欢迎来到三一办公! | 帮助中心 三一办公31ppt.com(应用文档模板下载平台)
三一办公
全部分类
  • 办公文档>
  • PPT模板>
  • 建筑/施工/环境>
  • 毕业设计>
  • 工程图纸>
  • 教育教学>
  • 素材源码>
  • 生活休闲>
  • 临时分类>
  • ImageVerifierCode 换一换
    首页 三一办公 > 资源分类 > DOCX文档下载  

    信息驱动的海上协同目标估计与跟踪控制研究.docx

    • 资源ID:1851918       资源大小:5.50MB        全文页数:70页
    • 资源格式: DOCX        下载积分:16金币
    快捷下载 游客一键下载
    会员登录下载
    三方登录下载: 微信开放平台登录 QQ登录  
    下载资源需要16金币
    邮箱/手机:
    温馨提示:
    用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)
    支付方式: 支付宝    微信支付   
    验证码:   换一换

    加入VIP免费专享
     
    账号:
    密码:
    验证码:   换一换
      忘记密码?
        
    友情提示
    2、PDF文件下载后,可能会被浏览器默认打开,此种情况可以点击浏览器菜单,保存网页到桌面,就可以正常下载了。
    3、本站不支持迅雷下载,请使用电脑自带的IE浏览器,或者360浏览器、谷歌浏览器下载即可。
    4、本站资源下载后的文档和图纸-无水印,预览文档经过压缩,下载后原文更清晰。
    5、试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。

    信息驱动的海上协同目标估计与跟踪控制研究.docx

    信息驱动的海上协同目标估计与跟踪控制研究Research on Imformation-driven Coordinated Sea Target Estimation and Tracking Control 摘要水下滑翔机在深海、远海研究领域发挥着越来越重要的作用。水下滑翔机带有机翼和尾翼,在水中由可变重力驱动,通过滑块和尾翼来改变姿态,按锯齿形路线进行滑翔。目前最新型的水下滑翔机为飞翼布局的水下滑翔机,因其有更高的升阻比从而有更好的水动力特性而受到研究人员的青睐,但飞翼布局的水下滑翔机稳定性较差,可控性不足,因此需要在控制律上加大研究。水下滑翔机的纵向稳定性分析及运动控制是任何一款水下滑翔机控制研究的基础,本文对水下滑翔机的运动控制进行了研究,获得的主要成果如下:第一,飞翼布局滑翔机由于其特殊外形导致其稳定性变差,本文根据纵向运动方程推导出纵向运动参数的传递函数,然后运用经典控制理论去判定系统的稳定性,为控制律的设计奠定基础。第二,水下滑翔机对机动性要求较高,本文利用滑模变结构控制具有响应速度快,对外界噪声干扰和参数摄动具有鲁棒性,且稳态精度高的特点,分别针对水下滑翔机的俯仰、横滚、偏航三种运动设计滑模面,趋近律均采用指数趋近律,最后根据各个运动方程组和滑模算法推算出控制律,同时在仿真之前根据控制律和李雅普洛夫方程证明系统的稳定性。仿真结果表明滑模算法在响应速度和稳定性上有很好的适用性。第三、针对水下滑翔机倾斜转弯时横滚、俯仰、偏航运动存在耦合的问题,采用了一种全鲁棒滑模变结构控制方法,该方法设计了一种全局积分的滑模面,能够消除滑模控制的到达运动阶段,实现了各个运动之间的全程解耦,克服了传统变结构控制中到达模态不具有鲁棒性的特点,同时也使用了PID算法完成了偏航角的控制律设计和仿真实验,并将两种算法的结果在快、准、稳方面做了对比。关键词:飞翼布局,水下滑翔机,运动控制,倾斜转弯,滑模变结构 ABSTRACTUnderwater glider plays an increasingly important role in research of the deep and open sea. Underwater glider with wings and tail is driven by a variable gravity in the water, and it changes posture by sliding block and tail, gliding as a zigzag route. The