CN115342813A - 一种定位方法、相关装置和存储介质 - Google Patents

一种定位方法、相关装置和存储介质 Download PDF

Info

Publication number
CN115342813A
CN115342813A CN202210858217.0A CN202210858217A CN115342813A CN 115342813 A CN115342813 A CN 115342813A CN 202210858217 A CN202210858217 A CN 202210858217A CN 115342813 A CN115342813 A CN 115342813A
Authority
CN
China
Prior art keywords
neighbors
contribution
determining
pose
time
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.)
Granted
Application number
CN202210858217.0A
Other languages
English (en)
Other versions
CN115342813B (zh
Inventor
崔玉康
贾亚超
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202210858217.0A priority Critical patent/CN115342813B/zh
Publication of CN115342813A publication Critical patent/CN115342813A/zh
Application granted granted Critical
Publication of CN115342813B publication Critical patent/CN115342813B/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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
    • H04L63/1441—Countermeasures against malicious traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
    • H04W12/12—Detection or prevention of fraud
    • H04W12/121—Wireless intrusion detection systems [WIDS]; Wireless intrusion prevention systems [WIPS]
    • H04W12/122—Counter-measures against attacks; Protection against rogue devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种定位方法，用于第一智能体Ri确定Ri在当前时刻k的位姿
Figure DDA0003756364040000011
由多维参数表示，所述方法包括：获取邻居Rj广播的其在k时刻的预测位姿
Figure DDA0003756364040000012
和与
Figure DDA0003756364040000013
对应的协方差矩阵
Figure DDA0003756364040000014
Rj是Ri的N个邻居中的任一邻居；
Figure DDA0003756364040000015
是Rj根据其在k‑1时刻的位姿
Figure DDA0003756364040000016
经一步预测确定的在k时刻的预测位姿；根据Ri在k‑1时刻的位姿
Figure DDA0003756364040000017
经一步预测确定Ri在k时刻的预测位姿
Figure DDA0003756364040000018
根据防御策略从N个邻居中剔除M个邻居，M个邻居可能是攻击者；基于协方差交叉算法对剔除M个邻居后剩余的N‑M个邻居和Ri在k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在k时刻Ri对所述N‑M个邻居观测得到的相对位姿进行融合确定
Figure DDA0003756364040000019
采用该方法实施例能够对攻击进行防御，同时有利于提高定位精度。

Description

一种定位方法、相关装置和存储介质
技术领域
本发明涉及分布式多智能体协同定位技术领域，尤其涉及一种定位方法、相关装置和存储介质。
背景技术
智能体是指具有运算、通信、感知、或者响应等功能的电子设备，常见的智能体包括：无人机、机器人或者自动驾驶汽车等。多个智能体通过信息交互、协同合作可以完成单个智能体无法完成的复杂任务，比如：无人机编队表演、无人机编队播种等。多智能体协同定位在交通、农业、军事、生物工程等领域具有广阔的应用前景。
定位是多智能体之间协调配合和开展各种应用的基础，若多个智能体中潜藏有恶意的攻击者，则其提供的信息是不可信的，相应地，得到的定位通常也是不准确的。因此，在定位时如何对攻击进行防御，提高定位精度是目前亟待解决的问题。
发明内容
本发明公开了一种定位方法、相关装置和存在介质，能够对攻击进行防御，提高定位精度。
第一方面，本发明实施例提供了一种定位方法，用于第一智能体Ri确定所述Ri在当前时刻k的位姿
Figure BDA0003756364020000011
所述
Figure BDA0003756364020000012
由多维参数表示，所述方法包括：
获取邻居Rj广播的其在k时刻的预测位姿
Figure BDA0003756364020000013
和与所述
Figure BDA0003756364020000014
对应的协方差矩阵
Figure BDA0003756364020000015
所述Rj是所述Ri的N个邻居中的任一邻居；所述
Figure BDA0003756364020000016
是所述Rj根据其在k-1时刻的位姿
Figure BDA0003756364020000017
经一步预测确定的在所述k时刻的预测位姿；
根据所述Ri在所述k-1时刻的位姿
Figure BDA0003756364020000021
经一步预测确定所述Ri在k时刻的预测位姿
Figure BDA0003756364020000022
根据防御策略从所述N个邻居中剔除M个邻居，所述M个邻居可能是攻击者；
基于协方差交叉算法对剔除所述M个邻居后剩余的N-M个邻居和所述Ri在所述k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在所述k时刻所述Ri对所述N-M个邻居观测得到的相对位姿进行融合确定所述
Figure BDA0003756364020000023
采用本发明实施例提供的定位方法在对第一智能体进行定位时，首先剔除了可能的攻击者，然后基于协方差交叉算法对第一智能体和剩余的邻居分别对应的预测位姿和与预测位姿对应的协方差、以及第一智能体对剩余的各邻居观测得到的相对位姿进行融合得到当前时刻第一智能体的位姿。相对于现有技术，采用本发明实施例提供的技术方案进行姿态估计时，剔除了攻击者，在确定位姿时结合了自身的信息，避免了现有技术中在剔除攻击者时可能将自身作为攻击者也给剔除了，因此采用该方法能够对攻击进行防御，同时有利于提高定位精度。
结合第一方面，在一些可能的实施方式中，所述根据防御策略从所述N个邻居中剔除M个邻居，包括：根据所述Rj对所述Ri的状态估计的贡献值
Figure BDA0003756364020000024
以及Ri对自身状态估计的贡献值
Figure BDA0003756364020000025
确定从所述N个邻居中剔除的M个邻居，所述
Figure BDA0003756364020000026
和所述
Figure BDA0003756364020000027
是整数。
结合第一方面，在一些可能的实施方式中，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure BDA0003756364020000028
以及Ri对自身状态估计的贡献值
Figure BDA0003756364020000029
确定从所述N个邻居中剔除的M个邻居，包括：在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure BDA00037563640200000210
的个数小于或者等于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure BDA00037563640200000211
的个数小于或者等于f，则将所述N个邻居都剔除，所述M＝N。
结合第一方面，在一些可能的实施方式中，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure BDA0003756364020000031
以及Ri对自身状态估计的贡献值
Figure BDA0003756364020000032
确定从所述N个邻居中剔除的M个邻居，还包括：在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure BDA0003756364020000033
的个数大于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure BDA0003756364020000034
的个数也大于f，则从小于
Figure BDA0003756364020000035
的贡献值对应的邻居中剔除贡献值距离
Figure BDA0003756364020000036
最远的f个贡献值分别对应的邻居；以及从大于
Figure BDA0003756364020000037
的贡献值对应的邻居中剔除贡献值距离
Figure BDA0003756364020000038
最远的f个贡献值分别对应的邻居；所述M＝2f。
结合第一方面，在一些可能的实施方式中，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure BDA0003756364020000039
以及Ri对自身状态估计的贡献值
Figure BDA00037563640200000310
确定从所述N个邻居中剔除的M个邻居，还包括：在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure BDA00037563640200000311
的个数大于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure BDA00037563640200000312
的个数小于或者等于f，则从小于
Figure BDA00037563640200000313
的贡献值对应的邻居中剔除贡献值距离
Figure BDA00037563640200000314
