CN115343674A - 一种基于可见光的无人机室外高精度定位方法 - Google Patents

一种基于可见光的无人机室外高精度定位方法 Download PDF

Info

Publication number
CN115343674A
CN115343674A CN202210513869.0A CN202210513869A CN115343674A CN 115343674 A CN115343674 A CN 115343674A CN 202210513869 A CN202210513869 A CN 202210513869A CN 115343674 A CN115343674 A CN 115343674A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
visible light
target
noise
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
CN202210513869.0A
Other languages
English (en)
Inventor
冯斯梦
杨松涛
余河灯
张绍川
曹晨
林炜璐
吴启晖
董超
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210513869.0A priority Critical patent/CN115343674A/zh
Publication of CN115343674A publication Critical patent/CN115343674A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种基于可见光的无人机室外高精度定位方法，包括以下步骤：根据可见光通信信道模型，计算该目标点接收到的来自周围3架无人机的无干扰光信号强度；根据室外环境光噪声模型，得到目标点接收到的总光功率；根据无干扰接收光功率，计算无人机与目标点之间的实际距离；根据受环境光噪声干扰的接收光功率，计算所测得的无人机与目标点之间的距离；改变目标位置与无人机分配位置，重复上述四个步骤，获得大量的实际距离值与测距值，并将其作为训练数据，利用BP神经网络修正两组距离值之间的误差；使用训练好的BP神经网络对上上个步骤中所测得的距离值进行优化；由目标周围三架无人机的位置与优化后的距离值，计算出目标的位置。

Description

一种基于可见光的无人机室外高精度定位方法
技术领域
本发明涉及一种基于可见光的无人机室外高精度定位方法，属于无线光通信领域。
背景技术
由于传统射频通信容易收到电磁干扰、电磁静默等影响，造成其性能不稳定，而可见光通信凭借其丰富的宽带资源和不易受外界电磁干扰的优势，可为指定地区提供高速、大容量的通信覆盖。同时，无人机具有体积小、机动性高、可协同部署等优势，利用无人机辅助的可见光定位技术具有广阔的研究前景。在一些特定环境如受灾区域中，当传统的射频通信可能中断时，作为一种补充技术，我们可以将无人机与可见光通信结合，实现对区域的通信覆盖。
在室外环境中，自然光源和人工光源等环境光干扰是室外可见光通信中影响定位性能的主要因素。如果背景光辐射较强(例如，受到阳光直射时)，即来自自然光源和人工光源的平均光功率强于无人机辐射光信号功率时，可见光通信性能会严重受损。目前业界研究者们主要着眼于基于室内环境的可见光定位技术和室内环境光噪声的消除技术。然而，考虑到在室外环境下环境光噪声对定位效果的影响是难以忽视的，因此，基于传统的可见光定位技术，提出一种具有智能室外环境光噪声消除功能的定位技术是非常重要的。
发明内容
发明目的：本发明的目的在于针对现有技术的缺陷或问题，提出一种基于可见光的无人机室外高精度定位方法。
一种基于可见光的无人机室外高精度定位方法，在一定范围内随机生成n个定位目标点(xk,yk)(k＝1,2,...n)，每个目标周围以一定距离为半径的圆形区域内随机生成三个点(xk 1,yk 1,h),(xk 2,yk 2,h),(xk 3,yk 3,h)(k＝1,2,...n)，h为高度，作为三架无人机在对所述目标点进行通信时的分配位置，
基于可见光的无人机室外高精度定位方法包括以下步骤：
步骤一：根据可见光通信信道模型，计算所述目标点接收到的来自周围三架无人机的无干扰接收光功率
Figure RE-GDA0003845052910000011
步骤二：根据室外环境光噪声模型，将步骤一中得到的无干扰接收光功率
Figure RE-GDA0003845052910000021
与环境光噪声功率
Figure RE-GDA0003845052910000022
相加，得到目标点接收到的受环境光噪声干扰的总光功率
Figure RE-GDA0003845052910000023
Figure RE-GDA0003845052910000024
步骤三：根据步骤一中得到的无干扰接收光功率
Figure RE-GDA0003845052910000025
计算无人机与目标点之间的实际距离值
Figure RE-GDA0003845052910000026
步骤四：根据步骤二中目标点接收到的受环境光噪声干扰的总光功率
Figure RE-GDA0003845052910000027
计算所测得的三架无人机与目标点之间的距离为测距值
Figure RE-GDA0003845052910000028
步骤五：改变所述目标点位置与周围3架无人机分配位置，重复上述四个步骤，获得大量的实际距离值
Figure RE-GDA0003845052910000029
与测距值
Figure RE-GDA00038450529100000210
(r＝1,2,3，t为重复次数)，并将其作为训练数据，利用BP神经网络修正实际距离值
Figure RE-GDA00038450529100000211
与测距值
Figure RE-GDA00038450529100000212
之间的误差；
步骤六：使用训练好的BP神经网络对步骤四中的测距值
Figure RE-GDA00038450529100000213
Figure RE-GDA00038450529100000214
进行优化，得到优化后的距离值
Figure RE-GDA00038450529100000215
Figure RE-GDA00038450529100000216
步骤七：由所述的目标点周围三架无人机的位置(xk 1,yk 1,h),(xk 2,yk 2,h),(xk 3,yk 3,h) 与步骤六中得到的优化后的距离值
Figure RE-GDA00038450529100000217
根据三点定位模型，计算出目标的位置(xk’,yk’)(k＝1,2,...n)。
进一步的，步骤一中，所述的可见光通信信道模型定义为：
Figure RE-GDA00038450529100000218
其中H(0)表示信道直流增益，A表示光电探测器中探测器的物理面积，Dd表示地面用户点与无人机之间的距离，
Figure RE-GDA00038450529100000219
