无人机地面移动目标跟踪方法技术

无人机地面移动目标跟踪方法，解决了无人机的视觉传感器常受到时变协方差以及野值等非高斯噪声的干扰问题，属于目标跟踪领域。本发明专利技术包括：S1、建立地面移动目标状态方程；S2、建立无人机的测量方程；S3、根据目标状态方程、无人机的测量方程及k

【技术实现步骤摘要】
无人机地面移动目标跟踪方法


[0001]本专利技术涉及一种基于自适应鲁棒容积信息滤波的无人机地面移动目标跟踪方法，属于目标跟踪领域。

技术介绍

[0002]近年来，无人机(Unmanned Aerial Vehicle,UAV)跟踪技术以其有其独特的特点，即低空、小尺寸、慢速度受到了广泛的关注。在小型无人机探测跟踪方面，视觉传感器以其成本、隐蔽性和减少频谱符合性等方面的优势，正变得越来越有吸引力。此外，PS网络可以提高无人机探测的可能性和无人机跟踪的准确性。
[0003]目标跟踪与地面监视是视觉无人机的重要应用，在其中高斯分布经常被用来表示传感器噪声的统计特性。常见的用于目标跟踪的滤波器有以下几种，扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)、高斯厄尔米特滤波器(GHQF)、容积卡尔曼滤波器(CKF)。CKF在数值稳定性和计算效率等方面都优于上述几种非线性高斯滤波器，其等价形式为容积卡尔曼信息滤波器(CIF)。以上几种滤波器都是基于概率密度函数为高斯分布的假设而提出的。因此，这些滤波器只在高斯噪声下表现良好，然而，实际上视觉传感器容易受到多种因素干扰(例如通信带宽受限、背景杂乱、外观变化、目标遮挡、光照改变)，这导致视觉传感器量测总是被非高斯分布的噪声所破坏，非高斯分布噪声主要指的是噪声统计特性是不确定的(协方差是时变的)并且伴随着野值。
[0004]因此在实际应用中视觉传感器的量测噪声往往呈现出非高斯分布，在时变协方差和野值的非高斯噪声干扰情况下，以上几种常见的高斯滤波器性能会发生严重退化。为了提升视觉无人机目标跟踪在时变协方差和野值的非高斯噪声下的状态估计精度，需要开发一种自适应性强鲁棒性好的非线性滤波器。

技术实现思路

[0005]针对无人机的视觉传感器常受到时变协方差以及野值等非高斯噪声的干扰问题，本专利技术提供一种适应性强鲁棒性好的无人机地面移动目标跟踪方法。
[0006]本专利技术的一种无人机地面移动目标跟踪方法，包括：
[0007]S1、建立地面移动目标状态方程；
[0008]S2、建立无人机的测量方程；
[0009]S3、根据目标状态方程、无人机的测量方程及k
‑
1时刻的状态向量值，利用自适应鲁棒容积卡尔曼信息滤波对测量方程进行时间更新和量测更新，获得k时刻状态向量的估计值及其协方差矩阵，在量测更新过程中，利用动态协方差标度鲁棒方法将求取量测估计值的问题转化为线性回归模型，并利用高斯牛顿迭代方法求解线性回归模型，采用变分贝叶斯方法更新量测噪声协方差。
[0010]作为优选，所述k时刻状态向量的估计值为：
[0011][0012]上标j表示高斯牛顿迭代方法的迭代次数；
[0013]其中，表示k时刻第j
‑
1次迭代的状态转移矩阵，
[0014]H
k
为量测矩阵；
[0015]表示k时刻第j
‑
1次迭代的增广矩阵，
[0016]P
k|k
‑1表示时间更新得到的k时刻的状态向量预测值的协方差矩阵；
[0017]表示量测噪声协方差；
[0018]权重矩阵ρ(ξ
(j
‑
1)
)
′
为ρ(ξ
(j
‑
1)
)的导数；
[0019]动态协方差标度鲁棒核函数
[0020]τ是调谐参数，表示k时刻第j
‑
1次迭代状态向量的估计值，表示k时刻第j
‑
1次迭代的量测估计值；
[0021]表示k时刻第j
‑
1次迭代的量测修正值。
[0022]作为优选，k时刻的量测估计值：
[0023][0024][0025]表示k时刻量测修正值，表示量测估计值；
[0026]表示k时刻量测更新阶段中重新生成的sigma采样点，表示的权重，表示的预测量测，n表示状态向量的维数。
[0027]作为优选，k时刻第j次迭代的尺度矩阵为：
[0028][0029]k时刻第j次迭代的量测噪声协方差u
kk
＝u
kk
‑1+1，u
kk
表示k时刻自由度参数的更新值，u
kk
‑1表示时间更新阶段的预测值，m表示量测维度；u
kk
‑1＝λ(u
k
‑1‑
m
‑
1)+m+1，λ是满足0<λ≤1的遗忘参数，m表示量测维数，u
k
‑1表示k
‑
1时刻自由度参数；U
kk
‑1表示时间更新得到的k时刻尺度矩阵的预测值。
[0030]本专利技术的有益效果，本专利技术通过高斯牛顿方法将VB自适应和动态协方差标度鲁棒技术嵌入容积信息滤波器中统一两种策略的优势，继承了变分贝叶斯近似理论的自适应和动态协方差标度技术的鲁棒性；并且容积信息滤波形式进行状态估计，这意味着更低的计算负担、更高的计算效率。本专利技术的自适应性较强，具体来讲，时变量测噪声协方差被VB近
似理论自适应地跟踪，这可以使状态和协方差的后验联合分布达到最优，滤波算法具备比较强的自适应性；本专利技术的鲁棒性较强，利用动态协方差标度鲁棒技术修改CIF的更新步骤，这可以解决量测野值问题，在面对野值时表现出鲁棒性。仿真结果表面，与传统方法相比，本专利技术的估计方法(VB
‑
DCSCIF)精度比现有状态估计方法(如EKF、UKF、GHQF、CKF和CIF)估计精度高10％，比VB
‑
CIF和DCS
‑
CIF估计精度高5％。本专利技术使得无人机面对传感器受到时变协方差以及野值的非高斯噪声干扰时，对地面移动目标跟踪可以提供更加准确的状态估计，表现出自适应性和鲁棒性，可以满足视觉无人机对目标跟踪的任务需求。
附图说明
[0031]图1地面移动目标跟踪示意图；
[0032]图2为仿真场景；
[0033]图3位置估计误差曲线，纵坐标为位置估计误差，横坐标为时间；
[0034]图4速度估计误差曲线，纵坐标为速度估计误差，横坐标为时间；
[0035]图5不同像素下位置估计误差，纵坐标为位置估计误差，横坐标为像素；
[0036]图6不同像素下速度估计误差，纵坐标为速度估计误差，横坐标为像素；
[0037]图7不同扰动参数下位置估计误差，纵坐标为位置估计误差，横坐标为扰动参数；
[0038]图8不同扰动参数下速度估计误差，纵坐标为速度估计误差，横坐标为扰动参数。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.无人机地面移动目标跟踪方法，其特征在于，所述方法包括：S1、建立地面移动目标状态方程；S2、建立无人机的测量方程；S3、根据目标状态方程、无人机的测量方程及k
‑
1时刻的状态向量值，利用自适应鲁棒容积卡尔曼信息滤波对测量方程进行时间更新和量测更新，获得k时刻状态向量的估计值及其协方差矩阵，在量测更新过程中，利用动态协方差标度鲁棒方法将求取量测估计值的问题转化为线性回归模型，并利用高斯牛顿迭代方法求解线性回归模型，采用变分贝叶斯方法更新量测噪声协方差。2.根据权利要求1所述的无人机地面移动目标跟踪方法，其特征在于，所述k时刻状态向量的估计值为：上标j表示高斯牛顿迭代方法的迭代次数；其中，表示k时刻第j
‑
1次迭代的状态转移矩阵，H
k
为量测矩阵；表示k时刻第j
‑
1次迭代的增广矩阵，P
k|k
‑1表示时间更新得到的k时刻的状态向量预测值的协方差矩阵；表示量测噪声协方差；权重矩阵ρ(ξ
(j
‑
1)
)
′
为ρ(ξ
(j
‑
1)
)的导数；动态协方差标度鲁棒核函数τ是调谐参数，表示k时刻第j
‑
1次迭代状态向量的估计值，表示k时刻第j
‑
1次迭代的量测估计值；表示k时刻第j
‑
1次迭代的量测修正值。3.根据权利要求2所述的无人机地面移动目标跟踪方法，其特征在于，k时刻的量测估计值：计值：计值：表示k时刻量测修正值，表示量测估计值；表示k时刻量测更新阶段中重新生成的sigma采样点，表示的权重，表示的预测量测，n表示状态向量的维数。
4.根据权利要求3所述的无人机地面移动目标跟踪方法，其特征在于，k时刻第j次迭代的尺度矩阵为：k时刻第j次迭代的量测噪声协方差u
k|k
＝u
k|k
‑1+1，u
k|k
表示k时刻自由度参数的更新值，u
k|k
‑1表示时间更新阶段的预测值，m表示量测维度；u
k|k
‑1＝λ(u
k
‑1‑
m
‑
1)+m+1，λ是满足0<λ≤1的遗忘参数，m表示量测维数，u
k
‑1表示k
...

【专利技术属性】
技术研发人员：穆荣军，初彦峰，梁浩，张昊，匡东政，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：