【技术实现步骤摘要】
一种用于信息拒止环境下的无人机动态目标估计方法
[0001]本专利技术涉及无人机
,更具体地,涉及一种用于信息拒止环境下的无人机动态目标估计方法。
技术介绍
[0002]目标跟踪技术在各种应用中被广泛应用,如空中摄影、公共安全和人道主义搜索和救援。从不同传感器获得的噪声测量值中估计出目标的位置和速度是一个研究较为广泛的方向。由于无人机(UAV)出色的可操作性,在配备了到达角(AOA)传感器后,可被用于目标跟踪。通过解算三角几何问题配合滤波估计器,自身和目标的位置及速度可以从嘈杂的AOA测量数据中估计出来。此外,研究人员还提出了不同的估计算法,以便用非线性AOA测量值估计目标状态。例如,最大似然估计器(MLE)和伪线性估计器(PLE)作为经典的批处理滤波器,被用于从带有高斯噪声的AOA目标测量中估计目标位置及速度。基于卡尔曼的方法,被视为递归滤波器,则被更普遍地应用于目标跟踪领域。对于AOA目标跟踪,扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、伪线性卡尔曼滤波(PLKF)和容积卡尔曼滤波器(CKF)均有不同程度的应用。
[0003]现有研究表明,通过优化无人机飞行路径,使从测量中收集到的信息更加有效,可以显著提高目标跟踪性能。为提高目标估计精度,应设计一个成本函数用于无人机路径优化。常见的成本函数包括估计协方差矩阵和费雪信息矩阵(FIM)等。可采用各种算法优化成本函数,如基于梯度、穷举搜索和基于学习的方法。
[0004]在现有技术中,无人机的位置被假定为使用外部信息并且可以准确获取,例如全 ...
【技术保护点】
【技术特征摘要】
1.一种用于信息拒止环境下的无人机动态目标估计方法,包括以下步骤:获取三维角度信息,所述三维角度信息包括无人机到第一锚点的到达角、无人机到第二锚点的到达角以及无人机到目标的到达角;对于所述三维角度信息,利于拓展卡尔曼滤波器进行滤波,获得估计的无人机状态信息以及对应的状态协方差信息,所述无人机状态信息用于表征无人机的位置、速度以及目标的位置和速度;利用所述无人机状态信息和所述状态协方差信息构建损失函数,以优化无人机的飞行路径,实现对目标的观测。2.根据权利要求1所述的方法,其特征在于,对于所述三维角度信息,利于拓展卡尔曼滤波器进行滤波,获得估计的无人机状态信息以及对应的状态协方差信息包括:预测无人机的先验状态和协方差,表示为:X
k|k
‑1=FX
k
‑
1|k
‑1+m
k
P
k|k
‑1=FX
k
‑
1|k
‑1F
T
+Q
k
其中,X
k|k
‑1为基于k
‑
1时刻状态X
k
‑
1|k
‑1的先验估计,P
k|k
‑1为状态X
k|k
‑1的协方差矩阵,m
k
为过程噪声,Q
k
是m
k
的协方差矩阵,的协方差矩阵,x
uk
是无人机在x轴的位置,是无人机在x轴的速度分量,y
uk
是无人机在y轴的位置,是无人机在y轴的速度分量,x
pk
是目标在x轴的位置,是目标在x轴的速度分量,y
pk
是目标在y轴的位置,是目标在y轴的速度分量,F是状态转移矩阵;计算雅各比矩阵,表示为:H
k
=Jacobian(X
k|k
‑1,Z
k
)其中,Z
k
为k时刻观测到的三维角度信息,H
k
是3行8列的雅各比矩阵计算估计状态残差,表示为:其中,为残差,h(X
k|k
‑1)表示为:计算卡尔曼增益,表示为:计算卡尔曼增益,表示为:
其中,R
k
为测量噪声,S
k
是中间变量,K
k
为k时刻的卡尔曼增益;更新后验估计和协方差,作为估计的无人机状态信息以及对应的状态协方差信息,表示为:P
k|k
=(I
‑
K
k
H
k
)P
k|k
‑1其中,X
k|k
为后验估计状态,P
k|k
为后验协方差矩阵,I为8*8的单位矩阵,x
b1
是第一锚点的x轴坐标,y
b1
是第一锚点的y轴坐标,x
b2
是第二锚点的x轴坐标,y
b2
是第二锚点的y轴坐标,x
pk
是目标在k时刻的x轴坐标,y
pk
是目标在k时刻的y轴坐标,d
ub1
=||u
k
‑
...
【专利技术属性】
技术研发人员:徐升,朱兵,侯睿明,徐蓉蓉,徐天添,吴新宇,
申请(专利权)人:中国科学院深圳先进技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。