文摘
无人驾驶飞行器(无人机)定位已成为至关重要的近年来,主要用于导航或空间和基于无人机的安全监测和监督。在这篇文章中,无人机的方位角和仰角无线电定位。定位是基于多个微分phase-of-arrival措施利用3-Axial均匀线性阵列天线。一个特别的粒子滤波算法应用于使用动态运动模型提高定位的性能。一种新颖的自适应算法,即自适应散射粒子群(psa),提出了增量算法的稳定性和精度。评估性能限制区域随机天线轨迹模拟器(CARATE)算法生成了无人机飞行的实际路径。算法性能与基线相比法和平均轨迹克莱默Rao下界来显示了该算法的有效性。
1。介绍
无人驾驶飞行器(无人机)吸引了相当大的关注,因为它们可以用于消费,工业和军事应用范围,例如,从体育视频制作环境监测和包裹递送1,2]。一个关键组件是定位和导航的技术,允许无人机。目前,全球导航卫星系统(GNSS)和惯性传感器是用来提供信息的位置,速度和运动方向。可靠的定位也很重要的新规定,旨在更好地控制无人机的使用和地位更高的安全(3]。此外,最近,无人机技术已经开始在聚光灯下的警察审计因为可能的安全威胁4]。
摘要无线定位的方法被认为是和它是基于方位和仰角定位使用一个传输源作为参考。方位和仰角取决于处理粒子滤波(PF)的信号,影响3-Axial均匀线性阵列(3 a-ula)。3 a-ula可以安装在地面基站或无人机。在第一种情况下,即Ground-Localization场景(GL-S),基站被动监听的无人机发出的信号来确定他们的角坐标。在后一种情况下,即Self-Localization场景(SL-S),地面节点充当一个无线电锚允许无人机Self-Localization。系统可以用在一个独立的方式或补充现有的GNSS /惯性或惯性传感器使用数据融合技术(5]。
节2,接收到的信号的分析模型3 a-ula被描述。基线方法(BM)坐标估计从3 a-ula获得部分3是迭代处理一个特殊的粒子滤波算法(PF)中所描述的部分4。PF技术使用一种新颖的动态粒子群管理例程,即粒子群适应散射(psa),介绍了部分5以提高收敛性和精度性能。
为了量化的性能提出了跟踪算法的仿真器无人机行为是专门开发的部分6。这个特别的数值模型,即在区域随机天线轨迹模拟器(CARATE),随机生成轨迹在三维空间中遵循一套定义良好的规则,以模拟真实的无人机行为。
最后,在节8,数值结果评估无人机运动性能的函数模型,PF算法参数,和外部有害的缺陷,如相位噪声(PN)和载波频率多普勒频移(DS)。比较平均轨迹克莱默Rao下界(AT-CRLB)角估计的高度和方位也提供。
2。定位系统描述
系统决定了无人机飞行的位置通过一个信号的分析侵犯的三分支3 a-ula考虑。
GL-S构建如下。无人机将窄带无线电信号捕获的地面基站配备3 a-ula。双工无线电信号正确频率/时间允许多个无人机跟踪。无人机地面节点可以在本地计算方位和仰角坐标(6]。通过分享从多个地面节点收集到的数据,可以实现一个完整的三维定位的无人机轨迹。
SL-S类似地安排。每个3 a-ula是安装在无人机,地面设备需要一个无线电信标锚的作用[7),使自我意识的无人机的位置。使用更多的锚传输在不同频率或时分多路复用方式,无人机可以完成一个完整的三维定位。显然,SL-S的实现依赖于无人机和数组大小。
3 a-ula构成,每个3分支之一,天线。每个分支都贴上标签表明沿坐标轴的哪一个流离失所。天线相同的分支是索引沿着分支表明立场。因此,天线的坐标可以写成 在哪里克罗内克符号,也就是说,为和否则,和是天线之间该恒定距离。
