CN116358564A - 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 - Google Patents
无人机蜂群质心运动状态跟踪方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116358564A CN116358564A CN202310635712.XA CN202310635712A CN116358564A CN 116358564 A CN116358564 A CN 116358564A CN 202310635712 A CN202310635712 A CN 202310635712A CN 116358564 A CN116358564 A CN 116358564A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- bee colony
- centroid
- state
- 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 60
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 230000005484 gravity Effects 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims description 34
- 238000012546 transfer Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 238000005096 rolling process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 19
- 239000004973 liquid crystal related substance Substances 0.000 description 14
- 238000005259 measurement Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000005311 autocorrelation function Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000036461 convulsion Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/12—Static balancing; Determining position of centre of gravity
- G01M1/122—Determining position of centre of gravity
- G01M1/125—Determining position of centre of gravity of aircraft
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质,涉及无人机跟踪领域,方法包括利用上一时刻无人机蜂群质心的状态估计误差协方差矩阵对机动滤波器进行初始化,利用当前时刻无人机蜂群质心位置的观测值和各个机动滤波器上一时刻的状态估计进行滤波确定各个机动滤波器当前时刻无人机蜂群质心状态估计和误差协方差矩阵;根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;利用不同机动类型的比重权值根据各个机动滤波器当前时刻的状态估计和各个机动滤波器当前时刻的误差协方差矩阵进行加权相加,本发明能提高无人机蜂群质心运动状态的跟踪精度。
Description
技术领域
本发明涉及无人机跟踪领域,特别是涉及一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质。
背景技术
随着无人机蜂群在军事上的广泛应用,反无人机群的需求日益增长。由于无人机蜂群的密集、机动特性,考虑到未来场景中超过104的无人机数量,目标在传感器中形成的量测易产生混叠,多目标跟踪方法难以形成每个目标的稳定航迹。并且,多目标跟踪方法也无法为观测者或者拦截系统提供无人机蜂群整体的运动状态或趋势。
近年来发展的群目标跟踪理论为跟踪无人机蜂群提供了相适应的框架。群目标跟踪是将接收到的量测依据特定准则划分成若干群之后,从群整体的视角,进行群的航迹关联与群状态的估计、预测。群的状态一般包含群质心的运动状态和群分布的外形状态。其中,群质心的运动状态能否跟踪准确,是跟踪系统、拦截系统能否发挥作用的关键因素。目前,针对这种非合作的无人机蜂群目标的群质心的运动状态跟踪成为了重点研究问题。
针对机动群目标的群质心运动状态跟踪的相关研究中,主要针对质心的运动建模和对运动状态的非线性滤波进行优化。
对于没有先验机动规律的群质心运动建模,目前的研究基于Singer模型、当前统计模型、Jerk模型和多模型算法展开讨论。Singer模型、当前统计模型、Jerk模型把所估计量在观测者的笛卡尔坐标系下的三个分量建模为互不相关的随机过程。但事实上,无人机蜂群的质心在机体运动坐标系下多个分量的控制量相互独立,转换到观测者坐标系下的三个分量不再相互独立,存在耦合关系。以往的建模方式具有模型误差,且受制于机动频率参数的预先设置,对于加速度变化剧烈、加速度动态范围大的群质心跟踪效果差。
多模型算法将群质心的运动建模为多种简单运动的组合,将多个运动模型对应的滤波结果加权后得到融合后的运动状态。这类算法跟踪效果受制于预先设定的模型是否完备,当运动模型的组合无法充分描述所有可能的机动,对群质心的跟踪将引入较大误差。并且,多模型算法对于突然变化的目标运动类型的估计具有延迟性,造成跟踪误差变大。对于频繁改变机动类型的无人机蜂群目标的跟踪,易积累较大的跟踪误差。
发明内容
本发明的目的是提供一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质,可提高无人机蜂群质心运动状态的跟踪精度。
为实现上述目的,本发明提供了如下方案:
一种无人机蜂群质心运动状态跟踪方法,包括:
获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值;
利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化,得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵;
利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵;
根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数;
根据不同机动类型的比重权值,将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加,得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
