Source : Armes d’aviation Auteurs : Gao Wei, Rao Bin, Zhou Yongkun
Résumé
L’essor des essaims de drones biomimétiques pose de nouveaux défis en matière de suivi et de reconnaissance des cibles radar, et les différents modes de vol des essaims auront des effets différents sur le traitement des données radar et la reconnaissance des cibles des essaims. Afin d'analyser le mécanisme d'influence des essaims sur le suivi et l'identification radar, cet article modélise le processus de vol de trois types d'essaims de drones, des essaims d'oies, des essaims de loups et des essaims d'abeilles, simulant respectivement le transport à grande échelle et l'approche. d'essaims d'UAV. Attaque par rafle et communication d'informations robuste ; deuxièmement, le mécanisme d'influence des différentes méthodes de regroupement sur les algorithmes clés d'initiation de la piste radar, d'association de données et de filtrage de suivi est discuté ; enfin, un mode d'événement de regroupement est conçu sur la base du regroupement idée en combinant les caractéristiques de trois types de mouvements bioniques. La méthode d'identification de chaque modèle de cluster est donnée. La simulation montre qu'il existe des combinaisons relativement meilleures d'algorithmes de traitement de données dans différents modes de cluster, et que l'algorithme de suivi optimal pour les modes de cluster peut améliorer la précision de suivi du radar vers les cibles de cluster et réduire le coût en temps, et peut réaliser l'identification de différents clusters. modes, ce qui est bénéfique pour juger de l’intention cible et du traitement ultérieur.
Mots clés
essaim bionique, essaim de drones, oies, loup, essaim d'abeilles, suivi de cible radar
introduction
Une cible de groupe est définie comme un ensemble de cibles multiples présentant des caractéristiques dynamiques similaires et difficiles à distinguer sur une certaine période de temps, comme un cycle radar [1]. Les cibles de groupe communes comprennent les groupes biologiques, les formations de drones volant de manière dense et les cibles moyennes. Cibles de groupe de missiles balistiques à portée de tir, cibles de missiles à salve multiples, cibles de groupe de satellites, etc. Parmi eux, la recherche sur le vol de groupes de drones imitant des populations biologiques constitue un essor dans le domaine du contrôle de vol des drones ces dernières années [2], qui résout le problème d'une série de drones uniques en imitant le comportement d'un groupe biologique spécifique. Les tâches que les drones ne peuvent pas accomplir présentent les caractéristiques de regroupement, d'autonomie et d'intelligence [3], ainsi que les célèbres projets tels que "elf" américain et OFFSET [4].
C'est précisément en raison de l'application généralisée du comportement de groupe dans la coordination des drones qu'un grand nombre de cibles groupées avec une répartition spatiale dense apparaissent souvent en confrontation, ce qui pose de nouveaux défis au suivi radar multi-cibles. À l'heure actuelle, les méthodes de contrôle des essaims de drones basées sur l'intelligence des essaims émergent sans cesse [5], mais peu de chercheurs les analysent dans le domaine du suivi, et dans le domaine du suivi, la plupart des simulations expérimentales de suivi et de suivi de cibles multi-cibles ou de groupe d'autres recherches connexes sont uniquement utilisées. Il est difficile de refléter les caractéristiques à grande échelle du groupe en raison du petit nombre de cibles multiples.
Les algorithmes de suivi radar multi-cibles peuvent être grossièrement divisés en méthodes traditionnelles et méthodes basées sur la prise de décision de données multi-trames [6]. La méthode traditionnelle adopte le cadre de filtrage d'initiation de piste-association de données-suivi et estime l'état cible pour chaque image de mesure, qui est relativement mature. Les méthodes classiques d'initiation de piste incluent la méthode intuitive, la méthode logique, la méthode de transformation de Hough, etc. Les méthodes d'association de données incluent le plus proche voisin (NNDA), l'association de données probabilistes (PDA), l'association de données probabilistes conjointes (JPDA) et sa méthode rapide (CJPDA et HHJPDA) , les méthodes de filtrage de suivi incluent le filtrage de Kalman, le modèle statistique actuel (CS), le multimodèle interactif (IMM), etc. La méthode basée sur la prise de décision de données multi-trames intègre des mesures multi-trames et retarde la prise de décision pour des problèmes de corrélation complexes afin d'améliorer l'effet de corrélation. Les algorithmes représentatifs incluent le suivi multi-hypothèses (MHT) [7] et l'allocation multi-trame. (AMF) [8], etc. En prenant comme exemple MHT, cette méthode combine initiation, association et gestion de trajectoire, et est actuellement reconnue comme l'un des meilleurs algorithmes de performance [9], mais l'inconvénient est qu'elle nécessite plus d'informations préalables, et comme l'augmentation du nombre La définition des cibles et l’élagage multi-hypothèses nécessitent une grande quantité de calculs.
