英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
威胁环境下自主无人机针对离散分布多目标方位跟踪的在线路径规划
HAO JIANG1，YUEQIAN LIANG
摘 要 本文针对多个固定翼自主无人机（UAV），在威胁环境下和特定的防区距离内，跟踪多个非合作和高灵活地面目标的问题展开研究，并考虑了两种威胁，和方位跟踪传感器漏检的情况。提出了平均非线性最小二乘法的估算方法，利用噪声测量来获取目标的位置，然后通过时间的二次函数逼近目标的轨迹。根据任务分配结果，创建与UAV相同数量的虚拟目标，以实现多个UAV协作的最佳几何布局。并建立了基于案例的指导方法，最终实现对多个离散目标的在线跟踪任务，并采用仿真实验评估所提出的方法。
关键词 离散目标跟随，自主系统，路径规划，威胁环境，问题
1 引言
近几十年来，无人驾驶飞行器（UAV）已被广泛用于协助和替换人类，以完成涉及民用、军用领域的困难和具有风险的各种工作。由于其可靠性和持久性，多个低成本UAV通常被分组，协同执行指定任务，并借助无人机系统的自主性，系统以安全有效的且无需任何人为干预的方式，检测内部和外部变化以及响应的能力[1]-[4]。
最优路径规划始终是无人机系统执行目标搜索和探索[5]-[8]、战略/战术侦察[9]，[10]，车队保护[11]，[12]、目标定位[13]-[15]，等任务中无法避免的考虑因素。目标搜索和探索要求无人机系统在任务结束时，最大化检测某些未知数目目标的概率，或在任务期间，等效地保证检测目标数量最大化[5]-[7]，并在最短时间内找到有界区域内的某些目标[8]等。多主体协同战术侦察[9]被描述为最优控制问题，其采用Fisher信息矩阵（FIM）作为风险区域的成本耗费和终点约束，然后以后退的方式从数值上解决问题，结果显示三角测量和范围减小在不同情况下如何实现互换。为了防止合作的地面运输体（地面车辆或船只）被隐藏的力量伏击或攻击，可以形成多个无人机群，在其周围环境巡航以提供车队保护[11],[12]。在[13]- [15]中显示，检测目标的传感器的几何配置，可以显著影响目标定位算法的性能。Martiacute;nez和Bullo提出了一个运动协调算法来控制移动传感器网络，来实现它们之间的的最佳部署[13]。任何无偏差估算下界的最小化，即众所周知的Crameacute;r-Rao下界（CRLB），是实现FIM最大化的决定因素。其被选为[14]中的最优性标准，以确定使用范围、到达时间或方位跟踪传感器时，多个相同传感器平台的最佳配置。从中得出了一些有意义的结果：当传感器数量超过某个值时，存在无限多个最优配置，并且关于目标的相等角度间距并不总是最佳配置等。多个合成的无源传感器的最佳几何结构也将被研究[15]。
最佳路径规划方案大致可分为两类。第一个是空间配置方法，它取决于任务空间的分解，由空间元件分解方法[16]，路线图方法[17]，[18]，人工潜能方法[19]，[20]等组成。第二个是演化方法[21]，[22]，它采用各种进化方法，如遗传算法（GA），粒子群优化（PSO），蚁群优化（ACO），模拟退火（SA）等，以解决最优规划的问题。详细的路径规划方案可以在书[23]和调查论文[24]，[25]及其参考文献中找到。
使用无人机系统的目标跟随任务也很大程度上依赖于最优路径规划[1]，[2]，[11]，[26]- [28]。如果所跟踪的地面目标没有受到威胁，无人机可以直接在目标上方飞行[1]，[26]，[27]，否则无人机必须保持一定的安全间隔距离[2]，[11]，[28]。在[1]和[27]中讨论了一个目标存在的威胁，障碍和限制区域问题。引入威胁暴露概率图（PTEM），在单个框架中定义各种类型的威胁，并且开发基于规则的智能引导算法，用于目标的实时跟踪。在[2]，[11]和[28]中研究了协调额下的离散目标跟踪，并且使用Lyapunov引导向量场来保持无人机系统的圆形轨道，以确保在规定的防区半径范围内围绕移动目标，并且同时保持无人机之间的矩形间距。
本文讨论了在存在威胁和检测遗漏的情况下，使用自主UAV群，在远距离跟踪多个非协作地面目标的问题，并提出了估算和预测目标位置的方法。然后为每个无人机分配一个目标，最后指导无人机完成后续任务。主要贡献有三个方面。首先基于不了解非合作环境下的目标运动模型，提出了平均非线性最小二乘估算方法（ANLSE），以便在每个采样时刻从感知测量中定位目标，然后利用这种定位来更新目标近似轨迹参数，同时轨迹是时间的二次函数，也可用于预测近期的目标轨迹。其次考虑到文献中目标跟踪传感器最佳几何配置的好处，引入了与无人机相同数量的虚拟目标，并尝试将无人机“最优地”部署到目标周围。最后也是最重要的贡献是，设计了一种基于案例的无人机协同跟踪目标的引导方法，与前面提到的路径规划方法相比，虽然规划路径不是最优路径，但计算成本很小，因为该方法是通过4个案例分析得到的解决方案。
文章其他内容的结构如下。下一章节节，说明目标跟踪问题；然后第三章节提出解决问题的方法，该方法包括六个步骤；在第四章节进行仿真模拟实验，以说明所提方法的成效。然后在最后章节中给出了一些结论性的评论。
2 跟踪问题描述
一个跟踪问题的示例如图1场景所示。
图1.山脉、两个目标、三个威胁和五个无人机构成的多目标跟随问题示例
多个分散目标正在所监视区域中移动，其中可能存在不同类型的安全威胁（例如，山丘，防空）。多个自主UAV被命令作为一个团队跟踪这些目标。考虑到这些目标可能对无人机造成威胁，这些无人机应该避开并与目标保持一定距离。由于目标的离散分布，无人机必须在目标做出自己的运动决策之前，预测目标的运动。在本章的其余部分将阐述无人机的威胁环境、设备、跟踪能力以及收集目标信息的模型。
2.1 建立威胁模型
在本文中，所有障碍物和不能进入的限制区域，如山脉，高层建筑和一些禁飞区等，都被称为“硬威胁”。
它们都具有一定的形状和大小，选择包含这种硬威胁的足够小的椭球体来模拟这种严重的威胁。每个椭球可以由其中心和其形状矩阵定义，其中是3D空间中的点，gt; 0是3times;3正定矩阵。并且该椭球的方程为，其中表示3D 空间中UAV位置。定义以下碰撞函数，
(1)
可以很容易地看出，不允许无人机进入硬威胁等同于。
备注1：在本文中，“形状矩阵”为决定了椭球的形状的矩阵中的元素。例如，让从向量创建对角矩阵，如果，那么椭球实际上是一个球体。如果，那么椭圆体的三个轴平行于坐标轴。如果的非对角线元素不为0，则椭圆体的三个轴与坐标系的轴之间存在非零角度。
假设这里考虑的监视区域中存在非连续硬威胁，并且对于，由表示。对应于第个硬威胁的碰撞函数是。
在3D空间中，确定每个硬威胁的和可能并不容易，因此本文给出了硬威胁的2D描述，这在无人机处于持续飞行时非常方便的。对于第个硬威胁，可由中心位于和由定义的形状的椭圆，用作高度处的硬威胁模型。注意，关于高度的这两个函数分别是2D向量和2times;2半正定矩阵，这意味着当时，即当超过第个3D硬威胁的高度时，不需要避免硬威胁。然后可以将与高度处的相关的碰撞函数表示为，
（2）
其中是UAV的水平位置。
基于所定义的硬威胁模型，位置处的无人机需要满足，高度变化和高度不变情况下的。
另一种威胁涉及防空，例如地对空导弹和防空炮。这些威胁与无人机没有碰撞风险，如果可能的话，需要尽可能避免。因此将此类威胁命名为“软威胁”。
在整个任务中都需考虑了软威胁。针对在高度处UAV的第次软威胁的威胁值，建立以下威胁函数模型，
（3）
其中是与高度相关的威胁强度，可以解释为第个软威胁的位置，而是相应的威胁范围。函数也可以被认为是位于的UAV被第个软威胁击中或破坏的事件的概率。如果不考虑不同海拔高度的威胁强度的差异，例如，当无人机飞行的海拔高度差别不是太大时，可以设置为1.位置处的所有软威胁的总威胁是，
（4）
总体威胁值需要很小，以使无人机尽可能远离软威胁。
2.1 雇佣的无人机
考虑到飞行距离、速度和可靠性优于旋翼机，固定翼无人机更广泛地用于目标监视和跟踪任务。因此，本文也将它们用作多目标跟踪的传感器平台。
每架无人机都带有一个全球定位系统（GPS）接收器，用于定位自己的位置，减少导航错误。每个无人机上安装一个跟踪方位的传感器，并且在任务开始时所有传感器都已同步。无人机配备了低空飞行控制系统，可以提供飞机的侧倾，俯仰和偏航稳定性以及速度跟踪和高度保持功能[11]，显式速度，转弯率和爬升率可用作控制输入。选择其中一个UAV（这里是UAV 1）作为处理中心，其可以处理各种数据（例如，从其他UAV接收的方位测量值），然后通过通信与其他UAV共享结果。此处不限制通信范围，因为这可以通过额外的通信中继来解决。