可选地,利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵,具体包括:
根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程;
根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计;
根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
可选地,根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值,具体包括:
根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取,得到速度、航迹俯仰角和航迹偏转角;所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计;
根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
可选地,所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
本发明还提供一种无人机蜂群质心运动状态跟踪系统,包括:
获取模块,用于获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值;
初始化模块,用于利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化,得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵;
滤波模块,用于利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵;
比重权值确定模块,用于根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数;
加权相加模块,用于根据不同机动类型的比重权值,将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加,得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
可选地,滤波模块具体包括:
状态传递方程确定单元,用于根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程;
各个机动滤波器当前时刻无人机蜂群质心的状态估计确定单元,用于根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计;
各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵确定单元,用于根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
可选地,比重权值确定模块,具体包括:
特征提取单元,用于根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取,得到速度、航迹俯仰角和航迹偏转角;所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计;
比重权值确定单元,用于根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
可选地,所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
本发明还提供一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述的方法。
本发明还提供一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述的方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明中根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值,不同机动类型对应法向负载、切向负载和滚转角的机动频率参数,从而提高无人机蜂群质心的运动状态跟踪的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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一些实施例,对于本领域普通技术人员来讲,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为无人机蜂群的六自由度模型;
图2为无人机蜂群质心运动状态跟踪方法示意图;
图3为机动模型估计网络示意图;
图4为网络训练过程示意图;
图5为无人机蜂群质心运动状态跟踪方法流程图。
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、完整地描述,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做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。
本发明的目的是提供一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质,可提高无人机蜂群质心运动状态的跟踪精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图5所示,本发明提供的一种无人机蜂群质心运动状态跟踪方法,包括:
步骤101:获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值。本发明中,当前时刻为初始时刻时,上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵均为设定值。
步骤102:利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化,得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵。
步骤103:利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
步骤103具体包括:根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程;根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计;根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
步骤104:根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数。所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
