英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

无人机自主路径优化基于雷达跟踪预测的仿真

摘要：在无人机路径规划研究中，由于多个目标和无人机的相对运动，自主跟踪尚未实现。 因此，针对这个问题，本文使用雷达提供目标位置的实时反馈，根据目标位置估计目标的后期运动状态位置，然后通过组合反馈数据和状态估计结果来执行动态路径规划。最后，无人机路径实时优化。实验表明，该方案可以更好地规划无人机多个目标运动时的路径，从而提高了无人机的智能和长时间的跟踪能力。

关键词：无人机，雷达目标跟踪，运动估计，路径规划

1 介绍

随着无人机技术的发展，无人机在军用和民用航空遥感，通信中继等领域得到了广泛的应用。 同时，随着无人机有效载荷的增加和雷达小型化技术的提高，无人机雷达逐渐成为无人机负载的重要组成部分。

目前，无人机雷达主要由合成孔径雷达组成，工作频段集中在毫米波段，Ku波段和X波段。 无人机SAR具有高分辨率和长时间检测范围。它可以全天候工作，穿透云层和障碍物，跟踪移动目标和突然快速机动目标。由于具有强大的抗干扰能力和雷达的全天候应用，无人机可以利用雷达传感器在飞行过程中获取环境信息，并通过信号处理算法和目标跟踪技术对其进行处理，为无人机提供可靠的环境信息。

雷达是目标跟踪和识别领域的重要传感器。电磁辐射具有很强的可靠性，但也存在一些缺点。由于低空空域复杂的电磁环境，杂波信号噪声相对较强，严重影响雷达探测运动目标的能力。与红外成像系统相比，可见光传感器具有很强的去噪能力和成像能力。它可以提供更清晰的图像信息，并且不易受到电磁干扰。雷达目标跟踪基于用于滤波和跟踪的点目标的测量信息，并且基于图像匹配度可见光传感器跟踪。在无人机目标跟踪领域，如何将点目标跟踪和图像跟踪的优势结合起来，解决长距离简单图像目标的成像模糊问题和近距离目标的干扰问题 是一个热门的研究趋势。

目前，在无人机移动目标跟踪方面，现有的单一运动目标的自主跟踪已经得到了广泛的研究和应用。但是，对于多个移动目标跟踪的问题，无人机操作仍然依赖于操作员的观察来控制无人机飞行路径，并且自主飞行路径设计尚未实现。因此，本文结合无人机对单个运动目标的跟踪，预测和路径规划，实现无人机多个目标的自主路径规划。

为了实现多个运动目标的长期和大规模无人机自动跟踪，本文研究了基于多运动目标跟踪的无人机自主优化。有n个移动目标需要跟踪，无人机从一个点开始到达这些目标的位置。每个目标访问一次之后，无人机将返回起点。

无人机路径问题意味着如何找到上面这个过程的最短路径。为了实现无人机

自主路径规划，本文计划分为三个步骤。

第一步是在选定后获得运动目标的特定运动方程。由于无人机和目标的连续相对运动，目标的坐标将不断变化，需要实时更新。为了获得运动目标的运动方程，本文通过雷达获得目标的位置，并通过雷达数据处理完成目标的拦截，跟踪，确定跟踪状态。在雷达数据处理中，通过相关滤波处理建立目标的运动轨迹，有效地消除了残差杂波引起的误检测，更新了目标位置。

第二步是预测目标移动的位置

由于目标的位置不断变换，跟踪其当前位置将导致更长的跟踪时间。因此，本文采用估计目标位置的方法来优化无人机路径。由于运动目标的状态变化和不确定性，本文采用卡尔曼滤波方法。在雷达目标跟踪滤波算法中，卡尔曼滤波是最具代表性的，它都是基于点目标的测量信息，并预测下一时刻目标的位置，以实现跟踪。卡尔曼滤波是一种递归算法，用于求解状态最优估计。它可以通过仅过滤状态信息来更新当前状态并预测下一时刻的前一刻状态。该跟踪算法的特征在于通过小计算和良好的实时能力。卡尔曼滤波方法是时域方法，