Afin de surmonter le problème de l'association lorsque la cible est dense, les chercheurs ont trouvé un autre moyen, le suivi du centroïde de groupe [10] et des méthodes basées sur le hasard fini (RFS) [11] ont été proposées l'une après l'autre. Le suivi du centre de masse du groupe fait référence au suivi de la cible entière lorsque la cible est difficile à distinguer, complété par des pistes simples dans certains groupes, il peut mieux résoudre le suivi global des cibles de groupe avec des règles de mouvement similaires dans un court laps de temps, et en même temps réduire la quantité de calcul et la capacité de stockage [12]. Cependant, pour les cibles de cluster qui doivent clarifier la relation interne du cluster, comme les missiles balistiques à mi-course avec un temps d'avertissement court [6], les clusters de drones dans les formations bioniques, etc., il est difficile de garantir la précision du cluster. suivi du centroïde cible. L'algorithme de suivi multi-cibles basé sur la théorie RFS peut éviter l'association de données, estimer directement le nombre de cibles et l'état des cibles[13], et peut mieux résoudre la situation de cibles inconnues et variables dans le temps, ce qui signifie que l'algorithme a filtrage par densité d'hypothèses de probabilité (PHD), filtre multiple de Bernoulli (MeMBer), etc. Cependant, pour des scénarios complexes et changeants tels que les groupes balistiques et les groupes de formation de drones, la méthode de suivi basée sur RFS n'a pas pu les modéliser efficacement, et une méthode de mise en œuvre spécifique a été obtenue [14]. Par conséquent, pour les cibles de groupe dans un environnement spécifique, les méthodes de suivi du centroïde de groupe et de suivi basées sur RFS sont encore au niveau théorique, et les méthodes traditionnelles restent les plus largement utilisées en ingénierie.
Cet article se concentre sur les performances des algorithmes de suivi de cibles lorsqu'il s'agit de cibles de cluster à grande échelle. Après avoir analysé les caractéristiques de mouvement de trois essaims de drones biomimétiques, une stratégie d'optimisation de l'algorithme de suivi de cible par essaim radar et une méthode de reconnaissance de formes sont proposées sur la base du cadre de suivi de cible traditionnel. Cette stratégie mesure de manière globale la précision et la complexité de l'algorithme et optimise l'algorithme de suivi adapté à différents scénarios. Sur cette base, combinée aux caractéristiques de trois types de mouvements de biomimétisme, une méthode d'identification des modèles d'événements de cluster a été conçue.
1 Modélisation du vol en essaim de drones
1.1 Migration des oies cygnes
Le troupeau d'oies en vol présente généralement une forme « humaine ». Des études ont montré que les oies volant en formation profitent de l'aérodynamique pour économiser environ 70 % d'énergie lors de migrations sur de longues distances par rapport aux oiseaux migrateurs volant seuls [15]. Zhou Ziwei et ses collègues ont introduit le mécanisme d'interaction des troupeaux d'oies cygnes pendant le vol [16] et ont réalisé l'algorithme de contrôle coopératif des essaims de drones selon le mécanisme de formation des oies cygnes. Les essaims de drones volent en formation comme la file d'attente migratrice des oies cygnes, qui peuvent réaliser un transport sur de longues distances.
Dans la formation de l'oie cygne, chaque oie cygne a généralement trois modes de comportement : le mode de conduite, le mode d'accélération et le mode de suivi. À un certain moment, supposons que la distance de jugement entre l'oie cygne j et l'oie cygne i devant elle soit
(1)
Dans la formule : qij est la distance entre l'oie cygne i et j dans la direction avant ; uij est la distance entre l'oie cygne i et j perpendiculairement à la direction avant ; rj est le niveau suivant de l'oie cygne j ; fu, fq, fr sont les trois poids d'influence, grâce au réglage de ces trois poids d'influence, la formation peut obtenir un effet symétrique. La figure 1 montre la relation de position relative entre plusieurs oies cygnes.
Oie cygne i sélectionne l'oie cygne j à suivre selon la formule (2), c'est-à-dire
(2)
Et mettez à jour la vitesse selon la formule (3) :
(3)
Dans la formule : vL est la vitesse attendue ; α est le coefficient proportionnel suivant, qui est utilisé pour contrôler la vitesse de suivi de l'oie cygne i ; Pd est la position suivante attendue de l'oie cygne i ; Pi est la position actuelle du moment de l'oie cygne je.
1.2 Chasse aux meutes de loups
Les loups sont les animaux de chasse en groupe les plus répandus, avec un système d'organisation strict et des méthodes de chasse exquises. Pendant le processus de chasse, les loups adoptent généralement la forme d'un encerclement. Il existe grosso modo deux divisions du travail : l'encerclement de la chasse et l'assistance, ce qui améliore considérablement l'efficacité de la chasse. L'équipe de Duan Haibin a analysé le modèle hiérarchique des loups basé sur la théorie des graphes, depuis l'intelligence des meutes de loups jusqu'aux clusters d'UAV [17], et a donné un flux d'algorithme pour imiter les loups et le contrôle de formation autonome multi-UAV. Les drones simulent le comportement d'assistance et d'encerclement des loups gris lors de la chasse, ce qui peut améliorer l'efficacité d'attaque des cibles ennemies et conviennent à l'approche et au regroupement des attaques de clusters de drones, tels que le mode d'attaque anti-radiation des clusters.
Comme le montre la figure 2, la hiérarchie sociale d'une meute de loups peut être divisée en trois niveaux : les loups α, les loups β et les loups ordinaires. Lorsque les loups chassent, la structure de la formation encercle. Après avoir déterminé la position de la cible, les loups α et β encerclent d'abord la cible. Le cercle encerclant est un grand cercle et la vitesse de déplacement est cohérente avec la proie. Le reste des loups ordinaires se rassemblent près des loups supérieurs pour aider à chasser en fonction de leurs positions relatives. Le cercle d'assistance est un petit cercle et la vitesse de déplacement est affectée par la proie et le loup supérieur. Pour un loup ordinaire i, sa vitesse de déplacement peut être exprimée par
(4)
Dans la formule : vL est la vitesse de déplacement de la proie ; α est le coefficient proportionnel suivant ; Pk est la position du loup supérieur k ; Pi est la position du loup commun ; fk est le facteur d'influence, qui reflète l'influence de le loup supérieur au loup commun.
1.3 Les abeilles déplacent leurs nids
En tant qu'insecte social commun dans la vie quotidienne, l'abeille domestique entretient une communication, une coopération et une division du travail très étroites entre les groupes. En plus du travail quotidien de collecte du miel, la relocalisation des abeilles est également un phénomène intéressant et compliqué. Lorsque le nombre d'abeilles se reproduit trop ou que les conditions de vie se détériorent, elles choisiront de construire de nouvelles ruches ailleurs, et alors la colonie d'abeilles se déplacera vers la nouvelle ruche de manière organisée. Cependant, lors du déplacement des abeilles, seul un petit nombre d'abeilles éclaireuses savent dans quelle direction se déplacer, et la plupart des abeilles ne connaissent qu'à peu près une seule direction, et les informations sur le mouvement proviennent principalement des abeilles environnantes. Guo Haiyang a utilisé le mécanisme des colonies d'abeilles pour simuler le vol des drones [18] et a utilisé quatre règles de vol des abeilles pour planifier le contrôle coopératif des drones. Les drones simulent le comportement de rassemblement des colonies d'abeilles se dirigeant vers de nouveaux nids, ce qui peut réaliser la tâche de transmission dans des conditions de communication limitées.
Dans le processus de déplacement des abeilles, il existe principalement quatre types de comportements de mouvement : l'agrégation, l'alignement, l'évitement des collisions et le caractère aléatoire, plus une petite quantité d'informations sur les mouvements des abeilles éclaireuses, formant une colonie d'abeilles. Le comportement de chaque abeille est affecté par ces quatre types de mouvement (comme le montre la figure 3), et l'urgence comportementale est utilisée pour spécifier un vecteur de mouvement de longueur variable à réaliser :
(5)
Dans la formule :
représentent respectivement l'agrégation, l'alignement, l'évitement des collisions et la vitesse aléatoire de l'abeille i ; dvis est la distance visuelle d'une seule abeille, et les individus se trouvant dans la distance visuelle peuvent être considérés comme les voisins de l'abeille i ; Pj est la position actuelle de l'abeille j ; vj est la vitesse actuelle de l'abeille j ; Ui est l'ensemble des individus adjacents ; vmax est la vitesse maximale des abeilles dans l'ensemble, qui est utilisée pour limiter la vitesse d'une seule abeille ; dner est la distance critique d'évitement de collision ; Pmin est la distance entre l'abeille la plus proche et l'abeille i.
Enfin, la combinaison pondérée des quatre types de mouvements est utilisée pour obtenir la vitesse de mouvement finale de l'abeille i :
(6)
Dans la formule : w1, w2, w3, w4 sont les poids correspondant aux quatre comportements ; vL est l'information de mouvement fournie par les abeilles éclaireuses.
2 Méthode de suivi radar des cibles en essaim
Les méthodes traditionnelles de suivi de cibles radar suivent le cadre d'initiation de suivi, d'association de données et de filtrage de suivi, comme le montre la figure 4. Chaque partie joue un rôle essentiel dans le résultat final du suivi d'objet. D'une manière générale, différents algorithmes de suivi de cible ont différents scénarios applicables et doivent être sélectionnés en fonction des conditions réelles. Pour le suivi des cibles en essaim, bien que différents modèles de population d'imitation biologique puissent être adoptés, puisque la plate-forme UAV est utilisée, ses propriétés cinématiques sont toujours limitées à la portée de la dynamique de vol, de sorte que la méthode traditionnelle de traitement des données radar peut toujours être utilisée. suivi de cible.
2.1 Algorithme de lancement de piste [19]
La méthode visuelle (Visual Method, VM) est une méthode heuristique simple et facile, qui filtre la trace initiale en définissant trois contraintes de vitesse, d'accélération et d'angle. La méthode intuitive convient aux scènes sans informations préalables sur le mouvement des objets.
La méthode basée sur la logique (LM) est basée sur la méthode intuitive et utilise plusieurs hypothèses pour générer des pistes possibles au début de la piste en utilisant des portes de prédiction et de corrélation. Il s’agit de la méthode la plus couramment utilisée dans les applications d’ingénierie et convient au lancement de trajectoires de cibles de manœuvre faibles. La méthode logique modifiée ajoute des contraintes d'angle, ce qui peut supprimer certaines mesures candidates avec une mauvaise validité.
La méthode de transformation de Hough (méthode de transformation de Hough, HTM) est une méthode de base utilisée pour détecter des lignes droites dans le traitement d'image. L'application de la méthode de transformation de Hough au début de la piste convient donc aux cibles mobiles en ligne droite, et son inconvénient est que la quantité de calcul est relativement importante. La méthode de transformation de Hough modifiée réduit la quantité de calcul en introduisant des informations sur les séries chronologiques et en augmentant les contraintes, de sorte qu'elle puisse être appliquée à l'ingénierie pratique.
2.2 Algorithme d'association de données [20-21]
L'association de données du voisin le plus proche (NNDA) est un algorithme d'association simple et largement utilisé. La logique est de donner une corrélation avec la mesure candidate la plus proche dans la porte. NNDA convient au suivi multi-cibles clairsemé dans un environnement à faible encombrement, avec une faible complexité informatique et une mise en œuvre simple. Cependant, pour un suivi dense multi-cibles dans un environnement à fouillis dense, des erreurs d'association sont susceptibles de se produire, entraînant une divergence de filtrage ultérieure.
L'association de données probabilistes (PDA) considère toutes les mesures candidates entrant dans la porte d'onde en même temps et les pondère en tant que mesures équivalentes en fonction de la valeur de probabilité, de manière à effectuer une mise à jour du filtrage. Le PDA convient au suivi d'une cible unique ou de cibles multiples dans un environnement encombré, et la quantité de calcul est relativement faible.
La Joint Probabilistic Data Association (JPDA) considère de manière exhaustive toutes les mesures candidates tombant dans la porte d'onde sur différentes pistes, et considère que les mesures communes peuvent provenir de différentes cibles. JPDA convient au suivi multi-cibles dans des environnements denses, et l'effet est le meilleur. Cependant, l’extraction de la matrice des réalisables nécessite une énorme quantité de calculs, difficiles à appliquer dans la pratique de l’ingénierie. La figure 5 est un diagramme schématique des principes des trois algorithmes d'association de données ci-dessus.
L’association rapide de données probabilistes conjointes est une simplification du JPDA. Par rapport au JPDA, il modifie la méthode de calcul de la probabilité d'interconnexion et évite le découpage matriciel le plus long de l'algorithme. Deux algorithmes rapides couramment utilisés [21] sont CJPDA (Cheap Joint Probabilistic Data Association) et NNJPDA (Nearest Neighbour Joint Probabilistic Data Association), dans lesquels CJPDA sélectionne toutes les probabilités d'interconnexion pour la pondération combinée, et NNJPDA sélectionne la mesure avec la probabilité d'interconnexion la plus élevée pour association. Ces deux algorithmes rapides ont de bons résultats dans des applications pratiques.
2.3 Algorithme de filtre de poursuite [19]
Le filtre de Kalman linéaire (Linear Kalman Filter, LKF) est l'algorithme de filtrage le plus classique, il estime le modèle en fonction de la valeur de prédiction d'état et de la valeur de mesure, et réalise de manière récursive le suivi de la cible. Les modèles de LKF les plus couramment utilisés sont les modèles à vitesse constante et à accélération constante, qui conviennent au suivi de cibles non manœuvrantes.
Le modèle Singer est basé sur le filtre de Kalman et suppose que l'accélération de la cible est un bruit aléatoire de moyenne nulle lié à un indice spécifique, et obtient un ensemble de nouveaux algorithmes adaptés aux cibles de manœuvre.Le modèle statistique actuel (Current Statistical, CS) est basé sur le modèle Singer. Des améliorations sont apportées à ce qui précède, et l'accélération est corrigée sous forme de bruit coloré avec une valeur moyenne adaptative et non nulle, qui est plus proche de la situation réelle et un meilleur effet de suivi peut être obtenu.
L'algorithme Interacting Multiple Model (IMM) utilise plusieurs sous-filtres pour suivre la cible. Le processus de filtrage du sous-filtre est cohérent avec d'autres méthodes de filtrage ordinaires. Une fois le filtrage terminé, le sous-filtre utilise une estimation et une mesure interactives pour calculer une nouvelle estimation et une nouvelle probabilité de modèle. IMM prend en compte de manière exhaustive plusieurs sous-modèles, il est donc particulièrement adapté au suivi de cibles présentant des caractéristiques de mouvement de scène. Par rapport aux algorithmes à modèle unique, il peut s'adapter aux manœuvres et a une précision de suivi plus élevée, mais au prix d'un calcul plus important.
3 Méthode d'identification de modèles pour les événements de vol en essaim
Pour les trois méthodes de vol en essaim ci-dessus, si le radar peut identifier le modèle de vol spécifique avant ou pendant le suivi, il est censé sélectionner différents algorithmes de suivi, améliorant ainsi la précision du suivi, et peut également juger l'intention de la cible de l'essaim en fonction du vol. résultats d’identification, fournissant une base pour un traitement ultérieur. Sur cette base, en fonction des caractéristiques des trois mouvements de vol des oies, des loups et des abeilles, et sur la base des résultats de base du traitement des données radar, cet article utilise des algorithmes de clustering pour concevoir des méthodes d'identification d'événements correspondantes.
Supposons que P={(x1, y1), (x2, y2), ..., (xn, yn)} soit la mesure radar définie au temps t, où n est le nombre de mesures, et parcourons tous les points de mesure pour la reconnaissance de formes. Il convient en particulier de souligner que la mesure d'identification peut provenir de la mesure après traitement du signal radar, c'est-à-dire du résultat de la détection, caractérisé par des informations complètes sur la cible mais contenant un grand nombre de faux points ; elle peut également provenir de la mesure après traitement des données, c'est-à-dire la mesure des informations de piste correspondantes après filtrage de suivi, qui se caractérise en ce qu'un grand nombre de fausses alarmes aléatoires et de points d'encombrement ont été filtrés, mais certaines informations réelles peuvent manquer.
3.1 Reconnaissance des formes des oies
L'idée de base est de proposer une méthode de reconnaissance de formes pour les oies basée sur les caractéristiques de la forme « humaine » présentée par les oies en vol. Selon les mesures détectées à l'instant présent, il est détecté si un alignement de « personnes » s'est formé entre les mesures, de manière à juger si le mode de vol de la population est un troupeau d'oies. Le déroulement de l'algorithme est à peu près le suivant :
(1) Distance de détection vs.
Pour la mesure mi=(xi, yi), la distance entre elle et la mesure mj est enregistrée comme dij=∥mi−mj∥2, et la distance définie Di entre toutes les autres mesures : {di1, …, di( i- 1), di(je+1), ..., din}. Si deux distances dans Di satisfont :
(7)
Où : εd est un seuil de distance donné.
Les mesures mj et mk sont appelées une paire de distances, notée pl={mj, mk}, l'ensemble de toutes les distances de mesure i est Pi={pl1, pl2, ..., plL}, et L est le nombre de paires de distances. L'essentiel pour détecter si le modèle de population est un troupeau d'oies est de tester s'il existe plusieurs paires de distances satisfaisant des conditions spécifiques dans la mesure, de sorte qu'une forme similaire au caractère « 人 » apparaisse dans la mesure.
(2) Paires de distances de dépistage
Deux points peuvent déterminer une droite, soit le segment de droite l formé par les deux points en pl ait une pente de kl. Mesurez i au pied vertical du segment de ligne l comme hl. Déterminez si la paire de distances satisfait aux conditions suivantes :
a. Triez les éléments de Di par ordre croissant, et l'élément de la paire de distances doit avoir la valeur la plus petite de Di, afin de garantir que la paire de distances provient de la cible adjacente de la mesure i.
b. La pente k formée par différentes paires de distances est similaire, et la distance entre la mesure i et le segment de droite l ne peut pas être beaucoup plus grande que la longueur du segment de droite l, afin d'assurer la symétrie de la formation formée par différentes paires de distances et la mesure.
(8)
Dans la formule : εk est le seuil de pente ; εp est le nombre attendu de paires de distances.
C. Le pied vertical hl se trouve à l'intérieur du segment de ligne l pour garantir que les points ayant la même distance se trouvent des deux côtés du point de mesure.
(9)
d. Différentes paires de distances sont mesurées pour avoir la même direction de pente verticale du segment de ligne l, de manière à garantir que différentes paires de distances se trouvent du même côté du point de mesure.
(dix)
Dans la formule : ·Représente le produit scalaire vectoriel.
(3) Jugement de mode
Une paire de distances qui satisfait simultanément aux quatre conditions ci-dessus est appelée paire de distances effectives. Si le nombre de paires de distances effectives est supérieur à εp, on considère que la mesure forme une formation d'oies à ce moment-là.
3.2 Reconnaissance des modèles de meute de loups
L'idée de base est de proposer une méthode de reconnaissance de formes de meute de loups basée sur le clustering DBSCAN basé sur les caractéristiques de l'encerclement en grand cercle et de la coopération en petit cercle présentées par les loups dans le processus de chasse. Selon la mesure du moment actuel, analysez si plusieurs encerclements se forment entre les mesures et s'il existe des points centraux entre les encerclements, afin de juger si le mode de vol de la population est une meute de loups. Le déroulement de l'algorithme est à peu près le suivant :
(1) Regroupement DBSCAN
Étant donné un seuil de distance εd et un seuil numérique εp, effectuez un clustering DBSCAN sur l'ensemble de mesures. Le clustering DBSCAN est un algorithme de clustering classique basé sur la distribution de densité [22], qui peut classer des échantillons étroitement distribués dans une seule catégorie.
L'algorithme divise les points de la classe en trois types : points centraux, points limites et points de bruit. Le point central indique que le nombre de points au voisinage du rayon εd dépasse le nombre de εp ; le point limite indique que les voisins du point central ou d'autres points limites mais le nombre de points au voisinage du rayon εd est inférieur à le nombre de εp ; le point de bruit indique que le point non central et non limite. Lorsque DBSCAN se regroupe, le point central et ses points limites adjacents sont classés dans un cluster, et le processus est présenté dans le tableau 1.
(2) Filtre de classe
Pour un cluster ℂ, ∃pi∈ℂ obtenu après un certain clustering DBSCAN, de sorte que la plupart des points du cluster tombent dans le voisinage D1.5⋅εd(pi), alors le cluster est un cluster valide :
(11)
Dans la formule : |⋅| représente le nombre d'éléments de l'ensemble. Cela peut garantir qu'un groupe dans un environnement encombré correspond exactement à un petit cercle d'assistance d'une meute de loups.
(3) Jugement de mode
Si le nombre de clusters effectifs est supérieur à εp, on considère que les mesures forment à ce moment une formation de meute de loups.
3.3 Reconnaissance des modèles de colonies d'abeilles
L'idée de base est de proposer une méthode de reconnaissance des formes de colonies d'abeilles basée sur le clustering DBSCAN basé sur les caractéristiques de distribution concentrée et d'intervalles ordonnés des colonies d'abeilles en cours de déplacement des nids. Selon la mesure du moment actuel, analysez si un grand cluster se forme entre les mesures, et gardez une certaine distance entre les points du cluster, afin de juger si le mode de vol de la population est une colonie d'abeilles. Le déroulement de l'algorithme est à peu près le suivant :
(1) Regroupement DBSCAN
Étant donné le seuil de distance εd et le seuil de quantité εp, effectuez le clustering DBSCAN sur l'ensemble de mesures, et le processus de clustering est présenté dans le tableau 1.
(2) Filtre de classe
Pour chaque cluster ℂ obtenu après le clustering DBSCAN, le sous-ensemble de points centraux de ℂ est ℕ={p est le point central|p∈ℂ}. Définissez Dℕ={‖pi-pj‖2|pi∈ℕ, pj∈ℕ} pour représenter la distance par paire entre les points centraux. Déterminez s’il satisfait aux conditions suivantes :
a. La distance entre la plupart des points centraux et le voisin le plus proche est similaire à la distance jusqu'au deuxième voisin le plus proche, afin de garantir que les éléments du cluster ℂ maintiennent une certaine distance. Pour le point central pi∈ℂ, la distance définie entre lui et les autres éléments dans ℂ est Di :
(12)
Dans la formule : sort( ) signifie trier les éléments de la collection par ordre croissant.
b. La distance la plus courte entre les points centraux est bien inférieure à la distance la plus grande entre les points centraux pour garantir que le cluster ℂ est un ensemble largement distribué :
(13)
Dans la formule : max(·), min(·) représentent respectivement la valeur maximale et la valeur minimale des éléments de l'ensemble.
(3) Jugement de mode
S'il existe un cluster qui satisfait simultanément aux trois conditions ci-dessus, on considère que les mesures forment à ce moment une formation de colonie d'abeilles.
Enfin, compte tenu de l'influence du bruit et du fouillis sur la reconnaissance des formes, les critères suivants doivent être adoptés pour la reconnaissance des trois modèles de population ci-dessus : si l'ensemble de mesures est jugé comme étant un certain modèle de population pendant cinq périodes consécutives, alors la cible est considéré comme un vol en essaim de ce mode ; une fois la détermination réussie, cela prend 5 périodes consécutives et l'ensemble de mesures n'est pas déterminé comme étant un certain mode de population, alors il est considéré que la cible n'a pas effectué l'essaim vol de ce mode.
4 Vérification par simulation du suivi et de l'identification des cibles du cluster
Pour le suivi de différents groupes de drones biomimétiques, il est nécessaire de combiner les caractéristiques de mouvement des populations biologiques avec les scénarios applicables de différents algorithmes de suivi de cibles. Le filtre de Kalman linéaire de faible précision et adapté aux manœuvres faibles ; pour le vol d'imitation de meute de loups dont la vitesse de mouvement change rapidement mais la direction change fondamentalement peu au début, la méthode Hough modifiée peut être utilisée pour démarrer la trajectoire ; pour la trajectoire de mouvement avec CJPDA plus échelonné, qui convient aux multi-objectifs denses, peut être utilisée pour les données association. Ce qui suit est une analyse de simulation des performances de l'algorithme de suivi de cible lorsqu'il est appliqué à différents modes de vol du cluster.
4.1 Génération de pistes de vol en essaim de drones
Afin de mieux refléter le mécanisme d’influence des essaims de drones sur le suivi radar, seul un petit nombre d’essaims de drones est pris en compte dans la simulation initiale. Il est simulé dans un plan bidimensionnel, en supposant qu'un groupe de drones portant le numéro N=31 décolle de manière aléatoire de chaque emplacement, la position initiale satisfait X, Y~N(10 000, 1 000) et la mise à jour de la position la période est définie sur 1 s, vitesse attendue du cluster vL=50
m/s, l'angle avec l'axe X est de 45°. Les traces sont générées selon trois règles de formation : la distance de suivi attendue d = 500 m dans la formation d'oies, l'angle de suivi est de 30° et le temps de déplacement est de 270 s, comme le montre la figure 6(a) ; le rayon encerclant Rs dans la formation des loups = 1 000 m, rayon d'assistance Ra = 250 m, temps de déplacement de 100 s, comme le montre la figure 6(b); distance visuelle dvis = 2 500 m, distance d'évitement de collision dner = 250 m, temps de déplacement Comme le montre la figure 6(c).
L'analyse des caractéristiques de mouvement de la figure montre que : (1) Au début du mouvement de formation des drones imitation oies, la maniabilité des drones est relativement élevée et le degré de complexité est relativement élevé. , le mouvement est relativement stable et la formation conserve une forme en chevrons. (2) Au début du mouvement de formation des drones imitant une meute de loups, une grande mobilité est nécessaire pour former une formation ; au stade ultérieur du mouvement, une formation en double cercle entourée d'un grand cercle et assistée par un petit Un cercle se forme, le mouvement est relativement stable mais le même cercle d'assistance. Les individus sont rapprochés. (3) Par rapport aux deux autres modes de vol, la formation de drones en forme d'essaim a une maniabilité inférieure dans l'ensemble du cycle de mouvement et, en raison de l'existence de vecteurs d'évitement de collision, la distance entre les individus peut être maintenue à une certaine distance.
4.2 Analyse des performances de l'algorithme d'initiation de piste
L'algorithme d'initiation de trajectoire des trois trajectoires de vol du cluster d'UAV biomimétiques générées a été comparé et analysé. L'algorithme d'initiation de trajectoire a utilisé la méthode intuitive, la méthode logique modifiée et la méthode de changement de Hough modifiée. La période initiale de la piste est fixée à 4, en supposant que le nombre de fouillis obéissant à la distribution de Poisson est distribué de manière aléatoire à proximité de la position initiale de l'essaim d'UAV, et le paramètre de densité de fouillis est fixé à J=30. En raison du mouvement complexe des populations bioniques, afin de rendre la précision initiale de la piste proche de 100 %, il est nécessaire d'assouplir les conditions des trois méthodes. Cela entraînera un taux d'occupation élevé des fausses pistes, mais la partie de corrélation ultérieure peut mettre fin à la plupart des fausses pistes. Le tableau 2 présente les résultats de comparaison du temps d'exécution des trois algorithmes, du taux correct initial de la piste et du taux d'occupation de la fausse piste après 100 simulations de Monte Carlo.
La comparaison des résultats dans le tableau montre que : (1) Parmi les trois méthodes d'initiation de piste, la méthode logique modifiée a la complexité temporelle la plus faible et la méthode de transformation de Hough modifiée consomme le plus de temps. (2) Pour la piste d'imitation d'oies, en raison de la grande maniabilité au début, la méthode intuitive qui nécessite moins d'informations préalables a le taux de précision le plus élevé ; pour la piste d'imitation de loups, la vitesse change évidemment mais la direction change en le stade précoce du mouvement. La méthode de transformation de Hough modifiée a le taux correct le plus élevé ; pour le suivi de la colonie d'abeilles imitées, la maniabilité au stade précoce du mouvement est faible, les trois algorithmes ont un taux de réussite initial élevé et le stade modifié La méthode logique a le taux d'occupation des fausses pistes le plus bas. (3) La méthode logique modifiée est plus rentable, mais l'inconvénient est que l'adaptabilité de l'algorithme est faible et qu'un plus grand nombre de paramètres doivent être ajustés pour différents scénarios pour obtenir des résultats satisfaisants.
4.3 Analyse des performances de l'algorithme d'association de données
La comparaison et l'analyse des algorithmes d'association de données pour les trois trajectoires de vol générées par des clusters de drones biomimétiques ont été effectuées. Les algorithmes d'association de données ont utilisé NNDA, PDA, CJPDA et NNJPDA. En supposant que le nombre de fouillis obéissant à la distribution de Poisson est distribué de manière aléatoire à proximité de la trajectoire du cluster de drones, le paramètre de densité de fouillis est fixé à J=10. En supposant que le résultat initial de la piste est connu, l'algorithme de filtrage adopte le filtre de Kalman, la taille de la porte de corrélation est uniformément fixée à 8 et les pistes qui ne parviennent pas à se relier 6 fois de suite sont terminées et l'erreur maximale est limité à 150
m. Réalisez 100 simulations Monte Carlo, le taux de perte de suivi est le rapport du nombre de pistes finales au nombre total de pistes, et la complexité temporelle est le temps d'exécution de l'algorithme. Les tableaux 3 et 4 donnent respectivement les résultats de comparaison du taux de perte de suivi et du temps d'exécution des trois algorithmes, et la figure 7 montre les erreurs de filtrage des trois algorithmes dans les directions X et Y.
La comparaison des résultats de corrélation montre que : (1) Pour la piste d'imitation d'oies, l'erreur de filtrage de plusieurs algorithmes d'association de données ne dépasse pas 120 m, et l'effet de corrélation est CJPDA>NNJPDA>PDA>NNDA ; pour la piste d'imitation de loups , dû à l'individu Si la distance entre eux est trop courte, l'erreur de filtrage de plusieurs algorithmes de corrélation est relativement grande, supérieure à 140 m. A ce moment, l'effet des deux algorithmes les plus proches est meilleur, indiquant que dans le cas de distribution extrêmement dense de cibles, il y a trop de zones de portes de corrélation qui se chevauchent, ce qui entraîne que l'algorithme basé sur l'association de données probabilistes perd son effet ; pour la trace d'une colonie d'abeilles imitation, en raison de l'existence d'un vecteur d'évitement de collision et de la distance individuelle est petit, tous les algorithmes d'association peuvent obtenir un bon effet d'association et l'erreur de filtrage est essentiellement d'environ 10 m. (2) En raison des caractéristiques de l'algorithme, l'algorithme PDA a un taux de perte de suivi associé très faible, mais l'erreur de filtrage n'est pas faible. En effet, l'algorithme PDA provoque souvent le chevauchement de deux pistes lorsque la distance cible est atteinte. est relativement court. De plus, la complexité temporelle de plusieurs algorithmes n'est pas très différente, donc l'algorithme d'association le plus rentable est CJPDA.
4.4 Analyse des performances de l'algorithme de filtre de suivi
L'algorithme de filtre de suivi est comparé et analysé pour les trois trajectoires de vol générées par des clusters de drones bioniques. L'algorithme de filtre de suivi utilise un filtre de Kalman linéaire, un modèle statistique actuel et un multimodèle interactif. En supposant que le début de la piste et le résultat de l'association des données sont connus, un bruit de mesure gaussien aléatoire avec une moyenne de 0 et un écart type de 30 est ajouté à la piste réelle. En supposant que la fréquence de manœuvre dans le modèle statistique actuel est α = 1/60, l'accélération maximale amax = 30 m/s2 et que le multimodèle interactif comprend un modèle de mouvement à vitesse uniforme et deux modèles de mouvement à accélération uniforme, 100 simulations de Monte Carlo sont effectuées. La figure 8 montre les erreurs de filtrage quadratique moyenne des trois algorithmes, et le tableau 5 montre les résultats de comparaison de la complexité temporelle des trois algorithmes.
On peut voir que les traces des imitations d'oies et d'imitations de loups sont très maniables au début, de sorte que l'effet de suivi du filtre de Kalman adapté aux cibles non maniables est le pire, et l'effet est meilleur lorsque le mouvement ultérieur a tendance à être stable. ; le modèle statistique actuel est dans le L'erreur de filtrage fluctue peu tout au long du cycle de mouvement et est très stable ; le multi-modèle interactif fonctionne bien dans les situations cibles de manœuvre et de non-manœuvre, et a une forte adaptabilité, mais cela prend plus de temps .
4.5 Identification des événements en mode cluster
Les trois méthodes de reconnaissance de formes sont simulées et vérifiées, en supposant que les essaims de drones volent dans différents modes d'essaim. À t ∈ [0,200] s, il imite le vol d'un essaim d'abeilles ; [400 500] s imite le vol des loups, et la trajectoire de vol est illustré à la figure 9. Utilisez ensuite trois méthodes de reconnaissance de formes pour les identifier respectivement. Le tableau 6 montre la précision de reconnaissance des trois méthodes de reconnaissance de formes sous différentes erreurs de mesure, et la précision de reconnaissance est le rapport entre le temps de reconnaissance réussie et le temps de vol. La figure 10 montre les résultats de la reconnaissance de l'algorithme.
Il a été observé qu'au début du vol, la formation de l'essaim d'UAV n'a pas pu être identifiée avec succès car la formation n'était pas encore formée ; lorsque la formation s'est progressivement stabilisée, l'algorithme a pu identifier efficacement le mode de vol de l'essaim d'UAV. En comparant les résultats du tableau 6, le taux de précision lorsque le bruit de mesure est égal à 0 est déterminé par l'algorithme d'identification lui-même et est également lié au temps de formation du modèle de mouvement. Plus le bruit de mesure est important, plus la précision de la reconnaissance des formes est faible, ce qui est conforme aux attentes.
4.6 Analyse complète des performances
Selon l'analyse précédente, on peut savoir que différentes méthodes de suivi sont utilisées pour différents vols de population bionique, et les effets sont assez différents. Dans le processus de suivi de cible d'un essaim de drones, si le mode de vol de l'essaim est connu à l'avance, puis qu'un algorithme de suivi approprié est sélectionné, l'effet du suivi de cible peut être considérablement amélioré. En prenant le vol d'une meute de loups comme exemple, on suppose que la stratégie de suivi 1 utilise la méthode de transformation de Hough, l'association du plus proche voisin et le multimodèle interactif, et que la stratégie 2 utilise la méthode logique modifiée, l'association de données de probabilité et le filtre de Kalman linéaire. . En utilisant l'indice LOSPA [23] pour évaluer le suivi multi-cibles, la figure 11 montre les résultats de comparaison du suivi de cible.
Figure 11 Analyse comparative complète
On peut voir que l'effet de la stratégie 1 est nettement meilleur que celui de la stratégie 2. Par conséquent, le choix d'une stratégie appropriée pour différentes scènes sportives a un impact crucial sur les résultats du suivi de cible, qui vérifie l'efficacité de la stratégie d'algorithme de sélection optimale. .
5. Conclusion
Dans cet article, en analysant les caractéristiques cinématiques des trois populations biologiques d'oies, de loups et d'abeilles, une méthode de reconnaissance de formes correspondante est proposée, et sa faisabilité et ses performances sous différents bruits de mesure sont vérifiées par simulation. De plus, en analysant et en comparant les conditions applicables des trois technologies clés de suivi de cible que sont l'initiation de la piste, l'association des données et le filtrage du suivi, une stratégie d'optimisation de l'algorithme de suivi radar pour les clusters d'UAV biomimétiques est proposée : (1) Pour les mouvements complexes à un stade précoce , des cibles d'oies stables à un stade avancé, la méthode de Hough modifiée, CJPDA, et une combinaison d'algorithmes de multi-modèles interactifs peuvent être utilisées ; (3) Pour les cibles de colonies d'abeilles avec une faible maniabilité et une distance stable entre les individus, la combinaison d'algorithmes de méthode intuitive, NNJPDA et filtre de Kalman peuvent être utilisés. Les résultats de la simulation montrent que les effets de suivi des différentes combinaisons d'algorithmes sont très différents, ce qui vérifie l'efficacité de la stratégie d'optimisation.
Cependant, dans le processus de suivi réel du radar, le modèle de mouvement du drone peut changer de manière dynamique. Une fois la reconnaissance du modèle de mouvement terminée, la façon d'ajuster de manière adaptative l'algorithme de suivi nécessite encore des recherches supplémentaires.
Avertissement : les articles et images reproduits sur le compte officiel sont destinés à des fins éducatives et scientifiques non commerciales pour votre référence et votre discussion, et ne visent pas à soutenir leurs points de vue ou à confirmer l'authenticité de leur contenu. Le droit d'auteur appartient à l'auteur original. Si le manuscrit réimprimé implique des droits d'auteur et d'autres problèmes, veuillez nous contacter immédiatement pour le supprimer.
"Technologie et conseil en intelligence artificielle" publié