步骤104具体包括:根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取,得到速度、航迹俯仰角和航迹偏转角;所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计;根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
步骤105:根据不同机动类型的比重权值,将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加,得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
本发明基于无人机蜂群的六自由度模型,将无人机蜂群所受的法向负载、切向负载和滚转角分别建模为指数自相关的零均值随机过程,从而进行运动状态跟踪。无人机蜂群质心的六自由度模型如图1所示。
在以观测者为坐标原点的笛卡尔坐标系中,无人机蜂群的质心位置为(xc,yc,zc),无人机蜂群质心的合速度为v。无人机蜂群质心的运动方向与XOY平面的夹角为,称为航迹俯仰角;无人机蜂群质心的运动方向在XOY平面的投影与Y轴的夹角为/>,称为航迹偏航角。同时,无人机蜂群质心所受到的三个控制量,分别是沿运动方向的切向负载nx,垂直于运动方向的法向负载为nz,决定法向负载nz指向的滚转角/>。由于控制量的变化过程对于观测者而言是规律未知的,因此在对无人机蜂群质心状态滤波的过程中,将这三个量建模为随机过程。将每个控制量建模为一阶马尔科夫过程,其中需要提前预设机动频率参数/>的取值。
由于无人机蜂群不同的机动方式对应法向负载、切向负载和滚转角不同的机动频率参数,因此需要根据一段时序的无人机状态判断机动类型以采用相适应的机动频率参数。本发明采用深度学习中的长短期记忆递归神经网络算法,基于机动类型判断误差最小化的目的,实现无人机蜂群机动类型判断后选取合适的机动频率,再实现对无人机蜂群质心的精准运动状态估计,如图2所示。
已知k-1时刻的无人机蜂群质心状态估计为、k-1时刻的无人机蜂群质心状态的误差协方差矩阵/>,k时刻无人机蜂群质心位置的观测值/>,k-2时刻的无人机蜂群质心状态估计/>,k-3时刻的无人机蜂群质心状态估计/>,…k-m时刻的无人机蜂群质心状态估计/>。机动1、机动2…机动N对应的滤波器,滤波采用的状态模型相同,区别在于机动频率参数不同。主要步骤:
①:滤波器初始化,将k-1时刻的无人机蜂群质心的状态估计和k-1时刻的无人机蜂群质心状态的误差协方差矩阵为/>调整为适用于输入给各个机动滤波器的状态:机动1滤波器输入的k-1时刻的无人机蜂群质心状态估计/>和k-1时刻的无人机蜂群质心状态的误差协方差矩阵/>,机动2滤波器输入的k-1时刻的无人机蜂群质心状态估计/>和k-1时刻的无人机蜂群质心状态的误差协方差矩阵/>,…机动N滤波器输入的k-1时刻的无人机蜂群质心状态估计/>和k-1时刻的无人机蜂群质心状态的误差协方差矩阵/>。
②:将k时刻无人机蜂群质心位置的观测值和步骤①调整后的k-1时刻的状态输入给对应机动滤波器,经过滤波得到不同机动滤波器k时刻无人机蜂群质心状态估计/>、/>…/>和k时刻的无人机蜂群质心状态的误差协方差矩阵/>、/>…/>。
③:根据当前时刻的观测值和k-1时刻之前的若干时刻的状态估计/>、/>…/>,机动模型估计网络判断出无人机蜂群质心目前所处于的机动方式,输出结果为k时刻不同滤波器状态对应的比重权值/>、/>、/>…/>。
将地面观测者作为坐标原点,将地面坐标系作为惯性坐标系。如图1所示,无人机蜂群的质心位置为(xc,yc,zc),无人机蜂群质心的合速度为,航迹俯仰角为/>,航迹偏航角为/>,机身滚转角为/>,无人机蜂群机体坐标系下的法向负载为/>,延无人机蜂群飞行方向的切向负载为/>。根据上述变量,可以构建如下的无人机蜂群的六自由度模型:
其中,为无人机蜂群质心x轴坐标的一阶变化率,/>为无人机蜂群质心y轴坐标的一阶变化率,/>为无人机蜂群质心z轴坐标的一阶变化率,/>为无人机蜂群质心合速度的一阶变化率,/>为航迹俯仰角的一阶变化率,/>为航迹偏航角的一阶变化率,g为重力加速度。
由于无人机蜂群的控制变量中的参数变化对于观测者是未知的,因此将法向负载、切向负载和滚转角这三个参数分别建模为随机过程。假定无人机蜂群的法向负载/>是一个零均值、平稳的一阶马尔科夫过程,法向负载的自相关函数/>为:
其中,为切向负载的自相关函数,/>为延迟/>后的切向负载,/>为滚转角的自相关函数,/>为延迟/>后的滚转角,/>为切向负载的一阶变化率,/>为滚转角的一阶变化率。/>和/>分别为/>和/>的机动频率,/>和/>是零均值白噪声,其功率谱密度分别为/>和/>。/>和/>分别为是切向负载和滚转角的方差。
其中,为无人机蜂群质心的9维状态向量,/>是无人机蜂群质心状态的一阶变化率构成的向量,/>、/>、/>、/>、/>、/>、/>、/>和/>分别为/>、/>、/>、/>、、/>、/>、/>和/>省略“/>”的写法。
可以得到离散的状态传递方程:
因此离散后的量测方程为:
实现目标跟踪滤波的两个关键步骤是目标状态传递模型的建立和残差的滤除。本发明主要解决的是跟踪无人机蜂群质心时的目标状态传递模型的建立。此部分的传递方程和量测方程是后续能进行残差滤除的必要条件。现在已经有很成熟的残差滤除的方案,根据本发明提出的目标状态传递模型,可以使用各式各样的非线性滤波方法来滤除残差。因此本发明不限制使用何种残差滤除的方式,也不再对后续如何利用残差滤除得到最终的状态值进行展开。不管使用何种残差滤除的方法,都会得出对应的状态估计和误差协方差矩阵。
根据美国陆军航空飞行动力学理事会提供的信息,无人机的运动主要由7大类型基本运动方式构成,分别为:保持原状态飞行;最大加速度直飞;最大过载左转;最大过载右转;最大过载爬升;最大过载俯冲;最大减速飞行。
将这7类基本运动方式根据各自的法向负载、切向负载和滚转角的变化特点,分为以下四类机动类型:
(1)法向负载、切向负载和滚转角在较长时间内变化较小,对应“保持原状态飞行”,此时机动频率设置为:
(2)切向负载变化较大,法向负载和滚转角在较长时间内变化较小,对应“最大加速度直飞”与“最大减速飞行”,此时机动频率设置为:
(3)法向负载和切向负载变化较大,滚转角变化较小,对应“最大过载爬升”与“最大过载俯冲”,此时机动频率设置为:
(4)法向负载和滚转角变化较大,切向负载变化较小,对应“最大过载左转”与“最大过载右转”,此时机动频率设置为:
四种基本机动类型对应了四种不同的机动频率组合,也因此对应了四种不同参数下的状态方程和状态滤波。为了对输入的量测值进行相适应的状态滤波,需要根据若干时刻的航迹判断无人机蜂群质心所属机动状态。
采用5个连续数据点,通过特征提取后,形成的4组3维特征作为输入数据。本发明的机动模型估计网络采用2层堆叠Bi-LSTM网络的机动模型估计网络,如图3所示,其中,图3中的O1表示第1个输出数据向量,O2表示第2个输出数据向量,O3表示第3个输出数据向量,O4表示第4个输出数据向量。网络工作主要分为3个步骤:
