基于动态因子节点修剪的混合熵因子图协同定位方法

摘要: 本发明涉及多无人系统协同定位,具体而言,涉及基于动态因子节点修剪的混合熵因子图协同定位方法。背景技术:1、多无人系统协同定位技术是指通过多个无人平台之间的信息交...
基于动态因子节点修剪的混合熵因子图协同定位方法

本发明涉及多无人系统协同定位,具体而言,涉及基于动态因子节点修剪的混合熵因子图协同定位方法。

背景技术:

1、多无人系统协同定位技术是指通过多个无人平台之间的信息交互与融合,实现各平台精确位置估计的技术。在军事侦察、农业植保、交通监控、应急救援等领域,无人系统发挥着日益重要的作用。

2、在包含大量主无人系统的大规模协同定位场景中,传统的混合熵因子图协同定位方法对所有观测因子节点采取永久连接的策略。当存在大量远距离或因遮挡导致信号污染的低相关熵因子节点时,这些因子节点的相关熵权重虽然在数值上被压制至极小,但其因子节点在因子图拓扑结构上仍然保持与变量节点之间的连接关系,并持续参与每一轮迭代的信息矩阵构建与矩阵求逆运算。这些低质量因子节点的残差梯度方向可能与高置信度因子节点群的梯度方向缺乏一致性,其梯度方向在高置信度群体共识方向上的投影为负值。随着迭代次数的增加,定位精度随主节点数量增加而出现不升反降的现象,并且计算资源也被大量无效节点浪费。

3、因此,有必要提供基于动态因子节点修剪的混合熵因子图协同定位方法,旨在解决当前技术中无法消除低质量因子节点对定位精度造成不利影响的问题。

技术实现思路

1、鉴于此,本发明提出了基于动态因子节点修剪的混合熵因子图协同定位方法,旨在解决当前技术中无法消除低质量因子节点对定位精度造成不利影响的问题。

2、本发明提出了基于动态因子节点修剪的混合熵因子图协同定位方法,包括以下步骤:

3、s100、基于多无人系统的状态变量和观测约束建立因子图模型,并基于两个具有不同核带宽的高斯核函数凸组合构建多核混合相关熵代价函数;

4、s200、获取所述因子图模型中所有因子节点的相关熵代价函数计算结果,得到各所述因子节点的原始相关熵值;

5、s300、在当前迭代轮次中,确定每一所述因子节点的原始相关熵值的相关熵权重,基于各所述相关熵权重划分高置信度因子节点群,获取所述高置信度因子节点群的主梯度向量;基于各所述相关熵权重确定低质量候选因子节点,获取各所述低质量候选因子节点的待测梯度向量,基于所述主梯度向量与各待测梯度向量方向的一致化程度,得到各低质量候选因子节点是否为方向异常的判定结果;

6、s400、为所述低质量候选因子节点打上低质量标签,统计所述低质量候选因子节点的低质量标签数量,并剔除所述低质量候选因子节点以外的因子节点的低质量标签;

7、s500、分别基于各所述低质量候选因子节点是否为方向异常的判定结果和低质量标签数量,确定对应所述低质量候选因子节点是否需要被修剪,当确定需要被修剪时,将对应所述低质量候选因子节点剔除,得到修剪后的因子图模型;

8、s600、基于所述修剪后的因子图模型,以最大化混合相关熵为目标,通过和积算法迭代求解从无人系统的最优位置坐标。

9、进一步的,确定每一所述因子节点的原始相关熵值的相关熵权重时,包括:

10、以各原始相关熵值中最大的原始相关熵值为基准,对其余各所述因子节点的原始相关熵值进行归一化处理,得到各所述因子节点的相关熵权重。

11、进一步的,基于各所述相关熵权重划分高置信度因子节点群时,包括:

12、按各所述相关熵权重由大到小选取预设比例或预设数目对应的因子节点,得到所述高置信度因子节点群。

13、进一步的,获取所述高置信度因子节点群的主梯度向量时,包括:

14、分别获取所述高置信度因子节点群中各因子节点的残差对从无人系统位置状态变量的一阶偏导数,分别得到所述高置信度因子节点群中各因子节点的梯度方向向量;其中,

15、所述残差为所述高置信度因子节点群中各因子节点对应的观测约束与从无人系统当前位置状态估计的差值;

16、以所述高置信度因子节点群中各因子节点对应的相关熵权重作为加权系数,对各所述梯度方向向量进行加权求和,得到所述高置信度因子节点群的主梯度向量。

17、进一步的,基于各所述相关熵权重确定低质量候选因子节点时,包括:

18、当所述因子节点的相关熵权重小于预设相关熵权重阈值时,确定该因子节点为低质量候选因子点。

19、进一步的,获取各所述低质量候选因子节点的待测梯度向量时,包括:

20、分别获取所述各所述低质量候选因子节点的残差对从无人系统位置状态变量的一阶偏导数,得到各所述低质量候选因子节点的待测梯度方向向量;其中,

21、所述残差为所述各所述低质量候选因子节点对应的观测约束与从无人系统当前位置状态估计的差值。

22、进一步的,基于所述主梯度向量与各待测梯度向量方向的一致化程度,得到各低质量候选因子节点是否为方向异常的判定结果时,包括:

23、获取所述主梯度向量与各待测梯度向量夹角的余弦值;其中,

24、当所述余弦值为负时,确定对应所述低质量候选因子节点为方向异常;

25、当所述余弦值为非负时,确定对应所述低质量候选因子节点为非方向异常。

26、进一步的,分别基于各所述低质量候选因子节点是否为方向异常的判定结果和低质量标签数量,确定对应所述低质量候选因子节点是否需要被修剪时,包括:

27、当所述低质量候选因子节点为方向异常,且所述低质量候选因子节点的低质量标签数量大于或等于预设数量阈值时,确定对应所述低质量候选因子节点需要被修剪;

28、否则,确定对应所述低质量候选因子节点不需要被修剪。

29、进一步的,所述的基于动态因子节点修剪的混合熵因子图协同定位方法,还包括以下步骤:

30、s700、对被修剪的低质量候选因子节点进行质量验证,当被修剪的低质量候选因子节点的质量满足预设恢复条件时,在下一迭代轮次中,将对应被修剪的低质量候选因子节点重新接入所述修剪后的因子图模型中。

31、进一步的,对被修剪的低质量候选因子节点进行质量验证时,包括:

32、连续若干迭代轮次中,当被修剪的所述低质量候选因子节点的相关熵权重均大于预设相关熵权重恢复阈值时,确定对应被修剪的低质量候选因子节点的质量满足预设恢复条件;其中,

33、所述预设相关熵权重恢复阈值大于或等于预设相关熵权重阈值。

34、与现有技术相比,本发明的有益效果在于:基于多无人系统的状态变量和观测约束建立因子图模型,因子图模型的建立为系统状态变量与观测约束之间的关系提供了结构化的表示框架,使得各类信息源能够以节点形式接入系统。并基于两个具有不同核带宽的高斯核函数凸组合构建多核混合相关熵代价函数,两个不同核宽度的高斯核函数凸组合能够同时具备对小幅残差的高敏感度和大幅离群值的抑制。获取所述因子图模型中所有因子节点的相关熵代价函数计算结果,得到各所述因子节点的原始相关熵值,获取的原始相关熵值为后续的相关熵权重奠定了数据基础。在当前迭代轮次中,确定每一所述因子节点的原始相关熵值的相关熵权重,相关熵权重均为0-1之间的数值,其可表示每一因子节点的置信度,为后续的高置信度节点筛选、低质量候选识别提供了统一尺度的量化依据。基于各所述相关熵权重划分高置信度因子节点群,获取所述高置信度因子节点群的主梯度向量,高置信度因子节点群的划分和主梯度向量的合成建立了主流共识方向。基于各所述相关熵权重确定低质量候选因子节点,获取各所述低质量候选因子节点的待测梯度向量,根据相关熵权重的大小确定对应因子节点是否为低质量候选因子节点,即是,被确定为低质量候选因子节点的因子节点均是置信度低于一定程度,低质量候选因子节点的待测梯度向量表示对应因子节点的方向。基于所述主梯度向量与各待测梯度向量方向的一致化程度,得到各低质量候选因子节点是否为方向异常的判定结果,当待测梯度向量偏离主梯度向量到达一定程度时,表明对应的低质量候选因子节点的方向异常。为所述低质量候选因子节点打上低质量标签,统计所述低质量候选因子节点的低质量标签数量,并剔除所述低质量候选因子节点以外的因子节点的低质量标签,只有在当前迭代周期内,低质量候选因子节点连续被打上低质量标签,低质量标签数量才会大于1。分别基于各所述低质量候选因子节点是否为方向异常的判定结果和低质量标签数量,确定对应所述低质量候选因子节点是否需要被修剪,只有同时满足低质量标签数量达到一定数量以及该低质量候选因子节点为方向异常的因子节点时,才确定对应低质量候选因子节点需要被修剪,避免了单次瞬时的噪声扰动带来的误判,增加了修剪判定的准确性。当确定需要被修剪时,将对应所述低质量候选因子节点剔除,得到修剪后的因子图模型,修剪后的因子图模型仅保留高置信度的因子节点。基于所述修剪后的因子图模型,以最大化混合相关熵为目标,通过和积算法迭代求解从无人系统的最优位置坐标,避免低置信度的因子节点对因子图模型的污染,一方面提高了从无人系统定位精度,另一方面降低了计算量,也降低了计算能耗。

35、综上所述,本技术提供的基于动态因子节点修剪的混合熵因子图协同定位方法从根本上消除了低质量因子节点对因子图模型的污染,被修剪的因子节点不再参与迭代计算,使得定位求解的精度得到了提升,并且大幅降低了计算开销,每一轮迭代的计算复杂度从全部节点数量相关维度降低高质量节点数量相关维度,在包含大量主无人系统的大规模集群中,计算效率的提升尤为显著。