信号模型认为在以下描述简单的场景只有一个无人机;这种假设可以很容易地扩展到multi-UAVs应用程序。GL-S和SL-S场景,由于对称性,可以以同样的方式模仿。因此,在一般情况下,降频转换器接收的信号3 a-ula分支的天线可以写成 在哪里索引,采样周期。的数量是相位解调信号的侵犯传感器的分支机构的阶段,即到达(PoA),在理想的情况下不损害的影响。代表了相位多普勒频移(DS)的非零速度造成的无线电来源对每个接收数组元素。的参数振荡器的相位噪声(PN)。它被认为是白色对于这个应用程序(8]。组件之间的相位偏移(PO)调制和解调振荡器。的相成分(2)是更详细地描述如下: 在哪里是接收到的调制信号的载波频率和在哪里是到达时间(ToA)的平面波从源到传感器。DS系数是由于无人机的运动。的参数是无人机的速度的方向3 a-ula和中心的是光速。最后,加性高斯白噪声是循环和标准差(C-AWGN)吗。接收架构包括降频转换器分支的每个轴3 a-ula都由相同的振荡器。因为这个原因PN和阿宝组件相同的天线。
考虑这样一个场景:信号传输携带信息,该组件(2)是代表未知的信息信号的一部分,特别是复杂调制数据符号。应用程序的考虑被认为是一种等概率的一个未知的象征秩序相移键控调制方案。为此符号是模仿复杂制服环形状的噪音(工匠们)在哪里统一是一个随机变量之间呢和和的恒定振幅调制信号。
在这个模型中,存在多路径传播不是考虑;视线环境。这可以适用在地上,无人机天线垂直波瓣宽,分别向上和向下。
3所示。方位角和仰角估计3 a-ula
移动无线电来源被认为是在三维笛卡尔空间。它的角球坐标和确定使用相同的坐标系统中定义的3 a-ula (1)。一个轨迹可见图示例2。定位技术用于定位无线电来源的估计是基于接收信号的相位差不同天线之间的夫妇属于同样的3 a-ula分支到达,即微分相位(D-PoA)。D-PoA被定义为。
在[8一种技术来估计在一个场景中受损信号类似于(2)是描述。应用本文模型考虑这种技术,它允许利用D-PoAs从信号模型中引入(2)。估计是,在那里代表阶段运营商 在平均在执行不同的天线对减轻噪声和其他补偿零均值障碍。使用角球坐标和分别估计和如下: 在哪里反正切函数扩展到吗域。
的估计计算(5)将被称为基线方法(BM)估计不同的粒子滤波(PF)估计,将在部分4。
4所示。PF算法估计
在本节中,PF算法的应用(9]部分中引入的定位问题3简要描述。PF算法技术选择,因为它们简单、可扩展和灵活的数值实现等方法对扩展卡尔曼滤波(10)这种方法问题使直线化系统和近似高斯分布的概率密度函数。PF是专门设计,以适应复杂的系统模型以及非线性和非高斯的配置。PF方法的目标是估计的隐状态的动态演化系统的坐标和广播源,使用连续的离散噪声的措施介绍了(4)。PF,必须假设模型状态的观察和时间演化(9]。隐藏状态的演化模型和是 而模型观察隐状态相关介绍(4)是
的关系(6)显示当前隐藏状态由于之前的演化州和随机不确定的变量和通过运动模型的功能。关系(7)显示了如何测量只依赖于当前状态和一个随机不确定的变量通过测量模型的功能。
符号简单,两个和将表示通用角度吗。当需要这种泛化将被删除。
PF被选中是因为它的简单性和通用性。PF算法的数值实现贝叶斯估计(10),统计方法迭代地增加美国的知识被缩小他们的pdf估计条件在时间顺序收购的新措施。pdf的,定义为是近似离散的方式(11与一组)粒子和一组权重。产生的粒子和权重部分知识给定的测量模型和国家进化模型。这些知识越来越增加的连续时间收购措施。显然,无人机移动以使它的坐标随时间变化的。
