一种基于无人机的无人车导航方法及系统与流程

本发明涉及导航定位领域，特别是涉及一种基于无人机的无人车导航方法及系统。

背景技术：

对于无人车而言，实现自身准确的导航定位是执行一切任务的必备前提，正是受限于精准导航的需求，早期无人车的使用主要集中在工厂这样的非常局限的地方，通常需要在地面铺设专用的线条，安装专用的传感器件，并且只能完成非常简单的工作。而随着计算机处理能力的飞速发展，定位技术不断进步，当前的定位算法己经达到满足各种实时定位的要求，为在更多环境下使用的无人车提供了可能。就目前而言，在综合考虑硬件成本、系统可靠性、导航精度、计算实时性等因素的基础上，利用全球卫星导航系统(gnss，globalnavigationsatellitesystem)(例如gps(globalpositioningsystem，全球定位系统)、bds(beidounavigationsatellitesystem，北斗卫星导航系统)等)实现无人车的导航是首选。然而，gnss卫星信号受环境影响较大，在复杂建筑群(例如城市环境下)、峡谷、森林等地会因信号衰减而无法准确导航定位。因此，对于这些特定场合，需要寻求其它的导航技术提供定位信息。此外，在有些需要高精度定位的场合，受限于gnss可见星的数量与gnss可见星的星座位置，仅依赖于gnss信息可能无法达到预期的定位精度。

技术实现要素：

本发明的目的是提供一种基于无人机的无人车导航方法及系统，在gnss卫星信号不足以实现定位的情况下实现自主导航。

为实现上述目的，本发明提供了如下方案：

一种基于无人机的无人车导航方法，应用于一种无人车导航定位装置；该导航定位装置包括无人车和至少一架具有自主导航能力的无人机；所述无人车与所述无人机无线通讯连接；

该无人车导航方法包括：

获取当前时刻无人机的广播信息以及接收到的可见星信息；

利用所述无人机的广播信息和所述可见星信息对所述无人车当前时刻的位置进行计算，得到当前时刻估计位置；

判断当前时刻距离上次无人机位置调整时刻的时长是否达到预设时长，得到判断结果；

若所述判断结果表示否，则以所述当前时刻估计位置作为无人车的当前位置；

若所述判断结果表示是，则利用所述无人机的广播信息、所述可见星信息以及所述当前时刻估计位置进行基于几何精度因子的无人机最优位置计算，得到无人机最优位置；

将所述无人机最优位置发送给所述无人机，使所述无人机调整到所述无人机最优位置；

在所述无人机调整到所述无人机最优位置后，返回步骤“获取当前时刻无人机的广播信息以及接收到的可见星信息”。

可选的，所述利用所述无人机的广播信息和所述可见星信息对所述无人车当前时刻的位置进行计算，得到当前时刻估计位置，具体包括：

构建无人车、无人机和可见星的相对几何关系方程；

将所述广播信息以及所述可见星信息代入所述相对几何关系方程，利用牛顿迭代法进行求解，得到无人车的当前时刻估计位置。

可选的，所述利用所述无人机的广播信息、所述可见星信息以及所述当前时刻估计位置进行基于几何精度因子的无人机最优位置计算，得到无人机最优位置，具体包括：

构建无人车至各无人机位置的矢量以及无人车至各可见星位置的矢量，得到矢量矩阵；

依据所述矢量矩阵计算几何精度因子的表达式；

利用拉格朗日法对所述几何精度因子的表达式进行求解，得到使所述几何精度因子达到最小值时的约束条件；

根据所述约束条件确定各无人机的可选最优位置。

可选的，在所述根据所述约束条件确定各无人机的最优位置之后，还包括：

从各无人机的可选最优位置中选取使所有无人机的总移动距离最小的最优位置方案，得到各无人机的最优位置。

可选的，所述预设时长为无人机发送100次广播信息所需时长。

一种基于无人机的无人车导航系统，应用于一种无人车导航定位装置；该导航定位装置包括无人车和至少一架具有自主导航能力的无人机；所述无人车与所述无人机无线通讯连接；

该无人车导航系统包括：

信息获取模块，用于获取当前时刻无人机的广播信息以及接收到的可见星信息；

位置估计模块，用于利用所述无人机的广播信息和所述可见星信息对所述无人车当前时刻的位置进行计算，得到当前时刻估计位置；

判断模块，用于判断当前时刻距离上次无人机位置调整时刻的时长是否达到预设时长，得到判断结果；

位置确定模块，用于若所述判断结果表示否，则以所述当前时刻估计位置作为无人车的当前位置；

无人机最优位置计算模块，用于若所述判断结果表示是，则利用所述无人机的广播信息、所述可见星信息以及所述当前时刻估计位置进行基于几何精度因子的无人机最优位置计算，得到无人机最优位置；

无人机位置调整模块，用于将所述无人机最优位置发送给所述无人机，使所述无人机调整到所述无人机最优位置；

返回模块，用于在所述无人机调整到所述无人机最优位置后，返回所述信息获取模块。

可选的，所述位置估计模块包括：

方程构建单元，用于构建无人车、无人机和可见星的相对几何关系方程；

方程求解单元，用于将所述广播信息以及所述可见星信息代入所述相对几何关系方程，利用牛顿迭代法进行求解，得到无人车的当前时刻估计位置。

可选的，所述无人机最优位置计算模块包括：

矢量矩阵构建单元，用于构建无人车至各无人机位置的矢量以及无人车至各可见星位置的矢量，得到矢量矩阵；

几何精度因子表达式确定单元，用于依据所述矢量矩阵计算几何精度因子的表达式；

约束条件确定单元，用于利用拉格朗日法对所述几何精度因子的表达式进行求解，得到使所述几何精度因子达到最小值时的约束条件；

可选最优位置确定单元，用于根据所述约束条件确定各无人机的可选最优位置。

可选的，所述无人机最优位置计算模块包括：

最优方案选取单元，用于从各无人机的可选最优位置中选取使所有无人机的总移动距离最小的最优位置方案，得到各无人机的最优位置。

可选的，所述预设时长为无人机发送100次广播信息所需时长。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于无人机的无人车导航方法及系统，利用无人机的定位信息实现无人车的自主导航定位。并且通过不断对无人机的位置进行调整，使得无人机跟随无人车的同时保证较高的定位精度，提高了无人车的定位精度。因此本发明能够在gnss卫星信号不足以实现定位的情况下实现自主导航。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例1的基于无人机的无人车导航方法的方法流程图；

图2为执行无人机最优位置配置与未执行无人机最优位置配置的无人车x轴定位误差仿真结果对比图；

图3为本发明实施例2的基于无人机的无人车导航系统的系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，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。

本发明提供的基于无人机的无人车导航方法及系统，均应用于一种无人车导航定位装置。该导航定位装置满足以下条件：

1、具备至少一架多旋翼无人机，该无人机具有自主导航能力，具有足够的导航精度，且可以根据要求进行自主移动；2、无人机与无人车之间存在一套具备收发能力的无线通信系统，且利用该无线通信系统，可实现无人车与无人机之间的相对距离的估计；3、无人车依据实际需要选择性地配备gnss导航设备。

无人机的数量选择需要考虑如下因素：无人车的运行范围，通信系统信号的覆盖范围，无人车的导航精度要求，是否配备有gnss导航设备，系统的硬件成本等。此外，如果无人车不配备有gnss设备，则该导航定位装置必须要具备3架以上的无人机才可满足无人车导航要求。

实施例1：

图1为本发明实施例1的基于无人机的无人车导航方法的方法流程图。

该无人车导航方法包括：

步骤101：获取当前时刻无人机的广播信息以及接收到的可见星信息。

全部无人车和无人机开始运行后，无人机利用自身导航设备进行导航，同时全部无人机对外广播当前自身位置坐标，无人车接收所有能接收到的无人机的广播信息并进行相对距离测算(利用无人机的广播信息可以实现相对距离测算)，同时若无人车配备gnss设备，则无人车利用自身的gnss设备搜索并接收当前时刻所有gnss可见星的信息并进行导航解算(导航解算结果为当前无人车至各卫星的伪距测量结果，其中，伪距是卫星定位过程中，地面接收机到卫星之间的估计距离。

假定系统中存在m架无人机(分别命名为无人机-1，无人机-2，…，无人机-m)，一辆无人车，无人车具备gnss设备且可以搜索到一定数量的卫星。假定以下所有的坐标均已统一至同一坐标系(例如wgs-84坐标系)。

假设无人机-1在k时刻的真实位置坐标为无人机-2在k时刻的真实位置坐标为其余无人机真实位置坐标依此类推。无人机-1在k时刻由自身导航系统提供的位置坐标为无人机-2在k时刻由自身导航系统提供的位置坐标为其余无人机依此类推。无人车利用通信系统解算得到的距离无人机-1的相对距离为：d1，解算得到的距离无人机-2的相对距离为：d2，其余无人机依此类推。同时假定此时gnss的可见星为n颗，分别定义为卫星-1，卫星-2，…，卫星-n。其中，通过查阅gnss星历，可得k时刻卫星-1的准确位置为其对应的解算得到的伪距观测量为卫星-2的准确位置为其对应的解算得到的伪距观测量为其余卫星依此类推。

步骤102：利用所述无人机的广播信息和所述可见星信息对所述无人车当前时刻的位置进行计算，得到当前时刻估计位置。

该步骤102具体包括：

构建无人车、无人机和可见星的相对几何关系方程。将所述广播信息以及所述可见星信息代入所述相对几何关系方程，利用牛顿迭代法进行求解，得到无人车的当前时刻估计位置。

对该步骤102进行举例说明如下：

无人车利用接收到的无人机广播信息与接收到的gnss可见星信息进行自身位置的在线计算。定义无人车k时刻的真实位置为：则无人车、无人机、gnss卫星的相对几何关系方程为：

其中，δt代表gnss的时钟误差，c代表光速，vg1,…vgn,v1,…,vm均为量测噪声，vg1,…vgn是由于电离层误差，对流层误差等导致，v1,…,vm由于无人机自身导航误差，通信系统误差等导致。

在此相对几何关系方程的基础上，将无人机导航系统提供无人机的位置：(分别替代无人车/无人机/gnss卫星的相对几何关系方程中的)、gnss星历获得的gnss卫星位置无人车/无人机通讯系统所提供得到的相对距离信息d1，…,dm、gnss卫星获得的伪距观测量代入相对几何关系方程，使用牛顿迭代法求解相对几何关系方程，得到的估算结果本发明中，使用牛顿迭代法计算的过程中，以的结果作为计算初值。

其中代表k-1时刻计算得到的无人车位置信息，代表k时刻计算得到的无人车位置信息。

步骤103：判断当前时刻距离上次无人机位置调整时刻的时长是否达到预设时长，得到判断结果。该步骤用于判断是否需要执行步骤105，即无人机的最优位置配置过程。为了减少无人机的不必要机动，最优位置配置计算并不是每个时刻都进行的，可以设定为当k满足一定条件下执行或者取决于无人车的机动程度(当机动程度较大时执行)，本发明设定为当k满足一定条件时执行，例如当k为100的整数倍时执行一次最优配置计算，即将预设时长设置为无人机发送100次广播信息所需时长。

步骤104：若所述判断结果表示否，则以所述当前时刻估计位置作为无人车的当前位置。

步骤105：若所述判断结果表示是，则利用所述无人机的广播信息、所述可见星信息以及所述当前时刻估计位置进行基于几何精度因子的无人机最优位置计算，得到无人机最优位置。

步骤105具体包括：

a、构建无人车至各无人机位置的矢量以及无人车至各可见星位置的矢量，得到矢量矩阵。

b、依据所述矢量矩阵计算几何精度因子的表达式。

c、利用拉格朗日法对所述几何精度因子的表达式进行求解，得到使所述几何精度因子达到最小值时的约束条件。

d、根据所述约束条件确定各无人机的可选最优位置。

e、从各无人机的可选最优位置中选取使所有无人机的总移动距离最小的最优位置方案，得到各无人机的最优位置。

对该步骤a～e进行详细说明如下：

基于现有信息，将无人机的最优位置配置问题进行如下描述：

待优化参数：无人机位置

限制条件：无人车现有可接收到的全部gnss可见星位置无人车当前时刻位置均不可改变；

性能指标：观测星座的gdop(geometricdilutionprecision，几何精度因子)。

由于gdop反比于导航精度，即性能指标需要在满足限制条件的基础上尽可能的达到最小值。

其中，gdop的计算方法如下：

首先计算当前无人车至各无人机与gnss可见星的矢量：

分别为无人车至各无人机的位置矢量；分别为无人车至各可见星的矢量。

进而可以构建矢量矩阵：

③进而计算得到：

dop＝(m^tm)^-1

其中，()^t代表求取矩阵的转置，()^-1代表求取矩阵的逆，trace()代表矩阵的迹，迹为矩阵对角线元素的和。

而通过利用拉格朗日法对上述最优问题进行求解，可以得到使得gdop达到极小值的约束条件为：

knm＝01×3

其中，01×3代表1行3列的零矩阵，kn＝[1111]。即，上述条件等价于：

m(i,1)、m(i,2)和m(i,3)分别为矢量矩阵第i行第1列元素、第i行第2列元素，第i行第3列元素。

如果仅以上述方程作为求解要求，可能会得到多组满足要求的无人机位置配置结果，而为了尽可能的减少无人机的飞行机动距离从而节约能量，因此本发明进一步采用如下的计算方法寻求最优：

定义寻求的最优无人机位置变量为：无人机-1位置：无人机-m位置：)，即该步骤的目的为寻找最优的

构建如下的矩阵：

分别为无人车至各无人机的最优位置的矢量。

进而可以构建矢量矩阵：

基于上述定义可以构建出如下的最优问题：

在满足的基础上，寻求使得性能指标：取得最小值，其中：

m^opt(j,1)、m^opt(j,2)和m^opt(j,3)分别为矢量矩阵第j行第1列、第j行第2列，第j行第3列的元素。d^opt为m架无人机的移动距离总和，为第p架无人机的移动距离。

上述最优化问题可以利用二次规划求解算法进行求解，得到无人机的最优位置配置结果：另外，在充分考虑无人车计算能力与系统实时性要求的基础上，可以放松对解的最优性的要求，获得次优解也可以满足实际的使用要求。

步骤106：将所述无人机最优位置发送给所述无人机，使所述无人机调整到所述无人机最优位置。在所述无人机调整到所述无人机最优位置后，返回步骤101。

图2为执行无人机最优位置配置与未执行无人机最优位置配置的无人车x轴定位误差仿真结果对比图。

参见图2，仿真次数0-100次(虚线框区域)为尚未执行最优配置状态下的无人车导航定位结果，仿真次数100-150次(点划线区域)为无人机正在执行最优配置状态(无人机正处于位置调整状态)下的无人车导航定位结果，仿真次数150-250次(实线区域)为无人机已经运行至最优配置状态(结束位置调整状态)下的无人车导航定位结果，从图2中可以看出，实线区域的定位误差明显小于虚线框区域，即通过执行最优配置后，无人车的导航定位误差显著降低，导航定位精度得到提高。

实施例2：

图3为本发明实施例2的基于无人机的无人车导航系统的系统结构图。

参见图3该无人车导航系统包括：

信息获取模块201，用于获取当前时刻无人机的广播信息以及接收到的可见星信息；

位置估计模块202，用于利用所述无人机的广播信息和所述可见星信息对所述无人车当前时刻的位置进行计算，得到当前时刻估计位置；

判断模块203，用于判断当前时刻距离上次无人机位置调整时刻的时长是否达到预设时长，得到判断结果；

位置确定模块204，用于若所述判断结果表示否，则以所述当前时刻估计位置作为无人车的当前位置；

无人机最优位置计算模块205，用于若所述判断结果表示是，则利用所述无人机的广播信息、所述可见星信息以及所述当前时刻估计位置进行基于几何精度因子的无人机最优位置计算，得到无人机最优位置；

无人机位置调整模块206，用于将所述无人机最优位置发送给所述无人机，使所述无人机调整到所述无人机最优位置；

返回模块207，用于在所述无人机调整到所述无人机最优位置后，返回所述信息获取模块。

可选的，所述位置估计模块202包括：

方程构建单元，用于构建无人车、无人机和可见星的相对几何关系方程；

方程求解单元，用于将所述广播信息以及所述可见星信息代入所述相对几何关系方程，利用牛顿迭代法进行求解，得到无人车的当前时刻估计位置。

可选的，所述无人机最优位置计算模块包括：

矢量矩阵构建单元，用于构建无人车至各无人机位置的矢量以及无人车至各可见星位置的矢量，得到矢量矩阵；

几何精度因子表达式确定单元，用于依据所述矢量矩阵计算几何精度因子的表达式；

约束条件确定单元，用于利用拉格朗日法对所述几何精度因子的表达式进行求解，得到使所述几何精度因子达到最小值时的约束条件；

可选最优位置确定单元，用于根据所述约束条件确定各无人机的可选最优位置。

可选的，所述无人机最优位置计算模块205包括：

最优方案选取单元，用于从各无人机的可选最优位置中选取使所有无人机的总移动距离最小的最优位置方案，得到各无人机的最优位置。

可选的，所述预设时长为无人机发送100次广播信息所需时长。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于无人机的无人车导航方法及系统，有效的解决了传统的依赖于gnss信息的无人车导航算法无法在gnss信息缺失/失效情况下准确导航定位的问题，通过无人车与无人机之间进行协同定位导航的方式，有效扩展了无人车的应用范围。该算法将当前接收到的gnss卫星信息、无人车当前导航定位结果作为限制条件，将无人机的位置作为可变参量，将观测星座的gdop值作为性能指标，利用相关寻优算法可以计算得到：在满足限制条件的基础上，使得性能指标达到最优的可变参量值，即实现无人机位置的最优配置，进而提升无人车的导航定位精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。