CN117408084B - 一种用于无人机航迹预测的增强卡尔曼滤波方法及系统 - Google Patents
一种用于无人机航迹预测的增强卡尔曼滤波方法及系统 Download PDFInfo
- Publication number
- CN117408084B CN117408084B CN202311695302.0A CN202311695302A CN117408084B CN 117408084 B CN117408084 B CN 117408084B CN 202311695302 A CN202311695302 A CN 202311695302A CN 117408084 B CN117408084 B CN 117408084B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- state estimation
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000001914 filtration Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000005312 nonlinear dynamic Methods 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 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 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于无人机航迹预测的增强卡尔曼滤波方法及系统,用于解决传统卡尔曼滤波在无人机航迹预测方面的不准确性等问题。该方法包括:接收并记录无人机飞行过程中的传感器数据;基于传感器数据和无人机动态模型,构建无人机的非线性动态模型,使用增强卡尔曼滤波方法对非线性动态模型进行状态估计,实时估计无人机的状态;基于校正后的状态估计进行无人机航迹预测。本发明的增强卡尔曼滤波方法不仅提供了更准确的航迹预测,还包括了反馈控制环节,以确保无人机在不确定性和环境变化下的可靠性;通过将外部数据源与卡尔曼滤波相结合,可以适用于各种无人机应用领域,提供了更精确、更稳健的航迹预测。
Description
技术领域
本发明涉及无人机航迹预测技术领域,尤其涉及一种用于无人机航迹预测的增强卡尔曼滤波方法及系统。
背景技术
随着无人机技术的快速发展,无人机在军事、民用和商业领域的应用正在迅速增加。然而,无人机的有效操作和导航在很大程度上依赖于预测和维护航迹的准确性。航迹预测是指在无人机飞行过程中,根据当前位置和姿态信息以及外部环境的各种因素,预测未来的飞行路径和轨迹,这对于确保无人机的安全、有效和高效运行至关重要。
在传统的无人机导航系统中,通常使用卡尔曼滤波来估计无人机的状态,包括位置、速度和姿态等参数。然而,传统的卡尔曼滤波方法在面对非线性、非高斯性质的飞行动态时表现不佳。无人机的飞行通常涉及到复杂的机动和环境变化,这些因素使得传统卡尔曼滤波难以准确建模系统的状态演化,尤其在高速、高机动性飞行中。另一个问题是传感器误差和不确定性的处理。无人机通常依赖于多种传感器,如GPS、惯性测量单元(IMU)、视觉和雷达等,但这些传感器可能受到多种干扰,如信号遮挡、噪声和环境变化,从而引入了不确定性。传统方法可能无法充分考虑这些不确定性,导致航迹预测的不稳定性和不准确性。
此外,传统卡尔曼滤波方法通常使用线性系统模型,无法很好地处理复杂的非线性动态,如无人机在城市或山区等复杂环境中的飞行。以上的种种原因导致了目前航迹预测的准确性无法满足现代无人机的需求。
发明内容
针对传统卡尔曼滤波在无人机航迹预测方面的不准确性等问题,提出了一种用于无人机航迹预测的增强卡尔曼滤波方法及系统,通过结合传感器数据、外部信息和反馈控制,提供更精确、更稳健的航迹预测。
为了实现上述目的,本发明通过如下的技术方案来实现:
一种用于无人机航迹预测的增强卡尔曼滤波方法,所述方法包括:
接收并记录无人机飞行过程中的传感器数据,包括GPS数据、INS数据、气象数据和地形高度数据;
基于所述传感器数据和无人机动态模型,构建无人机的非线性动态模型,使用增强卡尔曼滤波方法对所述非线性动态模型进行状态估计,实时估计无人机的状态,包括:初始化状态估计、进行预测步骤以更新状态估计、进行更新步骤以校正状态估计;
基于校正后的状态估计进行无人机航迹预测。
作为本发明的一种优选方案,所述GPS数据为通过GPS传感器获得的无人机的位置和速度,所述INS数据为通过惯性导航系统测量的无人机的加速度和角速度,所述气象数据为通过气象传感器测得的风速、气压和温度,所述地形高度数据为通过地形高度测量装置测量的无人机距离地面的高度;
所述传感器数据还包括通过目标物体动态模型传感器获得的无人机周围物体的位置、速度和加速度。
作为本发明的一种优选方案,所述无人机动态模型包括刚体运动模型、旋翼运动模型、车辆运动模型和混合动力模型。
