Fuente: Armas de aviación Autores: Gao Wei, Rao Bin, Zhou Yongkun
Resumen
El aumento de los enjambres de vehículos aéreos no tripulados biomiméticos plantea nuevos desafíos para el seguimiento y reconocimiento de objetivos de radar, y los diferentes modos de vuelo de enjambre tendrán diferentes efectos en el procesamiento de datos de radar y el reconocimiento de objetivos de enjambre. Para analizar el mecanismo de influencia de los enjambres en el seguimiento e identificación por radar, este artículo modela el proceso de vuelo de tres tipos de enjambres de vehículos aéreos no tripulados, enjambres de gansos, enjambres de lobos y enjambres de abejas, simulando respectivamente el transporte a gran escala y la aproximación. de enjambres de UAV. Ataque de rodeo y comunicación robusta de información; en segundo lugar, se discute el mecanismo de influencia de diferentes métodos de agrupamiento en los algoritmos clave de inicio de seguimiento de radar, asociación de datos y filtrado de seguimiento; finalmente, se diseña un modo de evento de agrupamiento basado en el agrupamiento idea combinando las características de tres tipos de movimientos biónicos. Se proporciona el método de identificación de cada patrón de grupo. La simulación muestra que existen combinaciones relativamente mejores de algoritmos de procesamiento de datos en diferentes modos de grupo, y el algoritmo de seguimiento óptimo para los modos de grupo puede mejorar la precisión del seguimiento del radar para los objetivos del grupo y reducir el costo de tiempo, y puede realizar la identificación de diferentes grupos. modos, lo cual es beneficioso para juzgar la intención del objetivo y el procesamiento posterior.
Palabras clave
enjambre biónico, enjambre de drones, gansos, lobo, enjambre de abejas, seguimiento de objetivos por radar
introducción
Un objetivo grupal se define como un conjunto de múltiples objetivos con características dinámicas similares y difíciles de distinguir dentro de un cierto período de tiempo, como un ciclo de radar [1]. Los objetivos grupales comunes incluyen grupos biológicos, formaciones de vehículos aéreos no tripulados densamente voladores y misiles balísticos de alcance Objetivos grupales, objetivos de misiles de salva múltiple, objetivos grupales de satélites, etc. Entre ellos, la investigación sobre el vuelo de grupos de UAV que imitan poblaciones biológicas es un auge en el campo del control de vuelo de UAV en los últimos años [2], que resuelve el problema de una serie de drones individuales imitando el comportamiento de un grupo biológico específico. en formación Las tareas que los UAV no pueden completar tienen las características de agrupamiento, autonomía e inteligencia [3], y proyectos famosos como el "elf" estadounidense y OFFSET [4].
Precisamente debido a la aplicación generalizada del comportamiento grupal en la coordinación de vehículos aéreos no tripulados, una gran cantidad de objetivos de grupos con una densa distribución espacial a menudo aparecen en confrontación, lo que plantea nuevos desafíos para el seguimiento de objetivos múltiples por radar. En la actualidad, los métodos de control de enjambres de vehículos aéreos no tripulados basados en inteligencia de enjambre surgen sin cesar [5], pero pocos estudiosos los analizan en el campo del seguimiento, y en el campo del seguimiento, la mayoría de las simulaciones experimentales de seguimiento de objetivos múltiples o grupales y otras investigaciones relacionadas solo utilizan Es difícil reflejar las características a gran escala del grupo debido a un pequeño número de objetivos múltiples.
Los algoritmos de seguimiento de objetivos múltiples por radar se pueden dividir a grandes rasgos en métodos tradicionales y métodos basados en la toma de decisiones de datos de múltiples cuadros [6]. El método tradicional adopta el marco de filtrado de seguimiento de asociación de datos de inicio de seguimiento y estima el estado objetivo para cada marco de medición, que es relativamente maduro. Los métodos clásicos de inicio de seguimiento incluyen el método intuitivo, el método lógico, el método de transformación de Hough, etc. Los métodos de asociación de datos incluyen el vecino más cercano (NNDA), la asociación de datos probabilísticos (PDA), la asociación de datos probabilísticos conjuntos (JPDA) y su método rápido (CJPDA y HHJPDA). Los métodos de filtrado de seguimiento incluyen el filtrado de Kalman, el modelo estadístico actual (CS), el modelo múltiple interactivo (IMM), etc. El método basado en la toma de decisiones de datos de cuadros múltiples integra mediciones de cuadros múltiples y retrasa la toma de decisiones para problemas de correlación complejos para mejorar el efecto de correlación. Los algoritmos representativos incluyen el seguimiento de hipótesis múltiples (MHT) [7] y la asignación de cuadros múltiples (MFA) [8], etc. Tomando MHT como ejemplo, este método combina iniciación, asociación y gestión de trayectorias, y actualmente es reconocido como uno de los mejores algoritmos de rendimiento [9], pero la desventaja es que requiere más información previa y como El aumento en el número de objetivos y la poda de hipótesis múltiples requieren una gran cantidad de cálculos.
Para superar el problema de la asociación cuando el objetivo es denso, los académicos han encontrado otra forma: se han propuesto uno tras otro el seguimiento de centroides grupales [10] y métodos basados en aleatorio finito (RFS) [11]. El seguimiento del centro de masa del grupo se refiere al seguimiento de todo el objetivo cuando el objetivo es difícil de distinguir, complementado con seguimientos simples en algunos grupos, puede resolver mejor el seguimiento general de objetivos grupales con reglas de movimiento similares en un corto período de tiempo. y al mismo tiempo reducir la cantidad de capacidad de cálculo y almacenamiento [12]. Sin embargo, para los objetivos de cúmulo que necesitan aclarar la relación interna del cúmulo, como misiles balísticos de mitad de camino con un tiempo de advertencia corto [6], cúmulos de vehículos aéreos no tripulados en formaciones biónicas, etc., es difícil garantizar la precisión del cúmulo. seguimiento del centroide objetivo. El algoritmo de seguimiento de objetivos múltiples basado en la teoría RFS puede evitar la asociación de datos, estimar directamente el número de objetivos y el estado de los objetivos[13] y puede resolver mejor la situación de objetivos desconocidos y que varían en el tiempo, lo que significa que el algoritmo tiene filtrado de densidad de hipótesis de probabilidad (PHD), filtro múltiple de Bernoulli (MeMBer), etc. Sin embargo, para escenarios complejos y cambiantes, como grupos balísticos y grupos de formación de UAV, el método de seguimiento basado en RFS no ha podido modelarlos de manera efectiva y se ha obtenido un método de implementación específico [14]. Por lo tanto, para objetivos grupales en un entorno específico, el seguimiento de centroides grupales y los métodos de seguimiento basados en RFS todavía se encuentran en el nivel teórico, y los métodos tradicionales siguen siendo los más utilizados en ingeniería.
Este artículo se centra en el rendimiento de los algoritmos de seguimiento de objetivos cuando se trata de objetivos de conglomerados a gran escala. Después de analizar las características de movimiento de tres enjambres de vehículos aéreos no tripulados biomiméticos, se propone una estrategia de optimización del algoritmo de seguimiento de objetivos de enjambre de radar y un método de reconocimiento de patrones basados en el marco tradicional de seguimiento de objetivos. Esta estrategia mide de manera integral la precisión y complejidad del algoritmo y optimiza el algoritmo de seguimiento adecuado para diferentes escenarios. Sobre esta base, combinada con las características de tres tipos de movimientos biomiméticos, se diseñó un método de identificación de patrones de eventos de conglomerados.
1 Modelado de vuelo en enjambre de UAV
1.1 Migración del ganso cisne
La bandada de gansos en vuelo presenta generalmente una forma "humana". Los estudios han demostrado que los gansos que vuelan en formación aprovechan la aerodinámica para ahorrar alrededor del 70% de energía durante la migración de larga distancia en comparación con las aves migratorias que vuelan solas [15]. Zhou Ziwei y otros introdujeron el mecanismo de interacción de las bandadas de gansos cisne durante el vuelo [16] y realizaron el algoritmo de control cooperativo de enjambres de vehículos aéreos no tripulados de acuerdo con el mecanismo de formación de los gansos cisne. Los enjambres de vehículos aéreos no tripulados vuelan en formación como la cola migratoria de gansos cisne, que pueden realizar transporte a larga distancia.
En la formación de ganso cisne, cada ganso cisne generalmente tiene tres modos de comportamiento: modo de avance, modo de aceleración y modo de seguimiento. En un momento determinado, supongamos que la distancia de juicio entre el cisne ganso j y el cisne ganso i frente a él es
(1)
En la fórmula: qij es la distancia entre el cisne ganso i y j en la dirección de avance; uij es la distancia entre el cisne ganso i y j perpendicular a la dirección de avance; rj es el siguiente nivel del cisne ganso j; fu, fq, fr son los tres pesos de influencia, mediante el establecimiento de estos tres pesos de influencia, la formación puede lograr un efecto simétrico. La Figura 1 muestra la relación posicional relativa entre varios gansos cisne.
Swan Goose i selecciona Swan Goose j para seguir de acuerdo con la fórmula (2), es decir,
(2)
Y actualice la velocidad según la fórmula (3):
(3)
En la fórmula: vL es la velocidad esperada; α es el siguiente coeficiente proporcional, que se utiliza para controlar la siguiente velocidad del cisne ganso i; Pd es la siguiente posición esperada del cisne ganso i; Pi es la posición actual del momento del cisne ganso i.
1.2 Caza de manadas de lobos
Los lobos son el grupo de animales de caza más distribuido, con un estricto sistema organizativo y exquisitos métodos de caza. Durante el proceso de caza, los lobos generalmente adoptan la forma de cerco, existiendo aproximadamente dos divisiones del trabajo: cazar cerco y ayudar, lo que mejora enormemente la eficiencia de la caza. El equipo de Duan Haibin analizó el modelo jerárquico de lobos basado en la teoría de grafos, desde la inteligencia de la manada de lobos hasta los grupos de UAV [17], y proporcionó un flujo de algoritmo para imitar a los lobos y el control autónomo de formaciones de múltiples UAV. Los UAV simulan el comportamiento de asistencia y cerco de los lobos grises cuando cazan, lo que puede mejorar la eficiencia del ataque de los objetivos enemigos y son adecuados para acercarse y rodear ataques de grupos de UAV, como el modo de ataque antirradiación de los grupos.
