一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法及系统技术方案

本发明专利技术一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法及系统，涉及无人机定位技术领域，为解决现有的卡尔曼滤波针对大型无人机群协同定位，存在扩展性和灵活性低，且算法复杂度高的问题。包括如下步骤：S1、对目标从无人机i在t

【技术实现步骤摘要】
一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法及系统


[0001]本专利技术涉及无人机定位
，具体而言，涉及一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法及系统。

技术介绍

[0002]无人机(Unmanned Aerial Vehicle，UAV)作为无人系统的重要组成部分，近些年来受到广泛关注，而无人机群是未来的发展方向之一。在无人机集群飞行的过程中，无人机相互之间的位置非常重要，但是仅依靠传统的机载导航设备可能会存在误差漂移，而且整个无人机群的成本将会大大增加，这对于无人机群的定位精度和系统的可靠性提出了很高的要求。目前无人机群协同定位算法中常用的信息融合手段为卡尔曼滤波。但针对大型无人机群协同定位问题，目前的算法大都存在扩展性和灵活性低，且算法复杂度高的问题。并且对于大型的无人机群，如果只有一个主无人机，那么系统主无人机失效时的产生的代价将会非常大，系统的可靠性非常低。因此对于大型的无人机群，对系统的可靠性提出了更高的要求。

