CN116106824A - 一种基于认知学习的无人机多阶段信号源定位方法和系统 - Google Patents
一种基于认知学习的无人机多阶段信号源定位方法和系统 Download PDFInfo
- Publication number
- CN116106824A CN116106824A CN202310017564.5A CN202310017564A CN116106824A CN 116106824 A CN116106824 A CN 116106824A CN 202310017564 A CN202310017564 A CN 202310017564A CN 116106824 A CN116106824 A CN 116106824A
- Authority
- CN
- China
- Prior art keywords
- signal source
- unmanned aerial
- aerial vehicle
- signal
- calculating
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 51
- 230000009471 action Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005295 random walk Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/04—Position of source determined by a plurality of spaced direction-finders
-
- 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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0249—Determining position using measurements made by a non-stationary device other than the device whose position is being determined
-
- 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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0269—Inferred or constrained positioning, e.g. employing knowledge of the physical or electromagnetic environment, state of motion or other contextual information to infer or constrain a position
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明提供一种基于认知学习的无人机多阶段信号源定位方法和系统,其中方法包括S1,计算天线阵列的平均接收信号强度;S2,根据天线阵列的初始平均接收信号强度计算信号测量可靠度;S3,判断信号测量可靠度是否大于等于信号测量可靠度阈值;S4,如果是,则计算信号源相对方位角和俯仰角;S5,根据信号源相对方位角和俯仰角计算信号源位置;S6,如果否,则计算信号源位置估计经验;S7,根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行步骤S5的操作。本发明具有在大规模搜索区域和未知富散射环境中保持高搜索成功率和低搜索耗时的优点。
Description
技术领域
本发明属于阵列信号处理技术领域,尤其涉及一种基于认知学习的无人机多阶段信号源定位方法和系统。
背景技术
射频信号源的高效搜索和精确定位已成为各种民用和军事应用的关键问题,如空中监视、卫星干扰定位、搜索和救援。由于射频信号源在大多数应用中都是未知的,通过处理接收信号强度(Received signal strength,RSS)或者到达方向(Direction ofarriva,DOA)等信号测量值来实现被动定位吸引了大量的研究兴趣。为了高效、准确地搜索和定位,无人机路径规划变得至关重要。路径规划的目标是为无人机连续确定航路点,以收集高信噪比的射频信号测量。现有的用于信号源搜索和定位的轨迹规划算法大致可分为离线(静态)路径规划和在线(动态)轨迹规划两大类。离线轨迹规划在无人机起飞前采取固定或随机的移动模式,而在线轨迹规划根据无人机实时接收到的信息决定飞行路线。
Z.Li等人在其发表的论文“Multiple radio transmitter localization viaUAV-based mapping”(IEEE Transactions onVehicular Technology,vol.70,no.9,pp.8811–8822,Sept.2021)中采取阿基米德螺旋线作为无人机路径规划方法,无人机沿着固定的阿基米德螺旋线飞行,通过搭载的天线阵列多次捕获的信号测量结果对信号源完成定位。然而,该算法存在的不足之处是:当面对一个更大的搜索区域时,利用固定模式的算法遍历搜索整个区域的效率往往比较低。基于随机运动模式的搜索算法,被认为是高不确定性环境下的有效解决方案。
D.Ebrahimi等人在其发表的论文“Autonomous UAVtrajectory for localizinggroundobjects:Areinforcement learning approach”(IEEE Transactions on MobileComputing,vol.20,no.4,pp.1312–1324,Apr.2021)中,根据RSS信息,用强化学习算法Q学习决定无人机下一步的动作,即飞向周围的某一个网格,从而实现逐渐减少目标定位误差的目的。现有的强化学习算法对状态和奖励的建模主要是基于RSS。在城市等富散射环境中,由于多径和噪声导致接收信号强度剧烈变化,难以准确估计接收信号强度值,这些算法的性能都会受到影响。此外,上述算法没有考虑较大搜索区域中持续变化的信噪比对无人机路径优化的影响。
