自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统技术方案

本发明专利技术属于目标跟踪定位领域，提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统，初始化待测目标传感器，构建传感器量测方程和目标状态方程；自适应求取协方差矩阵的平方根，计算采样点和权值；利用自适应无迹卡尔曼滤波算法，基于k

【技术实现步骤摘要】
自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统


[0001]本专利技术属于目标跟踪定位
，具体涉及一种自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统。

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]在分布式多传感器目标追踪系统中进行传感器空间偏差估计和补偿是航迹融合前必不可少的步骤，需要对传感器的距离和方位角在测量中的缩放和偏移偏差等不确定性进行估计并对测量进行补偿，保证传感器在目标追踪中航迹的精度。
[0004]目前关于传感器空间偏差的研究方法，分为离线和在线方式两种。现有的离线方式有基于最小二乘(Least Square，LS)方法，将偏差补偿问题描述为一个最小二乘问题，估计传感器偏差。另有方法通过最大化观测数据的似然函数实现传感器偏差的估计的精确最大似然法(Exact Maximum Likelihood，EML)。也另有方法提出了最大似然配准(Maximum Likelihood Registration,MLR)方法解决多个异类传感器的偏差估计问题。但上述离线方法假设传感器的偏差是定值常数，未考虑偏差的时变问题，因此仅在传感器的空间偏差变化较小时偏差估计效果较好。考虑传感器偏差的时变或抖动性质，一些学者提出了采用滤波方法实现偏差的在线估计。现有技术提出了基于卡尔曼滤波(Kalman Filter,KF)对偏差进行估计，在传感器空间偏差及平台的姿态偏差不大的前提下，能较好的估计偏差。针对非线性场景，现有技术提出了两种分别基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的空时偏差估计方法，对多传感器观测向量进行扩维处理实现空时偏差和目标状态的同时估计,实现目标状态和空间偏差的联合估计。但该方法不适于分布式场景，同时随着传感器系统中传感器数量以及工作时间的增加，会造成计算复杂度的大幅度增加，造成空间偏差估计性能的降低。考虑到目标在区域内可能保持机动，现有技术提出根据目标运动状态进行测量方程的构造，以确保在目标采取机动运动的情况下也能准确估计偏差。但是该方法只能估计偏差，无法补偿偏差以实现机动目标状态的准确估计。
[0005]另外现有方法在空间偏差估计和补偿进行研究时，假定系统中的过程噪声和测量噪声均满足高斯白噪声条件，即不考虑其他噪声可能对系统造成的干扰，在实际场景中，可能会造成滤波发散，影响偏差估计的准确度，造成目标状态估计失准。