latest underwater glider uses flying wing configuration, since it has a higher lift-drag ratio and thus have better hydrodynamic characteristics, which is favored by many researchers, however, the stability of underwater glider with flying wing is poor. It also has an insufficient controllability, so that we need to increase the research on the control law design. The analysis of longitudinal stability and motion control research is the basis of any underwater glider. This paper researches the motion control of underwater glider and some results are got as follows:Firstly, the flying wing glider has a special shape so that leads to an inferior stability, the paper derives the transfer function of the longitudinal motion parameters according to longitudinal motion equation, then uses the classical control theory to determine if the system has a stability, which lay a foundation of control law design.Secondly, because of the higher requirements for mobility of the underwater glider, this paper, by using the quick response speed, the robustness properties of the outside noise disturbance and parameter perturbation, and the high steady precision of sliding mode variable structure control, designs sliding mode surface respectively for underwater glider's pitch, roll and yaw motion, adopting the reaching law of exponential rate, and determine the control law according to the various motion equations and the sliding mode algorithm. At the same time the stability is proved according to the control law and the Lyapunov equation before the simulation .The simulation results show that the sliding mode control has a good applicability in response speed and stability.Thirdly, in view of the coupled problem of the underwater glider's rolling, pitching and yawing motion in banked turn, the article adopts a robust sliding mode control, the method designs a kind of global integral sliding mode surface, which can eliminate the arriving stage of the sliding mode control, in addition to, it achieves the full decoupling among each movement and overcomes the characteristics of less robustness of the traditional sling mode control when in its reaching mode. This paper also uses the PID control algorithm to complete the control law design and simulation of the yaw angle control, and makes a contrast of the two simulation experiment in three aspects: quick, stable, accurate.Keywords: Flying-Wing, Underwater glider, Motion Control, BTT (Bank-To-Turn), Sliding Mode Variable StructureVIII目录摘要IABSTRACTIII目录V第一章绪论11.1 研究背景及意义11.2 国内外研究现状41.2.1 无人机发展现状41.2.2 多UAV协同估计与跟踪控制71.3 论文主要结构安排9第二章多UAV海上目标协同跟踪问题建模与分析122.1 多UAV协同跟踪问题框架122.2 多UAV协同估计与跟踪控制建模132.2.1 传感器量测模型132.2.2 无人机运动模型142.2.3 海上目标模型152.3 贝叶斯框架下的滤波分析162.3.1 Bayes框架162.3.2 卡尔曼滤波172.3.3 粒子滤波192.4 面向最优状态估计的性能指标222.4.1 基于FIM的性能评价指标222.4.2 基于信息熵理论的性能指标232.5 本章小结24第三章多UAV协同海上目标估计263.1 分布式无迹信息卡尔曼滤波263.1.1 无迹信息卡尔曼滤波263.1.2 分布式信息一致性303.1.3 仿真验证343.2 基于互信息的最优配置363.2.1 基于互信息的最优配置363.2.2 仿真验证413.3 本章小结43第四章多UAV协同海上目标跟踪控制444.1 基于最优配置的分布式控制444.1.1 基于分布式信息一致性的最优配置求解444.2 本章小结47第五章水下滑翔机倾斜转弯控制485.1 引言485.2 水下滑翔机倾斜转弯关键技术综述485.3 滑模变结构算法在倾斜转弯中的应用485.3.1 倾斜转弯下水下滑翔机横向运动方程组485.3.2 设计控制律并分析稳定性485.4 本章小结48第六章全文总结与展望506.1 全文总结506.2 研究展望51参考文献52第一章 绪论1.1 研究背景及意义进入21世纪以来,随着全球经济的飞速发展,陆地矿藏资源已逐渐枯竭,世界各国的视线已经逐步由陆地转向海洋,甚至太空。由于当前科学技术水平的限制,太空矿藏资源短期内难以得到有效的开采利用,海洋在世界各国中的战略和经济地位便与日俱增。我国拥有大约18400公里的海岸线,300万平方公里的海岸线需要管辖,与6个国家在海上相邻。建国后的很长一段时间内,我国对海洋问题缺乏足够的重视,加之近年来美国重返亚太,我国周边海洋形式日益复杂,海洋安全问题日益严峻。为了确保我国的海洋权益,保障我国经济发展与战略安全,必须建立完备的海洋监控机制。尤其是南海与东海争议海域,别国船只不断冒犯我国海权,甚至侵犯我国领海。因此,我们必须对我国海域进行实时监测,一旦发现可疑目标,能够快速准确识别和跟踪,并提供有效的目标信息,为我国海洋权益保护提供有力手段。随着科技水平的高速发展,海上目标的机动能力越来越强,目标运动存在一定的随机性,对其长时间的跟踪也越来越不容易1。海上目标在广阔的海域上航行,受到目标特性、作业任务以及海洋条件(岛屿、暗礁、水深等)等因素的影响,虽然存在随机扰动,但在一定时间内其运动趋向并不会有很大的变化,即使在较长时间内,海上目标航迹仍近似为一种折线运动2。因此,与陆地和空中目标相比,海上目标有其特殊性,这就导致海上目标跟踪也有一定的特殊性。目前,海上目标跟踪平台多种多样,各无人平台以其经济、高效等特点成为各国执法人员的首选。