基于多模型航迹质量的异步融合方法技术

技术编号:9957071 阅读:88 留言:0更新日期:2014-04-23 17:16
本发明专利技术公开了一种基于多模型航迹质量的异步融合方法,具体基于Kalman滤波航迹质量,提出多模型航迹质量的概念,并在系统中引入反馈机制,给出了一种带信息反馈的异步多传感器航迹融合方法,该方法把全局状态估计的一步预测反馈到局部传感器,局部传感器基于该反馈信息得到所有采样点多模型航迹质量,并根据各点的多模型航迹质量分配权值,提高了局部传感器在融合时刻等效观测值的精度,从而提高全局状态估计的性能。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种,具体基于Kalman滤波航迹质量,提出多模型航迹质量的概念,并在系统中引入反馈机制,给出了一种带信息反馈的异步多传感器航迹融合方法,该方法把全局状态估计的一步预测反馈到局部传感器,局部传感器基于该反馈信息得到所有采样点多模型航迹质量,并根据各点的多模型航迹质量分配权值,提高了局部传感器在融合时刻等效观测值的精度,从而提高全局状态估计的性能。【专利说明】
本专利技术属于信号处理
,具体涉及一种应用于传感器采样周期随机变化场景中的。
技术介绍
由于多传感器的采样速率各异、通信延迟以及目标时而离开传感器观测区域,观测数据的时间间隔无规律变化,此类观测数据不同步问题大大降低了多传感器系统的跟踪精度,因此,研究多传感器异步融合比研究同步数据融合更具实际意义。通常,异步航迹融合问题主要分为两大类,第一类是各传感器具有不同且固定的采样周期;第二类是各传感器提供目标信息的时间间隔无规律变化,即传感器没有固定的采样间隔。由于传感器自身的局限性,目标信息的起始时刻可能不同,使得第一类问题又可分为不同采样周期下起始时刻相同和不同采样周期下起始时刻不同两种情况。这两种情况均可通过航迹预处理实现传感器目标信息的同步,然后利用同步航迹融合算法进行跟踪。然而,预处理过程会导致误差增大,使得融合后数据可靠性降低。因此如何直接对多传感器异步情况下提供的信息进行融合处理,完成多传感器异步航迹融合,是实际工程中亟待解决的问题。为此现有技术提出了 一系列异步航迹融合算法。一些异步融合算法将常用的数据配准方法引入到融合算法中实现融合前异步数据的同步化,如最小二乘、内插、外推等,还有一部分算法则将接收到的异步数据按时间先后顺序依次处理并选择一定的融合处理方式进行异步数据融合,如误差协方差矩阵迹最小原则下的融合算法、基于信息矩阵的异步航迹融合算法、基于等价伪测量的异步融合算法、最优顺序融合算法和异步多传感器系统的分步式预测融合(Step by Step Prediction Fusion based on AsynchronousMult1-sensor System, SSPFA)算法等。但上述这些算法基本上都能够解决第一类异步问题,对于第二类问题的解决存在一定的局限性。其中,SSPFA算法主要利用多传感器在某一融合周期内的所有观测信息进行滤波估计,以便求得各传感器在融合周期内最后一个观测时刻的局部状态估计及相应的误差协方差,然后立即进行该时刻到融合时刻处的状态预测,并最终根据各个传感器预测值获取的先后顺序,依据融合误差协方差矩阵迹最小的原则进行传感器预测信息的顺序加权,最终实现多传感器的异步融合。基于分步式预测的异步多传感器航迹融合(Track-to-Track Fusion forAsynchronous Mult1-sensor based on Step by Step Prediction, TFASP)算法利用多传感器的局部状态估计,对融合周期内的采样值一步预测到融合时刻,然后对同一传感器在融合时刻的预测值进行加权融合,将融合值作为该融合时刻传感器的等效观测信息,最后利用分步式滤波融合实现异步多传感器的全局融合。局部传感器加权融合作为分步式滤波融合的输入值,决定了算法的跟踪性能,然而局部传感器加权融合的权值决定于传感器的观测精度及预测误差,和采样时刻与融合时刻的时间差并无直接关系。TFAFP算法由采样时刻与融合时刻的时间差决定权值的大小,局部传感器状态估计误差较大,从而降低整个系统的跟踪精度,并且整个系统没有反馈机制,这两方面的问题使TFASP算法存在一些不足。
技术实现思路
本专利技术的目的是为了解决现有的异步航迹融合算法存在的上述问题,提出了一种。本专利技术的技术方案为:一种,具体包括如下步骤:S1.获取某一融合周期内各传感器的局部状态估计信息,其中,传感器i在各自采样时刻的局部状态估计信息为iI(~Ui,,),-他,ID’…,(/ = 1,2,...,Λθ,Mi是传感器i在融合周期内采样点的数目;S2.通过滤波预测获取各传感器在融合时刻tk处的预测值,其中,传感器在融合时刻 tk 处的预测值 Z1Uk It1J, Z2UkIt2J),…,z,(tk 1?,);S3.对传感器i的所有预测值进行加权融合,得到传感器i在融合时刻的观测信息ZiGO ;S4.利用各传感器融合时刻处的观测信息ZiGO完成分步式滤波融合过程,最终得到基于全局系统的融合估计,实现异步多传感器的融合跟踪。进一步的,步骤S2具体所述的滤波预测具体采用多模型预测。更进一步的,所述的多模型预测的具体过程如下:搜索融合周期内第i个传感器的所有采样点,...,&,,,],然后基于三个模型进行一步预测,将各采样点的信息预测到融合时刻tk,具体如下:计算时间差,即有Δ tjytk-tjj, j=l, 2,…Mi,其中,tj,i时刻对应的传感器局部状态估计及其误差协方差分别为Pia^lqi),依据时间差Atli,利用I丽滤波思想可求出相应的状态转移矩阵=,进而计算出模型I对应的观测预测值:Z1AtlAD = H1,[kXitJ.1,(t,AU/ = 1,2,3,其中,次㈨为传感器i第I个模型的观测矩阵;基于模型I的观测预测值卞,,,),可以求出多模型预测值z, It,,,) = YjzIih ItJj)-11', {k),其中,u<为tk时刻传感器i第I个模型的可能性。进一步的,步骤S3还 包括利用V1时刻系统状态估计对传感器i在融合时刻的观测信息ZiGO进行一步预测,具体过程如下:对L时刻系统状态向量及其协方差分别为:Jtf (k\k-1) = YjX1(^k-1).U1 [k) I=I尸(作一I)=言V ⑷.卜(k 卜 I)+.其中,U1(k)为tk时刻系统第I个模型的可能性,为V1时刻系统航迹基于模型I的一步预测值及其误差协方差,其表达式如下:【权利要求】1.一种,具体包括如下步骤: 51.获取某一融合周期内各传感器的局部状态估计信息,其中,传感器i在各自采样时亥1J的局部状态估计信息为 Pu),-?(,2,,.1,2,,),…,.?,(Λ/?, Itu,,,) (/ = l,2,_",iv ),Mi 是传感器i在融合周期内采样点的数目; 52.通过滤波预测获取各传感器在融合时刻tk处的预测值,其中,传感器在融合时刻tk处的预测值 Z1 (tk| t1;i), Z2(tk| t2;i),...,; 53.对传感器i的所有预测值进行加权融合,得到传感器i在融合时刻的观测信息ZiGO ; 54.利用各传感器融合时刻处的观测信息ZiGO完成分步式滤波融合过程,最终得到基于全局系统的融合估计,实现异步多传感器的融合跟踪。2.根据权利要求1所述的,其特征在于,步骤S2具体所述的滤波预测具体采用多模型预测。3.根据权利要求2所述的,其特征在于,所述的多模型预测的具体过程如下:搜索融合周期内第i个传感器的所有采样点[仏,匕,...&」,然后基于三个模型进行一步预测,将各采样点的信息预测到融合时刻tk,具体如下: 计算时间差,即有j=l,2,…Mi,其中,tJ;i时刻对应的传感器局部状态估计及其误差协方差本文档来自技高网
...

【技术保护点】
一种基于多模型航迹质量的异步融合方法,具体包括如下步骤:S1.获取某一融合周期内各传感器的局部状态估计信息,其中,传感器i在各自采样时刻的局部状态估计信息为x^1(t1,i|t1,i),x^2(t2,i|t2,i),...,x^i(tMi,i|tMi,i)(i=1,2,...,N),]]>Mi是传感器i在融合周期内采样点的数目;S2.通过滤波预测获取各传感器在融合时刻tk处的预测值,其中,传感器在融合时刻tk处的预测值Z1(tk|t1,i),Z2(tk|t2,i),…,S3.对传感器i的所有预测值进行加权融合,得到传感器i在融合时刻的观测信息Zi(k);S4.利用各传感器融合时刻处的观测信息Zi(k)完成分步式滤波融合过程,最终得到基于全局系统的融合估计,实现异步多传感器的融合跟踪。

【技术特征摘要】

【专利技术属性】
技术研发人员:张可王泽阳张伟程辰贺颖张超然王一茗曾庆瑾陈龙
申请(专利权)人:电子科技大学
类型:发明
国别省市:四川;51

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1