一种无人机相对导航信息融合方法
阅读说明：本技术 一种无人机相对导航信息融合方法 (Unmanned aerial vehicle relative navigation information fusion method ) 是由 孙瑶洁 熊智 李文龙 王融 张玲 刘建业 崔雨晨 段胜青 陈明星 许建新 王钲淳 于 2019-10-25 设计创作，主要内容包括：本发明公开了一种无人机相对导航信息融合方法,步骤为：计算无人机相对不同卫星的双差和双差变化率；计算UWB传感器实时测量得到的无人机之间的相对位置和相对速度；计算基于双机定位数据做差的相对位置和相对速度；采用扩展卡尔曼滤波算法建立相对导航状态方程；建立基于相对差分/UWB/双机定位数据做差的观测方程；利用神经网络对UWB相对导航信息进行预测补偿,并通过扩展卡尔曼滤波算法实现信息融合。本发明可显著提高编队无人机中相对定位精度,且适用于相对导航传感器UWB失效等复杂飞行环境,适合工程实际应用。(The invention discloses a method for fusing relative navigation information of an unmanned aerial vehicle, which comprises the following steps: calculating double differences and double difference change rates of the unmanned aerial vehicle relative to different satellites; calculating the relative position and relative speed between the unmanned aerial vehicles measured by the UWB sensor in real time; calculating the relative position and relative speed based on the difference of the double-machine positioning data; establishing a relative navigation state equation by adopting an extended Kalman filtering algorithm; establishing an observation equation based on the relative difference/UWB/dual-computer positioning data difference; and (4) carrying out prediction compensation on UWB relative navigation information by utilizing a neural network, and realizing information fusion by an extended Kalman filtering algorithm. The invention can obviously improve the relative positioning precision in the formation unmanned aerial vehicle, is suitable for complex flying environments such as UWB failure of relative navigation sensors and the like, and is suitable for practical engineering application.)
技术领域
本发明属于无人机导航技术领域，特别涉及了一种无人机相对导航信息融合方法。
背景技术
无人机密集集群编队导航技术在军事、民用等各个领域具备极大的应用价值及应用前景。为了保证无人机编队飞行时执行任务的高精度需求，相对导航信息精度的地位毋庸置疑。一般情况下编队无人机间的相对距离较近，相对导航是实现多机编队导航不可或缺的手段，相对导航传感器相比于绝对导航传感器具有更高的定位精度、更强的抗干扰能力以及更低廉的成本。
相对导航方式包括无线电导航、视觉导航及其他，其中无线电导航为最核心的手段，包含了卫星导航、激光雷达、超宽带(Ultra Wide Band,UWB)等。UWB与其他定位技术相比，性能优、精度高、功耗低、抗多径效果好、能提供高精确定位等优点，得到了广泛的应用和研究。UWB的高频短波特性使得发射性强且穿透性弱，尤其适合测距。但是获得高精度的UWB定位信息需要在无遮挡情况下，该原理上的缺陷限制了UWB的更广泛使用。在复杂应用环境，非视距和多径误差也是定位精度主要影响因素。所以UWB传感器失效时，相对导航的信息融合处理误差变大，无法提供精确的位置、速度补偿值，导致仅依赖UWB辅助无人机编队相对导航系统的精度和实时性变弱。
发明内容
为了解决上述背景技术提到的技术问题，本发明提出了一种无人机相对导航信息融合方法。
为了实现上述技术目的，本发明的技术方案为：
一种无人机相对导航信息融合方法，各无人机上搭载用于获取单机绝对定位信息的GPS/INS紧组合导航系统和用于获取相对定位信息的UWB传感器；该方法的步骤如下：
(1)建立相对差分量测方程，计算无人机相对不同卫星的双差
(2)采用扩展卡尔曼滤波算法建立相对导航状态方程；
(3)建立基于相对差分/UWB/双机定位数据做差的观测方程；
(4)利用神经网络对UWB相对导航信息进行预测补偿，并通过扩展卡尔曼滤波算法实现信息融合。
进一步地，在步骤(1)中，无人机相对不同卫星的双差
其中，
进一步地，在步骤(1)中，UWB传感器实时测量得到的无人机之间的相对位置
其中，rx、ry、rz分别对相对位置矢量的三轴分量，
进一步地，在步骤(1)中，基于双机定位数据做差的相对位置和相对速度
其中，δrBA是由单机定位误差引起的时变相对定位误差的补偿量，nΔabs、nv_Δabs为对应的位置和速度计算白噪声。
进一步地，在步骤(2)中，定义状态向量X：
其中，rBA为相对位置矢量，为相对速度矢量，
构造相对导航状态方程：
其中，wp、wv、wa和wδp分别为相对位置、速度、加速度和时变位置误差的系统噪声，03×3为3×3的零矩阵，I3×3为3×3的单位阵。
进一步地，在步骤(3)中，构造观测方程：
Z＝H·X+V
其中，Z为观测向量，H为观测矩阵，X为状态向量，V为观测噪声向量；
构造观测向量与观测噪声向量：
其中，省略号表示遍历所有卫星所得到的
上式中，H1和H2分别为UWB测距和测速的观测矩阵，上方的符号∧和～分别代表观测值和估计值；
构造观测矩阵：
其中，相对差分观测子矩阵Hdd：
其中，
双机定位数据做差观测子矩阵Habs：
其中，I3为三阶单位阵；
UWB测量子矩阵Huwb：
其中，01×9为1×9的零矩阵；
rBA_uwb＝||rBA||2(1+biasBA)
上式中，rx、ry、rz分别对相对位置矢量的三轴分量，
构建观测方程后，结合状态方程，采用扩展卡尔曼滤波算法解算状态变量。
进一步地，在步骤(4)中，基于神经网络的无人机相对导航信息融合方法分为两个场景：
其一是UWB信号有效阶段，一方面训练神经网络通过两架无人机的绝对位置信息得到UWB的输出，另一方面扩展卡尔曼滤波器将双机的位置信息、速度信息以及UWB的输出进行融合以得到僚机绝对定位误差的修正量；
其二是UWB信号失效阶段，无法通过扩展卡尔曼滤波器得到僚机的绝对导航信息修正量，此时为神经网络预测模式，通过无人机的绝对位置信息预测出UWB的输出值，进而通过扩展卡尔曼滤波器获得相对导航位置信息和速度信息的补偿值，校正僚机的绝对导航精度，使得滤波不受UWB信号失效的影响。
进一步地，在步骤(4)中，所述神经网络采用RBF神经网络。
采用上述技术方案带来的有益效果：
本发明利用神经网络对UWB的相对导航信息进行预测补偿，在此基础上通过扩展卡尔曼滤波实现信息融合，极大地提高了故障情况下无人机相对导航的定位精度和实时性，具有突出的应用价值。实验结果表明：相比于无辅助的无人机相对导航系统，本发明可使在速度x、y、z方向的相对导航精度在100s内平均提升8.2、24.5、8.2倍；在位置x、y、z方向的定位精度在50s内平均提升4.3、2.8、2.7倍。
附图说明
图1为本发明基于神经网络的相对导航信息融合结构图；
图2为双机仿真航迹曲线图；
图3为采用有辅助和无辅助情况下的X方向速度误差曲线对比图；
图4-6为采用有辅助和无辅助情况下的X、Y、Z方向位置误差曲线对比图。
具体实施方式
以下将结合附图，对本发明的技术方案进行详细说明。
本发明中两架无人机编队采用主从式结构，主机和僚机分别搭载基于伪距和伪距率的GPS/INS紧组合导航系统以获得高精度的单机绝对定位信息；并搭载UWB传感器测量出相对距离和相对速度信息以获得高可靠性的相对定位信息。此外，数据链将卫星导航接收机数据及机载惯性导航测量数据传输至各无人机的机载计算机中，实现相对导航信息的融合处理。
本发明设计了一种无人机相对导航信息融合方法，步骤如下：
步骤1：建立相对差分量测方程，计算无人机相对不同卫星的双差
步骤2：采用扩展卡尔曼滤波算法建立相对导航状态方程；
步骤3：建立基于相对差分/UWB/双机定位数据做差的观测方程；
