[发明专利]基于多无人机的油田动态侵入目标追踪系统与方法

权利要求书

1.一种基于多无人机的油田动态侵入目标追踪系统，其特征在于：包括控制模块，监控模块，动态目标轨迹预测模块和多机协同目标追踪轨迹优化模块；

所述控制模块包括飞行高度探测模块、飞行姿态控制模块以及无线通讯模块；

所述飞行高度探测模块安装于无人机上，其输出端与飞行姿态控制模块相连接，用于实时飞行过程中的飞行高度检测与控制，以实现无人机始终处于固定安全飞行高度；所述飞行姿态控制模块其输出端与无线通讯模块输入端相连接，用于控制飞行过程中无人机自身的飞行姿态控制与飞行高度控制，以便于实现对油田工作区域内的巡检；所述无线通讯模块包括无线数据接收模块、无线数据发送模块以及无线数据通讯模块；所述无线数据接收模块用于接收各个区域内无人机所获取的目标状态数据，所述目标数据包括飞行姿态控制模块所输出的无人机姿态，飞行高度探测模块所输出的无人机飞行高度，无人机GPS和摄像头输出的数据；所述无线数据发送模块用于将接收到的目标状态数据传送到数据接收设备，并将接收到的无人机位置传输到其他无人机端；所述无线通讯模块，用于无人机之间的协同任务分配；

所述监控模块包括目标探测模块，无线数据通讯模块与数据存储模块；

所述目标探测模块包括摄像头和无人机GPS，所述摄像头安装在无人机上，其输出端与无线通讯模块相连接；所述GPS的输出端与无人机飞行姿态控制模块输入端和无线通讯模块的输入端相连接，用于实时监控无人机的飞行状况，对油田的环境进行监控；同时可以实时观测油田工作区域的环境；所述无线数据通讯模块输出端与数据存储模块的输入端，其他无人机端，和动态目标轨迹预测模块输入端相连接，用于将第一时间获得的动态目标的状态数据，传输给其他工作区域的无人机，联合建立目标的运动学模型；

所述动态目标轨迹预测模块输出端与所述数据存储模块输入端和所述多机协同目标追踪轨迹优化模块输入端相连接，用于预测目标在当前油田工作区域内未来多个采样时刻内的轨迹，即目标多步预测轨迹；

所述多机协同目标追踪轨迹优化模块输出端与数据存储模块输入端相连接，用于优化多无人机协同目标追踪轨迹；

所述目标多步预测轨迹，采用预设的优化算法，优化该区域内无人机实时追踪目标的优化轨迹，并将优化轨迹数据传输给该区域的无人机，通过无人机搭载的控制模块，控制无人机的速度，航向实现对目标的实时追踪，将目标当前所在区域的无人机对目标的多步预测轨迹数据传输到数据存储模块进行存储，方便进行管理；

所述一种基于多无人机的油田动态侵入目标追踪系统，用于实现一种基于多无人机的油田动态侵入目标追踪方法，包括以下步骤：

步骤1：用户设定无人机个数m，并将每个无人机所负责的油田工作区域范围输入到每个无人机的控制模块；将地面动态目标的初始状态信息输入到无人机的动态目标轨迹预测模块，并初始化分布式卡尔曼滤波算法的算法参数：连续采样时间为n_iter，i∈(1.4)，i表示油田区域，过程方差为Q_i，测量方差为R_i，高斯噪声为[0，25]，无人机监控模块获取的目标实时观测信息为Z_i，后验估计方差为P_i，误差方差为Ps_i，卡尔曼增益为Kg_i；

步骤2：建立动态目标多步轨迹油田侵入目标完整的预测表达式:

其中表示动态目标的预测坐标，P_t表示动态目标的预测后验估计方差，F_t表示系统的状态变化量，B_t表示控制矩阵，表示代表系统外部影响所具有的协方差；

步骤3：根据目标前一时刻的最优估计坐标位置xhat(k-1)，和步骤2中油田侵入目标完整的预测表达式，预测在动态目标在初次出现的油田工作区域内的多步预测轨迹；

所述步骤3具体包括：

步骤3.1：首先，随机初始化果蝇群体在油田中四个区域的位置(X_i_axis,Y_i_axis),i∈(1,4)，其中每个油田区域只有一架无人机，和油田中通信基站的位置(X_base,Y_base)，无人机最大通信距离ric，无人机飞行高度H，和通信基站的高度HG，无人机通信参考距离下的噪声rvoi，无人机对目标观测质量Z，设定果蝇种群规模Sizepop和最大迭代次数Maxgen；

步骤3.2：根据如下公式，赋予果蝇种群利用嗅觉在第一区域内搜寻食物的随机距离与方向；

X_i＝X₁_axis+RValue (5)

Y_i＝Y₁_axis+RValue (6)

其中(X_i,Y_i),i∈(1,4)表示第i个油田工作区域内果蝇种群的位置，RValue表示赋予果蝇种群搜寻食物的随机步长与方向，通过赋予果蝇种群沿X轴和Y轴，不同的随机步长，赋予果蝇种群不同的前进方向；

步骤3.3：估计第一区域内果蝇种群果蝇个体到原点的距离(Dist_i)，并计算第一区域内种群即第一区域内无人机到其余各个区域内果蝇初始种群即其余区域内无人机的距离以及到油田区域内通信基站的距离并计算第一区域内果蝇初始种群，每个果蝇个体的味道浓度判定值味道浓度值为距离的倒数，具体计算公式有：

步骤3.4：通过下述公式(11)，(12)计算第一区域内果蝇种群即区域一内的无人机的信噪比(SNR)和通信强度通过公式(13)记录传感器观测指数及多无人机间通信约束条件；

其中表示参考信噪比，Θ和ε²分别表示地面基站(GBS)的传输功率和UAV的噪声功率，H表示无人机巡航高度，H_g表示地面基站(GBS)的高度，g＝(a,b)^T，分别表示地面基站(GBS)与UAV在水平坐标面的投影坐标；

其中是表示通过中继点k，通信节点l与j之间的通信强度，则是表示通信节点l的最大通信距离，表示通信节点间的距离，表示需要与节点l间进行通信的节点的集合；

其中P_i＝[x_i,y_i,z_i]^T表示第i个油田区域上无人机的位置向量，P_t＝[x_t,y_t,z_t]^T表示目标位置向量，则分别表示四旋翼UAV的偏航角、俯仰角和速度，基于无人机的动力学特性其速度具有一定的限制

步骤3.5：将和代入多无人机分区协作动态目标追踪轨迹优化代价函数即公式(15)，得到味道浓度判定函数即适应度函数(Fitness function)：

其中B为所设定的目标观测质量评价因子，Efitness，Pfitness和Sfitness分别表示用于多无人机分区域协作动态目标追踪轨迹优化代价函数中的和

步骤3.6：找到油田第一区域内果蝇群体中的局部最优个体即适应度函数中的局部最优解，即的最小值，以及相应果蝇个体在惯性坐标系中坐标，计算公式有：

其中Bestobs表示最佳观测值即优化代价函数最优值，Bestindex表示出现最佳值的迭代次数，表示油田第一工作区域内果蝇种群内适应度函数值最优个体的位置；

步骤3.7：对MIEFOA的变异缩放算子F进行初始化，将前代种群中的果蝇个体按照适应度函数值得优劣进行排序，然后使用前代种群中适应度值前40％的果蝇个体替换适应度值后40％的果蝇个体，并从经过种群更新后的前代果蝇种群中选取前代种群中适应度最优的个体和适应度值前50％中的两个果蝇个体和对三个果蝇个体进行精英替换变异操作，具体变异公式如下所示：

步骤3.8：对经过精英替换变异操作后的果蝇种群进行交叉操作，具体交叉公式如下；

其中，randl_i为[0，1]间的随机小数，CR为交叉概率，CR∈[0,1]；

步骤3.9：选择经过精英替换变异与交叉后的种群，通过公式(17)，(18)计算经过精英替换变异与交叉后的果蝇种群的信噪比(SNR)和通信强度记录传感器观测指数及多无人机间通信约束条件,然后计算下一代迭代个体与原个体(X_i(k+1)，Y_i(k+1))的适应度函数值并进行比较；

步骤3.10：如果则：

如果则：

(X_i(k+1)，Y_i(k+1))＝(X_i(k)，Y_i(k)) (20)

步骤3.11：如果更新后的种群的适应度函数值优于前一迭代适应度函数值，保留最优适应度函数值与所对应的种群坐标位置，此时果蝇群体利用视觉往该位置飞去；

步骤3.12：重复执行步骤3.7到3.10，同时判断味道浓度值即适应度函数值是否优于前一迭代味道浓度，若是执行步骤3.11，若否执行步骤3.13；

步骤3.13：输出油田第一区域的全局最优解；

步骤3.14：重复执行步骤3.1到步骤3.13分别得到油田工作区2，工作区3和工作区4的全局最优解；

步骤3.15：输出全局最优解；

步骤4：更新先验估计方差Pminus1；更新无人机对目标的观测数据，并计算卡尔曼增益Kg1；

Kg_i(k)＝Pminus_i(k)/(Pminus_i(k)+R_i) (2)

步骤5：结合无人机对目标当前时刻的观测值，对未来多个采样时刻的预测轨迹进行修正，得到修正后的最后估计；

其中i表示油田区域：i∈(1,4)，(xhatminus_i(k),yhatminus_i(k))表示在第i个油田工作区域内，第k时刻无人机的监视模块观测到的目标状态信息，(xhatminus_i(k-n),yhatminus_i(k-n))表示第i个油田工作区域内，第k时刻未来第n个采样周期的无人机的监视模块观测到的目标状态信息；

步骤6：计算最终轨迹估计值的方差Pminusi，判断是否存在PminusiPminusi-1，若是则终止迭代输出目标当前所在区域的多步预测轨迹，否则返回步骤3；

P(k)＝(1-Kg(k))·Pminus(k) (4)

步骤7：重复步骤3到步骤6，得出所有油田工作区域内侵入目标的多步预测轨迹。