无人机蜂群质心运动状态跟踪方法、系统、设备及介质技术方案

本发明专利技术公开一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质，涉及无人机跟踪领域，方法包括利用上一时刻无人机蜂群质心的状态估计误差协方差矩阵对机动滤波器进行初始化，利用当前时刻无人机蜂群质心位置的观测值和各个机动滤波器上一时刻的状态估计进行滤波确定各个机动滤波器当前时刻无人机蜂群质心状态估计和误差协方差矩阵；根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断，得到不同机动类型的比重权值；利用不同机动类型的比重权值根据各个机动滤波器当前时刻的状态估计和各个机动滤波器当前时刻的误差协方差矩阵进行加权相加，本发明专利技术能提高无人机蜂群质心运动状态的跟踪精度。精度。精度。

【技术实现步骤摘要】
无人机蜂群质心运动状态跟踪方法、系统、设备及介质


[0001]本专利技术涉及无人机跟踪领域，特别是涉及一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质。

技术介绍

[0002]随着无人机蜂群在军事上的广泛应用，反无人机群的需求日益增长。由于无人机蜂群的密集、机动特性，考虑到未来场景中超过104的无人机数量，目标在传感器中形成的量测易产生混叠，多目标跟踪方法难以形成每个目标的稳定航迹。并且，多目标跟踪方法也无法为观测者或者拦截系统提供无人机蜂群整体的运动状态或趋势。
[0003]近年来发展的群目标跟踪理论为跟踪无人机蜂群提供了相适应的框架。群目标跟踪是将接收到的量测依据特定准则划分成若干群之后，从群整体的视角，进行群的航迹关联与群状态的估计、预测。群的状态一般包含群质心的运动状态和群分布的外形状态。其中，群质心的运动状态能否跟踪准确，是跟踪系统、拦截系统能否发挥作用的关键因素。目前，针对这种非合作的无人机蜂群目标的群质心的运动状态跟踪成为了重点研究问题。
[0004]针对机动群目标的群质心运动状态跟踪的相关研究中，主要针对质心的运动建模和对运动状态的非线性滤波进行优化。
[0005]对于没有先验机动规律的群质心运动建模，目前的研究基于Singer模型、当前统计模型、Jerk模型和多模型算法展开讨论。Singer模型、当前统计模型、Jerk模型把所估计量在观测者的笛卡尔坐标系下的三个分量建模为互不相关的随机过程。但事实上，无人机蜂群的质心在机体运动坐标系下多个分量的控制量相互独立，转换到观测者坐标系下的三个分量不再相互独立，存在耦合关系。以往的建模方式具有模型误差，且受制于机动频率参数的预先设置，对于加速度变化剧烈、加速度动态范围大的群质心跟踪效果差。
[0006]多模型算法将群质心的运动建模为多种简单运动的组合，将多个运动模型对应的滤波结果加权后得到融合后的运动状态。这类算法跟踪效果受制于预先设定的模型是否完备，当运动模型的组合无法充分描述所有可能的机动，对群质心的跟踪将引入较大误差。并且，多模型算法对于突然变化的目标运动类型的估计具有延迟性，造成跟踪误差变大。对于频繁改变机动类型的无人机蜂群目标的跟踪，易积累较大的跟踪误差。

技术实现思路

[0007]本专利技术的目的是提供一种无人机蜂群质心运动状态跟踪方法、系统、设备及介质，可提高无人机蜂群质心运动状态的跟踪精度。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种无人机蜂群质心运动状态跟踪方法，包括：
[0010]获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值；
[0011]利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心
状态的误差协方差矩阵对机动滤波器进行初始化，得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵；
[0012]利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波，确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵；
[0013]根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断，得到不同机动类型的比重权值；不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数；
[0014]根据不同机动类型的比重权值，将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加，得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
[0015]可选地，利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波，确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵，具体包括：
[0016]根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程；
[0017]根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计；
[0018]根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。
[0019]可选地，根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断，得到不同机动类型的比重权值，具体包括：
[0020]根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取，得到速度、航迹俯仰角和航迹偏转角；所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计；
[0021]根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。
[0022]可选地，所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。
[0023]本专利技术还提供一种无人机蜂群质心运动状态跟踪系统，包括：
[0024]获取模块，用于获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值；
[0025]初始化模块，用于利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化，得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵；
[0026]滤波模块，用于利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上
一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波，确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵；
[0027]比重权值确定模块，用于根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断，得到不同机动类型的比重权值；不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数；
[0028]加权相加模块，用于根据不同机动类型的比重权值，将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加，得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。
[0029]可选地，滤波模块具体包括：
[0030]状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机蜂群质心运动状态跟踪方法，其特征在于，包括：获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心状态的误差协方差矩阵和当前时刻无人机蜂群质心位置的观测值；利用所述上一时刻无人机蜂群质心的状态估计和所述上一时刻无人机蜂群质心状态的误差协方差矩阵对机动滤波器进行初始化，得到各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵；利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波，确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵；根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断，得到不同机动类型的比重权值；不同所述机动类型用于确定无人机蜂群的法向负载、切向负载和滚转角的机动频率参数；根据不同机动类型的比重权值，将各个机动滤波器的当前时刻无人机蜂群质心的状态估计和各个机动滤波器的当前时刻无人机蜂群质心状态的误差协方差矩阵进行加权相加，得到当前时刻无人机蜂群的质心的运动状态估计和当前时刻无人机蜂群的质心状态的误差协方差矩阵。2.根据权利要求1所述的无人机蜂群质心运动状态跟踪方法，其特征在于，利用当前时刻无人机蜂群质心位置的观测值、各个机动滤波器上一时刻无人机蜂群质心的状态估计和各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵进行滤波，确定各个机动滤波器当前时刻无人机蜂群质心的状态估计和各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵，具体包括：根据所述当前时刻无人机蜂群质心位置的观测值确定状态传递方程；根据各个机动滤波器上一时刻无人机蜂群质心的状态估计和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心的状态估计；根据各个机动滤波器上一时刻无人机蜂群质心状态的误差协方差矩阵和所述状态传递方程确定各个机动滤波器当前时刻无人机蜂群质心状态的误差协方差矩阵。3.根据权利要求1所述的无人机蜂群质心运动状态跟踪方法，其特征在于，根据当前时刻无人机蜂群质心位置的观测值利用机动模型估计网络进行机动类型判断，得到不同机动类型的比重权值，具体包括：根据当前时刻无人机蜂群质心位置的观测值和历史时刻无人机蜂群质心的状态估计进行特征提取，得到速度、航迹俯仰角和航迹偏转角；所述历史时刻无人机蜂群质心的状态估计包括前四个时刻无人机蜂群质心的状态估计；根据所述速度、所述航迹俯仰角和所述航迹偏转角利用机动模型估计网络确定不同机动类型的比重权值。4.根据权利要求1所述的无人机蜂群质心运动状态跟踪方法，其特征在于，所述法向负载、所述切向负载和所述滚转角均采用一阶马尔科夫过程建模。5.一种无人机蜂群质心运动状态跟踪系统，其特征在于，包括：获取模块，用于获取上一时刻无人机蜂群质心的状态估计、上一时刻无人机蜂群质心
状态的误差协...

【专利技术属性】
技术研发人员：陈雨迪，焦义文，吴涛，马宏斌，武敏，滕飞，卢志伟，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：