作为本发明的一种优选方案,所述初始化状态估计具体为:将所述GPS数据和INS数据的初始值设置为初始的状态估计和协方差矩阵;
所述进行预测步骤以更新状态估计,公式如下:
;
;
式中,是k时刻状态估计的预测值,f是动态模型函数,/>表示k-1时刻状态的后验估计,/>是控制输入,/>是过程噪声;/>是k时刻状态估计的预测值的协方差矩阵,/>是状态转移矩阵,/>表示k-1时刻状态的后验估计的协方差矩阵,/>是过程噪声协方差矩阵;
所述进行更新步骤以校正状态估计,公式如下:
;
;
;
式中,是卡尔曼增益,H是状态观测矩阵,R是测量噪声协方差矩阵;/>是k时刻状态的后验估计,/>是传感器的测量值;/>是k时刻状态的后验估计的协方差矩阵,/>是单位矩阵。
作为本发明的一种优选方案,所述航迹预测的公式为:;
式中,是k+1时刻状态估计的预测值,/>是k时刻状态的后验估计,f是动态模型函数,/>是控制输入,/>是过程噪声。
作为本发明的一种优选方案,所述方法还包括反馈控制,用于校正状态估计的误差,并生成控制命令调整无人机的航向、高度和速度,所述反馈控制的公式为:
;
式中,是k时刻的控制输入,/>是k-1时刻的控制输入;K是控制输入相关系数;f是动态模型函数,/>是k时刻状态的后验估计,/>是传感器的测量值。
作为本发明的一种优选方案,所述反馈控制还包括自适应方法,根据无人机所处环境条件和动态模型进行自动调整。
一种用于无人机航迹预测的增强卡尔曼滤波系统,用于实现如上所述的一种用于无人机航迹预测的增强卡尔曼滤波方法,所述系统包括:
数据获取模块,用于接收并记录无人机飞行过程中的传感器数据,包括GPS数据、INS数据、气象数据和地形高度数据;
状态估计模块,用于使用增强卡尔曼滤波方法对无人机的非线性动态模型进行状态估计,包括模型构建单元、初始化单元、预测单元和更新单元;
所述模型构建单元用于基于所述传感器数据和无人机动态模型,构建无人机的非线性动态模型;所述初始化单元用于将所述GPS数据和INS数据的初始值设置为初始的状态估计和协方差矩阵,所述预测单元用于进行预测步骤以更新状态估计,所述更新单元用于进行更新步骤以校正状态估计;
航迹预测模块,用于基于校正后的状态估计进行无人机航迹预测;
反馈控制模块,用于校正状态估计的误差,并生成控制命令调整无人机的航向、高度和速度。
一种电子设备,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如上所述的一种用于无人机航迹预测的增强卡尔曼滤波方法对应的计算机程序。
一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时用于实现如上所述的一种用于无人机航迹预测的增强卡尔曼滤波方法对应的过程。
与现有技术相比,本发明的有益效果是:本发明的增强卡尔曼滤波方法不仅提供了更准确的航迹预测,还包括了反馈控制环节,以确保无人机在不确定性和环境变化下的可靠性;通过将外部数据源与卡尔曼滤波相结合,本发明可以适用于各种无人机应用领域,包括但不限于军事、民用和商业应用。本发明可以在各种无人机平台上应用,无论是多旋翼还是固定翼飞机;还可以与不同类型的传感器和控制器集成,以满足不同应用的需求。通过结合传感器数据、外部信息和反馈控制,本发明的方法提供了更精确、更稳健的航迹预测,为无人机应用的未来发展开辟了新的可能性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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性的前提下,还可以根据这些附图获得其他的附图。其中:
图1为本发明实施例中的方法流程图;
图2为本发明实施例中的系统模块化结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,为本发明的一个实施例,该实施例提供了一种用于无人机航迹预测的增强卡尔曼滤波方法,包括以下步骤:
S1:接收并记录无人机飞行过程中的传感器数据,包括GPS数据、INS数据、气象数据和地形高度数据;
GPS数据为通过GPS传感器获得的无人机的位置和速度,INS数据为通过惯性导航系统测量的无人机的加速度和角速度,气象数据为通过气象传感器测得的风速、气压和温度,地形高度数据为通过地形高度测量装置测量的无人机距离地面的高度;传感器数据还包括通过目标物体动态模型传感器获得的无人机周围物体的位置、速度和加速度。
无人机配备有多种传感器,用于采集飞行过程中的数据,这些传感器的选择和配置将直接影响航迹预测和控制的性能。
GPS传感器用于获取无人机的位置和速度信息,GPS数据通常包括精度、维度、高度和速度分量;GPS数据提供了无人机的绝对位置信息,在航迹预测中起着关键作用。惯性导航系统用于测量无人机的加速度和角速度,IMU数据提供了无人机的相对位置信息,对于状态估计和航迹预测尤为重要。气象传感器用于测量大气条件,如风速、气压和温度等,气象数据可以帮助航迹预测模型更准确地估计气流对无人机运动的影响。地形高度测量装置用于测量无人机距离地面的高度,这个信息可以防止无人机与地形碰撞,对于低空飞行和避障任务非常关键。一些应用需要无人机对周围物体的状态进行估计,如其他飞行器或地面车辆,目标物体动态模型传感器可以提供这些目标的位置、速度和加速度信息。
以上传感器数据将被用于状态估计和航迹预测,以改进无人机的飞行控制。
S2:基于传感器数据和无人机动态模型,构建无人机的非线性动态模型,使用增强卡尔曼滤波方法对非线性动态模型进行状态估计,实时估计无人机的状态,包括:初始化状态估计、进行预测步骤以更新状态估计、进行更新步骤以校正状态估计;
状态估计是本发明的关键步骤之一。在本实施方式中,我们将使用增强卡尔曼滤波(EKF)来估计无人机的状态,包括位置、速度、姿态和其他相关参数。
在其中一个实施例中,步骤S2具体包括:
S21:初始化状态估计:将GPS数据和INS数据的初始值设置为初始的状态估计和协方差矩阵;
在启动飞行任务时,首先进行状态估计的初始化,初始化状态估计通常基于GPS和惯性导航系统的数据,初始的状态估计和协方差矩阵将被设置为初始的GPS位置和速度,以及较小的初始不确定性。
初始化完成后进行状态估计和卡尔曼滤波,卡尔曼滤波是一种递归状态估计技术,通过将传感器测量值与系统模型相结合,估计出无人机的最佳状态值。本发明的关键创新点在于,在卡尔曼滤波过程中引入外部数据源,例如气象数据和地形信息,以增强状态估计的准确性。这些外部信息被集成到卡尔曼滤波框架中的协方差矩阵中,以更好地捕捉环境变化和不确定性。
S22:基于无人机的动态模型和控制输入进行预测步骤以更新状态估计,公式如下:
;
;
式中,是k时刻状态估计的预测值,f是动态模型函数,/>表示k-1时刻状态的后验估计,/>是控制输入,/>是过程噪声;/>是k时刻状态估计的预测值的协方差矩阵,/>是状态转移矩阵,/>表示k-1时刻状态的后验估计的协方差矩阵,/>是过程噪声协方差矩阵;
S23:使用传感器的测量值进行更新步骤以校正预测的状态估计,公式如下:
;
;
;
式中,是卡尔曼增益,H是状态观测矩阵,R是测量噪声协方差矩阵;/>是k时刻状态的后验估计,/>是传感器的测量值;/>是k时刻状态的后验估计的协方差矩阵,/>是单位矩阵。
重复上述预测和更新步骤,可以实时地估计无人机的状态,这对于航迹预测和控制非常关键。
一旦得到了改进的状态估计,本发明的下一步是使用卡尔曼滤波方法进行航迹预测。航迹预测是无人机导航中的关键步骤,是本发明的核心功能之一,它决定了无人机未来的飞行路径,可以帮助无人机规划飞行路径,避免碰撞和优化飞行性能。预测无人机的轨迹需要考虑飞行动力学、环境条件和目标物体动态模型等因素。
S3:基于校正后的状态估计进行无人机航迹预测,航迹预测的公式为:
;
式中,是k+1时刻状态估计的预测值,/>是k时刻状态的后验估计,f是动态模型函数,/>是控制输入,/>是过程噪声。
在航迹预测中,动态模型用于描述无人机的运动规律,常见的动态模型包括:
刚体运动模型:用于固定翼飞机,基于牛顿力学和欧拉方程;
旋翼运动模型:用于多旋翼无人机,考虑旋翼的推力和姿态控制;
车辆运动模型:用于地面和水面无人机,考虑车辆的轮胎或浮力;
混合动力模型:用于多模式无人机,可以切换不同的动态模型;
动态模型通常表示为动态模型函数f,它将当前状态和控制输入映射到下一时刻的状态。动态模型的选择取决于无人机的类型和应用领域。
根据航迹预测结果,本发明的方法可以生成控制命令,以调整无人机的航向和高度,以确保其按照预期的轨迹飞行。控制命令的生成可以采用标准控制理论,如PID控制器,以调整飞行器的姿态和推力。
航迹预测可以进行多步预测,以获得未来的状态序列,这些预测可以用于路径规划和决策制定,确保无人机能够安全地完成任务。
此外,为了更好地控制无人机并提高飞行性能,本发明的方法还提供实时反馈控制环节,以监测状态估计的准确性,并在状态估计误差较大时进行校正,这样无人机能够更快地适应环境变化和传感器误差,确保飞行任务的顺利执行。
S4:还包括反馈控制,用于校正状态估计的误差,并生成控制命令调整无人机的航向、高度和速度,反馈控制的公式为:
;
式中,是k时刻的控制输入,/>是k-1时刻的控制输入;K是控制输入相关系数;f是动态模型函数,/>是k时刻状态的后验估计,/>是传感器的测量值。
反馈控制还包括自适应方法,根据无人机所处环境条件和动态模型进行自动调整。这样,无人机可以在不同环境下自动适应,而无需手动调整控制参数。
反馈控制环节利用比较状态估计值与实际测量值之间的差异来生成控制命令,如果预测值与测量值之间存在较大误差,反馈控制系统将识别这些误差并采取适当的措施来纠正,这可以通过调整控制输入或重新计算卡尔曼增益来实现。
在实际无人机应用中,本发明的技术需要在无人机系统中进行集成,这包括硬件和软件方面的工作。传感器的物理集成是必要的,以确保它们能够准确地测量无人机的状态和周围环境。传感器的位置和方向需要经过仔细设计,以最大程度地减小误差。
本发明的状态估计和航迹预测需要在无人机的飞行控制器上实现。这需要高性能的计算硬件和相应的软件开发工作。航迹预测模型和控制器需要根据无人机的类型和应用进行定制。
反馈控制的实施需要将控制器与状态估计和航迹预测算法集成在一起,控制器需要根据实际控制输入生成控制命令,并与飞行控制系统进行通信。
为了演示本发明的实际应用,考虑以下飞行任务示例:无人机的自主飞行。在这个任务中,无人机需要从起点到终点飞行,同时避免障碍物和适应不断变化的气象条件。在任务开始时,无人机的传感器开始采集数据,包括GPS数据、INS数据、气象和地形高度数据,这些数据将用于状态估计;初始状态估计基于GPS和INS数据,然后通过增强卡尔曼滤波进行实时更新,状态估计的准确性将不断改善。随着任务的进行,根据动态模型和状态估计来预测无人机的航迹。如果传感器测量值与预测值不匹配,反馈控制将调整控制输入,以纠正状态估计误差,并确保无人机沿着预定路径飞行。
在任务的不同阶段,无人机可能需要改变高度、速度和航向。反馈控制系统将根据任务要求生成相应的控制命令,并确保无人机安全地完成任务。
总结而言,本发明的具体实施方式涵盖了传感器配置、状态估计、航迹预测和反馈控制等关键方面。通过将这些组件集成到无人机系统中,可以实现更准确、更稳健的航迹预测和飞行控制。这些技术在各种无人机应用领域,包括军事、民用和商业,都具有重要的意义。
在实际应用中,根据无人机的类型和任务需求,可以进行不同程度的定制和优化。本发明的技术为无人机提供了更高的自主性和可靠性,为未来的自主飞行和无人机应用的发展提供了强有力的支持。
如图2所示,为本发明的一个实施例,该实施例提供了一种用于无人机航迹预测的增强卡尔曼滤波系统,用于实现如上所述的一种用于无人机航迹预测的增强卡尔曼滤波方法,包括:
数据获取模块,用于接收并记录无人机飞行过程中的传感器数据,包括GPS数据、INS数据、气象数据和地形高度数据;
状态估计模块,用于使用增强卡尔曼滤波方法对无人机的非线性动态模型进行状态估计,包括模型构建单元、初始化单元、预测单元和更新单元;
模型构建单元用于基于传感器数据和无人机动态模型,构建无人机的非线性动态模型;初始化单元用于将GPS数据和INS数据的初始值设置为初始的状态估计和协方差矩阵,预测单元用于进行预测步骤以更新状态估计,更新单元用于进行更新步骤以校正状态估计;
航迹预测模块,用于基于校正后的状态估计进行无人机航迹预测;
反馈控制模块,用于校正状态估计的误差,并生成控制命令调整无人机的航向、高度和速度。
此外,本发明的实施例还提供一种电子设备,包括存储器和处理器,存储器上存储有能够被处理器加载并执行如上所述的一种用于无人机航迹预测的增强卡尔曼滤波方法对应的计算机程序。
本发明的实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,计算机程序指令被处理器执行时用于实现如上所述的一种用于无人机航迹预测的增强卡尔曼滤波方法对应的过程。
综上所述,本发明的增强卡尔曼滤波方法不仅提供了更准确的航迹预测,还包括了反馈控制环节,以确保无人机在不确定性和环境变化下的可靠性;通过将外部数据源与卡尔曼滤波相结合,本发明可以适用于各种无人机应用领域,包括但不限于军事、民用和商业应用。
在军事领域,本发明的方法可以提高侦察无人机的飞行性能,确保其能够在复杂和危险的环境中执行任务;在民用领域,本发明可以用于无人机快递和航拍等应用,提供更安全和可靠的飞行控制;在商业领域,无人机的商业交付和监测任务也可以受益于本发明的技术。
本发明还可以在各种无人机平台上应用,无论是多旋翼还是固定翼飞机。此外,本发明的方法还可以与不同类型的传感器和控制器集成,以满足不同应用的需求。本发明的增强卡尔曼滤波方法为无人机航迹预测领域带来了新的技术突破。通过结合传感器数据、外部信息和反馈控制,本发明的方法提供了更精确、更稳健的航迹预测,为无人机应用的未来发展开辟了新的可能性。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (6)
1.一种用于无人机航迹预测的增强卡尔曼滤波方法,其特征在于,所述方法包括:
接收并记录无人机飞行过程中的传感器数据,包括GPS数据、INS数据、气象数据和地形高度数据;所述GPS数据为通过GPS传感器获得的无人机的位置和速度,所述INS数据为通过惯性导航系统测量的无人机的加速度和角速度,所述气象数据为通过气象传感器测得的风速、气压和温度,所述地形高度数据为通过地形高度测量装置测量的无人机距离地面的高度;所述传感器数据还包括通过目标物体动态模型传感器获得的无人机周围物体的位置、速度和加速度;
基于所述传感器数据和无人机动态模型,构建无人机的非线性动态模型,使用增强卡尔曼滤波方法对所述非线性动态模型进行状态估计,实时估计无人机的状态,包括:初始化状态估计、进行预测步骤以更新状态估计、进行更新步骤以校正状态估计;
所述初始化状态估计具体为:将所述GPS数据和INS数据的初始值设置为初始的状态估计和协方差矩阵;
所述进行预测步骤以更新状态估计,公式如下:
;
;
式中,是k时刻状态估计的预测值,f是动态模型函数,/>表示k-1时刻状态的后验估计,/>是控制输入,/>是过程噪声;/>是k时刻状态估计的预测值的协方差矩阵,/>是状态转移矩阵,/>表示k-1时刻状态的后验估计的协方差矩阵,/>是过程噪声协方差矩阵;
所述进行更新步骤以校正状态估计,公式如下:
;
;
;
式中,是卡尔曼增益,H是状态观测矩阵,R是测量噪声协方差矩阵;/>是k时刻状态的后验估计,/>是传感器的测量值;/>是k时刻状态的后验估计的协方差矩阵,/>是单位矩阵;
基于校正后的状态估计进行无人机航迹预测,所述航迹预测的公式为:
;
式中,是k+1时刻状态估计的预测值,/>是k时刻状态的后验估计,f是动态模型函数,/>是控制输入,/>是过程噪声;
所述方法还包括反馈控制,用于校正状态估计的误差,并生成控制命令调整无人机的航向、高度和速度,所述反馈控制的公式为:
;
式中,是k时刻的控制输入,/>是k-1时刻的控制输入;K是控制输入相关系数;f是动态模型函数,/>是k时刻状态的后验估计,/>是传感器的测量值。
2.根据权利要求1所述的一种用于无人机航迹预测的增强卡尔曼滤波方法,其特征在于,所述无人机动态模型包括刚体运动模型、旋翼运动模型、车辆运动模型和混合动力模型。
3.根据权利要求1所述的一种用于无人机航迹预测的增强卡尔曼滤波方法,其特征在于,所述反馈控制还包括自适应方法,根据无人机所处环境条件和动态模型进行自动调整。
4.基于权利要求1-3任一项所述的一种用于无人机航迹预测的增强卡尔曼滤波方法的系统,其特征在于,所述系统包括:
数据获取模块,用于接收并记录无人机飞行过程中的传感器数据,包括GPS数据、INS数据、气象数据和地形高度数据;
状态估计模块,用于使用增强卡尔曼滤波方法对无人机的非线性动态模型进行状态估计,包括模型构建单元、初始化单元、预测单元和更新单元;
所述模型构建单元用于基于所述传感器数据和无人机动态模型,构建无人机的非线性动态模型;所述初始化单元用于将所述GPS数据和INS数据的初始值设置为初始的状态估计和协方差矩阵,所述预测单元用于进行预测步骤以更新状态估计,所述更新单元用于进行更新步骤以校正状态估计;
航迹预测模块,用于基于校正后的状态估计进行无人机航迹预测;
反馈控制模块,用于校正状态估计的误差,并生成控制命令调整无人机的航向、高度和速度。
5.一种电子设备,其特征在于,包括存储器和处理器,所述存储器上存储有能够被处理器加载并执行如权利要求1至3中任一项所述的一种用于无人机航迹预测的增强卡尔曼滤波方法对应的计算机程序。
6.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时用于实现如权利要求1-3中任一项所述的一种用于无人机航迹预测的增强卡尔曼滤波方法对应的过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695302.0A CN117408084B (zh) | 2023-12-12 | 2023-12-12 | 一种用于无人机航迹预测的增强卡尔曼滤波方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311695302.0A CN117408084B (zh) | 2023-12-12 | 2023-12-12 | 一种用于无人机航迹预测的增强卡尔曼滤波方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117408084A CN117408084A (zh) | 2024-01-16 |
CN117408084B true CN117408084B (zh) | 2024-04-02 |
Family
ID=89496483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311695302.0A Active CN117408084B (zh) | 2023-12-12 | 2023-12-12 | 一种用于无人机航迹预测的增强卡尔曼滤波方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408084B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103166232A (zh) * | 2013-02-04 | 2013-06-19 | 中冶南方工程技术有限公司 | 基于卡尔曼滤波的无功补偿装置状态估计方法 |
CN109254591A (zh) * | 2018-09-17 | 2019-01-22 | 北京理工大学 | 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法 |
CN109631913A (zh) * | 2019-01-30 | 2019-04-16 | 西安电子科技大学 | 基于非线性预测强跟踪无迹卡尔曼滤波的x射线脉冲星导航定位方法及系统 |
CN112432644A (zh) * | 2020-11-11 | 2021-03-02 | 杭州电子科技大学 | 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法 |
WO2021223334A1 (zh) * | 2020-05-06 | 2021-11-11 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
WO2022063120A1 (zh) * | 2020-09-22 | 2022-03-31 | 深圳市领峰电动智能科技有限公司 | 组合导航系统初始化方法、装置、介质及电子设备 |
CN115685278A (zh) * | 2022-10-28 | 2023-02-03 | 南京航空航天大学 | 基于kf的低空无人机航迹定位修正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8600660B2 (en) * | 2006-09-29 | 2013-12-03 | Honeywell International Inc. | Multipath modeling for deep integration |
-
2023
- 2023-12-12 CN CN202311695302.0A patent/CN117408084B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103166232A (zh) * | 2013-02-04 | 2013-06-19 | 中冶南方工程技术有限公司 | 基于卡尔曼滤波的无功补偿装置状态估计方法 |
CN109254591A (zh) * | 2018-09-17 | 2019-01-22 | 北京理工大学 | 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法 |
CN109631913A (zh) * | 2019-01-30 | 2019-04-16 | 西安电子科技大学 | 基于非线性预测强跟踪无迹卡尔曼滤波的x射线脉冲星导航定位方法及系统 |
WO2021223334A1 (zh) * | 2020-05-06 | 2021-11-11 | 北京理工大学 | 基于mmrls和sh-stf的车辆质量与道路坡度迭代型联合估计方法 |
WO2022063120A1 (zh) * | 2020-09-22 | 2022-03-31 | 深圳市领峰电动智能科技有限公司 | 组合导航系统初始化方法、装置、介质及电子设备 |
CN112432644A (zh) * | 2020-11-11 | 2021-03-02 | 杭州电子科技大学 | 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法 |
CN115685278A (zh) * | 2022-10-28 | 2023-02-03 | 南京航空航天大学 | 基于kf的低空无人机航迹定位修正方法 |
Non-Patent Citations (3)
Title |
---|
四旋翼无人机航迹数据修复方法研究;赵嶷飞;航空计算技术;20171125;第47卷(第6期);1-4 * |
改进的扩展卡尔曼滤波在航空器4D航迹预测算法中的应用;吕波等;计算机应用;20210630;第41卷(第S1期);277-282 * |
熊光明等.无人驾驶车辆理论与设计 慕课版.北京理工大学出版社,2021,83-85. * |
Also Published As
Publication number | Publication date |
---|---|
CN117408084A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10732647B2 (en) | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (MAV) | |
Madyastha et al. | Extended Kalman filter vs. error state Kalman filter for aircraft attitude estimation | |
Shen et al. | Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft MAV | |
Wang et al. | Huber-based unscented filtering and its application to vision-based relative navigation | |
Sonugür | A Review of quadrotor UAV: Control and SLAM methodologies ranging from conventional to innovative approaches | |
Cappello et al. | A low-cost and high performance navigation system for small RPAS applications | |
Dorobantu et al. | An airborne experimental test platform: From theory to flight | |
US20230366680A1 (en) | Initialization method, device, medium and electronic equipment of integrated navigation system | |
Gąsior et al. | Estimation of altitude and vertical velocity for multirotor aerial vehicle using Kalman filter | |
Coopmans et al. | Fractional-order complementary filters for small unmanned aerial system navigation | |
Kim et al. | Visual target tracking and relative navigation for unmanned aerial vehicles in a gps-denied environment | |
US20180239365A1 (en) | Modular autopilot design and development featuring bayesian non-parametric adaptive control | |
Sobers et al. | Indoor navigation for unmanned aerial vehicles | |
Barber et al. | Vision-based landing of fixed-wing miniature air vehicles | |
CN113218389B (zh) | 一种车辆定位方法、装置、存储介质及计算机程序产品 | |
Orsag et al. | State estimation, robust control and obstacle avoidance for multicopter in cluttered environments: Euroc experience and results | |
WO2020050084A1 (ja) | 誘導制御プログラムを格納した記憶媒体 | |
CN117408084B (zh) | 一种用于无人机航迹预测的增强卡尔曼滤波方法及系统 | |
Crocoll et al. | Quadrotor inertial navigation aided by a vehicle dynamics model with in-flight parameter estimation | |
Khaghani et al. | Autonomous navigation of small UAVs based on vehicle dynamic model | |
Li et al. | Quaternion-based robust extended kalman filter for attitude estimation of micro quadrotors using low-cost mems | |
Gustavsson | UAV pose estimation using sensor fusion of inertial, sonar and satellite signals | |
Onunka et al. | USV attitude estimation: an approach using quaternion in direction cosine matrix | |
Baranek et al. | Model-based attitude estimation for multicopters | |
Vörsmann et al. | MEMS based integrated navigation systems for adaptive flight control of unmanned aircraft—State of the art and future developments |
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 |