CN114777767A - 基于无人机定位预测方法、装置和无人机 - Google Patents

基于无人机定位预测方法、装置和无人机 Download PDF

Info

Publication number
CN114777767A
CN114777767A CN202210073980.2A CN202210073980A CN114777767A CN 114777767 A CN114777767 A CN 114777767A CN 202210073980 A CN202210073980 A CN 202210073980A CN 114777767 A CN114777767 A CN 114777767A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
target
state estimation
positioning
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.)
Pending
Application number
CN202210073980.2A
Other languages
English (en)
Inventor
邓中亮
刘延旭
胡恩文
殷嘉徽
綦航
袁华宇
苏文举
赵建民
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210073980.2A priority Critical patent/CN114777767A/zh
Publication of CN114777767A publication Critical patent/CN114777767A/zh
Pending legal-status Critical Current

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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Navigation (AREA)

Abstract

本申请提供基于无人机定位预测方法、装置和无人机，方法包括：根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定目标无人机在预测时刻的本地定位状态估计数据；基于预设的逆协方差交叉方法，根据目标无人机当前与无人机集群内其他无人机之间的相对观测量，获取目标无人机在预测时刻的相对定位状态估计数据；基于预设的序贯方法，对目标无人机的本地定位状态估计数据和相对定位状态估计数据进行数据融合，以得到无人机在预测时刻的目标定位状态预测结果。本申请提高复杂环境中无人机集群的定位精度，并实现无人机节点内观测和无人机节点间协同观测信息的优化定位，进而能够有效提高无人机集群整体定位精度。

Description

基于无人机定位预测方法、装置和无人机
技术领域
本申请涉及无人机定位技术领域，尤其涉及基于无人机定位预测方法、装置和无人 机。
背景技术
无人机集群具有工作范围大、可靠性高、可同时执行多重任务、整体效率高等优点， 可用于灾害勘测和救援等领域。无人机集群技术，即多架无人机为适应任务要求而进行 的某种队形排列和任务分配的组织模式，它既包括集群飞行的队形产生、保持和变化，也包括集群飞行任务的规划和组织，是未来无人机飞行技术发展的一个重要趋势。
在复杂动态环境下，集群内部分无人机由于卫星导航信号被遮挡导致定位精度变差， 无法支撑为可靠飞行提供定位导航信息。而现有的多重优化方法及混沌自适应麻雀搜索 算法CASSA优化方法也无法解决复杂环境中部分无人机的定位精度低的问题。
也就是说，现有的无人机定位预测方式存在的复杂环境中部分无人机的定位精度低 进而导致无人机集群整体定位精度低等问题。
发明内容
鉴于此，本申请实施例提供了基于无人机定位预测方法、装置和无人机，以消除或改善现有技术中存在的一个或更多个缺陷。
本申请的一个方面提供了一种无人机定位预测方法，包括：
根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目 标无人机在预测时刻的本地定位状态估计数据；
基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他 无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数 据；
基于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对定位状态 估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预测结果。
在本申请的一些实施例中，在所述根据无人机集群内设有多源传感器组的目标无人 机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据之前，还包括：
根据无人机集群内的目标无人机分别与北斗卫星之间钟差、在ECEF坐标系下的三维位置、三维速度及三维加速度，确定该目标无人机的状态数据；
根据所述目标无人机的状态数据构建该目标无人机的离散系统模型，并基于所述目 标无人机当前的IMU观测量；
当所述离散系统模型为非线性时，根据所述目标无人机的北斗观测模型确定该目标 无人机当前的本地观测量。
在本申请的一些实施例中，所述根据无人机集群内设有多源传感器组的目标无人机 当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据，包括：
根据所述目标无人机当前的本地观测量对所述目标无人机进行局部定位状态估计， 以得到所述目标无人机在预测时刻的本地定位状态估计数据；其中，所述本地定位状态 估计数据包括局部状态估计值和对应的估计误差的协方差矩阵。
在本申请的一些实施例中，还包括：
基于预设的极大极小鲁棒估计原理与无偏线性最小方差准则，采用鲁棒时变滤波器 对所述本地定位状态估计数据进行滤波；
根据滤波后的所述本地定位状态估计数据对所述目标无人机进行位置状态更新。
在本申请的一些实施例中，在所述基于预设的逆协方差交叉方法，根据所述目标无 人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所 述预测时刻的相对定位状态估计数据之前，还包括：
若所述目标无人机与所述无人机集群内的其他无人机之间存在相对观测量，则根据 所述目标无人机和其他无人机之间的UWB相对距离观测模型确定所述目标无人机与其他无人机之间的相对观测量。
在本申请的一些实施例中，所述基于预设的逆协方差交叉方法，根据所述目标无人 机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述 预测时刻的相对定位状态估计数据，包括：
基于逆协方差交叉方法，根据所述相对观测量构造所述目标无人机与其他无人机的 联合状态，以得到所述目标无人机在所述预测时刻的相对定位状态估计数据，其中，所述相对定位状态估计数据包括局部状态估计值和对应的估计误差的协方差矩阵；
根据所述相对定位状态估计数据对所述目标无人机进行位置状态更新。
本申请的另一个方面提供了一种无人机定位预测装置，包括：
局部定位状态估计模块，用于根据无人机集群内设有多源传感器组的目标无人机当 前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据；
相对定位状态估计模块，用于基于预设的逆协方差交叉方法，根据所述目标无人机 当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预 测时刻的相对定位状态估计数据；
数据融合模块，用于基于预设的序贯方法，对所述目标无人机的本地定位状态估计 数据和相对定位状态估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标 定位状态预测结果。
本申请的另一个方面提供了一种无人机，该无人机内部设有多源传感器组；
且所述多源传感器组与无人机定位预测装置之间通信连接，所述无人机定位预测装 置用于执行所述的无人机定位预测方法。
本申请的另一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上 并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的无人 机定位预测方法。
本申请的另一个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该 计算机程序被处理器执行时实现所述的无人机定位预测方法。
本申请的基于无人机定位预测方法，根据无人机集群内设有多源传感器组的目标无 人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据；基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据；基 于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对定位状态估计数 据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预测结果，通过逆 协方差交叉ICI优化定位方法，提高复杂环境中无人机集群的定位精度，优化无人机集 群整体定位精度；引入序贯方法，实现了节点内观测和节点间协同观测信息的优化定位， 提高无人机集群定位精度。
本申请的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本申请的实践而获知。本申请的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本申请实现的目的和优点不限于以上具体所 述，并且根据以下详细说明将更清楚地理解本申请能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，并不构 成对本申请的限定。附图中的部件不是成比例绘制的，而只是为了示出本申请的原理。为了便于示出和描述本申请的一些部分，附图中对应部分可能被放大，即，相对于依据 本申请实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本申请一实施例中的基于无人机定位预测方法的总流程示意图。
图2为本申请一实施例中的基于无人机定位预测方法的具体流程示意图。
图3为本申请另一实施例中的无人机定位预测装置的结构示意图。
图4为本申请应用实例提供的基于无人机定位预测方法的流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本申请做进一步详细说明。在此，本申请的示意性实施方式及其说明用于解释本申请， 但并不作为对本申请的限定。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本申请，在附图中仅仅示出了与根据本申请的方案密切相关的结构和/或处理步骤，而省略了与本申请关系不大的其他细节。
应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。
在下文中，将参考附图描述本申请的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
无人机定位预测方式之一可以考虑采用多重优化方法，对基准无人机之间、待定位 无人机和基准无人机之间的归一化距离测量值进行优化，同时优化待定位无人机的距离 归一化单位。然而该方式的计算量大，耗时，对数据量要求大，基准无人机数量多少会影响定位精度。
无人机定位预测方式之二可以考虑采用混沌自适应麻雀搜索算法CASSA优化方法， 选择出几何精度因子(GDOP)最优的构型组合方式，无人机与该最优构型进行协同信息交互。然而改进的麻雀搜索算法依然具有容易陷入局部最优解，影响定位精度。
基于此，为了解决现有的无人机定位预测方式存在的复杂环境中部分无人机的定位 精度低进而导致无人机集群整体定位精度低的问题，本申请分别提供一种基于无人机定 位预测方法、用于执行该基于无人机定位预测方法的基于无人机定位预测装置、与该基于无人机定位预测装置之间通信连接的无人机、作为基于无人机定位预测装置的实体的电子设备以及存储介质，其中的基于无人机定位预测方法根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据；基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集 群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状 态估计数据；基于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对 定位状态估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预 测结果，通过逆协方差交叉ICI优化定位方法，提高复杂环境中无人机集群的定位精度， 优化无人机集群整体定位精度；引入序贯方法，实现了节点内观测和节点间协同观测信 息的优化定位，提高无人机集群定位精度。
在本申请的一个或多个实施例中，所述无人机即是指无人机集群中的无人机节点， 目标无人机是指当前进行无人机定位预测的无人机节点，在本申请后续实施例中也体现 为节点i或无人机i，其他无人机是指在无人机集群中除了目标节点之外的任意数量的无人机节点，在本申请后续实施例中也体现为节点j或无人机j。且本申请实施例中提 及的无人机均是指内部搭载有多源传感器组的无人机平台，其中的多源传感器组至少包 含有北斗接收机、IMU、磁力计、UWB等传感器。
在本申请的一个或多个实施例中，IMU是指惯性测量单元或者惯性传感器，UWB(Ultra Wide Band)是指超宽带无线通信传感器。
基于上述内容，本申请还提供一种用于实现本申请一个或多个实施例中提供的基于无人机定位预测方法的无人机定位预测装置，该无人机定位预测装置可以为一服务器，该基于无人机定位预测装置可以自行或通过第三方服务器等与无人机节点及控制站等 之间通信连接，以根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量， 确定所述目标无人机在预测时刻的本地定位状态估计数据；基于预设的逆协方差交叉方 法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取 所述目标无人机在所述预测时刻的相对定位状态估计数据；基于预设的序贯方法，对所 述目标无人机的本地定位状态估计数据和相对定位状态估计数据进行数据融合，以得到 所述无人机在所述预测时刻的目标定位状态预测结果。
在一种具体使用场景中，所述无人机定位预测装置还可以设置在目标无人机本地， 也即，所述无人机定位预测装置与所述目标无人机的多源传感器组在该目标无人机的本 地通信连接，以获取所需数据。
另外，所述无人机定位预测装置进行基于无人机定位预测的部分可以在如上述内容的服务器中执行，而在另一种实际应用情形中，也可以所有的操作都在客户端设备中 完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。 本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可 以包括处理器，用于基于无人机定位预测的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服 务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有 通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可 以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备端之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、 UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上 述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST 协议(Representational State Transfer，表述性状态转移协议)等。
具体通过下述各个实施例及应用实例分别进行详细说明。
为了解决现有的无人机定位预测方式存在的复杂环境中部分无人机的定位精度低 进而导致无人机集群整体定位精度低等问题，本申请提供一种基于无人机定位预测方法 的实施例，参见图1，基于所述无人机定位预测装置执行的所述基于无人机定位预测方法具体包含有如下内容：
步骤100：根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据。
可以理解的是，所述本地定位状态估计数据是指无人机节点i局部定位状态估计
Figure BDA0003483164410000071
步骤200：基于预设的逆协方差交叉ICI方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据。
可以理解的是，所述相对定位状态估计数据是指无人机节点i的局部与相对定位状 态估计
Figure BDA0003483164410000072
步骤300：基于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对定位状态估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预测结果。
从上述描述可知，本申请实施例提供的基于无人机定位预测方法，基于集群协同观 测的逆协方差交叉ICI优化定位方法，引入序贯方法，实现了节点内观测和节点间协同观测信息的优化定位。
为了进一步提高复杂环境中部分无人机的定位精度，在本申请提供的一种基于无人 机定位预测方法的实施例中，参见图2，所述基于无人机定位预测方法的步骤100之前还具体包含有如下内容：
步骤010：根据无人机集群内的目标无人机分别与北斗卫星之间钟差、在ECEF坐标系下的三维位置、三维速度及三维加速度，确定该目标无人机的状态数据。
具体来说，无人机i的状态为
Figure BDA0003483164410000073
其中δtk表示无人机i与北斗卫星之间钟差，
Figure BDA0003483164410000074
为地心地固坐标系 (Earth-CenteredEarth-Fixed，ECEF)下无人机i的三维位置，
Figure BDA0003483164410000075
为ECEF坐 标系下三维速度，
Figure BDA0003483164410000076
为ECEF坐标系下三维加速度。
步骤020：根据所述目标无人机的状态数据构建该目标无人机的离散系统模型，并基于所述目标无人机当前的IMU观测量。
步骤030：当所述离散系统模型为非线性时，根据所述目标无人机的北斗观测模型确定该目标无人机当前的本地观测量。
为了进一步提高复杂环境中部分无人机的定位精度，在本申请提供的基于无人机定 位预测方法的一个实施例中，参见图2，所述基于无人机定位预测方法的步骤100具体包含有如下内容：
步骤110：根据所述目标无人机当前的本地观测量对所述目标无人机进行局部定位 状态估计，以得到所述目标无人机在预测时刻的本地定位状态估计数据；其中，所述本地定位状态估计数据包括局部状态估计值和对应的估计误差的协方差矩阵。
具体来说，当无人机i在融合状态更新时刻k时，需要首先计算局部状态估计值
Figure BDA0003483164410000081
和对应的估计误差的协方差矩阵
Figure BDA0003483164410000082
为了进一步提高复杂环境中部分无人机的定位精度，在本申请提供的基于无人机定 位预测方法的一个实施例中，参见图2，所述基于无人机定位预测方法的步骤110之后和步骤200之前还具体包含有如下内容：
步骤120：基于预设的极大极小鲁棒估计原理与无偏线性最小方差准则，采用鲁棒时变滤波器对所述本地定位状态估计数据进行滤波。
步骤130：根据滤波后的所述本地定位状态估计数据对所述目标无人机进行位置状 态更新。
为了进一步提高复杂环境中部分无人机的定位精度，在本申请提供的基于无人机定 位预测方法的一个实施例中，参见图2，所述基于无人机定位预测方法的步骤200之前还具体包含有如下内容：
步骤040：若所述目标无人机与所述无人机集群内的其他无人机之间存在相对观测 量，则根据所述目标无人机和其他无人机之间的UWB相对距离观测模型确定所述目标无人机与其他无人机之间的相对观测量。
为了进一步提高复杂环境中部分无人机的定位精度，在本申请提供的基于无人机定 位预测方法的一个实施例中，参见图2，所述基于无人机定位预测方法的步骤200具体包含有如下内容：
步骤210：基于逆协方差交叉方法，根据所述相对观测量构造所述目标无人机与其他无人机的联合状态，以得到所述目标无人机在所述预测时刻的相对定位状态估计数据，其中，所述相对定位状态估计数据包括局部状态估计值和对应的估计误差的协方差矩阵；
步骤220：根据所述相对定位状态估计数据对所述目标无人机进行位置状态更新。
针对上述基于无人机定位预测方法的实施例，本申请还提供一种用于实现该基于无人机定位预测方法的无人机定位预测装置，参见图3，所述无人机定位预测装置具体 包含有如下内容：
局部定位状态估计模块10，用于根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据；
相对定位状态估计模块20，用于基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据；
数据融合模块30，用于基于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对定位状态估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预测结果。
本申请提供的无人机定位预测装置的实施例具体可以用于执行上述实施例中的基 于无人机定位预测方法的实施例的处理流程，其功能在此不再赘述，可以参照上述基于无人机定位预测方法实施例的详细描述。
从上述描述可知，本申请实施例提供的无人机定位预测装置，通过逆协方差交叉ICI 优化定位方法，提高复杂环境中无人机集群的定位精度，优化无人机集群整体定位精度； 引入序贯方法，实现了节点内观测和节点间协同观测信息的优化定位，提高无人机集群 定位精度。
另外，为了进一步说明本申请上述提及的基于无人机定位预测方法，本申请还提供一种基于无人机定位预测方法的具体应用实例以进一步说明，具体为一种基于集群协同观测的ICI优化定位方法，针对现有基于协方差交叉CI的协同优化方法由于融合估 计保守性较大，导致融合估计精度差的问题，本申请应用实例基于逆协方差交叉原理， 得出了最小方差上界，提出了基于集群协同观测的逆协方差交叉ICI优化定位方法，引 入序贯方法，实现了节点内观测和节点间协同观测信息的优化定位。
参见图4，本申请应用实例提供的基于无人机定位预测方法具体包含有如下内容：
(一)定位状态预测
考虑搭载北斗接收机、IMU、磁力计、UWB等传感器的通用型无人机平台，无人 机i的状态为
Figure BDA0003483164410000091
其中δtk表示无人机 i与北斗卫星之间钟差，
Figure BDA0003483164410000092
为地心地固坐标系(Earth-Centered Earth-Fixed， ECEF)下无人机i的三维位置，
Figure BDA0003483164410000093
为ECEF坐标系下三维速度，
Figure BDA0003483164410000094
为 ECEF坐标系下三维加速度。
集群内无人机节点i对应的离散系统模型为：
Figure BDA0003483164410000101
其中
Figure BDA0003483164410000102
表示为无人机i在k时刻第s个传感器的节点内观测信息，
Figure BDA0003483164410000103
表示为无人机i 和j的相对观测信息，
Figure BDA0003483164410000104
和
Figure BDA0003483164410000105
分别表示运动模型误差、节点内观测误差和节点间 观测误差。假设运动模型误差和观测信息误差满足0均值高斯白噪声，且与时间独立，即满足
Figure BDA0003483164410000106
且
Figure BDA0003483164410000107
Figure BDA0003483164410000108
并且具有保守上界分别为Ri，s、Rij，s和
Figure BDA0003483164410000109
等价为：
Figure BDA00034831644100001010
k时刻的IMU观测量可以表示为
Figure BDA00034831644100001011
其中
Figure BDA00034831644100001012
表示载体坐标系下加速度值，采用下式转换为ECEF坐标系下加速度值
Figure BDA00034831644100001013
Figure BDA00034831644100001014
其中RG表示站心坐标系到ECEF坐标系的旋转矩阵，RB表示载体坐标系到站心坐标系的旋转矩阵。因此RG可表示为：
Figure BDA00034831644100001015
其中Φlon和Φlat分别表示2000国家大地坐标系(CGCS2000)下经度和纬度，与ECEF坐标系下Px，Py，Pz转换关系可表示为：
Figure BDA00034831644100001016
其中arctan(·)表示反正切函数，偏心率e2＝f(2-f)，CGCS2000坐标系扁率 f＝1/298.257223563，长半轴a＝6378137m，N为CGCS2000基准椭球体的曲率半 径：
Figure BDA00034831644100001017
公式(3)中RB可表示为：
Figure BDA0003483164410000111
其中αyaw、αpitch、αroll分别表示航向角、俯仰角和翻滚角，角度数据来自IMU与 磁力计姿态融合。
(二)本地观测量
Figure BDA0003483164410000112
和相对观测量
Figure BDA0003483164410000113
(1)北斗观测模型
无人机i的北斗观测模型可以表示为：
Figure BDA0003483164410000114
其中
Figure BDA0003483164410000115
表示k时刻无人机i接收到的北斗卫星伪距观测量，可以表示为：
Figure BDA0003483164410000116
其中
Figure BDA0003483164410000117
表示k时刻北斗接收机的伪距观测数量。对应的北斗卫星坐标集合为
Figure BDA0003483164410000118
因此hBDS，i函数可以表示为：
Figure BDA0003483164410000119
其中
Figure BDA00034831644100001110
表示无人机i在k时刻与北斗卫星s之间的观测模型，可表示为：
Figure BDA00034831644100001111
其中
Figure BDA00034831644100001112
表示k时刻无人机i的三维位置。
公式(8)中
Figure BDA00034831644100001113
表示伪距测量噪声，大小取决于卫星信号载噪比
Figure BDA00034831644100001114
卫星仰角
Figure BDA00034831644100001115
的方差可表示为：
Figure BDA0003483164410000121
其中T表示CN0的阈值，选取A＝30，F＝10，T＝50和a＝20。则北斗观测噪 声
Figure BDA0003483164410000122
实际协方差矩阵
Figure BDA0003483164410000123
可表示为：
Figure BDA0003483164410000124
(2)UWB相对距离观测模型
无人机i和j的UWB测距模型可表示为：
Figure BDA0003483164410000125
其中
Figure BDA0003483164410000126
为UWB测距误差，
Figure BDA0003483164410000127
(三)基于集群协同观测的ICI优化定位方法
如图4所示，当无人机i在融合状态更新时刻k时，需要首先计算局部状态估计值
Figure BDA0003483164410000128
和对应的估计误差的协方差矩阵
Figure BDA0003483164410000129
然后根据是否具有相对观测信息，进行相对位置 更新环节，最终得到无人机节点i在k+1时刻的定位状态估计值
Figure BDA00034831644100001210
和对应的估计误差的协方差矩阵
Figure BDA00034831644100001211
(1)无人机节点i局部定位状态估计
Figure BDA00034831644100001212
当公式(1)中的系统模型为非线性时，可以在
Figure BDA00034831644100001213
的估计值
Figure BDA00034831644100001214
一阶泰勒公式展开得到：
Figure BDA00034831644100001215
其中
Figure BDA00034831644100001216
考虑线性系统模型
Figure BDA00034831644100001217
为：
Figure BDA00034831644100001218
Figure BDA0003483164410000131
其中τ0为IMU采样周期。公式(1)对应的无人机节点i内观测方程可线性化为：
Figure BDA0003483164410000132
其中
Figure BDA0003483164410000133
公式(16)可等价为：
Figure BDA0003483164410000134
对节点内多个传感器融合，观测模型可由多个传感器组成，可表示为：
Figure BDA0003483164410000135
其中：
Figure BDA0003483164410000136
基于极大极小鲁棒估计原理与无偏线性最小方差准则，无人机节点i的局部定位状 态估计采用鲁棒时变滤波器滤波过程如下：
Figure BDA0003483164410000137
Figure BDA0003483164410000141
其中I表示单位矩阵。
(2)无人机节点i的局部与相对定位状态估计
Figure BDA0003483164410000142
当无人机节点i与j存在相对观测信息，通过构造两个节点的联合状态实现对无人机 节点i的定位状态估计，节点i和j的联合状态估计可表示为：
Figure BDA0003483164410000143
为了便于讨论和不失一般性，我们首先分析单个相对观测信息的融合，省略掉传感 器的标识，可以得到融合相对观测信息的无人机i的状态估计
Figure BDA0003483164410000144
为：
Figure BDA0003483164410000145
根据上述一阶泰勒展开式的近似线性化方法，我们可以得到：
Figure BDA0003483164410000146
其中：
Figure BDA0003483164410000147
得到无人机节点i融合相对观测信息
Figure BDA0003483164410000148
后的定位状态估计误差协方差矩阵为：
Figure BDA0003483164410000149
通常情况下矩阵
Figure BDA00034831644100001410
中
Figure BDA00034831644100001411
未知且不为0矩阵，可以借鉴ICI融合方法，通过保证协方差矩阵的一致性以保证鲁棒融合估计，同时由于协方差矩阵为正定矩阵，根据正定 矩阵性质，可以得到不等式：
Figure BDA00034831644100001412
基于上述一致性，利用ICI的相对观测信息更新方法，在不需要已知矩阵
Figure BDA00034831644100001413
的条件下，可以实现定位状态无中心化分布式更新，具有更低保守性。根据公式(23)，为了 实现融合估计，需要计算增益Ki，基于最小方差矩阵
Figure BDA0003483164410000151
原 则，我们将公式(27)代入公式(26)可以得到：
Figure BDA0003483164410000152
因此可以得到最优估计对应的增益Ki为：
Figure BDA0003483164410000153
其中函数tr(·)表示矩阵的迹。可以得到公式(29)对应的优化问题解为：
Figure BDA0003483164410000154
将Ki代入公式(28)可以得到：
Figure BDA0003483164410000155
为了融合无人机i局部定位状态和多个无人机i的相对观测量，可通过序贯方法，基于上述方法按测量时间依次融合多个相对观测量。
综上所述，本申请应用实例通过逆协方差交叉ICI优化定位方法，提高复杂环境中无人机集群的定位精度，优化集群整体定位精度；引入序贯方法，实现了节点内观测和 节点间协同观测信息的优化定位，提高集群定位精度。
本申请实施例还提供了一种计算机设备(也即电子设备)，该计算机设备可以包括处理器、存储器、接收器及发送器，处理器用于执行上述实施例提及的基于无人机定 位预测方法，其中处理器和存储器可以通过总线或者其他方式连接，以通过总线连接为 例。该接收器可通过有线或无线方式与处理器、存储器连接。所述计算机设备与基于无 人机定位预测装置之间通信连接，以自所述无线多媒体传感器网络中的传感器接收实时 运动数据，并自所述视频采集装置接收原始视频序列。
处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他 通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array， FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片， 或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本申请实施例中的基于无人机定位预测方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而 执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的基于无人机定位 预测方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存 储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储 器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对 于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的 实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器中，当被所述处理器执行时，执行实施例中的基于无人机定位预测方法。
在本申请的一些实施例中，用户设备可以包括处理器、存储器和收发单元，该收发单元可包括接收器和发送器，处理器、存储器、接收器和发送器可通过总线系统连接， 存储器用于存储计算机指令，处理器用于执行存储器中存储的计算机指令，以控制收发 单元收发信号。
作为一种实现方式，本申请中接收器和发送器的功能可以考虑通过收发电路或者收发的专用芯片来实现，处理器可以考虑通过专用处理芯片、处理电路或通用芯片实现。
作为另一种实现方式，可以考虑使用通用计算机的方式来实现本申请实施例提供的服务器。即将实现处理器，接收器和发送器功能的程序代码存储在存储器中，通用处 理器通过执行存储器中的代码来实现处理器，接收器和发送器的功能。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述基于无人机定位预测方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(RAM)、内存、只读存储器(ROM)、 电可编程ROM、电可擦除可编程ROM、寄存器、软盘、硬盘、可移动存储盘、CD-ROM、 或技术领域内所公知的任意其它形式的存储介质。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬 件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可 以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出 本申请的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、 适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所 需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波 中携带的数据信号在传输介质或者通信链路上传送。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若 干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤， 本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变 步骤之间的顺序。
本申请中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本申请的优选实施例，并不用于限制本申请，对于本领域的技术人员来说，本申请实施例可以有各种更改和变化。凡在本申请的精神和原则之内，所作的 任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种无人机定位预测方法，其特征在于，包括：
根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据；
基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据；
基于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对定位状态估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预测结果。
2.根据权利要求1所述的无人机定位预测方法，其特征在于，在所述根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据之前，还包括：
根据无人机集群内的目标无人机分别与北斗卫星之间钟差、在ECEF坐标系下的三维位置、三维速度及三维加速度，确定该目标无人机的状态数据；
根据所述目标无人机的状态数据构建该目标无人机的离散系统模型，并基于所述目标无人机当前的IMU观测量；
当所述离散系统模型为非线性时，根据所述目标无人机的北斗观测模型确定该目标无人机当前的本地观测量。
3.根据权利要求2所述的无人机定位预测方法，其特征在于，所述根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据，包括：
根据所述目标无人机当前的本地观测量对所述目标无人机进行局部定位状态估计，以得到所述目标无人机在预测时刻的本地定位状态估计数据；其中，所述本地定位状态估计数据包括局部状态估计值和对应的估计误差的协方差矩阵。
4.根据权利要求3所述的无人机定位预测方法，其特征在于，还包括：
基于预设的极大极小鲁棒估计原理与无偏线性最小方差准则，采用鲁棒时变滤波器对所述本地定位状态估计数据进行滤波；
根据滤波后的所述本地定位状态估计数据对所述目标无人机进行位置状态更新。
5.根据权利要求1所述的无人机定位预测方法，其特征在于，在所述基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据之前，还包括：
若所述目标无人机与所述无人机集群内的其他无人机之间存在相对观测量，则根据所述目标无人机和其他无人机之间的UWB相对距离观测模型确定所述目标无人机与其他无人机之间的相对观测量。
6.根据权利要求5所述的无人机定位预测方法，其特征在于，所述基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据，包括：
基于逆协方差交叉方法，根据所述相对观测量构造所述目标无人机与其他无人机的联合状态，以得到所述目标无人机在所述预测时刻的相对定位状态估计数据，其中，所述相对定位状态估计数据包括局部状态估计值和对应的估计误差的协方差矩阵；
根据所述相对定位状态估计数据对所述目标无人机进行位置状态更新。
7.一种无人机定位预测装置，其特征在于，包括：
局部定位状态估计模块，用于根据无人机集群内设有多源传感器组的目标无人机当前的本地观测量，确定所述目标无人机在预测时刻的本地定位状态估计数据；
相对定位状态估计模块，用于基于预设的逆协方差交叉方法，根据所述目标无人机当前与所述无人机集群内其他无人机之间的相对观测量，获取所述目标无人机在所述预测时刻的相对定位状态估计数据；
数据融合模块，用于基于预设的序贯方法，对所述目标无人机的本地定位状态估计数据和相对定位状态估计数据进行数据融合，以得到所述无人机在所述预测时刻的目标定位状态预测结果。
8.一种无人机，其特征在于，该无人机内部设有多源传感器组；
且所述多源传感器组与无人机定位预测装置之间通信连接，所述无人机定位预测装置用于执行权利要求1至6任一项所述的无人机定位预测方法。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的无人机定位预测方法。
10.一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，该计算机程序被处理器执行时实现权利要求1至6任一项所述的无人机定位预测方法。
CN202210073980.2A 2022-01-21 2022-01-21 基于无人机定位预测方法、装置和无人机 Pending CN114777767A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210073980.2A CN114777767A (zh) 2022-01-21 2022-01-21 基于无人机定位预测方法、装置和无人机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210073980.2A CN114777767A (zh) 2022-01-21 2022-01-21 基于无人机定位预测方法、装置和无人机

Publications (1)

Publication Number Publication Date
CN114777767A true CN114777767A (zh) 2022-07-22

Family

ID=82423066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210073980.2A Pending CN114777767A (zh) 2022-01-21 2022-01-21 基于无人机定位预测方法、装置和无人机

Country Status (1)

Country Link
CN (1) CN114777767A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115561752A (zh) * 2022-09-13 2023-01-03 中国地震应急搜救中心 一种多源灾情数据联机融合处理的方法和中空无人机

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115561752A (zh) * 2022-09-13 2023-01-03 中国地震应急搜救中心 一种多源灾情数据联机融合处理的方法和中空无人机

Similar Documents

Publication Publication Date Title
US11506512B2 (en) Method and system using tightly coupled radar positioning to improve map performance
CN111947671B (zh) 用于定位的方法、装置、计算设备和计算机可读存储介质
US9551561B2 (en) Determining location using magnetic fields from AC power lines
Fakharian et al. Adaptive Kalman filtering based navigation: An IMU/GPS integration approach
CN107884800B (zh) 观测时滞系统的组合导航数据解算方法、装置及导航设备
US20150282111A1 (en) Online adaptive fusion framework for mobile device indoor localization
CN107943859B (zh) 海量传感器数据收集处理及反馈的系统和方法
CN109141412B (zh) 面向有数据缺失ins/uwb组合行人导航的ufir滤波算法及系统
CN110969643B (zh) 地面目标移动轨迹的星上自主预测方法
CN113405545A (zh) 定位方法、装置、电子设备及计算机存储介质
EP4168739A2 (en) Operating modes of magnetic navigation devices
CN110110029A (zh) 用于匹配车道的方法和装置
CN113063425A (zh) 车辆定位方法、装置、电子设备及存储介质
CN114777767A (zh) 基于无人机定位预测方法、装置和无人机
CN111103566B (zh) 一种航向角确定方法、系统、电子设备及存储介质
CN109444928B (zh) 一种定位方法及系统
CN111469781B (zh) 用于输出信息的方法和装置
CN111121755A (zh) 一种多传感器的融合定位方法、装置、设备及存储介质
Dasanayaka et al. Analysis of vehicle location prediction errors for safety applications in cooperative-intelligent transportation systems
Forno et al. Techniques for improving localization applications running on low-cost IoT devices
CN117320148A (zh) 多源数据融合定位方法、系统、电子设备及存储介质
Kulkarni et al. SENSOR FUSION: An Advance Inertial Navigation System using GPS and IMU
WO2023226155A1 (zh) 多源数据融合定位方法、装置、设备及计算机存储介质
CN115685275A (zh) Pos高精度避遮定位方法
CN114001730B (zh) 融合定位方法、装置、计算机设备和存储介质

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