S25。

S25.用迭代得到的最优解向量进行高网格密度的BP成像，从而得到聚焦良好的ISAR图像。

S3.对在S2中得到的雷达成像图像进行恒虚警检测出目标数量，设虚警概率为P_f，对输入的噪声进行处理后确定一个门限(这里的门限需要从检测效果中不断实践确定)，将此门限与输入端信号相比，如输入端信号超过了此门限，则判为有目标，否则，判为无目标。

S4.对在S2中得到的最优解向量进行粒子滤波算法预测目标行驶轨迹，具体过程如下：

S41.设置观测方程：

Z_k＝h(X_k,V_k)

其中，Z_k为k时刻雷达对目标位置的测量结果，V_k为雷达的测量噪声，h为了测量结果与状态之间的函数关系，X_k＝[a₁ a₂ ... a_m R₀ b₁ b₂ ... b_n]^T为k时刻系统状态方程，从S21中可以得到，上标T表示转置。

S42.得到k-1时刻目标后验概率密度函数分布

其中ρ⁽ⁱ⁾为粒子的权重。

S43.设置粒子有效采样系数N_eff：

若N_eff大于某一阈值则转到S46。若N_eff大于某一阈值则进行重采样：

表示重采样后的系统状态方程；

S44.计算当前k时刻粒子非归一化权重：

S45.对S44中得到的权重进行归一化：

随后转到S43。

S46.得到当前k时刻目标后验概率数值近似估计：

本发明的有益效果：本发明利用PSO优化算法不断迭代后求解出群目标的最优运动状态参数，算法的评价函数为BP-ISAR成像后图像的质量，即图像熵。用PSO算法求解的目标最优运动状态参数生成的BP-ISAR图像可以分析得到很多有关群目标的信息，如可用恒虚警算法估计得到目标的数量，同时得到的最优运动状态参数简化了预测轨迹的步骤，轨迹的预测可以根据运动状态的改变进行实时调整。算法中采用的ISAR转台模型大大简化了目标的运动过程，从而给目标的成像处理和轨迹预测带来了方便，简化了算法的复杂度。因此，本发明有效的解决了RD算法无法有效应对大转角大尺寸目标、无法直接对多个目标成像等缺陷，解决了传统的基于数据驱动的目标识别方法受环境影响较大的问题，有效实现了对群目标数量的估计以及航迹预测。

附图说明

图1为本发明方法流程示意图(方框图)；

图2为ISAR转台模型的设计；

图3为100架蜂群无人机排列分布图；

图4为仿真群目标雷达成像图；

图5为群目标数量估计图；

图6为仿真群目标航迹生成图；

图7为航迹预测偏差示意图。

具体实施方式

为便于本领域技术人员理解本发明的技术内容，下面结合附图对本发明内容进一步阐释。

本发明采用生成群目标的雷达图像后检测群目标数量的方法，将PSO算法与利用后向投影的传统成像方法相结合，解决了利用BP算法需要清楚地知道目标运动状态的缺陷，得到聚焦良好的雷达图像。用CFAR算法检测群目标的ISAR图像可以得到目标的数量，利用PSO算法估计的目标运动状态可以预测下一步目标的轨迹。

本发明方法总流程示意图如图1所示，构建的模型均以ISAR转台模型为基础，如图2所示。仿真的基本参数如表1所示。

表1仿真的基本参数

本实施方式假定群目标数量为100架，其分布如图3所示。实施本发明的流程包括五个部分，依次为：A0.系统参数初始化；A.群目标回波生成；B.生成群目标的雷达图像；C.检测目标数量；D.预测航迹。具体过程如下：

A0.系统参数初始化。具体初始化的参数如表1所示。

A.群目标回波生成。根据转台模型选择目标平动转动多项式的次数，设置每项系数的初始化值为vec＝[a₁,a₂,R₀,b₁,b₂,b₃]＝[0.05,0.0027,10000,20,2.19,0.031]，对于群目标中某个散射点与雷达之间的距离为R(t_m)，该散射点的回波为：

其中，u(t′)为一矩形脉冲信号。叠加各个目标逐一生成的回波后得到群目标的回波。

B.生成群目标的雷达图像。首先设定平动转动多项式系数的范围，在范围内随机生成一组数据作为目标初始化的运动状态，将初始化状态带入基于后向投影的ISAR成像算法中，得到的雷达图像进行图像熵的计算，如果不符合条件就利用更新公式：

V_id＝ω_iV_id+2rand(0,1)(P_id-X_id)+2rand(0,1)(P_gd-X_id)

X_id＝X_id+V_id

ω_i＝ω_max-s(i,g)(ω_max-ω_min)

得到更新后的目标状态，如此反复直到条件或迭代次数达到上限则停止。最终得到最优的目标运动状态向量vec＝[a₁',a₂',R₀',b₁',b₂',b₃']和聚焦良好的群目标雷达图像，如图4所示。

C.检测目标数量。设置虚警概率为P_f＝10^-6，初始化数量为M＝0，将图像进行预处理以及二值化处理后，逐一检测雷达图像数据，如若遇到超出门限的区域则计数一次M＝M+1，并且在图像中用红色的方框框出可能的目标，如图5所示，估计的群目标数量为M＝100。

D.预测航迹。首先初始化粒子，对粒子循环进行的序列性采样和重采样，如若满足条件或者迭代次数到达上限则停止循环得到结果。粒子滤波算法仿真后得到图6，通过对比真实轨迹和预测轨迹之间的差异可以看出，在一定误差范围内，粒子滤波算法很好的预测了目标的运行轨迹。预测轨迹精度用估计状态与真实状态之间的欧氏距离衡量，如图7所示，生成了群目标的15s内的航迹，相对误差的均值为0.0694，可以发现在短时间内粒子滤波算法的轨迹预测效果较好。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (5)

1.蜂群无人机数量估计和航迹生成方法，其特征在于，包括：

A1、基于ISAR转台模型将目标相对于雷达的平动和转动，分别采用关于慢时间的多项式进行表示；

A2、利用粒子群算法，得到粒子最优解向量；

A3、根据最优解向量进行BP成像；

A4、对BP成像得到的雷达图像进行恒虚警检测，得到目标数量；

A5、对粒子的最优解向量进行粒子滤波算法，预测目标行驶轨迹。

2.根据权利要求1所述的蜂群无人机数量估计和航迹生成方法，其特征在于，步骤A1的目标相对于雷达的平动和转动的表达式为：

其中，θ为相对雷达转动的角度，而R₀代表目标相对于雷达的平动距离，a₁,a₂,...,a_m为转动多项式系数，b₁,b₂,...,b_n为平动多项式系数，t,t²,...,t^m表示飞机飞行的时间参数。

3.根据权利要求1所述的蜂群无人机数量估计和航迹生成方法，其特征在于，步骤A2具体为：

A21.根据A1中的两个多项式，得到初始粒子向量为：

vec＝[a₁,a₂,...,a_m,R₀,b₁,b₂,...,b_n]

A22.计算A21中每个粒子的评价函数，具体的：采用BP算法根据解向量中的多项式系数对回波进行成像，以结果图像的熵作为归一化评价函数，图像熵为：

其中，u_g为第g级灰度值在图像中出现的概率，一共有G个灰度级；

A3.找到各个粒子当前位置和速度以及当前个体极值和整个粒子群的当前全局最优解，用更新公式更新每个粒子的速度和位置，更新公式如下：

其中，

和

表示第n次迭代时第i个粒子的位置与速度值的第d维；c₁和c₂分别为粒子的个体学习因子和社会学习因子，通常取常数2；rand(0,1)表示0～1区间的随机数；

表示第n-1次迭代第i个粒子当前搜索到的最优解的第d维；

表示第n-1次迭代全局最优解的第d维；

为惯性因子；

A24.判断最优解是否已符合预先设定的要求或者迭代次数是否达到了上限，如果没有达到则转至S22。

4.根据权利要求3所述的蜂群无人机数量估计和航迹生成方法，其特征在于，ω随相似度单调递减，其计算公式如下：

其中，s(i,g)为粒子i与当前群体最优粒子的相似度，N为迭代次数。

5.根据权利要求3所述的蜂群无人机数量估计和航迹生成方法，其特征在于，步骤A5包括以下分步骤：

A51.设置观测方程：

Z_k＝h(X_k,V_k)

其中，Z_k为k时刻雷达对目标位置的测量结果，V_k为雷达的测量噪声，h为了测量结果与状态之间的函数关系，X_k＝[a₁ a₂ ... a_m R₀ b₁ b₂ ... b_n]^T为k时刻系统状态方程，从S21中可以得到，上标T表示转置；

A52.得到k-1时刻目标后验概率密度函数分布

其中，ρ为例子的权重；

A53.设置粒子有效采样系数N_eff：

若N_eff大于某一阈值则转到A56；

若N_eff大于某一阈值则进行重采样：

A54.计算当前k时刻粒子非归一化权重：

A55.对A54中得到的权重进行归一化：

随后转到A53；

A56.得到当前k时刻目标后验概率数值近似估计：

Images