一種基于量子鴿群優(yōu)化的無人機(jī)自主空中加油目標(biāo)檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明是一種基于量子鴿群優(yōu)化的無人機(jī)自主空中加油目標(biāo)檢測(cè)方法，屬于無人 機(jī)自主控制領(lǐng)域。
【背景技術(shù)】
[0002] 無人機(jī)（UnmannedAerialVehicle,UAV)在當(dāng)今軍事行動(dòng)中扮演越來越重要的角 色，能夠有效完成復(fù)雜和危險(xiǎn)的偵查和作戰(zhàn)任務(wù)。UAV雖然在軍事和民用等領(lǐng)域已有廣泛應(yīng) 用，但其自身的很多關(guān)鍵技術(shù)尚有待進(jìn)一步研究和應(yīng)用。其中，自主空中加油（Autonomous AerialRefueling,AAR)是目前UAV遠(yuǎn)程作戰(zhàn)的挑戰(zhàn)性技術(shù)之一，自主空中加油是指在飛 行過程中一架飛機(jī)在不需要人的干預(yù)下向另一架或多架飛機(jī)傳輸燃油，使其航程加大、續(xù) 航時(shí)間延長(zhǎng)的技術(shù)。若實(shí)施多次空中加油，作戰(zhàn)飛機(jī)就可達(dá)到"全球到達(dá)，全球作戰(zhàn)"。具有 自主空中加油能力的無人機(jī)具有較大的作戰(zhàn)半徑和較長(zhǎng)的留空時(shí)間，大大降低了作戰(zhàn)部署 和反應(yīng)所需要的時(shí)間。
[0003] 實(shí)現(xiàn)無人機(jī)自主空中加油的必要前提是實(shí)時(shí)獲得無人收油機(jī)和加油機(jī)之間精確 的位姿信息。目前用于航空定位的傳感器主要包括慣性導(dǎo)航系統(tǒng)（InertialNavigation System,INS)，差分全球定位系統(tǒng)（GlobalPositioningSystem,GPS)以及視覺傳感器等。 基于GPS的測(cè)量技術(shù)在無人機(jī)導(dǎo)航系統(tǒng)中最為常用。但由于無法提供精確的位姿信息，因 此不適用于無人機(jī)自主空中加油的對(duì)接階段。而INS的誤差積累同樣不能滿足無人機(jī)自主 空中加油的要求。計(jì)算機(jī)視覺任務(wù)通常經(jīng)由各種濾波和特征提取的算法加以實(shí)現(xiàn)。視覺算 法廣泛應(yīng)用于目標(biāo)檢測(cè)、視覺跟蹤、運(yùn)動(dòng)估計(jì)，與模式分類等多個(gè)領(lǐng)域，將計(jì)算機(jī)視覺技術(shù) 應(yīng)用于航空航天可在一定程度上提高導(dǎo)航精度，并具有一定的抗干擾性。在無人機(jī)自主空 中加油中，計(jì)算機(jī)視覺方法多用于特征點(diǎn)的檢測(cè)和位姿估計(jì)，本專利申請(qǐng)將計(jì)算機(jī)視覺方 法用于特征點(diǎn)的目標(biāo)檢測(cè)。
[0004] 群體智能是仿生智能的一個(gè)重要分支，人們通過對(duì)自然界生物群體的觀察，受到 自然界中生物群體行為的啟發(fā)，在此基礎(chǔ)上總體提升，將其行為模式用數(shù)學(xué)的方式描述出 來。在群體智能模型的基礎(chǔ)上，人們提出了群體智能優(yōu)化算法的概念，用生物群體的行為模 式來求解優(yōu)化問題。鶴群算優(yōu)化（PigeonInspiredOptimization，PI0)算法是HBDuan 教授于2014年提出的一種新型的啟發(fā)式群智能優(yōu)化算法，該算法受到鴿子群體行為的啟 發(fā)，根據(jù)鴿子在尋找目標(biāo)的過程中，先后依據(jù)磁場(chǎng)和地標(biāo)作為指示的行為特點(diǎn)，建立起地圖 羅盤和地標(biāo)兩種算法機(jī)制。
[0005] 鴿群在尋找目的地的過程中，會(huì)先參照太陽和磁場(chǎng)進(jìn)行初步定位，然后依照地標(biāo) 進(jìn)行精確定位，根據(jù)這一特性，鴿群算法提出了兩種相對(duì)應(yīng)的算子，分別為地圖羅盤算子和 地標(biāo)機(jī)制，來模擬鴿群的這種特性，并將這兩種算子結(jié)合起來解決優(yōu)化問題。
[0006]量子鶴群優(yōu)化算法（Quantum-behavedPigeonInspiredOptimization,QPI0)是 基于量子力學(xué)的相關(guān)理論對(duì)基本鴿群優(yōu)化算法進(jìn)行改進(jìn)得到的一種算法。兩種算法的主要 區(qū)別在于：量子鴿群優(yōu)化算法認(rèn)為鴿子具有量子行為，即每一個(gè)鴿子的優(yōu)化速度和位置具 有不確定性，所以每個(gè)鴿子的軌跡具有不確定性，這使鴿子可以在整個(gè)可行解空間中進(jìn)行 以尋找全局最優(yōu)解，從而可以避免基本鴿群優(yōu)化算法容易陷入局部極值的缺陷，同時(shí)可以 提高算法的全局收斂性。量子鴿群優(yōu)化算法也是由地圖羅盤算子和地標(biāo)算子組成。
[0007] (1)地圖羅盤算子
[0008] 在地圖和羅盤算子中，鴿群根據(jù)地圖和羅盤的指引方式前進(jìn)，在D維空間里，第i 只鴿子的位置信息&每一代更新一次，具體的更新準(zhǔn)則如下式所示：
[0016] 式中，mbest(t+l)為t+1代所有鴿子最佳位置的平均值，PjthPga)分別為第i只 鴿子的最優(yōu)位置和所有鴿子的全局最優(yōu)位置，P1Pg (t+1)為鴿子個(gè)體最優(yōu)值P1U)和群體 全局最優(yōu)值Pg(t)之間的隨機(jī)點(diǎn)，co(t)為收縮擴(kuò)張系數(shù)，調(diào)節(jié)它的值能控制算法的收斂速 度，較大的《 (t)有利于算法跳出局部最優(yōu)值，而較小的co(t)有利于算法的收斂，f(t+l)、 u(t+l)是一個(gè)從0到1之間隨機(jī)產(chǎn)生的一個(gè)隨機(jī)數(shù)。地圖羅盤算子示意圖如附圖1所示， 圖中最右邊的鴿子為擁有全局最優(yōu)位置信息的鴿子，細(xì)箭頭表示鴿子之前的速度矢量，粗 箭頭表示該機(jī)制作用下，鴿子速度的調(diào)整矢量方向，兩個(gè)速度矢量相疊加后的結(jié)果就是當(dāng) 前鴿子的速度矢量。
[0017] ⑵地標(biāo)算子
[0018] 由于鴿子在尋找目的地的后期，主要依靠的是地標(biāo)來進(jìn)行目標(biāo)的導(dǎo)引，為此根據(jù) 其行為特性提出地標(biāo)算子。該算子規(guī)定，每一代的鴿群數(shù)目減半，為了更快的到達(dá)目的地， 剩下的鴿子直接飛向目的地。具體的更新準(zhǔn)則如下式所示：
[0021] Xi (t) =Xi (t-1)+rand? (Xc (t)-Xi (t~l)) (8)
[0022] 在上式中，Np為鴿群的數(shù)目，fitness是鴿子位置信息的代價(jià)函數(shù)，為了求得代價(jià) 函數(shù)的最小值，可以取€_作為目標(biāo)函數(shù)，X。是鴿群的加權(quán)位置中心。地標(biāo)算子的示意圖如 附圖2所示，圓圈外面的鴿子脫離鴿群，中心位置的鴿子為剩余鴿子的目的地，剩下的鴿群 迅速向目的中心靠攏。量子鴿群算法的整體流程圖如附圖3所示。

【發(fā)明內(nèi)容】

[0023] 1、發(fā)明目的：
[0024] 本發(fā)明提出了一種基于量子鴿群優(yōu)化的無人機(jī)自主空中加油目標(biāo)檢測(cè)方法，其目 的是提供一種目標(biāo)檢測(cè)的方法，以實(shí)現(xiàn)無人機(jī)的自主空中加油。
[0025] 該方法通過Matlab編寫相應(yīng)程序，實(shí)現(xiàn)無人機(jī)上標(biāo)志點(diǎn)的準(zhǔn)確檢測(cè)，為空中加油 的實(shí)現(xiàn)提供有效的保障。
[0026] 2、技術(shù)方案：
[0027] 本發(fā)明利用群智能優(yōu)化算法全局搜索能力強(qiáng)，應(yīng)用性廣等特點(diǎn)，開發(fā)一種基于量 子鴿群優(yōu)化的無人機(jī)自主空中加油目標(biāo)檢測(cè)方法，該方法的步驟如下：
[0028] 步驟一：獲取處理圖像
[0029] 用相機(jī)，獲取無人機(jī)的相關(guān)圖像。
[0030] 步驟二：初始化量子鴿群優(yōu)化算法參數(shù)
[0031] (1)初始化優(yōu)化參數(shù)維數(shù)D
[0032] 本方法中用群體智能算法在二維灰度圖像中尋找目標(biāo)區(qū)域，所以D為2。
[0033] (2)初始化收縮擴(kuò)張系數(shù)《 (t)的參數(shù)
[0034] 初始化收縮擴(kuò)張系數(shù)co(t)的最大值Conax和最小值，這兩個(gè)值的確定影響控 制算法的收斂速度。
[0035] (3)初始化種群數(shù)量Np
[0036] 群智能優(yōu)化算法的種群數(shù)量Np對(duì)優(yōu)化效果影響很大，選擇一個(gè)適當(dāng)?shù)姆N群數(shù)量， 保證算法的準(zhǔn)確性和快速性。
[0037] (4)初始化種群位置和速度
[0038] 在搜索空間沒設(shè)定群體的位置上限Pniax和位置下限P_，以及速度上限Vniax和速度 下限V_。給種群中的每個(gè)粒子都初始化一個(gè)初始的位置X1和初始的速度V1<3
[0040] (5)設(shè)置算法代數(shù)
[0041] 鴿群優(yōu)化算法有兩個(gè)算子，分別是地圖羅盤算子和地標(biāo)算子，算法運(yùn)算前需要分 別設(shè)定兩個(gè)算法運(yùn)行的最大代數(shù)NClniaJPNC2_。
[0042] 步驟三：設(shè)計(jì)代價(jià)函數(shù)
[0043] 代價(jià)函數(shù)的確定是智能優(yōu)化算法的核心，決定目標(biāo)檢測(cè)的準(zhǔn)確性。本方法中，采用 最簡(jiǎn)單有效的累加計(jì)數(shù)方法，判斷整幅圖像中的各分區(qū)域的像素值與目標(biāo)圖像像素的大小 關(guān)系，然后累加計(jì)數(shù)，得到在整幅圖像中得到最優(yōu)的區(qū)域。
[0044] 步驟四：利用QPIO地圖羅盤算子進(jìn)行尋優(yōu)
[0045]利用初始化的群體位置和速度，根據(jù)初始的個(gè)體的代價(jià)函數(shù)值選取全局最優(yōu)位置 Xg。根據(jù)公式
[0053] 更新每個(gè)個(gè)體的位置X1，計(jì)算新生成鴿子的代價(jià)函數(shù)值，如果新鴿子的代價(jià)函數(shù) 值比全局最優(yōu)位置的代價(jià)函數(shù)值更高，則把新生成的鴿子位置定義為新的全局最優(yōu)位置 Xg。反復(fù)應(yīng)用地圖羅盤算子進(jìn)行尋優(yōu)，直到運(yùn)行代數(shù)大于地圖羅盤算子最大代數(shù)NClniax時(shí)停 止。
[0054] 公式中，mbest (t+1)為t+1代所有鴿子最佳位置的平均值，P1U)、Pg⑴分別為第i 只鴿子的最優(yōu)位置和所有鴿子的全局最優(yōu)位置，P1Pg(t+1)為鴿子個(gè)體最優(yōu)值P1U)和群體 全局最優(yōu)值Pg(t)之間的隨機(jī)點(diǎn)，co(t)為收縮擴(kuò)張系數(shù)，調(diào)節(jié)它的值能控制算法的收斂速 度，較大的《 (t)有利于算法跳出局部最優(yōu)值，而較小的co(t)有利于算法的收斂，f(t+l)、 u(t+1)是一個(gè)從0到1之間隨機(jī)產(chǎn)生的一個(gè)隨機(jī)數(shù)。
[0055] 步驟五：利用QPIO地標(biāo)算子進(jìn)行尋優(yōu)
[0056] 利用地圖羅盤算子尋優(yōu)的結(jié)果作為地標(biāo)算子的初始群體，根據(jù)公式
[0059]Xi (t) =Xi (t~l)+rand? (Xc (t)-Xi (t~l)) (8)
[0060] 更新每個(gè)個(gè)體的速度V1和位置Xi，計(jì)算新生成鴿子的代價(jià)函數(shù)值，如果新鴿子的 代價(jià)函數(shù)值比全局最優(yōu)位置的代價(jià)函數(shù)值更高，則把新生成的鴿子位置定義為新的全局最 優(yōu)位置Xg。根據(jù)公式（6)計(jì)算新種群的群體數(shù)量，根據(jù)公式（6)計(jì)算的結(jié)果舍棄群體中代 價(jià)函數(shù)較小的一部分個(gè)體，選擇當(dāng)前群體中較優(yōu)的群體作為保留群體進(jìn)行下一輪尋優(yōu)，反 復(fù)應(yīng)用地標(biāo)算子進(jìn)行尋優(yōu)，直到運(yùn)行代數(shù)大于地標(biāo)算子最大代數(shù)從： 2_時(shí)停止。
[0061] 公式中，Np為鴿群的數(shù)目，fitness是鴿子位置信息的代價(jià)函數(shù)，為了求得代價(jià)函 數(shù)的最小值，可以取心"