②特征提取,从,/>,/>和/>的状态向量中提取k-1时刻、k-2时刻、k-3时刻和k-4时刻的速度估计值/>、/>、/>、/>,航迹俯仰角估计值/>、/>、/>、和航迹偏转角估计值/>、/>、/>、/>。将同一个时刻的特征组合成特征向量/>,k-1时刻的特征向量为/>、k-2时刻的特征向量为/>、k-3时刻的特征向量为/>,k-4时刻的特征向量为/>,表达式分别为:
不同的机动动作由法向负载、切向负载和滚转角的不同组合决定。但是法向负载、切向负载和滚转角不能直接/间接观测到。在运动状态滤波中,又需要确定法向负载、切向负载和滚转角的机动频率参数的取值。恰好不同机动类型在无人机蜂群质心的运动状上体现为航迹俯仰角、速度和航迹偏航角的显著差异。因此,可以通过LSTM网络对运动状态的这些特征来判断无人机蜂群质心当前大概率处于哪种机动动作。不同机动类型对应具有不同机动频率的状态滤波,不同的状态滤波也会产生不同的状态估计值。对运动特征判断后,对不同机动滤波器产生的状态估计赋予不同比重权值,给机动类型判断概率最大的状态赋予较大比重权值,给机动类型概率小的状态赋予较小权值。最后将多个机动滤波器的状态加权相加,加权后的结果作为当前时刻的无人机蜂群质心状态。
网络的训练过程如图4所示,以模型输出的不同权值与真实的权值进行作差,构造残差函数。再通过优化函数依据残差信息调整Bi-LSTM网络参数,从而实现网络的训练。
无人机蜂群质心状态的加权滤波:
如图2所示,基于特定机动频率假设的第i个滤波器的输入量测为k时刻群质心的观测值,输出的状态估计值为/>,/>为滤波器的个数,i表示滤波器对应机动类型的序号,机动模型估计网络产生的k时刻第i个机动类型的比重权值为/>。则k时刻的无人机蜂群的质心的运动状态估计为:
本发明在分析无人机蜂群的运动特性的基础上,在更接近实际的无人机蜂群的六自由度模型下设计了用于跟踪无人机群质心运动的状态方程和滤波方案,在存在多种机动可能的情形下,提高了无人机蜂群质心的运动状态的跟踪精度。
本发明还提供一种无人机蜂群质心运动状态跟踪系统,包括:
获取模块,用于获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值。
初始化模块,用于利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化,得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵。
滤波模块,用于利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
比重权值确定模块,用于根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数。
加权相加模块,用于根据不同机动类型的比重权值,将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加,得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
作为一种可选地实施方式,滤波模块具体包括:
状态传递方程确定单元,用于根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程。
各个机动滤波器当前时刻无人机蜂群质心的状态估计确定单元,用于根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计。
各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵确定单元,用于根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
作为一种可选地实施方式,比重权值确定模块,具体包括:
特征提取单元,用于根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取,得到速度、航迹俯仰角和航迹偏转角;所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计。
比重权值确定单元,用于根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
作为一种可选地实施方式,所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
本发明还提供一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述的方法。
本发明还提供一种存储介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如上述的方法。
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他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种无人机蜂群质心运动状态跟踪方法,其特征在于,包括:
获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值;
利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化,得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵;
利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵;
根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数;
根据不同机动类型的比重权值,将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加,得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
2.根据权利要求1所述的无人机蜂群质心运动状态跟踪方法,其特征在于,利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵,具体包括:
根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程;
根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计;
根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
3.根据权利要求1所述的无人机蜂群质心运动状态跟踪方法,其特征在于,根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值,具体包括:
根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取,得到速度、航迹俯仰角和航迹偏转角;所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计;
根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
4.根据权利要求1所述的无人机蜂群质心运动状态跟踪方法,其特征在于,所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
5.一种无人机蜂群质心运动状态跟踪系统,其特征在于,包括:
获取模块,用于获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值;
初始化模块,用于利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化,得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵;
滤波模块,用于利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波,确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵;
比重权值确定模块,用于根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断,得到不同机动类型的比重权值;不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数;
加权相加模块,用于根据不同机动类型的比重权值,将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加,得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
6.根据权利要求5所述的无人机蜂群质心运动状态跟踪系统,其特征在于,滤波模块具体包括:
状态传递方程确定单元,用于根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程;
各个机动滤波器当前时刻无人机蜂群质心的状态估计确定单元,用于根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计;
各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵确定单元,用于根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
7.根据权利要求5所述的无人机蜂群质心运动状态跟踪系统,其特征在于,比重权值确定模块,具体包括:
特征提取单元,用于根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取,得到速度、航迹俯仰角和航迹偏转角;所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计;
比重权值确定单元,用于根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
8.根据权利要求5所述的无人机蜂群质心运动状态跟踪系统,其特征在于,所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至4中任意一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635712.XA CN116358564B (zh) | 2023-06-01 | 2023-06-01 | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635712.XA CN116358564B (zh) | 2023-06-01 | 2023-06-01 | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116358564A true CN116358564A (zh) | 2023-06-30 |
CN116358564B CN116358564B (zh) | 2023-07-28 |
Family
ID=86905295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310635712.XA Active CN116358564B (zh) | 2023-06-01 | 2023-06-01 | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116358564B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2006129699A (ru) * | 2006-08-16 | 2008-02-27 | Общество с ограниченной ответственностью "ОКБ Траверз" (RU) | Способ сопровождения групповой воздушной цели |
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN110426029A (zh) * | 2019-07-31 | 2019-11-08 | 南京航空航天大学 | 用于无人机蜂群协同导航的动态互观测在线建模方法 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
CN113048984A (zh) * | 2021-04-01 | 2021-06-29 | 江苏科技大学 | 一种用于水下无人机器人集群的动态定位信息融合方法 |
WO2022088797A1 (zh) * | 2020-10-26 | 2022-05-05 | 东南大学 | 考虑量测异常的集群式多深海潜航器的协同定位方法 |
US20220138475A1 (en) * | 2020-11-04 | 2022-05-05 | Tahmid Z CHOWDHURY | Methods and systems for crowd motion summarization via tracklet based human localization |
CN114740467A (zh) * | 2022-04-27 | 2022-07-12 | 电子科技大学 | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 |
CN115406446A (zh) * | 2022-08-23 | 2022-11-29 | 中国人民解放军火箭军工程大学 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
CN115981148A (zh) * | 2022-12-07 | 2023-04-18 | 哈尔滨工业大学 | 无人机地面移动目标跟踪方法 |
-
2023
- 2023-06-01 CN CN202310635712.XA patent/CN116358564B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2006129699A (ru) * | 2006-08-16 | 2008-02-27 | Общество с ограниченной ответственностью "ОКБ Траверз" (RU) | Способ сопровождения групповой воздушной цели |
CN108151737A (zh) * | 2017-12-19 | 2018-06-12 | 南京航空航天大学 | 一种动态互观测关系条件下的无人机蜂群协同导航方法 |
CN110426029A (zh) * | 2019-07-31 | 2019-11-08 | 南京航空航天大学 | 用于无人机蜂群协同导航的动态互观测在线建模方法 |
CN111008364A (zh) * | 2019-12-09 | 2020-04-14 | 北京壹氢科技有限公司 | 一种双观测者协同被动定位方法及系统 |
WO2022088797A1 (zh) * | 2020-10-26 | 2022-05-05 | 东南大学 | 考虑量测异常的集群式多深海潜航器的协同定位方法 |
US20220138475A1 (en) * | 2020-11-04 | 2022-05-05 | Tahmid Z CHOWDHURY | Methods and systems for crowd motion summarization via tracklet based human localization |
CN113048984A (zh) * | 2021-04-01 | 2021-06-29 | 江苏科技大学 | 一种用于水下无人机器人集群的动态定位信息融合方法 |
CN114740467A (zh) * | 2022-04-27 | 2022-07-12 | 电子科技大学 | 基于幅度点迹的集群目标跟踪及数量、轮廓动态估计方法 |
CN115406446A (zh) * | 2022-08-23 | 2022-11-29 | 中国人民解放军火箭军工程大学 | 基于神经网络与无迹卡尔曼滤波的多轴特种车状态估计方法 |
CN115981148A (zh) * | 2022-12-07 | 2023-04-18 | 哈尔滨工业大学 | 无人机地面移动目标跟踪方法 |
Non-Patent Citations (4)
Title |
---|
单泽彪等: "应用人工蜂群算法的动态波达方向跟踪", 光学精密工程, vol. 23, no. 3 * |
杜明洋等: "多特征信息融合的中心群跟踪算法", 弹箭与制导学报, vol. 38, no. 6 * |
汪云等: "群目标跟踪自适应IMM算法", 哈尔滨工业大学学报, vol. 48, no. 10 * |
陈雨迪等: "密集群目标跟踪的研究进展", 电讯技术, vol. 63, no. 4 * |
Also Published As
Publication number | Publication date |
---|---|
CN116358564B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343550B (zh) | 一种基于滚动时域估计的航天器角速度的估计方法 | |
Lin et al. | A gated recurrent unit-based particle filter for unmanned underwater vehicle state estimation | |
CN106643715A (zh) | 一种基于bp神经网络改善的室内惯性导航方法 | |
CN111238469A (zh) | 一种基于惯性/数据链的无人机编队相对导航方法 | |
CN115033022A (zh) | 面向移动平台基于专家经验的ddpg无人机降落方法 | |
CN111121770B (zh) | 一种交互式多弹多模型航迹融合方法 | |
CN107703953B (zh) | 一种无人机的姿态控制方法、装置、无人机及存储介质 | |
CN104808662B (zh) | 一种基于数据驱动的抑制船舶航向扰动的控制方法 | |
CN114462293B (zh) | 一种高超声速目标中长期轨迹预测方法 | |
CN114355959B (zh) | 空中机器人的姿态输出反馈控制方法、装置、介质和设备 | |
CN113030940B (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
Kehoe et al. | State estimation using optical flow from parallax-weighted feature tracking | |
CN116358564B (zh) | 无人机蜂群质心运动状态跟踪方法、系统、设备及介质 | |
CN113029173A (zh) | 车辆导航方法及装置 | |
CN117369507A (zh) | 一种自适应粒子群算法的无人机动态路径规划方法 | |
CN115826594B (zh) | 不依赖动态模型参数的无人潜航器切换拓扑编队控制方法 | |
CN115542746B (zh) | 高超声速飞行器的能量管控再入制导方法及装置 | |
Stepanyan et al. | Adaptive disturbance rejection controller for visual tracking of a maneuvering target | |
Guan et al. | A new integrated navigation system for the indoor unmanned aerial vehicles (UAVs) based on the neural network predictive compensation | |
CN108459614B (zh) | 一种基于cw-rnn网络的uuv实时避碰规划方法 | |
Liu et al. | A novel hybrid attitude fusion method based on LSTM neural network for unmanned aerial vehicle | |
Kehoe et al. | Partial aircraft state estimation from optical flow using non-model-based optimization | |
CN110610513A (zh) | 自主移动机器人视觉slam的不变性中心差分滤波器方法 | |
CN116295342A (zh) | 一种用于飞行器勘测的多传感状态估计器 | |
CN111896946B (zh) | 一种基于航迹拟合的连续时间目标跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |