申请/专利权人：西北工业大学

申请日：2021-01-06

公开（公告）日：2021-04-09

公开（公告）号：CN112632876A

主分类号：G06F30/28(20200101)

分类号：G06F30/28(20200101);G06F113/08(20200101);G06F119/14(20200101)

优先权：["20200826 CN 2020108696223"]

专利状态码：有效-授权

法律状态：2022.09.16#授权;2021.04.27#实质审查的生效;2021.04.09#公开

摘要：本发明涉及一种基于DMHE和DMPC的无人船协同目标跟踪控制方法，属于工业自动控制和海洋工程领域。本发明主要用于多无人船协同目标跟踪控制，首先建立无人船的运动学和动力学模型，目标运动模型以及量测模型，之后设计基于无迹卡尔曼滤波的有限时域MHE算法，解决了到达代价估计问题和单个无人船对目标的估计问题，接着根据上述到达代价的估计方法，通过邻居节点间信息交流，设计DMHE算法，解决多无人船对目标的协同估计问题，最后根据目标估计的位置信息以及邻居节点位置信息交流，设计DMHE算法，解决多无人船协同目标跟踪控制问题。

主权项：1.一种基于DMHE和DMPC的无人船协同目标跟踪控制方法，其特征在于步骤如下：步骤1：建立编队系统中无人船i的运动学和动力学模型： 其中，d11＝-Xu，d22＝-Yv，d33＝-Nr；其中xi和yi分别表示无人船i在惯性坐标系中相应位置，ψi表示无人船i航向角，ui表示无人船i前向速度，vi表示无人船i横向速度，ri表示其角速度，ui1表示无人船i前向推力，ui2表示无人船i偏航力矩，m表示其质量，以及Xu，Yv，Nr分别是与附加质量和阻尼力有关的流体动力参数；建立目标运动模型，选取匀加速运动模型： 其中，x、和分别表示目标x轴方向位置、速度和加速度，y、和分别表示目标y轴方向位置、速度和加速度，wt表示零均值、协方差为Q的高斯白噪声；将式2离散化后，运动模型为：xrk+1＝Fxrk+Gwk3其中，T是采样周期，矩阵F和G具体形式如下： 在混合坐标系下建立量测方程，具体形式如下：zik＝hxrk+vik5其中，zik＝[rik,θik]T，rik，θik分别表示k时刻无人船i量测的目标距离和方位角，hx＝[hir,hiθ]T，vik表示表示零均值、协方差为R的高斯白噪声；hir和hiθ具体形式如下： 步骤2：单无人船的目标估计问题：首先，考虑利用当前时刻T之前所有的量测信息，设计全信息MHE算法；将3和5式整理成如下形式： 满足约束条件： 其中，约束集合χ、W和均为紧闭凸集；令建立如下优化问题： 其中，P0表示初始状态xr,0的协方差矩阵，是阶段代价项；通过求解优化问题10，可以得到T时刻估计值在下一量测时刻令T＝T+1，同时增加量测值zi,T+1，重复求解扩大一个维度的优化问题10，完成算法循环；接着设计有限时域估计算法，将全信息估计问题转化为固定时域为N的估计问题和到达代价设计问题；建立如下优化问题： 其中，ΘT-Nxr,T-N为到达代价函数，定义为： 12式即：利用前向动态规划原理，将全信息MHE问题转化为当采样时刻k∈[T-N,...T-1]时的固定时域优化问题，通过固定优化问题得到初始最优估计值那么当k∈[0,...,T-N-1]时，如果存在干扰序列{w0,w1,...,wT-N-1}可以将系统从初始点在满足约束条件下导引到且满足代价函数VT-N最小；由于到达代价难以直接计算，采用无迹卡尔曼滤波算法进行估计，所述的无迹卡尔曼滤波算法如下：UT变换：考虑n维变量xr,k，其均值为协方差为Px,k，传递函数xr,k+1＝fxr,k；根据均值和方差得到sigma点{χi:i＝0,...,2n}、均值的权值Wim和协方差的权值Wic；通过比例修正后，χi、Wim和Wic具体形式如下： 其中，参数λ＝α2n+κ-n，κ是调节参数通常为0或3-n，α是一个较小正数，β表示先验分布因子，将sigma点通过函数xr,k+1＝fxr,k进行非线性传递，得到变换后集合预测过程： 更新过程： 通过上述过程可以得到估计状态协方差矩阵Px,k，下面给出到达代价函数的近似函数： 其中，ΦT是到达代价的常值部分；建立优化问题如下： 其中，代价函数为： 基于无迹卡尔曼滤波的MHE算法步骤如下：1初始化：给定Q、R和P0加权矩阵，初始值有限时域长度N，初始时刻T＝1；2当时刻T≤N时，求解全信息MHE优化问题10，得到估计值3当时刻TN时，求解基于无迹卡尔曼滤波的MHE优化问题17，得到估计值4由13-15式计算状态协方差矩阵Px,T-N，得出到达代价ΘT-Nxr,T-N的近似函数；5在下一时刻，令T＝T+1，同时增加量测值zi,T+1，返回步骤2，重复上述过程；步骤3：多无人船协同目标跟踪：无人船i接收邻居节点无人船对目标位置的估计信息，根据单无人船目标估计中对到达代价ΘT-Nxr,T-N以及阶段代价函数的构造，建立T时刻无人船i优化问题的指标函数为： 其中，pr,k＝[xr,k,yr,k]T表示k时刻需要求解的xr,k的位置变量，也就是状态信息，它可以写成由变量xr,T-N和wk组成的形式，是T-1时刻的一系列估计值，N表示MHE算法估计时域，是对到达代价ΘT-Nxr,T-N的简化，考虑16式中ΦT是常值，在优化问题的求解过程中可以省略，是基于无人船状态信息的目标协同项，A是给定加权矩阵；Q和R分别表示过程噪声矩阵和量测噪声矩阵，Px,T-N为通过无迹卡尔曼滤波得到二点协方差矩阵；基于DMHE的目标跟踪算法步骤如下：1初始化：给定Q、R和P0加权矩阵，初始值有限时域长度N，初始时刻T＝1；2当时刻T≤N时，求解全信息MHE优化问题10，得到估计值3更新并保存得到的估计状态序列4当时刻TN时，接收邻居节点的信息求解基于DMHE的目标跟踪优化问题19，得到估计值5由13-15式更新协方差矩阵Px,T-N，得出到达代价ΘT-Nxr,T-N的近似函数；6在下一时刻，令T＝T+1，同时增加量测值zi,T+1，返回步骤2，重复上述过程；步骤4：多无人船协同跟踪控制：对于每个无人船i假定它与邻居节点的通信网络拓扑是无向连通图结构，定义表示所有无人船的集合，表示无人船i的邻居集；则在每一采样时刻tk，无人船i接收邻居节点的状态信息，假设信息传输没有延迟和中断，通过求解关于目标状态和邻居节点状态的代价函数，得到优化控制输入ui，并实现如下协同控制目标：1当t→∞时，prt-pit→dir；2当t→∞时，pit-pjt→dij,其中pi＝[xi,yi]T和pr＝[xr,yr]T分别表示无人船i和目标的位置变量；根据上述协同控制目标描述，建立如下的指标函数： 其中，Liτ；tk表示无人船i目标跟踪代价函数，Giτ；tk表示无人船i协同代价函数，Ei·为终端代价函数，TP表示MPC算法预测时域；函数Liτ；tk、Giτ；tk和Eixirtk+TP；tk具体形式如下： 其中，pirt＝prt-pit-dir表示无人船i与目标的位置跟踪误差，pijt＝pit-pjt-dij表示无人船i与邻居节点j的位置跟踪误差；Qi，Qij和Pi分别表示各项的加权矩阵；无人船i每一采样时刻tk求解的优化问题如下所示： 其中，χi、和Ωi分别为状态约束，控制约束和终端约束；求解优化问题24，将控制序列的第一个元素作用于系统；步骤5：优化过程估计值更新：由于在每一采样时刻tk，各无人船需要同步求解优化问题，因此对于无人船i来说，并不能获得邻居节点j的真实位置预测轨迹；为了解决这一问题，邻居节点j需要在求解优化问题之前向无人船i发送假设位置预测轨迹，首先下面的说明： 表示无人船i的真实预测控制输入，它的序列第一个元素作用于系统； 表示无人船i的假设预测控制输入，用于生成假设位置预测轨迹利用上述控制输入和系统模型1式得到真实位置预测轨迹和假设位置预测轨迹当τ∈[tk,tk+1时，将真实预测输入作用于系统，得到真实位置预测轨迹假设控制输入设计如下： 其中，κipirτ:tk-1表示终端控制器，在终端控制器中的，pirτ:tk-1的初始值满足通过假设预测控制输入和系统模型1，生成的假设位置预测轨迹如下： 其中，表示终端域中的假设位置预测轨迹，满足如下的形式： 根据上述分析，可将协同代价函数Giτ；tk中的pijτ；tk通过代替求解；此外，在代价函数Liτ；tk中，需要知道当τ∈[tk,tk+Tp]时，目标的位置大小prτ；tk；而根据步骤3中DMHE算法，仅能知道当前时刻tk的目标位置估计值prtk；tk，因此需要对τ∈tk,tk+Tp]时的目标位置进行假设；假设目标位置预测轨迹设计如下： 其中，是通过目标的名义系统生成的；根据上述假设目标位置预测轨迹的设计，可将协同代价函数Liτ；tk中的pirτ；tk通过代替求解。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于DMHE和DMPC的无人船协同目标跟踪控制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD