本發明涉及無人機導航與定位，具體為一種融合多模型kf算法(卡爾曼濾波)與深度學習的無人機紅外目標定位系統。

背景技術：

1、根據中國專利號為cn105467416a的一種無人機精確定位系統，包括飛行控制系統、gps定位系統和超聲波定位系統，所述飛行控制系統分別與紅外接收器、gps定位系統、超聲波定位系統相連接,紅外接收器與遙控器相連接。本發明在到達需要精確停落的區域之前，gps定位系統根據手動遙控指導飛行控制系統；當到達需要精確停落的區域,自動打開超聲波定位系統，超聲波接收器和超聲波發射器之間持續發射信號，飛行控制系統持續測算它們之間的距離，飛行控制系統更新目標位置,隨時調整飛行姿態。因此，本發明gps定位系統實現基本定位,超聲波定位系統實現精準定位,通過gps定位系統和超聲波定位系統可以實現對無人機的精確定位,從而可以將無人機精確地落入特定區域。

2、目前，市面上存在多種無人機定位技術，其中以基于衛星信號的gps定位系統和利用聲波傳播特性的超聲波定位系統較為常見。如一種典型的無人機精確定位系統，包含飛行控制系統、gps定位系統和超聲波定位系統。該系統通過遙控器上的開關切換gps定位系統和超聲波定位系統，利用超聲波發射器和接收器之間的信號交互，通過測量時間差測算距離，結合三角定位算法實現定位。例如，當距離檢測模塊檢測到無人機與精確停落區域距離小于十米時，飛行控制系統打開超聲波定位系統，超聲波發射器按照直角方位設置，控制器通過無線通信模塊將測算距離上傳給飛行控制系統，進而調整飛行姿態。

3、然而，現有技術在實際應用中暴露出以下問題：1、gps定位系統雖然能在開闊空間實現較為準確的定位，但受衛星信號傳播特性影響，在諸如城市高樓峽谷、茂密森林以及室內等信號易受遮擋或干擾的環境中，定位精度會大幅下降，甚至出現信號丟失的情況，導致無人機無法準確確定自身位置，嚴重影響任務執行；2、以超聲波定位系統而言，其作用范圍相對有限，一般適用于短距離、小范圍的精確停落定位。并且，超聲波信號在傳播過程中容易受到環境因素的干擾，如空氣流動、溫度變化、濕度波動等，這些因素會改變聲波的傳播速度和方向，進而導致測量距離出現偏差，使得定位精度難以保證；3、現有定位系統往往僅依賴單一技術或簡單的技術組合，缺乏對復雜環境和多樣化任務需求的全面考量與自適應能力。例如，在面臨復雜的多源數據融合、動態環境變化以及高精度目標定位等實際場景時，現有技術難以滿足高效、準確、可靠的定位需求。

4、所以需要一種融合多模型卡爾曼濾波與深度學習的無人機紅外目標定位系統來解決上述問題。

技術實現思路

1、解決的技術問題

2、針對現有技術的不足，本發明提供了一種融合多模型卡爾曼濾波與深度學習的無人機紅外目標定位系統，解決了以上背景技術中所提到的問題。

3、技術方案

4、為實現以上目的，本發明通過以下技術方案予以實現：一種融合多模型卡爾曼濾波與深度學習的無人機紅外目標定位系統，包括主體系統，所述主體系統中包含有數據采集模塊、多源數據融合模塊、特征提取強化模塊、動態模型優化模塊、目標狀態估計模塊、定位解算模塊和飛行決策規劃模塊，所述數據采集模塊部署高分辨率紅外傳感器，精準捕捉目標紅外輻射信息，同時集成高清視覺相機與高精度激光雷達，全方位采集環境數據，采用基于模糊邏輯、粒子群優化和自適應閾值的自適應采樣策略，根據環境復雜度與目標運動狀態，動態調整傳感器的采樣頻率與分辨率；其中模糊邏輯用于評估環境復雜度和目標運動狀態的模糊程度，粒子群優化用于在多種可能的采樣參數組合中尋找最優解，自適應閾值則根據數據的變化率動態調整采樣的觸發條件，在保證數據質量的同時，降低數據冗余與處理負擔，確保數據的豐富性與完整性。

5、優選的，所述多源數據融合模塊運用融合了生物神經元協同機制、張量分解和深度學習注意力機制的自適應融合算法，模擬神經元間的信息交互與整合，對紅外、視覺、激光雷達數據進行特征編碼，其中張量分解將多源數據從高維空間分解為低維子空間，提取數據的核心特征，所述深度學習注意力機制則根據環境的動態變化，通過競爭學習與協同反饋，動態調整各傳感器數據權重，實現多源數據的深度融合，為后續處理提供高質量的數據基礎，同時引入跨模態一致性約束，通過構建基于wasserstein距離、余弦相似度和互信息的跨模態相似性度量函數，確保各種模態數據在融合過程中保持信息的一致性與互補性；

6、所述特征提取強化模塊采用融合量子增強、生成對抗網絡和殘差網絡的卷積神經網絡架構，利用量子態的疊加與糾纏特性，加速特征提取過程，所述生成對抗網絡中的生成器生成模擬的特征數據，判別器區分真實與模擬特征，通過對抗訓練挖掘更具代表性的特征，所述殘差網絡則通過跳躍連接，解決深度網絡中的梯度消失問題，增強網絡對復雜特征的提取能力，結合注意力機制與改進的空洞卷積技術，聚焦目標關鍵特征，擴大感受野，增強對復雜場景下目標特征的提取能力；

7、所述動態模型優化模塊引入基于生成對抗網絡(gan)、遷移學習和遺傳算法的模型優化策略，其中生成器生成模擬的目標及場景數據，判別器區分真實與模擬數據，通過對抗訓練提升模型的泛化能力，所述遷移學習將在相似場景下訓練的模型知識遷移過來，加速模型在新場景下的收斂速度，所述遺傳算法通過對模型的結構和參數進行編碼、選擇、交叉和變異操作，在模型空間中搜索最優的模型配置，實現模型的快速優化與自適應調整；

8、所述目標狀態估計模塊運用融合強化學習、自適應卡爾曼濾波和粒子濾波的算法，將目標狀態估計問題建模為馬爾可夫決策過程，通過針對無人機目標定位場景的獎勵函數，引導智能體學習最優的狀態估計策略，所述自適應卡爾曼濾波根據目標運動的快速變化與復雜環境噪聲干擾，動態調整濾波參數，所述粒子濾波則通過大量粒子的采樣和權重更新，對目標狀態進行估計；

9、所述定位解算模塊基于多視角數據融合與改進的三角測量原理，結合無人機實時姿態信息，融合了動態坐標變換、誤差補償和最小二乘法擬合的機制，通過實時監測無人機的飛行姿態與環境參數變化，對定位過程中的坐標系統進行動態調整，并對測量誤差進行在線補償，所述最小二乘法擬合用于在多組測量數據中尋找最優的定位解，實時適應無人機的飛行姿態變化與環境動態干擾，實現對目標的高精度三維定位；

10、所述飛行決策規劃模塊采用基于深度強化學習、蟻群算法和a算法的雙深度q網絡架構，結合經驗回放與優先經驗回放機制，有效減少q值估計的過擬合問題，加速學習過程，所述深度強化學習會學習最優飛行策略，其中蟻群算法通過模擬螞蟻覓食過程中的信息素傳遞，在路徑搜索空間中尋找潛在的最優路徑，所述a算法則利用啟發式函數，快速搜索到從當前位置到目標位置的最優路徑，同時考慮無人機的能量消耗、飛行安全約束以及環境動態因素，實時規劃最優飛行軌跡。確保無人機在高效追蹤目標的同時，實現長續航與安全飛行。

11、優選的，所述多源數據融合模塊中，基于生物神經元協同機制、張量分解和深度學習注意力機制的自適應融合算法，通過構建神經元連接權重矩陣，模擬神經元間的興奮與抑制關系，并結合張量分解后的低維特征表示和注意力機制的權重分配，實現對傳感器數據的高效融合，提升系統對復雜多變環境的適應能力與目標感知的準確性。

12、優選的，所述特征提取強化模塊中量子比特的并行計算能力在卷積核的參數更新過程中，同時探索最優解方向，生成對抗網絡的對抗訓練機制促使網絡挖掘代表性特征，其中殘差網絡的跳躍連接保證了網絡對深層次特征的有效提取，加速模型收斂。且能夠挖掘出傳統方法難以發現的深層次目標特征。

13、優選的，所述動態模型優化模塊中，生成對抗網絡通過對抗訓練，使生成器生成的數據分布與真實數據分布逐漸逼近，所述遷移學習通過源域與目標域之間的特征映射與知識遷移，減少模型在新場景下的訓練時間與樣本需求，所述遺傳算法通過對模型結構和參數的優化搜索，進一步提升模型的性能和適應性。

14、優選的，所述目標狀態估計模塊在目標運動模式與環境噪聲條件下，強化學習引導智能體選擇最優的估計策略，自適應卡爾曼濾波快速調整濾波參數，其中粒子濾波通過粒子采樣和權重更新提高估計精度，使估計誤差保持在小范圍內。有效提高目標狀態估計的穩定性與可靠性。

15、優選的，所述飛行決策規劃模塊在考慮無人機能量消耗時，通過建立能量模型，將飛行速度、高度、姿態這些因素與能量消耗相關聯，利用深度強化學習、蟻群算法和a算法在規劃飛行軌跡時，優先選擇能量消耗低的路徑，在考慮飛行安全約束時，結合環境感知數據，避開障礙物與危險區域，確保無人機飛行安全。

16、優選的，所述數據采集模塊在采集數據時，根據環境復雜度與目標運動狀態的實時變化，動態且智能地調整傳感器的采樣頻率與分辨率，在保證數據質量的同時，最大程度降低數據冗余與處理負擔。

17、優選的，所述多源數據融合模塊在數據融合過程中，引入的基于wasserstein距離、余弦相似度和互信息的跨模態相似性度量函數，從各種角度衡量不同模態數據之間的相似性和互補性，確保不同模態數據在融合過程中保持信息的高度一致性與互補性，進一步提高融合數據的質量與可靠性。

18、這里所涉及的不同模態數據，具體包括紅外傳感器采集的紅外輻射數據，其能反映目標的熱特征分布，對識別目標的發熱部位、溫度差異等具有關鍵作用；高清視覺相機獲取的可見光圖像數據，可呈現目標的形狀、顏色、紋理等外觀特征，有助于從視覺角度識別目標的類別與細節；高精度激光雷達采集的距離數據，能夠構建目標及其周圍環境的三維空間結構信息，精確描繪目標的位置與周邊物體的相對距離。

19、該模塊通過模擬神經元間的信息交互與整合，對上述不同模態數據進行特征編碼。張量分解用于將多源數據從高維空間分解為低維子空間，提取數據的核心特征。深度學習注意力機制則根據環境的動態變化，如天氣變化、光照改變、目標進入不同場景等，通過競爭學習與協同反饋，動態調整各傳感器數據權重，實現多源數據的深度融合，為后續處理提供高質量的數據基礎。

20、同時，引入跨模態一致性約束，通過構建基于wasserstein距離、余弦相似度和互信息的跨模態相似性度量函數，確保不同模態數據在融合過程中保持信息的一致性與互補性。具體而言，wasserstein距離用于衡量不同模態數據分布之間的差異，以保證數據在整體分布上的一致性；余弦相似度從向量夾角的角度，衡量不同模態特征向量之間的相似程度，捕捉特征的相似性；互信息則評估不同模態數據之間的信息共享程度，突出數據的互補性。