表示辐照角，ψ表示入射角，Ts(ψ)表示光学滤波器的增益，g(ψ)表示光学集中器的增益，Ψc表示接收机视场角，m为Lambert 光源模型的阶数。
进一步的，步骤一中，所述的光学集中器的增益g(ψ)定义为：
Figure RE-GDA0003845052910000031
其中n表示折射率，ψ表示入射角，Ψc表示接收机视场角。
进一步的，步骤二中，所述的室外环境光噪声模型定义为：
Figure RE-GDA0003845052910000032
其中
Figure RE-GDA0003845052910000033
表示散粒噪声功率，
Figure RE-GDA0003845052910000034
表示热噪声，
Figure RE-GDA0003845052910000035
表示为：
Figure RE-GDA0003845052910000036
其中q为电子电荷量，Bs为等效噪声带宽，R为光电转换系数，Pr为接收机接收光功率，Ib为背景电流强度，I2为噪声带宽因子。
进一步的，步骤二中，所述的热噪声
Figure RE-GDA0003845052910000037
表示为：
Figure RE-GDA0003845052910000038
其中G为开环电压增益，k为玻尔兹曼常数，Tk为绝对温度，η为光电探测器单位面积电容，A为光电探测器的物理面积，I2为噪声带宽因子，Bs为等效噪声带宽，Γ为场效应管噪声因子，g为场效应管的跨导，I3为补偿因子。
进一步的，步骤五中，所述的利用BP神经网络修正实际距离值
Figure RE-GDA0003845052910000039
与测距值
Figure RE-GDA00038450529100000310
之间的误差，
首先，计算出BP神经网络中隐含层Houto与输出层的输出Youtr，
Figure RE-GDA00038450529100000311
Figure RE-GDA00038450529100000312
其中
Figure RE-GDA00038450529100000313
为传递函数，wio表示输入层到隐含层的连接权值，vor表示隐含层到输出层的连接权值，bo表示隐含层各神经元的偏置值，lr表示输出层各神经元的偏置值，s为隐含层神经元个数。
其次，计算出输出结果与预期结果之间的均方误差
Figure RE-GDA0003845052910000041
使用梯度下降算法不断更新BP神经网络中的连接权值与偏置值以减小均方误差e，即
Figure RE-GDA0003845052910000042
其中N表示训练次数，μ表示学习效率，wio表示输入层到隐含层的连接权值，vor表示隐含层到输出层的连接权值，bo表示隐含层各神经元的偏置值，lr表示输出层各神经元的偏置值，当均方误差e被控制在指定限度之内则认为训练完成，即
Figure RE-GDA0003845052910000043
其中Youtr,trained为训练结束时输出层的输出，erequired表示指定误差限度。
进一步的，步骤七中，所述的三点定位模型定义为：
Figure RE-GDA0003845052910000044
Figure RE-GDA0003845052910000045
Figure RE-GDA0003845052910000046
其中，
Figure RE-GDA0003845052910000047
为目标周围三架无人机的距离，通过联立上述三式计算目标点的位置[xk,solved,yk,solved,zk,solved]将会得到两个解，一个为真实解，另一个是根据无人机的飞行高度进行判断的可丢弃解，添加限制条件zk,solved<h来获得最终目标点的位置解(xk’,yk’)。
有益效果：
与现有技术相比，本发明具有以下优点：
1、凭借可见光通信技术不受外部电磁干扰且具有海量频谱资源等优点，结合无人机的高机动性、可快速部署等优势，本发明将可见光通信与无人机定位相结合，创新性地提出了一种无人机辅助的室外可见光定位技术。本发明不仅可以为区域提供照明功能，还能提供高速、大容量的通信覆盖，并实现对区域内目标的精准定位。
2、本发明突破了现有的基于室内场景的可见光定位技术研究，实现了室外场景的可见光定位。同时考虑了室外环境所不可避免的环境光噪声对定位性能的影响，通过环境光噪声的建模对该影响进行量化，在经典三点定位法的基础上，利用BP神经网络对环境光噪声进行消除，从而实现了一种高精度的室外可见光定位方法。
附图说明：
图1为本发明涉及的定位场景示意图；
图2为本发明不同定位算法的定位误差与目标数量关系实验仿真结果图；
图3为本发明不同定位算法的定位误差与接收机视场角FoV关系实验仿真结果图；
图4为本发明不同定位算法的定位误差与无人机数量关系实验仿真结果图。
