CN114115331B - 一种多无人机多载荷协同侦察方法 - Google Patents
一种多无人机多载荷协同侦察方法 Download PDFInfo
- Publication number
- CN114115331B CN114115331B CN202111277637.1A CN202111277637A CN114115331B CN 114115331 B CN114115331 B CN 114115331B CN 202111277637 A CN202111277637 A CN 202111277637A CN 114115331 B CN114115331 B CN 114115331B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- target
- aerial vehicle
- track
- positioning radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000005259 measurement Methods 0.000 claims description 27
- 238000013459 approach Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 206010034701 Peroneal nerve palsy Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
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)
Abstract
本发明属于无人机任务规划技术领域，公开了一种多无人机多载荷协同侦察方法，根据给定的无人机数量、各载荷探测半径以及任务区域进行无人机离线航迹规划；在无人机巡航过程中，若有移动目标进入无人机载荷探测范围，无人机进行在线航迹规划，对目标持续跟踪，跟踪结束，返回原航迹继续巡航。本发明在不损失跟踪精度的前提下，通过考虑让执行侦察任务的无人机搭载不同功能特点的载荷，实现了一种全新的多无人机协同模式。使发现目标更快，完成任务用时大大缩短，任务执行效率得到明显提升。本发明中涉及到的区域划分算法、跟踪滤波算法等均不唯一，可以根据实际情况更换算法，而不影响本发明所提出的协同模式的效果。
Description
技术领域
本发明属于无人机任务规划技术领域，尤其涉及一种多无人机多载荷协同侦察方法。
背景技术
目前，随着通信、微电子计算机以及各类机载传感器的飞速发展，无人机越来越多地被应用于各个领域中，其凭借体积小、重量轻、成本低、高机动性等诸多优点被广泛应用于目标侦察、通信中继以及军事打击等任务中。其中，多无人机协同侦察是无人机的重要任务之一，一般可分为离线航迹规划和在线航迹规划两部分。
对于离线航迹规划，若目标的先验位置信息已知，通常直接将目标的位置信息作为输入，利用一些启发式算法，例如遗传算法、蝙蝠算法、和声搜索算法等对航迹规划问题进行求解。这类算法虽提高了问题的求解效率，但一般并不能找到问题的最优解，可能陷入局部最优。若目标的先验位置信息未知，通常为了防止遗漏目标，首先会根据无人机数量进行区域划分，然后采用“Z”型路径全覆盖侦察的方式对各架无人机的离线航迹进行规划。
实际任务场景下，任务区域中不仅仅存在静止目标，还有很多比如坦克、舰艇、移动雷达站这样的移动目标。针对这样的目标，便需要对无人机进行在线航迹规划，使无人机在巡航过程中发现目标时，可以飞离原本的离线航迹，对目标进行一段时间的跟踪。在移动目标跟踪方面，通常采用卡尔曼滤波、扩展卡尔曼滤波、粒子滤波等算法滤除目标跟踪过程中噪声和干扰的影响，得到目标状态的最优估计值。上述方法虽然也利用了通过多无人机之间协同完成任务的方式来提高侦察效率，但均只考虑了所有无人机搭载同种载荷进行侦察，其协同模式也只是搭载同种载荷的无人机之间的协同，没有考虑让无人机分别搭载不同功能特点的载荷来协同执行任务。
通过上述分析，现有技术存在的问题及缺陷为：现有的方法虽然也利用了通过多无人机之间协同完成任务的方式来提高侦察效率，但均只考虑了所有无人机搭载同种载荷进行侦察，其协同模式也只是搭载同种载荷的无人机之间的协同，没有考虑让无人机分别搭载不同功能特点的载荷来协同执行任务。
解决以上问题及缺陷的难度为：同组中搭载不同载荷的两架无人机在发现目标时的协同与配合，两架无人机发现目标后需分别进行在线航迹规划。
解决以上问题及缺陷的意义为：通过将无人机分组，每组无人机搭载不同功能特点的载荷，在执行整个侦察任务过程中充分发挥各载荷的优点。利用无源定位雷达侦察范围大的优势，大大缩短巡航时间；利用有源定位雷达可以准确定位的优势，为目标的精确跟踪提供保障。
发明内容
针对现有技术存在的问题，本发明提供了一种多无人机多载荷协同侦察方法。本发明通过搭载不同功能特点载荷的无人机之间的协同配合，缩短了目标发现时间以及任务完成时间，提高了协同侦察效率。
本发明是这样实现的，一种多无人机多载荷协同侦察方法，所述多无人机多载荷协同侦察方法，包括：
根据给定的无人机数量、各载荷探测半径以及任务区域进行无人机离线航迹规划；在无人机巡航过程中，若有移动目标进入无人机载荷探测范围，无人机进行在线航迹规划，对目标持续跟踪，跟踪结束，返回原航迹继续巡航。
进一步，所述多无人机多载荷协同侦察方法，具体为：
步骤一，执行侦察任务的无人机数量为N(N为偶数)，搭载不同载荷(无源定位雷达和有源定位雷达)的无人机两两一组，分为N/2个组，每组负责一个子任务区域的侦察工作，两架无人机处于同一经纬度位置，但巡航高度不同；其中，无源定位雷达的探测半径为R_passive，有源定位雷达的探测半径为R_active；