Como se muestra en la Figura 2, la jerarquía social de una manada de lobos se puede dividir en tres niveles: lobos α, lobos β y lobos comunes. Cuando los lobos están cazando, la estructura de la formación es envolvente. Después de determinar la posición del objetivo, los lobos α y β primero rodean al objetivo. El círculo circundante es un círculo grande y la velocidad de movimiento es consistente con la presa. El resto de los lobos comunes se reúnen cerca de los lobos superiores para ayudar en la caza según sus posiciones relativas, el círculo de asistencia es un círculo pequeño y la velocidad de movimiento se ve afectada por la presa y el lobo superior. Para un lobo ordinario i, su velocidad de movimiento se puede expresar como
(4)
En la fórmula: vL es la velocidad de movimiento de la presa; α es el siguiente coeficiente proporcional; Pk es la posición del lobo superior k; Pi es la posición del lobo común; fk es el factor de influencia, que refleja la influencia de el lobo superior sobre el lobo común.
1.3 Las abejas mueven sus nidos
Como insecto social común en la vida diaria, la abeja melífera tiene una comunicación, cooperación y división del trabajo muy estrecha entre grupos. Además del trabajo diario de recolectar miel, la migración de las abejas también es un fenómeno interesante y complicado: cuando el número de abejas se reproduce demasiado o las condiciones de vida se deterioran, optarán por construir nuevas colmenas en otros lugares, y luego las La colonia de abejas se trasladará a la nueva colmena de forma organizada.movimiento del nido. Sin embargo, en el proceso de movimiento de las abejas, sólo un pequeño número de abejas exploradoras saben en qué dirección moverse, y la mayoría de las abejas sólo conocen aproximadamente una dirección, y la información para el movimiento proviene principalmente de las abejas circundantes. Guo Haiyang utilizó el mecanismo de colonia de abejas para simular el vuelo de los UAV [18] y utilizó cuatro reglas de vuelo de las abejas para planificar el control cooperativo de los UAV. Los vehículos aéreos no tripulados simulan el comportamiento de reunión de las colonias de abejas que se dirigen a nuevos nidos, que pueden realizar la tarea de transmisión en condiciones de comunicación limitada.
En el proceso de movimiento de las abejas, existen principalmente cuatro tipos de comportamientos de movimiento: agregación, alineación, evitación de colisiones y aleatoriedad, además de una pequeña cantidad de información de movimiento de las abejas exploradoras, formando una formación de colonia de abejas. El comportamiento de cada abeja individual se ve afectado por estos cuatro tipos de movimiento (como se muestra en la Figura 3), y la urgencia conductual se utiliza para especificar un vector de movimiento de longitud variable para lograr:
(5)
En la fórmula:
representan la agregación, alineación, prevención de colisiones y velocidad aleatoria de la abeja i respectivamente; dvis es la distancia visual de una sola abeja, y los individuos dentro de la distancia visual pueden considerarse como vecinos de la abeja i; Pj es la posición actual de la abeja j ; vj es la velocidad actual de la abeja j; Ui es el conjunto de individuos adyacentes; vmax es la velocidad máxima de las abejas en el conjunto, que se utiliza para limitar la velocidad de una sola abeja; dner es la distancia crítica para evitar colisiones; Pmin es la distancia entre la abeja más cercana y la abeja i.distancia.
Finalmente, la combinación ponderada de los cuatro tipos de movimientos se utiliza para obtener la velocidad de movimiento final de la abeja i:
(6)
En la fórmula: w1, w2, w3, w4 son los pesos correspondientes a los cuatro comportamientos; vL es la información de movimiento proporcionada por las abejas exploradoras.
2 Método de seguimiento por radar del objetivo del enjambre
Los métodos tradicionales de seguimiento de objetivos por radar siguen el marco de inicio de seguimiento, asociación de datos y filtrado de seguimiento, como se muestra en la Figura 4. Cada parte juega un papel vital en el resultado final del seguimiento de objetos. En términos generales, los diferentes algoritmos de seguimiento de objetivos tienen diferentes escenarios aplicables y deben seleccionarse de acuerdo con las condiciones reales. Para el seguimiento de objetivos de enjambre, aunque se pueden adoptar diferentes modelos de población de imitación biológica, dado que se utiliza la plataforma UAV, sus propiedades cinemáticas todavía están limitadas al alcance de la dinámica de vuelo, por lo que aún se puede utilizar el método tradicional de procesamiento de datos de radar. seguimiento de objetivos.
2.1 Algoritmo de inicio de pista [19]
El método visual (Visual Method, VM) es un método heurístico simple y fácil, que filtra la pista inicial estableciendo tres restricciones de velocidad, aceleración y ángulo. El método intuitivo es adecuado para escenas sin información previa sobre el movimiento de los objetos.
El método basado en lógica (LM) se basa en el método intuitivo y utiliza múltiples hipótesis para generar posibles pistas al comienzo de la pista mediante el uso de puertas de predicción y correlación. Es el método más utilizado en aplicaciones de ingeniería y es adecuado para iniciar el seguimiento de objetivos de maniobra débiles. El método lógico modificado agrega restricciones de ángulo, lo que puede eliminar algunas mediciones candidatas con poca validez.
El método de transformación de Hough (método de transformación de Hough, HTM) es un método básico que se utiliza para detectar líneas rectas en el procesamiento de imágenes, por lo que aplicar el método de transformación de Hough al inicio de la pista es adecuado para objetivos en movimiento en línea recta, y su desventaja es que la cantidad de cálculo es relativamente grande. El método de transformada de Hough modificado reduce la cantidad de cálculo al introducir información de series de tiempo y aumentar las restricciones, de modo que pueda aplicarse a la ingeniería práctica.
