CN115437261A - 一种基于距离定位的未知目标围剿方法 - Google Patents

一种基于距离定位的未知目标围剿方法 Download PDF

Info

Publication number
CN115437261A
CN115437261A CN202211407432.5A CN202211407432A CN115437261A CN 115437261 A CN115437261 A CN 115437261A CN 202211407432 A CN202211407432 A CN 202211407432A CN 115437261 A CN115437261 A CN 115437261A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
agent
drone
target
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
CN202211407432.5A
Other languages
English (en)
Other versions
CN115437261B (zh
Inventor
孟伟
郭创鹏
刘芬
陈龙生
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211407432.5A priority Critical patent/CN115437261B/zh
Publication of CN115437261A publication Critical patent/CN115437261A/zh
Application granted granted Critical
Publication of CN115437261B publication Critical patent/CN115437261B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于距离测量的无人机围剿方法，包括：首先，确定代理无人机和目标无人机的动力学模型；其次，在代理无人机的坐标系统一的前提下，代理无人机实时获取自身的位移参数以及代理无人机之间、代理无人机与目标无人机之间的距离参数，结合所述动力学模型，构建代理无人机与目标无人机位置的位置关系模型，并构建对目标无人机的位置估计器；最后，利用位置估计器结合代理无人机到目标无人机之间的相对估计位置，通过预设的自适应围剿控制器，结合预设的针对于目标无人机的围剿轨迹的半径以及轨迹控制频率、控制器增益，得到代理无人机的速度控制指令，代理无人机根据所述速度控制指令围剿目标无人机。

Description

一种基于距离定位的未知目标围剿方法
技术领域
本发明涉及无人机领域，具体涉及一种基于距离定位的未知目标围剿方法。
背景技术
无人机系统围剿控制在联合监控、联合打击、目标追踪、环境勘测等方面有着广泛的应用，引起了诸多学者的关注。在多无人机系统对目标的围剿算法中，不仅要实现无人机整体上的协同运动，还需要通过对目标的合围，实现对目标的保护或打击等任务。多无人机系统围剿控制问题的核心思想是通过对目标的探测和无人机个体间的信息交互，设计控制协议，使得多无人机系统接近目标并按照一定的包围结构对目标形成包围。在实际应用中，对目标的探测有诸多的限制，获取其全部位置信息并不容易，所以基于目标的不全信息的包围控制问题显得尤为重要。
首先，与静态目标相比，移动目标的围剿不是一个相对平衡的运动，这使得控制问题更加复杂。为了使得目标包围圈控制，进一步要求所有无人机一起在以目标为中心的圆上滑翔。为了实现移动目标的围剿任务，大部分相关工作都要求代理无人机能够获取或估计目标的位置或其他信息。而且代理无人机之间的信息获取方式可分为直接和间接两种。直接的是指信息在多无人机系统之间的传输是通过有线或无线网络。间接的是代理无人机通过相对距离测量或方位测量获得相邻无人机或目标的状态信息。
但是，在大多数实际情况下，无人机是无法直接获得目标的绝对位置信息。因此，人们提出了许多相对定位算法，如基于距离的或者基于方位的等。目标的位置不能仅依靠代理与目标之间的瞬时距离测量来估计。因此，现有的基于距离的定位算法除了在连续两个瞬间测量相对距离外，都要求通过直接将移动目标的位移传递给其他移动代理来获得相对位移。
然而，在实际应用中，目标的状态可能是完全未知的，目标和代理之间不存在直接通信。正如围剿的目标是敌对关系，不可能将其位置共享给围剿者。因此，如何仅根据距离估计目标的实时相对位置是目前的研究空洞。
发明内容
本发明的目的是提供一种基于距离定位的未知目标围剿方法，用以解决仅根据距离估计目标的实时相对位置的问题。
为了实现上述任务，本发明采用以下技术方案：
一种基于距离测量的无人机围剿方法，包括：
首先，确定代理无人机和目标无人机的动力学模型；
其次，在代理无人机的坐标系统一的前提下，代理无人机实时获取自身的位移参数以及代理无人机之间、代理无人机与目标无人机之间的距离参数，结合所述动力学模型，构建代理无人机与目标无人机位置的位置关系模型，并构建对目标无人机的位置估计器；
最后，利用位置估计器结合代理无人机到目标无人机之间的相对估计位置，通过预设的自适应围剿控制器，结合预设的针对于目标无人机的围剿轨迹的半径以及轨迹控制频率、控制器增益，得到代理无人机的速度控制指令，代理无人机根据所述速度控制指令围剿目标无人机；其中，所述自适应围剿控制器表示为：
Figure 689507DEST_PATH_IMAGE001
其中
Figure 397569DEST_PATH_IMAGE002
为控制器增益，满足
Figure 261268DEST_PATH_IMAGE003
，T 为采样周期；
Figure 371175DEST_PATH_IMAGE004
是预先设定的围剿轨迹，代理无人机 1 和代理无人机 2 在以目标无人机为中心的圆形围剿轨迹上对称运动；r是代理无人机 1 和代理无人机 2 轨迹的半径，k 表示时刻，R代表实数集，n 代表维度，
Figure 274409DEST_PATH_IMAGE005
是围剿的轨迹控制频率；
Figure 673030DEST_PATH_IMAGE006
、
Figure 523174DEST_PATH_IMAGE007
表 示代理无人机 1、代理无人机 2 到目标无人机的相对估计位置，
Figure 97375DEST_PATH_IMAGE008
和
Figure 171510DEST_PATH_IMAGE009
是代理无人机 1 和代理无人机 2 的速度控制指令。
进一步地，所述构建对目标无人机的位置估计器，包括：
Figure 260689DEST_PATH_IMAGE010
表示目标无人机在 k 时刻位置估计量，则变量
Figure 117786DEST_PATH_IMAGE011
表示：
Figure 280914DEST_PATH_IMAGE012
其中，
Figure 794460DEST_PATH_IMAGE013
表示代理无人机 1 到代理无人机 2 的相对位置，上标 T 表示转置操作；
对目标无人机的位置便可通过估计量
Figure 308618DEST_PATH_IMAGE010
进行估计，位置估计器表示为：
Figure 500565DEST_PATH_IMAGE014
其中
Figure 49358DEST_PATH_IMAGE015
是估计增益，表示为：
Figure 730875DEST_PATH_IMAGE016
其中， 目标无人机在 k 时刻的协方差矩阵
Figure 732329DEST_PATH_IMAGE017
表示为：
Figure 727967DEST_PATH_IMAGE018
其中
Figure 131266DEST_PATH_IMAGE019
表示指数遗忘因子和
Figure 983685DEST_PATH_IMAGE020
表示信息利用因子；
Figure 472435DEST_PATH_IMAGE021
表示n维的单位矩阵，
Figure 802922DEST_PATH_IMAGE022
表示上一个时刻的协方差矩阵。
进一步地，所述预先设定的围剿轨迹满足
Figure 123045DEST_PATH_IMAGE023
。
进一步地，所述代理无人机和目标无人机的动力学模型表示为：
Figure 21731DEST_PATH_IMAGE024
其中
Figure 856832DEST_PATH_IMAGE025
，
Figure 397534DEST_PATH_IMAGE026
为代理无人机i 在k 时刻的位置, R 代表实数集， n 代表维度；
Figure 509847DEST_PATH_IMAGE027
为代理无人机i 速度控制指令，满足
Figure 638821DEST_PATH_IMAGE028
；
Figure 226797DEST_PATH_IMAGE029
和
Figure 305612DEST_PATH_IMAGE030
分别为预设的代理无人机速度差的最小值和最大值， T 是采样周期。
进一步地，当代理无人机 1、代理无人机 2 的坐标不统一时：
通过布置基站，将两个代理无人机安置标签以统一为一个坐标系；或以一个代理无人机的坐标系为参考坐标系，另一个代理无人机只需确定其初始相对于参考坐标系的初始状态，结合自身的计算的状态与初始状态通过一个旋转矩阵便可换算到参考坐标系上，由此实现两个代理无人机坐标系统一。
进一步地，所述构建代理无人机与目标无人机位置的位置关系模型，表示为：
Figure 272431DEST_PATH_IMAGE031
其中，
Figure 575236DEST_PATH_IMAGE013
表示代理无人机 1 到代理无人机 2 的相对位置， 上标 T 表示转置，
Figure 384929DEST_PATH_IMAGE010
为 k 时刻目标无人机的位置，
Figure 1855DEST_PATH_IMAGE032
代表代理无人机 i 与目标无人机的相对距离，i=1,2；
Figure 947815DEST_PATH_IMAGE033
Figure 687101DEST_PATH_IMAGE034
和
Figure 859456DEST_PATH_IMAGE035
分 别表示代理无人机1 和代理无人机 2 的初始位置，
Figure 873548DEST_PATH_IMAGE036
、
Figure 142856DEST_PATH_IMAGE037
表示代理无人机1、 2 的位移积分量，
Figure 459567DEST_PATH_IMAGE038
表示积分过程中的变量参数，
Figure 246782DEST_PATH_IMAGE038
=0， …， k-1。
进一步地，代理无人机自身的位移参数以及代理无人机之间、代理无人机与目标无人机之间的距离参数，表示为：
Figure 939932DEST_PATH_IMAGE039
式 2
Figure 267008DEST_PATH_IMAGE040
代表编号为 i 的代理无人机在 k 时刻的位移，
Figure 348096DEST_PATH_IMAGE041
表示编号为i 的代理无人机与编号为 j 的代理无人机/目标无人机在 k 时刻的欧几里得距离；位移
Figure 354099DEST_PATH_IMAGE040
和距离
Figure 850939DEST_PATH_IMAGE041
可以通过两个代理无人机的机载传感器测量，
Figure 829259DEST_PATH_IMAGE042
，
Figure 877987DEST_PATH_IMAGE043
表 示编号为i 的代理无人机的位置、 编号为 j 的代理无人机/目标无人机的位置。
与现有技术相比，本发明具有以下技术特点：
1.本发明创新地将目标无人机的运动学模型用非线性系统代替，同时验证了其是稳定可行的；2.本发明创新地设计两个不同坐标系情况下的代理无人机的位置估计，并且通过误差分析验证其收敛性快，误差小；
3.本发明创新地设计了反同步围剿控制器，实现了快速的围剿效果；
4.本发明从数据角度分析，所需要的仅有距离测量，与目标无人机的无交互，并且代理无人机的独立性高，环境适应性更强；
5.本发明仅有距离测量，从硬件上考虑，所需要的资源更少，同时计算复杂度更低。
附图说明
图1为距离测量示意图；
图2为在同一坐标系下的围剿仿真图；
图3为在不同坐标系下的围剿仿真图；
图4为本发明的实现流程图；
图5为本发明的gazebo仿真图；
图6为仿真轨迹图；
图7为统一坐标系的误差图；
图8为不同坐标系的误差图。
具体实施方式
本发明提出了一种基于距离测量的无人机围剿方法，与现有的研究不同的是，一方面，本发明将围剿目标定于成一个完全未知的非线性模型进行估计，另一方面，针对围剿目标，仅使用距离测量，顶替了过往研究中需要围剿目标与围剿者之间建立通信这样的不合常理的方法。同时，针对代理无人机间的定位问题，就实际情况考虑了代理无人机间是否在统一坐标系上分别做出不同的位置估计器建模，更好的根据实际应用中的情况下进行。最后，设计了一个新的自适应围剿控制器，实现了两个代理无人机与目标形成一条直线持续包围，而且验证了他的快速性和稳定性，同时在实验中得到了很好的验证。
参见附图，本发明的一种基于距离测量的无人机围剿方法，包括以下步骤：
首先，确定代理无人机和目标无人机的动力学模型；
其次，在代理无人机的坐标系统一的前提下，代理无人机实时获取自身的位移参数以及代理无人机之间、代理无人机与目标无人机之间的距离参数，结合所述动力学模型，构建代理无人机与目标无人机位置的位置关系模型，并构建对目标无人机的位置估计器；
最后，利用位置估计器结合代理无人机到目标无人机之间的相对估计位置，通过预设的自适应围剿控制器，结合预设的针对于目标无人机的围剿轨迹的半径 以及轨迹控制频率、控制器增益，得到代理无人机的速度控制指令，代理无人机根据所述速度控制指令围剿目标无人机。
本发明的具体设计过程说明如下：
1.确定代理无人机和目标无人机的动力学模型。
在本发明中，多无人机包含一个目标无人机和两个代理无人机；这两个代理无人机的任务是在相对距离测量值的基础上，对位置未知的目标无人机进行协同估计和包围。
首先将两个代理无人机的位置模型建立为离散时间动力学系统：
Figure 512230DEST_PATH_IMAGE024
式1
其中
Figure 78341DEST_PATH_IMAGE025
,
Figure 707905DEST_PATH_IMAGE026
为代理无人机i在k时刻的位置，R代表实数集，n代表维度。
Figure 130797DEST_PATH_IMAGE027
为自适应围剿控制器给出的代理无人机i速度控制指令，满足
Figure 986757DEST_PATH_IMAGE028
；
Figure 950034DEST_PATH_IMAGE029
和
Figure 575050DEST_PATH_IMAGE044
分别为预设的代理无人机速度差的最小值和最大值，T是采样周期。
目标无人机的位置和模型都是未知的；目标无人机在下文公式以下标为0进行代替，而两个代理无人机公式中以下标为1,2进行代替。
2.设计无人机的位置估计器模型
在本方案中，假设k时刻目标无人机的位置为
Figure 165913DEST_PATH_IMAGE045
，这个位置对两个代理无人机是未知的，仅知道他们与目标无人机之间的相对距离测量值，相对距离测量值在实际中可以通过UWB模块直接测量、RGBD的深度信息或者通过双目相机做视差获得。此外，在初始围剿开始前阶段，两个代理无人机同步在同一个坐标系中；接下来，本方案将设计目标位置估计器和围剿控制器，以保证任务的准确性和收敛性。
2.1 构建代理无人机与目标无人机之间的位置关系模型
先将所需要的位移参数和距离参数进行数学表达，其中位移参数指的是代理无人机自身的每两个时间的位置差，距离参数分别指的是代理无人机之间、代理无人机与目标无人机之间的距离。
在实际中无人机中的位移数据可通过IMU结合光流传感器或其他定位的传感器、定位算法计算；距离值在实际中可以通过UWB模块直接测量、RGBD的深度信息或者通过双目相机做视差获得。
位移参数和距离参数的数学表示如下：
Figure 774749DEST_PATH_IMAGE039
式2
Figure 807296DEST_PATH_IMAGE040
代表编号为i的代理无人机在k时刻的位移，
Figure 286819DEST_PATH_IMAGE041
表示编号为i的代理无人机与编号为j的代理无人机/目标无人机在k时刻的欧几里得距离；位移
Figure 51512DEST_PATH_IMAGE040
和距离
Figure 741120DEST_PATH_IMAGE041
可以通过两个代理无人机的机载传感器测量，
Figure 187145DEST_PATH_IMAGE042
，
Figure 52332DEST_PATH_IMAGE043
表示编号为i的代理无人机的位置、编号为j的代理无人机/目标无人机的位置，其中代理无人机i到其他编号为j的代理无人机/目标无人机的相对位置可以表示为
Figure 784665DEST_PATH_IMAGE046
，以下同理，根据
Figure 164831DEST_PATH_IMAGE032
和
Figure 148967DEST_PATH_IMAGE040
，得到了代理无人机与目标无人机位置的位置关系模型：
Figure 134241DEST_PATH_IMAGE031
式3
其中，
Figure 37475DEST_PATH_IMAGE032
代表代理无人机i与目标无人机0的相对距离，
Figure 427185DEST_PATH_IMAGE033
Figure 128949DEST_PATH_IMAGE034
和
Figure 609609DEST_PATH_IMAGE035
分别表示代理无人机1和代理无人机2的初始位置，
Figure 370892DEST_PATH_IMAGE036
、
Figure 24727DEST_PATH_IMAGE037
表示代理无人机1、2的位移积分量，
Figure 312489DEST_PATH_IMAGE038
表示积分过程中的变量参数，
Figure 698471DEST_PATH_IMAGE048
=0，…，k-1。
2.2 设计对目标无人机的位置估计器
在本方案中，两个代理无人机在同一个坐标系中；对于不在同一坐标系内的情况，两个代理无人机在估计目标无人机位置时必须统一起来，即先将一个代理的坐标系统一进另一个代理的坐标系中。在实际应用中，一方面可以通过布置基站，将两个代理无人机安置标签以统一为一个坐标系；也可以一个代理无人机为参考坐标系，另一个只需确定其初始相对于参考坐标系的初始状态，结合自身的计算的状态与初始状态通过一个旋转矩阵便可换算到参考坐标系上，由此实现两个代理无人机坐标系统一。
如果代理无人机1和代理无人机2在同一坐标系中，在这种情况下，通过传递两个代理无人机之间的位移和初始位置，可以直接得到相对位置
Figure 743787DEST_PATH_IMAGE013
；结合式3便可以设计目标无人机的位置估计器；
Figure 935734DEST_PATH_IMAGE010
表示目标无人机在k时刻位置估计量，则变量
Figure 78002DEST_PATH_IMAGE011
表示：
Figure 900465DEST_PATH_IMAGE012
式4
其中，上标T表示转置操作，下同。
因此，对目标无人机的位置便可通过估计量
Figure 760974DEST_PATH_IMAGE010
进行估计，位置估计器表示为：
Figure 491032DEST_PATH_IMAGE014
式 5
其中
Figure 159911DEST_PATH_IMAGE015
是估计增益，可以表示为：
Figure 887695DEST_PATH_IMAGE049
式6
其中，目标无人机在k时刻的协方差矩阵
Figure 235500DEST_PATH_IMAGE050
，n表示维度；根据卡尔曼滤波结构定义为:
Figure 706933DEST_PATH_IMAGE018
式7
其中
Figure 24126DEST_PATH_IMAGE019
表示指数遗忘因子和
Figure 47446DEST_PATH_IMAGE020
表示信息利用因子。
Figure 757913DEST_PATH_IMAGE021
表示n维的单位矩阵，
Figure 298615DEST_PATH_IMAGE022
表示上一个时刻的协方差矩阵。
3.自适应围剿控制器设计为了利用两个代理无人机快速围剿目标，控制器的设计需要保证代理无人机1和代理无人机2在以目标无人机为中心的圆形围剿轨迹上对称运动。
基于位置估计量
Figure 473245DEST_PATH_IMAGE010
，可得到代理无人机1、代理无人机2到目标无人机的相对估计位置为
Figure 667466DEST_PATH_IMAGE051
；其中，如果位置
Figure 865229DEST_PATH_IMAGE052
与代理无人机1的位置不在同一坐标系中，则先统一坐标系。
因此，本方案设计一个自适应围剿控制器：
Figure 209623DEST_PATH_IMAGE001
式8
其中
Figure 301075DEST_PATH_IMAGE002
为设计的控制器增益，满足
Figure 603881DEST_PATH_IMAGE003
，T为采样周期；
Figure 554519DEST_PATH_IMAGE004
是预先设定的围剿轨迹，这是人为给定，例如
Figure 30500DEST_PATH_IMAGE053
，上标T表示转置；使代理无人机1和代理无人机2持续围剿目标，满足
Figure 179722DEST_PATH_IMAGE023
，代表围剿轨迹的周期应满足
Figure 325532DEST_PATH_IMAGE054
，r是代理无人机1和代理无人机2轨迹的半径；
Figure 625451DEST_PATH_IMAGE005
是围剿的轨迹控制频率，当围剿控制器满足
Figure 780489DEST_PATH_IMAGE003
，
Figure 987479DEST_PATH_IMAGE005
时，控制误差是快速收敛的。
Figure 897666DEST_PATH_IMAGE008
和
Figure 416372DEST_PATH_IMAGE009
是自适应围剿控制器给出的代理无人机1和代理无人机2的速度控制指令。
图1展示距离测量示意图；图2展示了在同一坐标系下的围剿仿真图；图3展示了在不同坐标系下的围剿仿真图，证明了本方法是理论可行的；图4给出本发明的实现流程图；图5为本发明的gazebo仿真图；图6展示了无人机的飞行轨迹图，证明本方法是实际可行；图7和图8为统一坐标系、不同坐标系的误差图。
综上所述，本发明对围剿目标只需要距离测量，同时围剿的目标是一个动态的物体，因此对环境的适应性更强，如图2，3所示，本发明考虑实际不同情况下代理无人机协同合作围剿，应用起来更具有广泛性。从仿真实验到物理实验，如图7，8，本发明对围剿反同步实验的误差小，响应快。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种基于距离测量的无人机围剿方法，其特征在于，包括：
首先，确定代理无人机和目标无人机的动力学模型；
其次，在代理无人机的坐标系统一的前提下，代理无人机实时获取自身的位移参数以及代理无人机之间、代理无人机与目标无人机之间的距离参数，结合所述动力学模型，构建代理无人机与目标无人机位置的位置关系模型，并构建对目标无人机的位置估计器；
最后，利用位置估计器结合代理无人机到目标无人机之间的相对估计位置，通过预设的自适应围剿控制器，结合预设的针对于目标无人机的围剿轨迹的半径以及轨迹控制频率、控制器增益，得到代理无人机的速度控制指令，代理无人机根据所述速度控制指令围剿目标无人机；其中，所述自适应围剿控制器表示为：
Figure 965597DEST_PATH_IMAGE001
其中
Figure 134410DEST_PATH_IMAGE002
为控制器增益，满足
Figure 1872DEST_PATH_IMAGE003
，T为采样周期；
Figure 789699DEST_PATH_IMAGE004
是预先设定的围剿轨迹，代理无人机1和代理无人机2在以目标无人机为中心的圆形围剿轨迹上对称运动；r是代理无人机1和代理无人机2轨迹的半径，k表示时刻，R代表实数集，n代表维度，
Figure 426217DEST_PATH_IMAGE005
是围剿的轨迹控制频率；
Figure 765931DEST_PATH_IMAGE006
、
Figure 855110DEST_PATH_IMAGE007
表示代理无人机1、代理无人机2到目标无人机的相对估计位置，
Figure 446629DEST_PATH_IMAGE008
和
Figure 937653DEST_PATH_IMAGE009
是代理无人机1和代理无人机2的速度控制指令。
2.根据权利要求1所述的基于距离测量的无人机围剿方法，其特征在于，所述构建对目标无人机的位置估计器，包括：
Figure 468776DEST_PATH_IMAGE010
表示目标无人机在k时刻位置估计量，则变量
Figure 310830DEST_PATH_IMAGE011
表示：
Figure 174881DEST_PATH_IMAGE012
其中，
Figure 785991DEST_PATH_IMAGE013
表示代理无人机1到代理无人机2的相对位置，上标T表示转置操作；
对目标无人机的位置便可通过估计量
Figure 467508DEST_PATH_IMAGE010
进行估计，位置估计器表示为：
Figure 468962DEST_PATH_IMAGE014
其中
Figure 464600DEST_PATH_IMAGE015
是估计增益，表示为：
Figure 461375DEST_PATH_IMAGE016
其中，目标无人机在k时刻的协方差矩阵
Figure 782635DEST_PATH_IMAGE017
表示为：
Figure 5806DEST_PATH_IMAGE019
其中
Figure 601872DEST_PATH_IMAGE020
表示指数遗忘因子和
Figure 643034DEST_PATH_IMAGE021
表示信息利用因子；
Figure 400774DEST_PATH_IMAGE022
表示n维的单位矩阵，
Figure 439138DEST_PATH_IMAGE023
表示上一个时刻的协方差矩阵。
3.根据权利要求1所述的基于距离测量的无人机围剿方法，其特征在于，所述预先设定的围剿轨迹满足.
Figure 776578DEST_PATH_IMAGE024
。
4.根据权利要求1所述的基于距离测量的无人机围剿方法，其特征在于，所述代理无人机和目标无人机的动力学模型表示为：
Figure 276174DEST_PATH_IMAGE025
其中
Figure 408078DEST_PATH_IMAGE026
，
Figure 199316DEST_PATH_IMAGE027
为代理无人机i在k时刻的位置,R代表实数集，n代表维度；
Figure 809289DEST_PATH_IMAGE028
为代理无人机i速度控制指令，满足
Figure 963059DEST_PATH_IMAGE029
；
Figure 285DEST_PATH_IMAGE030
和
Figure 278820DEST_PATH_IMAGE031
分别为预设的代理无人机速度差的最小值和最大值，T是采样周期。
5.根据权利要求1所述的基于距离测量的无人机围剿方法，其特征在于，当代理无人机1、代理无人机2的坐标不统一时：
通过布置基站，将两个代理无人机安置标签以统一为一个坐标系；或以一个代理无人机的坐标系为参考坐标系，另一个代理无人机只需确定其初始相对于参考坐标系的初始状态，结合自身的计算的状态与初始状态通过一个旋转矩阵便可换算到参考坐标系上，由此实现两个代理无人机坐标系统一。
6.根据权利要求1所述的基于距离测量的无人机围剿方法，其特征在于，所述构建代理无人机与目标无人机位置的位置关系模型，表示为：
Figure 23309DEST_PATH_IMAGE032
其中，
Figure 172531DEST_PATH_IMAGE033
表示代理无人机1到代理无人机2的相对位置，上标T表示转置，
Figure 849500DEST_PATH_IMAGE034
为k时刻目标无人机的位置，
Figure 864598DEST_PATH_IMAGE035
代表代理无人机i与目标无人机的相对距离，i=1,2；
Figure 613111DEST_PATH_IMAGE036
Figure 145068DEST_PATH_IMAGE037
和
Figure 258518DEST_PATH_IMAGE038
分别表示代理无人机1和代理无人机2的初始位置，
Figure 246065DEST_PATH_IMAGE039
、
Figure 532690DEST_PATH_IMAGE040
表示代理无人机1、2的位移积分量，
Figure 187662DEST_PATH_IMAGE041
表示积分过程中的变量参数，
Figure 534330DEST_PATH_IMAGE041
=0，…，k-1。
7.根据权利要求1所述的基于距离测量的无人机围剿方法，其特征在于，代理无人机自身的位移参数以及代理无人机之间、代理无人机与目标无人机之间的距离参数，表示为：
Figure 9174DEST_PATH_IMAGE042
式2
Figure 568331DEST_PATH_IMAGE043
代表编号为i的代理无人机在k时刻的位移，
Figure 815160DEST_PATH_IMAGE044
表示编号为i的代理无人机与编号为j的代理无人机/目标无人机在k时刻的欧几里得距离；位移
Figure 332729DEST_PATH_IMAGE043
和
Figure 826027DEST_PATH_IMAGE044
距离可以通过两个代理无人机的机载传感器测量，
Figure 782351DEST_PATH_IMAGE045
，
Figure DEST_PATH_IMAGE046
表示编号为i的代理无人机的位置、编号为j的代理无人机/目标无人机的位置。
CN202211407432.5A 2022-11-10 2022-11-10 一种基于距离定位的未知目标围剿方法 Active CN115437261B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211407432.5A CN115437261B (zh) 2022-11-10 2022-11-10 一种基于距离定位的未知目标围剿方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211407432.5A CN115437261B (zh) 2022-11-10 2022-11-10 一种基于距离定位的未知目标围剿方法

Publications (2)

Publication Number Publication Date
CN115437261A true CN115437261A (zh) 2022-12-06
CN115437261B CN115437261B (zh) 2023-02-03

Family

ID=84252163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211407432.5A Active CN115437261B (zh) 2022-11-10 2022-11-10 一种基于距离定位的未知目标围剿方法

Country Status (1)

Country Link
CN (1) CN115437261B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2091713C1 (ru) * 1992-04-02 1997-09-27 Владимир Евгеньевич Ксенофонтов Способ коррекции счисленных координат группы летательных аппаратов
US20180074520A1 (en) * 2016-09-13 2018-03-15 Arrowonics Technologies Ltd. Formation flight path coordination of unmanned aerial vehicles
CN111766783A (zh) * 2020-06-29 2020-10-13 北京航空航天大学 一种面向集群系统的有限时间内收敛的编队合围跟踪方法
CN114610072A (zh) * 2022-04-07 2022-06-10 北京航空航天大学 一种无人机集群系统分布式时变编队跟踪控制方法及系统
CN114706421A (zh) * 2022-04-02 2022-07-05 广东工业大学 一种多无人机编队穿越框形障碍物方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2091713C1 (ru) * 1992-04-02 1997-09-27 Владимир Евгеньевич Ксенофонтов Способ коррекции счисленных координат группы летательных аппаратов
US20180074520A1 (en) * 2016-09-13 2018-03-15 Arrowonics Technologies Ltd. Formation flight path coordination of unmanned aerial vehicles
CN111766783A (zh) * 2020-06-29 2020-10-13 北京航空航天大学 一种面向集群系统的有限时间内收敛的编队合围跟踪方法
CN114706421A (zh) * 2022-04-02 2022-07-05 广东工业大学 一种多无人机编队穿越框形障碍物方法
CN114610072A (zh) * 2022-04-07 2022-06-10 北京航空航天大学 一种无人机集群系统分布式时变编队跟踪控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
ZIYONG ZHANG等: "Multi-UAV Area Coverage Based on Relative Localization:Algorithms and Optimal UAV Placement", 《SENSORS》 *

Also Published As

Publication number Publication date
CN115437261B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
Zhang et al. Vision-based target three-dimensional geolocation using unmanned aerial vehicles
Huang et al. Online UAV trajectory planning for covert video surveillance of mobile targets
US10322819B2 (en) Autonomous system for taking moving images from a drone, with target tracking and improved target location
CN110166571A (zh) 一种基于移动机器人的自动跟随方法和装置
Ye et al. Bearing-only measurement self-localization, velocity consensus and formation control
CN107807661A (zh) 轨迹控制室内四旋翼无人机编队演示验证平台及方法
CN108430105A (zh) 分布式传感器网络协同目标估计及干扰源无源定位方法
Zhao et al. Vision-based tracking control of quadrotor with backstepping sliding mode control
Tian et al. HiQuadLoc: A RSS fingerprinting based indoor localization system for quadrotors
Wei et al. Distributed guidance law design for multi-UAV multi-direction attack based on reducing surrounding area
CN114706421A (zh) 一种多无人机编队穿越框形障碍物方法
Mason et al. Remote tracking of UAV swarms via 3D mobility models and LoRaWAN communications
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
Li et al. Cooperative visual-range-inertial navigation for multiple unmanned aerial vehicles
CN113076634B (zh) 一种多机协同无源定位方法、装置及系统
Yu et al. Cooperative multi-rigid-body localization in wireless sensor networks using range and Doppler measurements
Guan et al. An improved LSE-EKF optimisation algorithm for UAV UWB positioning in complex indoor environments
CN115437261B (zh) 一种基于距离定位的未知目标围剿方法
Jadhav et al. WSR: A WiFi sensor for collaborative robotics
Boucheloukh et al. UAV navigation based on adaptive fuzzy backstepping controller using visual odometry
Qi et al. Three‐dimensional millimetre‐wave beam tracking based on smart phone sensor measurements and direction of arrival/time of arrival estimation for 5G networks
Zhang et al. UWB/INS-based robust anchor-free relative positioning scheme for UGVs
Lim et al. Real-time target tracking with CPA algorithm in wireless sensor networks
Wolfe et al. Multiple model distributed ekf for teams of target tracking uavs using t test selection
Kabiri et al. Pose Graph Optimization for a MAV Indoor Localization Fusing 5GNR TOA with an IMU

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