21、有益效果

22、本發明提供了一種融合多模型卡爾曼濾波與深度學習的無人機紅外目標定位系統。具備以下有益效果：

23、1、本發明的數據采集模塊通過采用基于模糊邏輯、粒子群優化和自適應閾值的自適應采樣策略，能夠依據環境復雜度與目標運動狀態的實時變化，動態且智能地調整傳感器的采樣頻率與分辨率。這種方式有效避免了數據冗余，在保證數據質量的同時，極大地減輕了后續處理的負擔。多源數據融合模塊運用融合生物神經元協同機制、張量分解和深度學習注意力機制的自適應融合算法，不僅能對紅外、視覺、激光雷達等不同模態數據進行高效特征編碼，還能通過張量分解提取核心特征，結合深度學習注意力機制動態調整數據權重，實現深度融合。同時，引入基于wasserstein距離、余弦相似度和互信息的跨模態相似性度量函數，確保了不同模態數據在融合過程中的高度一致性與互補性，為后續模塊提供了高質量的數據基礎，顯著提升了整個系統對目標和環境信息獲取與處理的準確性和高效性。

24、2、本發明中的特征提取強化模塊采用融合量子增強、生成對抗網絡和殘差網絡的卷積神經網絡架構，展現出獨特優勢。量子增強利用量子態的疊加與糾纏特性，在卷積核參數更新時加速特征提取過程。生成對抗網絡通過生成器與判別器的對抗訓練，挖掘出更具代表性的特征，而殘差網絡的跳躍連接解決了深度網絡梯度消失問題，增強了對復雜特征的提取能力。結合注意力機制與改進的空洞卷積技術，進一步聚焦目標關鍵特征，擴大感受野。動態模型優化模塊引入基于生成對抗網絡、遷移學習和遺傳算法的優化策略，生成對抗網絡提升模型泛化能力，遷移學習加速新場景下模型收斂，遺傳算法搜索最優模型配置，實現模型的快速優化與自適應調整。這些模塊協同作用，使系統能夠精準提取目標深層次特征，快速適應不同場景，顯著提升了模型的整體性能與適應性。

25、3、本發明中的目標狀態估計模塊運用融合強化學習、自適應卡爾曼濾波和粒子濾波的算法，將目標狀態估計問題建模為馬爾可夫決策過程，通過特定獎勵函數引導智能體學習最優估計策略。自適應卡爾曼濾波能根據目標運動變化和環境噪聲干擾動態調整濾波參數，粒子濾波通過粒子采樣和權重更新提高估計精度，有效提高了目標狀態估計的穩定性與可靠性，使估計誤差保持在極小范圍內。定位解算模塊基于多視角數據融合與改進的三角測量原理，結合無人機實時姿態信息，利用動態坐標變換、誤差補償和最小二乘法擬合機制，實時適應無人機飛行姿態變化與環境動態干擾，實現對目標的高精度三維定位。這種高精度的目標狀態估計與定位能力，使得系統在復雜環境下也能準確鎖定目標位置，為后續飛行決策提供可靠依據。

26、4、本發明中的飛行決策規劃模塊采用基于深度強化學習、蟻群算法和a算法的雙深度q網絡架構，結合經驗回放與優先經驗回放機制，有效減少q值估計的過擬合問題，加速學習過程，深度強化學習學習最優飛行策略，蟻群算法和a算法分別通過模擬螞蟻覓食信息素傳遞和利用啟發式函數，在路徑搜索空間中尋找潛在最優路徑。同時，考慮無人機的能量消耗、飛行安全約束以及環境動態因素，通過建立能量模型關聯飛行參數與能量消耗，規劃飛行軌跡時優先選擇低能耗路徑，并結合環境感知數據避開障礙物與危險區域。這使得無人機在飛行過程中能夠智能規劃最優軌跡，在高效追蹤目標的同時，實現長續航與安全飛行，大大提高了系統的實用性和可靠性。