地表目标的可操作性优于大多数固定翼无人机，因为它们可以在没有最小速度和相对大的转弯半径限制的情况下非常快速地停止和转向。无人机的运动学模型给出为以下，
（5）
其中，是用于目标跟随的无人机的数量，是无人机的航向角，三个控制变量，和分别是指定的风速，转弯速率和爬升率，表示为。在整个任务期间没有环境的风。这些命令变量和加速度的约束如下所示，
（6）
（7）
（8）
（9）
每个无人机都可以被建模为移动的硬威胁，以避免两个无人机之间可能发生的碰撞。通常可以为UAV定义半径为的安全球，以避免碰撞。与UAV 和相关的碰撞函数可以表示为
（10）
它要求来确保无人机和的安全性。 如果无人机在任务期间都保持高度不变，这可以通过爬升率的简单比例反馈控制来实现，，其中是比例增益，是所需高度。通过让不同的无人机在不同的高度飞行，以避免碰撞。
2.3 传感器测量
假设在任务启动时已经识别出个目标。如果考虑为理想的检测并且没有杂波，则从UAV到目标的噪声方位角度可以是为，
（11）
其中，，和是从传感器到目标的两个被测量的方位角度，即方位角和仰角。和是相应的测量噪声，假设在不同的传感器之间相互独立，并为高斯分布具有零均值和方差和。是四象限反正切函数。和分别用于表示传感器和目标的位置。
传感器检测在实践中证明是不理想的，通常称为漏检。这种不理想情况可能由地貌特征、局部天气、遮挡甚至传感器类型引起，并且通常以传感器检测概率为表征。在本文中，传感器、的检测概率被假定为与传感器检测目标的范围有关，并且如果从无人机到目标的视线被地形阻挡，检测概率则减小到零。具体地，检测概率被定义为
（12）
在两个量通过运算，表示传感器和位于的发射源之间的范围，是表征传感器检测能力的参考范围。
3 方法
在本节中，详细阐述了使用自主UAV完成间距多目标方位跟踪任务的方法。该方法由6个步骤组成，分别实现数据关联，目标状态估计，目标轨迹预测，任务分配，无人机合作和无人机引导功能。整个任务的解决方案如图2所示，
图2.整个多目标任务的解决方案图
3.1 步骤1：用于数据的关联顺序2D分配方法
错过检测和多个目标的存在会引起数据关联问题，这需要我们确定每个传感器测量的发射起点[29]，[30]。
假设任务在时间开始，在结束，并且传感器可以每秒获得方位测量。我们将传感器在当前时间收集的测量值表示为，
（13）
其中引入虚拟测量来表示错过的检测。也就是说，由于如前所述的不理想检测，传感器未检测到与相关联的目标。是传感器接收返回的非虚拟目标实际数量。我们进一步表示测量的S元组，，其由来自每个传感器，如，仅一个测量（虚拟或非虚拟）组成。
假设每个测量仅来自一个源并且每个传感器从每个目标获得至多一个测量，这里的数据关联问题可以表述为广义多维分配（MDA）问题[31]，[32]。
当时，广义MDA问题是一个众所周知的NP难问题，并且可以通过首先使用拉格朗日乘数将原始问题成功转化到二维分配问题来获得其次优解，后者可以通过以下方式得到最优解，例如拍卖方法[33]，然后一个接一个地执行约束并同时更新拉格朗日乘数，直到所有的约束被添加[29]，[30]。这个过程一直持续到原始成本和双重成本之间的差距足够小，这表明获得了次优解决方案。
这里应用[32]中给出的近似顺序2D分配方法来解决数据关联问题，而不是多维方法[29]，[30]。
3.2 第2步：估算的弊端
在关联之后，每个目标与S元组测量相关联。如果在该S元组测量中包括至少两个有效（非虚拟）测量，则可以通过以下ANLSE方法估计目标的当前位置为。
假设非虚拟测量值在中，它们可以形成非虚数元组测量，
（14）
将这些非虚拟测
全文共19389字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1550]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