2.2 Algoritmo de asociación de datos [20-21]
La Asociación de datos del vecino más cercano (NNDA) es un algoritmo de asociación simple y ampliamente utilizado. La razón es dar una correlación con la medición candidata más cercana dentro de la puerta. NNDA es adecuado para el seguimiento disperso de múltiples objetivos en un entorno disperso, con baja complejidad computacional y una implementación simple. Sin embargo, para un seguimiento denso de múltiples objetivos en un entorno denso de desorden, es probable que se produzcan errores de asociación, lo que da como resultado una divergencia de filtrado posterior.
La Asociación de Datos Probabilísticos (PDA) considera todas las mediciones candidatas que caen en la puerta de onda al mismo tiempo y las pondera como mediciones equivalentes de acuerdo con el valor de probabilidad, para realizar una actualización de filtrado. La PDA es adecuada para un solo objetivo o para un seguimiento disperso de múltiples objetivos en un entorno desordenado, y la cantidad de cálculo es relativamente pequeña.
La Asociación Conjunta de Datos Probabilísticos (JPDA) considera de manera integral todas las mediciones candidatas que caen en la puerta de onda en diferentes pistas, y considera que las mediciones comunes pueden provenir de diferentes objetivos. JPDA es adecuado para el seguimiento de múltiples objetivos en entornos densos y el efecto es el mejor. Sin embargo, la extracción de la matriz factible requiere una gran cantidad de cálculos, lo que es difícil de aplicar en la práctica de la ingeniería. La Figura 5 es un diagrama esquemático de los principios de los tres algoritmos de asociación de datos anteriores.
La Asociación Rápida de Datos Probabilísticos Conjuntos es una simplificación de JPDA. En comparación con JPDA, cambia el método de cálculo de la probabilidad de interconexión y evita la división de matrices que consume más tiempo en el algoritmo. Dos algoritmos rápidos comúnmente utilizados [21] son CJPDA (Cheap Joint Probabilistic Data Association) y NNJPDA (Nearest Neighbor Joint Probabilistic Data Association), en los que CJPDA selecciona todas las probabilidades de interconexión para la ponderación combinada, y NNJPDA selecciona la medición con la mayor probabilidad de interconexión para asociación. Estos dos algoritmos rápidos tienen buenos resultados en aplicaciones prácticas.
2.3 Algoritmo de filtro de seguimiento [19]
El filtro lineal de Kalman (filtro lineal de Kalman, LKF) es el algoritmo de filtrado más clásico. Estima el modelo de acuerdo con el valor de predicción del estado y el valor de medición, y realiza de forma recursiva el seguimiento del objetivo. Los modelos de LKF más utilizados son los de velocidad constante y aceleración constante, que son adecuados para rastrear objetivos que no son maniobrables.
El modelo de Singer se basa en el filtro de Kalman y supone que la aceleración del objetivo es un ruido aleatorio de media cero relacionado con un índice específico y obtiene un conjunto de nuevos algoritmos adecuados para maniobrar objetivos. El modelo estadístico actual (Current Statistical, CS) se basa en el modelo de Singer. Se realizan mejoras en lo anterior y la aceleración se corrige como ruido de color con un valor medio adaptativo y distinto de cero, que se acerca más a la situación real y se puede obtener un mejor efecto de seguimiento.
El algoritmo Interacting Multiple Model (IMM) utiliza múltiples subfiltros para rastrear el objetivo. El proceso de filtrado del subfiltro es consistente con otros métodos de filtrado ordinarios: una vez completado el filtrado, el subfiltro utiliza estimación y medición interactivas para calcular una nueva estimación y probabilidad del modelo. IMM considera de manera integral múltiples submodelos, por lo que es especialmente adecuado para rastrear objetivos con características de movimiento en etapa. En comparación con los algoritmos de un solo modelo, puede adaptarse a las maniobras y tiene una mayor precisión de seguimiento, pero a costa de un mayor cálculo.
3 Método de identificación de patrones para eventos de vuelo en enjambre
Para los tres métodos de vuelo en enjambre anteriores, si el radar puede identificar el patrón de vuelo específico antes o durante el seguimiento, se espera que seleccione diferentes algoritmos de seguimiento, mejorando así la precisión del seguimiento y también puede juzgar la intención del objetivo del enjambre según el vuelo. resultados de identificación. , proporcionando una base para su posterior procesamiento. Con base en esto, de acuerdo con las características de los tres movimientos de vuelo de gansos, lobos y abejas, y con base en los resultados básicos del procesamiento de datos del radar, este artículo utiliza algoritmos de agrupamiento para diseñar los métodos de identificación de eventos correspondientes.
Supongamos que P={(x1, y1), (x2, y2), ..., (xn, yn)} es la medición del radar establecida en el momento t, donde n es el número de mediciones, y atraviesa todos los puntos de medición para reconocimiento de patrones. Se destaca especialmente que la medición para la identificación puede proceder de la medición después del procesamiento de la señal de radar, es decir, del resultado de la detección, que se caracteriza por una información completa del objetivo pero que contiene una gran cantidad de puntos falsos; también puede provenir de la medición después procesamiento de datos, Es decir, la medición de la información de seguimiento correspondiente después del filtrado de seguimiento, que se caracteriza porque se han filtrado una gran cantidad de puntos aleatorios de falsas alarmas y puntos de desorden, pero es posible que falte información real.
3.1 Reconocimiento de patrones de gansos
La idea básica es proponer un método de reconocimiento de patrones para gansos basado en las características de la forma "humana" que presentan los gansos en vuelo. Según las mediciones detectadas en el momento actual, se detecta si se forma una alineación de "personas" entre las mediciones, para juzgar si el modo de vuelo de la población es una bandada de gansos. El flujo del algoritmo es aproximadamente el siguiente:
(1) Distancia de detección vs.
Para la medición mi=(xi, yi), la distancia entre ésta y la medición mj se registra como dij=∥mi−mj∥2, y la distancia establecida Di entre todas las demás mediciones: {di1,…, di( i- 1), di(i+1), ..., estruendo}. Si unas dos distancias en Di satisfacen:
(7)
Donde: εd es un umbral de distancia dado.
Las medidas mj y mk se denominan par de distancias, denotadas como pl={mj, mk}, el conjunto de todas las distancias de medición i es Pi={pl1, pl2, ..., plL}, y L es el número de pares de distancia. El núcleo de la detección de si el patrón de población es una bandada de gansos es probar si hay múltiples pares de distancias que satisfacen condiciones específicas en la medición, de modo que aparezca una forma similar al carácter "人" en la medición.
(2) Pares de distancias de detección
Dos puntos pueden determinar una línea recta, sea que el segmento l formado por los dos puntos en pl tenga una pendiente de kl. Mida i al pie vertical del segmento de línea l como hl. Determine si el par de distancias satisface las siguientes condiciones:
a. Clasifique los elementos en Di en orden ascendente, y el elemento en el par de distancias debe ser el valor más pequeño en Di, para garantizar que el par de distancias provenga del objetivo adyacente de medición i.
b. La pendiente k formada por diferentes pares de distancias es similar, y la distancia desde la medida i hasta el segmento de línea l no puede ser mucho mayor que la longitud del segmento de línea l, para asegurar la simetría de la formación formada por diferentes pares de distancias y medición.
(8)
En la fórmula: εk es el umbral de pendiente; εp es el número esperado de pares de distancias.
C. El pie vertical hl está dentro del segmento de línea l para garantizar que los puntos con la misma distancia estén a ambos lados del punto de medición.
(9)
d. Se miden diferentes pares de distancias para que tengan la misma dirección de pendiente vertical del segmento de línea l, a fin de garantizar que diferentes pares de distancias estén en el mismo lado del punto de medición.
(10)
En la fórmula: ·Representa el producto escalar vectorial.
(3) Juicio de modo
Un par de distancias que satisface las cuatro condiciones anteriores al mismo tiempo se denomina par de distancias efectivas. Si el número de pares de distancias efectivas es mayor que εp, se considera que la medición forma una formación de gansos en este momento.
3.2 Reconocimiento de patrones de manada de lobos
La idea básica es proponer un método de reconocimiento de patrones de manada de lobos basado en la agrupación DBSCAN basada en las características de cerco de círculos grandes y cooperación de círculos pequeños presentados por los lobos en el proceso de caza. De acuerdo con la medición en el momento actual, analizar si se forman múltiples cercos entre las mediciones y si hay puntos centrales entre los cercos, para juzgar si el modo de vuelo de la población es una manada de lobos. El flujo del algoritmo es aproximadamente el siguiente:
(1) agrupación DBSCAN
Dado un umbral de distancia εd y un umbral numérico εp, realice la agrupación DBSCAN en el conjunto de medidas. La agrupación DBSCAN es un algoritmo de agrupación clásico basado en la distribución de densidad [22], que puede clasificar muestras estrechamente distribuidas en una categoría.
El algoritmo divide los puntos de la clase en tres tipos: puntos centrales, puntos límite y puntos de ruido. El punto central indica que el número de puntos en la vecindad del radio εd excede el número de εp; el punto límite indica que los vecinos del punto central u otros puntos límite pero el número de puntos en la vecindad del radio εd es menor que el número de εp; el punto de ruido indica el punto no central y no límite. Cuando DBSCAN se agrupa, el punto central y sus puntos límite adyacentes se clasifican en un grupo y el proceso se muestra en la Tabla 1.
(2) Filtro de clase
Para un grupo ℂ, ∃pi∈ℂ se obtiene después de una determinada agrupación DBSCAN, de modo que la mayoría de los puntos del grupo caen en la vecindad D1.5⋅εd(pi), entonces el grupo es un grupo válido:
(11)
En la fórmula: |⋅| representa el número de elementos del conjunto. Esto puede garantizar que un grupo en un entorno desordenado corresponda exactamente a un pequeño círculo de asistencia de una manada de lobos.
(3) Juicio de modo
Si el número de grupos efectivos es mayor que εp, se considera que las mediciones forman una formación de manada de lobos en ese momento.
3.3 Reconocimiento de patrones de colonias de abejas
La idea básica es proponer un método de reconocimiento de patrones de colonias de abejas basado en la agrupación DBSCAN en función de las características de distribución concentrada y los intervalos ordenados de las colonias de abejas en el proceso de movimiento de nidos. De acuerdo con la medición en el momento actual, analice si se forma un gran grupo entre las mediciones y mantenga una cierta distancia entre los puntos del grupo, para juzgar si el modo de vuelo de la población es una colonia de abejas. El flujo del algoritmo es aproximadamente el siguiente:
(1) agrupación DBSCAN
Dado el umbral de distancia εd y el umbral de cantidad εp, realice la agrupación DBSCAN en el conjunto de medición y el proceso de agrupación se muestra en la Tabla 1.