步骤4：利用神经网络对UWB相对导航信息进行预测补偿，并通过扩展卡尔曼滤波算法实现信息融合。
在本实施例中，可以采用如下优选方案实现上述步骤1：
无人机相对不同卫星的双差
其中，
UWB传感器实时测量得到的无人机之间的相对位置
其中，rx、ry、rz分别对相对位置矢量的三轴分量，分别为相对速度矢量的三轴分量，biasBA为晶振引起的误差比例系数，||rBA||2为相对位置矢量rBA的L2范数，nuwb和nv_uwb分别为UWB位置量测和速度量测的白噪声。
基于双机定位数据做差的相对位置
其中，δrBA是由单机定位误差引起的时变相对定位误差的补偿量，nΔabs、nv_Δabs为对应的位置和速度计算白噪声。
在本实施例中，可以采用如下优选方案实现上述步骤2：
定义状态向量X：
其中，rBA为相对位置矢量，
构造相对导航状态方程：
其中，wp、wv、wa和wδp分别为相对位置、速度、加速度和时变位置误差的系统噪声，03×3为3×3的零矩阵，I3×3为3×3的单位阵。
在本实施例中，可以采用如下优选方案实现上述步骤3：
构造观测方程：
Z＝H·X+V
其中，Z为观测向量，H为观测矩阵，X为状态向量，V为观测噪声向量；
构造观测向量与观测噪声向量：
其中，省略号表示遍历所有卫星所得到的
上式中，H1和H2分别为UWB测距和测速的观测矩阵，上方的符号∧和～分别代表观测值和估计值；
构造观测矩阵：
其中，相对差分观测子矩阵Hdd：
其中，01×3和01×6分别为1×3和1×6的零矩阵；
双机定位数据做差观测子矩阵Habs：
其中，I3为三阶单位阵；
UWB测量子矩阵Huwb：
其中，01×9为1×9的零矩阵；
rBA_uwb＝||rBA||2(1+biasBA)
构建观测方程后，结合状态方程，采用扩展卡尔曼滤波算法解算状态变量。
在本实施例中，可以采用如下优选方案实现上述步骤4：
基于神经网络的无人机相对导航信息融合方法结构框图如图1所示，其中神经网络的输入层为两架无人机的绝对位置信息，隐含层为径向基函数，输出层为UWB的期望输出位置和速度信息。神经网络在UWB失效时，预测得到UWB的输出，并传入EKF滤波器中使得信息融合不受影响。
基于神经网络的无人机相对导航信息融合方法分为两个场景：
其一是UWB信号有效阶段，一方面训练神经网络通过两架无人机的绝对位置信息得到UWB的输出，另一方面扩展卡尔曼滤波器将双机的位置信息、速度信息以及UWB的输出进行融合以得到僚机绝对定位误差的修正量；
其二是UWB信号失效阶段，无法通过扩展卡尔曼滤波器得到僚机的绝对导航信息修正量，此时为神经网络预测模式，通过无人机的绝对位置信息预测出UWB的输出值，进而通过扩展卡尔曼滤波器获得相对导航位置信息和速度信息的补偿值，校正僚机的绝对导航精度，使得滤波不受UWB信号失效的影响。
在本实施例中，采用RBF神经网络。
为了验证本发明提出的方法，进行了无人机编队相对导航仿真。设置无人机A为主机，无人机B为僚机跟随主机飞行，无人机采用GPS/INS紧组合导航系统，并搭载UWB设备进行相对导航，测距范围设定为75m，编队飞行时长为3600秒，设置可用导航卫星数为8。图2给出了在ECEF坐标系下无人机的仿真航迹曲线。
假设双机在执行任务中100s-200s和1000-1100sUWB出现故障，位置误差和速度误差增大，僚机在整个编队飞行过程UWB故障阶段，不能实时地补偿速度和位置相对信息，仅采用GPS/INS紧组合进行绝对定位，其相对导航定位误差精度随时间漂移。为验证本发明对于僚机相对导航定位精度的提升效果，通过对比无辅助情况、RBF神经网络辅助与真值的曲线进行分析：1、无辅助：长机和僚机均采用GPS/INS紧组合实现绝对导航，UWB进行无人机间相对导航，但在100s-200s和1000s-1100s时UWB出现故障误差增大；2、RBF神经网络辅助：长机和僚机均采用GPS/INS紧组合实现绝对导航，UWB进行无人机间相对导航，UWB故障期间使用RBF神经网络预测补偿无人机间相对导航信息融合。速度在100s-110s时的X方向的误差曲线如图3所示，有神经网络辅助时误差大幅度减小，与真值非常接近。采用本发明的速度误差在在100s内精度平均提升8.2、24.5、8.2倍。其中位置各方向的误差曲线如图4-6所示，以故障期间100s-200s为例。有神经网络辅助情况下偏差较小，精度较高，漂移较慢，稳定性较好，在UWB失效50s时可达到高精度需求，故障时间较长时，补偿效果略差。相对导航误差位置定位精度在50s内平均提升4.3、2.8、2.7倍。可见本发明提出的方法实现了实时性和精度的平衡，适用于编队无人相对导航算法在工程中的实际运用。
实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种用于惯导的自适应加速度计温度补偿方法