距離相關噪聲AOA協同定位下無人機路徑優化方法

左 燕 劉雪嬌 彭冬亮

(杭州電子科技大學自動化學院 杭州 310018)

1 引言

隨著隱身飛機、反輻射導彈和電子對抗等技術發展，無源探測系統具有不主動發射電磁信號、隱蔽性好、覆蓋范圍廣等優點[1]，已廣泛應用于目標跟蹤、監視、導航和無線通信等領域。

在無源探測系統中，角度信息(Angel Of Arrival,AOA)是基本的觀測信息之一?；贏OA的定位跟蹤算法相繼提出，包括極大似然估計(ML)[2]、最小二乘估計(LS)[3]、偽線性估計(PLE)[4]、擴展卡爾曼濾波(EKF)[5]等。大量研究結果表明：AOA定位性能不僅取決于傳感器量測精度，還與目標-傳感器的幾何位置有關[6]。當測角傳感器(如紅外傳感器、光電設備、無源雷達)部署在多個無人機上，通過優化無人機(Unmanned Aerial Vehicles, UAV)位置可以進一步提高AOA協同定位性能[7]，AOA協同定位下無人機路徑規劃成為研究熱點。

針對AOA協同定位問題，基于最大化FIM行列式指標(D準則)的最優幾何分析[6]和UAV最優路徑規劃[7,8]相繼提出。由于D準則可能導致大的估計偏差[8]，基于最小化CRLB的跡指標(A準則)下UAV路徑規劃隨之提出[9,10]，通過非線性規劃優化算法[11]在線計算滿足各種狀態約束和環境約束條件的UVA的軌跡，使跟蹤目標狀態估計接近CRLB。為滿足無人機實時在線計算，參數化路徑優化算法[12]被提出，該算法基于信息增益離線計算一組傳感器-目標最優構型集合，在線選擇最優UAV航跡，該方法只適合單個UAV。文獻[13]采用歸一化梯度算法計算UAV最優航跡，易陷入局部最優。

上述AOA協同定位問題假設量測噪聲方差為常數，而理論[14]和實驗[15]研究顯示AOA量測噪聲方差是距離的函數。文獻[16]提出了一種聯合最小二乘和非線性漸消濾波算法(LS-ISFEKF)。文獻[17]基于廣義CRLB(Generalized CRLB, GCRLB)[14]的跡最小化指標分析無約束下距離相關噪聲AOA協同定位最優幾何結構。文獻[18]提出了一種距離相關噪聲AOA協同定位下基于演化神經網絡的UAV路徑規劃。不同于上述研究工作，本文主要創新工作如下：(1)提出了一種聯合極大似然估計和變增益UKF濾波的定位跟蹤算法，適應量測噪聲方差隨距離的變化；(2)基于GCRLB的跡最小化指標，分析了距離和角度約束下最優傳感器幾何構型；(3)考慮距離相關噪聲特征，以最小化GCRLB的跡為目標函數，建立多約束UAV路徑規劃模型，結合罰函數和LM算法優化求解，兼顧性能和效率。

2 距離相關噪聲AOA協同定位

在實際應用中測角傳感器裝載在多個UAV上，通過控制UAV運動方向使得傳感器到達最佳探測位置，從而獲得對目標更加精確的量測信息，減小定位誤差。在傳統UAV路徑規劃框架[7]的基礎上，設計了距離相關噪聲AOA協同定位方法總體框架(見圖1)。給定距離相關噪聲AOA量測，利用ML和變增益UKF獲得目標狀態的估計值，計算距離相關噪聲AOA協同定位GCRLB指標。以GCRLB跡最小化為目標函數，建立多約束路徑規劃模型，結合罰函數和LM算法優化求解得到UAV的最優航向角，控制UAV運動到最優航路點。

2.1 距離相關噪聲量測模型

2維空間下M個測角傳感器分別部署在M個UAV上對目標定位。令目標位置Star=[xtar,ytar]T，速度傳感器i的 位置Si=[xi,yi]T，速度則傳感器i獲得角度量測值

其中， θi為傳感器i測 量的方位角，且- π ＜θi≤π。ni為 加性量測噪聲，服從零均值，方差為高斯分布，即ni～N(0,)。

在實際應用中，傳感器方位角量測噪聲方差與信號的信噪比SNR有關[14]。當傳感器工作參數相同時，SNR僅取決于傳感器和目標的距離，傳感器i的量測噪聲方差可以描述為[15]

圖1 距離相關噪聲AOA協同定位框架

2.2 目標運動模型

其中，Fk為 狀態轉移矩陣；ek為目標運動噪聲，服從 均值為零，協方差為Q 的高斯分布。

2.3 ML-VUKF算法

考慮AOA量測噪聲方差隨目標-傳感器距離變化特點，設計一種聯合ML估計和變增益UKF算法(記為ML-VUKF算法)，具體如下：

(1) 初始值：采用ML估計算法[2]確定目標初始狀態X ˉk|k。

(2) 生成Sigma點εnk及其權重wn

其中， N 為Sigma點的維數；λ 為標度參數，它確定圍繞狀態向量Xk均值的Sigma點的分布。

(3) 預測：計算Sigma點的一步預測，及相應量測預測值。

(4) 計算增益：根據目標一步預測值更新量測噪聲方差，以此更新濾波器增益。

式(10)和式(11)中， R?r為距離相關量測噪聲方差。由于目標非合作，用目標一步預測值X ˉk+1|k代替目標位置真實值，計算 R?r。利用式(12)計算增益，該值是目標-傳感器距離的隱函數。

(4) 狀態更新：根據新的量測更新目標狀態和狀態協方差。

3 GCRLB指標下最優傳感器位置分析

3.1 GCRLB性能指標

考慮量測噪聲與距離相關的特點，采用廣義CRLB指標(GCRLB)[14]，以GCRLB的跡最小化為指標進行傳感器和目標最優幾何分布構型。

在高斯噪聲假設下，距離相關量測噪聲下AOA目標定位FIM為[14]

其中，

FIM的行列式為

GCRLB定義為FIM的逆[14]

GCRLB的跡為

3.2 無約束最優傳感器位置分析

以GCRLB的跡最小化為定位性能指標，分析傳感器-目標的最佳位置。將 A, B1和 B2具體形式代入式(24)，展開可得

式中，φij=θj-θi為 傳感器i和 傳感器j 的夾角。

(1) 給定任意距離 ri， 分析傳感器最佳角度φij。最小化GCRLB的跡等價于優化問題

取sin 2φij=0,j /=i,i=1,2,···,M時，最 優 角度與距離 ri無 關，最優交會角為φij=±π/2(j /=i)。

(2) 給定任意角度 φij， 分析傳感器i最佳距離ri。 將ai, bi, ci, di具體形式代入式(25)可得

上述函數f2(ri)隨 著距離ri的減小而減小，因此固 定傳感器之間夾角，傳感器距目標越近越好。

3.3 約束最優傳感器位置分析

考慮傳感器最小探測安全距離約束以及UAV運動平臺運動角度約束，分析角度約束和距離約束條件下傳感器最優幾何位置。

求導得到最優性條件

最優交會角為φij=π/M, GCRLB的跡最優值為

(1) 當π /2 ≤θmax-θmin≤2π時，最優性條件

(2) 當 π/M ≤θmax-θmin≤π/2 時， M個傳感器最優分布滿足式(33)的條件

(3) 當0 ≤θmax-θmin≤π/M時，對非線性目標函數(式(31))在區間[ θmin,θmax]進行梯度下降搜索[17]可 得最優傳感器位置數值解。

4 AOA協同定位下UAV路徑優化

在文獻[7]的基礎上，針對距離相關噪聲特性，以GCRLB的跡最小化[14,18]為目標函數，考慮UAV運行過程中運動約束、通信和避碰約束、探測約束等，建立多約束AOA協同定位UAV路徑規劃模型。

其中， v 為UAV飛行速度，φi(k) 為 第i個UAV的航向角，φ (k)=[φ1(k),φ2(k),···,φM(k)]T; φmax為最大允許轉彎率， rdmax為UAV對目標的最大安全探測距離，rsmax和rsmin分別為UAV之間最大安全避碰距離和最小通信距離；式(34)為目標函數；式(35)為UAV運動模型；式(36)為UAV轉彎率限制；式(37)為UAV對目標最大安全探測距離約束；式(38)和式(39)分別為UAV之間最小通信約束和最大安全避碰約束。

該問題是帶約束的非線性優化問題，通過構造罰函數將上述問題轉化為如下無約束優化問題

無約束優化問題(式(40))可以采用梯度下降法[13]或牛頓法[7]迭代求解。牛頓法收斂快，但黑塞矩陣的逆求解時間復雜度高。梯度下降法時間復雜度低，但收斂速度慢，易陷入局部極小。本文采用LM算法[19]，它是梯度下降法和高斯牛頓法的自適應結合，當解遠離最優值時梯度下降，在最優解鄰域時快速收斂，滿足動態場景的實時性。

