【技术实现步骤摘要】
本专利技术涉及定位滤波算法领域，具体涉及的是一种基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法。
技术介绍
1、在经济成本效益、机动性、时效性和适应性方面表现出色的无人机技术，经历了快速的技术迭代发展，并在多个领域获得了广泛的应用。伴随着机载光电系统的普及，无人机在实施目标侦测、追踪及定位方面展现出巨大的潜力，尤其是在精确获取目标位置信息和运动特征方面，已引起许多行业的兴趣。当前，无人机展现出广泛的应用潜力，涵盖了场地监控、气象侦测、道路巡查、地质探索、水灾监测、航空摄影、交通管控、电力设施检查以及森林防火等多个领域。
2、机载光电平台构成了无人机执行任务的核心组件，其通过集成的光电系统和光电传感器技术，能够对地面以及空中的多种目标进行精确的侦测和定位。随着光电技术及数字化技术的持续进步，在机载系统的小型化与高度集成化趋势推动下，预期无人机搭载的光电系统性能将显著提升。这一进步预示着探测范围的显著扩大、灵敏度与分辨率的提高，以及系统质量与体积的进一步减小，这些因素共同为实现无人机目标的高精度定位提供了坚实的硬件支持。
3、通过机载侦察系统，可获得包括飞行姿态（俯仰、侧倾、航向角）、成像系统的方位、仰俯角度及传感器的焦距等参数，然而，这些数据并不足以直接确定目标的精确地理位置。为了解析目标在地理坐标系中的三维位置，必须获取该时刻无人机的飞行姿态数据、全球定位系统（gps）坐标以及机载光电平台的视轴方位等关键信息。接着，通过一系列的坐标转换过程，可以计算得到目标的三维空间位置。基于无人机搭载光电平台的目标
4、目标无源定位方法的优劣，核心是目标地理位置估计算法的设计。目标定位的复杂性主要由于传感器精度、测量工具、负载承载平台的稳定性、航空器的导航精度以及定位准确性的多重因素共同作用所致。在目标地理位置的精确估计方法方面，国际研究者广泛关注于多种滤波技术，包括卡尔曼滤波（kalman filter, kf）、扩展卡尔曼滤波（extendedkalman filter, ekf）、容积卡尔曼滤波（cubature kalman filter, ckf）、无迹卡尔曼滤波（unscented kalman filter, ukf）和粒子滤波（particle filter, pf）算法。例如，luo及其同事开发的三级ekf算法，通过建立目标横向位置与其相对高度的几何联系，显著增强了定位精确度。xu等人采用数字高度模型大致预测目标起始位置，随后应用ckf算法细化位置估计，特别是在复杂地形中提升了地面目标的定位准确性。进一步，唐大全等人通过迭代ukf算法对地面目标进行定位，有效克服了跟踪速度缓慢和滤波分散的难题。
5、然而，ekf、ukf和ckf算法需要合理地设置系统噪声矩阵和观测噪声来抑制系统的噪声，一般通过大量的试验来进行标定，而且需要将其设置为固定值。其次，当飞机运行工况的变化导致光电系统存在非线性扰动时，会产生随着时间变化、不具有恒定统计特性的时变噪声。时变噪声主要分为两种：一种是渐变噪声，其统计特性在较长的时间内缓慢变化；另一种是突变噪声，通常由飞行条件的急剧变化引起，在短时间内统计特性发生急速变化。上述这些算法无法自适应地调整其参数来处理包含时变特性的噪声，难以适应无人机飞行过程中变化的工作环境，从而导致光电系统目标定位精度下降。
技术实现思路
1、本专利技术要解决的技术问题是针对以上问题和要求，提供一种基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法。
2、为解决以上技术问题，本专利技术采用以下技术方案：
3、基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于,包括以下步骤：
4、步骤1、确定目标点在大地坐标系中的初始位置，并确定坐标系统状态向量初值和误差协方差矩阵初值；
5、步骤2、根据上一时刻目标的位置先验值，对目标进行实时定位更新，求解t时刻目标的状态估计值向量时，对t-1时刻的系统状态向量中的元素及其均值和协方差采样，生成n+1个采样点集合；
6、步骤3、通过状态变换获得t-1时刻系统状态的后验估计，具体公式为：
7、；
8、式中，为第 i个采样点时刻由时刻状态更新后的系统状态向量，是 t-1时刻的系统过程噪声；为状态变换函数；
9、对状态函数均值和方差进行加权处理，获得t时刻系统状态量的加权均值和加权协方差矩阵：
10、
11、；
12、式中，为由加权均值组成的系统状态量均值向量；为 t时刻的过程噪声的协方差矩阵，为第i个采样点的权重；
13、步骤4、对t时刻系统状态量进行变换后，对第 i个采样点的观测值进行加权变换，获得系统观测均值向量，其中各元素的计算公式为：
14、；
15、其中，为 非线性观测函数；
16、步骤5、利用新息向量对状态量的均值矩阵和协方差矩阵进行更新：
17、；
18、；
19、；
20、；
21、；
22、式中，为实际观测向量，计算机视觉技术对目标进行图像跟踪获得；为观测噪声；为观测量的加权协方差矩阵；为状态量和观测量的加权协方差矩阵；为时刻的卡尔曼增益矩阵；为更新后的系统状态量的估计向量；为更新后的系统状态量的估计协方差矩阵；
23、步骤5、计算动态残差：
24、；
25、；
26、；
27、；
28、；
29、式中，为系统状态矩阵，由状态量估计均值向量和观测量矩阵组成；为系统观测状态转移矩阵，由观测矩阵和单位矩阵组成，是非线性观测函数的雅可比矩阵；为系统噪声矩阵，由过程噪声矩阵和系统状态量的估计协方差矩阵组成；为中间变量；为t时刻的动态残差；
30、步骤6、鲁棒性处理：
31、计算自适应比例因子
32、
33、式中，为的等价权矩阵；i和j为比例因子的计算上限和下限；
34、利用抗差估计理论对状态量的估计值与估计协方差进行鲁棒性处理，得到 t时刻的最终状态估计值向量：
35、；
36、；
37、式中，为 t时刻经鲁棒性处理的最终状态估计值向量，能用于下一时刻的目标的系统状态迭代估计；为 t时刻的最终系统估计值协方差矩阵，经过鲁棒性处理的会在时刻对状态估计值进行修正。
38、进一步的，步骤1中，
39、式中，、、分别为光电平台系统在l坐标、本文档来自技高网...
【技术保护点】
1.基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于,包括以下步骤：
2.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于，步骤1中，
3.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于，步骤2中的具体采样过程如下：
4.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于，步骤3中状态变换函数的公式为：
5.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于, h(·)为光电平台观测的非线性函数，h(x)的具体公式为：
【技术特征摘要】
1.基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于,包括以下步骤：
2.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于，步骤1中，
3.根据权利要求1所述的基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法，其特征在于，步骤2中的具体...
【专利技术属性】
技术研发人员：闫啸家，孙世岩，朱惠民，胡清平，应文健，
申请(专利权)人：中国人民解放军海军工程大学，
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。