Trajectory Optimization in Single and Dual-UAV Bearing-Only Target Localization

📄 arXiv: 2606.09188v1 📥 PDF

作者: Zhijian Xiao, Huayu Huang, Bin Li, Yang Shang, Banglei Guan

分类: cs.RO, cs.CV

发布日期: 2026-06-08

备注: 16 pages, 13 figures and 6 tables. Submitted to Measurement

💡 一句话要点

提出基于FIM的轨迹优化方法以解决无人机目标定位问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 无人机技术 目标定位 轨迹优化 费舍尔信息矩阵 粒子群优化 三角测量 光学测量

📋 核心要点

  1. 现有的基于方位角的目标定位方法在轨迹规划上存在不足，导致定位精度受限，尤其是在退化配置下表现不佳。
  2. 本文提出了一种基于费舍尔信息矩阵的轨迹优化方法，动态整合几何配置与无人机机动性，以提高目标定位精度。
  3. 仿真结果显示，所提方法在单无人机场景中将中位定位误差降低了99.21%，在双无人机配置中提升了69.70%的定位性能。

📝 摘要（中文）

本文针对光学测量中的目标定位问题，提出了一种无人机（UAV）轨迹优化方法，旨在提高基于方位角的目标定位精度。通过利用费舍尔信息矩阵（FIM），该方法动态整合几何配置与飞行器机动性，提出了一种谱加权FIM目标函数，以改善在退化配置附近的梯度动态。此外，对于双无人机场景，引入了交点角正弦项以优化三角测量几何，防止轨迹聚集。改进的粒子群优化（PSO）算法确保了轨迹的物理可行性，并增强了与目标函数的兼容性。仿真结果表明，该方法在单无人机场景中将中位定位误差降低了99.21%，在双无人机配置中提高了69.70%的定位精度。

🔬 方法详解

问题定义：本文旨在解决基于方位角的目标定位中，现有轨迹规划方法在退化配置下导致的定位精度不足的问题。传统方法在几何配置不佳时，难以有效提升定位性能。

核心思路：通过引入费舍尔信息矩阵（FIM），动态优化无人机的轨迹，结合几何配置与机动性，以改善目标定位的准确性。特别是，设计了一种谱加权FIM目标函数，以便在不良观测条件下快速逃离。

技术框架：整体方法包括轨迹优化模块、FIM计算模块和粒子群优化模块。首先计算当前几何配置的FIM，然后通过谱加权目标函数进行轨迹优化，最后利用改进的粒子群优化算法确保轨迹的可行性。

关键创新：引入谱加权FIM目标函数和交点角正弦项是本文的主要创新，前者改善了在退化配置下的梯度动态，后者优化了双无人机的三角测量几何，防止轨迹聚集。

关键设计：改进的粒子群优化算法中，加入了运动模型约束和粒子归一化，确保了轨迹的物理可行性，并增强了与目标函数的兼容性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提方法在单无人机场景中将中位定位误差降低了99.21%，在双无人机配置中提升了69.70%的定位精度，显著优于传统的基于FIM的方法，展示了在长时间目标定位中的卓越性能。

🎯 应用场景

该研究在无人机技术中具有广泛的应用潜力，尤其是在军事侦察、环境监测和灾害救援等领域。通过提高目标定位精度，能够有效提升无人机在复杂环境中的自主导航和任务执行能力，未来可能推动无人机技术的进一步发展与应用。

📄 摘要（原文）

Bearing-only target localization is a fundamental problem in optical measurement and finds extensive applications in unmanned aerial vehicle (UAV) technology. Effective trajectory planning establishes favorable observation geometries, thereby enhancing the target localization accuracy of bearing-only UAV systems. This paper proposes an trajectory optimization method for unmanned aerial vehicles (UAVs) in bearing-only target localization scenarios. By leveraging the Fisher Information Matrix (FIM), the proposed approach dynamically integrates the geometric configuration and vehicle maneuverability into the optimization framework. Specifically, we introduce a spectrally-weighted FIM objective function that provides better gradient dynamics near degenerate configurations, enabling the planner to rapidly escape from poor observation conditions. For dual-UAV scenarios, an intersection angle sine term is introduced to optimize triangulation geometry by improving the sight-line intersection angle, thereby preventing trajectory aggregation. Furthermore, we propose an improved Particle Swarm Optimization (PSO) algorithm with motion model constraints and particle normalization to ensure the physical feasibility of the trajectory and enhance the compatibility with the objective functions. Simulation results demonstrate that the proposed method reduces the median localization error by 99.21% compared to conventional FIM-based approaches in single-UAV scenarios, and achieves a 69.70% improvement for dual-UAV configurations, exhibits superior performance in long-duration bearing-only target localization of maneuverability targets at extended ranges.