最远的f个贡献值分别对应的邻居；以及剔除所有大于
Figure BDA00037563640200000315
的贡献值对应的邻居。
结合第一方面，在一些可能的实施方式中，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure BDA00037563640200000316
以及Ri对自身状态估计的贡献值
Figure BDA00037563640200000317
确定从所述N个邻居中剔除的M个邻居，还包括：在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure BDA00037563640200000318
的个数小于或者等于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure BDA00037563640200000319
的个数大于f，则从大于
Figure BDA00037563640200000320
的贡献值对应的邻居中剔除贡献值距离
Figure BDA00037563640200000321
最远的f个贡献值分别对应的邻居；以及剔除所有小于
Figure BDA00037563640200000322
的贡献值对应的邻居。
第二方面，本发明实施例提供了一种定位装置，用于第一智能体Ri确定所述Ri在当前时刻k的位姿
Figure BDA00037563640200000323
所述
Figure BDA00037563640200000324
由多维参数表示，所述定位装置包括：第一获取单元，用于获取邻居Rj广播的其在k时刻的预测位姿
Figure BDA0003756364020000041
和与所述
Figure BDA0003756364020000042
对应的协方差矩阵
Figure BDA0003756364020000043
所述Rj是所述Ri的N个邻居中的任一邻居；所述
Figure BDA0003756364020000044
是所述Rj根据其在k-1时刻的位姿
Figure BDA0003756364020000045
经一步预测确定的在所述k时刻的预测位姿；第一预测单元，用于根据所述Ri在所述k-1时刻的位姿
Figure BDA0003756364020000046
经一步预测确定所述Ri在k时刻的预测位姿
Figure BDA0003756364020000047
第一处理单元，用于根据防御策略从所述N个邻居中剔除M个邻居，所述M个邻居可能是攻击者；第一确定单元，用于基于协方差交叉算法对剔除所述M个邻居后剩余的N-M个邻居和所述Ri在所述k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在所述k时刻所述Ri对所述N-M个邻居观测得到的相对位姿进行融合确定所述
Figure BDA0003756364020000048
结合第二方面，在一些可能的实施方式中，所述第一处理单元具体用于，根据所述Rj对所述Ri的状态估计的贡献值
Figure BDA0003756364020000049
以及Ri对自身状态估计的贡献值
Figure BDA00037563640200000410
确定从所述N个邻居中剔除的M个邻居，所述
Figure BDA00037563640200000411
和所述
Figure BDA00037563640200000412
是整数。
第三方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面或者第一方面任意一种可能的实现方式所述的定位方法中的步骤。
第四方面，本发明实施例提供了一种终端设备，包括：收发器、处理器、存储器及通信总线；所述收发器用于接收邻居发送的信息；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述通信总线实现处理器和存储器之间的连接通信；所述处理器执行所述计算机可读程序时实现如第一方面或者第一方面任意一种可能的实现方式所述定位方法中的步骤。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员而言，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一种定位方法的流程示意图。
图2为本发明一应用场景中多个机器人示意图。
图3是本发明一实施例中两个机器人交互示意图。
图4是使用现有技术中的定位方法执行目标跟踪任务时跟踪效果示意图。
图5是使用本发明实施例提供的定位方法执行目标跟踪任务时跟踪效果示意图。
图6是本发明一实施例提供的一种定位装置的结构示意图。
图7是本发明一实施例提供的终端设备的结构示意图。
具体实施方式
本发明实施例提供了一种定位方法、相关装置和存储介质，为了使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特别声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
当存在攻击时，多智能体场景下的定位方法通常包括两种方式，一种是集中式方法，一种是分布式方法。集中式方法选取一个智能体为核心节点，来处理所有智能体的状态信息，这个核心节点往往具有更高的算力及充足的能量供应，可以更好地识别和抵御攻击。但是该核心节点一旦被破坏，整个系统将陷入瘫痪，而且由于核心节点需要接收所有智能体发来的信息，限于通信带宽，造成了多智能体的规模无法做到自由增长。
分布式防御方法中，多智能体系统中每个节点独立运行，单个节点损坏不至于使整个系统瘫痪，分布式方法可以提高系统的鲁棒性；分布式定位方法中，每个智能体仅融合邻居的信息，极大地降低了通信压力。
子序列平均值剔除(mean-subsequence-reduced，MSR)是现有技术中对一维数据进行分布式防御的方法，多智能体场景下，MSR方法抵御攻击的核心思想为剔除异常值，通过将接收到的邻居对目标值的估计和自身对目标值的估计排序，剔除序列两端一定数量的异常值，用剩下的值做信息融合。在一定的连通度保证下，能够实现一定的量化鲁棒性。但是这种方法一般用于一致性估计，即每个机器人并不知道目标值是多少，只是通过尽可能多地与邻居通信从而计算出一个平均值来做目标值，很可能将自身对目标的估计值也剔除了，而且MSR应用场景是一维的，基于上述原因，MSR无法应用于状态为多维的分布式位姿协作估计。
现有的多智能体协作定位方法未考虑过有攻击存在的场景，一旦有攻击产生现有技术中的协作定位方法将失效，无法产生满足一致性的状态估计结果。
