一种基于CKF的非线性异步多传感器信息融合方法技术

本发明专利技术公开了一种基于CKF的非线性异步多传感器信息融合方法。分别对各个传感器分别利用CKF估计出各自的状态变量，然后采用细分时间片方法将信息融合中心的时间间隔设定为各传感器间最高精度时间单位，在相应时刻对异步多传感器的估计结果进行判断和融合，得到更加精确的状态变量估计结果。本发明专利技术可以增强对异步多传感器信息的利用率，大幅提高多传感器系统中状态变量的估计精度，增强系统的生存能力。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种基于CKF的非线性异步多传感器信息融合方法。分别对各个传感器分别利用CKF估计出各自的状态变量，然后采用细分时间片方法将信息融合中心的时间间隔设定为各传感器间最高精度时间单位，在相应时刻对异步多传感器的估计结果进行判断和融合，得到更加精确的状态变量估计结果。本专利技术可以增强对异步多传感器信息的利用率，大幅提高多传感器系统中状态变量的估计精度，增强系统的生存能力。【专利说明】一种基于CKF的非线性异步多传感器信息融合方法
本专利技术涉及的是一种非线性系统中多传感器信息融合技术，特别是涉及一种在多传感器异步情况下的信息融合方法。
技术介绍
由于多传感器信息融合技术在军事、国防及高科技领域的广泛应用，对它的研究一直未曾间断。在多传感器信息融合理论中，利用多个传感器量测中的冗余和互补信息，通过多源信息融合技术可以有效的提升系统精度。但在解决实际问题过程中，常遇到所用传感器具有不同的采样频率，各传感器之间存在通信延迟和固有延迟不同等问题，统称为信息融合的异步问题。若不能有效地解决异步信息融合问题，提高系统精度的目标很难实现。因此，对传感器异步信息融合问题的研究有较大的工程价值和实际意义。尽管大多数传感器被假设成线性的，但是它们基本上或多或少都会有非线性特征，所以将系统近似为线性必然会产生误差，所以多传感器信息融合系统中状态估计应该选取具有非线性处理能力的滤波器。对于非线性系统来说，通常使用的滤波方法为扩展卡尔曼和无迹卡尔曼滤波方法。虽然EKF实现简便、使用广泛，但是当系统为强非线性时，很容易产生线性化误差，造成滤波器精度下降。虽然UKF滤波精度高于EKF，但是当处理高维数系统时容易出现“维数灾难”。最近提出的容积卡尔曼滤波(Cubature Kalman filter,CKF)由于其估计精度高，不容易发散且计算量小的优点，迅速被应用到各种领域。因此本文研究的是基于CKF的非线性异步信息融合方法。
技术实现思路
本专利技术的目的是提供可以在非线性系统中多传感器异步情况下大幅提高系统状态变量估计精度的一种基于CKF的异步多传感器信息融合方法。本专利技术的目的是这样是实现的:(I)对多传感器系统进行充分预热，并采集各个传感器的量测信息Zi CO，其中i=1,2,…，N(N为传感器的个数)，ki为第i个传感器的采样时刻。(2)建立非线性异步多传感器系统的非线性状态方程及各传感器的量测方程。(3)采用细分时间片方法，将融合中心的采样间隔设定为各传感器间最高精度时间单位，即取能同时被各传感器采样间隔整除的最大数为融合中心的采样间隔。设任意两传感器的采样时间分别为Ti, Tj (i，j = 1,2,…，N，且i古j)，N为传感器的总个数。且有:【权利要求】1.一种基于CKF的非线性异步多传感器信息融合新方法，其特征是: (1)对多传感器系统进行预热，并采集各个传感器的量测信息； (2)建立非线性异步多传感器系统的非线性状态方程和量测方程； (3)采用细分时间片方法，将融合中心的采样间隔设定为各传感器间最高精度时间单位，即取能同时被各传感器采样间隔整除的最大数为融合中心的采样间隔； 设任意两传感器的采样时间分别为= 1,2,…，N，且i古j)，N为传感器的总个数；且有: 【文档编号】G06F17/50GK103455675SQ201310397651【公开日】2013年12月18日 申请日期:2013年9月4日 优先权日:2013年9月4日 【专利技术者】高伟, 张亚, 孙骞, 石惠文, 周广涛, 徐博, 鲍桂清, 史宏洋, 阮双双, 赵维珩 申请人:哈尔滨工程大学本文档来自技高网...

【技术保护点】
一种基于CKF的非线性异步多传感器信息融合新方法，其特征是：(1)对多传感器系统进行预热，并采集各个传感器的量测信息；(2)建立非线性异步多传感器系统的非线性状态方程和量测方程；(3)采用细分时间片方法，将融合中心的采样间隔设定为各传感器间最高精度时间单位，即取能同时被各传感器采样间隔整除的最大数为融合中心的采样间隔；设任意两传感器的采样时间分别为Ti，Tj(i，j＝1，2，…，N，且i≠j)，N为传感器的总个数；且有：则融合中心的采样间隔为：ΔT=min{ΔTi=TiNi|i=1,2,···,N}(4)根据异步多传感器系统融合中心的采样时刻，在融合中心对各传感器的估计状态进行判断融合：a)k时刻，仅有一个传感器S有量测信息时，利用CKF对该传感器进行状态估计，得到该传感器的状态变量估计值和协方差阵PS(k)，则系统的最优状态估计即为该传感器的状态变量估计值：x^(k)=x^S(k)---(1)b)k时刻，有m(m∈{2，3，…，N}，其中N为传感器的个数)个传感器S1，S2，…，Sm有量测信息时，利用CKF对这些传感器分别进行滤波估计，得到各传感器的状态变量估计值和协方差阵P1(k)，P2(k)，…，Pm(k)；然后对各个传感器的估计值进行加权处理，融合后系统的状态变量估计值为：x^(k)=D1x^1(k)+D2x^2(k)+···+Dmx^m(k)---(2)其中，D1，D2，…，Dm为相应传感器状态变量估计的权值。D1，D2，…，Dm可由式(3)～(5)获得：D1=S1Φ(k+1,k)D2=S2Φ(k+1,k)...Dm=SmΦ(k+1,k)---(3)S1=(I+Σi=2m-1(A1Ai-1)+A1Am-1)-1S2=S1A1A2-1...Sm=S1A1Am-1---(4)A1=P1(k)+P1T(k)A2=P2(k)+P2T(k)...Am=Pm(k)+PmT(k)---(5)其中，Φ(k+1，k)为异步多传感器系统中k时刻的状态转移矩阵，Pm(k)为异步多传感器系统中第m个传感器在k时刻的方差阵的估计值；c)k时刻，各传感器均没有量测信息时，便利用前一时刻的估计值进行时间更新；x^(k)=x^(k|k-1)---(6).FDA0000376951360000011.jpg,FDA0000376951360000013.jpg,FDA0000376951360000015.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：高伟，张亚，孙骞，石惠文，周广涛，徐博，鲍桂清，史宏洋，阮双双，赵维珩，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：