CN116400715A - 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 - Google Patents
模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 Download PDFInfo
- Publication number
- CN116400715A CN116400715A CN202310197564.8A CN202310197564A CN116400715A CN 116400715 A CN116400715 A CN 116400715A CN 202310197564 A CN202310197564 A CN 202310197564A CN 116400715 A CN116400715 A CN 116400715A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- vector
- observation
- aerial vehicle
- kth
- 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 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 176
- 230000001360 synchronised effect Effects 0.000 claims abstract description 12
- 230000005855 radiation Effects 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000010606 normalization Methods 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 20
- 239000000284 extract Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000000203 mixture Substances 0.000 claims description 2
- 239000013604 expression vector Substances 0.000 claims 1
- 230000001537 neural effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Images
Classifications
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0833—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using limited authority control
-
- 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)
- Computer Security & Cryptography (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开一种模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法,该方法一方面利用多无人机阵列信号中的时差信息,虚拟合成大孔径阵列接收效果,并利用合成的多机高维频域观测矢量直接估计目标位置,明显提高多无人机协同跟踪的精度;第二方面基于运动目标周边辅助运动信源所提供的位置信息训练CNN+BiLSTM神经网络,利用该神经网络可以在多个无人机存在随机姿态误差与同步时钟偏差,即实际接收模型与理想接收模型存在误差的定位场景中,明显提高多无人机协同跟踪的鲁棒性,并提升无人机侦察的智能化水平。
Description
技术领域
本发明涉及无线定位技术领域,尤其涉及一种基于多个运动无人机平台的无线定位方法,特别是针对多个无人机存在随机姿态误差与同步时钟偏差,即实际接收模型与理想接收模型存在误差的定位场景,提供了一种基于神经网络的高精度直接跟踪方法。
背景技术
众所周知,无线电信号侦察定位对于目标发现及其态势感知具有十分重要的意义,其中空基、天基侦察定位系统发挥了不可替代的效益。随着航电设备发展的无人化,无人侦察机将成为侦察卫星和有人侦察机的重要补充和增强手段。它与侦察卫星相比,具有成本低、侦察地域控制灵活等特点;与有人侦察机相比,具有可昼夜持续侦察的能力,不必考虑飞行员的疲劳和伤亡等问题,特别在对敌方严密设防的重要地域实施侦察时,或在有人驾驶侦察机难以接近的情况下,使用无人侦察机就更能体现出其优越性。在当前强调隐蔽攻击和硬杀伤的形势下,基于无人机平台的无源定位技术将日益发挥重要作用。
然而,虽然无人机侦察装备具有灵活自由的特点,但是仍存在以下四个问题:(1)无人机体积有限、装载能力受限,只能依赖尽可能小孔径的天线阵列实现侦察定位,这导致对目标定位精度不高等问题。(2)现有无人机定位系统中,采集的数字信号通过无人机网关回传到地面计算中心,由计算中心完成目标的定位与跟踪解算,而计算中心均是采用“两步估计”模式,即首先从各无人机回传的信号中提取角度/时延等定位参数形成目标的点迹,再根据无人机的航迹姿态等信息,通过状态方程利用滤波算法对目标的航迹进行跟踪处理。由于参数估计与目标滤波跟踪相分离,无法保证测量的参数结果与真实目标航迹信息相匹配,同时参数估计的误差可能在后续的处理过程中被进一步放大且很难被消除从而导致整个数据处理过程中不可避免地存在信息损失,所以无法获得最优的估计性能。(3)航迹与姿态是无人机的重要飞行控制参数,可采用多种传感器件与算法测量,但不可避免存在随机误差(即真实值与标称预设值之间的误差),而基于天线阵列的无人机定位方式非常依赖航迹与姿态参数,较小的航迹与姿态误差将带来极大的定位误差。(4)基于时差信息的多机定位系统能够提供精准的定位信息,但是要求各无人机之间精确同步,尤其针对宽带信号,较小的时钟偏差就会带来较大的定位偏差。
发明内容
针对上述问题,本发明提供了一种基于神经网络的多无人机协同直接跟踪方法,(1)利用多个无人机之间的时差信息,构造高维的多机频域观测矢量,能够将小孔径阵列虚拟扩展为大孔径阵列,减少了大孔径天线阵列的设计复杂程度和科学实践成本,降低了对装置信号参数测量精度的要求。(2)引入(单步)直接跟踪方式,其基本思想是从原始信号抽样中直接获取目标的航迹参数,无需再估计其它中间观测量。相比于传统两步估计模式的跟踪方法,这种(单步)直接跟踪技术具有估计精度高、分辨能力强、无需数据关联等诸多优点。(3)引入卷积神经网络CNN+双向长短时记忆网络BiLSTM的神经网络架构,利用CNN提取各个时刻的空间特征信息,利用BiLSTM处理时间序列的优异特性来学习目标的空时特征信息,通过训练完成数据域轨迹矢量的直接估计,同时由于神经网络为输入和输出之间的关系难以表示或不容易建模的问题提供了一种有效的求解方法,在训练的过程中也学习到模型误差的信息。因此,本发明能够大幅提高在低信噪比条件下的轨迹估计精度,降低无人机随机姿态误差与同步时钟偏差所带来的影响,并提升无人机侦察的智能化水平。
为了实现上述目的,本发明采用以下技术方案:
为了解决上述问题,该方法需要在多个无人机上安装阵列天线,且需要在目标运动区域附近存在或布设若干位置精确已知的运动辅助信源发射宽带信号。首先令多个无人机按照预先设定的航迹飞行(航迹与姿态角存在随机误差,无人机之间存在同步时钟偏差),利用多个无人机阵列天线依次在多个观测时隙内(即多个观测位置上)接收各个辅助信源信号,基于多无人机在各个观测位置上的阵列接收信号,利用到达信号角度、传播时延关于辅助信源位置参数的数学关系,建立与到达信号复包络、载波相位有关的阵列信号时域模型;然后,每个无人机在各个观测位置上接收阵列信号后,利用基2-FFT算法将阵列信号时域数据转化为频域数据,并将阵列信号频域数据传输至地面计算中心站,中心站将多个无人机的频域数据组成高维的多机频域观测矢量,计算多机频域观测矢量的协方差矩阵;接着,计算中心站提取每个观测位置上的频域协方差矩阵的非冗余信息,与多无人机的预设姿态矢量组成空间特征矢量,并将多个观测位置上的空间特征矢量进行归一化处理并组成空时特征输入序列,每个输入序列对应一个辅助信源的空时特征,同时将每个辅助信源在多个观测位置上对应的真实位置矢量组成输出位置序列,并进行归一化处理;进一步,计算中心站利用各辅助信源的归一化空时特征序列与输出位置序列来训练CNN+BiLSTM神经网络,当训练结束后该神经网络就可用于实现对运动目标的直接跟踪;最后,采用相同的方法对运动目标辐射源进行数据采集,并将得到的归一化空时特征序列输入到已经训练好的神经网络中,再对该神经网络的输出序列进行反归一化处理,即得到运动目标辐射源在多个观测时隙内的位置跟踪结果。本发明的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法的具体实施步骤如下:
步骤1:令L个存在同步时钟偏差的无人机按照预设航迹飞行(实际航迹与姿态角存在随机误差),根据Nyquist采样定理,利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集第d(1≤d≤D)个运动辅助信源辐射的无线电宽带信号,每个观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的N个阵列信号时域数据;
步骤2:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的N个阵列信号时域数据分为I段,每段J(2的整数次幂)个样本点,对每段数据做基2-FFT运算,从而得到I段阵列信号频域数据(每段J个频域分量);
步骤3:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据组成多机频域观测矢量,并计算多机频域观测矢量的协方差矩阵;
步骤4:地面计算中心站提取第k(1≤k≤K)个预设观测位置上关于第d(1≤d≤D)个辅助信源信号的频域协方差矩阵的非冗余元素,与L个无人机在第k(1≤k≤K)个位置上观测第d(1≤d≤D)个运动辅助信源时的预设姿态矢量组成关于第d(1≤d≤D)个运动辅助信源在第k(1≤k≤K)个观测位置上的空间特征矢量;
步骤5:地面计算中心站对D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理,并依次将第d(1≤d≤D)个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列;将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理,并依次将第d(1≤d≤D)个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列;
步骤6:地面计算中心站利用对D个运动辅助信源的归一化输入输出序列来训练CNN+BiLSTM神经网络;
步骤7:令L个存在同步时钟偏差的无人机按照预设航迹飞行(航迹与姿态角存在随机误差),根据Nyquist采样定理,利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集运动目标辐射的无线电宽带信号,每个观测位置上采集得到关于目标辐射源的N个阵列信号时域数据;
步骤8:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的N个阵列信号时域数据分为I段,每段J(2的整数次幂)个样本点,对每段数据做基2-FFT运算,从而得到I段阵列信号频域数据(每段J个频域分量);
步骤9:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量,并计算多机频域观测矢量的协方差矩阵;
步骤10:地面计算中心站提取第k(1≤k≤K)个预设观测位置上关于目标辐射源信号的频域协方差矩阵的非冗余元素,与L个无人机在第k(1≤k≤K)个位置上观测运动目标辐射源的预设姿态矢量组成关于运动目标辐射源在第k(1≤k≤K)个观测位置上的空间特征矢量;
步骤11:地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理,并组成一个空时特征序列作为输入,输入到步骤6所训练的CNN+BiLSTM神经网络中,再对该网络的输出序列按照步骤5中的最大最小归一化方法进行反归一化处理,即得到对运动目标辐射源在K个观测时隙内的位置跟踪结果。
进一步地,所述步骤1中,针对第d(1≤d≤D)个运动辅助信源辐射的无线电宽带信号,第l(1≤l≤L)个运动无人机在第k(1≤k≤K)个预设观测位置上(即观测时隙内)以采样周期Ts采集的阵列信号时域模型可以近似为
式中表示第d个运动辅助信源在第k个观测时隙内的位置矢量;表示第d个运动辅助信源信号在第k个观测时隙内相对于第l个无人机天线阵列的流形矢量,与相应的到达角度有关;表示第l个无人机天线阵列在第k个观测时隙内接收第d个辅助信源信号经过时延为的复包络,其中tl是第l个无人机相对于参考时钟的同步偏差,表示在第k个观测时隙内第d个运动辅助信源信号到达第l个无人机的传播时延;为第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的信道传播复系数;表示第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的天线阵列噪声矢量;表示第l个无人机在第k个预设位置上观测第d个辅助信源信号时的真实姿态矢量,其与预设姿态之间存在随机误差,即
进一步地,所述步骤2中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的N个阵列信号时域数据分为I段,对每段J(2的整数次幂)个样本数据做基2-FFT运算,得到的阵列信号频域模型可以表示为
进一步地,所述步骤3中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据传至地面计算中心站。地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据组成多机频域观测矢量,其表达式为
其中,blkdiag{·}表示由矩阵或矢量作为对角元素构成的块状对角矩阵;
地面计算中心站计算得到的多机频域观测矢量的协方差矩阵为
其中Re{·},Im{·}分别表示取实部与虚部,triu1[·]表示由矩阵对角线上方元素构成的矢量,diag[·]表示由矩阵对角线元素构成的矢量;
进一步地,所述步骤5中,地面计算中心站将D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理,其具体公式为
将第d(1≤d≤D)个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列:
地面计算中心站将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理,其具体公式为
将第d(1≤d≤D)个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列:
进一步地,所述步骤6中,将归一化空时特征序列作为CNN+BiLSTM神经网络的输入,将归一化位置序列作为CNN+BiLSTM神经网络的输出,共有D组这样的输入序列-输出序列对,利用它们对神经网络进行训练,训练算法采用Adam算法。
进一步地,所述步骤7中,针对运动目标辐射的无线电宽带信号,第l(1≤l≤L)个运动无人机在第k(1≤k≤K)个预设观测位置上(即观测时隙内)以采样周期Ts采集的阵列信号时域模型可以近似为
式中p(k)表示运动目标辐射源在第k个观测时隙内的位置矢量;表示运动目标辐射源信号相对于第l个无人机天线阵列在第k个观测位置上的流形矢量,与相应的到达角度有关;表示第l个无人机天线阵列在第k个观测位置上接收目标辐射源信号经过时延为的复包络,其中tl是第l个无人机相对于参考时钟的同步偏差,表示在第k个观测时隙内运动目标辐射源信号到达第l个无人机的传播时延;为第l个无人机在第k个预设观测位置上接收目标辐射源信号时的信道传播复系数;表示第l个无人机在第k个预设观测位置上接收目标辐射源信号时的天线阵列噪声矢量;表示第l个无人机在第k个预设位置上观测目标辐射源信号时的真实姿态矢量,其与预设姿态之间存在随机误差,即
进一步地,所述步骤8中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的N个阵列信号时域数据分为I段,对每段J(2的整数次幂)个样本数据做基2-FFT运算,得到的阵列信号频域模型可以表示为
进一步地,所述步骤9中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站。地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量,其表达式为
其中,blkdiag{·}表示由矩阵或矢量作为对角元素构成的块状对角矩阵;
地面计算中心站计算得到关于运动目标辐射源的多机频域观测矢量协方差矩阵为
进一步地,所述步骤10中,地面计算中心站提取第k(1≤k≤K)个预设观测位置上关于运动目标辐射源的协方差矩阵R(k)(j)(1≤j≤J)的非冗余元素,其元素包括
其中Re{·},Im{·}分别表示取实部与虚部,triu1[·]表示由矩阵对角线上方元素构成的矢量,diag[·]表示由矩阵对角线元素构成的矢量;
η(k)=[(ζ(k))T,(x(k)(1))T,(x(k)(2))T,...,(x(k)(J))T]T(1≤k≤K)
进一步地,所述步骤11中,地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理,具体公式为
其中dim[·]表示矢量的维度,[·]m表示矢量的第m个元素。利用η′(k)(1≤k≤K)组成的空时特征输入序列为
Ψ=[η′(1),η′(2),...,η′(K)]
与现有技术相比,本发明具有的有益效果:
本发明的有益效果在于两个方面,一是利用多无人机阵列信号中的时差信息,虚拟合成大孔径阵列接收效果,并利用合成的多机高维频域观测矢量直接估计目标位置,明显提高多无人机协同跟踪的精度;二是基于运动目标周边辅助运动信源所提供的位置信息训练CNN+BiLSTM神经网络,利用该神经网络可以在多个无人机存在随机姿态误差与同步时钟偏差,即实际接收模型与理想接收模型存在误差的定位场景中,明显提高多无人机协同跟踪的鲁棒性,并提升无人机侦察的智能化水平。
附图说明
图1为本发明实施例的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法原理示意图;
图2为本发明实施例模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法流程图;
图3为本发明实施例多个无人机在各观测位置上与地面计算中心站的数据传输示意图;
图4为本发明实施例CNN+BiLSTM神经网络结构示意图;
图5为本发明实施例协同多无人机阵列信号的目标直接跟踪训练样本实例场景示意图;
图6为本发明实施例第1条轨迹的跟踪轨迹点分布图;其中6a为SNR=-5dB时对应的第1条轨迹的跟踪轨迹点分布图,6b为SNR=0dB时对应的第1条轨迹的跟踪轨迹点分布图;
图7为本发明实施例第2条轨迹的跟踪轨迹点分布图;其中7a、7b分别对应于SNR=-5dB、SNR=0dB;
图8为本发明实施例第1条轨迹的平均跟踪误差累积分布函数曲线;其中8a、8b分别对应SNR=-5dB、SNR=0dB;
图9为本发明实施例第2条轨迹的平均跟踪误差累积分布函数曲线;其中9a、9b分别对应SNR=-5dB、SNR=0dB;
图10为本发明实施例第1条轨迹的逐个位置点定位误差箱型图;其中10a、10c分别对应本专利公开的方法,SNR=-5dB、SNR=0dB;10b、10d分别对应对比方法,SNR=-5dB、SNR=0dB;
图11为本发明实施例第2条轨迹的逐个位置点定位误差箱型图;其中10a、10c分别对应本专利公开的方法,SNR=-5dB、SNR=0dB;10b、10d分别对应对比方法,SNR=-5dB、SNR=0dB。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,本发明公开的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法需要多个无人机安装天线阵列(无人机之间可以存在同步时钟偏差),每个无人机在多个观测时隙内(即多个观测位置上)接收运动目标辐射源或者运动辅助信源发射的宽带信号,并将每个观测位置上计算得到的阵列信号频域数据传输至地面计算中心站,中心站汇聚多个观测时隙内的多机频域数据与运动辅助信源的真实位置对CNN+BiLSTM神经网络进行训练,训练好的神经网络具有直接跟踪功能,可以对运动目标辐射源进行多个观测时隙内的位置跟踪。
如图2所示,本发明公开的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法包括以下步骤:
步骤1:令L个存在同步时钟偏差的无人机按照预设航迹飞行(实际航迹与姿态角存在随机误差),根据Nyquist采样定理,利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集第d(1≤d≤D)个运动辅助信源辐射的无线电宽带信号,每个观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的N个阵列信号时域数据;
步骤2:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的N个阵列信号时域数据分为I段,每段J(2的整数次幂)个样本点,对每段数据做基2-FFT运算,从而得到I段阵列信号频域数据(每段J个频域分量);
步骤3:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据组成多机频域观测矢量,并计算多机频域观测矢量的协方差矩阵;
步骤4:地面计算中心站提取第k(1≤k≤K)个预设观测位置上关于第d(1≤d≤D)个辅助信源信号的频域协方差矩阵的非冗余元素,与L个无人机在第k(1≤k≤K)个位置上观测第d(1≤d≤D)个运动辅助信源时的预设姿态矢量组成关于第d(1≤d≤D)个运动辅助信源在第k(1≤k≤K)个观测位置上的空间特征矢量;
步骤5:地面计算中心站对D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理,并依次将第d(1≤d≤D)个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列;将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理,并依次将第d(1≤d≤D)个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列;
步骤6:地面计算中心站利用对D个运动辅助信源的归一化输入输出序列来训练CNN+BiLSTM神经网络;
步骤7:令L个存在同步时钟偏差的无人机按照预设航迹飞行(航迹与姿态角存在随机误差),根据Nyquist采样定理,利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集运动目标辐射的无线电宽带信号,每个观测位置上采集得到关于目标辐射源的N个阵列信号时域数据;
步骤8:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的N个阵列信号时域数据分为I段,每段J(2的整数次幂)个样本点,对每段数据做基2-FFT运算,从而得到I段阵列信号频域数据(每段J个频域分量);
步骤9:每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量,并计算多机频域观测矢量的协方差矩阵;
步骤10:地面计算中心站提取第k(1≤k≤K)个预设观测位置上关于目标辐射源信号的频域协方差矩阵的非冗余元素,与L个无人机在第k(1≤k≤K)个位置上观测运动目标辐射源的预设姿态矢量组成关于运动目标辐射源在第k(1≤k≤K)个观测位置上的空间特征矢量;
步骤11:地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理,并组成一个空时特征序列作为输入,输入到步骤6所训练的CNN+BiLSTM神经网络中,再对该网络的输出序列按照步骤5中的最大最小归一化方法进行反归一化处理,即得到对运动目标辐射源在K个观测时隙内的位置跟踪结果。
进一步地,所述步骤1中,针对第d(1≤d≤D)个运动辅助信源辐射的无线电宽带信号,第l(1≤l≤L)个运动无人机在第k(1≤k≤K)个预设观测位置上(即观测时隙内)以采样周期Ts采集的阵列信号时域模型可以近似为
式中表示第d个运动辅助信源在第k个观测时隙内的位置矢量;表示第d个运动辅助信源信号在第k个观测时隙内相对于第l个无人机天线阵列的流形矢量,与相应的到达角度有关;表示第l个无人机天线阵列在第k个观测时隙内接收第d个辅助信源信号经过时延为的复包络,其中tl是第l个无人机相对于参考时钟的同步偏差,表示在第k个观测时隙内第d个运动辅助信源信号到达第l个无人机的传播时延;为第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的信道传播复系数;表示第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的天线阵列噪声矢量;表示第l个无人机在第k个预设位置上观测第d个辅助信源信号时的真实姿态矢量,其与预设姿态之间存在随机误差,即
进一步地,所述步骤2中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的N个阵列信号时域数据分为I段,对每段J(2的整数次幂)个样本数据做基2-FFT运算,得到的阵列信号频域模型可以表示为
进一步地,所述步骤3中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据传至地面计算中心站,如图3所示。地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于第d(1≤d≤D)个运动辅助信源的阵列信号频域数据组成多机频域观测矢量,其表达式为
其中,blkdiag{·}表示由矩阵或矢量作为对角元素构成的块状对角矩阵。
进一步地,地面计算中心站计算得到的多机频域观测矢量的协方差矩阵为
其中Re{·},Im{·}分别表示取实部与虚部,triu1[·]表示由矩阵对角线上方元素构成的矢量,diag[·]表示由矩阵对角线元素构成的矢量。
进一步地,所述步骤5中,地面计算中心站将D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理,其具体公式为
进一步地,将第d(1≤d≤D)个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列:
地面计算中心站将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理,其具体公式为
进一步地,将第d(1≤d≤D)个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列:
进一步地,所述步骤6中,将归一化空时特征序列作为CNN+BiLSTM神经网络的输入,将归一化位置序列作为CNN+BiLSTM神经网络的输出,共有D组这样的输入序列-输出序列对,利用它们对神经网络进行训练,训练算法采用Adam算法,该神经网络结构如图4所示,结构参数如表1所示。
表1本专利CNN-BiLSTM神经网络构成参数
进一步地,所述步骤7中,针对运动目标辐射的无线电宽带信号,第l(1≤l≤L)个运动无人机在第k(1≤k≤K)个预设观测位置上(即观测时隙内)以采样周期Ts采集的阵列信号时域模型可以近似为
式中p(k)表示运动目标辐射源在第k个观测时隙内的位置矢量;表示运动目标辐射源信号相对于第l个无人机天线阵列在第k个观测位置上的流形矢量,与相应的到达角度有关;表示第l个无人机天线阵列在第k个观测位置上接收目标辐射源信号经过时延为的复包络,其中tl是第l个无人机相对于参考时钟的同步偏差,表示在第k个观测时隙内运动目标辐射源信号到达第l个无人机的传播时延;为第l个无人机在第k个预设观测位置上接收目标辐射源信号时的信道传播复系数;表示第l个无人机在第k个预设观测位置上接收目标辐射源信号时的天线阵列噪声矢量;表示第l个无人机在第k个预设位置上观测目标辐射源信号时的真实姿态矢量,其与预设姿态之间存在随机误差,即
进一步地,所述步骤8中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的N个阵列信号时域数据分为I段,对每段J(2的整数次幂)个样本数据做基2-FFT运算,得到的阵列信号频域模型可以表示为
进一步地,所述步骤9中,每个无人机依次将在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站,如图3所示。地面计算中心站将L个无人机在第k(1≤k≤K)个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量,其表达式为
其中,blkdiag{·}表示由矩阵或矢量作为对角元素构成的块状对角矩阵。
地面计算中心站计算得到关于运动目标辐射源的多机频域观测矢量协方差矩阵为
进一步地,所述步骤10中,地面计算中心站提取第k(1≤k≤K)个预设观测位置上关于运动目标辐射源的协方差矩阵R(k)(j)(1≤j≤J)的非冗余元素,其元素包括
其中Re{·},Im{·}分别表示取实部与虚部,triu1[·]表示由矩阵对角线上方元素构成的矢量,diag[·]表示由矩阵对角线元素构成的矢量。
η(k)=[(ζ(k))T,(x(k)(1))T,(x(k)(2))T,...,(x(k)(J))T]T(1≤k≤K)
进一步地,所述步骤11中,地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理,具体公式为
其中dim[·]表示矢量的维度,[·]m表示矢量的第m个元素。利用η′(k)(1≤k≤K)组成的空时特征输入序列为
Ψ=[η′(1),η′(2),...,η′(K)]
为验证本发明效果,进行如下具体示例:
如图5所示,这是一个协同多无人机阵列信号的目标直接跟踪训练样本实例场景示意图,其中红色三角形为训练样本的初始位置,绿色圆圈为训练样本的运动轨迹。实例场景中有3个运动无人机对目标进行观测,每个无人机沿机身方向安装3元均匀线阵,阵元间距等于半倍波长,依次在30个预设位置上采集信号,每个观测时隙长度为20ms,采样率为30KHz,采样点数为400,将每个观测时隙内的离散数据分为100段,每段做4点FFT,得到阵列信号频域数据。3个无人机的初始位置分别位于[0,0]km、[48.2,0.1]km、[0,-55.4]km,其预设轨迹为如图5所示的均匀直线运动,实际中在每个观测位置上存在10dB的随机位置误差与5dB的随机姿态角误差,各无人机相对于参考时钟的偏差分别为0.25us、0.3us、0.35us。假设目标与辅助信源的机动模型为恒定速度(CV),训练样本的初始位置均匀分布在40km×40km的方形区域内,初始速度大小和方向分别在[100m/s,200m/s],[0°,360°]范围内随机产生,位置与速度分别加有均值为0m、方差为0.5m2与均值为0m/s、方差为1(m/s)2的高斯机动噪声。网络训练过程中总共使用了20,000组训练样本,采用表2中的训练参数完成网络训练。
表2 CNN+BiLSTM神经网络的训练参数设置
以2条目标轨迹测试训练结果,目标的机动模型为恒定速度(CV),第1条目标轨迹从[13.78km,-41.83km]出发,初始速度大小和方向分别为197.3m/s,27.1°,第2条目标轨迹从[5.94km,-34.8km]出发,初始速度大小和方向分别为196.1m/s,275.7°。下面将本专利公开的直接跟踪方法与未考虑模型误差的逐点定位方法的性能进行比较。
首先,图6、图7分别给出了信噪比在-5dB和0dB条件下针对两条目标轨迹的跟踪轨迹点分布图,从图中可以看出相比未考虑模型误差的逐点定位方法,本专利公开的直接跟踪方法可以明显减弱模型误差所带来的影响,跟踪轨迹点更加聚集。然后,在目标辐射源的信噪比分别为-5dB和0dB的条件下,基于200次蒙特卡洛仿真结果,图8、图9分别给了针对两条目标轨迹的平均跟踪误差累积分布函数曲线,可以看出本专利公开的直接跟踪方法的平均跟踪误差累积分布函数明显高于未考虑模型误差的逐点定位方法,说明本专利方法的跟踪误差更小、精度更高。最后,在目标辐射源的信噪比分别为-5dB和0dB的条件下,基于200次蒙特卡洛仿真结果,图10、图11分别给了针对两条目标轨迹的逐个位置点定位误差箱型图,可以看出本专利公开的直接跟踪方法在每个观测位置上的定位误差都小于未考虑模型误差的逐点定位方法,且没有较大的定位偏差,跟踪结果更加稳定。
以上所示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润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法,其特征在于,包括:
步骤1:令L个存在同步时钟偏差的无人机按照预设航迹飞行,根据Nyquist采样定理,利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集第d个运动辅助信源辐射的无线电宽带信号,每个观测位置上采集得到关于第d个运动辅助信源的N个阵列信号时域数据,其中1≤d≤D;
步骤2:每个无人机依次将在第k个预设观测位置上采集得到关于第d个运动辅助信源的N个阵列信号时域数据分为I段,每段J个样本点,对每段数据做基2-FFT运算,从而得到I段阵列信号频域数据,其中1≤k≤K;
步骤3:每个无人机依次将在第k个预设观测位置上采集得到关于第d个运动辅助信源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k个预设观测位置上采集得到关于第d个运动辅助信源的阵列信号频域数据组成多机频域观测矢量,并计算多机频域观测矢量的协方差矩阵;
步骤4:地面计算中心站提取第k个预设观测位置上关于第d个辅助信源信号的频域协方差矩阵的非冗余元素,与L个无人机在第k个位置上观测第d个运动辅助信源时的预设姿态矢量组成关于第d个运动辅助信源在第k个观测位置上的空间特征矢量;
步骤5:地面计算中心站对D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理,并依次将第d个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列;将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理,并依次将第d个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列;
步骤6:地面计算中心站利用对D个运动辅助信源的归一化输入输出序列来训练CNN+BiLSTM神经网络;
步骤7:令L个存在同步时钟偏差的无人机按照预设航迹飞行,根据Nyquist采样定理,利用安装在运动无人机上的M通道阵列天线在K个预设观测位置上以Ts为采样周期依次采集运动目标辐射的无线电宽带信号,每个观测位置上采集得到关于目标辐射源的N个阵列信号时域数据;
步骤8:每个无人机依次将在第k个预设观测位置上采集得到关于运动目标辐射源的N个阵列信号时域数据分为I段,每段J个样本点,对每段数据做基2-FFT运算,从而得到I段阵列信号频域数据;
步骤9:每个无人机依次将在第k个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量,并计算多机频域观测矢量的协方差矩阵;
步骤10:地面计算中心站提取第k个预设观测位置上关于目标辐射源信号的频域协方差矩阵的非冗余元素,与L个无人机在第k个位置上观测运动目标辐射源的预设姿态矢量组成关于运动目标辐射源在第k个观测位置上的空间特征矢量;
步骤11:地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理,并组成一个空时特征序列作为输入,输入到步骤6所训练的CNN+BiLSTM神经网络中,再对该网络的输出序列按照步骤5中的最大最小归一化方法进行反归一化处理,即得到对运动目标辐射源在K个观测时隙内的位置跟踪结果。
2.根据权利要求1所述的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法,其特征在于,所述步骤1中,针对第d个运动辅助信源辐射的无线电宽带信号,第l个运动无人机在第k个预设观测位置上以采样周期Ts采集的阵列信号时域模型表示为
式中1≤l≤L;表示第d个运动辅助信源在第k个观测时隙内的位置矢量;表示第d个运动辅助信源信号在第k个观测时隙内相对于第l个无人机天线阵列的流形矢量,与相应的到达角度有关;表示第l个无人机天线阵列在第k个观测时隙内接收第d个辅助信源信号经过时延为的复包络,其中tl是第l个无人机相对于参考时钟的同步偏差,表示在第k个观测时隙内第d个运动辅助信源信号到达第l个无人机的传播时延;为第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的信道传播复系数;表示第l个无人机在第k个预设观测位置上接收第d个辅助信源信号时的天线阵列噪声矢量;表示第l个无人机在第k个预设位置上观测第d个辅助信源信号时的真实姿态矢量,其与预设姿态之间存在随机误差,即
6.根据权利要求5所述的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法,其特征在于,所述步骤5中,地面计算中心站将D个运动辅助信源在K个观测位置上的空间特征矢量进行标准差归一化处理,其具体公式为
将第d个运动辅助信源在K个观测位置上的归一化空间特征矢量组成一个空时特征序列作为输入序列:
地面计算中心站将D个运动辅助信源在K个观测时隙内的真实位置矢量进行最大最小归一化处理,其具体公式为
将第d个运动辅助信源在K个观测时隙内的归一化位置矢量组成一个位置序列作为输出序列:
8.根据权利要求1所述的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法,其特征在于,所述步骤7中,针对运动目标辐射的无线电宽带信号,第l个运动无人机在第k个预设观测位置上以采样周期Ts采集的阵列信号时域模型表示为
式中p(k)表示运动目标辐射源在第k个观测时隙内的位置矢量;表示运动目标辐射源信号相对于第l个无人机天线阵列在第k个观测位置上的流形矢量,与相应的到达角度有关;表示第l个无人机天线阵列在第k个观测位置上接收目标辐射源信号经过时延为的复包络,其中tl是第l个无人机相对于参考时钟的同步偏差,表示在第k个观测时隙内运动目标辐射源信号到达第l个无人机的传播时延;为第l个无人机在第k个预设观测位置上接收目标辐射源信号时的信道传播复系数;表示第l个无人机在第k个预设观测位置上接收目标辐射源信号时的天线阵列噪声矢量;表示第l个无人机在第k个预设位置上观测目标辐射源信号时的真实姿态矢量,其与预设姿态之间存在随机误差,即
10.根据权利要求1所述的模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法,其特征在于,所述步骤9中,每个无人机依次将在第k个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据传至地面计算中心站,地面计算中心站将L个无人机在第k个预设观测位置上采集得到关于运动目标辐射源的阵列信号频域数据组成多机频域观测矢量,其表达式为
其中,blkdiag{·}表示由矩阵或矢量作为对角元素构成的块状对角矩阵;
地面计算中心站计算得到关于运动目标辐射源的多机频域观测矢量协方差矩阵为
其中1≤j≤J;
优选地,所述步骤10中,地面计算中心站提取第k个预设观测位置上关于运动目标辐射源的协方差矩阵R(k)(j)的非冗余元素,其元素包括
其中Re{·},Im{·}分别表示取实部与虚部,triu1[·]表示由矩阵对角线上方元素构成的矢量,diag[·]表示由矩阵对角线元素构成的矢量;
优选地,所述步骤11中,地面计算中心站将运动目标辐射源在K个观测位置上的空间特征矢量按照步骤5中的标准差归一化方法进行归一化处理,具体公式为
其中[·]m表示矢量的第m个元素,1≤m≤dim[η(k)],dim[·]表示矢量的维度,利用η′(k)组成的空时特征输入序列为
Ψ=[η′(1),η′(2),...,η′(K)]
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197564.8A CN116400715B (zh) | 2023-03-02 | 2023-03-02 | 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310197564.8A CN116400715B (zh) | 2023-03-02 | 2023-03-02 | 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400715A true CN116400715A (zh) | 2023-07-07 |
CN116400715B CN116400715B (zh) | 2024-06-21 |
Family
ID=87006501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310197564.8A Active CN116400715B (zh) | 2023-03-02 | 2023-03-02 | 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400715B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
CN111199280A (zh) * | 2019-12-20 | 2020-05-26 | 中国人民解放军战略支援部队信息工程大学 | 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 |
CN111427379A (zh) * | 2020-04-19 | 2020-07-17 | 中国人民解放军海军航空大学 | 观测驱动的多无人机协同standoff目标跟踪方法 |
CN112051862A (zh) * | 2020-09-18 | 2020-12-08 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪 |
US20210255645A1 (en) * | 2019-07-31 | 2021-08-19 | Nanjing University Of Aeronautics And Astronautics | Online modeling method for dynamic mutual observation of drone swarm collaborative navigation |
KR20210115498A (ko) * | 2020-03-13 | 2021-09-27 | 한국로봇융합연구원 | 제어 장치 및 제어 방법 |
CN114048681A (zh) * | 2021-11-16 | 2022-02-15 | 江苏科技大学 | 基于自选择神经网络的doa估计方法、系统、存储介质、设备 |
CN115372925A (zh) * | 2022-08-10 | 2022-11-22 | 中山大学 | 一种基于深度学习的阵列稳健自适应波束形成方法 |
CN115509251A (zh) * | 2022-08-23 | 2022-12-23 | 华南理工大学 | 基于mappo算法的多无人机多目标协同跟踪控制方法 |
CN115560757A (zh) * | 2022-09-01 | 2023-01-03 | 中国人民解放军战略支援部队信息工程大学 | 随机姿态误差条件下基于神经网络的无人机直接定位校正方法 |
-
2023
- 2023-03-02 CN CN202310197564.8A patent/CN116400715B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109299253A (zh) * | 2018-09-03 | 2019-02-01 | 华南理工大学 | 一种基于深度融合神经网络的中文社交文本情绪识别模型构造方法 |
US20210255645A1 (en) * | 2019-07-31 | 2021-08-19 | Nanjing University Of Aeronautics And Astronautics | Online modeling method for dynamic mutual observation of drone swarm collaborative navigation |
CN111199280A (zh) * | 2019-12-20 | 2020-05-26 | 中国人民解放军战略支援部队信息工程大学 | 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 |
KR20210115498A (ko) * | 2020-03-13 | 2021-09-27 | 한국로봇융합연구원 | 제어 장치 및 제어 방법 |
CN111427379A (zh) * | 2020-04-19 | 2020-07-17 | 中国人民解放军海军航空大学 | 观测驱动的多无人机协同standoff目标跟踪方法 |
CN112051862A (zh) * | 2020-09-18 | 2020-12-08 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪 |
WO2022057107A1 (zh) * | 2020-09-18 | 2022-03-24 | 中国人民解放军海军航空大学 | 面向观测优化的多机异类传感器协同多目标跟踪方法 |
CN114048681A (zh) * | 2021-11-16 | 2022-02-15 | 江苏科技大学 | 基于自选择神经网络的doa估计方法、系统、存储介质、设备 |
CN115372925A (zh) * | 2022-08-10 | 2022-11-22 | 中山大学 | 一种基于深度学习的阵列稳健自适应波束形成方法 |
CN115509251A (zh) * | 2022-08-23 | 2022-12-23 | 华南理工大学 | 基于mappo算法的多无人机多目标协同跟踪控制方法 |
CN115560757A (zh) * | 2022-09-01 | 2023-01-03 | 中国人民解放军战略支援部队信息工程大学 | 随机姿态误差条件下基于神经网络的无人机直接定位校正方法 |
Non-Patent Citations (7)
Title |
---|
刘重;高晓光;符小卫;: "基于通信与观测联合优化的多无人机协同目标跟踪控制", 控制与决策, no. 10, 23 October 2017 (2017-10-23) * |
尹洁昕: "基于阵列信号的目标直接定位方法研究", 中国博士学位论文全文数据库, 15 January 2019 (2019-01-15) * |
杨泽宇: "协同多维信息的无源定位技术研究", 优秀硕士学位论文全文库, 15 February 2021 (2021-02-15) * |
王鼎: "信号传播速度未知下基于运动单站到达频率的定位新方法", 电子学报, 31 May 2022 (2022-05-31) * |
王鼎: "同步时钟偏差存在下的时差定位性能分析及改进的定位方法", 电子学报, 30 June 2018 (2018-06-30) * |
王鼎: "针对超视距短波辐射源的测角与测时差协同定位方法", 中国科学:信息科学, 30 November 2022 (2022-11-30) * |
赵云云: "部分可观条件下多无人机协同目标跟踪决策问题研究", 博士学位论文全文库, 15 January 2021 (2021-01-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN116400715B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112423265B (zh) | 基于csi的双循环神经网络的船载环境室内定位方法 | |
CN110515038B (zh) | 一种基于无人机-阵列的自适应无源定位装置及实现方法 | |
CN111157985B (zh) | 基于多站一维距离像序列的空间刚体目标三维重构方法 | |
CN108872932B (zh) | 基于神经网络的超视距目标直接定位结果纠偏方法 | |
CN111123341A (zh) | 无人机群三维协同定位方法 | |
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 | |
CN113569465B (zh) | 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法 | |
CN112731500B (zh) | 室外无人机协同室内无人机进行三维定位的方法 | |
CN112180324B (zh) | 无人机移动监测中面向非圆信号的降维处理直接定位方法 | |
CN117390498B (zh) | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 | |
CN105487072A (zh) | 一种基于t2/r的时差与多普勒频移联合定位方法及系统 | |
CN111199281B (zh) | 基于地理坐标空域位置谱的短波单站直接定位偏差补偿方法 | |
CN114371445A (zh) | 一种基于单无人机的多辐射源直接定位方法 | |
CN111007460B (zh) | 直升机协同定位方法 | |
Chen et al. | Joint initial access and localization in millimeter wave vehicular networks: a hybrid model/data driven approach | |
Ding et al. | A time-varying transition channel model for air-ground communication | |
Tan et al. | UAV localization with multipath fingerprints and machine learning in urban NLOS scenario | |
CN115560757B (zh) | 随机姿态误差条件下基于神经网络的无人机直接定位校正方法 | |
CN116400715B (zh) | 模型误差条件下基于CNN+BiLSTM神经网络的多无人机协同直接跟踪方法 | |
CN111007457B (zh) | 一种基于块稀疏贝叶斯模型的辐射源直接定位方法 | |
CN113484823B (zh) | 一种基于闭式补偿的高分辨率时延估计方法 | |
Pöhlmann et al. | In-field calibration of a multi-mode antenna for DoA estimation | |
CN113746533A (zh) | 一种无人机通信信道冲激响应确定方法及系统 | |
CN117202343B (zh) | 一种针对多个宽带信号辐射源的分布式阵列协同直接定位方法 | |
Ning et al. | Machine Learning Based Angle Estimation for Air-to-Ground Channel Measurements |
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 |