一种基于数据融合的自适应卡尔曼噪声估计方法及系统技术方案

本发明专利技术涉及一种基于数据融合的自适应卡尔曼噪声估计方法及系统，包括利用多个传感器跟踪动态目标，获取每个传感器的观测值；基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；以此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；基于多个传感器的融合观测值得到过程噪声协方差矩阵估计值和测量噪声协方差估计值。本发明专利技术通过对多个传感器得到的测量序列进行数据融合以提到测量数据的精确度，解决卡尔曼模型噪声统计特性中二阶矩未知的滤波问题。统计特性中二阶矩未知的滤波问题。统计特性中二阶矩未知的滤波问题。

【技术实现步骤摘要】
一种基于数据融合的自适应卡尔曼噪声估计方法及系统


[0001]本专利技术属于噪声估计
，具体涉及一种基于数据融合的自适应卡尔曼噪声估计方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]随着先进导航技术的迅速发展和低成本传感器的大量部署，KF已经成为机器人定位、组合导航和网络换向等多传感器融合集成中最重要的估计技术。在获得过程噪声和测量噪声的准确统计信息时，经典或标准的KF是最优的。然而，由于噪声依赖于环境以及系统动力学的不确定性等因素，在实际应用场景中，KF的约束条件太强，不能总是满足实际需要。过程噪声中的不确定性对KF有重要影响，甚至会导致滤波器发散。为了降低不准确统计信息带来的影响，各种KF的扩展研究相继出现并取得良好的成果。
[0004]一般来说，KF可以看作是一种基于模型用于递归估计状态均值向量和协方差矩阵的算法。KF获取卡尔曼增益矩阵的过程完全不受测量更新过程中任何信息的影响，这表明卡尔曼增益矩阵的更新独立于测量更新过程，但在实际应用中由于受到噪声统计特性中二阶矩未知的影响，KF的准确性还有待商榷。为了解决这一问题，现有技术提出了一种基于测量序列自适应估计过程噪声协方差矩阵和用新息序列自适应估计测量噪声协方差矩阵的自适应卡尔曼算法(Measurement Sequence Adaptive KF，MSAKF)。该算法分别通过测量序列和新息序列的信息计算过程噪声协方差矩阵的估计值和测量噪声协方差矩阵的估计值。r/>[0005]而在用测量序列信息获取过程噪声协方差矩阵的过程中，MSAKF测量序列的准确性并没有得到很好的保证。

技术实现思路

[0006]为了解决上述问题，本专利技术提出了一种基于数据融合的自适应卡尔曼噪声估计方法及系统，本专利技术解决传统卡尔曼模型噪声统计特性中二阶矩未知的滤波问题。为了获得满意的最优估计结果，算法分别通过测量融合序列和新息序列获得过程噪声协方差和测量噪声协方差的估计值。
[0007]根据一些实施例，本专利技术的第一方案提供了一种基于数据融合的自适应卡尔曼噪声估计方法，采用如下技术方案：
[0008]一种基于数据融合的自适应卡尔曼噪声估计方法，包括：
[0009]利用多个传感器跟踪动态目标，获取每个传感器的观测值；
[0010]基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；
[0011]通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；
[0012]依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
[0013]基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
[0014]根据一些实施例，本专利技术的第二方案提供了一种基于数据融合的自适应卡尔曼噪声估计系统，采用如下技术方案：
[0015]一种基于数据融合的自适应卡尔曼噪声估计系统，包括：
[0016]数据获取模块，被配置为利用多个传感器跟踪动态目标，获取每个传感器的观测值；
[0017]数据融合模块，被配置为基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
[0018]噪声估计模块，被配置为基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
[0019]根据一些实施例，本专利技术的第三方案提供了一种计算机可读存储介质。
[0020]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
[0021]根据一些实施例，本专利技术的第四方案提供了一种计算机设备。
[0022]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
[0023]与现有技术相比，本专利技术的有益效果为：
[0024]本专利技术对多个传感器得到的测量序列进行数据融合可以提高测量数据的精确度，分别通过测量融合序列和新息序列获得过程噪声协方差和测量噪声协方差的估计值，解决卡尔曼模型噪声统计特性中二阶矩未知的滤波问题。
附图说明
[0025]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0026]图1是本专利技术实施例所述的方法的流程图；
[0027]图2是本专利技术实施例中分别用MSAKF,LKF和MFSAKF滤波算法估计X
1,k
的示意图；
[0028]图3是图2中横坐标[4.1
‑
5]放大示意图；
[0029]图4是图2中横坐标[7.3
‑
7.75]放大示意图；
[0030]图5是本专利技术实施例中分别用MSAKF,LKF和MSFAKF滤波算法估计的RMSE示意图。
具体实施方式
[0031]下面结合附图与实施例对本专利技术作进一步说明。
[0032]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0033]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0034]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0035]实施例一
[0036]如图1所示，本实施例提供了一种基于数据融合的自适应卡尔曼噪声估计方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本专利技术在此不做限制。本实施例中，该方法包括以下步骤：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，包括：利用多个传感器跟踪动态目标，获取每个传感器的观测值；基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。2.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据，具体为：其中，为数据L的估计值，L1,L2分别为数据L在同一时刻用两个传感器测得的值；M＝1/k，k为观测值的数量。3.如权利要求2所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，第一融合数据的方差为：其中，为的标准差，σ1,σ2分别为前两个传感器测得的测量值的标准差。4.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，所述得到多个传感器的融合观测值，具体为：其中，是第s个传感器在k时刻测得的第t个分量；表示第p+1个传感器与第p
‑
1次数据融合后的传感器在第k时刻第v个分量的差值；σ
j
表示第j个传感器的测量方差；σ
(j)
表示第(j)次数据融合后的传感器测量方差，σ1,σ2分别为前两个传感器测得的测量值的标准差。5.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，计算所述样本序列的过程噪声协方差矩阵估计值具体包括：
其中，其中，表示扩展输入矩阵；ρ+是ρ矩阵的广义逆矩阵，ρ＝μ1+
···
+μ
k
，β为常数矩阵，diag()表示对角线矩阵，diag(R...R)中，R的个数为k个；θ
i
为βZ
k
的样本序列；μ...

【专利技术属性】
技术研发人员：袁宏伟，宋信敏，刘正，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：