基于多核混合熵因子图的无人系统集群协同定位方法
本发明涉及多无人系统协同定位,具体而言,涉及基于多核混合熵因子图的无人系统集群协同定位方法。
背景技术:
1、在无人系统集群协同作业中,通常将配备高精度导航定位系统(如高精度惯性导航系统、差分gps等)的无人平台设置为主无人系统,其余配备低成本导航设备的平台设置为从无人系统。从无人系统通过与主无人系统之间的无线测距通信,结合主无人系统播报的自身精确位置信息,利用协同定位算法解算自身的实时位置,从而以较低成本实现编队整体定位精度的提升。
2、因子图模型由于能够自然地表达多源异构信息之间的概率约束关系,近年来被广泛应用于协同定位领域。其基本原理是将无人系统的运动状态变量抽象为变量节点,将运动学递推关系和测距约束关系抽象为函数节点,通过和积算法在因子图上传递消息,实现从无人系统位置的最优估计。为应对非高斯噪声,现有技术已提出基于最大相关熵准则的鲁棒因子图协同定位方法,通过高斯核函数的饱和特性抑制大幅值异常量测的影响。在此基础上,有研究者进一步提出了基于两种不同核带宽高斯核函数凸组合的混合熵因子图协同定位方法。然而,上述现有技术中,混合熵代价函数的混合权重系数在算法运行过程中被设定为固定不变的常数。在实际的长航时协同定位任务中,无人系统编队经历的环境是持续变化的,例如起飞阶段主要受电机振动和气流扰动影响、任务区域可能遭遇城市建筑群遮挡导致信号多径效应、气象条件变化会引起信号衰减程度的改变,上述过程中方差、偏度或峭度等量测残差的统计特征均在持续变化,固定混合系数策略无法根据环境的变化实时调整严格核与宽松核的权重配比,导致在环境突变时无法有效抑制大幅值异常干扰、定位误差急剧增大,在环境恢复良好时又因保留过大的宽松核权重而无法达到理论最优精度。
3、因此,有必要提供基于多核混合熵因子图的无人系统集群协同定位方法,旨在解决当前技术中固定混合系数在时变噪声环境下性能失配的问题。
技术实现思路
1、鉴于此,本发明提出了基于多核混合熵因子图的无人系统集群协同定位方法,旨在解决当前技术中固定混合系数在时变噪声环境下性能失配的问题。
2、本发明提出了基于多核混合熵因子图的无人系统集群协同定位方法,包括:
3、s100、构建多无人系统协同定位的因子图模型,其中,所述因子图模型包括变量节点和函数节点,所述函数节点包括运动函数节点和测距函数节点;
4、s200、基于多个具有不同核带宽的高斯核函数构建多核混合相关熵代价函数,所述多核混合相关熵代价函数中的每一所述高斯核函数具有对应的混合权重系数,且各混合权重系数之和为1;
5、s300、在每一定位递推周期中,采集所述运动函数节点的量测残差序列,对所述运动函数节点的量测残差序列进行非高斯强度评估,得到运动函数节点的非高斯性量化指标;采集各所述测距函数节点的量测残差序列,将各所述测距函数节点的量测残差序列进行融合,得到融合量测残差序列,对融合量测残差序列进行非高斯性强度评估,得到测距函数节点的非高斯性量化指标;
6、s400、基于运动函数节点的非高斯性量化指标为所述运动函数节点配置混合权重系数,得到运动函数节点对应的多核混合相关熵代价函数;基于测距函数节点的非高斯性量化指标为所述测距函数节点配置混合权重系数,得到测距函数节点对应的多核混合相关熵代价函数;
7、s500、基于运动函数节点的多核混合相关熵代价函数和测距函数节点的多核混合相关熵代价函数,在所述因子图模型上进行和积运算,得到从无人系统的位置坐标。
8、进一步的,所述多个具有不同核带宽的高斯核函数包括具有第一核带宽的第一高斯核函数和具有第二核带宽的第二高斯核函数,所述第一核带宽小于所述第二核带宽;
9、所述混合权重系数包括所述第一高斯核函数对应的第一混合权重系数和所述第二高斯核函数对应的第二混合权重系数;其中,
10、所述第一混合权重系数大于所述第二混合权重系数,且所述第一混合权重系数与所述第二混合权重系数之和为1。
11、进一步的,采集所述运动函数节点的量测残差序列时,包括:
12、基于从无人系统上一时刻的后验估计位置以及当前时刻的运动速度和航向角,通过运动学递推算法得到从无人系统当前时刻的先验估计位置;
13、获取所述运动函数节点所连接的变量节点的当前估计值,通过获取所述先验估计位置和所述当前估计值的差值,得到所述运动函数节点的量测残差序列。
14、进一步的,对所述运动函数节点的量测残差序列进行非高斯强度评估,得到运动函数节点的非高斯性量化指标时,包括:
15、获取所述运动函数节点的量测残差序列的三阶累积量值和四阶累积量值;
16、将所述运动函数节点的量测残差序列的三阶累积量值和四阶累积量值归一化后进行加权融合,得到运动函数节点的非高斯性量化指标。
17、进一步的,采集各所述测距函数节点的量测残差序列,将各所述测距函数节点的量测残差序列进行融合,得到融合量测残差序列时,包括:
18、基于所述先验估计位置与各主无人系统当前时刻的位置坐标,确定从无人系统与各主无人系统之间的估计距离;
19、获取各所述估计距离与对应主无人系统的观测距离的差值,得到各所述测距函数节点的量测残差序列;
20、将各所述测距函数节点的量测残差序列进行加权融合,得到各所述测距函数节点的融合量测残差序列。