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自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统，本专利技术考虑现有方法的局限性，提出基于平方根无迹卡尔曼滤波(Square
‑
root UKF，SRUKF)的滤波方式，进行自适应的空间偏差配准。针对非线性含有未知噪声干扰的系统进行讨论，考虑追踪过程中目标的机动性，实现传感器的偏差值的在线估计和补偿。
[0007]根据一些实施例，本专利技术的第一方案提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法，采用如下技术方案：
[0008]自适应平方根无迹卡尔曼滤波空间偏差配准方法，包括：
[0009]初始化待测目标传感器，构建传感器测量方程和目标状态方程；
[0010]自适应求取协方差矩阵的平方根，计算采样点和权值，自适应校准协方差矩阵；
[0011]利用自适应平方根无迹卡尔曼滤波算法，基于k
‑
1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；
[0012]根据系统当前时刻是否因噪声等干扰造成异常量测数据，自适应校准状态方程中的可调参数；
[0013]利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k
‑
1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；
[0014]令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。
[0015]进一步地，所述初始化待测目标传感器，构建传感器量测方程和目标状态方程，具体为：
[0016]对分布式多传感器系统的各传感器进行量测的预处理；
[0017]考虑目标状态的非线性，构建目标状态方程和传感器量测方程。
[0018]进一步地，所述自适应求取协方差矩阵的平方根，计算采样点和权值，自适应校准协方差矩阵，具体为：
[0019]获取k
‑
1时刻的协方差矩阵，矩阵运算计算协方差矩阵特征值；
[0020]判断协方差矩阵特征值的正负性，基于对角线因子调整协方差矩阵，使协方差矩阵的特征值保持非负，得到调整后的协方差矩阵，并进行Cholesky分解；
[0021]自适应求取调整后的协方差矩阵的平方根，采用对称采样法生成采样点点集；
[0022]根据目标机动性与采样点之间的关联性，自适应更新采样点数量，并计算对应的权值。
[0023]进一步地，所述利用自适应平方根无迹卡尔曼滤波算法，基于k
‑
1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数，具体为：
[0024]基于k
‑
1时刻状态均值，估计k时刻的状态；
[0025]基于k时刻的状态，更新估计k时刻的量测向量；
[0026]基于量测误差协方差矩阵的平方根以及目标状态和观测向量，确定k时刻的新息协方差矩阵、状态和观测之间的互协方差矩阵；
[0027]更新k时刻的滤波增益和状态估计。
[0028]进一步地，所述根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数，具体为：
[0029]利用矩阵迹运算求量测误差协方差矩阵与状态误差协方差矩阵的F
‑
范数；
[0030]计算比例因子，利用比例因子更新协方差矩阵；
[0031]利用更新后的协方差矩阵进行下一时刻的滤波运算。
[0032]进一步地，更新后的协方差矩阵，具体为：
[0033]S
new,k
＝β
k
·
S
M,k|k
‑1+(1
‑
β
k
)
·
S
Z,k|k
‑1；
[0034]其中，β∈(0,1)是比例因子，状态误差协方差矩阵S
M,k|k
‑1和量测误差协方差矩阵S
Z,k|k
‑1。
[0035]进一步地，所述利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k
‑
1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪量测方程，对偏差值进行估计和补偿，具体为：
[0036]基于距离的聚类算法进行初始聚类，根据传感器与集群中心的接近程度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，包括：初始化待测目标传感器，构建传感器量测方程和目标状态方程；自适应求取协方差矩阵的平方根，计算采样点和权值；利用自适应平方根无迹卡尔曼滤波算法，基于k
‑
1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数；利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k
‑
1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。2.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述初始化待测目标传感器，构建传感器量测方程和目标状态方程，具体为：对分布式多传感器系统的各传感器进行量测的预处理；考虑目标状态的非线性，构建目标状态方程和传感器量测方程。3.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述自适应求取协方差矩阵的平方根，计算采样点和权值，具体为：获取k
‑
1时刻的协方差矩阵，矩阵运算计算协方差矩阵特征值；判断协方差矩阵特征值的正负性，基于对角线因子调整协方差矩阵，使协方差矩阵的特征值保持非负，得到调整后的协方差矩阵，并进行Cholesky分解；自适应求取调整后的协方差矩阵的平方根，采用对称采样法生成采样点点集；根据目标机动性与采样点之间的关联性，自适应更新采样点数量，并计算对应的权值。4.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述利用自适应平方根无迹卡尔曼滤波算法，基于k
‑
1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数，具体为：基于k
‑
1时刻状态均值，估计k时刻的状态；基于k时刻的状态，更新估计k时刻的量测向量；基于量测误差协方差矩阵的平方根以及目标状态和观测向量，确定k时刻的新息协方差矩阵、状态和观测之间的互协方差矩阵；更新k时刻的滤波增益和状态估计。5.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数，具体为：利用矩阵迹运算求量测误差协方差矩阵与状态误差协方差矩阵的F
‑
范数；计算比例因子，利用比例因子更新协方差矩阵；利用更新后的协方差矩阵进行下一时刻的滤波运算。6.如权利要求5所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，更新...

【专利技术属性】
技术研发人员：汪付强，徐歌星，吴晓明，张鹏，金星，张旭，马晓凤，张建强，郝秋赟，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：