CN114543810B - 一种复杂环境下的无人机集群无源定位方法及装置 - Google Patents

一种复杂环境下的无人机集群无源定位方法及装置 Download PDF

Info

Publication number
CN114543810B
CN114543810B CN202210158592.4A CN202210158592A CN114543810B CN 114543810 B CN114543810 B CN 114543810B CN 202210158592 A CN202210158592 A CN 202210158592A CN 114543810 B CN114543810 B CN 114543810B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
target
information
target object
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
Application number
CN202210158592.4A
Other languages
English (en)
Other versions
CN114543810A (zh
Inventor
王伟
周永坤
丁博文
饶彬
王涛
周颖
邹小海
徐峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202210158592.4A priority Critical patent/CN114543810B/zh
Publication of CN114543810A publication Critical patent/CN114543810A/zh
Application granted granted Critical
Publication of CN114543810B publication Critical patent/CN114543810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种复杂环境下的无人机集群无源定位方法及装置，方法包括：根据已侦测到目标对象的目标无人机采集所的定位信息，对目标对象进行粗定位，得到目标对象的粗定位信息；将粗定位信息传递至目标无人机邻域的相邻无人机，并调整相邻无人机的侦测方向，以使得相邻无人机对目标对象进行侦测；根据粗定位信息、目标无人机的自身位置信息以及目标无人机实时获取到的目标方位信息，对目标对象的位置进行修正，得到第一位置信息；将相邻无人机侦测到的目标对象的位置信息与第一位置信息进行加权融合，得到目标对象的最终位置估计结果。本发明提高了在复杂环境下无人机集群的无源定位精确度，可广泛应用于目标定位的技术领域。