这解决了基于状态空间的最优滤波问题。它对移动估计具有很高的适用性，经常改变运动状态的目标。

最后一步是动态使用预测位置

计划无人机路径，这意味着快速准确在获得目标的具体位置之后设计一个非重复的最短路径

。这个问题叫做旅行商问题（TSP）在统一研究中的应用。由于TSP的复杂性，当规模

目标很大，精确解决方案的时间复杂性方法将成倍增加，并将导致无人机高运行过程中的实时要求。目标数量被认为是大约10，并且应该考虑算法的普遍性。因此，本文采用蚁群算法代替精确算法来获得近似最短路径最优解。蚁群算法的基本原理是模仿蚂蚁在自然界中殖民地觅食行为，使用信息素来控制蚂蚁运动的方向，并最终自主有效地接近最佳路径。然而，虽然基本的蚁群算法具有很强的全局优化能力，但解决问题需要很长时间，并且很容易陷入局部最优并导致算法失效。为了解决这个问题，Stutzle和Hoos 提出了最大和最小蚁群算法。只更新了具有最优算法的蚂蚁的信息素;因此，提高了算法的收敛速度。李等人利用先验知识限制蚁群算法中pheromone的增量，增加道路权重因子，以有效避免停滞算法。因此，本文结合学者的优化方法对蚁群算法进行优化，从而解决了蚁群算法在路径规划中解决时间长，陷入局部最优的问题。

总的来说，为了解决无人机飞行路径规划的问题，本文对此进行了改进无人机单动目标的方法。首先，使用雷达跟踪多个移动目标以获得实时多个移动焦油的位置和运动信息。然后，使用卡尔曼滤波器方法进行预测并估计移动目标的位置。最后，改进的蚁群算法用于处理

获取信息以设计最短的无人机飞行路径可以跟踪多个移动目标。该计划可以通过实现近乎最优的无人机飞行路径多重移动现场的计算机视觉目标跟踪，从而减少手动操作和提高无人机自主飞行能力。

2算法实现

2.1总体算法流程

本文介绍了无人机自动规划的算法过程。首先，安装在无人机上的雷达传感器用于获取移动焦油的位置及其变化，然后根据位置的变化估计目标在一定时间后的位置。在获得估计的运动状态之后，估计的最短路径计划通过改进的蚁群算法获得的目标位置。最后，当无人机执行计算的路径飞行时，它实时更新目标和路径的位置，以实现多个移动目标的无人机路径规划要求。具体流程图如图1所示。

Fig. 1 The flow chart of the algorithmic process

2.2雷达目标定位和预测

雷达目标定位在雷达跟踪目标中起着至关重要的作用。但是，目标中存在状态噪声、雷达系统中的环境和系统噪声。这两种噪声会导致不可避免的错误。在真实状态和测量状态之间

丢失目标。为了消除这个错误，很多研究已在国内外进行，主要是开发过滤方法，如卡尔曼滤波。

卡尔曼滤波器是一种实现的递归估计器，通过原理估计运动状态反馈控制。观察后的位置

雷达的目标，目标的当前状态可以根据历史运动预测目标的状态。基本状态模型包括观察方程和状态方程式如下：

因此，雷达的观测状态可以是通过上面的公式过滤得到目标的状态方程，因为无人机需要很长时间接近目标的过程。如果只依靠目标的现有状态，直接间隔控制信号和信号传输中的延迟可能导致飞行方向更新回到病房，因此不能获得较短的跟踪路径。因此，在本文中，预测的位置提取卡尔曼滤波算法以便控制无人机。

根据卡尔曼滤波器公式，下一个坐标及其协方差的预测等式矩阵可以得到：

本文介绍了优化算法的原理通过卡尔曼滤波器的路径如图3所示，由于延迟，没有添加预测算法无人机飞行控制信号，无人机将移动到获得目标位置的方向和到达位置3.同时，目标将在无人机飞行移动期间到达位置2。因此，本文增加了预测算法纠正无人机的飞行方向并使其成为当UAV下次到达目标位置时，UAV到达位置4，靠近目标位置。

2.3无人机路径规划

考虑到无人机的实时要求路径规划，使用蚁群算法。但是蚁群算法收敛速度慢，容易落入局部最优解。因此，本文就蚁群算法的优化问题进行了研究。通过限制信息素更新的增量和挥发性因子的动态变化来减少算法停滞的概率; 因此，无人机动态路径规划可以实现。

Fig. 2 The flow of Kalman filter

3模拟实验和结果

3.1卡尔曼预测算法的实验

首先，有卡尔曼的模拟实验本文的预测验证了预测算法的准确性。 有一个移动的目标正弦轨迹。并且目标将为每10帧提供反馈位置以模拟雷达。并且卡尔曼预测算法将预测10帧之后目标的位置。而目前目标的位置将与10帧之前的预定位置进行比较。 实验结果如图6所示。

Fig. 4 The flow chart of ant colony algorithm

Fig. 5 The schematic diagram of the path planning method

3.2单动目标跟踪实验

为了证明算法的有效性和可行性，对单目标跟踪进行了仿真实验，并且进行无人机的多目标跟踪。首先，进行雷达单焦油跟踪仿真实验。使用无人机雷达传感器获得目标的观察位置，以及卡尔曼滤波方法用于预测移动目标位置。实验采用两种无人机跟踪方法，目标状态位置跟踪和目标预测位置跟踪。在本文中，目标状态位置跟踪的无人机被称为比较无人机和目标预测位置跟踪的无人机称为实验无人机。在实验中，UAV的速度设置为每个两个像素帧，目标移动速度约为一个像素每帧。实验结果如图7所示。

3.3多个运动目标实验验证

然后，进行了多运动目标跟踪的无人机路径规划的仿真实验。基于在雷达上获得单个目标移动的位置，观察多个移动目标之后，根据目标的状态，蚁群算法用于确定目标跟踪序列和路径。 仿真结果如下所示图8。

Fig. 6 The experimental results of the Kalman prediction algorithm

Fig. 7 The experimental results of the simulation of a single moving target

4讨论结果

4.1卡尔曼预测算法实验的讨论

如图6所示，在第150和第350帧中目标运动状态稍有变化，预测10帧前的位置可以与电流重合目标的位置，它仍然可以高于目标运动的轨迹。而在第250帧，当目标处于大的运动方向变化的情况下，卡尔曼预测算法也可以只需很小的偏差即可快速调整。它的意思是卡尔曼预测算法可以有效地预先确定目标位置。

4.2单个运动目标跟踪实验的讨论

图7显示了根据雷达观测到的目标状态预测目标位置实验无人机判断目标运动方向并提前校正方向，从而减少了目标到达的路径长度并缩短目标接近所需的时间。跟踪效率得到提高，路径规划得到优化。

4.3讨论多个运动目标的实验验证

如图8的第60帧所示，实验UAV修改飞行路径和跟踪序列，并且在第70帧中，在10帧之后，比较UAV针对移动目标进行了修改跟踪序列与无人机实验相同。它表明所提出的算法可以更好适应多个移动焦油的运动变化，跟踪运动目标，并更新和纠正无人机路径提前，从而改善了跟踪无人机的效率。

Fig. 8 The experimental results of the simulation of the path planning of multiple targets

5 结论

本文针对无人机路径规划问题对于多个移动目标，在确定目标后，使用雷达观察目标并获得

他们的观察位置。据观察在目标的位置，卡尔曼滤波用于获得状态位置和预测位置目标，并使用蚁群算法执行多个移动目标的路径规划。实验结果表明，通过预测的位置移动目标进行路径规划，无人机路径即可提前更正和更新，这改善了跟踪无人机的效率，从而提高了智能无人机多个运动目标跟踪。

作者的贡献

BW，JB，LZ和QS构思了论文的构思。BW和JB设计并进行了实验。BW，JB和BW分析了数据。LZ和QS写了这篇论文。BW，JB，LZ和QS对该论文进行了修订。所有作者都读过

并批准了最终的手稿。

出版商的说明

Springer Nature在公布的司法管辖权索赔方面保持中立

地图和机构隶属关系。

参考文献

1. X. Wang, Vision-based detection and tracking of a mobile ground target using a fixed-wing UAV. Int. J. Adv. Robotic Syst. 11(156), 1–11 (2014).https://doi.org/10.5772/58989

2. L. Liu, J.I. Bo, Status and development of radar on UAV. Mod. Nav. 3,227–230 (2014)

3. Y. Zhang, S. Hu, Research on radar/visible light surveillance and tracking methods of target in low altitude airspace. Comput. En. Appl. 54(6), 234–240

(2018). https://doi.org/10.3778/j.issn.1002-8331.1610-0149

4. X. Liu, F. Li, Z. Na, Optimal resource allocation in simultaneous coopera

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17709]，资料为PDF文档或Word文档，PDF文档可免费转换为Word