21、进一步的,对融合量测残差序列进行非高斯性强度评估,得到测距函数节点的非高斯性量化指标时,包括:
22、获取各所述测距函数节点的融合量测残差序列的三阶累积量值和四阶累积量值;
23、将各所述测距函数节点的融合量测残差序列的三阶累积量值和四阶累积量值归一化后进行加权融合,得到测距函数节点的非高斯性量化指标。
24、进一步的,基于运动函数节点的非高斯性量化指标为所述运动函数节点配置混合权重系数时,包括:
25、当运动函数节点的非高斯性量化指标大于等于第一预设非高斯性量化指标阈值时,增大运动函数节点对应的所述第二混合权重系数,减小运动函数节点对应的所述第一混合权重系数;其中,增大后的运动函数节点对应的所述第二混合权重系数小于减小后的运动函数节点对应的所述第一混合权重系数,且增大后的运动函数节点对应的所述第二混合权重系数和减小后的运动函数节点对应的所述第一混合权重系数之和为1;
26、当运动函数节点的非高斯性量化指标小于第一预设非高斯性量化指标阈值,且大于第二预设非高斯性量化指标阈值时,维持运动函数节点对应的第一混合权重系数和第二混合权重系数不变;
27、当运动函数节点的非高斯性量化指标小于等于第二预设非高斯性量化指标阈值时,减小运动函数节点对应的所述第二混合权重系数,增大运动函数节点对应的所述第一混合权重系数;其中,减小后的运动函数节点对应的所述第二混合权重系数和增大后的运动函数节点对应的所述第一混合权重系数之和为1。
28、进一步的,基于测距函数节点的非高斯性量化指标为所述测距函数节点配置混合权重系数时,包括:
29、当测距函数节点的非高斯性量化指标大于等于第三预设非高斯性量化指标阈值时,增大测距函数节点对应的所述第二混合权重系数,减小测距函数节点对应的所述第一混合权重系数;其中,增大后的测距函数节点对应的所述第二混合权重系数小于减小后的测距函数节点对应的所述第一混合权重系数,且增大后的测距函数节点对应的所述第二混合权重系数和减小后的测距函数节点对应的所述第一混合权重系数之和为1;
30、当测距函数节点的非高斯性量化指标小于第三预设非高斯性量化指标阈值,且大于第四预设非高斯性量化指标阈值时,维持测距函数节点对应的第一混合权重系数和第二混合权重系数不变;
31、当测距函数节点的非高斯性量化指标小于等于第四预设非高斯性量化指标阈值时,减小测距函数节点对应的所述第二混合权重系数,增大测距函数节点对应的所述第一混合权重系数;其中,减小后的测距函数节点对应的所述第二混合权重系数和增大后的测距函数节点对应的所述第一混合权重系数之和为1。
32、进一步的,基于运动函数节点的非高斯性量化指标为所述运动函数节点配置混合权重系数的同时,还对运动函数节点对应第一高斯核函数的第一核带宽以及对应第二高斯核函数的第二核带宽进行调节;
33、基于测距函数节点的非高斯性量化指标为所述测距函数节点配置混合权重系数的同时,还对测距函数节点对应第一高斯核函数的第一核带宽以及对应第二高斯核函数的第二核带宽进行调节。
34、进一步的,对运动函数节点对应第一高斯核函数的第一核带宽以及对应第二高斯核函数的第二核带宽进行调节,以及对测距函数节点对应第一高斯核函数的第一核带宽以及对应第二高斯核函数的第二核带宽进行调节时,包括:
35、当运动函数节点的非高斯性量化指标大于等于第一预设非高斯性量化指标阈值时,增大运动函数节点对应的所述第二核带宽,维持运动函数节点对应的所述第一核带宽不变;
36、当运动函数节点的非高斯性量化指标小于第一预设非高斯性量化指标阈值,且大于第二预设非高斯性量化指标阈值时,维持运动函数节点对应的所述第一核带宽和所述第二核带宽不变;
37、当运动函数节点的非高斯性量化指标小于等于第二预设非高斯性量化指标阈值时,减小运动函数节点对应的所述第一核带宽,维持运动函数节点对应的所述第二核带宽不变;
38、当测距函数节点的非高斯性量化指标大于等于第三预设非高斯性量化指标阈值时,增大测距函数节点对应的所述第二核带宽,维持测距函数节点对应的所述第一核带宽不变;
39、当测距函数节点的非高斯性量化指标小于第三预设非高斯性量化指标阈值,且大于第四预设非高斯性量化指标阈值时,维持测距函数节点对应的所述第一核带宽和所述第二核带宽不变;
40、当测距函数节点的非高斯性量化指标小于等于第四预设非高斯性量化指标阈值时,减小测距函数节点对应的所述第一核带宽,维持测距函数节点对应的所述第二核带宽不变。
41、与现有技术相比,本发明的有益效果在于:
42、一、通过构建包含运动函数节点和测距函数节点的因子图模型,分别为两类节点独立采集量测残差序列、独立进行非高斯性强度评估、独立配置混合权重系数,使得运动函数节点和测距函数节点各自的混合权重系数能够独立地跟随各自对应残差序列的统计特性变化进行实时调整。
43、二、通过在每个定位递推周期中重新采集残差序列、重新计算非高斯性量化指标、重新配置混合权重系数,实现了混合权重系数与环境状态的同步跟随,解决了固定混合系数策略在时变噪声环境下性能失配的技术难题。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com