一种无人集群目标定位信息的聚类与滤波方法

技术领域

本发明属于多源数据融合与关联技术领域，更具体地，涉及一种无人集群目标定位信息的聚类与滤波方法。

背景技术

在无人集群综合指控中心中，需要完成无人集群自主定位目标，设定巡逻路径，识别、跟踪、拦截以及攻击目标等内容。其中多个无人装备定位到同一个目标的位置、时间、速度等等信息都有所偏差。在实际实验中，受海杂波影响，部分定位信息为虚警。这些因素导致在指控中心接收到的全部目标定位信息中，往往会出现若干个定位点对应同一个目标，同时又存在若干个定位点是虚警的情况。判断多个定位点是否是同一目标，区分定位点是否是虚警，确定各定位点与敌方目标或我方无人装备的对应关系是难点，这对指控中心感知与解读战场态势产生了极大的挑战。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出了一种无人集群目标定位信息的聚类与滤波方法，解决无人集群中多无人目标对同一目标多个定位信息的聚类与滤波问题。

为实现上述目的，本发明提供了一种无人集群目标定位信息的聚类与滤波方法，包括：

对无人集群中的各无人装备的定位数据进行时间基准统一；

完成各无人装备的时间基准统一后，对不同无人装备输出的目标定位点进行聚类与滤波，去除虚警的同时，形成聚类圈，完成同一目标不同定位值的聚类；

使用聚类中心距离加权完成多个定位值的融合，以实现多源数据空间配准。

在一些可选的实施方案中，所述对无人集群中的各无人装备的定位数据进行时间基准统一，包括：

接收无人集群中各无人装备的数据报文，分别获得各无人装备的时戳信息，获取融合程序本地时间作为真实时间；

持续采集若干秒数据，得到各采集样本数据，计算各无人装备时戳与真实时间差值，获得若干组时间差；

计算所有组时间差的均值和方差，将每个无人装备的报文时间与均值相减，完成各无人装备时戳校准。

在一些可选的实施方案中，所述完成各无人装备的时间基准统一后，对不同无人装备输出的目标定位点进行聚类与滤波，去除虚警的同时，形成聚类圈，完成同一目标不同定位值的聚类，包括：

基于上一次的聚类圈使用均值漂移聚类，对距离小于r的聚类圈用k-means进一步聚类，得到原有聚类圈的新位置；

去除已经包含在聚类圈内的定位点，对剩下的定位点再一次使用均值漂移聚类算法进行去重和归并；

得到的聚类圈如果和原有聚类圈的距离大于R，则被判定为新目标，否则被判定为杂波，形成模糊聚类圈，其中，R为无人装备雷达能稳定检测目标的半径，r为目标检测误差范围。

在一些可选的实施方案中，所述使用聚类中心距离加权完成多个定位值的融合，以实现多源数据空间配准，包括：

根据每个定位点相对于聚类圈中心的距离，计算每个定位点权重；

利用权值分别对定位点的航速、位置与时戳进行加权求和，计算融合后目标的位置、时间戳与速度。

在一些可选的实施方案中，由

由

由

由

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

即使无人集群的网络出现故障、雷达出现异常、目标相遇、相离、并行都能稳定运行。在有误差和错误的数据下，尽可能精准的聚类与滤波。无人集群指挥中心和集群控制中心无需关心设备状态，直接面向本发明的聚类结果进行指挥。高层算法无需面向不稳定、不精准的传感数据，直接面向相对稳定和准确的聚类数据。对后续融合算法提供了更准确和稳定的数据。

附图说明

图1是本发明实施例提供的一种数据输入数据流示意图；

图2是本发明实施例提供的一种无人集群目标定位信息的聚类与滤波方法的流程示意图；

图3是本发明实施例提供的一种时间配准效果图，其中，(a)表示1026号和2049号无人装备在10s内发送过来的报文时间戳，(b)表示时间配准效果图；

图4是本发明实施例提供的一种多船相遇时聚类后的效果图；

图5是本发明实施例提供的一种空间误差实验图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明在收集到无人集群内部所有无人装备发送的目标定位信息后，对整个无人集群的信息进行整合和聚类得到聚类信息，便于向指控中心提供经过融合生成的准确目标态势，为指控中心进行战场理解和作战指挥提供支撑。本发明在无人集群综合指控中心中起到了承接作用，使得设备层面的信息对高层算法透明，高层算法无需关心设备状态，就能直接通过本发明准确而稳定地获取数据。解决无人集群中对来自多个无人装备目标定位数据进行融合时，目标数据时戳不统一、定位误差大、多目标航迹交叉、目标数据不稳定、目标航速测不准等问题，完成目标聚类与滤波，为实现目标正确融合提供数据基础。

本发明通过无人集群多个无人装备目标定位数据时空配准，解决多定位源的时间、空间系统误差大的问题。通过无人集群多域定位数据的模糊聚类关联，得到各无人装备检测到的目标和聚类后目标的对应关系。通过对无人集群中出现的杂波进行过滤以提高聚类效果，包括时间配准、聚类和滤波以及空间配准与融合，如图2所示。

(1)时间配准

如图1所示，每个无人装备发送目标定位信息的时间戳均基于自身的时间坐标系，而未经时间统一的各个无人装备时间基准不一致，导致不同无人装备统一时刻检测到的目标定位信息中的时戳不一致，进一步引起融合误差，甚至舍弃有效定位值。

假设无人装备的程序能按照协议保证200ms发送一次报文，则可以得到以下公式。

T

E(T

T

为了求解E(T

为了得到E(T

根据大数定理，计算Y的均值和方差，它们应该等于E(T

因此把Y的均值作为E(T

本发明同时采集了1026号和2049号无人装备发送的报文时间戳，分别时长为10s，如图3所示。其中y轴是时间轴，x轴也是时间轴，单位都是ms，中间线是标准时间线，是根据y＝x点出来的。如图3中(a)所示，最下方的线和最上方的线分别表示1026号和2049号无人装备在10s内发送过来的报文时间戳。由于时间坐标系不一致的问题，导致2049号无人装备的时间超前于真实时间，而1026号无人装备时间落后于真实时间。

实验结果如图3中(b)，最上方的线表示调整之前的时间线，最下方的两条重合线是标准时间线和调整之后的时间线。

可以看到校准前无人装备的时间线有着较大的偏差。经过校准后，调整后的线已经和标准时间线基本重叠，只有一点由于网络引起的方差波动，提升后的时间配准精度达到了99.4％。

(2)聚类和滤波

完成各无人装备时间基准统一后，对不同无人装备输出的目标定位点进行聚类与滤波，去除虚警的同时，形成聚类圈，完成同一目标不同定位值的聚类。

(a)均值漂移聚类

均值漂移聚类法首先将湖面上的每个定位点设为圆心，超参数设为半径，将定位点集合转化为圆圈集合；再分别统计每个圆圈内包含的定位点，将每个圆的圆心向圆内圈定定位点的重心上滑动，完成一次滑动后，重新统计每个滑动后圆圈内包含的定位点，将每个圆再次向圆内圈定定位点的重心上滑动，直至圆内圈定定位点的数量到达极大值，这样的滑动方式，可以让每个圆滑到局部密度最大的区域；最后将滑动后的圆圈集合去重和归并，得到若干个聚类圈，其中每个聚类圈中定位点的密度都是局部最大，密度最大表示存在真实目标的概率最大。

这种方法的优点是半径的设置和本发明的场景非常接近，本发明可以通过目标检测误差范围调整聚类圈的半径。这样能有效降低将同一个目标融合成两个目标或者将两个目标融合成一个目标的概率。

(b)均值漂移聚类针对性的改进

根据无人集群的场景，本发明针对性的调整了均值漂移聚类算法。假设无人装备雷达稳定检测并跟踪范围的半径是R，检测误差范围为r，则本发明主要的改进如下：

(Ⅰ)突然出现在无人装备半径R以内的定位点是虚警而不是目标。

理由是敌方目标从远处靠近到无人装备距离R以内的过程中，一定会被检测到，并且被识别为聚类圈，因此突然出现在R以内的点不可能是目标。

(Ⅱ)聚类圈的半径r设置为无人装备平均定位误差。

由于大多数定位误差在r以内，那么将聚类圈的半径设置为r，可以有效地圈中真实目标。r参数的设定可以经过统计分析获得。

(Ⅲ)聚类圈不需要每次重新生成，可以继承。

聚类圈代表了目标，目标在一次算法迭代中移动的距离一般小于r，因此以上一轮计算所得的聚类圈为基准继续漂移，可以将聚类圈滑动到目标本轮计算时所在位置。

(Ⅳ)聚类圈之间的距离小于r时，无需去重和归并，而选择k-means聚类。

按照传统的均值漂移算法，聚类圈之间的距离小于r时需要去重和归并。但是聚类圈在本发明背景下的现实含义是目标。当两目标之间的距离小于r时不应该被归为一个目标。所以本发明取消归并的操作。但是当两个聚类圈距离小于r时，下一次迭代容易产生两个聚类圈重叠的情况，因此本发明将接近的聚类圈用k-means聚类算法，因为距离小于r的聚类圈的数量是已知的，而k-means的优点是聚类效果好，缺点是聚类数目未知，因此选择k-means在聚类圈接近时聚类是最佳选择。况且聚类圈的初始位置是已知的，这还解决了k-means聚类中心初始化的问题。

如图4所示，图4中，里层的圈是聚类圈，里层圈中的两个点是两个不同聚类中心，分别对应真实环境下湖上目标与无人装备。x是定位到的目标，+是无人装备位置信息，最外层圈是安全距离。

(3)空间配准与融合

使用聚类中心距离加权算法完成多个定位值的融合，实现多源数据空间配准。

假设各无人装备对目标定位的误差是随机误差，那么真实目标在聚类中心O处的概率是最大的。因此利用n个无人装备对同一目标的定位位置P

在仿真实验中，本发明设置多个无人装备定位一个目标，查看聚类后的误差相对于每个无人装备的精准度。

定义误差如上公式。Bias

进行了9次实验。分别模拟了2、4、6、8、10、12、14、16、18个无人装备定位同一目标。每次实验中，将每个无人装备在空间配准后的误差用柱状图表示出来，得到图5。

从左上角到右下角，分别是2、4、6、8、10、12、14、16、18个无人装备的实验结果。每张图的最左侧的柱是指标中规定的2％误差，其余柱是不同无人装备在空间配准后的误差。所以完成指标等价于其余柱低于最左侧柱。

可以看到在2、4个无人装备定位同一个目标时的误差超过了2％。之后的误差随着无人装备的增多逐渐降低、空间配准的效果逐渐变好。6个无人装备时，平均误差在1％左右；12个无人装备时，平均误差在0.8％左右；18个无人装备时，平均误差在0.6％左右。

通过实验表明，无人装备数量越多空间配准越准确，在仿真实验中，超过6个无人装备可以达到准确度98％。

实施例一

(1)时间配准

接收到无人装备A与无人装备B的数据报文，分别获得无人装备A与无人装备B的时戳信息，获取融合程序本地时间作为真实时间；持续采集10s的数据，当各无人装备以200ms的时间间隔发送报文时，时间采集结束可以获得50个样本，计算各无人装备时戳与真实时间差值，获得50组时间差；计算50组时间差的均值和方差；将每个无人装备的报文时间与均值相减，完成各无人装备时戳校准。

(2)聚类和滤波

假设无人装备雷达能稳定检测目标的半径是R，检测的误差范围为r，利用改进后的均值漂移聚类算法完成多源数据聚类与滤波：1)基于上一次的聚类圈使用均值漂移聚类；2)对距离小于r的聚类圈用k-means进一步聚类；3)由1)和2)得到了原有聚类圈的新位置；4)去除已经包含在聚类圈内的定位点，对剩下的定位点再一次使用传统均值漂移算法(需要去重和归并)；5)得到的聚类圈如果和原有聚类圈的距离>R，则被判定为新目标。否则被判定为杂波。

(3)空间配准与融合

1)使用改进后的均值漂移聚类算法完成定位点的聚类，形成模糊聚类圈；2)根据每个定位点相对于聚类圈中心的距离，计算每个定位点权重；3)利用权值分别对定位点的航速、位置与时戳进行加权求和，计算融合后目标的位置、时间戳与速度。

需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。