【技术实现步骤摘要】
本申请涉及无人机，尤其涉及一种无人机编队机间协同定位方法、系统、设备及介质。
技术介绍
1、目前，与单无人机作业相比，多无人机编队通过在飞行过程中形成动态网络，多艘无人机之间进行信息交互，可以有效提高作业效率和系统的容错率，增强系统防御突击的能力，保证任务的完成度。相关技术中，无人机导航的主流方案定位惯性导航系统(inertial navigation system，ins)和全球卫星导航系统(global navigationsatellite system，gnss)的组合导航，虽然该方案可以实现无人机的精准导航，但gnss的抗电磁干扰能力差，在复杂环境下可能会由于定位信号被遮蔽等原因导致gnss不可用，进而导致组合导航系统在gnss信号确实的时间内定位误差累积，使得定位精度降低。
技术实现思路
1、为解决上述问题至少之一，本申请实施例的主要目的在于提出一种无人机编队机间协同定位方法、系统、设备及介质，旨在实现复杂环境中的高精度的无人机编队机间协同定位。
2、对主无人机和从无人机之间的阵列信号进行识别，根据识别结果和所述主无人机导航定位信息，得到双向los向量；
3、结合所述主无人机导航定位信息和所述双向los向量，得到从无人机位姿；
4、结合图神经网络模型和深度强化学习模型，根据所述从无人机位姿和所述主无人机导航定位信息，预测无人机的最优编队布局；
5、对所述最优编队布局进行坐标转换和误差处理，得到无人机编队间协同定位结果。p>
6、在一些实施例中，所述对主无人机和从无人机之间的阵列信号进行识别，根据识别结果和所述主无人机导航定位信息，得到双向los向量，包括以下步骤：
7、在主无人机上配置全球卫星导航系统和惯性设备；
8、通过所述全球卫星导航系统和所述惯性设备，得到所述主无人机导航定位信息；
9、对从无人机广播的阵列信号进行识别，得到从无人机定位信息；
10、根据所述主无人机导航定位信息和所述从无人机定位信息，计算所述主无人机和所述从无人机之间的双向los向量。
11、在一些实施例中，所述结合所述主无人机导航定位信息和所述双向los向量，得到从无人机位姿，包括以下步骤：
12、根据所述主无人机导航定位信息，得到主无人机载体坐标系之间的第一姿态旋转矩阵；
13、根据所述第一姿态旋转矩阵和所述双向los向量，计算得到所述主无人机载体坐标系与从无人机载体坐标系之间的第二姿态旋转矩阵，以及各个所述从无人机载体坐标系之间的第三姿态旋转矩阵；
14、根据所述第一姿态旋转矩阵、所述第二姿态旋转矩阵和所述第三姿态旋转矩阵，得到所述主无人机和从无人机之间的相对姿态角度；
15、根据所述相对姿态角度，得到从无人机位姿。
16、在一些实施例中，所述结合图神经网络模型和深度强化学习模型，根据所述从无人机位姿和所述主无人机导航定位信息，预测无人机的最优编队布局，包括以下步骤：
17、根据所述从无人机位姿和所述住无人机导航定位信息，初始化无人机编队；其中，所述无人机编队包括初始位置、相对角度和速度；
18、根据所述初始位置，确定无人机的相对位置和相对距离；
19、根据所述相对距离、所述相对角度和各个所述无人机的速度，通过图神经网络模型预测所述无人机编队布局的定位误差；
20、在每个时间步，根据所述相对位置、所述相对角度、所述角度和所述定位误差，构建状态向量；
21、将所述状态向量输入深度强化学习模型的策略网络中，执行调整所述相对位置和所述相对角度的动作，更新无人机编队和所述定位误差；
22、根据奖励函数和所述定位误差对所述策略网络进行奖励或者惩罚，更新策略网络，直至所述定位误差小于预设定的限值，得到无人机的最优编队布局。
23、在一些实施例中，所述根据所述相对距离、所述相对角度和各个所述无人机的速度，通过图神经网络模型预测无人机编队的定位误差，包括以下步骤：
24、将每个所述无人机的所述相对距离、所述相对角度和速度作为节点属性，生成图结构；
25、通过多层卷积操作，对所述图结构进行卷积处理，更新各个所述节点的特征向量；
26、对所述特征向量进行全连接处理，得到无人机编队的定位误差。
27、在一些实施例中，所述对所述最优编队布局进行坐标转换和误差处理，得到无人机编队间协同定位结果，包括以下步骤：
28、获取所述最优编队布局的从无人机位姿量测信息；
29、对所述从无人机位姿量测信息进行坐标系转换，得到绝对导航信息；
30、根据从机惯导误差模型和阵列量测误差模型，对所述绝对导航信息进行最优估计，得到惯导误差和量测误差；
31、根据所述惯导误差和所述量测误差，对所述绝对导航信息进行误差补偿，得到无人机编队间协同定位结果。
32、在一些实施例中，所述方法还包括以下步骤：
33、构建并训练所述图神经网络模型；
34、构建并训练所述深度强化学习模型。
35、为实现上目的，本申请实施例的另一方面提出了一种无人机编队机间协同定位系统，所述系统包括：
36、第一模块，用于对主无人机和从无人机之间的阵列信号进行识别，根据识别结果和所述主无人机导航定位信息，得到双向los向量；
37、第二模块，用于结合所述主无人机导航定位信息和所述双向los向量，得到从无人机位姿；
38、第三模块，用于结合图神经网络模型和深度强化学习模型，根据所述从无人机位姿和所述主无人机导航定位信息，预测无人机的最优编队布局；
39、第四模块，用于对所述最优编队布局进行坐标转换和误差处理，得到无人机编队间协同定位结果。
40、在一些实施例中，所述系统还包括：
41、第五模块，用于构建并训练所述图神经网络模型；
42、第六模块，用于构建并训练所述深度强化学习模型。
43、为实现上述目的，本申请实施例的另一方面提出了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前面所述的方法。
44、为实现上述目的，本申请实施例的另一方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前面所述的方法。
45、本申请实施例至少包括以下有益效果：本申请提供一种无人机编队机间协同定位方法、系统、设备及介质，该方案采用主从式的无人机信息交互架构，通过阵列信号识别出双向los向量，根据主无人机导航定位信息和双向los向量确定从无人机位姿，进而结合图神经网络模型和深度强化学习模型，预测无人机的最优编队布局，最终得到无人机编队间协同定位结果，可以对无人机编队中不同等级、不同阵列信号位姿信本文档来自技高网...
【技术保护点】
1.一种无人机编队机间协同定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对主无人机和从无人机之间的阵列信号进行识别，根据识别结果和所述主无人机导航定位信息，得到双向LOS向量，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述结合所述主无人机导航定位信息和所述双向LOS向量，得到从无人机位姿，包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，所述结合图神经网络模型和深度强化学习模型，根据所述从无人机位姿和所述主无人机导航定位信息，预测无人机的最优编队布局，包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，所述根据所述相对距离、所述相对角度和各个所述无人机的速度，通过图神经网络模型预测所述无人机编队的定位误差，包括以下步骤：
6.根据权利要求1所述的方法，其特征在于，所述对所述最优编队布局进行坐标转换和误差处理，得到无人机编队间协同定位结果，包括以下步骤：
7.根据权利要求1所述的方法，其特征在于，所述方法还包括以下步骤：
8.一种无
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1至7任一项所述的方法。
...【技术特征摘要】
1.一种无人机编队机间协同定位方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述对主无人机和从无人机之间的阵列信号进行识别，根据识别结果和所述主无人机导航定位信息，得到双向los向量，包括以下步骤：
3.根据权利要求1所述的方法，其特征在于，所述结合所述主无人机导航定位信息和所述双向los向量，得到从无人机位姿，包括以下步骤：
4.根据权利要求1所述的方法，其特征在于，所述结合图神经网络模型和深度强化学习模型，根据所述从无人机位姿和所述主无人机导航定位信息，预测无人机的最优编队布局，包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，所述根据所述...
【专利技术属性】
技术研发人员：王姣，万亚威，李承尚，孙冲，朱博奥，
申请(专利权)人：广东技术师范大学，
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。