具体实施方式
下面结合说明书附图和实施例对本发明技术方案做进一步的详细说明，本发明的实施方式包括但不限于下列实施例。
本发明提供的一种基于可见光的无人机室外高精度定位方法，在一定范围内随机生成n个定位目标点(xk,yk)(k＝1,2,...n)，每个目标周围以一定距离为半径的圆形区域内随机生成3个点(xk 1,yk 1,h),(xk 2,yk 2,h),(xk 3,yk 3,h)(k＝1,2,...n)，作为三架无人机在对该目标进行通信时的分配位置。所述基于智能算法消除环境光噪声的无人机协助高精度室外可见光定位方法包括以下步骤：
步骤1：根据可见光通信信道模型，计算该目标点接收到的来自周围3架无人机的无干扰接受光功率
Figure RE-GDA0003845052910000051
Figure RE-GDA0003845052910000052
其中Pt表示传输光功率，H(0)为信道直流增益：
Figure RE-GDA0003845052910000061
其中A表示光电探测器中探测器的物理面积，Dd表示地面用户点与无人机之间的距离，
Figure RE-GDA0003845052910000062
表示辐照角，ψ表示入射角，Ts(ψ)表示光学滤波器的增益，g(ψ)表示光学集中器的增益，Ψc表示接收机视场角(FoV)，m为Lambert光源模型的阶数。
光学集中器的增益g(ψ)定义为：
Figure RE-GDA0003845052910000063
其中n表示折射率。
步骤2：根据室外环境光噪声模型，将步骤1中得到的无干扰接受光功率
Figure RE-GDA0003845052910000064
与环境光噪声功率
Figure RE-GDA0003845052910000065
相加，得到目标点接收到的总光功率
Figure RE-GDA0003845052910000066
室外环境光噪声模型定义为：
Figure RE-GDA0003845052910000067
其中
Figure RE-GDA0003845052910000068
表示散粒噪声功率，
Figure RE-GDA0003845052910000069
表示热噪声。
Figure RE-GDA00038450529100000610
可以表示为：
Figure RE-GDA00038450529100000611
其中q为电子电荷量，Bs表示等效噪声带宽，Ib为背景电流强度，I2为噪声带宽因子，Pr为接收机接收光功率，R表示光电转换系数。
热噪声
Figure RE-GDA00038450529100000612
可以表示为：
Figure RE-GDA00038450529100000613
其中G为开环电压增益，k为玻尔兹曼常数，Tk为绝对温度，η为光电探测器单位面积电容，A为光电探测器的物理面积，I2为噪声带宽因子，Bs表示等效噪声带宽，Γ为场效应管噪声因子，g为场效应管的跨导，约为几十毫导，I3为补偿因子，其值为0.868。
步骤3：依据步骤1中得到的无干扰接收光功率
Figure RE-GDA00038450529100000614
计算无人机与目标点之间的实际距离
Figure RE-GDA00038450529100000615
Figure RE-GDA0003845052910000071
其中，m为Lambert光源模型的阶数，
Figure RE-GDA0003845052910000072
表示辐照角，ψ表示入射角，Ts(ψ)表示光学滤波器的增益，g(ψ)表示光学集中器的增益，Pt表示传输光功率。
步骤4：根据步骤2中受环境光噪声干扰的接收光功率
Figure RE-GDA0003845052910000073
Figure RE-GDA0003845052910000074
计算所测得的无人机与目标点之间的距离
Figure RE-GDA0003845052910000075
Figure RE-GDA0003845052910000076
Figure RE-GDA0003845052910000077
其中，m为Lambert光源模型的阶数，
Figure RE-GDA0003845052910000078
表示辐照角，ψ表示入射角，Ts(ψ)表示光学滤波器的增益，g(ψ)表示光学集中器的增益，Pt表示传输光功率。
步骤5：改变目标位置与无人机分配位置，重复上述四个步骤，获得大量的实际距离值
Figure RE-GDA0003845052910000079
与测距值
Figure RE-GDA00038450529100000710
(r＝1,2,3，t为重复次数)，并将其作为训练数据，利用BP神经网络修正两组距离值之间的误差。首先计算出神经网络中隐含层Houto与输出层的输出Youtr，
Figure RE-GDA00038450529100000711
Figure RE-GDA00038450529100000712
其中
Figure RE-GDA00038450529100000713
为传递函数，wio表示输入层到隐含层的连接权值，vor表示隐含层到输出层的连接权值，bo表示隐含层各神经元的偏置值，lr表示输出层各神经元的偏置值，s为隐含层神经元个数。
接着求出输出结果与预期结果之间的均方误差
Figure RE-GDA00038450529100000714
并使用梯度下降算法不断更新神经网络中的连接权值与偏置值以减小均方误差e，即
Figure RE-GDA0003845052910000081
其中N表示训练次数，μ表示学习效率，wio表示输入层到隐含层的连接权值，vor表示隐含层到输出层的连接权值，bo表示隐含层各神经元的偏置值，lr表示输出层各神经元的偏置值。当均方误差e被控制在指定限度之内则可认为训练完成，即
Figure RE-GDA0003845052910000082
其中Youtr,trained为训练结束时输出层的输出，erequired表示指定误差限度。
步骤6：使用训练好的BP神经网络对步骤4中所测得的距离值
Figure RE-GDA0003845052910000083
Figure RE-GDA0003845052910000084
进行优化，得到优化后的距离值
Figure RE-GDA0003845052910000085
Figure RE-GDA0003845052910000086
Figure RE-GDA0003845052910000087
Figure RE-GDA0003845052910000088
Figure RE-GDA0003845052910000089
其中Houto’表示已训练神经网络的隐含层输出，Youtr’表示已训练神经网络的输出层输出，wio，，bo’表示训练结束时神经网络中的连接权值，s为隐含层神经元个数，vir，，lr’表示训练结束时神经网络中的偏置值。
步骤7：由目标周围三架无人机的位置(xk 1,yk 1,h),(xk 2,yk 2,h),(xk 3,yk 3,h)与步骤6 中得到的优化后的距离值
Figure RE-GDA0003845052910000091
根据三点定位模型，计算出目标的位置(xk’,yk’)(k＝1,2,...n)。
Figure RE-GDA0003845052910000092
Figure RE-GDA0003845052910000093
Figure RE-GDA0003845052910000094
通过联立上述三式解目标的位置[xk,solved,yk,solved,zk,solved]将会得到两个解，其一为真实解，另一个是可以根据无人机的飞行高度进行判断的可丢弃解。因此，可以添加限制条件zk,solved<h来获得最终的目标位置解(xk’,yk’)。
图2展示了本发明的定位算法(BP优化+三点定位法)的定位误差与其他两种定位算法：最小二乘法和不进行BP优化的三点定位法的定位误差随着区域内目标数量从3增加到8的变化趋势，我们在MATLAB软件中进行模拟仿真。仿真结果显示，相较于不进行BP优化的三点定位法，最小二乘法具有更高的定位精度，这是由于最小二乘法具有较高的抗误差能力。而与BP优化结合的三点定位法，由于其定位所使用的优化距离值近似于真实的距离值，因此该方法达到了最高的定位精度。
图3利用MATLAB软件仿真了三种定位算法的定位误差随FoV变化的变化趋势，从仿真结果可以看出，不进行BP优化的三点定位法的定位误差受FoV 变化的影响比较大，在FoV为90°时达到峰值，最小二乘法的定位误差也随FoV 的变化而变化，但变化幅度较小。而与BP优化结合的三点定位法的定位误差基本保持不变，说明该定位方法的稳定性比较高。这是由于噪声对定位的影响总是可以通过BP神经网络优化控制在预期的范围内，因此无论FoV如何变化，三点定位总是基于实际距离的近似值来进行。
图4利用MATLAB软件仿真了三种定位算法的定位误差随无人机数量变化的变化趋势，与通常情况下使用3架无人机进行定位不同，使用更多无人机进行定位需要对目标接收到最大光功率的3架无人机进行选择。从仿真结果可以看出，三种算法的定位误差都随着无人机数量的增加而呈下降趋势。然而，当无人机数量达到5架及以上时，下降趋势变得不明显。因此，综合考虑成本和定位精度，使用5架无人机进行定位是最优选择。
上述实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