5 仿真實驗

仿真場景設置如下[7]：3個可移動傳感器對1個目標進行定位。目標位置[10000, 3000] m，采樣間隔T = 1 s。3個傳感器分別裝載在3個UAV平臺。UAV1的初始位置為[1000, 1000] m, UAV2的初始位置為[2000, 0] m, UAV3的初始位置為[1000,-1000] m。3個UAV的運動速度均為40 m/s。UAV最大允許轉彎率φmax=4°，UAV對目標的最大安全探測距離rdmax為20 km，UAV之間最大安全避碰距離rsmax為 7500 m，最小通信距離rsmin為200 m。所有UAV上部署精度相同測角傳感器?？紤]傳感器測角量測噪聲服從零均值高斯分布，且量測方差距離相關。3個傳感器參考距離 r0為1500 m，參考距離對應的信噪比 SNR0為30 dB，路徑損耗系數α為0.01。

首先，比較不同AOA定位跟蹤算法。將本文所提ML-VUKF與ML-MEKF[5]和LS-ISFEKF[16]算法進行比較，蒙特卡洛次數為1000，圖2給出不同定位跟蹤算法下目標狀態估計誤差MSE比較曲線。

其次，研究相同精度測角傳感器AOA協同定位下路徑優化性能。將本文所提基于GCRLB的路徑優化算法(記為本文算法)與基于CRLB的路徑優化算法[7](記為優化算法[7])和常規直線軌跡飛行策略(記為直線軌跡)進行比較，圖3至圖5分別給出3種UAV路徑優化算法下UAV飛行航跡，圖6給出3種UAV路徑優化算法下定位誤差MSE比較曲線。

圖2 不同AOA跟蹤算法下估計誤差MSE

圖3 直線飛行策略下UAV飛行航跡

圖4 優化算法[7]下UAV飛行航跡

圖5 本文算法下UAV飛行航跡

圖6 不同算法下定位誤差MSE

圖7給出不同傳感器個數下定位誤差MSE比較曲線，隨著傳感器個數的增加目標定位誤差MSE減小。對多個同類傳感器組網，增加傳感器個數有望提升目標定位精度。

最后，研究不同精度測角傳感器AOA協同定位下路徑優化性能?？紤]不同精度的測角傳感器，UAV1, UAV2和UAV3上部署的測角傳感器在參考距離下的量測方差分別為 1°, 0 .8°和0 .1°。圖8給出不同量測精度下AOA協同定位UAV下飛行航跡。將其余相同精度(均為 1°)測角傳感器AOA協同定位下UAV飛行軌跡(見圖5)比較，傳感器測角精度 影響最佳傳感器位置分布。

6 結束語

圖7 不同傳感器個數下定位誤差MSE

圖8 不同測角精度傳感器協同定位下UAV飛行航跡

本文研究距離相關噪聲AOA協同定位下UAV路徑優化問題。首先針對AOA量測噪聲方差隨距離變化的特性，設計了一種ML-VUKF估計算法對目標定位。其次，基于GCRLB的跡最小指標分別分析了無約束和距離/角度約束條件下無人機和目標最優幾何分布構型。最后，考慮UAV運行中實際約束建立UAV路徑規劃模型，并采用基于罰函數和LM算法優化求解。通過定位算法的改進和UAV路徑優化，提高距離相關噪聲AOA協同定位性能。理論分析和仿真結果顯示：

(1) 給出了角度和距離約束下最優傳感器位置分布：傳感器和目標的最優距離為允許的最短距離rmin；當角度約束θmax-θmin≥π/M 時， M個傳感器的最優交會角為 π/2 ；若θmax-θmin＜π/M，則采用迭代下降搜索算法在區間[ θmin,θmax]進行梯度下降搜索找到傳感器最優位置數值解。

(2) 基于GCRLB跡最小化指標UAV路徑優化策略下AOA定位性能優于基于CRLB跡最小化指標下路徑優化算法[7]。傳感器與目標的距離越近，量測噪聲方差接近固定值，兩者算法定位性能接近。傳感器的個數增加可以提高AOA定位精度。

本文提出基于GCRLB的UAV路徑優化問題為單步決策?？紤]當前決策對長期定位性能的影響，開展基于GCRLB的多步決策下路徑優化問題是下一步需要研究的工作。