申请公布号CN106970648A公开了城市低空环境下无人机多目标路径规划联合搜索方法,该方法根据静态已知障碍物和飞行过程中探测到的障碍物,分别构建静态和动态安全指数地图,规划了一条从起点到终点的代价最小路径。然而,该技术存在的不足之处是需要有环境障碍物和路径终点的先验知识,不适用于高度动态和未知的环境。
发明内容
本发明针对现有技术中的不足,提供一种基于认知学习的无人机多阶段信号源定位方法和系统。
第一方面,本发明提供一种基于认知学习的无人机多阶段信号源定位方法,包括:
S1,计算天线阵列的平均接收信号强度;
S2,根据天线阵列的初始平均接收信号强度计算信号测量可靠度;
S3,判断信号测量可靠度是否大于等于信号测量可靠度阈值;
S4,如果是,则计算信号源相对方位角和俯仰角;
S5,根据信号源相对方位角和俯仰角计算信号源位置;
S6,如果否,则计算信号源位置估计经验;
S7,根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行步骤S5的操作。
进一步地,所述计算天线阵列的初始平均接收信号强度,包括:
根据以下公式计算目标时隙天线阵列接收到的信号:
其中,yt,k为t=0时隙第k个快拍时天线阵列接收到的信号;A(θt,φt)为接收天线阵列导向矩阵;和分别为x轴方向和y轴方向的导向向量;T为矩阵的转置;j为虚数单位;Mx和My分别为天线阵列在x轴方向和y轴方向的阵元个数;ux,t=2πdsinθt cosφt/λ和uy,t=2πdsinθt sinφt/λ;d为阵元间隔;λ为波长;θt和φt分别为t时隙信号源目标相对于无人机的俯仰角和方位角;st,k为t时隙第k个快拍时的信号样本强度;建模为复高斯随机变量服从0均值、为方差的复高斯分布;为t时隙第k个快拍时的噪声向量,服从0均值、I为方差的复高斯分布,I为单位向量;为M×1维的复数集合;K为每个时隙的快拍数;Yt为t时隙天线阵列接收到的信号;
根据以下公式计算目标时隙天线阵列平均接收信号强度:
其中,Dt为t时隙天线阵列平均接收信号强度;M=Mx·My,为天线阵元总数;||·||F为Frobenius范数。
进一步地,所述根据天线阵列的初始平均接收信号强度计算信号测量可靠度,包括:
根据以下公式计算无人机飞行步长:
其中,u和v为两个随机变量, σv=1,β表示步长参数;表示上取整;
在无人机将抵达搜索区域外的情况下,根据以下公式计算无人机下一时隙的飞行方向:
其中,和分别为t时隙无人机的横坐标和纵坐标;为t+1时隙的飞行方向;为t时隙飞行方向;xlb、xhb、ylb和yhb分别为搜索区域的横坐标下界、横坐标上界、纵坐标下界和纵坐标上界;
在无人机在搜索区域内飞行的情况下,根据以下公式计算无人机的飞行方向:
其中,为无人机的飞行角度改变量;
其中,ρ为与连续两个时隙之间飞行方向的相关系数;ζ∈[0,1]为符合高斯分布的随机变量,使得无人机飞行角度的改变值以0为均值;δt表示无人机沿当前方向飞行的剩余步长;
根据以下公式计算下一时隙沿当前方向飞行的剩余步长:
其中,δt+1表示t+1时隙无人机沿当前方向飞行的剩余步长;lt+1为t+1时隙重新计算的无人机飞行步长;
根据以下公式计算更新后的无人机位置:
其中,和分别为t+1时隙无人机的横坐标和纵坐标;V为无人机飞行恒定速度,h为无人机飞行恒定高度;ωt为为无人机飞行方向;
根据以下公式计算信号测量可靠度:
其中,Rt为信号测量可靠度;Dt为t时隙天线阵列平均接收信号强度;D1为第一个时隙中天线阵列平均接收信号强度。
进一步地,所述计算信号源相对方位角和俯仰角,包括:
根据以下公式计算信号源相对俯仰角和方位角
其中,P(θ,φ)为空间谱函数,H表示矩阵的共轭转置操作;A(θ,φ)为接收天线导向矩阵;AH(θ,φ)为接收天线导向矩阵的共轭转置;是由接收信号协方差矩阵的后M-1个特征值对应的特征向量张成的噪声子空间;为噪声子空间的共轭转置;为接收信号矩阵Yt的共轭转置。
进一步地,所述根据信号源相对方位角和俯仰角计算信号源位置,包括:
根据以下公式计算信号源位置:
其中,为信号源位置;和分别为信号源位置的横坐标和纵坐标。
进一步地,所述计算信号源位置估计经验,包括:
根据以下公式计算信号源位置估计经验:
其中,和分别为估计经验的信号源位置的横坐标和纵坐标;为第g次估计的信号源位置。
进一步地,所述根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,包括:
根据以下公式重新计算信号源的相对方位角:
其中,为重新计算的信号源的相对方位角。
第二方面,本发明提供一种基于认知学习的无人机多阶段信号源定位系统,包括:
第一计算模块,用于计算天线阵列的平均接收信号强度;
第二计算模块,用于根据天线阵列的初始平均接收信号强度计算信号测量可靠度;
判断模块,用于判断信号测量可靠度是否大于等于信号测量可靠度阈值;
第三计算模块,用于在判断模块确定信号测量可靠度大于等于信号测量可靠度阈值的情况下,计算信号源相对方位角和俯仰角;
第四计算模块,用于根据信号源相对方位角和俯仰角计算信号源位置;
第五计算模块,用于在判断模块确定信号测量可靠度小于信号测量可靠度阈值的情况下,计算信号源位置估计经验;
第六计算模块,用于根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行第四计算模块的操作。
第三方面,本发明提供一种计算机设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现第一方面所述的基于认知学习的无人机多阶段信号源定位方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其特征在于,用于存储计算机程序;计算机程序被处理器执行时实现第一方面所述的基于认知学习的无人机多阶段信号源定位方法的步骤。
本发明提供一种基于认知学习的无人机多阶段信号源定位方法和系统,其中方法包括S1,计算天线阵列的平均接收信号强度;S2,根据天线阵列的初始平均接收信号强度计算信号测量可靠度;S3,判断信号测量可靠度是否大于等于信号测量可靠度阈值;S4,如果是,则计算信号源相对方位角和俯仰角;S5,根据信号源相对方位角和俯仰角计算信号源位置;S6,如果否,则计算信号源位置估计经验;S7,根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行步骤S5的操作。
本发明考虑无人机路径规划问题的不同问题域,使得可以根据不同的接收信号信噪比,灵活选择合适的算法机制,从而提高了无人机搜索目标的整体效率。克服了在大搜索区域中,现有算法只采取某一种路径规划规则,无法在变化剧烈的信噪比中保持较高搜索效率的缺陷。
本发明结合了两种随机游走算法的优势,对无人机移动方向和移动步长都进行了设计,可以进一步提高搜索大区域的效率,克服了现有随机游走算法往往只优化了移动方向或移动步长其中一项的不足。另外,为了适应无人机运动,将随机游走的步长设置为无人机能够沿着一个方向移动的最大时隙数,填补了现有随机游走算法的应用空白。
本发明利用到达角估计中的相对方位角作为强化学习中的状态,将与估计信号源位置与无人机间的距离减小值作为回报函数,克服了现有基于接收信号强度的强化学习算法依赖于特定训练环境,一旦改变环境需要重新训练的问题。并且利用信号源位置估计经验辅助强化学习决策,克服了低信噪比时由于状态估计不准确导致的决策不完善的缺陷。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例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实施例,对于本领域普通技术人员而言,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一种基于认知学习的无人机多阶段信号源定位方法的流程图;
图2为本发明实施例提供的本发明和现有技术在噪声功率变化时的搜索用时对比图;
图3为本发明实施例提供的本发明和现有技术在大搜索区域和小搜索中噪声功率变化时的搜索用时对比图;
图4为本发明实施例提供的本发明和现有技术在不同射频环境中的搜索用时对比图;
图5为本发明实施例提供的一种基于认知学习的无人机多阶段信号源定位系统的结构图;
图6为本发明实施例提供的一种基于认知学习的无人机多阶段信号源定位方法的细节流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在一实施例中,如图1和图6所示,本发明实施例提供一种基于认知学习的无人机多阶段信号源定位方法,包括:
步骤S1,计算天线阵列的平均接收信号强度。
执行本步骤前,需初始化环境参数和无人机位置,包括:
设置搜索区域的四个边界xlb、xhb、ylb和yhb,分别是搜索区域的横坐标下界、横坐标上界、纵坐标下界和纵坐标上界,设置无人机初始位置
将区域扫描阶段进行DOA(Direction ofarrival,到达角)估计的次数g初始化为1;将区域扫描阶段的搜索时隙数Nth1初始化为0,将经验辅助搜索阶段的搜索时隙数Nth2初始化为0,将连续搜索阶段的搜索时隙数Nth3初始化为0。
在实例中,用于训练的搜索区域大小为1755m×1329m,用于测试的搜索区域有1154m×1109m和2398m×3391m,这是为了验证在不同尺寸的搜索区域中本发明的有效性。无人机初始位置是(200m,309m,100m),在每次蒙特卡洛仿真中,信号源的位置都是随机设置,这也产生了完全不同的电磁传播环境,这是为了验证在不同特性的电磁传播环境中本发明的有效性。对每个搜索阶段都设置一个最大的搜索时隙数,分别设置为2000、500和500,以确保不会陷入某个搜索阶段过久而导致搜索时间无限增长。
根据以下公式计算目标时隙天线阵列接收到的信号:
其中,yt,k为t=0时隙第k个快拍时天线阵列接收到的信号;A(θt,φt)为接收天线阵列导向矩阵;和分别为x轴方向和y轴方向的导向向量;T为矩阵的转置;j为虚数单位;Mx和My分别为天线阵列在x轴方向和y轴方向的阵元个数;ux,t=2πdsinθt cosφt/λ和uy,t=2πdsinθt sinφt/λ;d为阵元间隔;λ为波长;θt和φt分别为t时隙信号源目标相对于无人机的俯仰角和方位角;st,k为t时隙第k个快拍时的信号样本强度;建模为复高斯随机变量服从0均值、为方差的复高斯分布;为t时隙第k个快拍时的噪声向量,服从0均值、为方差的复高斯分布,I为单位向量;为M×1维的复数集合;K为每个时隙的快拍数;Yt为t时隙天线阵列接收到的信号。
根据以下公式计算目标时隙天线阵列平均接收信号强度:
其中,Dt为t时隙天线阵列平均接收信号强度;M=Mx·My,为天线阵元总数;||·||F为Frobenius范数。
快拍数量的增加会提高RSS和DOA估计的精度,然而快拍数过多会增加计算复杂度,导致效率下降。为了在精度和效率之间取得平衡,在本发明的仿真实例中,k设置为100。;Mx和My都设置为4,即天线阵列为一个均匀方阵。信号功率设置为频率设置为1GHz,阵元间隔设置为半波长。
步骤S2,根据天线阵列的初始平均接收信号强度计算信号测量可靠度。
本步骤包括根据以下公式计算无人机飞行步长:
其中,u和v为两个随机变量, σv=1,β表示步长参数;表示上取整。
参数β影响了步长分布的“长尾效应”,参数接近3则表示每一步步长近似相同,路径与布朗运动相似,参数接近1则表示“长尾效应”越明显,更有可能出现大步长。在本发明的实例中,β设置为1.2,以尽可能多的获得大步长以提高搜索效率。
在无人机将抵达搜索区域外的情况下,根据以下公式计算无人机下一时隙的飞行方向:
其中,和分别为t时隙无人机的横坐标和纵坐标;为t+1时隙的飞行方向;为t时隙飞行方向;xlb、xhb、ylb和yhb分别为搜索区域的横坐标下界、横坐标上界、纵坐标下界和纵坐标上界。
这规定了无人机碰到边界之后的路径规划规则,即通过镜面反射的原理,让无人机返回搜索区域。
在无人机在搜索区域内飞行的情况下,根据以下公式计算无人机的飞行方向:
其中,为无人机的飞行角度改变量。
其中,ρ为与连续两个时隙之间飞行方向的相关系数;ζ∈[0,1]为符合高斯分布的随机变量,使得无人机飞行角度的改变值以0为均值;δt表示无人机沿当前方向飞行的剩余步长。
根据以下公式计算下一时隙沿当前方向飞行的剩余步长:
其中,δt+1表示t+1时隙无人机沿当前方向飞行的剩余步长;lt+1为t+1时隙重新计算的无人机飞行步长。
参数ρ反映了当前时刻飞行方向与上一时刻的相关性,越接近1表示越相关,即转弯角度越小,本发明的验证实例中,参数ρ设置为0.95。
根据以下公式计算更新后的无人机位置:
其中,和分别为t+1时隙无人机的横坐标和纵坐标;V为无人机飞行恒定速度,h为无人机飞行恒定高度;ωt为无人机飞行方向。
本发明的实例中,无人机飞行恒定速度高度分别设置为10m/s和100m。
根据以下公式计算信号测量可靠度:
其中,Rt为信号测量可靠度;Dt为t时隙天线阵列平均接收信号强度;D1为第一个时隙中天线阵列平均接收信号强度。
利用当前时隙的平均RSS与初始时刻平均RSS的比值可以反映出RSS的增量和信噪比大小,从而反映当前信号测量的可靠度。
步骤S3,判断信号测量可靠度是否大于等于信号测量可靠度阈值。
步骤S4,如果是,则计算信号源相对方位角和俯仰角。
根据以下公式计算信号源相对俯仰角和方位角
其中,P(θ,φ)为空间谱函数,H表示矩阵的共轭转置操作;A(θ,φ)为接收天线导向矩阵;AH(θ,φ)为接收天线导向矩阵的共轭转置;是由接收信号协方差矩阵的后M-1个特征值对应的特征向量张成的噪声子空间;为噪声子空间的共轭转置;为接收信号矩阵Yt的共轭转置。
步骤S5,根据信号源相对方位角和俯仰角计算信号源位置。
根据以下公式计算信号源位置:
其中,为信号源位置;和分别为信号源位置的横坐标和纵坐标。
判断是否进入下一阶段,若区域扫描阶段DOA估计次数g大于门限G,则进入经验辅助搜索阶段。
步骤S6,如果否,则计算信号源位置估计经验。
根据以下公式计算信号源位置估计经验:
其中,和分别为估计经验的信号源位置的横坐标和纵坐标;为第g次估计的信号源位置。
对多次位置估计进行聚类,将其均值作为估计经验辅助后续搜索,可以极大地减少因为DOA估计不准确导致的无人机采取的动作非最优的问题。
步骤S7,根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行步骤S5的操作。
根据以下公式重新计算信号源的相对方位角:
其中,为重新计算的信号源的相对方位角。
示例性地,本发明实施例提供基于认知学习的无人机多阶段信号源定位方法还包括:
1)初始化状态空间S=s0,s0为无人机初始状态,动作空间状态-动作值函数表格无人机位置t=0。
2)给定当前状态,按照下式选择动作:
参数ε反映的是不贪婪选取值函数最大的动作的概率,以此加速强化学习中的训练过程,本发明的实例中设置为0.9。
3)计算更新后的无人机位置。
4)计算DOA值,得到无人机的状态
5)无人机计算在st状态下采取动作得到的奖励
其中为t时隙估计的信号源位置和t时隙无人机位置间的距离;为t时隙估计的信号源位置和t+1时隙无人机位置之间的距离。
当无人机与信号源之间的距离减少时,能够获得一个正奖励,否则奖励为负。这一奖励函数的设计激励无人机在一步动作后尽可能地接近信号源。由于信号源位置是未知的,只能采用估计的位置代替真实位置。6)若按照下式更新状态空间和扩大查找表:
即如果出现一个新的未见过的状态,查找表应当增加一行,表示该状态下采取动作的优劣。
7)按照下式,更新查找表:
8)若满足终止条件,则结束训练,执行经验辅助搜索阶段飞行动作决策,否则执行步骤2)。终止条件为训练回合数到达设置的上限或瞬时奖励收敛。可选地,终止条件为达到训练的最大回合数4000次或者每步平均回报达到收敛。
在经验辅助搜索阶段飞行动作决策和连续搜索阶段飞行动作决策中,无人机选择飞行动作at即为飞行方向ωt:
其中Q函数Q(st,a)是从离线过程中训练得到的。
更新无人机位置,并计算信号测量可靠度。按照下式,判断是否进入下一飞行阶段:
本发明的仿真实验在MATLAB R2016a软件下进行的。在模拟中,使用WinProp软件来模拟射频发射器搜索和地理定位的场景。使用WinProp软件,在1m分辨率下,根据COST231Walfisch-Ikegami经验传播模型,得到平均RSS的无线电图,该模型考虑了建筑物上方和建筑物之间的反射、衍射和散射。
如图2所示,采用本发明和现有技术(RSS-Q、CCLW、SCAN)在噪声功率变化时的搜索用时对比图,横坐标为噪声功率,纵坐标为搜索用时。圆圈连成的曲线为所提算法中DOA-Q算法训练回合数为3000时的所提算法性能,竖线连成的曲线为所提算法中DOA-Q算法训练回合数为500时的所提算法性能,星号连成的曲线为所提算法中DOA-Q算法训练回合数为100时的所提算法性能,叉号连成的曲线为SCAN算法性能,正三角连成的曲线为CCLW算法性能,倒三角连成的曲线为RSS-Q算法性能。参照附图2可以看出,随着噪声功率的增加,所有算法的搜索时间都有增加的趋势。其基本原理是噪声功率的增长导致更多区域信号的信噪比降低。因此,无人机需要更长的轨迹才能成功地找到信号源。值得注意的是,提出的方法优于基准算法。这可以解释为,在所提出的算法中,无人机能够在不同的平均RSS的情况下调整轨迹规划算法,使得无人机在噪声功率较高的情况下也能有效地搜索到信号源。RSS-Q算法即使在低噪声功率下也比本发明所提方法性能差,因为它没有使用信号源位置估计。由于CCLW的随机行为导致无人机盲目搜索,因此CCLW的搜索耗时比其他两种基准算法更容易受到噪声功率变化的影响。此外,也可看出,所提算法中DOA-Q采用收敛策略(即DOA-Q训练回合数为3000次)时,所提算法性能是最优的,这是因为此时训练达到了收敛,学习到了更优的策略。
如图3所示,为采用本发明和现有技术在不同尺寸搜索区域的搜索用时对比图,横坐标为噪声功率,纵坐标为搜索用时。圆圈连成的曲线为所提算法中DOA-Q算法训练回合数为3000时的所提算法性能,叉号连成的曲线为SCAN算法性能,正三角连成的曲线为CCLW算法性能,倒三角连成的曲线为RSS-Q算法性能。图3(a)和图3(b)分别为在慕尼黑地图和纽伦堡一个更小的街区地图中的仿真结果。参照附图3可以看出,无论搜索区域大小如何,所提算法都比其他算法花费更少的时间。通过比较图3(a)和图3(b),可以看出所提算法在更大的搜索区域能够实现更显著的性能提升。这是因为CMSG具有选择合适的算法来解决不同的问题域的优势,从而能够在各种信噪比下保持较高的搜索效率。更大的搜索区域导致了搜索过程中变化更剧烈的信噪比。此外,在大范围的搜索区域内,CCLW算法的时间消耗比SCAN算法要小,说明CCLW算法在高不确定性环境下是一种有效的解决方案。
如图4所示,为采用本发明和现有技术在不同射频环境中的搜索用时对比图。参照附图4,从对比结果的曲线图中可以看出,不管在什么样的射频环境中,所提算法都有最低的搜索用时,且性能受到射频环境的影响变化不大,体现了本发明在不同环境中的鲁棒性。图4(a)、图4(b)、图4(c)分别表示信号源高度、信号源发射频率、信号源周围建筑物密度不同时的性能曲线图。从图4(a)中看出,随着信号频率的增加,算法搜索的时间消耗也随之增加,这是因为较高的频率通常会导致更严重的信号衰减。从图4(b)可以看出,各算法的平均搜索时间消耗都随着射频发射极天线高度的降低而增加。这是由于发射天线高度降低导致非视距路径概率降低,信号散射更严重。随着信号频率的增加,算法搜索的时间消耗也随之增加。这是因为较高的频率通常会导致更严重的信号衰减。从图4(c)中可以看出,随着周围建筑密度的增加,由于阴影衰减和多径的影响,信号衰减更加剧烈。因此,所有这些算法的时间消耗都增加了。
综合上述仿真结果和分析,本发明所提出的基于认知学习的无人机多阶段信号源定位方法,在不同的搜索区域和射频环境中都具有良好的性能,这使得本发明在实际中能更好的得到应用。
基于同一发明构思,本发明实施例还提供了一种基于认知学习的无人机多阶段信号源定位系统,由于该系统解决问题的原理与前述基于认知学习的无人机多阶段信号源定位方法相似,因此该系统的实施可以参见基于认知学习的无人机多阶段信号源定位方法的实施,重复之处不再赘述。
在另一实施例中,本发明实施例提供的基于认知学习的无人机多阶段信号源定位系统,如图5所示,包括:
第一计算模块10,用于计算天线阵列的平均接收信号强度。
第二计算模块20,用于根据天线阵列的初始平均接收信号强度计算信号测量可靠度。
判断模块30,用于判断信号测量可靠度是否大于等于信号测量可靠度阈值。
第三计算模块40,用于在判断模块确定信号测量可靠度大于等于信号测量可靠度阈值的情况下,计算信号源相对方位角和俯仰角。
第四计算模块50,用于根据信号源相对方位角和俯仰角计算信号源位置。
第五计算模块60,用于在判断模块确定信号测量可靠度小于信号测量可靠度阈值的情况下,计算信号源位置估计经验。
第六计算模块70,用于根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行第四计算模块的操作。
示例性地,所述第一计算模块包括:
第一计算单元,用于根据以下公式计算目标时隙天线阵列接收到的信号:
其中,yt,k为t=0时隙第k个快拍时天线阵列接收到的信号;A(θt,φt)为接收天线阵列导向矩阵;和分别为x轴方向和y轴方向的导向向量;T为矩阵的转置;j为虚数单位;Mx和My分别为天线阵列在x轴方向和y轴方向的阵元个数;ux,t=2πdsinθt cosφt/λ和uy,t=2πdsinθt sinφt/λ;d为阵元间隔;λ为波长;θt和φt分别为t时隙信号源目标相对于无人机的俯仰角和方位角;st,k为t时隙第k个快拍时的信号样本强度;建模为复高斯随机变量服从0均值、为方差的复高斯分布;为t时隙第k个快拍时的噪声向量,服从0均值、为方差的复高斯分布,I为单位向量;为M×1维的复数集合;K为每个时隙的快拍数;Yt为t时隙天线阵列接收到的信号。
第二计算单元,用于根据以下公式计算目标时隙天线阵列平均接收信号强度:
其中,Dt为t时隙天线阵列平均接收信号强度;M=Mx·My,为天线阵元总数;||·||F为Frobenius范数。
示例性地,所述第二计算模块包括:
第三计算单元,用于根据以下公式计算无人机飞行步长:
其中,u和v为两个随机变量, σv=1,β表示步长参数;表示上取整。
第四计算单元,用于在无人机将抵达搜索区域外的情况下,根据以下公式计算无人机下一时隙的飞行方向:
其中,和分别为t时隙无人机的横坐标和纵坐标;为t+1时隙的飞行方向;为t时隙飞行方向;xlb、xhb、ylb和yhb分别为搜索区域的横坐标下界、横坐标上界、纵坐标下界和纵坐标上界。
第五计算单元,用于在无人机在搜索区域内飞行的情况下,根据以下公式计算无人机的飞行方向:
其中,为无人机的飞行角度改变量;
其中,ρ为与连续两个时隙之间飞行方向的相关系数;ζ∈[0,1]为符合高斯分布的随机变量,使得无人机飞行角度的改变值以0为均值;δt表示无人机沿当前方向飞行的剩余步长。
第六计算单元,用于根据以下公式计算下一时隙沿当前方向飞行的剩余步长:
其中,δt+1表示t+1时隙无人机沿当前方向飞行的剩余步长;lt+1为t+1时隙重新计算的无人机飞行步长;
第七计算单元,用于根据以下公式计算更新后的无人机位置:
其中,和分别为t+1时隙无人机的横坐标和纵坐标;V为无人机飞行恒定速度,h为无人机飞行恒定高度;ωt为无人机飞行方向。
第八计算单元,用于根据以下公式计算信号测量可靠度:
其中,Rt为信号测量可靠度;Dt为t时隙天线阵列平均接收信号强度;D1为第一个时隙中天线阵列平均接收信号强度。
示例性地,所述第三计算模块包括:
第九计算单元,用于根据以下公式计算信号源相对俯仰角和方位角
其中,P(θ,φ)为空间谱函数,H表示矩阵的共轭转置操作;A(θ,φ)为接收天线导向矩阵;AH(θ,φ)为接收天线导向矩阵的共轭转置;是由接收信号协方差矩阵的后M-1个特征值对应的特征向量张成的噪声子空间;为噪声子空间的共轭转置;为接收信号矩阵Yt的共轭转置。
示例性地,所述第四计算模块包括:
第十计算单元,用于根据以下公式计算信号源位置:
其中,为信号源位置;和分别为信号源位置的横坐标和纵坐标。
示例性地,所述第五计算模块包括:
第十一计算单元,用于根据以下公式计算信号源位置估计经验:
其中,和分别为估计经验的信号源位置的横坐标和纵坐标;为第g次估计的信号源位置。
示例性地,所述第六计算模块包括:
第十二计算单元,用于根据以下公式重新计算信号源的相对方位角:
其中,为重新计算的信号源的相对方位角。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
在另一实施例中,本发明提供一种计算机设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现上述基于认知学习的无人机多阶段信号源定位方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
在另一实施例中,本发明提供一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现上述基于认知学习的无人机多阶段信号源定位方法的步骤。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统、设备和存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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或者实施例的某些部分所述的方法。
以上结合具体实施方式和范例性实例对本发明进行了详细说明,不过这些说明并不能理解为对本发明的限制。本领域技术人员理解,在不偏离本发明精神和范围的情况下,可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
Claims (10)
1.一种基于认知学习的无人机多阶段信号源定位方法,其特征在于,包括:
S1,计算天线阵列的平均接收信号强度;
S2,根据天线阵列的初始平均接收信号强度计算信号测量可靠度;
S3,判断信号测量可靠度是否大于等于信号测量可靠度阈值;
S4,如果是,则计算信号源相对方位角和俯仰角;
S5,根据信号源相对方位角和俯仰角计算信号源位置;
S6,如果否,则计算信号源位置估计经验;
S7,根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行步骤S5的操作。
2.根据权利要求1所述的无人机多阶段信号源定位方法,其特征在于,所述计算天线阵列的初始平均接收信号强度,包括:
根据以下公式计算目标时隙天线阵列接收到的信号:
其中,yt,k为t=0时隙第k个快拍时天线阵列接收到的信号;A(θt,φt)为接收天线阵列导向矩阵;和分别为x轴方向和y轴方向的导向向量;T为矩阵的转置;j为虚数单位;Mx和My分别为天线阵列在x轴方向和y轴方向的阵元个数;ux,t=2πdsinθtcosφt/λ和uy,t=2πdsinθtsinφt/λ;d为阵元间隔;λ为波长;θt和φt分别为t时隙信号源目标相对于无人机的俯仰角和方位角;st,k为t时隙第k个快拍时的信号样本强度;建模为复高斯随机变量服从0均值、为方差的复高斯分布;为t时隙第k个快拍时的噪声向量,服从0均值、为方差的复高斯分布,I为单位向量;为M×1维的复数集合;K为每个时隙的快拍数;Yt为t时隙天线阵列接收到的信号;
根据以下公式计算目标时隙天线阵列平均接收信号强度:
其中,Dt为t时隙天线阵列平均接收信号强度;M=Mx·My,为天线阵元总数;·F为Frobenius范数。
3.根据权利要求1所述的无人机多阶段信号源定位方法,其特征在于,所述根据天线阵列的初始平均接收信号强度计算信号测量可靠度,包括:
根据以下公式计算无人机飞行步长:
在无人机将抵达搜索区域外的情况下,根据以下公式计算无人机下一时隙的飞行方向:
在无人机在搜索区域内飞行的情况下,根据以下公式计算无人机的飞行方向:
其中,ρ为与连续两个时隙之间飞行方向的相关系数;ζ∈[0,1]为符合高斯分布的随机变量,使得无人机飞行角度的改变值以0为均值;δt表示无人机沿当前方向飞行的剩余步长;
根据以下公式计算下一时隙沿当前方向飞行的剩余步长:
其中,δt+1表示t+1时隙无人机沿当前方向飞行的剩余步长;lt+1为t+1时隙重新计算的无人机飞行步长;
根据以下公式计算更新后的无人机位置:
根据以下公式计算信号测量可靠度:
其中,Rt为信号测量可靠度;Dt为t时隙天线阵列平均接收信号强度;D1为第一个时隙中天线阵列平均接收信号强度。
8.一种基于认知学习的无人机多阶段信号源定位系统,其特征在于,包括:
第一计算模块,用于计算天线阵列的平均接收信号强度;
第二计算模块,用于根据天线阵列的初始平均接收信号强度计算信号测量可靠度;
判断模块,用于判断信号测量可靠度是否大于等于信号测量可靠度阈值;
第三计算模块,用于在判断模块确定信号测量可靠度大于等于信号测量可靠度阈值的情况下,计算信号源相对方位角和俯仰角;
第四计算模块,用于根据信号源相对方位角和俯仰角计算信号源位置;
第五计算模块,用于在判断模块确定信号测量可靠度小于信号测量可靠度阈值的情况下,计算信号源位置估计经验;
第六计算模块,用于根据信号源位置估计经验和无人机当前位置重新计算信号源的相对方位角,并返回执行第四计算模块的操作。
9.一种计算机设备,其特征在于,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现权利要求1-7任一项所述的基于认知学习的无人机多阶段信号源定位方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;计算机程序被处理器执行时实现权利要求1-7任一项所述的基于认知学习的无人机多阶段信号源定位方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017564.5A CN116106824B (zh) | 2023-01-06 | 2023-01-06 | 一种基于认知学习的无人机多阶段信号源定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310017564.5A CN116106824B (zh) | 2023-01-06 | 2023-01-06 | 一种基于认知学习的无人机多阶段信号源定位方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116106824A true CN116106824A (zh) | 2023-05-12 |
CN116106824B CN116106824B (zh) | 2023-11-03 |
Family
ID=86257547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310017564.5A Active CN116106824B (zh) | 2023-01-06 | 2023-01-06 | 一种基于认知学习的无人机多阶段信号源定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116106824B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110983A (zh) * | 2023-10-25 | 2023-11-24 | 香港中文大学(深圳) | 一种基于无人机螺旋轨迹的信号源定位方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2419106C1 (ru) * | 2009-11-09 | 2011-05-20 | Государственное образовательное учреждение высшего профессионального образования "Военная академия связи имени С.М. Буденного" Министерства обороны Российской Федерации | Способ и устройство определения координат источника радиоизлучения |
RU2551355C1 (ru) * | 2013-12-30 | 2015-05-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" (МГТУ им. Н.Э. Баумана) | Способ определения координат источника радиоизлучения |
CN106970648A (zh) * | 2017-04-19 | 2017-07-21 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
CN110297213A (zh) * | 2019-07-17 | 2019-10-01 | 南京航空航天大学 | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 |
CN110389596A (zh) * | 2019-07-31 | 2019-10-29 | 西北工业大学 | 一种自动跟随信号源的无人机控制方法 |
CN111897215A (zh) * | 2020-07-01 | 2020-11-06 | 杭州电子科技大学 | 基于数据驱动学习的滚动优化控制方法 |
CN114337875A (zh) * | 2021-12-31 | 2022-04-12 | 中国人民解放军陆军工程大学 | 面向多辐射源追踪的无人机群飞行轨迹优化方法 |
CN114371445A (zh) * | 2022-01-13 | 2022-04-19 | 中国人民解放军陆军工程大学 | 一种基于单无人机的多辐射源直接定位方法 |
CN115421517A (zh) * | 2022-09-23 | 2022-12-02 | 中国人民解放军93236部队 | 一种基于路径规划的无人机控制方法及系统 |
-
2023
- 2023-01-06 CN CN202310017564.5A patent/CN116106824B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2419106C1 (ru) * | 2009-11-09 | 2011-05-20 | Государственное образовательное учреждение высшего профессионального образования "Военная академия связи имени С.М. Буденного" Министерства обороны Российской Федерации | Способ и устройство определения координат источника радиоизлучения |
RU2551355C1 (ru) * | 2013-12-30 | 2015-05-20 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" (МГТУ им. Н.Э. Баумана) | Способ определения координат источника радиоизлучения |
CN106970648A (zh) * | 2017-04-19 | 2017-07-21 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
CN110297213A (zh) * | 2019-07-17 | 2019-10-01 | 南京航空航天大学 | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 |
CN110389596A (zh) * | 2019-07-31 | 2019-10-29 | 西北工业大学 | 一种自动跟随信号源的无人机控制方法 |
CN111897215A (zh) * | 2020-07-01 | 2020-11-06 | 杭州电子科技大学 | 基于数据驱动学习的滚动优化控制方法 |
CN114337875A (zh) * | 2021-12-31 | 2022-04-12 | 中国人民解放军陆军工程大学 | 面向多辐射源追踪的无人机群飞行轨迹优化方法 |
CN114371445A (zh) * | 2022-01-13 | 2022-04-19 | 中国人民解放军陆军工程大学 | 一种基于单无人机的多辐射源直接定位方法 |
CN115421517A (zh) * | 2022-09-23 | 2022-12-02 | 中国人民解放军93236部队 | 一种基于路径规划的无人机控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
RUAN TIANCHEN 等: "Multi-Stage RF Emitter Search and Geolocation With UAV: A Cognitive Learning-Based Method", IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY, vol. 72, no. 5, pages 6349 - 6362, XP011940829, DOI: 10.1109/TVT.2023.3235498 * |
李海思: "基于多无人机的辐射源定位与路径规划", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 1, pages 031 - 451 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117110983A (zh) * | 2023-10-25 | 2023-11-24 | 香港中文大学(深圳) | 一种基于无人机螺旋轨迹的信号源定位方法 |
CN117110983B (zh) * | 2023-10-25 | 2023-12-22 | 香港中文大学(深圳) | 一种基于无人机螺旋轨迹的信号源定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116106824B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Habtemariam et al. | Multiple detection probabilistic data association filter for multistatic target tracking | |
CN107607943B (zh) | 基于干涉相位辅助的延迟多普勒雷达高度表的测高方法 | |
US7266042B1 (en) | Multi-stage maximum likelihood target estimator | |
CN106021697B (zh) | 一种快速相控阵雷达时间-能量资源联合管理方法 | |
CN116106824B (zh) | 一种基于认知学习的无人机多阶段信号源定位方法和系统 | |
CN112881993B (zh) | 自动识别雷达分布杂波引起虚假航迹的方法 | |
CN109782269B (zh) | 一种分布式多平台协同有源目标跟踪方法 | |
CN109816071A (zh) | 一种基于rfid的室内目标追踪方法 | |
CN105372653B (zh) | 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法 | |
US11249171B2 (en) | Method of determining an alignment error of an antenna and vehicle with an antenna and a detection device | |
CN103901427A (zh) | 一种测速雷达多目标跟踪的方法和装置 | |
Xia et al. | Extended object tracking with automotive radar using learned structural measurement model | |
CN114325577A (zh) | 一种非视距定位误差修正方法与装置 | |
Shareef et al. | Localization using extended Kalman filters in wireless sensor networks | |
Masmitja et al. | A reinforcement learning path planning approach for range-only underwater target localization with autonomous vehicles | |
CN113240065B (zh) | 基于改进粒子群优化算法的无源雷达布站方法 | |
JP4698941B2 (ja) | 目標類別装置 | |
CN114488104B (zh) | 基于交互一致性的天波超视距雷达目标跟踪方法 | |
CN111679270B (zh) | 一种反射点不确定场景下多路径融合目标检测算法 | |
Mullane et al. | Including probabilistic target detection attributes into map representations | |
CN115494450A (zh) | 一种高精度的超宽带室内定位跟踪与控制方法及装置 | |
JPH10246778A (ja) | 目標探知追尾装置 | |
Mušicki | Doppler-aided target tracking in heavy clutter | |
CN111796267A (zh) | 一种基于伪谱匹配滤波的机动转弯目标检测前跟踪方法 | |
Zhao et al. | Multi‐mode target tracking in combined sky‐wave and surface‐wave monostatic high frequency radar |
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 |