(2) Filtro de clase
Para cada grupo ℂ obtenido después de la agrupación DBSCAN, el subconjunto de puntos centrales de ℂ es ℕ={p es el punto central|p∈ℂ}. Defina Dℕ={‖pi-pj‖2|pi∈ℕ, pj∈ℕ} para representar la distancia por pares entre puntos centrales. Determine si satisface las siguientes condiciones:
a. La distancia desde la mayoría de los puntos centrales al vecino más cercano es similar a la distancia al segundo vecino más cercano, para garantizar que los elementos del grupo ℂ mantengan una cierta distancia. Para el punto central pi∈ℂ, la distancia establecida entre este y otros elementos en ℂ es Di:
(12)
En la fórmula: sort() significa ordenar los elementos de la colección en orden ascendente.
b. La distancia más corta entre los puntos centrales es mucho menor que la distancia más lejana entre los puntos centrales para garantizar que el grupo ℂ sea un conjunto ampliamente distribuido:
(13)
En la fórmula: max(·), min(·) representan el valor máximo y el valor mínimo de los elementos del conjunto, respectivamente.
(3) Juicio de modo
Si hay un grupo que cumple las tres condiciones anteriores al mismo tiempo, se considera que las mediciones forman una formación de colonia de abejas en ese momento.
Finalmente, considerando la influencia del ruido y el desorden en el reconocimiento de patrones, se deben adoptar los siguientes criterios para el reconocimiento de los tres patrones de población anteriores: si se considera que el conjunto de mediciones es un determinado patrón de población durante cinco períodos de tiempo consecutivos, entonces el objetivo Se considera vuelo en enjambre de este modo; después de que la determinación es exitosa, se necesitan 5 períodos de tiempo consecutivos y no se determina que el conjunto de mediciones sea un determinado modo de población, entonces se considera que el objetivo no ha realizado el enjambre. vuelo de este modo.
4 Verificación de simulación del seguimiento e identificación de objetivos del grupo
Para el seguimiento de diferentes grupos de vehículos aéreos no tripulados biomiméticos, es necesario combinar las características de movimiento de las poblaciones biológicas con los escenarios aplicables de diferentes algoritmos de seguimiento de objetivos: el filtro lineal de Kalman, de baja precisión y adecuado para maniobras débiles; para el vuelo de imitación de manada de lobos, cuyo la velocidad del movimiento cambia rápidamente pero la dirección básicamente cambia poco en la etapa inicial, se puede usar el método Hough modificado para iniciar la trayectoria; para la trayectoria de movimiento con CJPDA más escalonada, que es adecuada para objetivos múltiples densos, se puede usar para datos asociación. El siguiente es un análisis de simulación del rendimiento del algoritmo de seguimiento de objetivos cuando se aplica a diferentes modos de vuelo en grupo.
4.1 Generación de pistas de vuelo en enjambre de UAV
Para reflejar mejor el mecanismo de influencia de los enjambres de UAV en el seguimiento por radar, en la simulación inicial sólo se considera un pequeño número de enjambres de UAV. Se simula en un plano bidimensional, asumiendo que un grupo de UAV con el número N=31 despega aleatoriamente de cada ubicación, la posición inicial satisface X, Y~N(10 000, 1 000), y la posición se actualiza El período se establece en 1 s. Velocidad esperada del grupo vL=50
m/s, el ángulo con el eje X es de 45°. Las huellas se generan de acuerdo con tres reglas de formación: la distancia de seguimiento esperada d = 500 m en la formación de gansos, el ángulo de seguimiento es de 30° y el tiempo de movimiento es de 270 s, como se muestra en la Figura 6(a); el radio circundante Rs en la formación de lobos = 1 000 m, radio de asistencia Ra = 250 m, tiempo de movimiento es 100 s, como se muestra en la Figura 6(b); distancia visual dvis = 2 500 m, distancia para evitar colisiones dner = 250 m, tiempo de movimiento Como se muestra en la Figura 6(c).
El análisis de las características del movimiento en la figura muestra que: (1) En la etapa inicial del movimiento de formación de los UAV de imitación de ganso, la maniobrabilidad de los UAV es relativamente alta y el grado de complejidad es relativamente alto. , el movimiento es relativamente estable y la formación mantiene una forma de espiga. (2) En la etapa inicial del movimiento de formación de los vehículos aéreos no tripulados que imitan la manada de lobos, se requiere una gran movilidad para formar una formación; en la etapa posterior del movimiento, una formación de doble círculo rodeada por un círculo grande y asistida por un pequeño Se forma un círculo El movimiento es relativamente estable pero el mismo círculo de asistencia Los individuos están muy juntos. (3) En comparación con los otros dos modos de vuelo, la formación de vehículos aéreos no tripulados en forma de enjambre tiene una menor maniobrabilidad en todo el ciclo de movimiento y, debido a la existencia de vectores para evitar colisiones, la distancia entre los individuos se puede mantener a una cierta distancia.
4.2 Análisis de rendimiento del algoritmo de inicio de seguimiento
Se comparó y analizó el algoritmo de inicio de trayectoria de las tres trayectorias de vuelo del grupo de UAV biomiméticos generados, que utilizó el método intuitivo, el método lógico modificado y el método de cambio de Hough modificado. El período inicial de la pista se establece en 4, suponiendo que el número de desorden que obedece a la distribución de Poisson se distribuye aleatoriamente cerca de la posición inicial del enjambre de UAV, y el parámetro de densidad de desorden se establece en J=30. Debido al complejo movimiento de las poblaciones biónicas, para que la precisión inicial del seguimiento se acerque al 100%, es necesario relajar las condiciones de los tres métodos. Esto conducirá a una alta tasa de ocupación de pistas falsas, pero la parte de correlación posterior puede acabar con la mayoría de las pistas falsas. La Tabla 2 muestra los resultados de la comparación del tiempo de ejecución de los tres algoritmos, la tasa inicial correcta de la pista y la tasa de ocupación de la pista falsa después de 100 simulaciones de Monte Carlo.
La comparación de los resultados en la tabla muestra: (1) Entre los tres métodos de inicio de seguimiento, el método lógico modificado tiene la complejidad de tiempo más baja y el método de transformación de Hough modificado consume la mayor cantidad de tiempo. (2) Para la pista que imita a los gansos, debido a la alta maniobrabilidad en la etapa inicial, el método intuitivo que requiere menos información previa tiene la tasa de precisión más alta; para la pista que imita a los lobos, la velocidad cambia obviamente pero la dirección cambia en la etapa inicial del movimiento. El método de transformación de Hough modificado tiene la tasa de corrección más alta; para la trayectoria de la colonia de abejas de imitación, la maniobrabilidad en la etapa inicial del movimiento es débil, los tres algoritmos tienen una alta tasa de éxito inicial y el método modificado El método lógico tiene la tasa de ocupación de vías falsas más baja. (3) El método lógico modificado es más rentable, pero la desventaja es que la adaptabilidad del algoritmo es débil y es necesario ajustar más parámetros para diferentes escenarios para obtener resultados satisfactorios.
4.3 Análisis de rendimiento del algoritmo de asociación de datos.
Se llevó a cabo la comparación y análisis de los algoritmos de asociación de datos para las tres trayectorias de vuelo generadas de clusters de UAV biomiméticos. Los algoritmos de asociación de datos utilizaron NNDA, PDA, CJPDA y NNJPDA. Suponiendo que el número de desorden que obedece a la distribución de Poisson se distribuye aleatoriamente cerca de la trayectoria del grupo de UAV, el parámetro de densidad de desorden se establece en J=10. Suponiendo que se conoce el resultado inicial de la pista, el algoritmo de filtrado adopta el filtro de Kalman, el tamaño de la puerta de correlación se establece uniformemente en 8, las pistas que no se vinculan 6 veces seguidas se terminan y el error máximo es limitado a 150
metro. Realice 100 simulaciones de Monte Carlo, la tasa de pérdida de seguimiento es la relación entre el número de pistas finales y el número total de pistas, y la complejidad del tiempo es el tiempo de ejecución del algoritmo. Las tablas 3 y 4, respectivamente, brindan los resultados de comparación de la tasa de pérdida de seguimiento y el tiempo de ejecución de los tres algoritmos, y la figura 7 muestra los errores de filtrado de los tres algoritmos en las direcciones X e Y.
La comparación de los resultados de la correlación muestra que: (1) Para la pista de imitación de gansos, el error de filtrado de varios algoritmos de asociación de datos no excede los 120 m, y el efecto de correlación es CJPDA>NNJPDA>PDA>NNDA; para la pista de imitación de lobos Debido a que la distancia entre ellos es demasiado corta, el error de filtrado de varios algoritmos de correlación es relativamente grande, por encima de 140 m. En este momento, el efecto de los dos algoritmos vecinos más cercanos es mejor, lo que indica que en el caso de distribución extremadamente densa de objetivos, hay demasiadas áreas superpuestas de puertas de correlación, lo que da como resultado que el algoritmo basado en asociación de datos probabilísticos pierda su efecto; para el seguimiento de colonias de abejas de imitación, debido a la existencia de un vector de evitación de colisiones y la distancia individual es pequeño, todos los algoritmos de asociación pueden obtener un buen efecto de asociación y el error de filtrado es básicamente de alrededor de 10 m. (2) Debido a las características del algoritmo, el algoritmo PDA tiene una tasa de pérdida de seguimiento asociada muy baja, pero el error de filtrado no es bajo. Esto se debe a que el algoritmo PDA a menudo hace que dos pistas se superpongan cuando la distancia objetivo es relativamente corto. Además, la complejidad temporal de varios algoritmos no es muy diferente, por lo que el algoritmo de asociación más rentable es CJPDA.
4.4 Análisis de rendimiento del algoritmo de filtro de seguimiento
El algoritmo del filtro de seguimiento se compara y analiza para las tres trayectorias de vuelo generadas de grupos de vehículos aéreos no tripulados biónicos. El algoritmo del filtro de seguimiento utiliza un filtro de Kalman lineal, un modelo estadístico actual y un modelo múltiple interactivo. Suponiendo que se conocen el inicio de la pista y el resultado de la asociación de datos, se agrega a la pista real un ruido de medición gaussiano aleatorio con una media de 0 y una desviación estándar de 30. Suponiendo que la frecuencia de maniobra α=1/60 y la aceleración máxima amax=30 m/s2 en el modelo estadístico actual, el multimodelo interactivo incluye un modelo de movimiento de velocidad uniforme y dos modelos de movimiento de aceleración uniforme, y se calculan 100 simulaciones de Monte Carlo. realizado. La Figura 8 muestra los errores de filtrado cuadrático medio de los tres algoritmos, y la Tabla 5 muestra los resultados de la comparación de la complejidad temporal de los tres algoritmos.
Se puede ver que las huellas de los gansos y lobos de imitación son altamente maniobrables en la etapa inicial, por lo que el efecto de seguimiento del filtro de Kalman adecuado para objetivos que no maniobran es el peor, y el efecto es mejor cuando el movimiento posterior tiende a ser estable. ; el modelo estadístico actual está en El error de filtrado fluctúa poco en todo el ciclo de movimiento y es muy estable; el multimodelo interactivo funciona bien en situaciones de maniobra y no maniobra de objetivo, y tiene una gran adaptabilidad, pero lleva más tiempo .
4.5 Identificación de eventos en modo clúster
Los tres métodos de reconocimiento de patrones se simulan y verifican, suponiendo que los enjambres de vehículos aéreos no tripulados vuelan en varios modos de enjambre. En t ∈ [0,200] s, imita el vuelo de un enjambre de abejas, [400,500] s imita el vuelo de los lobos y la trayectoria de vuelo es se muestra en la Figura 9. Luego utilice tres métodos de reconocimiento de patrones para identificarlos respectivamente. La Tabla 6 muestra la precisión del reconocimiento de los tres métodos de reconocimiento de patrones bajo diferentes errores de medición, y la precisión del reconocimiento es la relación entre el tiempo de reconocimiento exitoso y el tiempo de vuelo. La Figura 10 muestra los resultados del reconocimiento del algoritmo.
Se observó que en la etapa inicial del vuelo, la formación del enjambre de UAV no se pudo identificar con éxito porque la formación aún no se había formado; cuando la formación se estabilizó gradualmente, el algoritmo pudo identificar efectivamente el modo de vuelo del enjambre de UAV. Al comparar los resultados de la Tabla 6, la tasa de precisión cuando el ruido de medición es 0 está determinada por el propio algoritmo de identificación y también está relacionada con el tiempo de formación del patrón de movimiento. Cuanto mayor sea el ruido de medición, menor será la precisión del reconocimiento de patrones, lo que está en línea con las expectativas.
4.6 Análisis integral del desempeño
Según el análisis anterior, se puede saber que se utilizan diferentes métodos de seguimiento para diferentes vuelos de población biónica y los efectos son bastante diferentes. En el proceso de seguimiento de objetivos de enjambre de UAV, si se conoce de antemano el modo de vuelo del enjambre y luego se selecciona un algoritmo de seguimiento apropiado, el efecto del seguimiento de objetivos se puede mejorar significativamente. Tomando como ejemplo el vuelo de una manada de lobos, se supone que la estrategia de seguimiento 1 utiliza el método de transformación de Hough, la asociación de vecino más cercano y el modelo múltiple interactivo, y la estrategia 2 utiliza el método lógico modificado, la asociación de datos de probabilidad y el filtro lineal de Kalman. . Utilizando el índice LOSPA [23] para evaluar el seguimiento de múltiples objetivos, la Figura 11 muestra los resultados de comparación del seguimiento de objetivos.
Figura 11 Análisis comparativo integral
Se puede ver que el efecto de la estrategia 1 es significativamente mejor que el de la estrategia 2. Por lo tanto, elegir una estrategia adecuada para diferentes escenas deportivas tiene un impacto crucial en los resultados del seguimiento de objetivos, lo que verifica la efectividad de la estrategia del algoritmo de selección óptima. .
5. Conclusión
En este artículo, al analizar las características cinemáticas de las tres poblaciones biológicas de gansos, lobos y abejas, se propone un método de reconocimiento de patrones correspondiente y se verifica mediante simulación su viabilidad y rendimiento bajo diferentes ruidos de medición. Además, al analizar y comparar las condiciones aplicables de las tres tecnologías clave de seguimiento de objetivos: inicio de seguimiento, asociación de datos y filtrado de seguimiento, se propone una estrategia de optimización del algoritmo de seguimiento de radar para grupos de UAV biomiméticos: (1) Para movimientos complejos en etapas iniciales , objetivos de gansos estables en la última etapa, se puede utilizar el método de Hough modificado, CJPDA, y una combinación de algoritmos de múltiples modelos interactivos; (3) Para los objetivos de colonias de abejas con baja maniobrabilidad y distancia estable entre individuos, la combinación de algoritmos de Método intuitivo, se pueden utilizar NNJPDA y el filtro Kalman. Los resultados de la simulación muestran que los efectos de seguimiento de diferentes combinaciones de algoritmos son bastante diferentes, lo que verifica la efectividad de la estrategia de optimización.
Sin embargo, en el proceso de seguimiento real del radar, el patrón de movimiento del UAV puede cambiar dinámicamente. Una vez completado el reconocimiento del patrón de movimiento, aún es necesario investigar más sobre cómo ajustar de forma adaptativa el algoritmo de seguimiento.
Descargo de responsabilidad: Los artículos y las imágenes reproducidos en la cuenta oficial tienen fines de investigación científica y educativa no comercial para su referencia y discusión, y no pretenden respaldar sus puntos de vista ni confirmar la autenticidad de su contenido. Los derechos de autor pertenecen al autor original. Si el manuscrito reimpreso involucra derechos de autor y otros problemas, comuníquese con nosotros de inmediato para eliminarlo.
Lanzamiento de "Consultoría y tecnología de inteligencia artificial"