典型的无人平台有水下自主航行器(Autonomous Underwater Vehicle,AUV)、水面无人艇(unmanned surface vehicle,USV)、无人机(Unmanned Aerial Vehicle,UAV)、卫星等,如图1- 1。AUV航行速度慢,续航力有限,无法持续跟踪高速目标。USV的传感器探测范围受到搭载平台的限制。在航行过程中,不同的海况对传感器和平台的运动有很大的影响,当海况极其恶劣时,可能出现平台无法运作的情况。此外,USV速度有限,无法有效地跟踪高速目标。基于卫星的海上目标监测技术和方法,一般通过对海上目标与尾迹成像,从而获取目标的信息,实现持续跟踪,但对于运动速度较慢的目标,目标航迹在很长时间内都无法判断其运动趋势。这些缺点很大程度上限制了AUV、USV以及卫星平台的应用。图1- 1典型无人平台无人机是一类由动力驱动、机上无人驾驶、能够携带任务设备,通过自主控制或遥控,执行对地、对海以及对空任务的飞行器,具有可回收、重复使用等特点345。自1917年世界上第一架无人机的诞生到现在,无人机已经有近100年的历史。随着计算机与信息处理技术、新材料与加工技术、传感器与图像处理技术、自动化技术、通信技术以及传感技术的迅速发展,UAV的集成化程度越来越高,其性能有了显著的提高,这使得UAV可以执行更多更广泛的任务,包括地理测量、侦察监视、精确打击和搜索救援等,如图1- 2所示。第四次中东战争图1- 2无人机可执行任务中,以色列成功使用无人机掩护有人作战机群,以极小的伤亡摧毁了埃及、叙利亚的导弹防御阵地。在海湾战争以及科索沃战争中,以美国为首的国家多次使用使用包括Pioneer、Pointer、Pardator、Hunter、CL-289、Crecerelles等多种无人机对战场进行侦查,获取了大量的有效情报。2011年11月13日,由美国派出的RQ-1无人侦查机发现疑似塔利班武装,在进行了为期2天的跟踪后发动袭击,成功炸死包括本·拉登副手穆罕默德·阿提夫在内的多名基地组织高层。在2011年利比亚战争中,美军无人机“捕食者”实施了多达145次的空袭,占到整个空袭行动的36.5%。近几次局部战争的实践表明:UAV 是执行枯糙、恶劣、危险和纵深(the Dull, the Dirty, the Dangerous and the deep, 4D)任务的最佳选择6。单架UAV有着机动灵活、隐身性好、控制策略简单等诸多优势,但对于日益复杂的海上环境来言,其工作能力也收到诸多限制78。(1)单UAV负荷能力有限,可以搭载的传感器以及通信设备有限,极大地限制了其信息感知与处理能力。在执行任务过程中很容易受到干扰、损伤,甚至坠毁,从而导致任务失败。(2)单架UAV航程有限,必须定期返航补充燃料,无法持续跟踪续航力较大的海上目标。(3)单架无人机作业空间较小、视角有限,如不借助其他探测工具,很难在短时间内捕获到目标信息。为了应对日益复杂多变的海上环境,克服单架无人机的弊端,就需要采用多架UAV组成的协同观测网络,对目标进行协同作业,如图1- 3所示。多UAV协同观测网络是指以多架UAV组成一个移动传感器网络,用以共同承担一项观测任务。在这一协同系统内,通过对信息的高度共享以及资源的优化调度,提高了单个UAV的感知范围,大大提升单架无人机的作业能力,产生远远超出一架 UAV 单独完成任务时的效果。图1- 3多无人机协同作业示意图多UAV协同观测的问题模型可归纳为:在多UAV协同作业过程中,通过各UAV自身的观测数据,以及与其他UAV交互过程中得到的信息,估计出目标的状态,并在此基础上设计某种意义下最优的控制律,在满足UAV各种运动约束的条件下,使目标状态的不确定性最小。受限于UAV平台运动约束、有效载荷性能约束,以及被跟踪目标信息不确定等特性,在复杂环境中,如何利用多UAV协同观测网络估计被跟踪目标状态,并控制UAV跟踪机动目标是一个极具挑战性的问题9。因此,无论在应用需求还是技术发展上,研究相应的问题建模、信息融合估计以及优化控制等方法使 UAV 能够自主地跟踪机动目标都具有重要的研究意义。1.2 国内外研究现状1.2.1 无人机发展现状自1917年世界上第一架无人机诞生,无人机先后经历了无人靶机侦查无人机攻击型无人机察/打一体化无人机,其应用也从早期单纯的靶机扩展到现在的海上搜救、精确打击以及智能化作战。从已经公开数据来看,目前无人机已经吸引了包括中国、美国、俄罗斯、法国、以色列等一系列发达国家和发展中国家。无人机主要分为无人直升机、无人固定翼机、无人多旋翼飞行器、无人飞艇、无人伞翼机等,典型的机型有捕食者、全球鹰、MQ-58、LA100、X-47B 、UHK97000-12、彩虹-5以及翼龙-II等,部分型号如图1- 4所示。图1- 4部分主流无人机目前世界范围内,无人机研究的关键问题是如何通过更有效合理的更有效合理的方式,取代飞行员在飞机中的位置,将人从繁重而复杂的任务中解放出来。2000年,美国空军研究实验室(AFRL)和海军研究实验室(NRL)提出了自主作业(Autonomous Operation,AO)的概念,AFRL按照观察、判断、决策、执行(Observe、Orient、Decide、Act,OODA)将无人机系统自主等级化分为10个等级10,如图1- 5所示。为了详细描述各无人机的协同交互关系,吴立珍等学者,在OODA的基础上,提出了协同OODA(Co-OODA),如表1-1所示。图1- 5 美军无人机自主控制层级划分表1-1 Co-OODA无人机自主等级划分现有的无人机大部分都在0-3级,自主控制水平不高,但多机协同作业一直是无人机的发展方向。针对无人机协同作业,已经开展了大量的研究工作。早在2003年,美军就已经开展了“集群战术空间研究”,探索多无人机集群的分布式网络作战体系的用途、编成以及智慧控制方法。2004年,美国波音公司开始使用X-45无人机和T-35有人机验证编队飞行。2007年,英国空军完成了由3架无人机与1架“狂风”战机的协同作战实验。目前在研的项目有美国海军研究局(ONR)的“低成本无人机蜂群技术”(LOCUST)项目、美国国防部高级研究计划局(DARPA)的“小精灵”(Gremlin)项目、美国空军研究实验室(AFRL)的“编群战术空间”计划、欧盟资助的“异构多无人机实时协同与控制”项目(Realtime Coordination and Control of Multiple Heterogeneous UAVs,COMETS)11-13。LOCUST项目由ONR领导,乔治理工大学参与。该项目采用路基或舰基多管发射装置,以每秒一架的速度发射上百架小型机器人,以编队的形式执行巡航、情报、干扰等任务。雷神公司为此项目研制了一次性小型无人机,成本在1万美元左右,质量控制在6kg左右,该无人机可以在折叠状态下发射,发射后自动打开机翼。2016年4月,该项目已经完成了30架无人机的连续发射与编队飞行试验,如图1- 6所示。Gremlin项目,把具备自主协同、分布式作战、可回收的小型无发射中发射前发射后无人机编队图1- 6雷神公司一次性小型无人机人机组成蜂群,执行侦察、压制、电子战、网络战以及其他可拓展的任务,最大限度地降低作战使用成本,提高战术灵活性。通用原子公司为Gremlin项目研发的无人机,质量大约320公斤,由大型空中平台搭载和发射。“编群战术空间”计划主要研究无人机直接的协同作战能力,包括无人机协同作战与无人/有人机协同作战,如协同搜索侦查、协同制导以及战场态势评估等。目前已经完成了12架无人机的自主协同飞行、搜索和模拟打击。COMETS项目研究无人直升机、无人飞艇等异构多无人机组成的协同探测和监视系统,主要为该系统设计集成分布式感知、分布式实时控制系统以及实时图像处理等技术,已经完成了在森林火灾监视任务中关键技术的演示验证14。我国无人机起步相对较晚,但发展迅速。20世纪60年代,以西北工业大学、北京航空航天大学为代表的科研单位,就开始发展中国的早期的无人靶机。1994年,西北工业大学所属西安爱生技术集团公司成功研制了ASN206通用无人机系统,并实现量化生产,有跨里程碑的意义。2016年的珠海航展,以彩虹-5、翼龙-云影、WJ-600 A/D、SW6等为代表的一系列国产无人机公开亮相,展示了我国无人机的发展水平。由中国电子科技集团公司(CETC)主持,CETC电科院、清华大学以及泊松技术携手完成的我国第一个固定翼无人机集群试验,实现了67架固定翼无人机的集群原理验证,打破了由美国海军保持的50架固定翼无人机集群的世界纪录,如图1- 7所示。图1- 7 我国第一次固定翼无人机集群试验由以上介绍可以看成,目前多无人机协同作业大多处于试验验证阶段,并没有实际应用到具体任务当中。2016年1月,在叙利亚战场上,为了支持叙利亚政府军攻占一处战略高地,俄罗斯出动了由13家无人机器人组成的无人系统,包括6部“平台M”多用途战斗机器人、4部“阿尔戈”火力支援战斗机器人、以及3架无人机,以20分钟歼敌70人的辉煌战绩,第一次在战场上展示了无人机协同作战的威力。1.2.2 多UAV协同估计与跟踪控制随着无人机应用的不断扩展,单无人机已经无法应对日益复杂的应用环境,多 UAV协同估计与跟踪作为多机协同的基础,已经逐渐成为国内外学者的研究热点。一般来说,无人机多机协同主要是指为了一个共同的目标,通过多UAV之间信息的交互,以集中或分布的方式选择和协调多个无人机的行为,获得比单个UAV更有效的工作能力15。集中式的特点是系统中存在一个信息融合中心,由中心节点完成主要的信息处理与决策,各UAV只负责执行中心节点的决策。集中式的方法经过多年发展已经趋于成熟,它全局性较好,结构简单,易于实现,在工程中得到了广泛的应用1617。但集中式的方法在实时性、鲁棒性、容错性以及灵活性方面的不足使得它无法适应日益复杂、变化多端的环境。分布式的多机协同,在系统中没有中心节点,每个无人机都具有自主决策能力,依靠数据链与系统中其他无人机进行信息交互。与集中式相比,分布式系统对动态不确定性问题有着很强的适应性,因而成为当下一个火热的研究方向,吸引了越来越多的科研人员的关注。在多UAV协同估计方面,目前已经有一系列的研究成果,主要集中在贝叶斯滤波1819、卡尔曼滤波2023以及粒子滤波2425。贝叶斯滤波直接以概率的形式处理信息,不涉及具体的目标模型,在非高斯、非线性问题时有很好的性能。文献18设计了一种基于目标估计值与量测之间互信息最大化的序贯贝叶斯滤波器。各UAV在通信拓扑未知的情况下,可以准确估计出目标状态信息,但收敛速度比较慢。文献19设计了一种基于K_L距离(Kullback-Leibler距离)最小化的贝叶斯一致滤波器,可以在通信拓扑网络强连通的情况下快速收敛到状态估计值。R. Olfati-Saber在文献202122中提出了一系列分布式卡尔曼滤波器,这些滤波方法可以方便的应用到包括多UAV系统在内的大部分传感器网络,但仅在线性高斯情况下有良好的滤波效果。文献23 针对分布式多UAV协同目标跟踪问题,考虑其具有局部通信和目标运动模型变化的特点,提出了一种基于分布式一致性策略的交互多模型(DC-IMM)估计方法。文献24中,作者设计了一种分布式无忌粒子滤波器去跟踪非线性目标,该方法在通信拓扑间歇性连通的情况下也取得了很好的滤波效果,但计算较为复杂,实时性较差。文献25提出了一种基于UAV和USV的协同海洋救援系统,以高性能计算机弥补粒子滤波的实时性不好的缺点。UAV机动性好,设计了一种基于神经网络的搜索算法,充分发挥UAV的机动性。USV可搭载高性能计算机,设计了一种基于粒子滤波的目标估计算法。协同滤波估计算法只是估计目标状态的一种方法,采集数据的优劣才是决定状态估计性能的基础。针对多UAV的协同跟踪控制问题,科研工作人员以及开展了大量的研究。文献26首先建立了多无人机协同目标跟踪控制的问题框架,在此基础上设计了一种基于预测信息的在线航迹规划,将滚动时域与遗传算法结合起来,并通过仿真验证了算法的有效性。在文献27中,作者提出了一种分布式滚动时域覆盖控制方法,它将一个最优覆盖问题分解为多个子问题,分别由各个子节点完成。文献28以Fisher信息矩阵(FIM)作为性能指标,设计了一种基于FIM最大化的分布式控制率,使每个节点运动轨迹保持在最优的观测配置上。文献29设计了一种新的控制策略,该方法可以将编队运动与队形设计分开考虑,在不影响整个编队的构型上,使编队中心沿着梯度方向运动。梯度下降法的分布式形式在文献30中做了详细的介绍。文献31引入信息理论的条件熵,设计了一种基于传感器和运动概率模型的滚动时域最优控制,通过分析效用函数的结构来减少计算量。近年来,UAV协同跟踪已经得到了各个研究机构的重视,上述工作已经对UAV协同跟踪做了一些探索性的研究,部分已经应用到工程之中。从已有文献来看,还未能将多UAV的分布式估计与分布式控制结合在一起,即如何根据观测信息以及UAV间的信息交互来实现观测目标状态的分布式估计,并合理规划UAV的航迹来使得对目标的观测性能达到最优。此外,与其他方法相比,运用信息理论的方法来研究目标跟踪还很不成熟。因此论文主要针对基于信息理论分布式估计与控制问题做出研究1.3 论文主要结构安排本文对水下滑翔机的三个姿态控制进行了系统研究,首先使用经典控制理论对水下滑翔机的纵向运动进行了分析,画出了纵向运动参数的根轨迹图和伯德图。其次针对纵向运动和侧向运动,分别得到了简化的运动方程组,并使用滑模变结构算法进行了控制律的设计,最后对倾斜转弯用两种控制算法进行了对比分析, 全文共分六章,各章的研究内容如下:第一章 介绍了水下滑翔机的研究背景、意义和国内外研究现状和滑翔机运动控制研究现状,着重分析了飞翼布局水下滑翔机的优点并简述了本文的研究内容。第二章 根据飞翼布局重力驱动式水下滑翔机的运动机理,进行了水下滑翔机的受力和力矩分析,采用Newton-Euler法推导出其六自由度的空间运动学和动力学方程组,建立了更为精确的基于滑动质量块和抽排水机构的控制模型。假设滑翔机质量是均匀分布的,油囊质心位于滑翔机的浮力中心,在纵平面内进行合理简化,为之后的水下滑翔机控制系统设计等提供良好的平台。第三章 水下滑翔机纵向稳定性分析。主要根据第二章的模型公式得到了纵向运动的简化模型,然后根据小扰动线性化原理将纵向运动方程进行线性化,其中对一些小量进行了近似处理,得到了关于运动参数的传递函数,然后运用经典控制理论画出根轨迹,根据根轨迹可以直接得出系统的稳定性,再次根据传递函数得到纵向运动参数的频率特性,画出了伯德图。从根轨迹图中可以得出水下滑翔机整体系统是稳定的,满足总体设计性能要求。第四章 完成了水下滑翔机的三个姿态角的控制仿真实验。先介绍了滑模变结构的基本理论,为使用滑模算法设计控制律奠定了基础。在分析各个姿态控制时,将三个姿态解耦,分别得出俯仰、横滚、偏航运动方程,且假设其互不影响,然后采用滑模变结构算法,分别针对这三种运动设计滑模面,趋近律均采用指数趋近律,最后根据各个运动方程组和滑模算法反解出输入,即为所求的控制律,同时使用李雅普洛夫证明了稳定性,说明设计的控制律是可行的。最后进行了仿真验证,将仿真结果中的各个变量随仿真时间的变化展示了出来,并针对结果图进行了适当的分析讨论。根据水下滑翔机总体设计功能,滑块在俯仰控制中起主要作用,襟翼起辅助作用,本文只采用了滑块来控制。三种姿态控制的输入均为阶跃输入。第五章 完成水下滑翔机的倾斜转弯控制仿真。首先介绍了倾斜转弯的关键技术。其次,使用PID算法完成倾斜转弯的控制律设计,并且完成仿真分析,紧接着设计了一种全局积分的滑模面,可以使运动中全程解耦,然后设计控制律,进行仿真验证,并将最后的结果与上一节的PID控制在控制指标上做了对比,且最后将倾斜转弯和第三章的侧滑转弯的结果做了对比分析。第六章 全文总结与研究展望。56第二章 多UAV海上目标协同跟踪问题建模与分析 2.1 多UAV协同跟踪问题框架多无人机海上目标协同跟踪研究的主要问题是如何在通讯受限、量测受限以及机动约束等环境下,通过合适的解算方法,持续为系统提供准确的目标位置信息。因此,在多无人机协同跟踪问题中,主要需要考虑以下两个问题:(1) 如何利用量测信息,通过信息融合估计算法,获得对目标状态的准确估计;(2) 如何设计最优的多无人机观测配置,以获得更加丰富和准确的量测信息。.图2- 1 多UAV协同跟踪框架图2- 1给出了典型的多无人机分布式估计与跟踪控制任务框架图,从图中可以看出,分布式的多无人机目标估计与跟踪控制问题主要分以下几个需要完成以下任务:(1)多UAV协同目标估计与跟踪控制建模针对多UAV协同目标估计与跟踪控制建模,建立一种能够广泛表示一类海上目标模型、无人机运动模型、通信拓扑网络模型。(2)多UAV协同目标状态融合估计针对多UAV协同目标状态融合估计,设计一种分布式的滤波算法以估计出目标状态,达到对采样环境的协同感知。(3)面向最优状态估计的多UAV协同跟踪控制分布式滤波算法虽然可以估计目标状态信息,但传感器采样数据的优劣才是决定目标状态估计性能的重要基础。因此,需要设计一种分布式的无人机控制算法,使UAV在空间和时间维度上保持基于某种效能函数的最优观测配置,从而获得更好的目标状态估计。本章重点考虑多UAV协同目标估计与跟踪控制建模,其余问题将在接下来的章节中考虑。2.2 多UAV协同估计与跟踪控制建模2.2.1 传感器量测模型传感器是无人机平台获取海上目标信息的主要量测工具,多无人机协同跟踪的效果在一定程度上取决于传感器的性能。随着传感器技术的飞速发展,目前军用和民用等无人机可以搭载的传感器种类越来越多,主要有可见光/红外成像传感器、高光谱成像仪、合成孔径雷达(SAR)、声呐、激光、气压等传感器。这些传感器可以获得目标的方向与距离信息。为了使本文跟踪方法有更好的适用性,本文主要考虑无人机机载传感器只有可见光/红外等测向传感器,只有无人机只可获得目标的方位信息。在无人机目标跟踪问题中,机载传感器通过可见光/红外成像传感器获得海上目标图像后,经过一系列图像处理后,提供海上目标与无人机直接的相对方位信息。在本文中,我们忽略图像处理中所涉及的误差,将传感器量测模型简化为二维平面内的测向模型,如图2-2所示。在图2- 2中,无人机的当前位置为,海上目标的位置为, 海上目标与 轴的夹角。因此,基于纯方位量测的无人机观测模型可表示如下: 在式中, 为零均值的高斯白噪声。图2- 2 无人机量测模型2.2.2 无人机运动模型无人机是一种由动力系统、自主无人驾驶系统、通信与导航系统组成的飞行器,通过自主控制或遥控,执行对地、对海以及对空任务。无人机系统建模是一个值得深入研究的课题,本文的主要研究无人机对目标的的估计与跟踪控制,因此只考虑无人机的运动学方程。本文主要研究定高匀速平稳飞行的无人机,通过改变无人机的航向改变无人机在二维平面的运动状态,如图2- 3所示,其运动学方程如下。 其中, 为第 架无人机在 时刻的状态, 为无人机前向速度, 为无人机的偏航角速度, 为采用时间系数。图2- 3无人机模型2.2.3 海上目标模型本文主要考虑水面舰船这一类海上运动目标,相比于无人机,它们的运动速度较小,这也保障了无人机对其进行跟踪的效果。要实现对海上目标的持续跟踪,目标运动模型起着关键的作用。目标可以描述海上运动目标的模型主要有匀速(Constant Velocity, CV)运动模型、匀加速度(Constant Acceleration, CA)运动模型、联动式转弯(Coordinated Turn, CT)运动模型,为了更好的体现海上目标的机动性,本文采用水面目标机动模型,如式所示。 其中, , 分别为海上目标的前向速度和偏航速度。实际模型中的输入可能受高斯白噪声干扰,则量测输入、真实输入、输入噪声分别为:且满足 ,噪声协方差为2.3 贝叶斯框架下的滤波分析2.3.1 Bayes框架贝叶斯(Bayes)滤波的本质的是利用当前信息与先验信息,根据贝叶斯公式(式),计算出目标状态的后验概率密度。 假设目标的状态模型与量测模型如下所示: 其中 , 分别为 时刻目标的状态以及传感器的量测值, , 分别为目标状态转移函数以及量测函数, , 分别为过程噪声和量测噪声,包括高斯噪声和非高斯噪声。贝叶斯滤波算法步骤如下,流程图如图2- 4所示:假设目标初始状态已知(即 已知), 满足马尔科夫过程,且 ,相互独立。步骤1:预测,根据目标状态模型 进行状态预测。 其中, 为目标状态转移概率密度函数,可由目标状态模型以及过程噪声的模型获得。 为 时刻贝叶斯滤波的估计值。步骤2:更新,根据新的量测值 修正预测值 。 其中, 为量测似然概率密度函数,可由量测模型以及量测噪声模型获得。根据最小均方差(Minimum Mean Square Error,MMSE)准则,可由目标状态的后验概率密度获得目标 时刻的状态估计与误差协方差。 图2- 4贝叶斯滤波流程图2.3.2 卡尔曼滤波当2.3.1节中的目标状态转移函数、量测函数为线性的,且过程噪声以及量测噪声为高斯噪声时,式可简化为: 其中, 为目标状态转移矩阵, 为量测矩阵。 , ,且相互独立。假设 服从均值为 ,方差为 的高斯分布,记为 ,则 的概率密度函数 可表示为 因此,目标的状态转移概率密度可表示为: 量测似然概率密度可表示为: 后验概率密度可表示为 其中, , 分别为 时刻目标状态的估计值与误差协方差。预测概率密度可表示为: 其中, , 分别为 时刻对目标状态的预测值与误差协方差。从式可以看出,在线性高斯的情况下,各概率密度分布只取决于均值和协方差这两个参数。由此可推导出卡尔曼滤波(Kalman Filter)如下32:假设目标状态的初始估计与协方差已知,即 , 。步骤1:预测,根据目标状态模型进行状态预测。 步骤2:更新,根据量测值 修正目标状态的预测值 和 。 2.3.3 粒子滤波粒子滤波(Particle Filter)是一种基于蒙特卡洛采样原理的贝叶斯框架滤波器,可以处理非线性非高斯滤波问题,具有卡尔曼滤波所不具备的优势343536。粒子滤波的核心思想是用蒙特卡洛采样点来近似概率密度函数,以样本均值代替积分运算,根据贝叶斯准则进行适当的加权和递归传播,从而获得状态的最小方差估计。本节先给出粒子滤波的步骤如下,算法流程图如图2- 5所示。步骤1:用蒙特卡洛方法从参考分布函数

    注意事项

    本文(信息驱动的海上协同目标估计与跟踪控制研究.docx)为本站会员(小飞机)主动上传,三一办公仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知三一办公(点击联系客服),我们立即给予删除!

    温馨提示:如果因为网速或其他原因下载失败请重新下载,重复下载不扣分。




    备案号:宁ICP备20000045号-2

    经营许可证:宁B2-20210002

    宁公网安备 64010402000987号

    三一办公
    收起
    展开