Description

一种复杂环境下的无人机集群无源定位方法及装置
技术领域
本发明涉及目标定位的技术领域，尤其是一种复杂环境下的无人机集群无源定位方法及装置。
背景技术
随着电子对抗技术的发展，在复杂的电磁环境下，与主动发射电磁波的有源定位技术相比，无源定位技术只需要接收辐射源的信号并分析，就可以得到辐射源的位置，此类定位方式更具备隐蔽性的优势。通常在无源定位中，需要获取目标辐射源的到达角(Arrival of Angle,AOA)、到达频率差(Frequency Difference of Arrival,FDOA)、到达时间差(Time Difference of Arrival,TDOA)和接收信号强度(Received SignalStrength,RSS)等量测信息。在上述定位方法中，TDOA和FDOA需要保证时间同步，而目标的到达角量测信息获取较为简单，得到了广泛的应用。
同时在战场环境中，由于基站布置耗时耗力，采用灵活机动的无人机平台取代固定基站成为了未来的趋势。在大多数的情况下，单架无人机通常无法完成定位的任务，而多无人机则具备更多优势。通过利用多无人机系统，一方面可以扩大作用范围，完成复杂度更高的任务；同时可以提高系统的抗毁性，当一架无人机或几架无人机遭到损坏后，其他无人机仍然可以继续工作。
在无源定位场景中，无人机通常是充当信息收集的角色，即将接收到的目标量测信息(如到达角)传输到地面的融合中心，然后由融合中心对所有无人机获取的量测信息进行融合处理，进而得到目标的估计位置。但是实际上受到室外条件的约束，可能无法在地面建立融合处理的设备；同时无人机在运动过程中，其侦察天线并不是全部对准目标的，这样就会造成只有少量无人机获取到目标的量测信息，降低系统的定位精度。
发明内容
有鉴于此，本发明实施例提供一种精确度高的，复杂环境下的无人机集群无源定位方法及装置。
本发明的一方面提供了一种复杂环境下的无人机集群无源定位方法，包括：
根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
可选地，所述根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息，包括：
获取各个目标无人机中传感器的测量信息；
将所有传感器的测量信息融合，得到汇合信息；
通过PLE算法对所述汇合信息进行计算，得到所述目标对象的粗定位信息；
其中，所述通过PLE算法对所述汇合信息进行计算的计算公式为：
Figure BDA0003513266330000021
其中，
Figure BDA0003513266330000022
代表所述目标对象的粗定位信息；无人机集群的观测信息矩阵；b代表真实的目标方位信息。
可选地，所述根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息，具体为：
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，通过MLE算法对所述目标对象的位置进行更新。
可选地，所述目标方位信息包括目标方位角测量值；
所述目标方位角测量值的似然函数的表达式为：
Figure BDA0003513266330000023
其中，
Figure BDA0003513266330000024
代表所述目标方位角测量值的似然函数值；/>
Figure BDA0003513266330000025
为所述目标无人机获取到的目标方位角信息的量测值；K为所述目标无人机的数量；/>
Figure BDA0003513266330000026
是目标方位角量测噪声的对角协方差矩阵；θ(t)为t时刻所述目标无人机与所述目标对象之间的夹角；
所述目标对象的位置的更新公式为：
Figure BDA0003513266330000027
其中，pold表示更新前的目标对象的位置；pnew表示更新后的目标对象的位置；α为预设的学习率；
Figure BDA0003513266330000031
和/>
Figure BDA0003513266330000032
为代价函数的导数。
可选地，所述将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果，包括：
根据多元函数求极限理论，计算最小均方误差下各个目标无人机量测值对应的加权系数；
根据所述加权系数计算所述加权融合后得到的误差协方差矩阵；
根据所述误差协方差矩阵，计算所述目标对象的最终位置估计结果。
可选地，其中，所述加权系数的计算公式为：
Figure BDA0003513266330000033
ωk,n代表加权系数；k代表无人机的序号；
Figure BDA0003513266330000034
代表第m架无人机的观测噪声方差；rm代表第m架无人机的通信半径；/>
Figure BDA0003513266330000035
代表第k架无人机的观测噪声方差；rk代表第k架无人机的通信半径；K代表无人机的数量；
其中，所述误差协方差矩阵的计算公式为：
Figure BDA0003513266330000036
Rk代表观测误差的协方差矩阵；
Figure BDA0003513266330000037
代表第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；
其中，所述目标对象的最终位置估计结果的计算公式为：
Figure BDA0003513266330000038
Figure BDA0003513266330000039
代表所述目标对象的最终位置估计结果；Rk代表观测误差的协方差矩阵；第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；zk,n代表第n架无人机观测的目标位置信息。
可选地，所述方法还包括构建测量模型的步骤，该步骤具体包括：
配置目标无人机在预设空间中的位置向量和坐标信息；
根据所述位置向量和所述坐标信息，构建目标无人机的位置矩阵；
根据所述目标无人机的位置矩阵以及辐射源的预设位置，计算所述目标无人机与所述辐射源之间的夹角；
根据所述夹角，获取每个目标无人机测量得到的观测值和观测噪声；
根据所述观测值和所述观测噪声，计算目标对象的预测坐标信息。
本发明实施例的另一方面还提供了一种复杂环境下的无人机集群无源定位装置，包括：
第一模块，用于根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
第二模块，用于将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
第三模块，用于根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
第四模块，用于将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
