多传感器信息在线数据融合方法技术

本发明专利技术公开了多传感器信息在线数据融合方法，属于雷达信号处理领域；具体是首先，搭建包括传感器端和融合中心端的通信场景，传感器端的每个传感器对多目标无人机分别进行无序量测和航迹追踪，并发送给融合中心端；通过特征提取进行初步的航迹关联；然后，融合中心端采用在线空间配准算法对航迹关联信息进行时空配准，并对各传感器的量测偏差及姿态偏差进行估计，修正航迹和原始量测值；接着基于序贯

【技术实现步骤摘要】
多传感器信息在线数据融合方法


[0001]本专利技术属于雷达信号处理领域，具体是一种多传感器信息在线数据融合方法，用于提高跟踪航迹的稳定性和精度
。

技术介绍

[0002]在分布式信息处理系统中，一般采用航迹与航迹关联对来自不同传感器的多条航迹进行分类，从而剔除重复航迹，后续采用融合算法实现对多个目标连续
、
可靠和高精度的跟踪
。
[0003]航迹关联的过程可描述为：目标的航迹由位置
、
速度
、
方差及其它特征值表示，每个传感器将各自的局部航迹送至融合中心
。
在融合中心采用两种方式进行融合：一种是依据一定的准则把各个传感器送来的同一批目标的航迹归并到一起，形成统一的全局航迹；另一种是把各个传感器送来的局部航迹与数据库中己有的系统航迹进行配对，以保证配对后的目标状态与系统航迹中的状态源于同一批目标
。
[0004]在线空间配准算法认为系统偏差为渐变值，采用滤波的方法获得偏差的实时估计
。
基于无迹滤波的传感器在线配准算法在滤波精度和鲁棒性方面均优于基于扩展卡尔曼的算法，可以更好地应用于非线性系统的偏差估计
。
[0005]传感器航迹关联及显著性目标识别算法，将经典全局最近模型的航迹关联
(GNP)
算法扩展到多传感器场景下，通过对按观测目标数目由少到多排序后的多传感器数据，按序进行两两
GNP
航迹关联，从全部的航迹关联结果中，找到所有目标的“链式”航迹关联结果，即编号的航迹关联结果，同时找到在该时间片内能被所有传感器检测到的显著性目标，将其量测数据重新整合后输出
。
[0006]序贯法
m
‑
best
算法是解决
S
‑
D
分配问题的启发式方法，该方法解决了一系列广义的2‑
D
分配问题，其中算法的每次迭代引入来自下一个传感器的航迹，并将这些航迹与先前的结果相关联
。
为了避免收敛到局部最小值，保留每次迭代的
m
‑
最佳解
(
基于
Murty
算法
)
并在下一次迭代中使用
。
[0007]综合航迹管理是对各个传感器的量测信息选择性利用，使得最终形成的综合航迹比单一传感器的跟踪航迹更稳定，精度更高
。

技术实现思路

[0008]本专利技术针对传统单传感器配准跟踪航迹的方法精度低的问题，提出了一种多传感器信息在线数据融合方法，基于序贯
m
‑
best
航迹关联，最终提高了跟踪航迹的稳定性和精度
。
[0009]步骤一
、
搭建包括传感器端和融合中心端的通信场景，传感器端的每个传感器对多目标分别进行无序量测和航迹追踪，并将各自的航迹信息及量测值发送给融合中心端
。
[0010]每个传感器传回融合中心端的量测数据包括其探测到的目标编号
、
目标航迹位置信息和目标姿态等
。
[0011]不同传感器对同一目标的编号不一定相同
。
[0012]步骤二
、
对传回融合中心端的航迹信息和量测值进行特征提取，并进行初步的航迹关联
。
[0013]具体步骤如下：
[0014]步骤
201、
针对同一时间片
T
arri
，将每个传感器的量测数据中根据目标的数量从多到少，将传感器进行排列，得到数组
S
i
,i
＝
1,2,...,s
，选择传感器数组
S
i
中排在首位的传感器，作为基准
。
[0015]每个时间片分别对应一个基准传感器；
[0016]步骤
202、
对数组中每个传感器，使用
GNP
算法将各传感器上传的目标位置信息转换到地心地固坐标系下；
[0017]针对数组中相邻的两个传感器
A
和
B
，转换公式如下：
[0018][0019][0020]其中，为传感器
A
观测并跟踪的第
i
个目标在地心地固坐标系下的三维位置信息，为传感器
B
观测并跟踪的第
j
个目标在地心地固坐标系下的三维位置信息；
X
truea(i)
为在当前的量测时刻下，传感器
A
的第
i
个目标的真实位置；
X
trueb(j)
为在当前的量测时刻下，传感器
B
的第
j
个目标的真实位置；
G(
·
)
是从量测坐标系转到公共坐标系下的噪声，
P
i
和
Q
j
分别为这两个传感器量测噪声的协方差矩阵
。
和分别为传感器
A
和传感器
B
的系统偏差
。
[0021]步骤
203、
针对传感器数组
S
i
，在当前阶段将量测数据分配给航迹，并计算总代价最大的最优分配方案；
[0022]分配代价计算公式为：
[0023][0024]R
是系统偏差协方差矩阵，
a(i)
表示分配情况，
a(i)
＞0表示传感器
A
中第
i
个目标与传感器
B
中第
a(i)
个目标关联，
a(i)
＝0表示传感器
A
中第
i
个目标未分配
。
为两个传感器
A
和
B
的偏差之差，即系统偏差的差值；
δ
x
i
为计算过程中的中间变量，
m
为传感器探测到的目标数目，
M
为分配阶段之间的弧
。
[0025]g
为设定的经验门限值，初始门限值为：
[0026][0027]每次更新门限值为：
[0028][0029]其中，
d
min
为残差矩阵
。
[0030]步骤
204、
将最优分配方案中得到的传感器航迹匹配信息结合航迹编号保存到匹配矩阵中，对其进行点迹匹配到航迹关联的扩展
。
[0031]步骤
205、
每个时间片下分别对应的匹配矩阵，采用“链式共传感器法”进行整合，
生成同一目标在不同传感器观测下的路径“组链”，完成从双传感器到多传感器的扩展
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
多传感器信息在线数据融合方法，其特征在于，具体步骤如下：步骤一
、
搭建包括传感器端和融合中心端的通信场景，传感器端的每个传感器对多目标无人机分别进行无序量测和航迹追踪，并将各自的航迹信息及量测值发送给融合中心端；步骤二
、
对传回融合中心端的航迹信息和量测值进行特征提取，并进行初步的航迹关联；具体步骤如下：步骤
201、
针对同一时间片
T
arri
，将每个传感器的量测数据中根据目标的数量从多到少，将传感器进行排列，得到数组
S
i
,i
＝
1,2,...,s
，选择传感器数组
S
i
中排在首位的传感器，作为基准；每个时间片分别对应一个基准传感器；步骤
202、
对数组中每个传感器，使用
GNP
算法将各传感器上传的目标位置信息转换到地心地固坐标系下；针对数组中相邻的两个传感器
A
和
B
，转换公式如下：，转换公式如下：其中，为传感器
A
观测并跟踪的第
i
个目标在地心地固坐标系下的三维位置信息，为传感器
B
观测并跟踪的第
j
个目标在地心地固坐标系下的三维位置信息；
X
truea(i)
为在当前的量测时刻下，传感器
A
的第
i
个目标的真实位置；
X
trueb(j)
为在当前的量测时刻下，传感器
B
的第
j
个目标的真实位置；
G(
·
)
是从量测坐标系转到公共坐标系下的噪声，
P
i
和
Q
j
分别为这两个传感器量测噪声的协方差矩阵；和分别为传感器
A
和传感器
B
的系统偏差；步骤
203、
针对传感器数组
S
i
，在当前阶段将量测数据分配给航迹，并计算总代价最大的最优分配方案；分配代价计算公式为：
R
是系统偏差协方差矩阵，
a(i)
表示分配情况，
a(i)
＞0表示传感器
A
中第
i
个目标与传感器
B
中第
a(i)
个目标关联，
a(i)
＝0表示传感器
A
中第
i
个目标未分配；为两个传感器
A
和
B
的偏差之差，即系统偏差的差值；
δ
x
i
为计算过程中的中间变量，
m
为传感器探测到的目标数目，
M
为分配阶段之间的弧；
g
为设定的经验门限值，初始门限值为：每次更新门限值为：其中
d
min
为残差矩阵；
步骤
204、
将最优分配方案中得到的传感器航迹匹配信息结合航迹编号保存到匹配矩阵中，对其进行点迹匹配到航迹关联的扩展；步骤
205、
每个时间片下分别对应的匹配矩阵，采用“链式共传感器法”进行整合，生成同一目标在不同传感器观测下的路径“组链”，完成从双传感器到多传感器的扩展；步骤三
、
融合中心端采用在线空间配准算法对航迹关联信息进行时空配准，并对各传感器的量测偏差及姿态偏差进行估计，修正航迹和原始量测值；具体步骤如下：步骤

【专利技术属性】
技术研发人员：魏少明，周璇，王俊，曾雅俊，李若水，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：