激光与光电子学进展, 2020, 57 (21): 212805, 网络出版: 2020-10-24   

基于无线紫外线通信的无人机集群防撞定位算法研究 下载: 881次

Collision Avoidance Algorithm for Unmanned Aerial Vehicle Group Based on Wireless Ultraviolet Communication
作者单位
郑州师范学院信息科学与技术学院, 河南 郑州, 450044
摘要

防撞定位算法对于无人机集群的安全飞行至关重要。针对紫外线通信范围广、抗干扰能力强的优点,提出了一种基于无线紫外线通信的无人机集群防撞定位算法。首先,构建了非视距(NLOS)通信模型,并提出了基于接收信号强度的无线紫外测距算法;然后,构建无线紫外线信标通信模型,并通过四节点定位算法实现了无人机的三维(3D)定位;最后,采用向量共享法实现多架无人机之间的有效避撞。仿真结果表明:当两架无人机之间的距离为200 m时,测距精度可达到1.1 m;当参考节点超过6个时,3D空间定位精度趋于稳定,约为97%;向量共享法能够有效实现无人机集群的防撞。

Abstract

The collision avoidance positioning algorithm is very important for unmanned aerial vehicle (UAV) group safety. Aiming at the advantages of wide rage and strong anti-interference ability of ultraviolet communication, a collision avoidance location algorithm for UAV group based on wireless ultraviolet communication is proposed. First, a non-line-of-sight (NLOS) communication model is constructed, and a wireless ultraviolet ranging algorithm based on the received signal strength is proposed. Second, a wireless UV beacon communication model is constructed, and the 3D positioning of the UAV is realized through a four-node positioning algorithm. Finally, a vector sharing method is used to achieve effective collision avoidance between multiple UAVs. Simulation results show that when the distance between two UAVs is 200 m, the range accuracy can reach 1.1 m; when there are more than six reference nodes, the 3D spatial positioning accuracy tends to be stable at approximately 97%. Therefore, the vector sharing method can effectively realize the collision avoidance of UAV group.

1 引言

近年来,随着无人机技术的不断发展,越来越多的机构、个人参与到无人机的研发和使用中来。与传统的单个无人机相比,无人机集群能够高效、快速地完成各类复杂任务[1]。目前,无人机集群的研究方向主要是无人机的定位与防撞等,研究内容涉及到环境建模、编队控制系统、航迹规划等[2]。在无人机集群的防撞研究方面,文献[ 3]提出了一种结合分段自适应B样条(PABS)方法的领航-跟随策略,该策略可以确保多架无人机之间有序编队飞行;文献[ 4]将改进后的鸽群算法和无人机控制量相结合作为控制系统中的直接控制环,该控制系统能够有效控制紧密无人机编队飞行;文献[ 5]针对无人机编队控制系统中系统函数未知的情况,使用模糊逻辑系统逼近未知函数,设计了编队控制器,该控制器可确保集群内的无人机有序飞行。

实现无人机集群的定位与防撞,需要确保集群中各架无人机之间的有效通信,实时测量无人机之间的安全间距,从而防止无人机在飞行过程中出现碰撞[6]。紫外线通信是一种使用200~280 nm波长的紫外线作为信息载体的通信模式[7]。无线紫外线在大气中的散射使全天候操作和非视距(NLOS)通信成为可能。靠近地面的太阳盲紫外线的独特性,使其在可见度较差的条件下进行通信具有明显优势,因此,NLOS紫外线通信被广泛应用于民用和**领域[8]

为了优化紫外线网络的覆盖范围、连通性和可生存性,文献[ 9]提出了三维无线紫外线通信网络(UVNNS)的组网策略。文献[ 10]发现大气的散射使得NLOS情况下也能实现紫外线通信,并且两个终端即使在障碍物遮挡下仍可通信。

目前,国内外针对紫外线通信在无人机集群上的应用研究得较少,鉴于紫外线通信的优点,本文提出了一种基于无线紫外线通信的无人机集群防撞定位算法。该算法通过构建NLOS通信模型,利用无线紫外测距算法来实现无人机之间的测距。另外,在无线紫外信标通信模型的基础上,本文采用四节点定位算法实现了无人机的3D定位,并采用向量共享法实现了集群内无人机的有效防撞。

2 NLOS紫外线通信与测距

无线紫外线通信主要有两种工作方式,即视距(LOS)和非视距(NLOS)[11]。目前,集群内无人机之间的通信系统多采用LOS通信,但LOS通信要求无线信号无遮挡地在发射端和接收端之间直线传播,在有障碍物遮挡的情况下,这种方式易导致无人机之间的通信断开[12]。鉴于此,本文采用NLOS紫外线通信,在该通信模式下,从发射器到接收器的传播路径上既有直射波又有反射波,可以有效解决障碍物对无人机集群的影响。

图1所示为NLOS紫外线通信链路,其中发射器Tx以光束发散角ϕ1向上发送信号,接收器Rx以视场角ϕ2接收信号。在图1中,θ1为发射器的仰角,θ2为接收器的仰角,Tx和Rx之间的距离为r,有效散射体V到Tx和Rx的距离分别为r1r2,发射器与接收器之间的夹角为θs

图 1. NLOS 紫外线通信模型

Fig. 1. NLOS UV communication model

下载图片 查看所有图片

在该模型中,NLOS紫外线通信链路的接收功率为

Pr=PtArKsPsϕ2ϕ12sin(θ1+θ2)32π3rsinθ11-cosϕ12·exp-Ker(sinθ1+sinθ2)sin(θ1+θ2),(1)

式中:Pt为发射功率;Ps为大气损耗功率;Ar为接收面积;Ke为大气消光系数(Ke= Ka+Ks,其中Ka为大气吸收系数,Ks为大气散射系数)。将(1)式中的变量进行替换,即

a=PtArKsPsϕ2ϕ12sin(θ1+θ2)32π3sinθ11-cosϕ12z=Ke(sinθ1+sinθ2)sin(θ1+θ2),(2)

此时(1)式可转换为

Pr=arexp(-zr)(3)

将(3)式转换成f(x)=x·exp(x)的形式,即

zrexp(zr)=azPr(4)

由Lambertw函数可得到发射器与接收器之间的r,即

r=LambertwazPrz(5)

将(2)式代入(5)式可得通信距离公式为

r=LambertwPtArKsPsϕ2ϕ12sin(θ1+θ2)Pr32π3sinθ11-cosϕ12Ke(sinθ1+sinθ2)sin(θ1+θ2)(6)

从(6)式可以看出,当PtKeArPr已知时,可计算出接收器与发生器之间的距离。在实际测量中,接收信号的强度可表示为

Pr=ENrT=EIηrηfGe,(7)

式中:E = hc /λ,h为普朗克常数,c为光速,λ为透射波长;Nr为信号接收天线的增益;ηr为量子效率;ηf为紫外线过滤器的透光率;G为光电倍增管(PMT)的增益;e为单电子电荷量;I为光电倍增管的输出电流。

在NLOS通信链路中,接收信噪比(σSNR)的计算公式为

σSNR=ηrλGPtAr8πr2hcRexp-Ker,(8)

式中:R为通信速率。由(7)式和(8)式可以看出,通过所接收的信号强度,可以计算无人机之间的距离。

3 3D紫外线定位算法

无人机集群实现防撞的另一个关键是确定无人机在三维(3D)空间中的位置,为此,本文构建了无线紫外线信标模型,以实现无人机的空间定位。

3.1 无线紫外线信标模型

图2所示为无线紫外线信标通信模型。紫外线信标的顶部是一个全向接收器,可以从任意角度接收信号。紫外线LED排成球形阵列结构,并且部分LED根据半球形结构以一定的规则排列。对每列分别编号,每层为一条纬线,每列为一条子午线,每条纬线和子午线与其基线之间有一个固定的α角和β角。

图 2. 紫外线信标通信模型。(a)二维模型;(b)三维模型

Fig. 2. UV beacon communication model. (a) Two-dimensional model; (b) three-dimensional model

下载图片 查看所有图片

纬线与子午线相交处的每个LED都有独立的ID号,ID号的前一部分代表子午线编号,后一部分代表纬线编号。当每个LED点亮时,LED会通过某种编码发送包含其自身ID的信息。半球形信标可以在3D空间中向任意方向发送信号,接收器可以在不同方向上接收强紫外线信号,从而实现可靠的通信。

图3所示为无线紫外线信标节点在2D和3D空间中的通信覆盖范围。在无人机集群通信网络中,球形无线紫外线发射端的作用是使相邻节点的接收端在不同方向上接收强无线紫外线信号。发射器使用波形发生器将二进制序列馈送到为紫外线LED供电的电流驱动器电路上。发射端与接收端之间的距离可以通过(6)式来计算。

图 3. 无线紫外线信标节点在2D和3D空间中的通信覆盖范围。(a) 2D空间;(b) 3D空间

Fig. 3. Communication coverage of a wireless UV beacon node in two- and three-dimensional spaces. (a) Two-dimensional space; (b) three-dimensional space

下载图片 查看所有图片

3.2 四节点定位算法

图4所示为四节点定位模型。在3D空间定位中,如果已知4个参考节点的坐标,并且能够计算未知节点与参考节点之间的距离,就可以获得未知节点的3D坐标。未知节点与参考节点之间距离的计算公式为

d1=(xm-x1)2+(ym-y1)2+(zm-z1)2d2=(xm-x2)2+(ym-y2)2+(zm-z2)2d3=(xm-x3)2+(ym-y3)2+(zm-z3)2d4=(xm-x4)2+(ym-y4)2+(zm-z4)2,(9)

式中:(xm,ym,zm)为位置节点的3D坐标。

图4中,M(xm,ym,zm)为未知节点的3D坐标,即无人机的空间位置。其坐标为

xmymzm=2(x2-x1)2(y2-y1)2(z2-z1)2(x2-x1)2(y2-y3)2(z2-z3)2(x2-x1)2(y4-y3)2(z4-z3)-1x22-x12+y22-y12+z22-z12+d12-d22x22-x32+y22-y32+z22-z32+d32-d22x42-x32+y42-y32+z42-z32+d32-d42(10)

图 4. 四节点定位模型

Fig. 4. Four-node positioning model

下载图片 查看所有图片

4 多架无人机防撞方法

在无人机集群飞行时,重点需要解决的是各架无人机之间的碰撞问题。在实现各架无人机测距与定位的基础上,本文采用向量共享法实现多架无人机的防撞。以下以两架无人机为例进行分析。两架无人机能够通过无线紫外线通信实时掌握对方的方位和飞行速度;在经过相撞检测后,若两架无人机存在相撞的可能性,则采用向量共享法对两架无人机的飞行航向角进行调整,以避免两者相撞。

4.1 相撞检测

通过两架无人机的相对运动来分析判断它们是否会发生碰撞。如图5所示,A和B为两架航向不同的无人机,vA为无人机A的速度向量,vB为B的速度向量,vr表示相对速度向量。此时可通过最接近时间τ以及两架无人机之间的脱靶距离rm来检测两架无人机是否会发生碰撞,计算公式为

τ=-(r·vr)/(vr·vr),(11)

式中:r为两架无人机之间的相对距离。若τ>0,则|r|减小,此时A和B可能会发生碰撞,需要进一步进行判断。如图5所示为两架无人机的运动轨迹,从图中可以得到它们之间的脱靶距离为

rm=r+vr·τ(12)

在 (12) 式中,若|rm|<rsafe,则A与B会相撞,其中rsafe=rA,safe+rB,safe图5所示PCA为两架无人机的最接近点。

图 5. 两架无人机的运动状态

Fig. 5. Movement status of two drones

下载图片 查看所有图片

4.2 防撞方法

当两架无人机可能发生相撞时,需要改变无人机的飞行速度以及航向,从而增大脱靶距离。图6所示为向量共享法示意图,其中:rVS,A为无人机A的共享向量,与rm方向相同;rVS,B为无人机B的共享向量,与rm方向相反。共享向量表达式为

|rVS,A|+|rVS,B|+|rm|rsafe(13)

无人机A共享向量的计算公式为

rVS,A=vB|vA|+|vB||rm|·rsafe-|rm|rmUA=vA·τ+rVS,A,(14)

式中:UA表示为了避免两架无人机相撞进行调整后的无人机A的速度方向。

无人机B的共享向量计算公式为

rVS,B=vA|vA|+|vB||rm|·rsafe-|rm|rmUB=vB·τ+rVS,B,(15)

式中:UB表示为避免两架无人机相撞进行调整后的无人机B的速度方向。

如果无人机A和B的速度与UAUB相同,则|rVS,A|+|rVS,B|+|rm|=rsafe,此时A和B的最小航向改变量为

ΔψA,min=vA·UA|vA·UA|ΔψB,min=vB·UB|vB·UB|(16)

只有A和B的航向改变量大于等于最小航向改变量时,才能避免两者相撞。此外,还需要讨论无人机在改变航向时如何避免相撞的问题。若无人机改变航向时,其转弯距离为最小转弯半径,此时需要满足

|r|>rsafe+2ρA+2ρB,(17)

式中:ρAρB分别为A、B的最小转弯半径。航向改变之后,A和B以新的速度飞行,即 vA,new=vA·UA/|UA|,vB,new=vB·UB/|UB此时,使用 (11) 式对最接近时间进行计算,如果τ>0,则表明A和B之间开始远离,即两无人机实现避撞。

另外,除了要考虑无人机之间的相撞问题外,还要考虑无人机在飞行过程中存在的障碍物。为防止无人机在改变航向过程中与障碍物相撞,可以通过增加航向改变量来解决。如图6所示,为了避开路径上的障碍物,需要增加航向改变量ΔψA、ΔψB,将速度方向改变至U'AU'B

图 6. 向量共享法防撞

Fig. 6. Vector sharing method for collision avoidance

下载图片 查看所有图片

5 实验结果与分析

为了验证本文提出的基于无线紫外线通信的无人机集群防撞定位算法的性能,进行了无人机群避撞与定位仿真实验。实验硬件环境为Intel(R)Core(TM) i5-3337U Duo CPU1.8 GHz/8 GH内存;软件运行环境为MATLAB 2013a。系统模型参数如表1所示。

5.1 紫外线测距

为了验证NLOS通信方式下紫外线测距的性能,将其与LOS紫外测距、TDOA测距[13]以及RSSI测距[14]进行对比。其中,TDOA主要利用信号到达监测站的时间进行测距,RSSI主要利用接收无线电信号的强度实现测距。

图7所示为4种不同测距方式下的信号接收强度(RSS)与测距距离之间的关系。可以看出:随着测距距离增加,4种测距方式的信号接收强度均逐渐递减,其中NLOS信号的接收强度最好,LOS信号的接收强度最差。

图 7. 4种测距方式下的信号接收强度

Fig. 7. Received signal strength of four ranging methods

下载图片 查看所有图片

根据文献[ 15],在紫外线通信中,信号接收强度与大气消光系数Ke有关。阴霾天气下,大气消光系数增加,紫外线信号衰减加快,导致通信距离衰减。需要说明的是,本次实验是在晴天条件下进行的,测距距离较阴霾天气下的更远。

图8所示为NLOS通信方式下发射器和接收器在不同仰角下的信号接收强度。从图8中可以看出,随着发射器的仰角(θ1)和接收器的仰角(θ2)增加,信号衰减得越来越快。总而言之,在实际工程应用中应考虑天气条件和通信距离,以便选择合适的发射功率。

图 8. NLOS下不同发射和接收角度下的信号接收强度

Fig. 8. Received signal strength of different transmitting and receiving angles under NLOS

下载图片 查看所有图片

图9所示为4种不同测距模式下的测距误差比较。很显然,在4种测距方式下,随着距离增加,测距误差逐渐增加。在距离为200 m时,NLOS测距模式下的误差为1.1 m,LOS测距模式下的误差为2.9 m,TDOA测距模式下的误差为1.26 m,RSSI测距模式下的误差为2.48 m。由此可以看出,NLOS模式具有良好的测距性能。

图 9. 不同测距模式下的紫外线测距误差

Fig. 9. UV ranging error at different ranging modes

下载图片 查看所有图片

5.2 紫外线定位

定位策略:具有相邻参考节点的未知节点仅使用参考节点进行定位,没有相邻参考节点的未知节点使用已定位的节点进行定位。

定位精度可定义为

Lac=Nloc/Nun,(18)

式中:Lac为定位精度;Nloc为可以定位的未知节点的数量;Nun为未知节点的数量。

实验中,为了比较紫外线定位算法的性能,分别选取2D和3D空间进行实验。在2D空间中,选取20个节点,并将这些节点随机部署在200 m×200 m的空间中,紫外线通信覆盖范围是半径为100 m的圆形区域。随机选择3个节点作为参考节点,此时可以使用3个参考节点来定位未知节点。图10(a)所示为2D空间的节点定位结果,其中有2个节点无法定位,为盲节点,定位算法的精度为82.4%,平均节点定位误差小于10 m。仿真结果验证了本文所提定位算法的准确性。

在3D空间中,选取20个节点,并将这些节点随机部署在200 m×200 m×200 m的空间中,然后随机选择4个节点作为参考节点,此时可以使用4个参考节点来定位未知节点。图10(b)所示为3D空间的节点定位结果,其中存在1个无法定位的节点,定位算法的精度为81.25%,平均节点定位误差小于10 m。

图 10. 2D和3D空间的定位结果。 (a) 2D空间;(b) 3D空间

Fig. 10. Positioning results of two- and three-dimensional spaces. (a) Two-dimensional space; (b) three-dimensional space

下载图片 查看所有图片

图11所示为2D和3D空间的定位精度。可以看出:随着参考节点数量增加,两种空间下的定位精度均逐渐增加,并最后趋于稳定;2D空间中的定位精度最终约为87%,3D空间中的定位精度最终约为97%,显然3D空间中的定位效果更好;当参考节点数少于4个时,2D空间的定位效果较3D空间更佳。另外,由图11还可以看出,在实际的无人机集群定位时,选取6个参考节点可以获得较好的定位效果。

图 11. 2D和3D空间定位精度

Fig. 11. 2D and 3D spatial positioning accuracy

下载图片 查看所有图片

表 1. 系统模型参数

Table 1. System model parameters

ParameterValue
Wavelength λ /nm255
Average power Tx /mW50
Effective areaAr /mm8×24
Typical Gain ofPMT G107
Quantum efficiencyηr /%25
Beam divergence angleof the transmitter ϕ1 /(°)6
Field of View ofthe receive ϕ2/(°)80
Atmospheric absorptioncoefficient Ka /km-10.74
Mie scattering coefficientKm/km-10.25
Rayleigh scatteringcoefficient Kr/km-10.24
Atmospheric scatteringcoefficient Ks/km-10.49
Atmospheric extinctioncoefficient Ke/km-11.23

查看所有表

5.3 两无人机避障防撞

假设在两架无人机的飞行路线上有4个障碍物(O1、O2、O3、O4),障碍物坐标分别为Oobs1=(35 m,10 m),Oobs2=(35 m, 23 m),Oobs3=(49 m,31 m),Oobs4=(35 m,45 m),障碍物半径分别为3,4.2,0.8,3.2 m。状态采样频率设置为20 Hz。设置无人机A和B的起始位姿和目标位姿分别为:qA,s=(30 m,0 m, 60°),qA,f=(55 m, 60 m, 60°),qB,s=(0 m, 0 m,30°),qB,f=(80 m, 65 m, 30°)。

图12所示,当无人机A到达qA,4、无人机B到达qB,1时,为避免两者相撞,无人机A顺时针改变航向、无人机B逆时针改变航向继续飞行。在不考虑障碍物的情况下,无人机B的飞行轨迹为图12中的虚线,此时其飞行轨迹与障碍物O4相交,则该路径存在一定的不安全性。因此,在qB,1时,无人机B应增大航向角的改变量,以避免与O4碰撞,如图12绿色实线所示;最终当无人机B达到qB,3时,A、B不会相撞,此时再使用路径规划算法,无人机B达到qB,f。无人机A的飞行路径规划如红色实线所示。

图 12. 两无人机避撞路径

Fig. 12. Two UAV collision avoidance paths

下载图片 查看所有图片

图13所示为无人机A和B之间距离的曲线图。由图13可知,在5.5 s时,A和B的距离小于安全距离,即A和B会相撞。为了避免这种情况,采用防撞方法,在2.85 s时改变航向角,最终得到虚线所示的相对距离曲线,此时A和B之间的最小距离为13.15 m,远远大于最小安全距离,避免了两者的相撞。

图 13. 两架无人机之间的距离

Fig. 13. Distance between two UAVs

下载图片 查看所有图片

6 结论

本文提出了一种基于无线紫外线通信的无人机集群防撞定位算法,该算法采用紫外线NLOS通信方式实现无人机的测距与定位。通过实验得出了以下结论:

1) NLOS模式在不同距离情况下的测距精度要明显高于LOS模式;这两种模式下的测距误差均随着距离的增加而增大;在测距距离为200 m时,紫外线NLOS测距误差仅为1.1 m。

2) 在相同的参考节点下,3D空间的定位精度更佳,且随着参考节点数增多,定位精度逐渐增加最后趋于稳定;当参考节点超过6个时,3D空间定位精度趋于稳定,约为97%。

3) 采用向量共享法能够有效实现两架无人机之间的避撞。

紫外线通信信号接收强度对无人机的安全飞行至关重要,其信号接收强度受大气消光系数的影响,而本文忽略了消光系数对接收信号强度的影响。因此,后续将重点研究不同天气情况、不同通信距离下,发射功率与接收信号强度之间的关系。

参考文献

[1] 赵楚韩, 张洪明, 宋健. 基于指纹的室内可见光定位方法[J]. 中国激光, 2018, 45(8): 0806002.

    Zhao C H, Zhang H M, Song J. Fingerprint based visible light indoor localization method[J]. Chinese Journal of Lasers, 2018, 45(8): 0806002.

[2] 白宇, 张李超, 史玉升, 等. 基于多边形拟合的形状匹配与定位算法研究[J]. 激光与光电子学进展, 2016, 53(4): 041501.

    Bai Y, Zhang L C, Shi Y S, et al. Study of shape matching and localization algorithm based on polygon fitting[J]. Laser & Optoelectronics Progress, 2016, 53(4): 041501.

[3] Razmi H, Afshinfar S. Neural network-based adaptive sliding mode control design for position and attitude control of a quadrotor UAV[J]. Aerospace Science and Technology, 2019, 91: 12-27.

[4] 董巍. 基于VI-SLAM的四翼无人机多目标视觉定位技术[J]. 计算机测量与控制, 2019, 27(11): 224-227, 232.

    Dong W. Multi-target visual positioning technology of four-wing UAV based on VI-SLAM[J]. Computer Measurement & Control, 2019, 27(11): 224-227, 232.

[5] Mustafah Y M, Azman A W, Akbar F. Indoor UAV positioning using stereo vision sensor[J]. Procedia Engineering, 2012, 41: 575-579.

[6] 沈芮, 张剑, 王鼎. 基于可见光通信的室内定位算法及相应参数估计克拉美罗界[J]. 激光与光电子学进展, 2014, 51(9): 090604.

    Shen R, Zhang J, Wang D. Indoor location method and the Cramer-Rao bound estimation based on visible light communications[J]. Laser & Optoelectronics Progress, 2014, 51(9): 090604.

[7] 董文杰, 王旭东, 吴楠. 基于RSS/AOA混合的室内可见光定位算法[J]. 激光与光电子学进展, 2018, 55(5): 050603.

    Dong W J, Wang X D, Wu N. A hybrid RSS/AOA algorithm for indoor visible light positioning[J]. Laser & Optoelectronics Progress, 2018, 55(5): 050603.

[8] 马园, 吴爱国, 杜春燕. 基于视觉的无人机飞行过程定位算法研究[J]. 电光与控制, 2013, 20(11): 42-46.

    Ma Y, Wu A G, Du C Y. Vision based localization algorithm for unmanned aerial vehicles in flight[J]. Electronics Optics & Control, 2013, 20(11): 42-46.

[9] Daakir M, Pierrot-Deseilligny M, Bosser P, et al. Lightweight UAV with on-board photogrammetry and single-frequency GPS positioning for metrology applications[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 127: 115-126.

[10] Liu Y F, Noguchi N, Liang L G. Development of a positioning system using UAV-based computer vision for an airboat navigation in paddy field[J]. Computers and Electronics in Agriculture, 2019, 162: 126-133.

[11] 杨超超, 陈建辉, 刘德亮, 等. 基于到达时间和到达角度的室内联合定位算法[J]. 激光与光电子学进展, 2019, 56(22): 222802.

    Yang C C, Chen J H, Liu D L, et al. Indoor joint localization algorithm based on time and angle of arrival[J]. Laser & Optoelectronics Progress, 2019, 56(22): 222802.

[12] 杨润丰, 骆春波, 张智聪, 等. 基于扩展卡尔曼滤波算法的无人机定位[J]. 电讯技术, 2016, 56(1): 60-66.

    Yang R F, Luo C B, Zhang Z C, et al. UAV positioning based on extended Kalman filter algorithm[J]. Telecommunication Engineering, 2016, 56(1): 60-66.

[13] 徐耀松, 谭亮. 基于改进拟牛顿-K近邻的TDOA定位算法[J]. 传感技术学报, 2018, 31(10): 1578-1583.

    Xu Y S, Tan L. A modified quasi Newton-KNN algorithm for TDOA localization[J]. Chinese Journal of Sensors and Actuators, 2018, 31(10): 1578-1583.

[14] 乐志伟, 王浩, 谢小军. 基于RSSI障碍势能矫正的定位算法[J]. 电子测量与仪器学报, 2017, 31(2): 200-207.

    Le Z W, Wang H, Xie X J. Localization algorithm based on RSSI obstacles potential energy correction[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(2): 200-207.

[15] 杨帅, 程红, 李婷, 等. 无人机图像侦察目标定位方法及精度分析[J]. 红外技术, 2016, 38(10): 825-831.

    Yang S, Cheng H, Li T, et al. UAV reconnaissance images targeting method and accuracy analysis[J]. Infrared Technology, 2016, 38(10): 825-831.

刘涛, 贾遂民. 基于无线紫外线通信的无人机集群防撞定位算法研究[J]. 激光与光电子学进展, 2020, 57(21): 212805. Liu Tao, Jia Suimin. Collision Avoidance Algorithm for Unmanned Aerial Vehicle Group Based on Wireless Ultraviolet Communication[J]. Laser & Optoelectronics Progress, 2020, 57(21): 212805.

本文已被 2 篇论文引用
被引统计数据来源于中国光学期刊网
引用该论文: TXT   |   EndNote

相关论文

加载中...

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!