CN116027346B - 一种无人机激光链路中的光斑位置预测算法 - Google Patents
一种无人机激光链路中的光斑位置预测算法 Download PDFInfo
- Publication number
- CN116027346B CN116027346B CN202211708594.2A CN202211708594A CN116027346B CN 116027346 B CN116027346 B CN 116027346B CN 202211708594 A CN202211708594 A CN 202211708594A CN 116027346 B CN116027346 B CN 116027346B
- Authority
- CN
- China
- Prior art keywords
- sequence
- model
- unmanned aerial
- aerial vehicle
- arma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000006854 communication Effects 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 26
- 230000000087 stabilizing effect Effects 0.000 claims abstract description 4
- 241001123248 Arma Species 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 22
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机激光链路中的光斑位置预测算法,包括以下步骤:步骤S1、小波分解;步骤S2、平稳化序列;步骤S3、模型定阶;步骤S4、模型参数估计:步骤S5、小波重构;步骤S6、位置预测;步骤S7、算法应用。本发明提出了一种无人机激光链路中的光斑位置预测算法,该算法能够在通信跟踪一体化的四象限探测器输出信息为0时使用预测的光斑位置代替错误的光斑位置,使PAT算法能进行连续的跟踪计算,从而提高激光终端的跟踪效果。
Description
技术领域
本发明涉及一种光斑位置预测算法,尤其涉及一种无人机激光链路中的光斑位置预测算法。
背景技术
近年来,激光通信在无人机平台上发展迅速,因其具有传输速率快、抗干扰能力强、不受频带限制等优点,成为无人机上现有射频通信的有力竞争对手。但是由于激光通信装置同时受无人机平台负载能力和高动态特性等因素影响,实现高精度的动态跟踪非常困难,因此在无人机上可以使用四象限探测器同时进行跟踪与通信的方案,而使用这种方案时会产生跟踪精度下降的问题,如图1所示的无人机平台激光通信通信跟踪一体化光路图。
由于四象限探测器接收的光斑中含有调制过后的信号量,同时跟踪处理与通信处理一同进行,所以信号的变化会影响四象限探测器的跟踪性能,如图2所示的使用四象限探测器进行光斑定位示意图,例如当信号传输低电平时,光束经光开关的调制输出光强为0,探测器接收不到光斑,得到位置信息为0,而此时光斑位置的变化都无法被探测器捕捉,会影响光斑的跟踪精度。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种无人机激光链路中的光斑位置预测算法。
为了解决以上技术问题,本发明采用的技术方案是:一种无人机激光链路中的光斑位置预测算法,包括以下步骤:
步骤S1、小波分解;
步骤S2、平稳化序列;
步骤S3、模型定阶;
步骤S4、模型参数估计:
步骤S5、小波重构;
步骤S6、位置预测;
步骤S7、算法应用。
优选的,步骤S1的具体过程为:
收集无人机飞行过程中至少1000组光斑位置信息数据,建立光斑位置随时间变化的序列;
使用Db2小波基函数对光斑位置序列进行2层分解,将信号分为低频的近似序列和高频的细节序列。
优选的,步骤S1中,光斑位置序列的小波分解算法如下:
其中,h0表示低通分解滤波器,h1表示高通分解滤波器,*表示卷积运算符,yt表示低频系数,zt表示高频系数。
优选的,步骤S2中,使用ADF检验方法,分别对步骤S1中分解得到的近似序列、细节序列进行平稳性检验,若信号非平稳,则使用N阶差分将信号转换为平稳信号。
优选的,步骤S3包括以下过程:
分别对分解重构后的近似序列和细节序列建立ARMA模型如下:
Xt=b1Xt-1+…+bpXt-p+εt+α1εt-L+…+aqεt-q#(2)
其中,{εt}~WN(o,o2),p,q≥0是整数,(p,q)称为模型的阶,{b p},{aq}为参数,记为{Xt}~ARMA(p,q);
使用AIC定阶法对ARMA模型进行定阶,定义如下:设{Xt,l≤t≤N}为来自正态ARMA模型的一段观测值,对于给定的k及固定的(p,q)(0≤p,q≤k),记相应的σ2的最大似然估计为记
把使得AIC(p,q)最小的点称为ARMA(p,q)模型的AIC定阶。
优选的,步骤S4包括以下过程:
使用最小二乘估计对ARMA模型进行估计,在ARMA(p,q)模型中,记
其中,{bp},{aq}为参数,为预测值,残差项为:/>残差平方和为:
使得残差平方和达到最小的那组参数值即为的最小二乘估计值,经过以上步骤即可得到近似序列和细节序列的ARMA模型。
优选的,步骤S5中,将近似序列和细节序列的ARMA模型进行小波重构,组合为整体的ARMA模型;
通过对小波分解后得到的近似序列和细节序列的ARMA模型进行重构,得到时间序列的低频分量和高频分量,时间序列的小波重构算法如下:
其中,g0表示低通重构滤波器,g1表示高通重构滤波器,Yt表示低频分量,Zt表示高频分量,原时间序列X t和低频分量Y t与高频分量Zt的关系为Xt=Yt+Zf。
优选的,步骤S6中,使用得到的ARMA模型对光斑位置测量值做拟合,得到光斑位置预测值,具体过程为:
将上述得到的ARMA模型写入无人机机载载荷的DSP当中,当探测器输出信息为0时控制摆镜指向所得光斑预测位置,提高***跟踪精度。
优选的,步骤S7中,对光斑位置的预测过程为:
无人机飞行到通信距离后,启动机载激光通信载荷,载荷运行DSP中的主控程序,依次进行瞄准、捕获、跟踪通信流程,载荷在执行跟踪通信过程时,调用写于DSP中的光斑预测算法,在通信的同时读取APD四个象限的光功率,使用步骤S1-S6的算法计算光斑位置,然后控制瞄准机构根据光斑位置偏差值转动相应角度,使光斑中心移动到探测器中心,实现光斑的实时跟踪。
本发明提出了一种无人机激光链路中的光斑位置预测算法,该算法能够在通信跟踪一体化的四象限探测器输出信息为0时使用预测的光斑位置代替错误的光斑位置,使PAT算法能进行连续的跟踪计算,从而提高激光终端的跟踪效果。
本发明结合四象限探测器跟踪通信一体化的特点,提出了一种基于四象限探测器的光斑预测算法,在接收探测器信息的同时使用算法对其进行计算与预测,当探测器输出信息为0时则使用预测的光斑位置来进行跟踪,以此对光斑位置进行补偿,提高***跟踪稳定度。
附图说明
图1为现有技术中无人机平台激光通信通信跟踪一体化光路图。
图2为现有技术中使用四象限探测器进行光斑定位示意图。
图3为本发明的光斑位置预测算法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
由于无人机飞行过程中探测器收集到的光斑位置信息具有规律性,因此将光斑位置信息组成训练集,使用ARMA时间序列分析和小波分析相结合的方法建立光斑位置信息模型,利用模型对未来的光斑位置做预测,可以在探测器输出信息为0时对光斑位置进行补偿,提高***的跟踪精度。
为实现上述目的,如图3所示,本发明的具体步骤如下:
步骤1,小波分解:
收集无人机飞行过程中至少1000组光斑位置信息数据,建立光斑位置随时间变化的序列。使用Db2小波基函数对光斑位置序列进行2层分解,将信号分为低频的近似序列和高频的细节序列。
时间序列的小波分解算法如下:
其中,h0表示低通分解滤波器,h1表示高通分解滤波器,*表示卷积运算符,yt表示低频系数,zt表示高频系数。
步骤2,平稳化序列:
使用ADF检验方法,分别对高低频的序列进行平稳性检验,若信号非平稳,则使用N阶差分将信号转换为平稳信号。
步骤3,模型定阶:
分别对分解重构后的近似序列和细节序列建立ARMA模型如下:
Xt=b1Xt-1+…+bpXt-P+εt+a1εt-1+…+aqεt-q#(2)
其中{εt}~WN(0,σ2),p,q≥0是整数,(p,q)称为模型的阶,{bp},{aq}为参数,记为{Xt}~ARMA(p,q)。
使用AIC定阶法对模型进行定阶,定义如下:设{Xt,1≤t≤N}为来自正态ARMA模型的一段观测值,对于给定的k(例如可能的阶的一个上界,或者取
[lnN])及固定的(p,q)(0≤p,q≤k),记相应的σ2的最大似然估计为记
我们把使得AIC(p,q)最小的点(如不唯一,应取小的)称为ARMA(p,q)模型的AIC定阶。
步骤4,模型参数估计:
在模型定阶后,还需要对模型进行参数估计,本方法中使用最小二乘估计对模型进行估计,在ARMA(p,q)模型中,记
其中,{bp},{aq}为参数,为预测值,残差项为:/>
残差平方和为:
使得残差平方和达到最小的那组参数值即为的最小二乘估计值。经过以上步骤即可得到低频序列和高频序列的ARMA模型。
步骤5,小波重构:
将近似序列和细节序列的ARMA模型进行小波重构,组合为整体的ARMA模型。
通过对小波分解后得到的低频和高频ARMA模型进行重构,得到时间序列的低频和高频分量,时间序列的小波重构算法如下:
其中,g0表示低通重构滤波器,g1表示高通重构滤波器,Yt表示低频分量,Zt表示高频分量。原时间序列Xt和低频分量Yt与高频分量Zt的关系为:
Xt=Yt+Zt。
步骤6,位置预测:
使用得到的ARMA模型对光斑位置测量值做拟合,得到光斑位置预测值。将上述ARMA模型写入无人机机载载荷的DSP(数字信号处理器)当中,当探测器输出信息为0时控制摆镜指向所得光斑预测位置,提高***跟踪精度。
步骤7,算法应用:
无人机飞行到通信距离后,启动机载激光通信载荷,载荷运行DSP中的主控程序,依次进行瞄准、捕获、跟踪通信流程,载荷在执行跟踪通信过程时,调用写于DSP中的光斑预测算法,在通信的同时读取APD(四象限探测器)四个象限的光功率,使用上述算法计算光斑位置,然后控制瞄准机构根据光斑位置偏差值转动相应角度,使光斑中心移动到探测器中心,实现光斑的实时跟踪。
下面结合具体实施例对本发明作进一步详细的说明。
【实施例】
无人机激光链路中的光斑位置预测算法实施方式如下:
1)使用C语言进行编写算法,使用CCS软件烧入载荷的DSP上,DSP型号为TMS320F28335;
2)四象限探测器使用IGQ3000-IT型号的QD,通信速率为1M-3Mbps,感光面积为3mm,工作波长为1550nm,上升沿时间典型值为8ns。
实验用的无人机机载激光通信***由四个部分组成:激光通信终端、数传模块、导航模块、网络摄像头,载荷体积为165×148×245mm,载荷重量为3.5kg,捕获跟踪范围为±180°方位角,无人机在1km的高度上使用上述算法进行了实验,实验通信距离为500m-1000m,通过这个算法,无人机激光通信的跟瞄精度得到了提高,达到了5urad,同时通信稳定性也得到了提升,通信速率达到了1Mbps。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (8)
1.一种无人机激光链路中的光斑位置预测算法,其特征在于:包括以下步骤:
步骤S1、小波分解;
其中,光斑位置序列的小波分解算法如下:
其中,h0表示低通分解滤波器,h1表示高通分解滤波器,*表示卷积运算符,yt表示低频系数,zt表示高频系数;
步骤S2、平稳化序列;
步骤S3、模型定阶;包括以下过程:
分别对分解重构后的近似序列和细节序列建立ARMA模型,使用AIC定阶法对ARMA模型进行定阶,把使得AIC(p,q)最小的点称为ARMA(p,q)模型的AIC定阶;
步骤S4、模型参数估计:包括以下过程:
使用最小二乘估计对ARMA模型进行估计,使得残差平方和达到最小的那组参数值即为的最小二乘估计值,经过以上步骤即可得到近似序列和细节序列的ARMA模型;
步骤S5、小波重构;包括以下过程:
将近似序列和细节序列的ARMA模型进行小波重构,组合为整体的ARMA模型;通过对小波分解后得到的近似序列和细节序列的ARMA模型进行重构,得到时间序列的低频分量和高频分量;
步骤S6、位置预测;
步骤S7、算法应用。
2.根据权利要求1所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述步骤S1的具体过程为:
收集无人机飞行过程中至少1000组光斑位置信息数据,建立光斑位置随时间变化的序列;
使用Db2小波基函数对光斑位置序列进行2层分解,将信号分为低频的近似序列和高频的细节序列。
3.根据权利要求2所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述步骤S2中,使用ADF检验方法,分别对步骤S1中分解得到的近似序列、细节序列进行平稳性检验,若信号非平稳,则使用N阶差分将信号转换为平稳信号。
4.根据权利要求1所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述述步骤S3中,建立的ARMA模型如下:
Xt=b1Xt-1+…+bpXt-p+εt+a1εt-1+…+aqεt-q#(2)
其中,{εt}~WN(0,σ2),p,q≥0是整数,(p,q)称为模型的阶,{bp},{aq}为参数,记为{Xt}~ARMA(p,q);
对ARMA模型进行定阶时,定义如下:设{Xt,1≤t≤N}为来自正态ARMA模型的一段观测值,对于给定的k及固定的(p,q)(0≤p,q≤k),记相应的σ2的最大似然估计为记
5.根据权利要求1所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述步骤S4中,在ARMA(p,q)模型中,记
其中,{bp},{aq}为参数,为预测值,残差项为:/>残差平方和为:
6.根据权利要求1所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述步骤S5中,时间序列的小波重构算法如下:
其中,g0表示低通重构滤波器,g1表示高通重构滤波器,Yt表示低频分量,Zt表示高频分量,原时间序列Xt和低频分量Yt与高频分量Zt的关系为Xt=Yt+Zt。
7.根据权利要求1所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述步骤S6中,使用得到的ARMA模型对光斑位置测量值做拟合,得到光斑位置预测值,具体过程为:
将上述得到的ARMA模型写入无人机机载载荷的DSP当中,当探测器输出信息为0时控制摆镜指向所得光斑预测位置,提高***跟踪精度。
8.根据权利要求1-7任一项所述的无人机激光链路中的光斑位置预测算法,其特征在于:所述步骤S7中,对光斑位置的预测过程为:
无人机飞行到通信距离后,启动机载激光通信载荷,载荷运行DSP中的主控程序,依次进行瞄准、捕获、跟踪通信流程,载荷在执行跟踪通信过程时,调用写于DSP中的光斑预测算法,在通信的同时读取APD四个象限的光功率,使用步骤S1-S6的算法计算光斑位置,然后控制瞄准机构根据光斑位置偏差值转动相应角度,使光斑中心移动到探测器中心,实现光斑的实时跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211708594.2A CN116027346B (zh) | 2022-12-29 | 2022-12-29 | 一种无人机激光链路中的光斑位置预测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211708594.2A CN116027346B (zh) | 2022-12-29 | 2022-12-29 | 一种无人机激光链路中的光斑位置预测算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116027346A CN116027346A (zh) | 2023-04-28 |
CN116027346B true CN116027346B (zh) | 2023-07-18 |
Family
ID=86075348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211708594.2A Active CN116027346B (zh) | 2022-12-29 | 2022-12-29 | 一种无人机激光链路中的光斑位置预测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027346B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101676744B (zh) * | 2007-10-31 | 2012-07-11 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
EP3064898B1 (de) * | 2015-03-04 | 2019-12-18 | Leica Geosystems AG | Vermessungsgerät mit Feinanzielungs- bzw. Zielverfolgungsfunktionalität |
US20200408875A1 (en) * | 2015-07-17 | 2020-12-31 | Chao-Lun Mai | Method, apparatus, and system for positioning and powering a wireless monitoring system |
CN107422319B (zh) * | 2017-09-13 | 2023-02-24 | 武汉雷可达科技有限公司 | 飞行轨迹跟踪装置和雷达 |
CN108168577A (zh) * | 2017-12-22 | 2018-06-15 | 清华大学 | 基于bp神经网络的mems陀螺随机误差补偿方法 |
CN111628823B (zh) * | 2020-04-25 | 2022-07-26 | 哈尔滨工业大学(威海) | 一种舰载激光通信扫描捕获方法 |
CN112329977A (zh) * | 2020-09-10 | 2021-02-05 | 国家电网有限公司 | 一种面向极端场景的风电功率预测*** |
CN113411216B (zh) * | 2021-06-21 | 2022-11-04 | 国网宁夏电力有限公司信息通信公司 | 基于离散小波变换和fa-elm的网络流量预测方法 |
CN113791399A (zh) * | 2021-08-31 | 2021-12-14 | 湖北三江航天万峰科技发展有限公司 | 一种激光跟踪瞄准装置光学零位补偿方法及*** |
-
2022
- 2022-12-29 CN CN202211708594.2A patent/CN116027346B/zh active Active
Non-Patent Citations (1)
Title |
---|
四象限探测器的信号光捕获与跟踪技术研究;鲁倩;任斌;边晶莹;;光电工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116027346A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125135B (zh) | 地图更新方法、地图融合更新方法、终端及服务器 | |
CN108717174B (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
CN112152739B (zh) | 卫星星座的干扰概率分布计算方法及装置 | |
CN113009490B (zh) | 一种基于高分辨率模式动力约束的雷达三维风场反演方法 | |
Arockia Bazil Raj et al. | A direct and neural controller performance study with beam wandering mitigation control in free space optical link | |
CN113108792A (zh) | Wi-Fi指纹地图重建方法、装置、终端设备及介质 | |
CN116719339A (zh) | 一种基于无人机的电力线路巡检控制方法及*** | |
CN110749891A (zh) | 一种可估计未知有效声速的自适应水下单信标定位方法 | |
WO2023231212A1 (zh) | 预测模型的训练方法、地图预测方法及装置 | |
CN116027346B (zh) | 一种无人机激光链路中的光斑位置预测算法 | |
CN115184970A (zh) | 基于北斗差分定位的无人飞行器的位置预测方法及装置 | |
CN112098926B (zh) | 一种利用无人机平台的智能测角训练样本生成方法 | |
CN115984087B (zh) | 一种无人机的海量点云数据快速处理分析方法和*** | |
CN116796551A (zh) | 一种空间目标过境时段快速高精度计算方法 | |
CN116860011A (zh) | 一种实现光电搜索跟踪***高精度记忆跟踪的方法 | |
CN103441798A (zh) | 在轨空间光通信终端像差补偿方法 | |
CN116577800A (zh) | 基于***噪声估计的光电吊舱自适应ekf目标定位方法 | |
Caceres et al. | WLAN-based real time vehicle locating system | |
CN116297472A (zh) | 一种基于深度学习的无人机桥梁裂缝检测方法及*** | |
CN111462026B (zh) | 基于编码曝光的合成图像相位恢复方法及装置 | |
CN112268548B (zh) | 一种基于双目视觉的飞机局部外形测量方法 | |
CN117560638B (zh) | 应用于移动端通信***的融合通信方法、装置及设备 | |
CN113189585A (zh) | 基于无人机双基地sar***的运动误差补偿算法 | |
CN113008235A (zh) | 基于矩阵k-l散度的多源导航信息融合方法 | |
WO2024100879A1 (ja) | 通信品質予測装置、通信品質予測方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Yu Siyuan Inventor after: Xu Xiang Inventor after: Chen Yang Inventor after: Zhou Zhiquan Inventor after: Desi Hugh Parick Inventor before: Yu Siyuan Inventor before: Xu Xiang Inventor before: Chen Yang Inventor before: Zhou Zhiquan |