Claims (7)

1.一种基于可见光的无人机室外高精度定位方法，其特征在于：在一定范围内随机生成n个定位目标点(xk,yk)(k＝1,2,...n)，每个目标周围以一定距离为半径的圆形区域内随机生成三个点(xk 1,yk 1,h),(xk 2,yk 2,h),(xk 3,yk 3,h)(k＝1,2,...n)，h为高度，作为三架无人机在对所述目标点进行通信时的分配位置，
所述的基于可见光的无人机室外高精度定位方法包括以下步骤：
步骤一：根据可见光通信信道模型，计算所述目标点接收到的来自周围三架无人机的无干扰接收光功率
Figure FDA0003640598910000011
步骤二：根据室外环境光噪声模型，将步骤一中得到的无干扰接收光功率
Figure FDA0003640598910000013
与环境光噪声功率
Figure FDA0003640598910000014
相加，得到目标点接收到的受环境光噪声干扰的总光功率
Figure FDA0003640598910000015
Figure FDA0003640598910000016
步骤三：根据步骤一中得到的无干扰接收光功率
Figure FDA0003640598910000017
计算无人机与目标点之间的实际距离值
Figure FDA0003640598910000018
步骤四：根据步骤二中目标点接收到的受环境光噪声干扰的总光功率
Figure FDA00036405989100000110
计算所测得的三架无人机与目标点之间的距离为测距值
Figure FDA00036405989100000111
步骤五：改变所述目标点位置与周围3架无人机分配位置，重复上述四个步骤，获得大量的实际距离值
Figure FDA00036405989100000113
与测距值
Figure FDA00036405989100000114
(r＝1,2,3，t为重复次数)，并将其作为训练数据，利用BP神经网络修正实际距离值
Figure FDA00036405989100000115
与测距值
Figure FDA00036405989100000116
之间的误差；
步骤六：使用训练好的BP神经网络对步骤四中的测距值
Figure FDA00036405989100000117
Figure FDA00036405989100000118
进行优化，得到优化后的距离值
Figure FDA00036405989100000119
Figure FDA00036405989100000120
步骤七：由所述的目标点周围三架无人机的位置(xk 1,yk 1,h),(xk 2,yk 2,h),(xk 3,yk 3,h)与步骤六中得到的优化后的距离值
Figure FDA00036405989100000121
根据三点定位模型，计算出目标的位置(xk’,yk’)(k＝1,2,...n)。
2.根据权利要求1所述的一种基于可见光的无人机室外高精度定位方法，其特征在于，步骤一中，所述的可见光通信信道模型定义为：
Figure FDA0003640598910000021
其中H(0)表示信道直流增益，A表示光电探测器中探测器的物理面积，Dd表示地面用户点与无人机之间的距离，
Figure FDA0003640598910000022
表示辐照角，ψ表示入射角，Ts(ψ)表示光学滤波器的增益，g(ψ)表示光学集中器的增益，Ψc表示接收机视场角，m为Lambert光源模型的阶数。
3.根据权利要求2所述的一种基于可见光的无人机室外高精度定位方法，其特征在于，步骤一中，所述的光学集中器的增益g(ψ)定义为：
Figure FDA0003640598910000023
其中n表示折射率，ψ表示入射角，Ψc表示接收机视场角。
4.根据权利要求1所述的一种基于可见光的无人机室外高精度定位方法，其特征在于，步骤二中，所述的室外环境光噪声模型定义为：
Figure FDA0003640598910000024
其中
Figure FDA0003640598910000025
表示散粒噪声功率，
Figure FDA0003640598910000026
表示热噪声，
Figure FDA0003640598910000027
表示为：
Figure FDA0003640598910000028
其中q为电子电荷量，Bs为等效噪声带宽，R为光电转换系数，Pr为接收机接收光功率，Ib为背景电流强度，I2为噪声带宽因子。
5.根据权利要求4所述的一种基于可见光的无人机室外高精度定位方法，其特征在于，步骤二中，所述的热噪声
Figure FDA0003640598910000029
表示为：
Figure FDA00036405989100000210
其中G为开环电压增益，k为玻尔兹曼常数，Tk为绝对温度，η为光电探测器单位面积电容，A为光电探测器的物理面积，I2为噪声带宽因子，Bs为等效噪声带宽，Γ为场效应管噪声因子，g为场效应管的跨导，I3为补偿因子。
6.根据权利要求1所述的一种基于可见光的无人机室外高精度定位方法，其特征在于，步骤五中，所述的利用BP神经网络修正实际距离值
Figure FDA0003640598910000031
与测距值
Figure FDA0003640598910000032
之间的误差，
首先，计算出BP神经网络中隐含层Houto与输出层的输出Youtr，
Figure FDA0003640598910000033
Figure FDA0003640598910000034
其中
Figure FDA0003640598910000035
为传递函数，wio表示输入层到隐含层的连接权值，vor表示隐含层到输出层的连接权值，bo表示隐含层各神经元的偏置值，lr表示输出层各神经元的偏置值，s为隐含层神经元个数，
其次，计算出输出结果与预期结果之间的均方误差
Figure FDA0003640598910000036
使用梯度下降算法不断更新BP神经网络中的连接权值与偏置值以减小均方误差e，即
Figure FDA0003640598910000037
其中N表示训练次数，μ表示学习效率，wio表示输入层到隐含层的连接权值，vor表示隐含层到输出层的连接权值，bo表示隐含层各神经元的偏置值，lr表示输出层各神经元的偏置值，当均方误差e被控制在指定限度之内则认为训练完成，即
Figure FDA0003640598910000038
其中Youtr,trained为训练结束时输出层的输出，erequired表示指定误差限度。
7.根据权利要求1所述的一种基于可见光的无人机室外高精度定位方法，其特征在于，步骤七中，所述的三点定位模型定义为：
Figure FDA0003640598910000041
Figure FDA0003640598910000042
Figure FDA0003640598910000043
其中，
Figure FDA0003640598910000044
为目标周围三架无人机与目标间的距离，通过联立上述三式计算目标点的位置[xk,solved,yk,solved,zk,solved]将会得到两个解，一个为真实解，另一个是根据无人机的飞行高度进行判断的可丢弃解，添加限制条件zk,solved<h来获得最终目标点的位置解(xk’,yk’)。
CN202210513869.0A 2022-05-12 2022-05-12 一种基于可见光的无人机室外高精度定位方法 Pending CN115343674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210513869.0A CN115343674A (zh) 2022-05-12 2022-05-12 一种基于可见光的无人机室外高精度定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210513869.0A CN115343674A (zh) 2022-05-12 2022-05-12 一种基于可见光的无人机室外高精度定位方法

Publications (1)

Publication Number Publication Date
CN115343674A true CN115343674A (zh) 2022-11-15

Family

ID=83947428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210513869.0A Pending CN115343674A (zh) 2022-05-12 2022-05-12 一种基于可见光的无人机室外高精度定位方法

Country Status (1)

Country Link
CN (1) CN115343674A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700354A (zh) * 2023-08-01 2023-09-05 众芯汉创(江苏)科技有限公司 一种基于可见光数据的空间位置校核判定方法
CN116886213A (zh) * 2023-08-22 2023-10-13 广东海洋大学 一种实现无人机在可见光通信中对准光源的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700354A (zh) * 2023-08-01 2023-09-05 众芯汉创(江苏)科技有限公司 一种基于可见光数据的空间位置校核判定方法
CN116700354B (zh) * 2023-08-01 2023-10-17 众芯汉创(江苏)科技有限公司 一种基于可见光数据的空间位置校核判定方法
CN116886213A (zh) * 2023-08-22 2023-10-13 广东海洋大学 一种实现无人机在可见光通信中对准光源的方法
CN116886213B (zh) * 2023-08-22 2024-05-28 广东海洋大学 一种实现无人机在可见光通信中对准光源的方法

Similar Documents

Publication Publication Date Title
CN115343674A (zh) 一种基于可见光的无人机室外高精度定位方法
CN109492556B (zh) 面向小样本残差学习的合成孔径雷达目标识别方法
CN108872964B (zh) 基于无人机LiDAR数据的银杏人工林郁闭度提取方法
CN109253976B (zh) 基于光感模块的高光谱实时辐射定标方法
CN115356249B (zh) 基于机器学习融合模型的卫星偏振pm2.5估算方法和系统
CN106941718A (zh) 一种基于信号子空间指纹库的混合室内定位方法
CN112468954A (zh) 一种基于神经网络的可见光室内立体定位方法
CN112066977B (zh) 一种光电测量网络多目标匹配与编目方法
CN111199280B (zh) 短波信道模型误差存在下联合信号复包络和载波相位信息的多站目标源地理坐标估计方法
CN114563353B (zh) 一种基于多源卫星遥感数据土壤热通量预测方法
CN104915982A (zh) 树冠层光照分布预测模型构建方法及光照分布检测方法
Chaochuan et al. High-accuracy 3D indoor visible light positioning method based on the improved adaptive cuckoo search algorithm
CN114624645A (zh) 一种基于微型天线阵列的小型旋翼无人机雷达侦察系统
CN111737641A (zh) 一种基于神经网络的mwhts通道权重函数计算方法
CN111241991B (zh) 一种基于遥感影像的水质分类方法
CN111198162B (zh) 一种城区表面反射率遥感反演方法
CN111832828A (zh) 基于风云四号气象卫星的智能降水预测方法
Xu et al. Indoor high precision positioning system based on visible light communication and location fingerprinting
LeBohec et al. The cosmic ray background as a tool for relative calibration of atmospheric Cherenkov telescopes
CN110108672A (zh) 一种基于深度信念网络的气溶胶消光系数反演方法
CN106769895A (zh) 一种标定测量整层大气光谱透过率的方法
CN113219408A (zh) 改进型rbf神经网络室内可见光定位方法及系统
CN103777205B (zh) 基于遥感影像dn值多元参量定标模型的自适应成像方法
CN117233699A (zh) 一种基于改进的粒子群算法的室内可见光定位方法
CN112285068A (zh) 一种无人机分段测量大气透过率的装置及测量方法

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