【技术实现步骤摘要】
本专利技术属于无人系统集群协同定位领域，涉及一种基于惯导的分布式无人系统集群协同状态估计方法。
技术介绍
1、在城市密集建筑、野外高山峡谷、森林和密集植被、恶劣天气等复杂环境下，卫星信号容易衰减甚至丧失并导致无人系统状态估计误差增大。因此可充分利用无人系统集群中节点之间的相对距离、相对方位角等相对测量信息来提高集群的状态估计精度。基于惯性导航系统的协同技术可以提高集群在复杂环境下的状态估计精度，并对可能出现的个别节点定位故障进行识别和恢复，提高集群鲁棒性。
2、然而，目前常采用集中式协同算法进行无人系统自身传感器与相对测量信息的融合，由一个中心统一收发信息并进行状态估计，一旦中心故障整个集群将丧失状态估计能力。因此分布式状态估计方法在集群协同中具有更大的优势，但现有的基于惯导的分布式多源信息融合方法难以推广到大规模集群中。因此，本专利技术提出了一种基于惯导的分布式无人系统集群协同状态估计方法，解决大规模集群协同定位问题。
技术实现思路
1、本专利技术要解决的技术问题是提供一种基于惯导的分布式无人系统集群协同状态估计方法。该方法基于集群中每个无人系统装配的惯性导航系统，通过分布在每个无人系统上的扩展卡尔曼滤波器进行无人系统自身传感器信息与相对测量信息的融合，利用得到的滤波结果修正惯性导航系统机械编排结果，得到每个无人系统更精确的状态估计结果，实现可以大规模集群的分布式协同状态估计方法。
2、为实现上述目的，本专利技术公开的一种基于惯导的分布式无人系统集群协同状
3、步骤一、基于集群中每个无人系统上搭载的惯性导航系统通过机械编排算法计算原始的状态估计结果；
4、步骤二、基于无人系统自身传感器进行测量，得到与自身状态相关的传感器测量结果；基于集群中每个节点只向周围某个节点进行一次相对测量，并以此构成最少边数的环形强连通结构，得到节点间相对测量结果。
5、步骤三、基于设定的量测更新频率以及无人系统的系统时间，判断量测更新时刻是否到来，如果量测更新时刻到来，则节点间进行状态转移矩阵、自身状态协方差矩阵、位置信息的信息交互，然后在每个节点上构建分布式卡尔曼滤波方程并计算，得到滤波估计结果；所述分布在每个节点上的分布式卡尔曼滤波方程由状态预测方程、协方差预测方程、量测方程、状态更新方程、协方差更新方程构成；其中状态预测方程由无人系统搭载的惯性导航系统得到；协方差预测方程与协方差更新方程中所使用的协方差矩阵为：
6、
7、记分布在无人系统i上的协方差矩阵为pi，无人系统i向无人系统j进行相对测量，无人系统k向无人系统i进行相对测量；pii为无人系统i自身状态的协方差矩阵；pij为无人系统i与无人系统j的交叉协方差矩阵(未知相关性)；pik为无人系统i与无人系统k的交叉协方差矩阵；pjj为无人系统j自身状态的协方差矩阵。该协方差矩阵基于产生相对测量的两个节点间出现未知相关性(即上述无人系统i向无人系统j进行相对测量，产生pij；无人系统k向无人系统i进行相对测量，产生pik)，考虑了由相对测量引起的所有可能的未知相关性；同时使用pik打破了传统算法中pij应和其对角线上的矩阵pji互为转置的关系。传统算法中协方差预测方程与协方差更新方程中所使用的协方差矩阵应为：
8、
9、在无人系统i上的状态更新方程中只保留与无人系统i状态相关的估计结果；量测方程包含两个方程，一个是通过步骤二的无人系统自身状态相关的传感器测量结果得到；一个是通过步骤二的节点间相对测量结果得到。
10、如果量测更新时刻没有到来，为非量测更新时刻；则不进行节点间状态转移矩阵、自身状态协方差矩阵、位置信息的信息交互与构建分布式卡尔曼滤波方程，以惯性导航系统的机械编排结果作为非量测时刻的状态估计结果；
11、步骤四、通过步骤三的分布式卡尔曼滤波方程计算得到的滤波估计结果修正s1原始的状态估计结果，实现量测更新时刻的集群中每个节点的分布式状态估计。通过s3非量测时刻的状态估计结果，实现非量测更新时刻的集群中每个节点的分布式状态估计，即基于惯导实现分布式无人系统集群协同状态估计。
12、优选的，步骤二包括以下步骤：
13、s21、利用无人系统自身传感器进行测量，得到与自身状态相关的传感器测量结果。
14、s22、利用集群中每个无人系统上搭载的自身传感器只向周围某个节点进行一次相对测量，并以此构成强连通结构，得到节点间相对测量结果。该强连通结构使得集群中每个节点只主动向周围某个节点测量一次，同时被周围某个节点测量一次，在集群中通过相对测量构成首尾相连的环形结构。
15、优选的，步骤三包括以下步骤：
16、s31、基于设定的量测更新频率以及无人系统的系统时间，判断量测更新时刻是否到来。若量测更新时刻到来，则集群中进行相对测量的节点间进行状态转移矩阵、自身状态协方差矩阵、位置信息的传播、接收；若量测更新时刻没有到来，则不进行上述信息交互过程，进行步骤s33。
17、s32、基于s31中量测更新时刻到来时，集群中进行相对测量的节点间进行状态转移矩阵、自身状态协方差矩阵、位置信息的信息交互；基于步骤二中得到的自身状态相关的传感器测量结果与节点间相对测量结果；然后在每个节点上构建分布式卡尔曼滤波方程并计算，得到滤波估计结果。所述分布在每个节点上的分布式卡尔曼滤波方程由状态预测方程、协方差预测方程、量测方程、状态更新方程、协方差更新方程构成。记某个无人系统集群中无人系统i的自身状态协方差矩阵为pii，无人系统i向无人系统j进行相对测量，无人系统k向无人系统i进行相对测量。
18、无人系统i与无人系统j和k进行交互的信息如下，无人系统i接收：
19、无人系统j在导航系下位置：
20、[xj yj zj] (1)
21、无人系统j的自身状态协方差矩阵：
22、pjj (2)
23、无人系统j和无人系统k从前一个更新时刻到当前更新时刻的状态转移矩阵：
24、φj(tk，tk-1) (3)
25、φk(tk，tk-1) (4)
26、记前一个更新时刻为tk-1，当前更新时刻为tk。
27、步骤二中的自身状态相关的传感器测量结果与节点间相对测量结果在下述分布式卡尔曼滤波方程中测量方程的建立过程中使用。
28、无人系统i上的分布式卡尔曼滤波方程为：
29、状态预测方程：
30、xi(tk+1，tk)＝φi(tk+1，tk)xi(tk) (5)
31、状态预测方程由无人系统i上搭载的惯性导航系统的状态方程得到：
32、
33、tk为当前时刻，tk+1为下一时刻，为无人系统i状态的导数本文档来自技高网...
【技术保护点】
1.一种基于惯导的分布式无人系统集群协同状态估计方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种基于惯导的分布式无人系统集群协同状态估计方法，其特征在于：步骤二包括以下步骤，
3.根据权利要求1或2所述的一种基于惯导的分布式无人系统集群协同状态估计方法，其特征在于：步骤三包括以下步骤：
4.根据权利要求1、2或3所述的一种基于惯导的分布式无人系统集群协同状态估计方法，其特征在于：步骤四包括以下步骤，
【技术特征摘要】
1.一种基于惯导的分布式无人系统集群协同状态估计方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种基于惯导的分布式无人系统集群协同状态估计方法，其特征在于：步骤二包括以下步骤，
3.根据权利...
【专利技术属性】
技术研发人员：李团，于哮洋，吕跃祖，高镇，温广辉，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。