CN117939393A - 无人机辅助定位方法、装置及电子设备 - Google Patents
无人机辅助定位方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117939393A CN117939393A CN202311793428.1A CN202311793428A CN117939393A CN 117939393 A CN117939393 A CN 117939393A CN 202311793428 A CN202311793428 A CN 202311793428A CN 117939393 A CN117939393 A CN 117939393A
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned aerial
- aerial vehicle
- determining
- positioning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000005265 energy consumption Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 13
- 238000007476 Maximum Likelihood Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 67
- 239000002245 particle Substances 0.000 description 23
- 238000004891 communication Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 15
- 230000002787 reinforcement Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种无人机辅助定位方法、装置及电子设备,该方法包括:根据目标无人机在第一轨迹接收到的第一广播信号,确定目标设备的初始估计位置,第一广播信号为目标设备发送的;采用启发式算法迭代优化目标无人机的第二轨迹,每次迭代优化的过程如下:根据初始估计位置,确定目标无人机定位待搜救人员的顺序;基于顺序,根据初始估计位置、初始估计位置误差和搜救系统所需的定位误差,以减小定位时间为目标确定目标无人机的第二轨迹;根据目标无人机在第二轨迹接收到的第二广播信号,确定目标设备的目标估计位置,第二广播信号为目标设备发送的。该方法在提高了无人机的定位精度的同时,有效缩短无人机的定位时间,实现对待搜救人员的精确救援。
Description
技术领域
本发明涉及信号处理技术领域,尤其涉及一种无人机辅助定位方法、装置及电子设备。
背景技术
针对自然灾害和公共安全事件等应急搜救场景,快速且准确地获取待搜救人员的位置信息对于搜救行动至关重要。然而,自然灾害可能会对蜂窝基础设施造成损害,通信网络的破坏使灾区与外界的信息传递变得困难,灾区的受灾状况将无法实时且准确地传递至外界,针对性的救灾方案难以实施。此外,由于灾区地面交通不便,存在危险区域,应急通信车辆难以驶入灾区发挥作用,无人机灵活机动的优势非常适合这种应急搜救场景。
现有的无人机辅助定位方法是将地图离散化作为无人机的状态空间,采用强化学习方法,求解待搜救人员的位置信息。但该方法在地图离散化的过程中可能会遗弃掉最优位置信息,导致定位精度较低,同时,由于较大的状态空间会伴随较高的时间复杂度,导致定位时间较长。
发明内容
本发明提供一种无人机辅助定位方法、装置及电子设备,用以解决现有的无人机辅助定位方法中定位精度较低和定位时间较长的缺陷,该方法根据搜救系统中目标无人机与目标设备之间的交互,确定该目标无人机定位待搜救人员的顺序,以减小定位时间为目标确定该目标无人机的第二轨迹,进而准确确定该目标设备的目标估计位置,对待搜救人员进行无人机辅助定位,在提高了无人机的定位精度的同时,有效缩短无人机的定位时间。
本发明提供一种无人机辅助定位方法,应用于电子设备,所述电子设备连接搜救系统,所述搜救系统包括目标无人机和待搜救人员使用的目标设备,所述方法包括:
根据所述目标无人机在第一轨迹接收到的第一广播信号,确定所述目标设备的初始估计位置,所述第一广播信号为所述目标设备发送的;
采用启发式算法迭代优化所述目标无人机的第二轨迹,每次迭代优化的过程如下:根据所述初始估计位置,确定所述目标无人机定位所述待搜救人员的顺序;基于所述顺序,根据所述初始估计位置、初始估计位置误差和所述搜救系统所需的定位误差,以减小定位时间为目标确定所述目标无人机的第二轨迹;
根据所述目标无人机在所述第二轨迹接收到的第二广播信号,确定所述目标设备的目标估计位置,所述第二广播信号为所述目标设备发送的。
本发明还提供一种无人机辅助定位装置,应用于电子设备,所述电子设备连接搜救系统,所述搜救系统包括目标无人机和待搜救人员使用的目标设备,所述装置包括:
初始估计位置确定模块,用于根据所述目标无人机在第一轨迹接收到的第一广播信号,确定所述目标设备的初始估计位置,所述第一广播信号为所述目标设备发送的;
轨迹确定模块,用于采用启发式算法迭代优化所述目标无人机的第二轨迹,每次迭代优化的过程如下:根据所述初始估计位置,确定所述目标无人机定位所述待搜救人员的顺序;基于所述顺序,根据所述初始估计位置、初始估计位置误差和所述搜救系统所需的定位误差,以减小定位时间为目标确定所述目标无人机的第二轨迹;
目标估计位置确定模块,用于根据所述目标无人机在所述第二轨迹接收到的第二广播信号,确定所述目标设备的目标估计位置,所述第二广播信号为所述目标设备发送的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述无人机辅助定位方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述无人机辅助定位方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述无人机辅助定位方法。
本发明提供的无人机辅助定位方法、装置及电子设备,通过根据目标无人机在第一轨迹接收到的第一广播信号,确定目标设备的初始估计位置,第一广播信号为目标设备发送的;采用启发式算法迭代优化目标无人机的第二轨迹,每次迭代优化的过程如下:根据初始估计位置,确定目标无人机定位待搜救人员的顺序;基于顺序,根据初始估计位置、初始估计位置误差和搜救系统所需的定位误差,以减小定位时间为目标确定目标无人机的第二轨迹;根据目标无人机在第二轨迹接收到的第二广播信号,确定目标设备的目标估计位置,第二广播信号为目标设备发送的。该方法根据搜救系统中目标无人机与目标设备之间的交互,确定该目标无人机定位待搜救人员的顺序,以减小定位时间为目标确定该目标无人机的第二轨迹,进而准确确定该目标设备的目标估计位置,对待搜救人员进行无人机辅助定位,在提高了无人机的定位精度的同时,有效缩短无人机的定位时间。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的无人机辅助定位方法的流程示意图;
图2是本发明提供的目标无人机在初始扫描阶段的轨迹示意图;
图3是本发明提供的定位误差的示意图;
图4是本发明提供的目标无人机在精确定位阶段的轨迹示意图;
图5是本发明提供的不同待搜救人员数量下比较定位任务完成时间的示意图;
图6是本发明提供的不同待搜救人员数量下比较算法训练推理时间的示意图;
图7是本发明提供的不同任务完成时间下比较最大定位误差的示意图;
图8是本发明提供的无人机辅助定位装置的结构示意图;
图9是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中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。
为了更好地理解本发明实施例,首先对背景技术进行详细阐述:
应急搜救场景下需要快速且准确地获取待搜救人员的位置信息,因此,权衡定位任务的定位精度和定位时间非常重要。近些年来,对于使用无人机作为移动锚点来定位地面目标(如待搜救人员)的研究愈发普遍。通常,假设待搜救人员几乎均匀分布在灾区,常用固定的路径规划方法来权衡定位精度和路径长度。然而,待搜救人员在紧急情况下往往表现为稀疏且不均匀的分布,这种固定的路径规划方法不再适用。
现有的无人机辅助定位方法是将地图离散化作为无人机的状态空间,采用强化学习方法,求解待搜救人员的位置信息。但该方法在地图离散化的过程中可能会遗弃掉最优位置信息,导致定位精度较低,同时,由于较大的状态空间会伴随较高的时间复杂度,导致定位时间较长。此外,在实际的应急搜救场景中,特别是救灾初期,可调度的无人机数量有限,会出现无人机无法持续接收待搜救人员的目标设备所发送的广播信号,在广播信号中断的这段时间内,待搜救人员的移动性也不可忽视。
为解决上述问题,本发明实施例提供一种无人机辅助定位方法、装置及电子设备,根据搜救系统中目标无人机与目标设备之间的交互,确定该目标无人机定位待搜救人员的顺序,以减小定位时间为目标确定该目标无人机的第二轨迹,进而准确确定该目标设备的目标估计位置,对待搜救人员进行无人机辅助定位,在提高了无人机的定位精度的同时,有效缩短无人机的定位时间。
为了更好地理解本发明实施例,对本发明实施例涉及的相关内容进行相应阐述:
假设一个应急搜救场景,存在M(M≥1)个无人机飞越山地森林灾区,搜索并定位数量未知且确切位置未知的待搜救人员。为了便于扩展到其他形状,本发明实施例假设受灾区域为正方形。待搜救人员配备无线通信设备(即目标设备),待搜救人员的目标设备向无人机定时发送广播信号,针对各无人机,在无人机飞行过程中,且,在该无人机的通信覆盖范围内,该无人机不断收集多个目标设备各自对应的接收信号强度(Received SignalStrength Indication,RSSI)测量值;然后,针对各目标设备,电子设备通过RSSI测距模型,确定该无人机与目标设备之间的距离;接着,该电子设备根据该无人机在不同位置收集的RSSI测量值,来估计目标设备的位置,即待搜救人员的位置。
所有无人机均从同一出发点开始执行救援任务,并在完成定位任务之后返回该出发点。
所有无人机的集合可表示为所有待搜救人员的集合可表示为/>其中,S≥1
需要说明的是,m表示M个无人机中的第m个无人机,该第m个无人机可以是本发明实施例涉及的目标无人机;s表示S个待搜救人员中的第s个待搜救人员。
以空间直角坐标系O-xyz为例,假设第m个无人机在t(t>0)时隙内的位置信息可表示为qm(t)=(xm(t),ym(t),h)。其中,xm(t)表示第m个无人机在x轴上的位置信息;ym(t)表示第m个无人机在y轴上的位置信息;h表示第m个无人机的飞行高度;0≤xm(t)≤Lx,0≤ym(t)≤Ly,Lx和Ly分别表示受灾区域的长度和宽度。第s个待搜救人员在t时隙内的位置信息可表示为ws(t)=(xs(t),ys(t),0)。其中,xs(t)表示第s个待搜救人员在x轴上的位置信息;ys(t)表示第s个待搜救人员在y轴上的位置信息;0≤xs(t)≤Lx和0≤ys(t)≤Ly。
此外,假设vm(t)和vs(t)分别表示第m个无人机和第s个待搜救人员在t时隙内的速度,假设第m个无人机和第s个待搜救人员在两个连续时隙上的最大速度分别为Vmax和vmax。因此,第m个无人机和第s个待搜救人员在t+1时隙内的位置可分别表示为:
qm(t+1)=qm(t)+vm(t) (1)
ws(t+1)=ws(t)+vs(t) (2)
因此,t时隙内第m个无人机和第s个待搜救人员之间的实际距离可表示为:
dm,s(t)=||qm(t)-ws(t)|| (3)
基于RSSI测距模型,在t时隙内给定实际距离dm,s(t)下,第m个无人机与第s个待搜救人员之间的实测距离可表示为:
其中,η表示量化信号功率随距离;dm,s(t)表示衰减的路径损耗系数;Ψ表示符合正态分布的第一预设系数,即均值μ1=0,方差为/>ΨLN表示第二预设系数,/>遵循以e为底的对数正态分布,其中,均值μ2=0,方差/>ξ表示常数,即ξ=10log(e)。因此,rm,s(t)符合对数正态分布,即
rm,s(t)对应的概率密度函数(Probability Density Function,PDF)f(rm,s(t))可表示为:
其中,π表示圆周率;σ表示标准差。
测距误差的统计平均值m(dm,s(t))可表示为:
通常,第m个无人机的能耗主要包括推进能量和通信能量。与推进能量相比,通信能耗可以忽略不计。速度为V的第m个无人机的推进能量可表示为:
其中,P0表示第m个无人机在悬停状态下旋翼桨叶由于空气阻力而需要消耗的功率;P1表示第m个无人机在悬停状态下旋翼产生升力所需要的功率;U表示第m个无人机旋翼叶片的叶尖速度;vr表示第m个无人机悬停状态下平均旋翼转速;A表示第m个无人机在飞行过程中受到与空气阻力、机体摩擦力和降落架阻力相关的参数。
需要说明的是,本发明实施例涉及的电子设备可以包括:计算机、移动终端及可穿戴设备等。
其中,电子设备连接搜救系统,该搜救系统包括目标无人机和待搜救人员使用的目标设备。
电子设备与搜救系统之间,以及目标无人机和目标设备之间均可通过无线通信技术进行连接,该无线通信技术可以包括但不限于以下其中一项:第四代通讯技术(the4Generation mobile communication technology,4G)及第五代通讯技术(the5Generation mobile communication technology,5G)。
需要说明的是,本发明实施例涉及的执行主体可以是无人机辅助定位装置,也可以是电子设备,下面以电子设备为例对本发明实施例进行进一步地说明。
如图1所示,是本发明提供的无人机辅助定位方法的流程示意图,可以包括:
101、根据目标无人机在第一轨迹接收到的第一广播信号,确定目标设备的初始估计位置,第一广播信号为目标设备发送的。
其中,目标无人机为多个无人机中的任一无人机。
第一轨迹用于表征目标无人机在初始扫描阶段的扫描轨迹。
第一广播信号携带有目标设备的位置相关参数。
初始估计位置用于表征利用目标无人机在初始扫描阶段对目标设备的定位结果。
在初始扫描阶段中,目标设备在生成第一广播信号之后,可将该第一广播信号向目标无人机发送;在确定目标无人机在第一轨迹接收到目标设备发送的第一广播信号之后,电子设备可根据该第一广播信号,确定该目标设备的初始估计位置。以便后续确定目标无人机定位待搜救人员的顺序。
在一些实施例中,电子设备根据目标无人机在第一轨迹接收到的第一广播信号,确定目标设备的初始估计位置,可以包括:电子设备根据目标无人机在第一轨迹接收到的第一广播信号,确定目标无人机和目标设备之间的实测距离;该电子设备根据实测距离,确定目标无人机和目标设备之间的估计距离;该电子设备根据估计距离,确定目标设备的初始估计位置。
在确定目标设备的初始估计位置的过程中,在确定目标无人机在第一轨迹接收到目标设备发送的第一广播信号之后,电子设备可根据该第一广播信号,确定该目标无人机和该目标设备之间的实测距离;接着,该电子设备可根据该实测距离,解算得到该目标无人机和该目标设备之间的估计距离,进而根据该估计距离,确定该目标设备的初始估计位置,该初始估计位置也是较为准确的。
在一些实施例中,电子设备根据估计距离,确定目标设备的初始估计位置,可以包括:电子设备根据实测距离对应的联合概率密度函数,确定极大似然估计(MaximumLikelihood Estimation,MLE)值;该电子设备根据极大似然估计值,确定目标设备的初始估计位置。
其中,MLE值用于表征初始估计距离与RSSI测距模型的吻合程度。
在确定目标设备的初始估计位置的过程中,电子设备根据目标无人机和目标设备之间的实测距离,确定该实测距离对应的联合概率密度函数,进而确定极大似然估计值;接着,该电子设备根据该极大似然估计值,确定该目标设备的初始估计位置。
示例性的,在实际的应急搜救场景中,难以获得关于待搜救人员的数量和确切位置的先验信息。因此,目标无人机需要通过初始扫描来确定每个待搜救人员的粗略位置信息(即初始估计位置)。为了优化扫描时间成本和能耗成本,需要规划合理的扫描路径。
具体的,将受灾区域划分为有限数量的均等小区域,划分时要确保在目标无人机位于小区域中心的情况下,目标无人机的通信覆盖范围可覆盖整个小区域。在初始扫描期间,目标无人机将这些小区域的中心作为航路点。
需要说明的是,目标无人机不会在航路点处悬停。
此外,对于多个无人机,在将受灾区域划分为有限数量的均等小区域之前,先将受灾区域均分为等于无人机数量的大区域,这多个无人机分别负责其中一块大区域的初始扫描任务。
初始扫描的主要目的是:无论待搜救人员位于何处,会有至少一个无人机能够在一定时间内连续接收待搜救人员的目标设备所发送的第一广播信号。因此,电子设备可以获得足够的数据来求解待搜救人员的估计位置和估计速度。
假设和/>分别表示第m个无人机在初始扫描阶段,连续接收到的第s个待搜救人员的目标设备所发送的第一广播信号的开始时隙和结束时隙,/>表示开始时隙/>与结束时隙/>之间的任一时隙;/>表示实测距离集合,/>表示实际距离集合。
示例性的,基于上文涉及的公式(5),rm,s对应的联合概率密度函数可表示为:
那么,dm,s对应的极大似然估计值可表示为:
将公式(9)转换为关于的对数形式并最大化:
在实际的应急搜救场景中,目标无人机会在一个时隙内多次采集待搜救人员的目标设备所发送的第一广播信号,为了便于分析,本发明实施例认为在一个时隙内目标无人机和待搜救人员的位置都没有发生变化。
由于时隙非常短,可以认为待搜救人员在每经过多个时隙后,才会改变速度,根据此设定以及上文涉及的公式(2)和公式(3),有足够的数据来求解上述公式(10),得到序列和/>其中,/>和/>分别表示在/>时隙内第s个待搜救人员的初始估计位置和估计速度;/>和/>分别表示在/>时隙内第s个待搜救人员的初始估计位置和估计速度。
假设表示在/>时隙和/>时隙之间第s个待搜救人员的平均速度。
若目标无人机在t时隙内,无法接收到第s个待搜救人员的目标设备所发送的第一广播信号,那么,在t时隙内第s个待搜救人员的初始估计位置,即目标设备的初始估计位置可以通过公式(11)进行估算:
示例性的,如图2所示,是本发明提供的目标无人机在初始扫描阶段的轨迹示意图。从图2中可以看出,目标无人机从出发位置(即上文涉及的出发点)开始沿着初始扫描轨迹飞行,对待搜救人员进行初始扫描,确定待搜救人员的初始估计位置(即目标设备的初始估计位置)和估计速度,直至结束位置停止初始扫描。
需要说明的是,某些受灾区域会被目标无人机重复扫描,从而导致目标无人机可能在不连续的两个时间段内接收到同一待搜救人员的目标设备所发送的第一广播信号。为避免累积误差,若目标无人机在新的初始扫描轨迹上连续接收到待搜救人员对应的第一广播信号时,电子设备根据该目标无人机之前接收到的同一待搜救人员对应的第一广播信号,确定出的该待搜救人员的初始估计位置和估计速度便不再重复使用。
示例性的,如图3所示,是本发明提供的定位误差的示意图。图3中,深色圆点表示电子设备根据极大似然估计值,确定的第s个待搜救人员在时隙内的初始估计位置。对于从/>到/>的T个时隙,根据下式生成T个集合:
其中,Im,t表示第三预设系数;Om,t表示第四预设系数;表示结合不同时隙的测距信息和待搜救人员的移动趋势,所获得的待搜救人员在/>时隙内的可能位置。集合的几何形式为一个圆环(图3中取了三个点进行显示),多个圆环重叠的阴影区域代表待搜救人员可能的位置,位置误差/>可以通过找到从初始估计位置到阴影区域最远的边界点来获得。根据上文涉及的公式(2),认为速度误差为/>其中,α表示由先验信息确定的权重因子。
因此,第s个待搜救人员在t时隙内的定位误差es(t)可表示为:
在待搜救人员的数量和确切位置未知的情况下,目标无人机初始扫描轨迹难以随着待搜救人员的位置和分布的不同而变化。因此,有以下两个问题需要考虑:
1、对于待搜救人员而言,目标无人机能接收到第一广播信号的航路点可能在一条直线上。在这种情况下,电子设备利用上文涉及的公式(2)、公式(3)和公式(10)只能确定沿初始扫描轨迹的两个对称可能的位置和速度,但无法确定真实值。
2、根据上述公式(6)、公式(12)、公式(13)、公式(14)和公式(15),定位误差与距离正相关。如果初始扫描的固定轨迹与待搜救人员之间的距离大于第一预设距离阈值,则定位精度将无法满足应急搜救场景的需求。
可选的,第一预设距离阈值可以是电子设备出厂前设置的,也可以是用户自定义的,此处不作具体限定。
102、采用启发式算法迭代优化目标无人机的第二轨迹,每次迭代优化的过程如下:根据初始估计位置,确定目标无人机定位待搜救人员的顺序;基于顺序,根据初始估计位置、初始估计位置误差和搜救系统所需的定位误差,以减小定位时间为目标确定目标无人机的第二轨迹。
其中,启发式算法指的是本发明实施例涉及的自适应增强粒子群优化(AdaptiveEnhanced Particle Swarm Optimization,AEPSO)算法。
第二轨迹用于表征目标无人机在精确定位阶段的扫描轨迹。
目标无人机定位待搜救人员的顺序可称为目标无人机的服务顺序。
初始估计位置误差即为上文涉及的位置误差
搜救系统所需的定位误差即为上文涉及的定位误差es(t)。
需要说明的是,第二轨迹中的目标位置与初始估计位置之间的距离差值小于第二预设距离阈值。其中,目标位置指的是第二轨迹中的某一位置。
可选的,第二预设距离阈值可以是电子设备出厂前设置的,也可以是用户自定义的。一般设置较小的第二预设距离阈值,第二预设距离阈值小于第一预设距离阈值。
在精确定位阶段中,在获取目标设备的初始估计位置之后,电子设备可采用启发式算法迭代优化目标无人机的第二轨迹,每次迭代优化的过程如下:该电子设备根据该初始估计位置,确定目标无人机与该初始估计位置之间的距离。基于此,该电子设备可获得目标无人机与多个待搜救人员各自对应的初始估计位置之间的距离,进而对这多个距离进行排序,得到目标无人机定位待搜救人员的顺序;接着,该电子设备基于该顺序,根据该初始估计位置、位置误差和定位误差es(t),以减小定位时间为目标,确定目标无人机的第二轨迹。整个过程有效缩短无人机的定位时间。
示例性的,电子设备根据目标无人机的初始扫描阶段,可以获得每个待搜救人员的粗略位置信息(即初始估计位置),接着,该电子设备控制目标无人机进行精确定位阶段,以提升对每个待搜救人员的定位精度。将所有待搜救人员分为M个不重叠的组,即1≤m≤M,/>其中,/>表示需要由第m个无人机精确定位的待搜救人员的集合。
由于待搜救人员的移动速度比无人机慢很多,因此,目标无人机与待搜救人员的关联关系不会随着待搜救人员的移动而改变,即在精确定位阶段不会发生变化。在精确定位阶段,第m个无人机将飞至离/>中距待搜救人员较近的位置,即第二轨迹。
103、根据目标无人机在第二轨迹接收到的第二广播信号,确定目标设备的目标估计位置,第二广播信号为目标设备发送的。
其中,第二广播信号携带有目标设备的位置相关参数。
目标估计位置用于表征利用目标无人机在精确定位阶段对目标设备的定位结果。
在确定目标无人机在第二轨迹接收到目标设备发送的第二广播信号之后,电子设备可根据该第二广播信号,确定该目标设备的目标估计位置。该目标估计位置是较为准确的,整个过程有效提高无人机的定位精度。
电子设备确定目标设备的目标估计位置的过程与该电子设备确定目标设备的初始估计位置的过程相同,此处不作具体赘述。
示例性的,假设表示第m个无人机定位/>中待搜救人员的坐标点集和轨迹起终点,其中,pm,0和/>分别表示第m个无人机将在初始扫描的结束位置开始精确定位,并最终返回初始扫描的出发位置。令/> 为/>中坐标点的排列,其中,κm,0=0,/>Γm表示第m个无人机访问更新后的坐标点集/>的服务顺序。
示例性的,如图4所示,是本发明提供的目标无人机在精确定位阶段的轨迹示意图。从图4中可以看出,目标无人机在精确定位阶段的轨迹是一系列折线的集合,这解决了在初始扫描阶段所有第一广播信号的采样点在同一条直线上的问题。
在一些实施例中,该方法还可以包括:电子设备根据目标估计位置,确定目标无人机对应的目标定位时间;该电子设备按照目标定位时间,控制目标无人机到达目标估计位置。
其中,目标定位时间用于表征以减小定位时间为目标,进行优化后的定位时间。
在确定目标设备的目标估计位置之后,电子设备根据该目标估计位置,确定目标无人机对应的目标定位时间,并按照该目标定位时间,控制该目标无人机到达该目标估计位置。整个过程有效缩短无人机的定位时间。
在一些实施例中,电子设备根据目标估计位置,确定目标无人机对应的目标定位时间,可以包括:电子设备根据目标估计位置,确定目标无人机对应的初始定位时间,目标无人机为多个无人机中的任一无人机;该电子设备根据多个无人机各自对应的初始定位时间,确定目标无人机对应的目标定位时间。
其中,初始定位时间用于表征目标无人机完成精确定位阶段的总时间。
在确定目标无人机对应的目标定位时间的过程中,电子设备根据确定的目标设备的目标估计位置,确定目标无人机对应的初始定位时间;接着,该电子设备根据多个无人机各自对应的初始定位时间,确定目标无人机对应的目标定位时间。
在一些实施例中,电子设备根据目标估计位置,确定目标无人机对应的初始定位时间,可以包括:电子设备确定目标无人机对应的最大速度;该电子设备根据最大速度和目标估计位置,确定目标无人机对应的初始定位时间。
其中,最大速度即为上文涉及的Cmax。
在确定目标无人机对应的初始定位时间的过程中,电子设备确定目标无人机对应的最大速度,以及目标设备的目标估计位置,进而根据该最大速度和该目标估计位置,确定该目标无人机对应的初始定位时间。
示例性的,假设Tm表示为第m个无人机完成精确定位阶段的总时间,即初始定位时间。为了尽快完成搜救任务,则初始定位时间可表示为:
在一些实施例中,电子设备根据多个无人机各自对应的初始定位时间,确定目标无人机对应的目标定位时间,可以包括:电子设备根据目标无人机对应的能耗信息、任务完成时间及目标速度,确定约束条件;该电子设备根据约束条件和多个无人机各自对应的初始定位时间,确定目标无人机对应的目标定位时间。
其中,任务完成时间指的是目标无人机完成搜救任务所用的总时间。
目标速度即为上文涉及的vm(t)。
在确定目标无人机对应的目标定位时间的过程中,电子设备先获取目标无人机对应的能耗信息、任务完成时间及目标速度,进而根据该能耗信息、该任务完成时间和该目标速度,确定约束条件;接着,该电子设备可根据该约束条件和多个无人机各自对应的初始定位时间,确定该目标无人机对应的目标定位时间。
在一些实施例中,电子设备根据目标无人机对应的能耗信息、任务完成时间及目标速度,确定约束条件,可以包括:电子设备根据目标无人机对应的能耗信息,确定第一约束条件,第一约束条件为:目标无人机对应的初始扫描能耗与精确定位能耗之和小于等于目标无人机对应的最大总能耗;该电子设备根据任务完成时间,确定第二约束条件,第二约束条件为:基于任务完成时间,实现对目标无人机的位置调整和定位精度要求;该电子设备根据目标速度,确定第三约束条件,第三约束条件为:控制目标无人机对应的目标速度为最大速度;该电子设备根据第一约束条件、第二约束条件和第三约束条件,确定约束条件。
其中,对目标无人机的位置调整用于表征目标无人机最终会返回到初始扫描的出发位置。
在确定约束条件的过程中,电子设备获取目标无人机对应的能耗信息,进而确定第一约束条件:该目标无人机对应的初始扫描能耗与精确定位能耗/>之和小于等于该目标无人机对应的最大总能耗/>该电子设备获取该目标无人机对应的任务完成时间进而确定第二约束条件:基于任务完成时间/>实现对该目标无人机的位置调整和定位精度要求;该电子设备获取该目标无人机的目标速度vm(t),进而确定第三约束条件:控制目标无人机对应的目标速度vm(t)为最大速度Vmax。基于此,该电子设备可根据该第一约束条件、该第二约束条件和该第三约束条件,确定约束条件。
需要说明的是,电子设备确定第一约束条件、该电子设备确定第二约束条件,以及该电子设备确定第三约束条件的时序不限。
示例性的,电子设备确定目标无人机对应的目标定位时间,实质是联合优化目标无人机-待搜救人员关联关系定位坐标点/>和服务顺序{Γm},将多个无人机各自对应的初始定位时间中的最大初始定位时间进行最小化处理,对于定位时间的优化问题可表示为:
/>
其中,表示第m个无人机对应的最大总能耗;/>表示第m个无人机对应的初始扫描能耗;/>表示第m个无人机对应的精确定位能耗;/>表示第m个无人机的任务完成时间;/>表示第s个待搜救人员在/>内的定位误差;eth表示预设误差阈值。
可选的,预设误差阈值可以是电子设备出厂前设置的,也可以是用户自定义的,此处不作具体限定。
公式(17b)表示多个无人机需要定位所有待搜救人员;公式(17c)表示目标无人机的最大总能耗约束,即上述第一约束条件;公式(17d)表示目标无人机最终会返回到初始扫描的出发位置,即上述第二约束条件中,基于任务完成时间,实现对目标无人机的位置调整;公式(17e)表示定位精度要求,即上述第二约束条件中,基于任务完成时间,实现对目标无人机的定位精度要求;公式(17f)表示目标无人机的最大速度约束,即上述第三约束条件。
需要说明的是,优化问题P1需要优化目标无人机轨迹和目标无人机-待搜救人员关联关系,目标无人机轨迹分别是相对于时间t的连续函数,与此同时还需要优化目标无人机-待搜救人员关联关系。因此,优化问题P1由无数个优化变量组成。所以,混合整数非凸问题P1很难高效的求最优解。
为了降低算法的时间复杂度,本发明实施例分两步求解优化问题P1。第一步考虑一种特殊情况:所有pm,k都已给出,令pm,l=其中,/>表示第m个无人机飞到/>中第l个航路点对应的时隙;/>表示/>中的第l(l≥1)个元素。这意味着目标无人机将直接飞到初始扫描确定的待搜救人员的位置上方。
此时,上述优化问题P1等价于多旅行推销员问题(Multiple TravellingSalesman Problem,MTSP),这是非确定性多项式(Non-deterministic Polynomial,NP)困难的。给定一组K(K>0)个城市和N(N>0)个推销员,以及指定任意两个城市之间距离的距离矩阵,MTSP是为每个推销员确定路线,使得每个城市只被一个推销员访问一次,并且所有推销员中最昂贵路线的成本最小化。在上述特殊情况下,尽管仍然是NP困难的,但存在多种算法可以有效地找到高质量的近似解(例如,神经网络或启发式算法)。
本发明实施例通过求解上述特殊情况,将多个无人机各自对应的初始定位时间中的最大初始定位时间进行最小化处理,从而得到目标无人机-待搜救人员关联关系和服务顺序{Γm},每个待搜救人员只会被一个无人机定位。目标无人机飞到待搜救人员上方进行距离测量,可能会获得高于上述定位精度要求的定位精度。
为了尽快完成搜救任务,可以在上述解的基础上降低定位精度以获得更快的任务完成时间。因此,在第二步确定每个无人机的航路点进一步缩减所有无人机的任务完成时间。本发明实施例提出一种边缘访问策略融合到上述特殊情况的迭代求解过程中,得到常规情况下优化问题P1的高质量近似解。
该策略如下:以初始扫描确定的初始估计位置为圆心,为半径,在圆上生成R(R≥2)个参考点,这R个参考点可表示为:/>所选航路点应使所有参考点的定位精度均高于上述定位精度要求的定位精度。电子设备根据上文涉及的公式(15),可以以观测位置为中心创建另一个圆。只要航路点位于圆内,就可以满足定位精度要求,路径规划时在圆内选取合适的航路点,就可以减少目标无人机的飞行距离,缩短任务完成时间。
粒子群被广泛应用于寻找非线性目标函数的最小值和/或最大值。然而,传统的粒子群优化(Particle Swarm Optimization,PSO)算法仍然存在收敛速度慢或容易出现局部最优等问题。针对上述问题,本发明实施例采用一种增强粒子群优化(Enhanced ParticleSwarm Optimization,EPSO)算法来求解上述特殊情况,并将上述边缘访问策略与EPSO算法的适应度函数结合起来。以达到联合求解优化问题P1的目的。
EPSO算法以及边缘访问策略的具体设计如下:
位置(Position):将目标无人机-待搜救人员关联关系和服务顺序{Γm},用/>表示。每个粒子都会根据当前速度来更新粒子位置。粒子位置的更新规则可表示为:
其中,k表示粒子的更新迭代轮次,k≥1;i表示粒子的序号;表示在第k+1轮更新迭代的过程中第i个粒子的速度。
速度(Velocity):粒子速度可用表示,每个粒子通过学习粒子的个体最佳位置和全局最佳位置gbk来更新粒子速度,粒子速度的更新规则可表示为:
其中,∈表示惯性因子;rand(0,1)表示生成一个在(0,1)内的随机数;c1和c2分别表示个体最优权重参数和全局最优权重参数。为了加快收敛速度并避免局部最优,本发明实施例使用一些技巧来优化上述PSO算法:为了平衡全局搜索和局部搜索能力,采用自适应权重方法,权重∈的表达式为:
其中,∈min表示惯性因子的最小值;∈max表示惯性因子的最大值;f表示临时适应度;fmin表示临时适应度的最小值;favg表示临时适应度的平均值。对于目标函数值优于平均目标值的微粒,其对应的惯性权重因子较小,从而保留了该微粒,反之对于目标函数值差于平均目标值的微粒,其对应的惯性权重因子较大,使得该微粒向较好的搜索区域靠拢。
适应度值(Fitness Value):上述临时适应度f可以根据上文涉及的公式(17a)确定。接着使用边缘访问策略:目标无人机在飞到圆的边缘时直接飞到下一个航路点,那么目标无人机的飞行长度和飞行时间就会减少,以此轨迹对应的飞行时间作为最终的适应度函数。若规划的路径无法满足定位精度,则直接将粒子淘汰。
上述算法可称为增强粒子群优化(Enhanced Particle Swarm Optimization,EPSO)算法。
对于第l个待搜救人员的位置,如果初始扫描阶段获得的信息足以获得唯一解,那么pm,l很容易确定;如果能得到两种可能的解,那么先随机选择一个位置为pm,l,如果随着目标无人机接近航路点,电子设备发现另一个可能位置更接近待搜救人员的真实位置,那么该电子设备控制该目标无人机飞至该可能位置进行定位。在该目标无人机飞行的过程中,该电子设备根据EPSO算法确定该目标无人机后续的飞行顺序,直至完成对所有待搜救人员的精确定位。
上述算法即为自适应增强粒子群优化(AEPSO)算法。算法细节如下:
本发明实施例涉及的算法可统称为MLE-AEPSO算法。
在本发明实施例中,根据目标无人机在第一轨迹接收到的第一广播信号,确定目标设备的初始估计位置,第一广播信号为目标设备发送的;采用启发式算法迭代优化目标无人机的第二轨迹,每次迭代优化的过程如下:根据初始估计位置,确定目标无人机定位待搜救人员的顺序;基于顺序,根据初始估计位置、初始估计位置误差和搜救系统所需的定位误差,以减小定位时间为目标确定目标无人机的第二轨迹;根据目标无人机在第二轨迹接收到的第二广播信号,确定目标设备的目标估计位置,第二广播信号为目标设备发送的。该方法根据搜救系统中目标无人机与目标设备之间的交互,确定该目标无人机定位待搜救人员的顺序,以减小定位时间为目标确定该目标无人机的第二轨迹,进而准确确定该目标设备的目标估计位置,对待搜救人员进行无人机辅助定位,在提高了无人机的定位精度的同时,有效缩短无人机的定位时间。
下面对本发明实施例涉及的实验结果作进一步阐述:
本发明实施例模拟一个1120米×640米的矩形区域,派遣4个无人机执行搜索定位任务。无人机飞行高度为100米,通信距离为150米,飞行速度为25米/秒,待搜救人员移动速度不能超过1.5米/秒,每个时隙设置为0.025秒,无人机在每个时隙采样10次广播信号(第一广播信号/第二广播信号)。对于RSSI测距模型,第一参数η=2,第二参数σΨ=4。考虑到应急搜救场景,本发明实施例不会将大量待搜救人员安置在有限的空间内,即待搜救人员在空间上稀疏非均匀分布。
本发明实施例的策略是:在考虑待搜救人员的移动性和满足定位精度需求的前提下,最大限度地减少无人机完成定位任务的时间。将MLE-AEPSO算法与其它工作中不基于初始扫描测距信息解算待搜救人员位置而使用强化学习(Reinforcement Learning,RL)算法直接求解优化问题P1进行比较。其它工作中这种使用初始扫描和使用RL算法的方法(简称:对比方案)不考虑待搜救人员的移动,对比方案涉及的算法可称为RL-NM算法,其中,NM(NoMove)表示不考虑待搜救人员的移动。本发明实施例将RL-NM算法中强化学习的奖励和优化目标调整为上文涉及的公式(17a)以适应本发明实施例的场景。
与此同时,将MLE-AEPSO中的EPSO部分使用强化学习求解也作为对比方案。强化学习的状态空间和动作空间均设置为坐标点集同样辅以边缘访问策略所确定的轨迹长度作为强化学习的奖励,相比于不经MLE解算的RL方法,缩减了状态空间和动作空间,降低了算法的时间复杂度。
示例性的,如图5所示,是本发明提供的不同待搜救人员数量下比较定位任务完成时间的示意图。图5中,M(Move)表示考虑待搜救人员的移动;NM表示不考虑待搜救人员的移动。从图5中可以看出,无论待搜救人员的数量如何变化,考虑待搜救人员移动的MLE-AEPSO/ARL-M算法都实现了更快的任务完成时间,而不考虑待搜救人员移动的MLE-AEPSO/ARL-NM算法需要在精确定位阶段实现更高的定位精度以抵消待搜救人员移动带来的误差,这无疑会增加飞行距离和任务完成时间。此外,对比方案中RL-NM算法采用悬停策略和离散化的网格设计,会增加飞行距离和任务完成时间。
示例性的,如图6所示,是本发明提供的不同待搜救人员数量下比较算法训练推理时间的示意图。考虑到应急搜救场景下待搜救人员的分布情况以及数量多变,强化学习方法在新的应急搜救场景下需要重新训练,因此这里比较的时间包括强化学习的训练时间。从图6中可以看出,无论待搜救人员的数量如何变化,MLE-AEPSO/ARL算法的训练推理时间都更短。随着待搜救人员数量的增加,MLE-AEPSO/ARL算法的状态空间也随之增加,算法运行时间也随之增加。此外,对比方案中RL-NM算法始终具有较大的状态空间,虽然状态空间不随待搜救人员的数量而变化,但待搜救人员数量的增加会导致更复杂的环境和算法收敛时间的增加。
示例性的,假设待搜救人员的数量为10,如图7所示,是本发明提供的不同任务完成时间下比较最大定位误差的示意图。通常,完成给定任务的时间越长,可以实现的定位误差就越小。从图7中可以看出,对比方案中RL-NM算法进行离散网格设计,牺牲了一定的定位精度。
本发明实施例在初始扫描阶段使用极大似然估计MLE来减少求解优化问题的状态空间,以保证无人机的定位精度。
下面对本发明提供的无人机辅助定位装置进行描述,下文描述的无人机辅助定位装置与上文描述的无人机辅助定位方法可相互对应参照。
如图8所示,是本发明提供的无人机辅助定位装置的结构示意图,可以包括:
初始估计位置确定模块801,用于根据该目标无人机在第一轨迹接收到的第一广播信号,确定该目标设备的初始估计位置,该第一广播信号为该目标设备发送的;
轨迹确定模块802,用于采用启发式算法迭代优化该目标无人机的第二轨迹,每次迭代优化的过程如下:根据该初始估计位置,确定该目标无人机定位该待搜救人员的顺序;基于该顺序,根据该初始估计位置、初始估计位置误差和该搜救系统所需的定位误差,以减小定位时间为目标确定该目标无人机的第二轨迹;
目标估计位置确定模块803,用于根据该目标无人机在该第二轨迹接收到的第二广播信号,确定该目标设备的目标估计位置,该第二广播信号为该目标设备发送的。
可选的,目标估计位置确定模块803,具体用于根据该目标估计位置,确定该目标无人机对应的目标定位时间;按照该目标定位时间,控制该目标无人机到达该目标估计位置。
可选的,目标估计位置确定模块803,具体用于根据该目标估计位置,确定该目标无人机对应的初始定位时间,该目标无人机为多个无人机中的任一无人机;根据该多个无人机各自对应的初始定位时间,确定该目标无人机对应的目标定位时间。
可选的,初始估计位置确定模块801,具体用于根据该目标无人机在第一轨迹接收到的第一广播信号,确定该目标无人机和该目标设备之间的实测距离;根据该实测距离,确定该目标无人机和该目标设备之间的估计距离;根据该估计距离,确定该目标设备的初始估计位置。
可选的,初始估计位置确定模块801,具体用于根据该实测距离对应的联合概率密度函数,确定极大似然估计值;根据该极大似然估计值,确定该目标设备的初始估计位置。
可选的,目标估计位置确定模块803,具体用于确定该目标无人机对应的最大速度;根据该最大速度和该目标估计位置,确定该目标无人机对应的初始定位时间。
可选的,目标估计位置确定模块803,具体用于根据该目标无人机对应的能耗信息、任务完成时间及目标速度,确定约束条件;根据该约束条件和该多个无人机各自对应的初始定位时间,确定该目标无人机对应的目标定位时间。
可选的,目标估计位置确定模块803,具体用于根据该目标无人机对应的能耗信息,确定第一约束条件,该第一约束条件为:该目标无人机对应的初始扫描能耗与精确定位能耗之和小于等于该目标无人机对应的最大总能耗;根据该任务完成时间,确定第二约束条件,该第二约束条件为:基于该任务完成时间,实现对该目标无人机的位置调整和定位精度要求;根据该目标速度,确定第三约束条件,该第三约束条件为:控制该目标无人机对应的该目标速度为该最大速度;根据该第一约束条件、该第二约束条件和该第三约束条件,确定该约束条件。
如图9所示,是本发明提供的电子设备的结构示意图,该电子设备可以包括:处理器(processor)910、通信接口(Communications Interface)920、存储器(memory)930和通信总线940,其中,处理器910,通信接口920,存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的逻辑指令,以执行无人机辅助定位方法。
此外,上述的存储器930中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的无人机辅助定位方法。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的无人机辅助定位方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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计算机可读存储介质中,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无人机辅助定位方法,其特征在于,应用于电子设备,所述电子设备连接搜救系统,所述搜救系统包括目标无人机和待搜救人员使用的目标设备,所述方法包括:
根据所述目标无人机在第一轨迹接收到的第一广播信号,确定所述目标设备的初始估计位置,所述第一广播信号为所述目标设备发送的;
采用启发式算法迭代优化所述目标无人机的第二轨迹,每次迭代优化的过程如下:根据所述初始估计位置,确定所述目标无人机定位所述待搜救人员的顺序;基于所述顺序,根据所述初始估计位置、初始估计位置误差和所述搜救系统所需的定位误差,以减小定位时间为目标确定所述目标无人机的第二轨迹;
根据所述目标无人机在所述第二轨迹接收到的第二广播信号,确定所述目标设备的目标估计位置,所述第二广播信号为所述目标设备发送的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述目标估计位置,确定所述目标无人机对应的目标定位时间;
按照所述目标定位时间,控制所述目标无人机到达所述目标估计位置。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标估计位置,确定所述目标无人机对应的目标定位时间,包括:
根据所述目标估计位置,确定所述目标无人机对应的初始定位时间,所述目标无人机为多个无人机中的任一无人机;
根据所述多个无人机各自对应的初始定位时间,确定所述目标无人机对应的目标定位时间。
4.根据权利要求1所述的方法,其特征在于,所述根据所述目标无人机在第一轨迹接收到的第一广播信号,确定所述目标设备的初始估计位置,包括:
根据所述目标无人机在第一轨迹接收到的第一广播信号,确定所述目标无人机和所述目标设备之间的实测距离;
根据所述实测距离,确定所述目标无人机和所述目标设备之间的估计距离;
根据所述估计距离,确定所述目标设备的初始估计位置。
5.根据权利要求4所述的方法,其特征在于,所述根据所述估计距离,确定所述目标设备的初始估计位置,包括:
根据所述实测距离对应的联合概率密度函数,确定极大似然估计值;
根据所述极大似然估计值,确定所述目标设备的初始估计位置。
6.根据权利要求3所述的方法,其特征在于,所述根据所述目标估计位置,确定所述目标无人机对应的初始定位时间,包括:
确定所述目标无人机对应的最大速度;
根据所述最大速度和所述目标估计位置,确定所述目标无人机对应的初始定位时间。
7.根据权利要求3或6所述的方法,其特征在于,所述根据所述多个无人机各自对应的初始定位时间,确定所述目标无人机对应的目标定位时间,包括:
根据所述目标无人机对应的能耗信息、任务完成时间及目标速度,确定约束条件;
根据所述约束条件和所述多个无人机各自对应的初始定位时间,确定所述目标无人机对应的目标定位时间。
8.根据权利要求7所述的方法,其特征在于,所述根据所述目标无人机对应的能耗信息、任务完成时间及目标速度,确定约束条件,包括:
根据所述目标无人机对应的能耗信息,确定第一约束条件,所述第一约束条件为:所述目标无人机对应的初始扫描能耗与精确定位能耗之和小于等于所述目标无人机对应的最大总能耗;
根据所述任务完成时间,确定第二约束条件,所述第二约束条件为:基于所述任务完成时间,实现对所述目标无人机的位置调整和定位精度要求;
根据所述目标速度,确定第三约束条件,所述第三约束条件为:控制所述目标无人机对应的所述目标速度为所述最大速度;
根据所述第一约束条件、所述第二约束条件和所述第三约束条件,确定所述约束条件。
9.一种无人机辅助定位装置,其特征在于,应用于电子设备,所述电子设备连接搜救系统,所述搜救系统包括目标无人机和待搜救人员使用的目标设备,所述装置包括:
初始估计位置确定模块,用于根据所述目标无人机在第一轨迹接收到的第一广播信号,确定所述目标设备的初始估计位置,所述第一广播信号为所述目标设备发送的;
轨迹确定模块,用于采用启发式算法迭代优化所述目标无人机的第二轨迹,每次迭代优化的过程如下:根据所述初始估计位置,确定所述目标无人机定位所述待搜救人员的顺序;基于所述顺序,根据所述初始估计位置、初始估计位置误差和所述搜救系统所需的定位误差,以减小定位时间为目标确定所述目标无人机的第二轨迹;
目标估计位置确定模块,用于根据所述目标无人机在所述第二轨迹接收到的第二广播信号,确定所述目标设备的目标估计位置,所述第二广播信号为所述目标设备发送的。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述无人机辅助定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311793428.1A CN117939393A (zh) | 2023-12-22 | 2023-12-22 | 无人机辅助定位方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311793428.1A CN117939393A (zh) | 2023-12-22 | 2023-12-22 | 无人机辅助定位方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117939393A true CN117939393A (zh) | 2024-04-26 |
Family
ID=90763989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311793428.1A Pending CN117939393A (zh) | 2023-12-22 | 2023-12-22 | 无人机辅助定位方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117939393A (zh) |
-
2023
- 2023-12-22 CN CN202311793428.1A patent/CN117939393A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113190039B (zh) | 一种基于分层深度强化学习的无人机采集路径规划方法 | |
AU2014349144B2 (en) | Unmanned vehicle searches | |
CN107314772B (zh) | 一种无人机自学习航点轨迹飞行方法及其系统 | |
CN107431527A (zh) | 使用自主车辆闭环优化无线网络 | |
RU2568510C1 (ru) | Безопасная вынужденная посадка беспилотного летательного аппарата | |
EP3485336A1 (en) | Wwan radio link quality navigation for a drone | |
Levine et al. | Information-rich path planning with general constraints using rapidly-exploring random trees | |
CN104808666B (zh) | 自动移动设备延长移动距离的方法 | |
CN110809274A (zh) | 一种面向窄带物联网的无人机基站增强网络优化方法 | |
Artemenko et al. | Energy-aware trajectory planning for the localization of mobile devices using an unmanned aerial vehicle | |
CN109000651B (zh) | 一种路径规划方法及路径规划装置 | |
CN111381499B (zh) | 基于三维空间射频地图学习的网联飞行器自适应控制方法 | |
CN112511250A (zh) | 一种基于drl的多无人机空中基站动态部署方法及系统 | |
WO2018110634A1 (ja) | 無人航空機の飛行管理システム、及び飛行管理方法 | |
JP2019537140A (ja) | ビークル衝突回避 | |
Wang et al. | [Retracted] Virtual Reality Technology of Multi UAVEarthquake Disaster Path Optimization | |
CN111045445A (zh) | 一种基于强化学习的飞行器智能避撞方法、设备、介质 | |
Váňa et al. | Any-time trajectory planning for safe emergency landing | |
CN116700343A (zh) | 一种无人机路径规划方法、设备和存储介质 | |
Kurunathan et al. | Deep reinforcement learning for persistent cruise control in UAV-aided data collection | |
CN114187783B (zh) | 一种用于机场飞行区潜在冲突分析预测的方法 | |
CN111538059A (zh) | 一种基于改进的玻尔兹曼机的自适应快速动态定位系统及方法 | |
Babu et al. | Fairness-based energy-efficient 3-D path planning of a portable access point: A deep reinforcement learning approach | |
CN115202386A (zh) | 基于经训练的空中走廊模型控制飞行器沿空中走廊行进 | |
CN112783192B (zh) | 无人机路径规划方法、装置、设备和存储介质 |
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 |