[发明专利]用于目标跟踪的多无人机协同优化方法及系统

说明书

本发明提供了一种用于目标跟踪的多无人机协同优化方法及系统，包括：实时获取所有无人机的目标识别率TRR；设定协同阈值θ₁和协同阈值θ₂，根据协同阀值θ₁、协同阈值θ₂与目标识别率TRR之间的关系对无人机的飞行方向进行调整；基于协同策略建立约束条件从而使无人机实时进行飞行调整，以使无人机按照目标函数进行目标追踪。本发明根据目标识别率，自适应地确定不同的识别策略，以保证跟踪飞行的整体鲁棒性，并且能够更好的完成目标追踪。并且根据运动势能列出多无人机跟踪的目标函数，以使无人机更好的完成目标追踪。

技术领域

本发明属于一种无人机追踪领域，具体是涉及到一种用于目标跟踪的多无人机协同优化方法及系统。

背景技术

目前，无人机已被广泛应用于军事领域和民用领域。军事领域的主要应用包括无人侦察、环境感知、安全监视、导弹制导等。同时，无人机在交通监控、资源勘探、农业灌溉、道路检测、灾区救援等民用领域也受到广泛关注。由于大型无人机存在成本高、携带不方便等缺点，小型无人机越来越受到人们的认可。它的优点主要包括：(1)使用成本低；(2)不需要特定的起飞空间；(3)携带方便；(4)能够以低能量实现远距离监控目标。近年来，基于小型无人机的应用开发成为研究者关注的热点问题之一。在基于无人机的跟踪问题上，为了提供一个公共测试平台来验证不同跟踪方法的性能，在2016年建立了公开的无人机跟踪基准库，其中包括123个视频序列和超过11000个图像帧。该基准库的建立对无人机目标跟踪的研究开辟了一个新的思路，具有十分重要意义。许多基于常规视频的跟踪方法同样显示了出色的跟踪性能，如：DSST、Meet、KCF。同年，Chen等人设计了一个单无人机跟踪控制系统，该系统将无人机在室内外环境中对地面运动目标的跟踪分为三种控制模式：目标搜索模式、目标跟踪模式和目标丢失模式，进一步推动了无人机跟踪研发的热潮。在此之后，一些学者应用支持向量机(Support Vector Machine,SVM)或卷积神经网络(ConvolutionalNeural Networks,CNN)来区分目标和背景，提高了无人机跟踪的整体鲁棒性。然而，由于单无人机在飞行过程中容易受到遮挡、视角变化、背景杂波等干扰，不具备在复杂场景中独立执行观测任务的能力，多无人机协同跟踪已成为当今更为有效的跟踪策略。

多无人机协同跟踪是一种典型的多Agent系统。一个Agent能够实时测量与相邻Agent的相对距离，并调整自身飞行位置以实现最优观测。迄今为止，无人机协同跟踪技术还不够成熟，但由于其广阔的应用前景，许多学者纷纷投入到此项研究当中。对于多无人机协同控制方面，最基本的解决方案是Leader-Follower结构，Leader通常是提前定义的领航者，Follower将其视为参考物，与之保持一定的相对位置进行协同飞行。但该结构存在严重不足，一旦Leader偏离航线，则Follower也将随之偏离而导致跟踪任务失败。为了解决此问题，Oh等人提出了虚拟结构的控制方式，其中每个无人机被视为单独实体，实体间的位置信息被视为虚拟编队结构。此外，Zhang等人指出无人机的姿态角是编队飞行控制不可缺少的组成部分，并设计了一种基于神经动态控制的方法，使无人机能够自主控制飞行位置和角度，但该方法不能满足实时任务的要求。实际上，由于环境因素的干扰、目标的运动状态实时变化且运动不规则等问题，协同跟踪目标除编队控制外还应考虑无人机与目标的相关性，即利用无人机实时检测的目标识别率构建多无人机组织协同关系。然而，目前面向多无人机组织、协同关系的研究相对较少，主要的挑战有以下两点。(1)在跟踪过程中必须考虑各无人机对目标的识别情况，才能对目标所处的环境做出决策；(2)由于各无人机目标识别率的差异，需要设计多种协同策略来应对环境变化。

发明内容

本发明要解决的技术问题是提供一种用于目标跟踪的多无人机协同优化方法及系统，以解决现有技术中存在的技术问题。

本发明的内容包括：

本发明首先提供了一种用于目标跟踪的多无人机协同优化方法，包括以下步骤：

实时获取所有无人机的目标识别率TRR；