所示(6PF算法),在一个假设的模型控制系统的隐藏状态的演变是由。为此目的而使用的运动模型的漂移运动模型(DMM)提出了12]。数字产生新粒子云在步骤将上一步重新取样云(9]使用回归常数: 在哪里是th粒子的步云(重采样过程之后11]。是一个高斯随机变量表示的基本统计散射运动模型的一部分。的参数斜率的线性回归吗之前的值PF估计的。重要的是要强调,在这个回归模型,由于周期性的性质,有必要使用以前保存的打开的值。这是必要的,正确跟踪方位坐标在角的变化从来从第三到第二个笛卡尔象限。
粒子权重PF算法计算了使用临时估计在每个周期获得真正的收购措施(5)。这个临时估计比较生成的云粒子通过一个指数加权函数获得的权重集: ,正确的不必要的补偿的由于周期性的的最小绝对值距离的两个角度和在模空间计算。重塑技术(12然后应用,估计之前,调整粒子云的重量。
PF估计隐藏的状态然后通过加权平均计算重塑粒子群: 在哪里是重塑后的体重的过程。最后,后评估阶段,粒子云是重新取样,生成一组,消除虚假的粒子和避免分裂。
5。小说自适应散射粒子群算法(公益广告)
的参数随机变量的标准偏差吗介绍了(8)。在前一节中随着时间的推移,它被认为是常数。然而,根据情况的跟踪算法,它将是更好的动态。可以定义两个参数描述粒子云:,即粒子云宽度(PC-W)描述多少宽粒子的集合,,粒子云的粒度(PC-G)表明颗粒间的距离: 的价值影响算法的收敛速度。事实上,如果粒子云在价值定位估计收敛快,因为指数加权函数中引入(9)给予高权重到最近的粒子和进一步的重量可以忽略不计。相反,如果粒子云位于远离值估计,算法收敛慢,因为指数加权函数给所有粒子几乎相同的权重。因此,它需要更多的迭代将粒子群,逐周期,附近的收敛点。由于这些原因更大的价值将导致更广泛的云,鼓励收敛。另一方面,小的值将算法慢和不稳定状态变化快。
的价值收敛精度的影响。事实上,假设它已达到收敛点,估计精度上有界的平均颗粒间的距离,也就是说,PC-G。
考虑到传播变量介绍了(8)作为高斯变量与零均值和标准偏差,可以估计PC-W使用Tchebysheff的不平等。同样PC-G可以估计。这些关系表明PC-W和PC-G直接成比例。因为之前的观察可以得出这样的结论:一群粒子,在融合阶段的价值更大可能更合适,因为它会导致更快的结果。另一方面,收敛后阶段,规模较小的值更适当的提高估计精度。
由于这些原因在本文中一个新颖的算法,管理的动态演化整个迭代,即粒子群适应散射(psa)。
距离度量被定义为一个基线误差所使用的云粒子和公益广告选择PF算法的收敛状态。错误的云计算之间的基线估计介绍了(5)和重新取样粒子群如下: 的运营商和分别表示的数字操作平均和标准偏差的绝对值的运作周期域。的参数和分别代表错误的低和高边界云公益广告作为阈值的算法引发的增量或减量如下: 在哪里 是公益广告的反馈参数成比例。的价值,这取决于两个反馈参数和和阈值将积极迭代增量和消极的递减并设置为0保持常数。
的价值增加对其检测到nonconvergence条件时的前一个值。这个条件适用时错误云是合理的收敛区间,即当或。然后,PC-W增加鼓励收敛。如果前面的条件不满意,的价值是递减w.r.t.收敛状态检测时其先前的值。这个条件适用时错误云的边缘收敛区间,即当或。然后,减少了PC-G增加精度。的剩余价值和紧的条件收敛。在这种状态下的价值保持相同的w.r.t.其先前的值。这个公益广告案例使云的大小相同,以避免由于快速变化不稳定条件收敛点。反馈参数的值和阈值参数相关的动态行为收敛一点有关无人机运动模型。最优值和数值计算了CARATE生成的轨迹。
6。无人机轨迹模拟器
评估BM和PF算法的性能评估和评估不同的参数估计过程的影响,有必要模拟无人机使用一个合适的坐标轨迹演化算法。在此,提出了一个可能的轨迹生成方法。
该算法,在区域随机天线轨迹模拟器(CARATE),迭代生成一个三维路径从一个可变长度之前的历史轨迹和可调的一组随机变量。品他病是专门设计用于模拟无人机飞行轨迹在有限的区域,周围GL-S,接收数组。因此,生成的轨迹允许测试范围广泛的到达角的跟踪算法。无人机远离接收数组而不是将本地化使用范围有限的角度。笛卡儿的位置在时间无人机的发展 这个角、图中所示1是当地的方位角度的时间实际轨迹的坐标从先前的路径点。当地的仰角可以类似地定义。无人机的绝对速度。在每一步,轨迹生成的增量,,“种子”相关组件,,和随机组件,,如下: 分别生成的随机组件后,正态分布,,。随机分量分布的参数影响无人机路径的行为。例如,对于,无人机和有加速趋势无人机会逆时针转。介绍了种子值(15)的历史参数表达多少的演变路径的过去和给出有关 在哪里反正切函数内定义吗在哪里 在图1CARATE组件之间的关系的变量表示。所示(16),小种子的窗口宽度参数和越高的影响路径随机化对过去的历史路径本身。同样的效果会出现高值的标准差,,的随机组件,,介绍了(15)。
品他病算法,作为示例路径在图中可见2,生成3 d飞行轨迹在有限的区域,由水平约束和垂直区域。被定义为而被定义为。特定常规算法的开发保持有限的飞行区域内的轨迹,保存它光滑,没有锋利的边缘地区。如果或超过的价值介绍了(16为后续)是强迫步骤一组之间的平均间隔值和。的价值适当地定义根据笛卡尔象限的轨迹穿过表面在哪里。类似地,如果超过的价值介绍了(16)是被迫在未来步骤之间的一组等距的值和。的价值也是根据笛卡尔象限定义的表面在哪里交叉。
7所示。Cramer-Rao下界
在统计Cramer-Rao下界(CRLB)表达的最小值的均方根误差(RMSE)最优估计量在特定数据13]。本文的估计坐标从给出的信息进行测量,,。
现在,我们定义作为理想的测量值的向量,即,(4),但由于没有不利影响(中引入的缺陷2)如PN, DS, C-AWGN: 在介绍部分吗2,的D-PoA3 a-ula天线分支是复杂的恒幅降频转换器星座。矢量的测量中定义的(4),可以写成 在中间的信号平均通过天线对吗。噪声组件(19) 的符号表示复共轭算子。是零均值和方差的C-AWGN吗。《行动纲领》中定义的(3)。期望的微分噪音在天线相同的分支,而其方差。类似地,平均微分噪音描述的意思吗及其方差。
计算CRLB需要评估对数似获得数据的参数估计。代表了自然对数。在这种背景下,计算的CRLB,测量向量被认为是影响只有通过C-AWGN噪声没有影响中引入的其他障碍(2)。这种假设收益率可能Gaussianity并通过数值拟合验证类似于(14),所以 时间的指数省略到符号的CRLB推导简单。的CRLB变量,定义为未知数向量的th元素,是 在哪里是费舍尔信息矩阵: 对于对数似函数描述的(21),我们得到 在哪里单位矢量方向吗是规范化interantenna距离(图4)。的符号表示转置运算符。最后,CRLB表达式和是 每一个估计量的RMSE未知的从测量低有界的。再说明一次,这是很重要的C-AWGN-only CRLB计算(25)考虑C-AWGN但不是之前介绍的其他障碍,特别是DS和PN。考虑到之前的假设,AWGN-only CRLB低于或等于完全CRLB受损。另一个相关的观点是,CRLB计算没有考虑运动模型和历史轨迹与PF算法不同。的CRLB只是计算观察介绍了(4)时间作为大英博物馆。相反,提出利用运动模型与psa联合PF算法,使用信息来自历史轨迹。出于这个原因,它可能发生比CRLB PF估计提供了更好的性能。
8。性能分析
现在PF算法的性能评估。比较与大英博物馆估计中引入部分3和CRLB计算部分7也都是。不同的无人机轨迹生成CARATE评估性能。每个无人机轨迹样品时间长。为了有一个共同的性能评价指标,在接下来我们定义的平均均方根误差(RMSE)计算每一个轨迹示例,即平均轨迹RMSE (AT-RMSE)。
生成的轨迹描述与设置BM估计,它的PF估计。他们的AT-RMSE分别和为在哪里 每个轨迹的均方根计算吗。是生成的轨迹。
类似地,目的与CRLB允许性能比较,我们定义平均轨迹CRLB (AT-CRLB)为在哪里
默认参数(a)绩效评估的角度,,;(b)速度公里/小时,公里/小时。数组参数和。PF算法的基本设置和。公益广告参数 和 品他病的数值优化算法。在信号模型中引入(2),与标准差PN是白色阿宝是统一的对于每一个数组元素,和信噪比dB = 10分贝。模拟轨迹的数量和他们的长度已正确尺寸的保证统计结果的信心。
在图2的一个例子显示了绩效评估三维轨迹生成。3 a-ula定位中心的轴。
8.1。与静态和动态性能
我们现在考虑性能随着信噪比的函数。在图3的AT-RMSE方位坐标和高程坐标为PF算法和大英博物馆。此外对性能的影响公益广告算法中引入部分5分析了。可以观察,由于几何不对称,AT-RMSE的性能方面明显不同和。更大的低信噪比的值导致AT-RMSE PF和BM估计。状态是很重要的,对于一个静态值,PF执行比BM在广泛的信噪比的值。例如,在信噪比2 dB,它优于BM算法了为和为。公益广告的分析表明,引入算法导致性能的进一步改善。例如,在2 dB的公益广告会导致性能改善信噪比为和为使用一个静态的。这是在图可见3PF算法的引入,如何让克服AT-CRLB。这是可能由于无人机路径的先验知识从前面的步骤中提取运动模型的轨迹。更高的信噪比性能提高PF对BM算法显著低于低信噪比。
8.2。表现为不同Interantenna距离
现在的行为AT-RMSE大英博物馆和PF算法分析不同规范化interantenna距离。明确提取阶段元件间的距离必须小于一半的撞击信号波长(15]:。此外在(25),它是可见的,更高的值CRLBs增加。这将导致估计的最优值。然而,在低信噪比情况下,值附近发现CRLB过于乐观。事实上,高C-AWGN和其他障碍(2)严重损害性能腐化的价值在(4),使其超过。PF算法,由于其提出的先验知识的无人机路径运动模型,减弱这种影响效应。在图3,我们可以看到该PF算法不依赖大英博物馆。因此,相同的3 a-ula用于更广泛的载波频率关于大英博物馆,展品的狭窄区间的最优性能周围。出于这个原因,PF算法也可以提供良好的性能在多个无人机场景在频分多路复用实现时尚。
9。结论
我们已经讨论了一个适当的应用设计PF算法self-localization (SL-S)和地面定位(GL-S)无人机的使用3 a-ula天线,显示一个总体增加的性能对大英博物馆。一种新颖的算法粒子群的管理幅度,即粒子群适应散射(psa),已经开发和测试,显示精度的进一步提高。一个完整的、完全可调,有效3 d无人机轨迹模拟器,即提出了CARATE,和用于评估性能。强损害影响像多普勒扩散,相位偏移,相位噪声也被认为在绩效评估。PF的影响提出的定位算法模型参数以及信噪比和3 a-ula特征研究。数值结果表明,该无人机PF算法能够动态跟踪角位置更好,大英博物馆。这种方法的一个临界点,类似于公益广告的行为,一个动态校准程序必须实现优化PF参数。未来的工作还将调查测距算法的集成接收信号强度估算(RSSE)和ToA PF提供完整的三维定位。
相互竞争的利益
作者宣称没有利益冲突。