CN113566821A - 基于交互式滤波的无人机航向估计方法、系统及电子设备 - Google Patents

Abstract

本发明提供一种基于交互式滤波的无人机航向估计方法、系统及电子设备，所述方法包括：获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计。本发明的基于交互式滤波的无人机航向估计方法、系统及电子设备，可以在高精度跟踪无人机机动的同时保证无人机机动时的航向跟踪精度；此外利用本申请提出的方法可以有效降低无人机数据计算负担，提高数据处理能力。

Description

基于交互式滤波的无人机航向估计方法、系统及电子设备

技术领域

本发明涉及无人机航向估计技术领域，特别是涉及一种基于交互式滤波的无人机航向估计方法、系统及电子设备。

背景技术

近年来，无人机使用的范围越来越广，如何精确地估计无人机航向是很多产业应用难点之一，由于无人机的运动特征，使用单一固定的模型很难准确描述无人机在各种气象、飞行条件下的运动状态，因此人们很自然就想到了用多个模型来描述机无人机的运动状态，如匀速(CV)、匀加速(CA)、Singer以及“当前”统计(CS)等多种模型，这类系统具有参数连续变化和动态模式随机突变的特点，因此被称为混合系统，混合系统最优估计的研究正是由此兴起，混合系统具体解决方法有两种：一是用可操纵的检测器控制滤波模型在非机动模型和机动模型之间切换，但切换过程中辨识机动所带来的延时会产生很大的跟踪误差，另外也很难确定无人机回到非机动模型的正确时间，而这种方法的实质仍然是单模(Single Mode1)算法；另一种解决方法就是在同一时刻同时使用多个模型(MultipleMode1)，即基于不同模型的滤波器同时并行工作，然后对其输出按某种规则进行合成。

多模型估计(MME)是一种自适应估计方法，对于解决具有结构和参数不确定或变化的系统问题非常有效。在估计算法中设计一个模型集来描述系统可能的行为方式，总体估计是多个并行运行的滤波器估计的一个确定联合。1984-1989年，Blom和Bar-Shalom在广义伪贝叶斯方法的基础上，提出了一种具有Markov转移概率的交互式多模型(InteractingMultiple Mode1，IMM)算法，这种算法在多模型算法的基础上考虑多个模型的交互作用，以此得出无人机的状态估计，与其他多模型算法相比，IMM比一阶广义伪贝叶斯方法(GPB1)自适应能力强；在估计精度相当的情况下，IMM的计算量仅为二阶广义伪贝叶斯方法(GPB2)的m 分之一(m为模型数)，交互式多模型方法被认为是迄今为止最有效的多模型方法之一，其费效比最好且结构简单，非常适合机动无人机跟踪。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于交互式滤波的无人机航向估计方法、系统及电子设备，用于解决现有技术中无人机追踪精度低且不够灵敏的问题。

为实现上述目的及其他相关目的，本发明提供一种基于交互式滤波的无人机航向估计方法，所述方法包括：获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计。

于本发明的一实施例中，所述方法还包括对所述预设运动模型进行条件滤波。

于本发明的一实施例中，所述预设运动模型具体包括无人机当前统计运动模型以及匀速运动模型。

于本发明的一实施例中，所述匀速运动模型的参数包括所述匀速运动模型的状态向量以及其转移矩阵，其中，所述匀速运动模型的状态向量计算式如下：

所述匀速运动模型的转移矩阵计算式如下：

于本发明的一实施例中，所述无人机当前统计运动模型参数包括所述无人机当前统计运动模型的状态向量以及其转移矩阵，其中，所述无人机当前统计运动模型的状态向量计算式如下：

所述无人机当前统计运动模型的转移矩阵计算式如下：

其中，α为所述无人机的机动频率。

于本发明的一实施例中，所述转换概率的计算式如下：

其中，M＝{m_i,i＝1,2,…r}为所述预设运动模型集，m_i(k)表示k时刻所述预设运动模型为m_i模型；m_j(k+1)来表示k时刻所述预设运动模型为m_j模型。

于本发明的一实施例中，所述预设函数采用似然函数。

为实现上述目的及其他相关目的，本发明提供一种上述的基于交互式滤波的无人机航向估计系统，包括：

获取模块，用于获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；

计算模块，用于依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；

估计模块，用于基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计。

为实现上述目的及其他相关目的，本发明提供一种上述的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于交互式滤波的无人机航向估计方法。

为实现上述目的及其他相关目的，本发明提供一种上述的电子设备，所述电子设备包括：所述存储器用于存储计算机程序，所述处理器用于加载执行所述计算机程序，以使所述电子设备执行所述的基于交互式滤波的无人机航向估计方法。

如上所述，本发明的基于交互式滤波的无人机航向估计方法、系统及电子设备，可以在高精度跟踪无人机机动的同时保证无人机非机动时的航向跟踪精度；此外利用本申请提出的方法可以有效降低无人机数据计算负担，提高数据处理能力。

附图说明

图1显示为本发明的基于交互式滤波的无人机航向估计方法于一实施例中的方法步骤图；

图2显示为本发明的基于交互式滤波的无人机航向估计方法于一实施例中的滤波前后误差对比示意图；

图3显示为本发明的基于交互式滤波的无人机航向估计方法于一实施例中的模型概率时间变化示意图；

图4显示为本发明的基于交互式滤波的无人机航向估计系统于一实施例中的结构示意图；

图5显示为本发明一实施例中电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，于发明一实施例中，本发明的基于交互式滤波的无人机航向估计方法包括如下步骤：

步骤S11、获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；

步骤S12、依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；

步骤S13、基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计；

需要说明的是，针对无人机的航向估计在设计交互式多模型算法时，应满足如下要求：其一是当无人机不机动时，尽量地降低航向估计误差；其二是能快速检测无人机的机动，及时迅速地反映出相应的运动模型；其三是机动时的估计峰值误差应低于未滤波的测量数据误差。

具体地，设置多种所述预设运动模型以应对所述无人机不同的运动模式，其中，所述预设运动模型具体包括无人机当前统计运动模型以及匀速运动模型，多种所述预设运动模型组合成所述预设运动模型集M，M＝{m_i,i＝1,2,…r}，所述转换概率的计算式如下：

其中，M＝{m_i,i＝1,2,…r}为所述预设运动模型集，m_i(k)表示k时刻所述预设运动模型为 m_i模型；m_j(k+1)来表示k时刻所述预设运动模型为m_j模型。

进一步地，混合概率μ_i|j(k|k)的计算公式如下：

其中，

为归一化常数，

μ_i(k)为模型i在k时刻的概率。

交互后的状态估计

的计算公式如下：

交互后的估计协方差为

的计算公式如下：

其中，

分别为模型i在k时刻的滤波估计及其估计协方差。

进一步地，于发明一实施例中，还包括对所述预设运动模型进行条件滤波。

具体地，卡尔曼(Kalman)滤波是应用最广泛的一种滤波方法，以卡尔曼滤波法为例，介绍所述条件滤波的过程，其中，包括时间更新与测量更新。

所述时间更新包括预测状态，计算式为：

以及预测测量，计算式为：

以及预测状态协方差。计算式为：

以及新息协方差，计算式为：

其中，Φ_j为模型j的状态转移矩阵，H_j观测矩阵， w_j(k),v_j(k+1)分别为均值为零，方差为Q_j(k)、R(k)的高斯白噪声。

所述测量更新包括滤波增益，计算式为：

以及新息，计算式为：

以及滤波估计，计算式为：

以及估计协方差，计算式为：

进一步地，于发明一实施例中，所述预设函数采用似然函数。

具体地，利用所述似然函数计算模型j在k+1时刻的概率μ_j(k+1)，计算式如下：

其中，C为归一化常数，

进一步地，于发明一实施例中，得到所述状态估计与所述估计协方差以及所述占比后，得到所述目标交互式滤波模型，进而得到所述无人机的航向估计。

具体地，得到所述无人机的航向估计是得到最终的状态估计协方差以及组合向量的估计值，其中，所述状态估计协方差的计算式如下：

需要说明的是，

为k+1时刻滤波器j的状态估计，所述组合向量的估计值计算式如下：

通过获得所述组合向量的估计值以及所述状态估计协方差值以得到所述无人机航向的估计。

进一步地，所述预设运动模型具体包括无人机当前统计运动模型以及匀速运动模型，其中，所述匀速运动模型的状态向量计算式如下：

所述匀速运动模型的转移矩阵计算式如下：

所述匀速运动模型的加速度转移矩阵计算式如下：

此外，所述无人机当前统计运动模型的状态向量计算式如下：

所述无人机当前统计运动模型的转移矩阵计算式如下：

所述无人机当前统计运动模型的加速度转移矩阵计算式如下：

其中，α为所述无人机的机动频率，一般取值“0.1”秒，

为机动加速度方差，计算式为：

a_max为机动时可能出现的最大加速度。

需要说明的是，由于采用加速度均值自适应，所述当前统计运动模型的状态方程略有不同：

加速度值

进一步地，于发明一实施例中，设置加权后的转移矩阵为

其中，匀速运动模型、当前统计模型保持概率取大值“0.95”，切换到另外一种模型概率取小值“0.05”，通过计算得到其概率矩阵为

请参阅图2，具体为将GPS的值作为真值，滤波前后的航向一次误差对比；航向滤波时模型概率随时间的变化如图3所示，其中，非机动时匀速运动(CV)的模型概率为“0.8”以上，当前统计运动(CS)的模型概率为“0.2”以下；机动时匀速运动(CV)的模型概率迅速下降，而当前统计运动(CS)的模型概率迅速增加，说明当非机动或弱机动时，主要是匀速运动(CV)模型起作用，能得到较高的估计精度，而机动时，算法能快速识别，主要是当前统计运动(CS)模型在起作用。

请参阅图4，在一实施例中，本实施例提供的一种基于交互式滤波的无人机航向估计系统40，所述系统包括：

获取模块41，用于获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；

计算模块42，用于依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；

估计模块43，用于基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计。

由于本实施例的具体实现方式与前述方法实施例对应，因而于此不再对同样的细节做重复赘述，本领域技术人员也应当理解，图4实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个或多个物理实体上，且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。

除此之外，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述车载摄像头多媒体内容侦听检测方法。

参阅图5，本实施例提供一种电子设备，详细的，电子设备至少包括通过总线连接的：存储器、处理器，其中，存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。

综上所述，本发明可以在高精度跟踪无人机机动的同时保证无人机非机动时的航向跟踪精度；此外利用本申请提出的方法可以有效降低无人机数据计算负担，提高数据处理能力。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于交互式滤波的无人机航向估计方法，其特征在于，包括：

获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；

依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；

基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计。

2.根据权利要求1所述的基于交互式滤波的无人机航向估计方法，其特征在于，还包括对所述预设运动模型进行条件滤波。

3.根据权利要求1所述的基于交互式滤波的无人机航向估计方法，其特征在于，所述预设运动模型具体包括无人机当前统计运动模型以及匀速运动模型。

4.根据权利要求3所述的基于交互式滤波的无人机航向估计方法，其特征在于，所述匀速运动模型的参数包括所述匀速运动模型的状态向量以及其转移矩阵，其中，所述匀速运动模型的状态向量计算式如下：

所述匀速运动模型的转移矩阵计算式如下：

5.根据权利要求3所述的基于交互式滤波的无人机航向估计方法，其特征在于，所述无人机当前统计运动模型参数包括所述无人机当前统计运动模型的状态向量以及其转移矩阵，其中，所述无人机当前统计运动模型的状态向量计算式如下：

所述无人机当前统计运动模型的转移矩阵计算式如下：

其中，α为所述无人机的机动频率。

6.根据权利要求1所述的基于交互式滤波的无人机航向估计方法，其特征在于，所述转换概率的计算式如下：

其中，M＝{m_i,i＝1,2,…r}为所述预设运动模型集，m_i(k)表示k时刻所述预设运动模型为m_i模型；m_j(k+1)来表示k时刻所述预设运动模型为m_j模型。

7.根据权利要求1所述的基于交互式滤波的无人机航向估计方法，其特征在于，所述预设函数采用似然函数。

8.一种基于交互式滤波的无人机航向估计系统，其特征在于，包括：

获取模块，用于获取所述无人机预设运动模型的参数，并得到所述预设运动模型之间的转换概率；

计算模块，用于依据所述转换概率得到各所述预设运动模型交互后的状态估计与估计协方差，并通过预设函数得到同一时刻各所述预设运动模型的占比；

估计模块，用于基于所述状态估计与所述估计协方差以及所述占比得到目标交互式滤波模型，进而得到所述无人机的航向估计。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7任一项所述基于交互式滤波的无人机航向估计方法。

10.一种电子设备，其特征在于，所述电子设备包括：所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述电子设备执行如权力要求1至7中任一项所述基于交互式滤波的无人机航向估计方法。

Images