Диссертация (1025035), страница 12

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 12)

3.8 показаны изменения ошибок определения положенияквадрокоптера, которые имеют виды по координатам x и y соответственно в моментk.2SE x, k  x k  xˆ k SE y,k  y k  yˆ k 2гдеx k , y k Tквадрокоптера.– реальные, аx̂ k , ŷ k T– спрогнозированные координатыОшибка по направлению x883R=5mАдаптивный RR=502100200400600800 1000Номер итераций120014001600Ошибка по направлению yа) Ошибка позиционирования по координате x1.5R=5mАдаптивный RR=5010.500200400600800 1000Номер итераций120014001600б) Ошибка позиционирования по координате yРис. 3.8. Ошибки позиционирования квадрокоптераКак видно из рисунка, ошибка между реальным и спрогнозированнымположением квадрокоптера при помощи алгоритма EKF-SLAM с малымдиапазоном наблюдения достигает значительных величин, а для предлагаемогоалгоритма с адаптивным диапазоном наблюдения эта ошибка мала и соизмерима сошибкойтрадиционногоалгоритмаEKF-SLAMсбольшимдиапазономнаблюдения, хотя и обеспечивается при гораздо меньшем времени вычислений.3.1.2.

Локальная ассоциация данных в алгоритме EKF-SLAMВ данной работе предлагается алгоритм локальной ассоциации данных SLAMна основе улучшенного муравьиного алгоритма, реализуемый в два этапа. Напервом этапе работы алгоритма определяются ориентиры в пространствесовпадений и наблюдаемые ориентиры, имеющие возможность ассоциации по89критерию индивидуальной совместимости (Individual Compatibility – IC).

Навтором этапе определяются совпадающие ориентиры и координаты совпадающихнаблюдаемых ориентиров на множестве состояний при помощи улучшенногомуравьиного алгоритма.На Рис. 3.9 показана схема алгоритма.Рис. 3.9. Схема алгоритмаЧтобы уменьшить объѐм вычислений алгоритма, вместо глобальнойассоциации используем локальную. Поскольку в процессе наблюдения ипредсказаниясостояниясуществуютошибки,необходимодобавитьвпространство совпадения область за пределами области наблюдения. На Рис. 3.10показана принципиальная схема локальной ассоциации данных, где чѐрнымиточками «  » изображены ориентиры в среде; чѐрные плюсы «+» изображаюториентиры, наблюдаемые датчиками; сплошная линия ограничивает областьнаблюдения; пунктирной линией ограничена область возможных локальныхсовпадений.Рис.

3.10. Принципиальная схема локальной ассоциации данных90Перед поиском совпадений нужно убрать наблюдаемые ориентиры, которыене ассоциируются ни с каким ориентиром на множестве состояний. Сохраняютсялишьтеориентиры,которыеудовлетворяюткритериюиндивидуальнойсовместимости (IC- Individual Compatibility)[49].Добавим хаотическую последовательность в процесс обновления глобальногоферомона в виде возмущения в процесс обновления глобального феромона, чтобыизбежать избегания локального минимума традиционного муравьиного алгоритма.Логистическое отображение [8, 86] является простой и удобно используемойодномерной дискретной нелинейной хаотической динамической системой,которую можно записать в виде:zn1  zn 1  zn (3.1)где zn  0,1, n  1,2,3, – состояния; 0    4 – хаотический параметр, причѐм вдиапазоне 3.57    4 логистическое отображение работает в состоянии хаоса.Логистическое отображение порождает из начального состояниядискретную последовательность состоянийпоследовательностьнеявляетсяz1, z2 , z3,периодическойиz0.

Эта несходящаясяимеетстатистическиехарактеристики белого шума. Добавим эту хаотическую последовательность впроцесс обновления глобального феромона в виде возмущения: ij t  1  1    ij t    ij t   zij(3.2)Чтобы увеличить пространство поиска, не увеличивая объѐм вычислений,установим границы феромона  ij   ij min , ij max . В результате оказываетсядоступен путь с низкой вероятностью перехода, в то же время путь с высокойвероятностью перехода не может быть доступен несколько раз, что и позволяетобнаружить оптимальное решение.На Рис.

3.11 показана блок-схема улучшенного муравьиного алгоритма.91Рис. 3.11. Схема улучшенного муравьиного алгоритмаРаботоспособность алгоритма проверялась моделированием полѐта БПЛА поквадратному маршруту со стороной 10 м (см. Рис. 3.12) в двухмерной карте. Накарте красная сплошная линия представляет маршрут, 88 дискретных красныхточек изображают ориентиры, которые равномерно распределяются внутри и внемаршрута.

Параметры измерений бортовыми датчиками: погрешность измеренияугла 0,125 радиан, погрешность измерения координат 0,01 м, максимальноедостоверное расстояние при измерениях 3 м, угловой диапазон измерений [-90°,90°]. Параметры улучшенного муравьиного алгоритма определялись путѐммногократных моделирований с параметрами: число итераций K  10 ; количествомуравьѐв в каждой итерации M  10 ; важность феромона   2 ; важностьвидимости   2 ; скорость испарения   0.98 ; запас феромона Q  3 ;первоначальная матрица феромона  1; порог ассоциации   0.95 ; хаотическийпараметр возмущения   3.7 .92Шаг 44, ориентиры:99, алгоритм: ICOACP109876543210-2024681012Рис. 3.12.

Результаты моделирования траекторий полѐта БПЛАс использованием алгоритма ассоциации данныхНа Рис. 3.12 синие точки представляют реальные позиции БПЛА; синиеэллипсы представляют ковариационные эллипсы ориентиров и БПЛА, то есть –неопределенности позиций ориентиров и БПЛА; синяя линия представляетреальную траекторию полѐта БПЛА.локализация x (m)0.5локализация y (m)0.500локализация y (m)ориентация (deg)44402220000-2-2-2010-0.5-0.5-10-1-1.5-2локализация x (m)ориентация (deg)20050-1.5050-10050-4050-4050(а)локализация x (m)-40локализация y (m)ориентация (deg)локализация x (m)локализация y (m)ориентация (deg)0.4100.40.4100.20.250.20.25000000-0.2-0.2-5-0.2-0.2-5050-0.4050(б)0.4-0.4050-10050-0.4050-0.40(в)50-10050(г)Рис.

3.13. Ошибка (синие линии) и ковариантность (красные линии)ориентации и локализации БПЛА в направлении x и y при использованииалгоритма ассоциации данных: (а) ICN; (б) ICNN; (в) JCBB; (г) ICOACP.Рисунок 3.13 показывает, что алгоритм ICN не сходится, алгоритмы ICNN,JCBB, ICOACP сходятся, но ошибка и разброс ориентации и локализацииалгоритма ICNN больше, чем алгоритмов JCBB, ICOACP.93ошибка локализацииошибка ориентацииошибка локализацииошибка ориентации11110.80.80.80.80.60.60.60.60.40.40.40.40.20.20.20.20001020304010203040102030400(а)ошибка локализации10.80.80.60.60.4ошибка локализации10.80.80.60.60.40.40.40.20.20.20.20002030403040ошибка ориентации11020(б)ошибка ориентации1101020304010203040(в)010203040(г)Рис.

3.14. Гистограммы частоты ошибки ориентации и локализации ориентиров накаждом шаге при использовании алгоритма ассоциации данных: (а) ICN; (б) ICNN;(в) JCBB; (г) ICOACP.На Рис. 3.14 показаны гистограммы ошибки ориентации и локализацииориентиров на каждом шаге при использовании различных алгоритмов ассоциацииданных. Очевидно, что частота ошибок алгоритмов ICN, ICNN высокая,алгоритмов JCBB, ICOACP, по существу, равная.ВТаблице8приведеносравнениерезультатовмоделированиясиспользованием различных алгоритмов ассоциации данных алгоритма SLAM.Таблица 8.Сравнение результатов моделирования различных алгоритмов ассоциацииАлгоритмВремя расчѐтаПравильностьассоциации(с)ассоциации (%)ICN6,16752,69нетICNN6,5471,80даJCBB11,9292,56даICOACP8,16892,28даСходящийсяВидно, что при обеспечении сходимости и высокой надѐжности ассоциацииалгоритм ICOACP имеет более высокую скорость расчѐта.943.2. Преобразователь режимов навигацииВ данной работе предлагается метод автоматического выбора разных режимовнавигации в соответствии с условиями полѐта.

Известно, что во многих случаяхБПЛА не может получать достоверный сигнал GPS, например, в помещениях, вгорной местности, при числе наблюдаемых спутников менее четырѐх и т.д.Поэтому в случае отсутствия достоверного сигнала GPS БПЛА выбирает режимнавигации БИНС/ВНС/BA/RA. Но визуальная навигационная система на основеалгоритма SLAM не может обеспечить навигационную информацию в режимереального времени из-за сложности алгоритмов обработки изображений. ПоэтомуВНС используется в случае отсутствия сигнала СНС или при необходимости болееточной информации о среде (например, для облета препятствий или посадки науказанном месте). В остальных ситуациях выбирается режим навигацииБИНС/СНС/BA/RA.На Рис. 3.15 показана диаграмма преобразований режимов КНС.

Множестворежимов полѐта Q = q1 ,q2 ,q3, где q1 – интегрированная навигационная системаБИНС/СНС/BA/RA;q2–интегрированнаянавигационнаясистемаБИНС/ВНС/BA/RA;q3–интегрированнаянавигационнаясистемаБИНС/СНС/ВНС/BA/RA; SG – сигнал GPS ( SG = 1 – сигнал GPS существует;SG = 1 – сигнал GPS не существует); DG – расстояние БПЛА до целевой точки;RG – порог диапазона преобразования режимов навигации.Рис. 3.15. Преобразователь режимов навигации953.3.

Слияние навигационной информации из нескольких источников свозможностью изоляции недостоверностиЕсли используем множество датчиков для измерения одного параметра, томожно слить выходы всех датчиков с использованием назначения весов длявыхода каждого датчика.Результат слияния измеренной информации можно записать следующимобразом:Y  WMX  w1, w2 ,, wn diagm1, m2 ,, mn x1, x2 ,, xn T(3.3)где Y – результат слияния; W  w1, w2 ,, wn  – матрица весов; X  x1, x2 ,, xn  –выходы датчиков; n – количество датчиков данного вида информации; M –матрица обнаружения неисправности, описанная в параграфе 3.3.2.Принцип метода назначения весов для выхода каждого датчика можнозаписать следующим образом [75, 42]:wj =1nζ 2j 1 / ζi2n; wj =1(3.4)iiгде ζ i и ζ j – дисперсия ошибки выходов i-ого и j-ого датчиков; i = 1,2,,n .В реальной ситуации истинные значения неизвестны.

Характеристики

Список файлов диссертации