通过将无人机分组，借助无源定位雷达探测范围较大但无法精确定位目标位置的特点，使巡航效率得到提升，缩短发现目标的时间；借助有源定位雷达探测范围较小但能够精确定位的特点，实现对移动目标的精确跟踪。
步骤二，任务区域预处理，对任务区域进行划分，规划离线航迹；
对任务区域按照特定方向进行划分，各无人机组分别侦察一个子区域，缩短任务执行时间，且使各无人机组巡航过程中转弯次数最少。
步骤三，无人机按照离线航迹进行巡航过程中，当发现目标时进行在线航迹规划。
当无人机组发现移动目标后，对两架无人机分别进行在线航迹规划，实现对目标的初步跟踪以及精确跟踪。
进一步，所述步骤二中，任务区域预处理，具体过程为：
判断给定的多边形任务区域P是否为凸多边形，若P为凸多边形，则保持不变，若P为凹多边形，则将其转化为凸多边形；其中，多边形任务区域P以顶点坐标按逆时针顺序排列的形式给定，V(P)＝{vk,k＝1,2,...,m}，m表示多边形顶点个数。
进一步，所述判断多边形区域P是否为凸多边形可通过计算每个顶点是否为凸点的方法进行判断；以v2为例，假设顶点v1、v2、v3的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)，根据以下公式对向量和/>做叉乘：
s＝(x2-x1)(y3-y2)-(x3-x2)(y2-y1)；
当s＞0时，说明v2为凸点，不做处理；当s＜0时，说明v2为凹点，此时对多边形进行处理，去除点v2以及v1v2和v2v3两条边，直接将v1和v3连接并将v1v3作为一条新的边。
进一步，所述步骤二中，对任务区域进行划分具体过程为：
首先找出多边形P的“宽度”dw的方向，然后沿着与“宽度”方向垂直的方向利用二分法将其按面积等分为N/2个子区域；
所述求多边形“宽度”dw可以根据如下公式计算：
dw＝min{d1,d2,...,dm}；
其中，di(i＝1,2,...,m)表示多边形各个顶点到第i条边距离的最大值，可根据以下公式计算：
其中，表示多边形的顶点vj到第i条边的距离。
进一步，所述当“宽度”dw确定后，便能得到“宽度”经过的顶点vw以及与“宽度”方向垂直的多边形P的边Ew；可过vw作与Ew垂直的线段，与Ew交于点pF，对线段vwpF使用二分法，计算过二分点与Ew平行的直线切割出的多边形面积Areasub，直到停止二分；如此循环，划分出所有的子区域；其中，AreaP为多边形区域P的面积。
进一步，所述步骤二中，规划离线航迹具体过程为：
根据给定的每组无人机中侦察范围较大的无源定位雷达的探测半径R_passive采用“Z”型覆盖的方式规划出每组无人机的离线航迹，且航迹线与“宽度”方向垂直；
所述按照与任务区域“宽度”垂直的方向进行区域划分进而规划离线航迹，可以保证无人机进行“Z”型覆盖时的转弯次数最少。
进一步，所述步骤三中，当发现目标时进行在线航迹规划，具体包括：
同组的两架无人机一同逼近目标，根据无源定位雷达探测到的目标所在的方向在线更新自己下一时刻的航迹点坐标，经过若干个时刻点后，目标将进入有源定位雷达的探测范围内；
有源定位雷达无人机对移动目标进行跟踪，当目标进入有源定位雷达探测范围后，无源定位雷达无人机返回其飞离离线航迹时的航迹点等待有源定位雷达无人机飞回，有源定位雷达无人机利用卡尔曼滤波算法对目标进行L个时刻点的跟踪；跟踪结束后，返回飞离离线航迹时的航迹点，并与同组中另一架无人机保持原本的相对位置关系继续巡航。
进一步，所述无人机组逼近目标时在线更新航迹点坐标可通过如下方法进行：
当无源定位雷达无人机探测到目标时，虽不能定位出其确切坐标，但可以获得目标所在的方向，无源定位雷达无人机便将自己的下一步航迹点更新为目标所在方向上一个飞行步长可以抵达的位置的坐标，同时将此坐标发送给同组的有源定位雷达无人机令其更新下一步航迹点；如此循环，两架无人机持续逼近目标，直到目标进入有源定位雷达探测范围；
进一步，所述有源定位雷达无人机对移动目标进行跟踪可通过如下方法进行：
所述跟踪算法适用于任务区域中的移动目标均做匀速直线运动的情况，无人机跟踪目标需要不断更新自己的航迹点，航迹点坐标可根据如下的卡尔曼滤波更新方程进行计算：
其中，表示对目标状态的最优估计值，/>为对目标的位置估计值，无人机通过此估计值不断在线更新自己的下一步航迹点，/>为对目标的速度估计值，/>表示k时刻的状态预测结果，Kk表示卡尔曼增益，Zk表示有源定位雷达对目标位置的测量值，H表示测量矩阵；
状态预测结果可根据下式计算：
其中，A表示状态转移矩阵，表示k-1时刻对目标状态的最优估计；
卡尔曼增益Kk可根据下式计算：
其中，表示对应于/>的误差协方差矩阵，R表示测量噪声协方差矩阵；
载荷对目标位置的测量值Zk可根据下式计算：
Zk＝HXk+Vk；
其中，Xk表示目标状态，Vk表示测量噪声；
目标状态Xk的状态转移方程为：
Xk＝AXk-1+Wk-1；
其中，(xk,yk)为目标的位置坐标，/>为目标分别在x和y方向的运动速度，Wk-1表示过程噪声；
误差协方差矩阵可根据下式计算：
其中，Pk-1为k-1时刻更新后的误差协方差矩阵；
误差协方差矩阵Pk可根据下式进行更新：
其中，I为单位矩阵；
对于匀速直线运动目标，状态转移矩阵和测量矩阵分别为：
其中，T为步长时间。
进一步，所述对于卡尔曼滤波过程，只要给定初始估计值(通过有源雷达无人机刚发现目标时对目标位置的两次位置测量值和步长时间计算出目标的初始速度估计值，将对目标的位置测量值作为初始位置估计值)以及初始误差协方差矩阵P0(根据经验设定)，结合载荷对于目标位置的测量值，依次得到以后若干时刻目标状态的最优估计值，从而达到跟踪的效果。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明在不损失无人机跟踪目标精度的前提下，将无人机两两分组，同组中两架无人机分别搭载具备不同功能特点的载荷，互相配合完成侦察任务。在执行整个侦察任务过程中充分发挥各载荷的优点，利用无源定位雷达侦察范围大的优势，大大缩短巡航时间；利用有源定位雷达可以准确定位的优势，为目标的精确跟踪提供保障。实现了一种全新的协同模式，使得发现目标更快，最终用更短的时间完成整个任务。
本发明在不损失跟踪精度的前提下，通过考虑让执行侦察任务的无人机搭载不同功能特点的载荷，实现了一种全新的多无人机协同模式。使发现目标更快，完成任务用时大大缩短，任务执行效率得到明显提升。本发明提出的快速多无人机多载荷协同侦察方法中涉及到的区域划分算法、跟踪滤波算法等均不唯一，可以根据实际情况更换算法，而不影响本发明所提出的协同模式的效果。
附图说明
图1是本发明实施例提供的多无人机多载荷协同侦察方法流程图。
图2是本发明实施例提供的使用时的场景示意图。
图3是本发明实施例提供的实现流程示意图。
图4是本发明实施例提供的区域划分示意图。
图5是本发明实施例提供的同组无人机逼近目标示意图。
图6是本发明实施例提供的仿真实验航迹图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种多无人机多载荷协同侦察方法，下面结合附图对本发明作详细的描述。
本发明提供的多无人机多载荷协同侦察方法业内的普通技术人员还可以采用其他的步骤实施，图1的本发明提供的多无人机多载荷协同侦察方法仅仅是一个具体实施例而已。
本发明实施例提供的多无人机多载荷协同侦察方法，包括：
根据给定的无人机数量、各载荷探测半径以及任务区域进行无人机离线航迹规划；在无人机巡航过程中，若有移动目标进入无人机载荷探测范围，无人机进行在线航迹规划，对目标持续跟踪，跟踪结束，返回原航迹继续巡航。
如图1所述，本发明实施例提供的多无人机多载荷协同侦察方法，包括：
S101：执行侦察任务的无人机数量为N(N为偶数)，搭载不同载荷(无源定位雷达和有源定位雷达)的无人机两两一组，分为N/2个组，每组负责一个子任务区域的侦察工作，两架无人机处于同一经纬度位置，但巡航高度不同；其中，无源定位雷达的探测半径为R_passive，有源定位雷达的探测半径为R_active。
S102：任务区域预处理，对任务区域进行划分，规划离线航迹；
S103：无人机按照离线航迹进行巡航过程中，当发现目标时进行在线航迹规划。
本发明实施例提供的S102中，任务区域预处理，具体过程为：
判断给定的多边形任务区域P是否为凸多边形，若P为凸多边形，则保持不变，若P为凹多边形，则将其转化为凸多边形。其中，多边形任务区域P以顶点坐标按逆时针顺序排列的形式给定，V(P)＝{vk,k＝1,2,...,m}，m表示多边形顶点个数。
所述判断多边形区域P是否为凸多边形可通过计算每个顶点是否为凸点的方法进行判断。以v2为例，假设顶点v1、v2、v3的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)，根据以下公式对向量和/>做叉乘：
s＝(x2-x1)(y3-y2)-(x3-x2)(y2-y1)；
当s＞0时，说明v2为凸点，不做处理；当s＜0时，说明v2为凹点，此时对多边形进行处理，去除点v2以及v1v2和v2v3两条边，直接将v1和v3连接并将v1v3作为一条新的边。
本发明实施例提供的S102中，对任务区域进行划分具体过程为：
首先找出多边形P的“宽度”dw的方向，然后沿着与“宽度”方向垂直的方向利用二分法将其按面积等分为N/2个子区域。
所述求多边形“宽度”dw可以根据如下公式计算：
dw＝min{d1,d2,...,dm}；
其中，di(i＝1,2,...,m)表示多边形各个顶点到第i条边距离的最大值，可根据以下公式计算：
其中，表示多边形的顶点vj到第i条边的距离。
所述当“宽度”dw确定后，便能得到“宽度”经过的顶点vw以及与“宽度”方向垂直的多边形P的边Ew；可过vw作与Ew垂直的线段，与Ew交于点pF，对线段vwpF使用二分法，计算过二分点与Ew平行的直线切割出的多边形面积Areasub，直到停止二分；如此循环，划分出所有的子区域；其中，AreaP为多边形区域P的面积。
本发明实施例提供的S102中，规划离线航迹具体过程为：
根据给定的每组无人机中侦察范围较大的无源定位雷达的探测半径R_passive采用“Z”型覆盖的方式规划出每组无人机的离线航迹，且航迹线与“宽度”方向垂直。
所述按照与任务区域“宽度”垂直的方向进行区域划分进而规划离线航迹，可以保证无人机进行“Z”型覆盖时的转弯次数最少。
本发明实施例提供的S103中，当发现目标时进行在线航迹规划，具体包括：
同组的两架无人机一同逼近目标。根据无源定位雷达探测到的目标所在的方向在线更新自己下一时刻的航迹点坐标，经过若干个时刻点后，目标将进入有源定位雷达的探测范围内；
有源定位雷达无人机对移动目标进行跟踪。当目标进入有源定位雷达探测范围后，无源定位雷达无人机返回其飞离离线航迹时的航迹点等待有源定位雷达无人机飞回，有源定位雷达无人机利用卡尔曼滤波算法对目标进行L个时刻点的跟踪；跟踪结束后，返回飞离离线航迹时的航迹点，并与同组中另一架无人机保持原本的相对位置关系继续巡航。
所述无人机组逼近目标时在线更新航迹点坐标可通过如下方法进行：
当无源定位雷达无人机探测到目标时，虽不能定位出其确切坐标，但可以获得目标所在的方向，无源定位雷达无人机便将自己的下一步航迹点更新为目标所在方向上一个飞行步长可以抵达的位置的坐标，同时将此坐标发送给同组的有源定位雷达无人机令其更新下一步航迹点。如此循环，两架无人机持续逼近目标，直到目标进入有源定位雷达探测范围。
所述有源定位雷达无人机对移动目标进行跟踪可通过如下方法进行：
所述跟踪算法适用于任务区域中的移动目标均做匀速直线运动的情况，无人机跟踪目标需要不断更新自己的航迹点，航迹点坐标可根据如下的卡尔曼滤波更新方程进行计算：
其中，表示对目标状态的最优估计值，/>为对目标的位置估计值，无人机通过此估计值不断在线更新自己的下一步航迹点，/>为对目标的速度估计值，/>表示k时刻的状态预测结果，Kk表示卡尔曼增益，Zk表示有源定位雷达对目标位置的测量值，H表示测量矩阵；
状态预测结果可根据下式计算：
其中，A表示状态转移矩阵，表示k-1时刻对目标状态的最优估计。
卡尔曼增益Kk可根据下式计算：
其中，表示对应于/>的误差协方差矩阵，R表示测量噪声协方差矩阵。
载荷对目标位置的测量值Zk可根据下式计算：
Zk＝HXk+Vk；
其中，Xk表示目标状态，Vk表示测量噪声。
目标状态Xk的状态转移方程为：
Xk＝AXk-1+Wk-1；
其中，(xk,yk)为目标的位置坐标，/>为目标分别在x和y方向的运动速度，Wk-1表示过程噪声。
误差协方差矩阵可根据下式计算：
其中，Pk-1为k-1时刻更新后的误差协方差矩阵。
误差协方差矩阵Pk可根据下式进行更新：
其中，I为单位矩阵。
对于匀速直线运动目标，状态转移矩阵和测量矩阵分别为：
其中，T为步长时间。
所述对于卡尔曼滤波过程，只要给定初始估计值(通过有源雷达无人机刚发现目标时对目标位置的两次位置测量值和步长时间计算出目标的初始速度估计值，将对目标的位置测量值作为初始位置估计值)以及初始误差协方差矩阵P0(根据经验设定)，结合载荷对于目标位置的测量值，便可以依次得到以后若干时刻目标状态的最优估计值，从而达到跟踪的效果。
下面结合具体实施例对本发明的技术方案作详细的描述。
根据给定的无人机数量、各载荷探测半径以及任务区域进行无人机离线航迹规划；在无人机巡航过程中，若有移动目标进入无人机载荷探测范围，无人机进行在线航迹规划，对目标持续跟踪，跟踪结束，返回原航迹继续巡航。
如图2所示，无人机需要侦察的任务区域为任意多边形，两种载荷的侦察视野均为圆形区域，且无源定位雷达的侦察视野大于有源定位雷达。六架无人机两两一组，每组负责区域划分后的一个子区域。同组中两架无人机巡航阶段位于同一经纬度位置，搭载无源定位雷达的无人机飞行高度高于搭载有源定位雷达的无人机，且假设两机在空间中垂直距离较远，不会相撞。
如图3所示，本发明按照图2所述的场景中的协同模式进行多无人机离线和在线航迹规划，需要说明的是，本实例不应理解为对本发明的限制。
一种多无人机多载荷协同侦察方法，执行侦察任务的无人机数量为N(N为偶数)，其中N/2架无人机搭载探测范围较大但无法精确定位目标位置的无源定位雷达，另外N/2架无人机搭载探测范围较小但能够精确定位的有源定位雷达。搭载不同载荷的无人机两两一组，分为N/2个组，每组负责一个子任务区域的侦察工作，两架无人机处于同一经纬度位置，但巡航高度不同。其中，无源定位雷达的探测半径为R_passive，有源定位雷达的探测半径为R_active。
本实施例中，无人机数量为6架，即N＝6，R_passive＝1.5km，R_active＝0.6km。
所述方法包括以下步骤：
(1)离线航迹规划：
(1a)任务区域预处理。判断给定的多边形任务区域P是否为凸多边形，若P为凸多边形，则保持不变，若P为凹多边形，则将其转化为凸多边形。其中，多边形任务区域P以顶点坐标按逆时针顺序排列的形式给定，V(P)＝{vk,k＝1,2,...,m}，m表示多边形顶点个数；
(1b)对任务区域进行划分。首先找出多边形P的“宽度”dw的方向，然后沿着与“宽度”方向垂直的方向利用二分法将其按面积等分为N/2个子区域；
如图4所示，以划分出第一个子区域为例。首先将多边形的m个顶点按逆时针顺序输入，V(P)＝{vk,k＝1,2,...,m}，本实例中m＝6。然后，找出多边形区域的“宽度”，在图中“宽度”即为l1和l2之间的距离。过点v6向l1作垂线，垂足为W2。找出v6和W2的中点，记为S1。过点S1可作与l1平行的分割线L1＝qsqe，斜率记为k，L1与多边形P交于点qs，qe。当L1右侧的多边形面积大于所需的子区域面积，即时，将W1坐标更新为S1坐标，S1更新为原本S1与点W2的中点，继续计算新的L1右侧的多边形面积；当L1右侧的多边形面积小于所需的子区域面积，即/>时，将W2坐标更新为S1坐标，S1更新为原本S1与点W1的中点，继续计算，直到L1右侧的多边形面积与所需的多边形面积相等，划分完成。依此类推，直到N/2个子区域划分完成，整个区域划分工作结束，其中/>
(1c)规划离线航迹。根据给定的每组无人机中侦察范围较大的无源定位雷达的探测半径R_passive采用“Z”型覆盖的方式规划出每组无人机的离线航迹，且航迹线与“宽度”方向垂直；
(2)在线航迹规划：
无人机按照离线航迹进行巡航，当发现目标时：
(2a)同组的两架无人机一同逼近目标。根据无源定位雷达探测到的目标所在的方向在线更新自己下一时刻的航迹点坐标，经过若干个时刻点后，目标将进入有源定位雷达的探测范围内；
如图5所示，Uk表示第k个时刻点的无人机组位置，l为原本的离线航迹，粗实线圆和细实线圆分别代表第k个时刻无源定位雷达和有源定位雷达的探测区域。Tk表示第k个时刻发现的某个移动目标的位置，即时刻k时处于无源定位雷达探测范围的边界。本实施例中假设移动目标的速度小于无人机的速度。因为发现了目标，所以无人机在线更新自己的下一个航迹点，在k+1时刻，无人机将会朝着Tk的方向飞行一个步长。由于目标移动的方向未知，但因为速度小于无人机飞行速度，所以其在k+1时刻可能会移动到细虚线圆上的任意一点Tk+1。由图可知，此时目标依然处于无源定位雷达的探测范围(粗虚线圆)内。随着航迹点的不断更新，无人机与目标之间的距离会持续减小，直到目标进入有源定位雷达的探测范围内。
(2b)有源定位雷达无人机对移动目标进行跟踪。当目标进入有源定位雷达探测范围后，无源定位雷达无人机返回其飞离离线航迹时的航迹点等待有源定位雷达无人机飞回，有源定位雷达无人机利用卡尔曼滤波算法对目标进行L个时刻点的跟踪；跟踪结束后，返回飞离离线航迹时的航迹点，并与同组中另一架无人机保持原本的相对位置关系继续巡航。
本实施例中L＝100。
需要说明的是，所述步骤(1a)中判断多边形区域P是否为凸多边形可通过计算每个顶点是否为凸点的方法进行判断。以v2为例，假设顶点v1、v2、v3的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)，根据以下公式对向量和/>做叉乘：
s＝(x2-x1)(y3-y2)-(x3-x2)(y2-y1)；
当s＞0时，说明v2为凸点，不做处理；当s＜0时，说明v2为凹点，此时对多边形进行处理，去除点v2以及v1v2和v2v3两条边，直接将v1和v3连接并将v1v3作为一条新的边。
需要说明的是，所述步骤(1b)中求多边形“宽度”dw可以根据如下公式计算：
dw＝min{d1,d2,...,dm}；
其中，di(i＝1,2,...,m)表示多边形各个顶点到第i条边距离的最大值，可根据以下公式计算：
其中，表示多边形的顶点vj到第i条边的距离。
需要说明的是，当“宽度”dw确定后，便能得到“宽度”经过的顶点vw以及与“宽度”方向垂直的多边形P的边Ew。可过vw作与Ew垂直的线段，与Ew交于点pF，对线段vwpF使用二分法，计算过二分点与Ew平行的直线切割出的多边形面积Areasub，直到停止二分。如此循环，划分出所有的子区域。其中，AreaP为多边形区域P的面积。
需要说明的是，按照与任务区域“宽度”垂直的方向进行区域划分进而规划离线航迹，可以保证无人机进行“Z”型覆盖时的转弯次数最少。
需要说明的是，所述步骤(2a)中无人机在线更新航迹点坐标可通过如下方法进行：当无源定位雷达无人机探测到目标时，虽不能定位出其确切坐标，但可以获得目标所在的方向，无源定位雷达无人机便将自己的下一步航迹点更新为目标所在方向上一个飞行步长可以抵达的位置的坐标，同时将此坐标发送给同组的有源定位雷达无人机令其更新下一步航迹点。如此循环，两架无人机持续逼近目标，直到目标进入有源定位雷达探测范围。
需要说明的是，所述步骤(2b)中的跟踪算法适用于任务区域中的移动目标均做匀速直线运动的情况，无人机跟踪目标需要不断更新自己的航迹点，航迹点坐标可根据如下的卡尔曼滤波更新方程进行计算：
其中，表示对目标状态的最优估计值，/>为对目标的位置估计值，无人机通过此估计值不断在线更新自己的下一步航迹点，/>为对目标的速度估计值，/>表示k时刻的状态预测结果，Kk表示卡尔曼增益，Zk表示有源定位雷达对目标位置的量测值，H表示测量矩阵。
需要说明的是，状态预测结果可根据下式计算：
其中，A表示状态转移矩阵，表示k-1时刻对目标状态的最优估计。
需要说明的是，卡尔曼增益Kk可根据下式计算：
其中，表示对应于/>的误差协方差矩阵，R表示测量噪声协方差矩阵。
需要说明的是，载荷对目标位置的测量值Zk可根据下式计算：
Zk＝HXk+Vk；
其中，Xk表示目标状态，Vk表示测量噪声。
需要说明的是，目标状态Xk的状态转移方程为：
Xk＝AXk-1+Wk-1；
其中，(xk,yk)为目标的位置坐标，/>为目标分别在x和y方向的运动速度，Wk-1表示过程噪声。
需要说明的是，误差协方差矩阵可根据下式计算：/>
其中，Pk-1为k-1时刻更新后的误差协方差矩阵。
需要说明的是，误差协方差矩阵Pk可根据下式进行更新：
其中，I为单位矩阵。
需要说明的是，对于匀速直线运动目标，状态转移矩阵和测量矩阵分别为：
其中，T为步长时间。本示例中T＝1s。
需要说明的是，所述步骤(2b)中，对于卡尔曼滤波过程，只要给定初始估计值(通过有源雷达无人机刚发现目标时对目标位置的两次位置测量值和步长时间计算出目标的初始速度估计值，将对目标的位置测量值作为初始位置估计值)以及初始误差协方差矩阵P0(根据经验设定)，结合载荷对于目标位置的测量值，便可以依次得到以后若干时刻目标状态的最优估计值，从而达到跟踪的效果。
本实施例中，初始误差协方差矩阵设置为:
下面结合仿真实验对本发明的技术效果作详细的描述。
仿真参数设置如下表所示：
表1实验参数设置
无人机均从基地出发，任务完成后回到基地。
如图6所示，本发明中的新型协同模式，只需要根据每组中无源定位雷达的探测范围规划离线航迹即可，因此航迹较稀疏，无人机巡航的往复次数更少，转弯次数相应的也更少。从图中可以观察到，各无人机组分别负责一个子区域的侦察工作，大圆为无源定位雷达的探测范围，小圆为有源定位雷达的探测范围。当无源定位雷达无人机发现目标时，同组两架无人机一同逼近目标；目标进入有源定位雷达探测范围后，有源定位雷达无人机对目标进行100个时刻点的跟踪，无源定位雷达无人机飞回飞离离线航迹时的航迹点等待有源定位雷达无人机飞回，待其飞回后，继续巡航。
本实施例中，无人机完成任务总用时为1333秒。发现各目标时间如下表所示：
表2发现目标时间
| 目标Ti | T1 | T2 | T3 | T4 | T5 | T6 |
| 时间(s) | 336 | 664 | 228 | 661 | 280 | 844 |
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种多无人机多载荷协同侦察方法，其特征在于，所述多无人机多载荷协同侦察方法根据给定的无人机数量、各载荷探测半径以及任务区域进行无人机离线航迹规划；在无人机巡航过程中，若有移动目标进入无人机载荷探测范围，无人机进行在线航迹规划，对目标持续跟踪，跟踪结束，返回原航迹继续巡航；
所述多无人机多载荷协同侦察方法，具体为：
步骤一，执行侦察任务的无人机数量为N，N为偶数，搭载不同载荷无源定位雷达和有源定位雷达的无人机两两一组，分为N/2个组，每组负责一个子任务区域的侦察工作，两架无人机处于同一经纬度位置，但巡航高度不同；其中，无源定位雷达的探测半径为R_passive，有源定位雷达的探测半径为R_active；
步骤二，任务区域预处理，对任务区域进行划分，规划离线航迹；
步骤三，无人机按照离线航迹进行巡航过程中，当发现目标时进行在线航迹规划；
所述步骤二中，任务区域预处理，具体过程为：判断给定的多边形任务区域P是否为凸多边形，若P为凸多边形，则保持不变，若P为凹多边形，则将其转化为凸多边形；其中，多边形任务区域P以顶点坐标按逆时针顺序排列的形式给定，V(P)＝{vk,k＝1,2,...,m}，m表示多边形顶点个数；
判断多边形区域P是否为凸多边形可通过计算每个顶点是否为凸点的方法进行判断；顶点v1、v2、v3的坐标分别为(x1,y1)、(x2,y2)、(x3,y3)，根据以下公式对向量和/>做叉乘：
s＝(x2-x1)(y3-y2)-(x3-x2)(y2-y1)；
当s＞0时，说明v2为凸点，不做处理；当s＜0时，说明v2为凹点，此时对多边形进行处理，去除点v2以及v1v2和v2v3两条边，直接将v1和v3连接并将v1v3作为一条新的边；
所述步骤二中，对任务区域进行划分具体过程为：
首先找出多边形P的“宽度”dw的方向，然后沿着与“宽度”方向垂直的方向利用二分法将其按面积等分为N/2个子区域；
所述“宽度”dw可以根据如下公式计算：
dw＝min{d1,d2,...,dm}；
其中，di(i＝1,2,...,m)表示多边形各个顶点到第i条边距离的最大值，可根据以下公式计算：
其中，表示多边形的顶点vj到第i条边的距离；
所述“宽度”dw确定后，便能得到“宽度”经过的顶点vw以及与“宽度”方向垂直的多边形P的边Ew；可过vw作与Ew垂直的线段，与Ew交于点pF，对线段vwpF使用二分法，计算过二分点与Ew平行的直线切割出的多边形面积Areasub，直到停止二分；如此循环，划分出所有的子区域；其中，AreaP为多边形区域P的面积；
所述步骤二中，规划离线航迹具体过程为：根据给定的每组无人机中侦察范围较大的无源定位雷达的探测半径R_passive采用“Z”型覆盖的方式规划出每组无人机的离线航迹，且航迹线与“宽度”方向垂直；
所述按照与任务区域“宽度”垂直的方向进行区域划分进而规划离线航迹，可以保证无人机进行“Z”型覆盖时的转弯次数最少。
2.如权利要求1所述多无人机多载荷协同侦察方法，其特征在于，所述步骤三中，当发现目标时进行在线航迹规划，具体包括：
同组的两架无人机一同逼近目标，根据无源定位雷达探测到的目标所在的方向在线更新自己下一时刻的航迹点坐标，经过若干个时刻点后，目标将进入有源定位雷达的探测范围内；
有源定位雷达无人机对移动目标进行跟踪，当目标进入有源定位雷达探测范围后，无源定位雷达无人机返回其飞离离线航迹时的航迹点等待有源定位雷达无人机飞回，有源定位雷达无人机利用卡尔曼滤波算法对目标进行L个时刻点的跟踪；跟踪结束后，返回飞离离线航迹时的航迹点，并与同组中另一架无人机保持原本的相对位置关系继续巡航。
3.如权利要求2所述多无人机多载荷协同侦察方法，其特征在于，所述无人机组逼近目标时在线更新航迹点坐标可通过如下方法进行：
当无源定位雷达无人机探测到目标时，虽不能定位出其确切坐标，但可以获得目标所在的方向，无源定位雷达无人机便将自己的下一步航迹点更新为目标所在方向上一个飞行步长可以抵达的位置的坐标，同时将此坐标发送给同组的有源定位雷达无人机令其更新下一步航迹点；如此循环，两架无人机持续逼近目标，直到目标进入有源定位雷达探测范围；
所述有源定位雷达无人机对移动目标进行跟踪可通过如下方法进行：
跟踪算法适用于任务区域中的移动目标均做匀速直线运动的情况，无人机跟踪目标需要不断更新自己的航迹点，航迹点坐标可根据如下的卡尔曼滤波更新方程进行计算：
其中，表示对目标状态的最优估计值，/>为对目标的位置估计值，无人机通过此估计值不断在线更新自己的下一步航迹点，/>为对目标的速度估计值，/>表示k时刻的状态预测结果，Kk表示卡尔曼增益，Zk表示有源定位雷达对目标位置的测量值，H表示测量矩阵；
状态预测结果可根据下式计算：
其中，A表示状态转移矩阵，表示k-1时刻对目标状态的最优估计；
卡尔曼增益Kk可根据下式计算：
其中，表示对应于/>的误差协方差矩阵，R表示测量噪声协方差矩阵；
载荷对目标位置的测量值Zk可根据下式计算：
Zk＝HXk+Vk；
其中，Xk表示目标状态，Vk表示测量噪声；
目标状态Xk的状态转移方程为：
Xk＝AXk-1+Wk-1；
其中，(xk,yk)为目标的位置坐标，/>为目标分别在x和y方向的运动速度，Wk-1表示过程噪声；
误差协方差矩阵可根据下式计算：
其中，Pk-1为k-1时刻更新后的误差协方差矩阵；
误差协方差矩阵Pk可根据下式进行更新：
其中，I为单位矩阵；
对于匀速直线运动目标，状态转移矩阵和测量矩阵分别为：
其中，T为步长时间；
对于卡尔曼滤波过程，只要给定初始估计值通过有源雷达无人机刚发现目标时对目标位置的两次位置测量值和步长时间计算出目标的初始速度估计值，将对目标的位置测量值作为初始位置估计值以及初始误差协方差矩阵P0，根据经验设定，结合载荷对于目标位置的测量值，依次得到以后若干时刻目标状态的最优估计值，从而达到跟踪的效果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277637.1A CN114115331B (zh) | 2021-10-29 | 2021-10-29 | 一种多无人机多载荷协同侦察方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111277637.1A CN114115331B (zh) | 2021-10-29 | 2021-10-29 | 一种多无人机多载荷协同侦察方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114115331A CN114115331A (zh) | 2022-03-01 |
| CN114115331B true CN114115331B (zh) | 2024-04-05 |
Family
ID=80379984
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111277637.1A Active CN114115331B (zh) | 2021-10-29 | 2021-10-29 | 一种多无人机多载荷协同侦察方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114115331B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661204B (zh) * | 2022-11-01 | 2023-11-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
| RU2660498C1 (ru) * | 2017-07-12 | 2018-07-06 | Акционерное общество "Концерн радиостроения "Вега" | Способ трассового сопровождения воздушных маневрирующих источников радиоизлучения по пеленговой информации от однопозиционной системы радиотехнической разведки воздушного базирования |
| CN108536171A (zh) * | 2018-03-21 | 2018-09-14 | 电子科技大学 | 一种多约束下多无人机协同跟踪的路径规划方法 |
| CN111176334A (zh) * | 2020-01-16 | 2020-05-19 | 浙江大学 | 一种多无人机协同目标搜索方法 |
| CN112327927A (zh) * | 2020-11-25 | 2021-02-05 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
| WO2021035608A1 (zh) * | 2019-08-29 | 2021-03-04 | 深圳市大疆创新科技有限公司 | 航线生成方法、地面端设备、无人机、系统和存储介质 |
| AU2020104224A4 (en) * | 2020-10-30 | 2021-03-11 | Guangdong University Of Technology | Indoor Collaborative Path Planning Method and System for Multi-UAVs in High-rise Fire-fighting Tasks |
| CN113359833A (zh) * | 2021-06-22 | 2021-09-07 | 西安爱生技术集团有限公司 | 一种无人机编队协同侦察的任务规划方法 |
-
2021
- 2021-10-29 CN CN202111277637.1A patent/CN114115331B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
| RU2660498C1 (ru) * | 2017-07-12 | 2018-07-06 | Акционерное общество "Концерн радиостроения "Вега" | Способ трассового сопровождения воздушных маневрирующих источников радиоизлучения по пеленговой информации от однопозиционной системы радиотехнической разведки воздушного базирования |
| CN108536171A (zh) * | 2018-03-21 | 2018-09-14 | 电子科技大学 | 一种多约束下多无人机协同跟踪的路径规划方法 |
| WO2021035608A1 (zh) * | 2019-08-29 | 2021-03-04 | 深圳市大疆创新科技有限公司 | 航线生成方法、地面端设备、无人机、系统和存储介质 |
| CN111176334A (zh) * | 2020-01-16 | 2020-05-19 | 浙江大学 | 一种多无人机协同目标搜索方法 |
| AU2020104224A4 (en) * | 2020-10-30 | 2021-03-11 | Guangdong University Of Technology | Indoor Collaborative Path Planning Method and System for Multi-UAVs in High-rise Fire-fighting Tasks |
| CN112327927A (zh) * | 2020-11-25 | 2021-02-05 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
| CN113359833A (zh) * | 2021-06-22 | 2021-09-07 | 西安爱生技术集团有限公司 | 一种无人机编队协同侦察的任务规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种改进的多无人机覆盖航迹规划方法;张小孟;胡永江;李文广;张世华;庞强伟;;兵器装备工程学报(第10期);全文 * |
| 多无人机协同任务策略优化;吴源洪;郭育;支雪峰;;数学的实践与认识(第14期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114115331A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | A Novel Improved Bat Algorithm in UAV Path Planning. | |
| CN106772435B (zh) | 一种无人机避障方法和装置 | |
| CN107168380B (zh) | 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法 | |
| US8620510B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
| Xia et al. | Cooperative task assignment and track planning for multi-UAV attack mobile targets | |
| Chudoba et al. | Exploration and mapping technique suited for visual-features based localization of mavs | |
| CN110908395A (zh) | 改进的无人机航迹实时规划方法 | |
| CN103499974B (zh) | 一种双机协同被动雷达探测路径规划方法 | |
| CN109871031A (zh) | 一种固定翼无人机的轨迹规划方法 | |
| CN107192995A (zh) | 一种多层次信息融合的纯方位水下目标跟踪算法 | |
| CN114115331B (zh) | 一种多无人机多载荷协同侦察方法 | |
| CN113342030B (zh) | 基于强化学习的多无人机协同自组织控制方法及系统 | |
| CN110162077B (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
| CN110032214A (zh) | 基于矢量场的快速Standoff目标跟踪方法 | |
| Lizzio et al. | A review of consensus-based multi-agent UAV implementations | |
| Yan | Positioning of logistics and warehousing automated guided vehicle based on improved LSTM network | |
| Xu et al. | A vision-only relative distance calculation method for multi-UAV systems | |
| Li et al. | Formation tracking and transformation of AUVs based on the improved particle swarm optimization algorithm | |
| Ni et al. | An improved cooperative control method for hybrid unmanned aerial-ground system in multitasks | |
| CN114138003B (zh) | 一种小型固定翼无人机双机协同区域侦察方法 | |
| Morelli et al. | Integrated mapping and path planning for very large-scale robotic (vlsr) systems | |
| Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
| CN111538351B (zh) | 最优航路点计算方法、系统及计算航路点能量值的模型 | |
| Zhao et al. | Cooperative Path Optimization for Multi-UAVs Based on Dynamic Target Positioning and Tracking | |
| CN117590865B (zh) | 一种固定翼无人机跟踪目标运动预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |