CN103065037A - 非线性系统基于分散式容积信息滤波的目标跟踪方法 - Google Patents
非线性系统基于分散式容积信息滤波的目标跟踪方法 Download PDFInfo
- Publication number
- CN103065037A CN103065037A CN2012104557443A CN201210455744A CN103065037A CN 103065037 A CN103065037 A CN 103065037A CN 2012104557443 A CN2012104557443 A CN 2012104557443A CN 201210455744 A CN201210455744 A CN 201210455744A CN 103065037 A CN103065037 A CN 103065037A
- Authority
- CN
- China
- Prior art keywords
- constantly
- matrix
- noise
- calculate
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Abstract
本发明属于目标跟踪领域,主要涉及一种非线性系统基于分散式容积信息滤波的目标跟踪方法。现有的容积卡尔曼的非线性系统目标跟踪方法是在过程噪声与测量噪声不相关及各测量噪声也互不相关的假设前提下进行的。这就大大限制了它的使用范围。本发明推导了噪声相关的扩展卡尔曼信息滤波,并在时间更新与测量更新这两个过程中嵌入容积卡尔曼信息滤波,也就解决了噪声相关的问题,使得本发明的方法实用性大大增强,另外本发明是基于分散式的,利用矩阵对角化原理,很大程度上降低了矩阵的维数,避免了高维带来的维数灾难问题。
Description
技术领域
本发明属于目标跟踪领域,主要涉及一种非线性系统基于分散式容积信息滤波的目标跟踪方法。
背景技术
多传感器目标跟踪是一门多学科交叉技术。近年来,随着传感器技术、计算机技术、通信技术和信息处理技术的发展,特别是军事上的迫切需求,多传感器目标跟踪技术的研究内容日益深入和广泛。军事上主要应用于指挥、控制、通信和情报系统,同时在机器人、民航航管等领域也有重要应用价值。目前对目标跟踪有了很多比较好的算法,如卡尔曼滤波算法(KF),无迹卡尔曼滤波算法(UKF),求容积卡尔曼滤波算法(CKF)等,然而众所周知,当所有传感器测量值到达融合中心进行集中处理时这些算法具有很高的计算复杂度。所以,信息滤波器被提了出来并且得到了广泛的应用由于在计算方面有比卡尔曼滤波算法更优越的性能并且容易初始化。实际上,信息滤波算法本质上是用协方差阵的逆表示的卡尔曼滤波算法。
目前关于非线性滤波的目标跟踪算法最新进展是容积信息滤波算法(SCIF),但由于此算法的前提是任何噪声之间是不相关的,所以大大限制了它的应用范围。在实际当中往往由于天气,跟踪同一个目标,同样的环境,多传感器的异步采样等原因,不仅过程噪声与观测噪声之间相关(相关噪声I),各传感器观测噪声之间也可能相关(相关噪声II)。本发明给出了噪声I与噪声II同时存在下的基于分散式容积卡尔曼信息滤波的目标跟踪方法(DSCIF-CN)。
发明内容
为了解决噪声相关的情况,本发明提出了非线性系统基于分散式容积卡尔曼信息滤波的目标跟踪方。为了方便描述本发明的内容,首先本发明针对多传感器目标系统建立模型,包括2个方程,状态方程和观测方程,分别如下所示:
xk=fk-1(xk-1)+wk,k-1 (1)
zik=hi,k(xk)+vi,k (2)
其中,k是时间指标及i(i=1,2,...,N)表示第i个传感器;xk∈Rn×1是系统状态向量,表示第i个观测向量;fk-1:Rn×1→Rn×1,均为已知的非线性方程;过程噪声wk,k-1和观测噪声vi,k都为零均值的高斯白噪声,它们的方差分别为Qk,k-1和Ri,k且满足 其中Rij,k为第i个传感器观测噪声与第j个传感器观测噪声的协方差矩阵,Di,k为过程噪声与第i个传感器观测噪声的互协方差矩阵,δk,l为脉冲函数,即k=l时,δk,l=1,k≠l时,δk,l=0。初始状态为x0及协方差矩阵P0|0满足:
运用集中式扩维,将N个观测方程融合成一个观测方程,也就是:
zk=hk(xk)+vk (4)
其中,
我们也可以得到:
针对(1)(4)所描述的多传感器系统模型,给出如下迭代算法,具体包括2个模块:时间更新和测量更新。
1.时间更新
首先,假设k-1时刻的状态估计和它的协方差矩阵Pk-1|k-1已知.分解Pk-1|k-1有:
其中Sk-1|k-1称为k-1时刻开方值。
其中,
最后,计算k-1时刻状态的一步预测:
步骤1.2根据下式计算k-1时刻一步开方Sk|k-1;
步骤1.3使用下面的式子得到k-1时刻一步信息矩阵Yk|k-1;
令
2.测量更新
步骤2.1分别计算k-1时刻第i个一步容积点Xi,k|k-1,k-1时刻第i个一步传播容积点Zi,k|k-1和k-1时刻观测一步预测
首先,计算k-1时刻一步容积点Xi,k|k-1,如下式所示:
进而可利用下式计算k-1时刻一步传播容积点,
Zi,k|k-1=hk(Xi,k|k-1) (19)
步骤2.3下面计算k时刻相关信息矩阵Ik和信息状态增益ik;
记
且
我们有:
根据噪声相关的扩展卡尔曼信息滤波器算法:
得到信息矩阵Ik是由一些式子的线性组合组成:
其中,
相似地,信息状态增量ik的分散式为:
其中,
步骤2.4利用下式计算k时刻信息矩阵Yk|k和更新的信息状态向量
本发明的有益效果:
本发明提出的目标跟踪方法,在时间更新和测量更新中利用对称矩阵的对角化性质解决了噪声的相关性,并利用分散式的算法降低了矩阵的维数。从而使本方法能在噪声I与噪声II同时存在的条件下也能对目标进行很好的跟踪。
附图说明
图1为本发明跟踪方法的流程图;
图2为本发明中的纯方位跟踪系统图;
图3A为本发明仿真在X方向(正东方向)的跟踪效果图;
图3B为本发明仿真在Y方向(正北方向)的跟踪效果图;
图3C为本发明仿真在X方向(正东方向)的跟踪误差图;
图3D为本发明仿真在X方向(正东方向)的跟踪误差图。
具体实施方式
本发明的实施流程图如图1所示,具体实施方式如下:
为了解决噪声相关的情况,本发明提出了噪声相关条件下的分散式容积信息滤波(DSCIF-CN)设计方法。为了方便描述本发明的内容,首先本发明针对多传感器目标系统建立模型,包括2个方程,状态方程和观测方程,分别如下所示:
xk=fk-1(xk-1)+wk,k-1 (1)
zi,k=hi,k(xk)+vi,k (2)
其中,k是时间指标及i(i=1,2,...,N)表示第i个传感器;xk∈Rn×1是系统状态向量,表示第i个观测向量;fk-1:Rn×1→Rn×1,均为已知的非线性方程;过程噪声wk,k-1和观测噪声vi,k都为零均值的高斯白噪声,它们的方差分别为Qk,k-1和Ri,k且满足 其中Rij,k为第i个传感器观测噪声与第j个传感器观测噪声的协方差矩阵,Di,k为过程噪声与第i个传感器观测噪声的互协方差矩阵,δk,l为脉冲函数,即k=l时,δk,l=1,k≠l时,δk,l=0。初始状态为x0及协方差矩阵P0|0满足:
运用集中式扩维,将N个观测方程融合成一个观测方程,也就是:
zk=hk(xk)+vk (4)
其中,
我们也可以得到:
针对(1)(4)所描述的多传感器系统模型,本发明给出如下迭代算法,具体包括2个模块:时间更新和测量更新。
1.时间更新
其中Sk-1|k-1称为k-1时刻开方值。
其次,从(11)式计算传播容积点:(i=1,2,…,M=2n)
其中,
最后,计算k-1时刻状态的一步预测:
步骤1.2根据下式计算k-1时刻一步开方Sk|k-1;
步骤1.3使用下面的式子得到k-1时刻一步信息矩阵Yk|k-1;
令
步骤1.4使用式(17)式计算k-1时刻一步预测信息状态向量
2.测量更新
首先,计算k-1时刻一步容积点Xi,k|k-1,如下式所示:
进而可利用下式计算k-1时刻一步传播容积点,
Zi,k|k-1=hk(Xi,k|k-1) (19)
步骤2.2利用下式计算k-1时刻互协方差矩阵
记
且
我们有:
根据噪声相关的扩展卡尔曼信息滤波器算法:
得到信息矩阵Ik是由一些式子的线性组合组成:
其中,
相似地,信息状态增量ik的分散式为:
其中,
方法试验:
在本试验中,我们采用本发明方法对纯方位系统进行目标跟踪估计。为了更好的阐释本试验,首先对图2中的各个参数加以解释:si1与si2是2个传感器,{αi,k,βi,k}为这两个传感器的观测角度,pj(j=1,2)为传感器的坐标位置,d为两个传感器的距离。本试验中,目标有4个状态,即xk=[x1,kx2,ky1,ky2,k]Τ,x1,k与y1,k是目标在正东方向和正北方向的位置坐标,x2,k与y2,k是目标在正东方向和正北方向的速度大小。假如目标做匀速直线运动,状态方程为:xk=Fk,k-1xk-1+wk,k-1,观测方程为: 这里hl,k(xk)=…=hN,k(xk)=hk(xk)本实验参数设置如下: T为目标跟踪系统的融合周期,设置T=1s,
过程噪声协方差矩阵
初始状态与协方差矩阵分别为: 为了显示噪声相关性,我们用vk=cwk,k-1产生观测噪声,其中c为噪声相关系数,这里设置
图3A为对X方向的状态估计跟踪效果图,图中X-Displacement为目标在X方向的状态位置,本发明的跟踪方法DSCIF-CN的曲线基本与目标在X方向的状态重合,跟踪效果很好。
图3B为对Y方向的状态估计跟踪效果图,图中Y-Displacement为目标在Y方向的状态位置,本文的跟踪方法DSCIF-CN的曲线基本与目标在Y方向的状态重合,跟踪效果很好。
图3C为本发明跟踪方法DSCIF-CN在X方向对目标状态估计跟踪的误差,其误差前5个时刻较大,但之后误差稳定的趋于1以下,在实际允许范围内。
图3D为本发明跟踪方法DSCIF-CN在Y方向对目标状态估计跟踪的误差,其误差也在前5个时刻震荡较大,但在之后误差趋于稳定1左右,在实际允许范围内。
Claims (1)
1.非线性系统基于分散式容积信息滤波的目标跟踪方法,其特征在于:
针对多传感器目标系统建立模型,包括2个方程,状态方程和观测方程,分别如下所示:
运用集中式扩维,将N个观测方程融合成一个观测方程,也就是:
(4)
其中, (5)
由此可以得到:
针对式(1)(4)所描述的多传感器系统模型,给出如下迭代算法,具体包括2个模块:时间更新和测量更新;
(1).时间更新
(10)
其中称为k-1时刻开方值;
(11)
其中,
(12)
最后,计算k-1时刻状态的一步预测:
步骤1.2 根据下式计算k-1时刻一步开方;
(2).测量更新
进而可利用下式计算k-1时刻一步传播容积点,
记,
根据噪声相关的扩展卡尔曼信息滤波器算法:
(23)
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210455744.3A CN103065037B (zh) | 2012-11-13 | 2012-11-13 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210455744.3A CN103065037B (zh) | 2012-11-13 | 2012-11-13 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103065037A true CN103065037A (zh) | 2013-04-24 |
CN103065037B CN103065037B (zh) | 2015-10-07 |
Family
ID=48107665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210455744.3A Expired - Fee Related CN103065037B (zh) | 2012-11-13 | 2012-11-13 | 非线性系统基于分散式容积信息滤波的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065037B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235886A (zh) * | 2013-04-25 | 2013-08-07 | 杭州电子科技大学 | 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法 |
CN103455675A (zh) * | 2013-09-04 | 2013-12-18 | 哈尔滨工程大学 | 一种基于ckf的非线性异步多传感器信息融合方法 |
CN103729637A (zh) * | 2013-12-31 | 2014-04-16 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
CN103778320A (zh) * | 2013-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
CN103900574A (zh) * | 2014-04-04 | 2014-07-02 | 哈尔滨工程大学 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
CN104833949A (zh) * | 2015-05-11 | 2015-08-12 | 西北工业大学 | 一种基于改进距离参数化的多无人机协同无源定位方法 |
CN103235886B (zh) * | 2013-04-25 | 2016-11-30 | 杭州电子科技大学 | 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法 |
CN107421543A (zh) * | 2017-06-22 | 2017-12-01 | 北京航空航天大学 | 一种基于状态扩维的隐函数量测模型滤波方法 |
CN107886058A (zh) * | 2017-10-31 | 2018-04-06 | 衢州学院 | 噪声相关的两阶段容积Kalman滤波估计方法及系统 |
CN108318856A (zh) * | 2018-02-02 | 2018-07-24 | 河南工学院 | 一种异构网络下快速精准的目标定位与跟踪方法 |
CN110672103A (zh) * | 2019-10-21 | 2020-01-10 | 北京航空航天大学 | 一种多传感器目标跟踪滤波方法及系统 |
CN116489602A (zh) * | 2023-06-21 | 2023-07-25 | 北京航空航天大学 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1992963A2 (en) * | 2007-05-15 | 2008-11-19 | ERA Systems Corporation | Enhanced passive coherent location techniques to track and identify UAVS, UCAVS, MAVS, and other objects |
US20110084871A1 (en) * | 2009-10-13 | 2011-04-14 | Mcmaster University | Cognitive tracking radar |
CN102171628A (zh) * | 2008-06-27 | 2011-08-31 | 莫韦公司 | 通过数据融合解决的运动检测的指示器 |
CN102692223A (zh) * | 2012-06-27 | 2012-09-26 | 东南大学 | 用于wsn/ins组合导航的多级非线性滤波器的控制方法 |
US8294073B1 (en) * | 2009-10-01 | 2012-10-23 | Raytheon Company | High angular rate imaging system and related techniques |
-
2012
- 2012-11-13 CN CN201210455744.3A patent/CN103065037B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1992963A2 (en) * | 2007-05-15 | 2008-11-19 | ERA Systems Corporation | Enhanced passive coherent location techniques to track and identify UAVS, UCAVS, MAVS, and other objects |
CN102171628A (zh) * | 2008-06-27 | 2011-08-31 | 莫韦公司 | 通过数据融合解决的运动检测的指示器 |
US8294073B1 (en) * | 2009-10-01 | 2012-10-23 | Raytheon Company | High angular rate imaging system and related techniques |
US20110084871A1 (en) * | 2009-10-13 | 2011-04-14 | Mcmaster University | Cognitive tracking radar |
CN102692223A (zh) * | 2012-06-27 | 2012-09-26 | 东南大学 | 用于wsn/ins组合导航的多级非线性滤波器的控制方法 |
Non-Patent Citations (2)
Title |
---|
PENGFEI LI等: "《The Augmented Form of Cubature Kalman Filter and Quadrature Kalman Filter For Additive Noise》", 《IEEE YOUTH CONFERENCE ON INFORMATION,COMPUTING AND TELECOMMUNICATION 2009》 * |
郝燕玲,杨峻巍,陈亮,郝金会: "《基于NPF-CKF的捷联惯导系统动基座初始对准技术》", 《中国惯性技术学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103235886B (zh) * | 2013-04-25 | 2016-11-30 | 杭州电子科技大学 | 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法 |
CN103235886A (zh) * | 2013-04-25 | 2013-08-07 | 杭州电子科技大学 | 一种基于变分贝叶斯容积强跟踪信息滤波的目标跟踪方法 |
CN103455675A (zh) * | 2013-09-04 | 2013-12-18 | 哈尔滨工程大学 | 一种基于ckf的非线性异步多传感器信息融合方法 |
CN103455675B (zh) * | 2013-09-04 | 2016-08-24 | 哈尔滨工程大学 | 一种基于ckf的非线性异步多传感器信息融合方法 |
CN103778320A (zh) * | 2013-12-30 | 2014-05-07 | 杭州电子科技大学 | 一种基于变分贝叶斯多传感器量化融合目标跟踪方法 |
CN103729637A (zh) * | 2013-12-31 | 2014-04-16 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
CN103729637B (zh) * | 2013-12-31 | 2017-01-11 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
CN103900574A (zh) * | 2014-04-04 | 2014-07-02 | 哈尔滨工程大学 | 一种基于迭代容积卡尔曼滤波姿态估计方法 |
CN104833949A (zh) * | 2015-05-11 | 2015-08-12 | 西北工业大学 | 一种基于改进距离参数化的多无人机协同无源定位方法 |
CN107421543A (zh) * | 2017-06-22 | 2017-12-01 | 北京航空航天大学 | 一种基于状态扩维的隐函数量测模型滤波方法 |
CN107421543B (zh) * | 2017-06-22 | 2020-06-05 | 北京航空航天大学 | 一种基于状态扩维的隐函数量测模型滤波方法 |
CN107886058A (zh) * | 2017-10-31 | 2018-04-06 | 衢州学院 | 噪声相关的两阶段容积Kalman滤波估计方法及系统 |
CN108318856A (zh) * | 2018-02-02 | 2018-07-24 | 河南工学院 | 一种异构网络下快速精准的目标定位与跟踪方法 |
CN108318856B (zh) * | 2018-02-02 | 2021-06-15 | 河南工学院 | 一种异构网络下快速精准的目标定位与跟踪方法 |
CN110672103A (zh) * | 2019-10-21 | 2020-01-10 | 北京航空航天大学 | 一种多传感器目标跟踪滤波方法及系统 |
CN116489602A (zh) * | 2023-06-21 | 2023-07-25 | 北京航空航天大学 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
CN116489602B (zh) * | 2023-06-21 | 2023-08-18 | 北京航空航天大学 | 一种分布式容错目标跟踪方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103065037B (zh) | 2015-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065037A (zh) | 非线性系统基于分散式容积信息滤波的目标跟踪方法 | |
CN102999696B (zh) | 噪声相关系统基于容积信息滤波的纯方位跟踪方法 | |
Feng et al. | Kalman-filter-based integration of IMU and UWB for high-accuracy indoor positioning and navigation | |
CN104392047B (zh) | 一种基于平稳滑翔弹道解析解的快速弹道规划方法 | |
CN109459019A (zh) | 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法 | |
CN110779518B (zh) | 一种具有全局收敛性的水下航行器单信标定位方法 | |
CN105222780B (zh) | 一种基于Stirling插值多项式逼近的椭球集员滤波方法 | |
CN103940433B (zh) | 一种基于改进的自适应平方根ukf算法的卫星姿态确定方法 | |
CN103900574B (zh) | 一种基于迭代容积卡尔曼滤波姿态估计方法 | |
CN109634307A (zh) | 一种无人水下航行器复合航迹跟踪控制方法 | |
CN106017467A (zh) | 一种基于多水下应答器的惯性/水声组合导航方法 | |
CN106597017A (zh) | 一种基于扩展卡尔曼滤波的无人机角加速度估计方法及装置 | |
CN106772524A (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN102353378A (zh) | 一种矢量形式信息分配系数的自适应联邦滤波方法 | |
CN104075711B (zh) | 一种基于CKF的IMU/Wi‑Fi信号紧组合室内导航方法 | |
CN109084760B (zh) | 一种楼宇间导航系统 | |
CN107743299A (zh) | 面向无人机机载移动传感器网络的一致性信息滤波算法 | |
CN104833949A (zh) | 一种基于改进距离参数化的多无人机协同无源定位方法 | |
CN103344260A (zh) | 基于rbckf的捷联惯导系统大方位失准角初始对准方法 | |
CN104913781A (zh) | 一种基于动态信息分配的非等间隔联邦滤波方法 | |
CN104331623A (zh) | 一种机动策略自适应的目标跟踪信息滤波算法 | |
CN101701826A (zh) | 基于分层粒子滤波的被动多传感器目标跟踪方法 | |
Johansen et al. | Three-stage filter for position estimation using pseudorange measurements | |
CN107015944A (zh) | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 | |
CN110779519A (zh) | 一种具有全局收敛性的水下航行器单信标定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20151007 Termination date: 20181113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |