面向无人机机载移动传感器网络的一致性信息滤波算法制造技术

本发明专利技术公开了一种面向无人机机载移动传感器网络的一致性信息滤波算法：构建地面移动目标运动模型和无人机机载传感器测量模型；采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；基于无人机通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；根据一致性处理结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。本发明专利技术在信息滤波基础上，降低滤波估计的计算量，提高计算精度，并且考虑无人机不同融合中心的一致性问题，适用于在运动过程中对移动目标的状态估计。

Conformance information filtering algorithm for UAV airborne mobile sensor networks

The invention discloses a consistent information filtering algorithm for UAV mobile sensor networks: the construction of sports ground moving target model and the UAV airborne sensor measurement model; the square root volume of information filtering, estimation of ground moving target location: ground moving target motion model to obtain information matrix and vector information based on UAV the sensor measurement model to obtain information and information based on vector increment increment matrix; the structure of UAV Communication topology based on the information obtained, respectively, the information vector matrix, information matrix, incremental information vector incremental consistency processing; according to the consistency of results, estimation of ground moving target value of state vector, updating the covariance matrix. Based on information filtering, the invention reduces the computation amount of filtering estimation, improves the computation accuracy, and considers the consistency of different fusion centers of UAVs, so it is suitable for estimating the state of moving targets in the process of motion.

【技术实现步骤摘要】
面向无人机机载移动传感器网络的一致性信息滤波算法
本专利技术属于目标估计领域，更具体的说，是涉及一种面向无人机机载移动传感器网络的一致性信息滤波算法。
技术介绍
无人机，顾名思义，无人驾驶飞机，以其良好的安全性、适应性、灵活性，有效地代替了人力去执行一些机械重复性的或危机人身安全的工作，在工业、农业、军事等行业都有广泛应用。如环境监视、协航护卫、城市作战、海上搜救、森林灭火、农药喷洒、电线检修、快递分拣配送等等。综合分析所有类型无人机的工作过程可以得知，大多的无人机都是在给定航线的基础上进行飞行控制，从而完成不同类型的任务。但是当无人机用于对未知目标的追踪、打击以及对抗任务中时，无人机在进行飞行控制前，需要对目标进行准确的识别，目标识别的精度和准确度对无人机任务的执行具有至关重要的影响。考虑到无人机受到机载传感器视野和自身机动性的影响，为了提高目标定位的精度和任务执行的成功率，多无人机协同控制受到了越来越广泛得研究。多无人机的协同控制可以有效地扩大无人机的视野和工作区域，具有更大的覆盖度和机动性。因此如何有效利用不同无人机的自身信息和测量信息，实现未知目标的准确估计是一个重要的研究问题，并且需要考虑不同无人机之间的目标估计一致性问题。此外，多无人机的机载传感器组成了一个动态的移动传感器网络，随着无人机的运动，传感器网络也在实时运动，并且由于无人机需要实时快速的运动控制，目标估计算法也需要满足一定高效性。因此鉴于传感器网络的移动性，无人机之间的通信性能，在尽量降低通信负担和计算负担的基础上，对移动传感器网络的一致性融合估计算法进行研究具有重要的理论意义和实用价值。
技术实现思路
本专利技术的目的是为了克服现有技术中的不足，提供了一种面向无人机机载移动传感器网络的一致性信息滤波算法，在信息滤波的基础上，降低滤波估计的计算量，提高计算精度，并且考虑无人机不同融合中心的一致性问题。本专利技术的目的是通过以下技术方案实现的。本专利技术的面向无人机机载移动传感器网络的一致性信息滤波算法，包括以下步骤：步骤一，构建地面移动目标运动模型和无人机机载传感器测量模型；步骤二，采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；步骤三，一致性算法：基于无人机的通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；步骤四，状态更新：根据一致性处理的结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。步骤一中所述地面移动目标运动模型为：其中，xt,yt,分别表示地面移动目标x,y方向的位置、速度、加速度；α为模型参数，ω(t)表示过程噪声，其协方差矩阵为：其中，σa是与目标加速度有关的标准差参数；所述地面移动目标运动模型的离散形式为：其中，I是单位矩阵，Ts是采样时间，k表示k时刻，步骤一中所述无人机机载传感器测量模型为：其中，rk,φk,分别为k时刻无人机机载传感器与地面移动目标间的距离、水平方位角及俯仰角，xk,yk,hk表示k时刻无人机机载传感器的水平位置和高度，vk表示测量噪声，其协方差矩阵为：其中，分别表示距离、水平方位角及俯仰角三个测量值的噪声参数。步骤二中所述平方根容积信息滤波的具体过程为：A：预测更新首先，取2n个加权相同的对称的容积点：其中，n是地面移动目标状态量的维数，Sx,k-1|k-1为Pk-1|k-1的平方根，Pk-1|k-1是k-1时刻的估计误差协方差矩阵，为k-1时刻地面移动目标状态的最优估计值，ξi的取值如下：其中，ei表示单位矩阵的第i列分量。基于2n个容积点以及地面移动目标运动模型的离散形式，得到k时刻的地面移动目标状态容积点预测值：其中，F＝I+TsF0；从而计算地面移动目标状态向量的预测值和估计误差协方差矩阵平方根的预测值：其中，SQ为Qk的平方根，qr代表QR分解；计算信息矩阵和信息向量的预测值：B：测量更新按相同的方法取2n个容积点用于测量更新：基于2n个容积点以及无人机机载传感器测量模型得到k时刻测量值的容积点预测值：Zi,k|k-1＝fh(Xi,k|k-1)计算无人机机载传感器测量值的预测值：计算地面移动目标状态向量预测值和无人机机载传感器测量值预测值之间的互协方差矩阵其中，信息增量矩阵的平方根和信息向量增量分别为：其中，SR为Rv的平方根；则信息增量矩阵为：步骤三中所述对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理如下：其中，πj,l是与无人机通信拓扑结构相关的连通性系数，j＝1,...,N，l＝1,...,N，N为无人机的数量；通过系数β进行调节，得到第j架无人机的一致性滤波估计结果：β取值范围为[1,N]，一般可取N/2。步骤四中所述地面移动目标状态向量的估计值为：估计误差协方差矩阵为：与现有技术相比，本专利技术的技术方案所带来的有益效果是：本专利技术在地面移动目标运动模型、无人机机载传感器测量模型已知的情况下，利用无人机的机载传感器，采用平方根容积信息滤波算法，对地面移动目标的位置、速度等状态进行估计，有效降低滤波估计的计算量，满足无人机在线实时控制的高性能要求，并基于无人机机载传感器网络拓扑结构对多架无人机的估计值进行一致性处理，提高目标估计的精度，从而有利于无人机跟踪、侦查等相关任务的执行。附图说明图1是本专利技术算法的流程图；图2是地面移动目标运动轨迹；图3是四架无人机运动轨迹；图4是无人机通信拓扑结构图，连接线表示两架无人机可以进行信息交互；图5中的曲线为四架无人机对地面移动目标的估计值；图6是四架无人机对地面移动目标估计的位置误差；图7是四架无人机对地面移动目标位置估计的一致性误差。具体实施方式下面结合附图对本专利技术作进一步的描述。无线传感器网络的相关研究大多在通信领域进行，包括路由协议、故障处理、路由安全等。在控制领域也有一定的研究成果，通常都是以固定的传感器的网络结构对移动目标进行估计，并且只考虑噪声问题。而在无人机对地面移动目标的追踪过程中，由于无人机的位置、状态实时变化，移动目标的估计过程会变得更加复杂。并且考虑到无人机的分布式控制，每架无人机均以自身为融合中心进行估计，由于传感器和无人机自身的影响，不同的融合中心之间必然存在一定的差异，为了减低不同融合中心之间的偏差给无人机控制带来的影响，目标估计值的一致性处理也十分重要。考虑到常规传感器网络目标估计中存在的问题，包括单个传感器滤波估计计算负担，固定传感器结构的局限性等，本专利技术在地面移动目标运动模型、无人机机载传感器测量模型已知的情况下，利用无人机的机载传感器，采用平方根容积信息滤波算法，对地面移动目标的位置、速度等状态进行估计，有效降低滤波估计的计算量，满足无人机在线实时控制的高性能要求，并基于无人机机载传感器网络拓扑结构对多架无人机的估计值进行一致性处理，提高目标估计的精度，从而有利于无人机跟踪、侦查等相关任务的执行。本专利技术的面向无人机机载移动传感器网络的一致性信息滤波算法，用于无人机对地面移动目标跟踪过程中的目标估计。如图1所示，具体过程如下：(一)构建地面移动目标运动模型和无人机机载传感器测量模型。首先，给出地面移动目标运动模型。通常大部分目标跟踪本文档来自技高网...

【技术保护点】
一种面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，包括以下步骤：步骤一，构建地面移动目标运动模型和无人机机载传感器测量模型；步骤二，采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；步骤三，一致性算法：基于无人机的通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；步骤四，状态更新：根据一致性处理的结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。

【技术特征摘要】
1.一种面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，包括以下步骤：步骤一，构建地面移动目标运动模型和无人机机载传感器测量模型；步骤二，采用平方根容积信息滤波，估计地面移动目标位置：基于地面移动目标运动模型获得信息矩阵和信息向量，基于无人机机载传感器测量模型获得信息向量增量和信息增量矩阵；步骤三，一致性算法：基于无人机的通信拓扑结构，分别对获得的信息矩阵、信息向量、信息增量矩阵、信息向量增量进行一致性处理；步骤四，状态更新：根据一致性处理的结果，计算地面移动目标状态向量的估计值，更新估计误差协方差矩阵。2.根据权利要求1所述的面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，步骤一中所述地面移动目标运动模型为：其中，xt,yt,分别表示地面移动目标x,y方向的位置、速度、加速度；α为模型参数，ω(t)表示过程噪声，其协方差矩阵为：其中，σa是与目标加速度有关的标准差参数；所述地面移动目标运动模型的离散形式为：其中，I是单位矩阵，Ts是采样时间，k表示k时刻，3.根据权利要求1所述的面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，步骤一中所述无人机机载传感器测量模型为：其中，rk,φk,分别为k时刻无人机机载传感器与地面移动目标间的距离、水平方位角及俯仰角，xk,yk,hk表示k时刻无人机机载传感器的水平位置和高度，vk表示测量噪声，其协方差矩阵为：其中，分别表示距离、水平方位角及俯仰角三个测量值的噪声参数。4.根据权利要求1所述的面向无人机机载移动传感器网络的一致性信息滤波算法，其特征在于，步骤二中所述平方根容积信息滤波的具体过程为：A：预测更新首先，取2n个加权相同的对称的容积点：其中，n是地面移动目标状态量的维数，Sx,k-1|k-1为Pk-1|k-1的平方根，Pk-1|k-1是k-1时刻的估计误差协方差矩阵，为k-1时刻地面移动目标状态的最优估计值，ξi的取值如下：

【专利技术属性】
技术研发人员：胡超芳，陶晔，曹磊，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12