本发明的实施例根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。本发明提高了在复杂环境下无人机集群的无源定位精确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本发明实施例提供的整体步骤流程图；
图2为本发明实施例提供的无人机集群无源定位的建模示意图；
图3为本发明实施例提供的无人机集群无源定位场景图；
图4为本发明实施例提供的基于邻域信息融合的无人机集群无源定位算法流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
针对现有技术存在的问题，本发明提出一种基于邻域信息的无人机集群无源定位方法，通过对每架无人机的邻域信息进行加权融合，在空中即可完成对目标位置的估计。
如图1所示，本发明实施例的一方面提供了一种复杂环境下的无人机集群无源定位方法，包括：
根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
可选地，所述根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息，包括：
获取各个目标无人机中传感器的测量信息；
将所有传感器的测量信息融合，得到汇合信息；
通过PLE算法对所述汇合信息进行计算，得到所述目标对象的粗定位信息；
其中，所述通过PLE算法对所述汇合信息进行计算的计算公式为：
Figure BDA0003513266330000051
其中，
Figure BDA0003513266330000052
代表所述目标对象的粗定位信息；A代表无人机集群的观测信息矩阵；b代表真实的目标方位信息。
可选地，所述根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息，具体为：
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，通过MLE算法对所述目标对象的位置进行更新。
可选地，所述目标方位信息包括目标方位角测量值；
所述目标方位角测量值的似然函数的表达式为：
Figure BDA0003513266330000061
其中，
Figure BDA0003513266330000062
代表所述目标方位角测量值的似然函数值；/>
Figure BDA0003513266330000063
为所述目标无人机获取到的目标方位角信息的量测值；K为所述目标无人机的数量；/>
Figure BDA0003513266330000064
是目标方位角量测噪声的对角协方差矩阵；θ(t)为t时刻所述目标无人机与所述目标对象之间的夹角；
所述目标对象的位置的更新公式为：
Figure BDA0003513266330000065
其中，pold表示更新前的目标对象的位置；pnew表示更新后的目标对象的位置；α为预设的学习率；
Figure BDA0003513266330000066
和/>
Figure BDA0003513266330000067
为代价函数的导数。
可选地，所述将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果，包括：
根据多元函数求极限理论，计算最小均方误差下各个目标无人机量测值对应的加权系数；
根据所述加权系数计算所述加权融合后得到的误差协方差矩阵；
根据所述误差协方差矩阵，计算所述目标对象的最终位置估计结果。
可选地，其中，所述加权系数的计算公式为：
Figure BDA0003513266330000068
ωk,n代表加权系数；k代表无人机的序号；
Figure BDA0003513266330000069
代表第m架无人机的观测噪声方差；rm代表第m架无人机的通信半径；/>
Figure BDA00035132663300000610
代表第k架无人机的观测噪声方差；rk代表第k架无人机的通信半径；K代表无人机的数量；
其中，所述误差协方差矩阵的计算公式为：
Figure BDA00035132663300000611
Rk代表观测误差的协方差矩阵；
Figure BDA0003513266330000071
代表第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；
其中，所述目标对象的最终位置估计结果的计算公式为：
Figure BDA0003513266330000072
Figure BDA0003513266330000073
代表所述目标对象的最终位置估计结果；Rk代表观测误差的协方差矩阵；第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；zk,n代表第n架无人机观测的目标位置信息。
可选地，所述方法还包括构建测量模型的步骤，该步骤具体包括：
配置目标无人机在预设空间中的位置向量和坐标信息；
根据所述位置向量和所述坐标信息，构建目标无人机的位置矩阵；
根据所述目标无人机的位置矩阵以及辐射源的预设位置，计算所述目标无人机与所述辐射源之间的夹角；
根据所述夹角，获取每个目标无人机测量得到的观测值和观测噪声；
根据所述观测值和所述观测噪声，计算目标对象的预测坐标信息。
本发明实施例的另一方面还提供了一种复杂环境下的无人机集群无源定位装置，包括：
第一模块，用于根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
第二模块，用于将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
第三模块，用于根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
第四模块，用于将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
下面结合说明书附图，进一步详细描述本发明的具体实现过程：
本发明提出的方法实现的过程如下：首先利用少量侦测到目标的无人机，采用伪线性随机估计(Pseudolinear Estimation,PLE)算法对目标进行粗定位；然后通过短程通信的方式，将粗估计的目标位置信息传递给邻域的无人机，同时调整侦察方向到目标的粗估计方法；接着每架无人机通过利用目标粗定位位置、自身位置、当前时刻获取的目标方位等信息，采用最大似然估计(Maximum Likelihood Estimator,MLE)算法对目标位置进行初步修正；最后每架无人机对其通信范围内邻域无人机的目标位置信息进行加权融合，得到目标位置的精确估计结果。
首先，本实施例可以构建一个测量模型，来对无人机的侦察过程进行模拟，并能够计算采用本发明的方法带来的显著效果。
参照图2，无人机的位置矩阵可以表示为：
U＝[u1，u2，...，un]T，uk＝[xk，yk]T，k＝1，2，...，n
其中，ui表示每架无人机的位置向量，xk和yk代表无人机具体的坐标信息；k表示无人机的序号。
辐射源的位置为p＝[x,y]T，无人机与辐射源所成的夹角为θk，其计算公式为：
Figure BDA0003513266330000081
其中，rk为传感器与目标之间的距离。
rk＝||p-sk||
p表示辐射源目标的位置；sk表示第k架无人机的位置信息。
假设方位测量收到独立且同分布的高斯噪声的影响，第k次的测量可以建模为：
Figure BDA0003513266330000082
其中，
Figure BDA0003513266330000083
为第k次测量获得的观测值，nk则为零均值加性高斯白噪声。
从K架无人机得到的单次测量向量为：
Figure BDA0003513266330000084
其中，
Figure BDA0003513266330000085
为量测信息，θ＝[θ1,θ2,...,θK]T表示真实的方位向量，n＝[n1,n2,...,nK]T表示观测的噪声。
通过辐射源目标方位的观测值，可以进一步得到预测的x和y的值。
通过上述测量模型，本发明实施例的量测数据加权融合过程如下：
图3为无人机集群无源定位场景图，无人机均匀分布在二维平面上。利用多个无人机对同一目标进行测量，由于无人机携带的传感器之间存在物理属性差异，导致各无人机之间存在测量精度差异，直接对得到的无人机量测数据进行等权平均，将导致结果的不准确性，为此考虑使用无人机精度对量测数据进行处理，从而得到更加准确的量测值。
首先考虑两个不同的无人机在k时刻对同一目标进行测量，量测值分别为：
zk，1＝xk+vk，1，zk，2＝xk+vk，2
其中，zk，1表示第1架无人机获得的目标量测值；zk，1表示第2架无人机获取的目标量测值；k表示时间参数，xk表示目标真实值，vk，1和vk，2表示随机误差，且随机误差满足
Figure BDA0003513266330000091
两个无人机获取的量测值相互独立。假定xk的估计值
Figure BDA0003513266330000092
与量测值zk，1和zk，2成线性关系，由于估计值/>
Figure BDA0003513266330000093
是xk的无偏估计，则有
Figure BDA0003513266330000094
ωk，1和ωk，2表示各无人机量测值的权重。此时估计误差
Figure BDA0003513266330000095
为
Figure BDA0003513266330000096
使用代价函数J表示
Figure BDA0003513266330000097
的均方根误差，则有
Figure BDA0003513266330000098
E()表示求解数学期望的表达式；
因为
Figure BDA0003513266330000099
是xk的无偏估计，所以可得到
Figure BDA00035132663300000910
由于E(vk，1)＝E(vk，2)＝0，
Figure BDA00035132663300000911
则可以得到
ωk，2＝I-ωk，1
其中，I为适维单位矩阵。代价函数J可改写为
J＝E[(ωk，1)2(vk，1)2+(I-ωk，1)2(vk，2)2+2(ωk，1)(I-ωk，1)(vk，1)(vk，2)]
由于
Figure BDA00035132663300000912
并且vk，1和vk，2之间相互独立，可得
Figure BDA00035132663300000913
Figure BDA00035132663300000914
E[(vk,i)(vk,2)]＝o
则有：
Figure BDA0003513266330000101
为求得最小的代价函数J，令Ω＝(ωk,1,ωk,2)，对Ω进行求导
Figure BDA0003513266330000102
解出最优权值
Figure BDA0003513266330000103
最终，得到最优估计值为
Figure BDA0003513266330000104
融合后的误差协方差矩阵为
Figure BDA0003513266330000105
下面结合说明书附图，对本发明的无人机集群无源定位方法的具体应用过程进行详细描述：
本发明实施例基于邻域信息融合的无人机集群无源定位算法流程图如图4所示，首先对系统参数进行初始化，无人机个体均匀分布在二维平面上，且侦察方向随机；假设初始时刻，只有少量无人机侦测到目标的方位信息，则该部分无人机利用PLE算法，对目标进行粗略定位。然后通过短程通信的方式，将目标位置粗定位信息传递到邻域通信半径范围内的无人机。邻域无人机在接收到目标位置粗定位信息后，调整其侦察方向，继续执行侦察任务。
由于已知无人机的位置信息、目标的粗估计位置信息，此时可以利用接收到的目标方位信息，利用MLE算法对目标估计位置进行更新。
无人机获取到的目标方位角测量值的似然函数可以表示为：
Figure BDA0003513266330000106
其中
Figure BDA0003513266330000107
是目标方位角量测噪声的对角协方差矩阵，K为无人机的数量，/>
Figure BDA0003513266330000111
为无人机获取到的目标方位角信息的量测值，θ(t)为t时刻无人机与目标之间的夹角。目标位置估计值就是似然函数/>
Figure BDA0003513266330000112
最大化获得的最大似然值。最大似然函数问题也可以改写为使得代价函数f(t)最小的形式：
Figure BDA0003513266330000113
目标估计位置的迭代公式可以表示为：
Figure BDA0003513266330000114
其中pold和pnew分别表示更新前后的目标位置，α为算法中设定的学习率，
Figure BDA0003513266330000115
和
Figure BDA0003513266330000116
为代价函数的导数。
最后每架无人机将自己侦测到的目标位置信息与邻域通信范围内的其他无人机信息进行加权融合，在每次融合的过程中，系统的置信度步进增加，当置信度值达到系统设定的阈值后，实现目标位置估计结果的上报。
由之前量测数据加权融合的过程分析可知，假设邻域通信范围内的无人机数量为N架，相对应的量测集合和量测噪声矩阵分别为{zk,n}和{vk,n},n＝1,2,...,N，{vk,n}表示高斯白噪声，满足
Figure BDA0003513266330000117
且噪声各不相关。根据多元函数求极限理论，可以求得最小均方误差下各无人机量测值对应的加权系数
Figure BDA0003513266330000118
融合后的误差协方差矩阵为
Figure BDA0003513266330000119
可以得到融合后的目标估计位置为
Figure BDA00035132663300001110
综上所述，为了解决复杂电磁环境下无人机集群无源定位的问题，本发明首先对无人机集群无源定位的场景进行了建模，然后提出了一种基于邻域信息融合的无源定位方法，提高了对目标辐射源的定位精度，与原始方案相比：
(a)不需要地面融合中心进行数据处理
该发明提出的方法将可以在空中完成对目标位置的估计，通过对邻域通信范围内的无人机信息进行融合加权，提高了系统定位的精度。
(b)提高了系统的抗毁性能
由于每架无人机都是独立获取其邻域通信范围内的信息进行融合，当侦察信息的置信度达到设定的阈值后，均可实现目标位置估计结果的上报。即便单架或少量无人机受到损坏，其他无人机仍然可以继续执行定位任务。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种复杂环境下的无人机集群无源定位方法，其特征在于，包括：
根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果；
所述将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果，包括：
根据多元函数求极限理论，计算最小均方误差下各个目标无人机量测值对应的加权系数；
根据所述加权系数计算所述加权融合后得到的误差协方差矩阵；
根据所述误差协方差矩阵，计算所述目标对象的最终位置估计结果；
其中，所述加权系数的计算公式为：
Figure FDA0004176165730000011
ωk,n代表加权系数；k和n代表无人机的序号；
Figure FDA0004176165730000012
代表第n架无人机的观测噪声方差；rk代表第k架无人机的通信半径；N代表无人机的总数量；
其中，所述误差协方差矩阵的计算公式为：
Figure FDA0004176165730000013
Rk代表观测误差的协方差矩阵；
Figure FDA0004176165730000014
代表第n架无人机的观测噪声方差；rn代表第n架无人机的通信半径；
其中，所述目标对象的最终位置估计结果的计算公式为：
Figure FDA0004176165730000015
Figure FDA0004176165730000016
代表所述目标对象的最终位置估计结果；Rk代表观测误差的协方差矩阵；rn代表第n架无人机的通信半径；zk,n代表第n架无人机观测的目标位置信息。
2.根据权利要求1所述的一种复杂环境下的无人机集群无源定位方法，其特征在于，所述根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息，包括：
获取各个目标无人机中传感器的测量信息；
将所有传感器的测量信息融合，得到汇合信息；
通过PLE算法对所述汇合信息进行计算，得到所述目标对象的粗定位信息；
其中，所述通过PLE算法对所述汇合信息进行计算的计算公式为：
Figure FDA0004176165730000021
/>
其中，
Figure FDA0004176165730000022
代表所述目标对象的粗定位信息；A代表无人机集群的观测信息矩阵；b代表真实的目标方位信息。
3.根据权利要求1所述的一种复杂环境下的无人机集群无源定位方法，其特征在于，所述根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息，具体为：
根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，通过MLE算法对所述目标对象的位置进行更新。
4.根据权利要求3所述的一种复杂环境下的无人机集群无源定位方法，其特征在于，
所述目标方位信息包括目标方位角测量值；
所述目标方位角测量值的似然函数的表达式为：
Figure FDA0004176165730000023
其中，
Figure FDA0004176165730000024
代表所述目标方位角测量值的似然函数值；/>
Figure FDA0004176165730000025
为所述目标无人机获取到的目标方位角信息的量测值；K为所述目标无人机的数量；/>
Figure FDA0004176165730000026
是目标方位角量测噪声的对角协方差矩阵；θ(t)为t时刻所述目标无人机与所述目标对象之间的夹角；
所述目标对象的位置的更新公式为：
Figure FDA0004176165730000031
其中，pold表示更新前的目标对象的位置；pnew表示更新后的目标对象的位置；α为预设的学习率；
Figure FDA0004176165730000032
和/>
Figure FDA0004176165730000033
为代价函数的导数。
5.根据权利要求1-4任一项所述的一种复杂环境下的无人机集群无源定位方法，其特征在于，所述方法还包括构建测量模型的步骤，该步骤具体包括：
配置目标无人机在预设空间中的位置向量和坐标信息；
根据所述位置向量和所述坐标信息，构建目标无人机的位置矩阵；
根据所述目标无人机的位置矩阵以及辐射源的预设位置，计算所述目标无人机与所述辐射源之间的夹角；
根据所述夹角，获取每个目标无人机测量得到的观测值和观测噪声；
根据所述观测值和所述观测噪声，计算目标对象的预测坐标信息。
6.一种应用如权利要求1所述的复杂环境下的无人机集群无源定位方法的装置，其特征在于，包括：
第一模块，用于根据已侦测到目标对象的目标无人机采集所的定位信息，对所述目标对象进行粗定位，得到所述目标对象的粗定位信息；
第二模块，用于将所述粗定位信息传递至所述目标无人机邻域的相邻无人机，并调整所述相邻无人机的侦测方向，以使得所述相邻无人机对所述目标对象进行侦测；
第三模块，用于根据所述粗定位信息、所述目标无人机的自身位置信息以及所述目标无人机实时获取到的目标方位信息，对所述目标对象的位置进行修正，得到第一位置信息；
第四模块，用于将所述相邻无人机侦测到的目标对象的位置信息与所述第一位置信息进行加权融合，得到所述目标对象的最终位置估计结果。
7.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至5中任一项所述的方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至5中任一项所述的方法。
CN202210158592.4A 2022-02-21 2022-02-21 一种复杂环境下的无人机集群无源定位方法及装置 Active CN114543810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210158592.4A CN114543810B (zh) 2022-02-21 2022-02-21 一种复杂环境下的无人机集群无源定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210158592.4A CN114543810B (zh) 2022-02-21 2022-02-21 一种复杂环境下的无人机集群无源定位方法及装置

Publications (2)

Publication Number Publication Date
CN114543810A CN114543810A (zh) 2022-05-27
CN114543810B true CN114543810B (zh) 2023-06-13

Family

ID=81678180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210158592.4A Active CN114543810B (zh) 2022-02-21 2022-02-21 一种复杂环境下的无人机集群无源定位方法及装置

Country Status (1)

Country Link
CN (1) CN114543810B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115755988B (zh) * 2023-01-10 2023-04-11 广东工业大学 一种无人机集群的纯方位无源定位方法、系统及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833949A (zh) * 2015-05-11 2015-08-12 西北工业大学 一种基于改进距离参数化的多无人机协同无源定位方法
CN105740203A (zh) * 2016-03-23 2016-07-06 中国电子科技集团公司第十研究所 多传感器无源协同测向定位方法
CN111766560A (zh) * 2020-06-29 2020-10-13 南京航空航天大学 一种基于无人机移动监测的多信源高精度直接定位方法
CN112346104A (zh) * 2020-09-11 2021-02-09 中国人民解放军国防科技大学 一种无人机信息融合定位方法
WO2021048500A1 (fr) * 2019-09-12 2021-03-18 Dronisos Procédé et système de positionnement automatique de drones en essaim
CN113076634A (zh) * 2021-03-24 2021-07-06 哈尔滨工业大学 一种多机协同无源定位方法、装置及系统
CN113411881A (zh) * 2021-05-28 2021-09-17 海南大学 Rss无人机集群分布式定位方法
CN113514052A (zh) * 2021-06-10 2021-10-19 西安因诺航空科技有限公司 一种多机协同高精度有源目标定位方法及系统
CN113821049A (zh) * 2021-08-25 2021-12-21 中山大学 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置
CN113840230A (zh) * 2021-09-13 2021-12-24 清华大学 无人集群协同定位方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110546459A (zh) * 2017-02-08 2019-12-06 马凯特大学 具有数据融合的机器人跟踪导航

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833949A (zh) * 2015-05-11 2015-08-12 西北工业大学 一种基于改进距离参数化的多无人机协同无源定位方法
CN105740203A (zh) * 2016-03-23 2016-07-06 中国电子科技集团公司第十研究所 多传感器无源协同测向定位方法
WO2021048500A1 (fr) * 2019-09-12 2021-03-18 Dronisos Procédé et système de positionnement automatique de drones en essaim
CN111766560A (zh) * 2020-06-29 2020-10-13 南京航空航天大学 一种基于无人机移动监测的多信源高精度直接定位方法
CN112346104A (zh) * 2020-09-11 2021-02-09 中国人民解放军国防科技大学 一种无人机信息融合定位方法
CN113076634A (zh) * 2021-03-24 2021-07-06 哈尔滨工业大学 一种多机协同无源定位方法、装置及系统
CN113411881A (zh) * 2021-05-28 2021-09-17 海南大学 Rss无人机集群分布式定位方法
CN113514052A (zh) * 2021-06-10 2021-10-19 西安因诺航空科技有限公司 一种多机协同高精度有源目标定位方法及系统
CN113821049A (zh) * 2021-08-25 2021-12-21 中山大学 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置
CN113840230A (zh) * 2021-09-13 2021-12-24 清华大学 无人集群协同定位方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIDAR-inertial integration for UAV localization and mapping in complex environments;Roberto Opromolla等;《2016 International Conference on Unmanned Aircraft Systems (ICUAS)》;第649-656页 *
基于多无人机协同网络的多运动目标监测;赵成伟等;《广播电视信息》;第28卷(第7期);第89-93页 *
无人机集群单机定位技术研究;刘森等;《电子质量》(第11期);第52-55页 *

Also Published As

Publication number Publication date
CN114543810A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CA3080184C (en) Deployment of trained neural network based rss fingerprint dataset
CN106646338B (zh) 一种快速精确的室内定位方法
CA3076139C (en) Neural network- instantiated lightweight calibration of rss fingerprint dataset
CA3049070C (en) Neural network training for mobile device rss fingerprint-based indoor navigation
EP3403116B1 (en) Method for calibrating a local positioning system based on time-difference-of-arrival measurements
CN106454747B (zh) 手机终端的无线定位方法
CA3077683C (en) Crowd-sourced training of a neural network for rss fingerprinting
WO2012004420A1 (en) Methods and systems for adapting object locating
CA3078072C (en) Maintaining a trained neural network for mobile device rss fingerprint based indoor navigation
CN114543810B (zh) 一种复杂环境下的无人机集群无源定位方法及装置
CN113518307A (zh) 基于csi与众包迁移自校准更新的位置指纹定位方法
Koledoye et al. Improved MDS-based localization with non-line-of-sight RF links
CN108712725B (zh) 一种基于啮齿类动物模型与wifi指纹的slam方法
KR102248758B1 (ko) 무선 센서 네트워크에서 Approximated Weighted Least Square (WLS)를 사용한 RSS/AOA 측정치 혼합 표적 위치 추정 기법
KR20190122423A (ko) 머신러닝 기반의 실내 측위 방법 및 시스템
CN109769206B (zh) 一种室内定位融合方法、装置、存储介质及终端设备
CN113344954A (zh) 边界检测方法、装置、计算机设备、存储介质和传感器
Blueml et al. Bias compensated uwb anchor initialization using information-theoretic supported triangulation points
CN112344966B (zh) 一种定位失效检测方法、装置、存储介质及电子设备
US11408964B2 (en) Location estimating apparatus, location estimating method and program storing recording medium, and location estimating system
Zhou et al. NLOS error mitigation in mobile location based on modified extended Kalman filter
AlSharif et al. Robust 2d indoor positioning algorithm in the presence of non-line-of-sight signals
CN117804448B (zh) 一种自主系统定位方法、装置、计算机设备及存储介质
CN114608560B (zh) 一种基于智能终端传感器的无源组合室内定位系统及方法
CN113055897B (zh) 一种基站天线弱覆盖区域定位方法、系统及存储介质

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