本发明针对目前现存多智能体协作定位未能考虑攻击存在的问题以及传统的MSR方法不适用于多维环境的缺点。提出了一种定位方法、相关装置和存在介质，能够对攻击进行防御，提高定位精度。具体地，在每个时间步，智能体在接收到邻居发送来的信息后，通过滤波变换将不同的信息放在可比较大小的同一尺度下，再通过协方差矩阵加权平方，使得每个智能体对应的信息都变为一维整数，将邻居对应的值组成的数值序列排序，再与本地的数值对比，剔除差异较大的异常值，用剩下的值进行正常的协作定位的计算。
请参见图1，图1是本发明实施例进行定位的方法示意图。用于第一智能体Ri确定Ri在当前时刻k的位姿
Figure BDA0003756364020000071
由多维参数表示，举例来说，对于地面运行的机器人，位姿可以用(x、y、φ)三维参数来表示，其中φ表示航向。对于空中飞行的无人机，位姿可以用(x、y、z、φ、俯仰参数、横滚参数)六维参数来表示。请参见图2，图2为本发明一应用场景中多个在地面运行的机器人的示意图。第一智能体为R1，其邻居包括：R2、R3和R4，其中，R4是攻击者。
如图1所示，在本发明一些可能的实施方式中，定位方法用于第一智能体Ri确定Ri在当前时刻k的位姿
Figure BDA0003756364020000072
由多维参数表示，定位方法可以包括如下步骤。
101.获取邻居Rj广播的其在k时刻的预测位姿
Figure BDA0003756364020000073
和与
Figure BDA0003756364020000074
对应的协方差矩阵
Figure BDA0003756364020000075
在该实施例中Rj和Ri可以是在地面运行的机器人。Rj是Ri的N个邻居中的任一邻居；
Figure BDA0003756364020000076
是Rj根据其在k-1时刻的位姿
Figure BDA0003756364020000077
经一步预测确定的在k时刻的预测位姿。
设机器人i的运动模型为：
Figure BDA0003756364020000078
其中，f表示运动方程，x表示机器人状态，总共三维，由位置(x,y)和航向φ组成；下标Ri代表这是属于机器人i的信息，上标k表示时间步。u表示运动输入，w表示高斯白噪声。
在没有路标以及全局感知设备(如全球定位系统)的前提下，每个机器人通过机器人间的相对观测值来矫正自己的航位推算位姿估计。设机器人i与机器人j之间的相对观测方程为：
Figure BDA0003756364020000081
其中，h表示观测方程，v表示测量噪声。机器人间产生相对观测的过程如图3所示。在时刻k，Ri对Rj进行了相对距离及相对方位测量，Ri得到了相对测量值
Figure BDA0003756364020000082
同时Rj将自身的位姿预测
Figure BDA0003756364020000083
以及位姿预测值相对应的协方差矩阵
Figure BDA0003756364020000084
发送给Ri。Ri利用这两个信息来计算测量残差：
Figure BDA0003756364020000085
将测量方程在
Figure BDA0003756364020000086
及
Figure BDA0003756364020000087
处线性化后，得到：
Figure BDA0003756364020000088
Figure BDA0003756364020000089
从而得到离散化的测量残差：
Figure BDA00037563640200000810
其中，
Figure BDA00037563640200000811
和
Figure BDA00037563640200000812
分别为Ri和Rj状态估计的先验误差。发出测量的机器人为Ri，状态估计的主体为Ri，此时的Rj被当做是位姿已知的“路标”。通过将式(2)的后两项定义为
Figure BDA00037563640200000813
可将测量残差重写为：
Figure BDA00037563640200000814
Figure BDA00037563640200000815
对应的协方差矩阵定义为：
Figure BDA00037563640200000816
其中，
Figure BDA00037563640200000817
为测量噪声
Figure BDA00037563640200000818
所对应的协方差矩阵。
102.根据Ri在k-1时刻的位姿
Figure BDA00037563640200000819
经一步预测确定Ri在k时刻的预测位姿
Figure BDA0003756364020000091
103.根据防御策略从N个邻居中剔除M个邻居，M个邻居可能是攻击者。
在一些可能的实施方式中，可以根据Rj对Ri的状态估计的贡献值
Figure BDA0003756364020000092
以及Ri对自身状态估计的贡献值
Figure BDA0003756364020000093
确定从N个邻居中剔除的M个邻居，
Figure BDA0003756364020000094
和
Figure BDA0003756364020000095
是整数。
在一些可能的实施方式中，在确定有f个攻击者，在N个邻居中对Ri的状态估计的贡献值小于
Figure BDA0003756364020000096
的个数小于或者等于f，并且N个邻居中对Ri的状态估计的贡献值大于
Figure BDA0003756364020000097
的个数小于或者等于f，则将N个邻居都剔除，M＝N。
在一些可能的实施方式中，在确定有f个攻击者，在N个邻居中对Ri的状态估计的贡献值小于
Figure BDA0003756364020000098
的个数大于f，并且N个邻居中对Ri的状态估计的贡献值大于
Figure BDA0003756364020000099
的个数也大于f，则从小于
Figure BDA00037563640200000910
的贡献值对应的邻居中剔除贡献值距离
Figure BDA00037563640200000911
最远的f个贡献值分别对应的邻居；以及从大于
Figure BDA00037563640200000912
的贡献值对应的邻居中剔除贡献值距离
Figure BDA00037563640200000913
最远的f个贡献值分别对应的邻居；M＝2f。
在一些可能的实施方式中，在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure BDA00037563640200000914
的个数大于f，并且N个邻居中对Ri的状态估计的贡献值大于
Figure BDA00037563640200000915
的个数小于或者等于f，则从小于
Figure BDA00037563640200000916
的贡献值对应的邻居中剔除贡献值距离
Figure BDA00037563640200000917
最远的f个贡献值分别对应的邻居；以及剔除所有大于
Figure BDA00037563640200000918
的贡献值对应的邻居。
在一些可能的实施方式中，在确定有f个攻击者，在N个邻居中对Ri的状态估计的贡献值小于
Figure BDA00037563640200000919
的个数小于或者等于f，并且N个邻居中对Ri的状态估计的贡献值大于
Figure BDA00037563640200000920
的个数大于f，则从大于
Figure BDA00037563640200000921
的贡献值对应的邻居中剔除贡献值距离
Figure BDA0003756364020000101
最远的f个贡献值分别对应的邻居；以及剔除所有小于
Figure BDA0003756364020000102
的贡献值对应的邻居。
104.基于协方差交叉算法对剔除M个邻居后剩余的N-M个邻居和Ri在k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在k时刻所述Ri对所述N-M个邻居观测得到的相对位姿进行融合确定
Figure BDA0003756364020000103
在一些可能的实施方式中，根据扩展信息滤波(extended information filter，EIF)定义并计算相对矫正对：
Figure BDA0003756364020000104
通过使用协方差交叉(covariance intersection，CI)算法，可以融合任意数量邻居的相对矫正对：
Figure BDA0003756364020000105
其中，
Figure BDA0003756364020000106
并且满足
Figure BDA0003756364020000107
将带有邻居信息的相对矫正对与本地的先验估计融合，得到如下临时的更新状态结果：
Figure BDA0003756364020000108
其中，γqs∈(0,1]。式(7)是式(6)的特殊情况，其本质是假设Ri只观测了一个邻居Rj，并且使用这一个观测计算了更新状态。如果Ri同时观测了N个邻居，则会产生N个式(7)所示的临时更新状态结果。此时的临时更新状态与Ri的本地预测值
Figure BDA0003756364020000111
在理想情况下应该相同的，因此就有了排序的基础。因为状态和协方差矩阵均是多维的，而且每一维可正可负，为方便计算且做到对每一维度的数据都检查，任意维度的异常都将被放大，本发明实施例定义协方差矩阵加权的一个状态度量：
Figure BDA0003756364020000112
Figure BDA0003756364020000113
中包含了邻居Rj对Ri状态估计的所有贡献，并且
Figure BDA0003756364020000114
是一个整数，可以方便地进行排序。同样地，Ri本地也需要一个状态度量作为剔除异常值的参考：
Figure BDA0003756364020000115
在一些可能的实施方式中，在已知攻击者数量为f的前提下,异常值剔除策略可以用如下代码实现：
初始化：
Figure BDA0003756364020000116
输入：
Figure BDA0003756364020000117
输出：
Figure BDA0003756364020000118
1：
Figure BDA0003756364020000119
2：
Figure BDA00037563640200001110
3：
Figure BDA0003756364020000121
4：
Figure BDA0003756364020000122
Figure BDA0003756364020000123
Figure BDA00037563640200001221
预测
5：使用(1)～(5)得到相对矫正对
Figure BDA0003756364020000124
6：使用(7)～(9)计算度量值
Figure BDA0003756364020000125
和
Figure BDA0003756364020000126
7：将
Figure BDA0003756364020000127
和
Figure BDA0003756364020000128
排序得到一个序列.
8：将序列中大于
Figure BDA0003756364020000129
的值标记为集合
Figure BDA00037563640200001210
小于
Figure BDA00037563640200001211
的标记为集合
Figure BDA00037563640200001212
9：if
Figure BDA00037563640200001213
then
10：最小的f个值被定义为集合
Figure BDA00037563640200001214
11：if
Figure BDA00037563640200001215
then
12：最大的f个值被定义为集合
Figure BDA00037563640200001216
13：先预定义极值剔除后剩余值的集合为
Figure BDA00037563640200001217
14：if
Figure BDA00037563640200001218
then
15：
Figure BDA00037563640200001219
16：else
17：if
Figure BDA00037563640200001220
then
18：
Figure BDA0003756364020000131
Figure BDA0003756364020000135
剔除所有大于本地值的值以及f个小于本地值的值
19:else if
Figure BDA0003756364020000132
then
20：
Figure BDA0003756364020000133
Figure BDA0003756364020000136
剔除所有小于本地值的值以及f个大于本地值的值
21：else
22：
Figure BDA0003756364020000134
Figure BDA0003756364020000137
剔除序列两端各f个极值
22：endif.
请参见图4，图4是使用现有技术中的定位方法执行目标跟踪任务时跟踪效果示意图。跟踪任务是六个机器人跟踪虚线对应的轨迹，由图4显示效果可知，采用现有技术中的定位方法进行目标跟踪时由于定位精度不高，跟踪效果不好。
请参见图5，图5是使用本发明提供的定位方法执行目标跟踪任务时跟踪效果示意图。跟踪任务是六个机器人跟踪虚线对应的轨迹，由图5显示效果可知，采用本发明提供的定位方法进行目标跟踪时可以很好地跟踪目标对象，定位精度相对于现有技术有明显改进，跟踪效果较好。
采用本发明实施例提供的定位方法在对第一智能体进行定位时，首先剔除了可能的攻击者，然后基于协方差交叉算法对第一智能体和剩余的邻居分别对应的预测位姿和与预测位姿对应的协方差、以及第一智能体对剩余的各邻居观测得到的相对位姿进行融合得到当前时刻第一智能体的位姿。相对于现有技术，采用本发明实施例提供的技术方案进行姿态估计时，剔除了攻击者，在确定位姿时结合了自身的信息，避免了现有技术中在剔除攻击者时可能将自身作为攻击者也给剔除了，因此采用该方法能够对攻击进行防御，同时有利于提高定位精度。
请参见图6，图6是本发明实施例提供的一种定位装置600，用于第一智能体Ri确定Ri在当前时刻k的位姿
Figure BDA0003756364020000141
由多维参数表示，定位装置600包括：第一获取单元601，用于获取邻居Rj广播的其在k时刻的预测位姿
Figure BDA0003756364020000142
和与
Figure BDA0003756364020000143
对应的协方差矩阵
Figure BDA0003756364020000144
Rj是Ri的N个邻居中的任一邻居；
Figure BDA0003756364020000145
是Rj根据其在k-1时刻的位姿
Figure BDA0003756364020000146
经一步预测确定的在k时刻的预测位姿。第一预测单元602，用于根据Ri在k-1时刻的位姿
Figure BDA0003756364020000147
经一步预测确定Ri在k时刻的预测位姿
Figure BDA0003756364020000148
第一处理单元603，用于根据防御策略从N个邻居中剔除M个邻居，M个邻居可能是攻击者。第一确定单元604，用于基于协方差交叉算法对剔除M个邻居后剩余的N-M个邻居和Ri在k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在k时刻Ri对N-M个邻居观测得到的相对位姿进行融合确定
Figure BDA0003756364020000149
在一些可能的实施方式中，第一处理单元具体用于，根据Rj对Ri的状态估计的贡献值
Figure BDA00037563640200001410
以及Ri对自身状态估计的贡献值
Figure BDA00037563640200001411
确定从N个邻居中剔除的M个邻居，
Figure BDA00037563640200001412
和
Figure BDA00037563640200001413
是整数。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现上述方法实施例中记载的任何定位方法的部分或全部步骤。前述的存储介质包括：U盘、ROM、RAM、移动硬盘、磁盘或者光盘等各种可以存储程序代码的介质。
请参见图7，图7是本发明一实施例提供的一种终端设备700的结构示意图，终端设备700包括：收发器701、存储器702、处理器703、和通信总线704。收发器701用于接收邻居发送的信息；存储器702上存储有可被处理器703执行的计算机可读程序；通信总线704实现存储器702和处理器703之间的连接通信；处理器703执行计算机可读程序时实现上述方法实施例中记载的任何定位方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种定位方法，其特征在于，用于第一智能体Ri确定所述Ri在当前时刻k的位姿
Figure FDA0003756364010000011
所述
Figure FDA0003756364010000012
由多维参数表示，所述方法包括：
获取邻居Rj广播的其在k时刻的预测位姿
Figure FDA0003756364010000013
和与所述
Figure FDA0003756364010000014
对应的协方差矩阵
Figure FDA0003756364010000015
所述Rj是所述Ri的N个邻居中的任一邻居；所述
Figure FDA0003756364010000016
是所述Rj根据其在k-1时刻的位姿
Figure FDA0003756364010000017
经一步预测确定的在所述k时刻的预测位姿；
根据所述Ri在所述k-1时刻的位姿
Figure FDA0003756364010000018
经一步预测确定所述Ri在k时刻的预测位姿
Figure FDA0003756364010000019
根据防御策略从所述N个邻居中剔除M个邻居，所述M个邻居可能是攻击者；
基于协方差交叉算法对剔除所述M个邻居后剩余的N-M个邻居和所述Ri在所述k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在所述k时刻所述Ri对所述N-M个邻居观测得到的相对位姿进行融合确定所述
Figure FDA00037563640100000110
2.根据权利要求1所述的方法，其特征在于，所述根据防御策略从所述N个邻居中剔除M个邻居，包括：
根据所述Rj对所述Ri的状态估计的贡献值
Figure FDA00037563640100000111
以及Ri对自身状态估计的贡献值
Figure FDA00037563640100000112
确定从所述N个邻居中剔除的M个邻居，所述
Figure FDA00037563640100000113
和所述
Figure FDA00037563640100000114
是整数。
3.根据权利要求2所述的方法，其特征在于，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure FDA00037563640100000115
以及Ri对自身状态估计的贡献值
Figure FDA00037563640100000116
确定从所述N个邻居中剔除的M个邻居，包括：
在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure FDA00037563640100000117
的个数小于或者等于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure FDA0003756364010000021
的个数小于或者等于f，
则将所述N个邻居都剔除，所述M＝N。
4.根据权利要求3所述的方法，其特征在于，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure FDA0003756364010000022
以及Ri对自身状态估计的贡献值
Figure FDA0003756364010000023
确定从所述N个邻居中剔除的M个邻居，还包括：
在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure FDA0003756364010000024
的个数大于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure FDA0003756364010000025
的个数也大于f，
则从小于
Figure FDA0003756364010000026
的贡献值对应的邻居中剔除贡献值距离
Figure FDA0003756364010000027
最远的f个贡献值分别对应的邻居；
以及从大于
Figure FDA0003756364010000028
的贡献值对应的邻居中剔除贡献值距离
Figure FDA0003756364010000029
最远的f个贡献值分别对应的邻居；所述M＝2f。
5.根据权利要求4所述的方法，其特征在于，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure FDA00037563640100000210
以及Ri对自身状态估计的贡献值
Figure FDA00037563640100000211
确定从所述N个邻居中剔除的M个邻居，还包括：
在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure FDA00037563640100000212
的个数大于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure FDA00037563640100000213
的个数小于或者等于f，
则从小于
Figure FDA00037563640100000214
的贡献值对应的邻居中剔除贡献值距离
Figure FDA00037563640100000215
最远的f个贡献值分别对应的邻居；
以及剔除所有大于
Figure FDA00037563640100000216
的贡献值对应的邻居。
6.根据权利要求2至5任一项所述的方法，其特征在于，所述根据所述Rj对所述Ri的状态估计的贡献值
Figure FDA00037563640100000217
以及Ri对自身状态估计的贡献值
Figure FDA0003756364010000031
确定从所述N个邻居中剔除的M个邻居，还包括：
在确定有f个攻击者，在所述N个邻居中对所述Ri的状态估计的贡献值小于
Figure FDA0003756364010000032
的个数小于或者等于f，并且所述N个邻居中对所述Ri的状态估计的贡献值大于
Figure FDA0003756364010000033
的个数大于f，
则从大于
Figure FDA0003756364010000034
的贡献值对应的邻居中剔除贡献值距离
Figure FDA0003756364010000035
最远的f个贡献值分别对应的邻居；
以及剔除所有小于
Figure FDA0003756364010000036
的贡献值对应的邻居。
7.一种定位装置，其特征在于，用于第一智能体Ri确定所述Ri在当前时刻k的位姿
Figure FDA0003756364010000037
所述
Figure FDA0003756364010000038
由多维参数表示，所述定位装置包括：
第一获取单元，用于获取邻居Rj广播的其在k时刻的预测位姿
Figure FDA0003756364010000039
和与所述
Figure FDA00037563640100000310
对应的协方差矩阵
Figure FDA00037563640100000311
所述Rj是所述Ri的N个邻居中的任一邻居；所述
Figure FDA00037563640100000312
是所述Rj根据其在k-1时刻的位姿
Figure FDA00037563640100000313
经一步预测确定的在所述k时刻的预测位姿；
第一预测单元，用于根据所述Ri在所述k-1时刻的位姿
Figure FDA00037563640100000314
经一步预测确定所述Ri在k时刻的预测位姿
Figure FDA00037563640100000315
第一处理单元，用于根据防御策略从所述N个邻居中剔除M个邻居，所述M个邻居可能是攻击者；
第一确定单元，用于基于协方差交叉算法对剔除所述M个邻居后剩余的N-M个邻居和所述Ri在所述k时刻分别对应的预测位姿、与预测位姿对应的协方差、以及在所述k时刻所述Ri对所述N-M个邻居观测得到的相对位姿进行融合确定所述
Figure FDA00037563640100000316
8.根据权利要求7所述的定位装置，其特征在于，
所述第一处理单元具体用于，根据所述Rj对所述Ri的状态估计的贡献值
Figure FDA00037563640100000317
以及Ri对自身状态估计的贡献值
Figure FDA00037563640100000318
确定从所述N个邻居中剔除的M个邻居，所述
Figure FDA0003756364010000041
和所述
Figure FDA0003756364010000042
是整数。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-6任意一项所述的定位方法中的步骤。
10.一种终端设备，其特征在于，包括：收发器、处理器、存储器及通信总线；
所述收发器用于接收邻居发送的信息；
所述存储器上存储有可被所述处理器执行的计算机可读程序；
所述通信总线实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的定位方法中的步骤。
CN202210858217.0A 2022-07-20 2022-07-20 一种定位方法、相关装置和存储介质 Active CN115342813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210858217.0A CN115342813B (zh) 2022-07-20 2022-07-20 一种定位方法、相关装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210858217.0A CN115342813B (zh) 2022-07-20 2022-07-20 一种定位方法、相关装置和存储介质

Publications (2)

Publication Number Publication Date
CN115342813A true CN115342813A (zh) 2022-11-15
CN115342813B CN115342813B (zh) 2024-06-25

Family

ID=83949619

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210858217.0A Active CN115342813B (zh) 2022-07-20 2022-07-20 一种定位方法、相关装置和存储介质

Country Status (1)

Country Link
CN (1) CN115342813B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111136660A (zh) * 2020-02-19 2020-05-12 清华大学深圳国际研究生院 机器人位姿定位方法及系统
US20210258773A1 (en) * 2020-02-14 2021-08-19 Cisco Technology, Inc. Gps-attack prevention system and method for fine timing measurement (ftm) in 802.11az
CN113301571A (zh) * 2021-05-29 2021-08-24 王程 无线传感网中恶意结点攻击的强防御方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210258773A1 (en) * 2020-02-14 2021-08-19 Cisco Technology, Inc. Gps-attack prevention system and method for fine timing measurement (ftm) in 802.11az
CN111136660A (zh) * 2020-02-19 2020-05-12 清华大学深圳国际研究生院 机器人位姿定位方法及系统
CN113301571A (zh) * 2021-05-29 2021-08-24 王程 无线传感网中恶意结点攻击的强防御方法

Also Published As

Publication number Publication date
CN115342813B (zh) 2024-06-25

Similar Documents

Publication Publication Date Title
CN110675431B (zh) 一种融合图像和激光点云的三维多目标跟踪方法
CN107808407B (zh) 基于双目相机的无人机视觉slam方法、无人机及存储介质
CN108896047B (zh) 分布式传感器网络协同融合与传感器位置修正方法
CN110658821B (zh) 一种多机器人抗干扰分组时变编队控制方法及系统
CN112581515B (zh) 基于图神经网络的户外场景点云配准方法
CN113470089B (zh) 一种基于三维点云的跨域协同定位和建图方法及系统
CN111415417B (zh) 一种集成稀疏点云的移动机器人拓扑经验地图构建方法
Zhang et al. Systematic comparison of graph embedding methods in practical tasks
CN109491241B (zh) 一种针对机动目标的无人机鲁棒化跟踪方法
Junior et al. A new approach for mobile robot localization based on an online IoT system
Hashim A geometric nonlinear stochastic filter for simultaneous localization and mapping
CN114707611B (zh) 基于图神经网络特征提取与匹配的移动机器人地图构建方法、存储介质及设备
CN116908777A (zh) 基于显式通信带标签伯努利的多机器人随机组网协同导航方法
CN109764876B (zh) 无人平台的多模态融合定位方法
CN115342813A (zh) 一种定位方法、相关装置和存储介质
CN110807478B (zh) 一种观测间歇丢失情况下的协同目标跟踪方法
Zamani et al. Minimum-energy distributed filtering
Tsai et al. Cooperative localization using fuzzy DDEIF and broad learning system for uncertain heterogeneous omnidirectional multi-robots
CN115167451A (zh) 一种离散异构多自主体编队合围跟踪控制方法及系统
CN109474892B (zh) 基于信息形式的强鲁棒传感器网络目标跟踪方法
CN113971687A (zh) 对象跟踪方法、装置电子设备及存储介质
CN114742887A (zh) 一种基于点线面特征融合的无人机位姿估计方法
Ikemoto et al. Network connectivity control of mobile robots by fast position estimations and Laplacian kernel
CN113052297B (zh) 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统
Liu et al. Distributed vision network for multiple target tracking using a dynamic hybrid consensus filter

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