技术实现思路

[0003]本专利技术要解决的技术问题是：
[0004]现有的卡尔曼滤波针对大型无人机群协同定位，存在扩展性和灵活性低，且算法复杂度高的问题。
[0005]本专利技术为解决上述技术问题所采用的技术方案：
[0006]本专利技术提供了一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法，包括如下步骤：
[0007]S1、对目标从无人机i在t
‑
1时刻的状态值和协方差矩阵进行初始化；
[0008]S2、构建状态方程，计算状态估计值；
[0009]S3、计算目标从无人机i与主无人机层的主无人机j之间的量测值
[0010]S4、计算误差协方差矩阵估计
[0011]S5、计算目标从无人机i的系统增益矩阵
[0012]S6、对状态估计值及误差协方差矩阵进行更新。
[0013]进一步地，S1中所述无人机的状态值包括：无人机的位置、速度、加速度，即
[0014]x＝[x y z v
x v
y v
z a
x a
y a
z
]T
[0015]其中，x、y和z分别表示无人机沿x轴方向、y轴方向和z轴方向的位置信息，分别表示无人机沿x轴方向、y轴方向和z轴方向的速度信息，分别表示无人机沿x轴方向、y轴方向和z轴方向的加速度信息。
[0016]进一步地，S2中构建状态方程为：
[0017][0018]其中，为从无人机i在t时刻的估计值，Q
ij
为系统噪声，且为零均值高斯白噪声，F为系统的状态转移矩阵，在MATLAB仿真中获取：
[0019][0020]进一步地，计算目标从无人机i与主无人机层的主无人机j之间的量测值的公式为：
[0021][0022]其中V
ij
为量测噪声，且为零均值高斯白噪声，为系统观测方程的雅可比矩阵，为：
[0023][0024]式中为目标从无人机i与主无人机j之间的量测方程。
[0025]进一步地，S4中计算误差协方差矩阵估计的公式为：
[0026][0027]进一步地，S5中计算目标从无人机i的系统增益矩阵的计算公式为：
[0028][0029]其中N
i
表示目标从无人机i的可通信邻居主无人机的集合。
[0030]进一步地，S6对状态估计值进行更新的计算公式为：
[0031][0032]其中为根据当前目标从无人机i状态估计值得到的目标从无人机i与主无人机j之间的量测信息估计值：
[0033][0034]对误差协方差矩阵进行更新的计算公式为：
[0035][0036]一种基于分层式扩展卡尔曼滤波的无人机群协同定位系统，该系统具有与上述技
术方案中任一项的步骤对应的程序模块，运行时执行上述的基于分层式扩展卡尔曼滤波的无人机群协同定位方法中的步骤。
[0037]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序配置为由处理器调用时实现上述技术方案中任一项所述的基于分层式扩展卡尔曼滤波的无人机群协同定位方法的步骤。
[0038]相较于现有技术，本专利技术的有益效果是：
[0039]本专利技术一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法及系统，为了兼顾定位精度、定位效率及系统的扩展性，根据定位精度将无人机群分为高精度的主无人机层和低精度的从无人机层，在传统的扩展卡尔曼滤波算法的基础上，融合了主无人机的高精度信息，对低精度的从无人机进行了修正。
[0040]本专利技术可利用无人机上自身传感器及与其他无人机的相对信息，快速计算无人机的位置、速度及加速度信息，将无人机自身的低精度信息进行提高。
[0041]本专利技术计算量小、实时性高、收敛速度快。融合了多个传感器的信息，提高了系统的稳定性，并且能够降低系统对传感器测量精度的要求，降低了系统的成本，并且在同等传感器精度情况下，能够提供更高精度的无人机位置信息。
附图说明
[0042]图1为本专利技术实施例中一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法的流程图；
[0043]图2为本专利技术实施例中的分层式无人机群飞行轨迹仿真图；
[0044]图3为本专利技术实施例中的各算法误差对比图；
[0045]图4为本专利技术实施例中的不同相对测距精度下从无人机的均方根位置误差图；
[0046]图5为本专利技术实施例中的均方根位置误差与相对测距精度之间的关系图；
[0047]图6为本专利技术实施例中的不同相对测角精度下从无人机的均方根位置误差图；
[0048]图7为本专利技术实施例中的均方根位置误差与相对测角精度之间的关系图。
具体实施方式
[0049]在本专利技术的描述中，应当说明的是，在本专利技术的实施例中所提到的术语“第一”、“第二”、“第三”仅用于描述目的，并不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者多个该特征。
[0050]为使本专利技术的上述目的、特征和优点能够更为明显易懂，下面结合附图对本专利技术的具体实施例做详细的说明。
[0051]如图1所示，本专利技术提供一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法，假设系统中主无人机层有n架主无人机，从无人机层有m架从无人机。包括如下步骤：
[0052]S1、对目标从无人机i在t
‑
1时刻的状态值和协方差矩阵进行初始化；
[0053]S2、构建状态方程，计算状态估计值；
[0054]S3、计算目标从无人机i与主无人机层的主无人机j之间的量测值
[0055]S4、计算误差协方差矩阵估计
[0056]S5、计算目标从无人机i的系统增益矩阵
[0057]S6、对状态估计值及误差协方差矩阵进行更新。
[0058本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层式扩展卡尔曼滤波的无人机群协同定位方法，其特征在于，包括如下步骤：S1、对目标从无人机i在t
‑
1时刻的状态值和协方差矩阵进行初始化；S2、构建状态方程，计算状态估计值；S3、计算目标从无人机i与主无人机层的主无人机j之间的量测值S4、计算误差协方差矩阵估计S5、计算目标从无人机i的系统增益矩阵S6、对状态估计值及误差协方差矩阵进行更新。2.根据权利要求1所述的基于分层式扩展卡尔曼滤波的无人机群协同定位方法，其特征在于，S1中所述无人机的状态值包括：无人机的位置、速度、加速度，即x＝[x y z v
x v
y v
z a
x a
y a
z
]
T
其中，x、y和z分别表示无人机沿x轴方向、y轴方向和z轴方向的位置信息，分别表示无人机沿x轴方向、y轴方向和z轴方向的速度信息，分别表示无人机沿x轴方向、y轴方向和z轴方向的加速度信息。3.根据权利要求2所述的基于分层式扩展卡尔曼滤波的无人机群协同定位方法，其特征在于，S2中构建状态方程为：其中，为从无人机i在t时刻的估计值，Q
ij
为系统噪声，且为零均值高斯白噪声，F为系统的状态转移矩阵，在MATLAB仿真中获取：4.根据权利要求3所述的基于分层式扩展卡尔曼滤波的无人机群协同定位方法，其特征在于，S3...

【专利技术属性】
技术研发人员：罗清华，杨可欣，贾广乐，焉晓贞，王晨旭，周志权，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：