CN103105611A - 一种分布式多传感器智能信息融合方法 - Google Patents

Abstract

本发明是一种分布式多传感器智能信息融合方法。包括如下步聚：1）直接从分布式超声波接收器采集信号到控制中心，采用分布卡尔曼滤波进行滤波处理；2）分布式信号滤波处理后，时间、空间对准以及航迹相关后，使得统一采样频率，在每一个采样时刻各个测量系统都有当前时刻的测量数据，统一空间、时间坐标系；3）通过轨迹相关方法，采用预测点与观测点的偏差来作为误差评判标准；4）采用最优融合估计的融合方法，将各相关的航迹拟合成一条新的航迹。本发明一种按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法，有效的实现超声波的高精度室内定位。

Description

一种分布式多传感器智能信息融合方法

技术领域

本发明是一种分布式多传感器智能信息融合方法，属于分布式多传感器智能信息融合方法的改造技术。

背景技术

目前，多传感器数据融合是当前研究热点，学者们针对特定应用领域内的问题来展开（根据问题种类）。学者们从不同的角度提出了多传感器信息融合系统的一般功能模型：JDL模型、瀑布模型、智能模型、Boyd模型、Omnibus模型等。但是，JDL模型没有指明在整个系统中的信息流向；瀑布模型决策后的新信息不能有效地运用于其它环节；智能循环模型没有考虑知识库和系统数据的管理需求；Boyd模型和智能循环分别通过“行动”和“传播”模块对信息实现了闭环流动控制，但对融合过程的划分则相对粗糙；Ominibus模型恰恰没有考虑到知识库和系统数据的管理需求，实用性不强。随着信息处理技术的发展，新设备、新方法的不断涌现，协同开发、数据共享、资源管理等新方法、新概念的提出，给融合系统的设计模型提出了新的挑战。传统信息融合JDL、WFFP、智能模型融合、Boyd模型、Omnibus功能模型，需要进行修正，主要包括功能层次划分的修正和功能层次定义的修正。为了达到航向的目标跟踪，实现多传感器数据融合的方法也有多种，例如卡尔曼滤波、最小二乘法、                                                

滤波、

滤波等。目前，众所周知，目标跟踪两个最主要的挑战是测量源不确定和目标运动不确定。针对测量源不确定，孙书利等人提出一系列的方法，针对测量源确定，Roecker提出向量状态和测量融合。

分布式多传感器数据融合技术（Distributed multi-sensor data fusion,DMSDF），利用传感器的共同的特征进行解决多种多样的问题。虽然许多的问题得到解决，但是，许多新的挑战性问题随着多传感器数据融合技术以及科技的发展而产生，例如数据协同、数据共享、数据融合管理、传感器不确定性、数据交通、噪声滤波、决定预测技术、动态系统模型等。这些新的挑战主要来源传感器测量精度不高和信息源受到外界环境的干扰。近年来，学者们把研究重心转到分布式多传感器数据源融合方面的应用，基于场景分布式系统的设计、高维信息融合、目标跟踪、传感器信息分类器的设计以及态势评估等是现阶段研究的热点问题。由于分布式多传感器融合能够处理一些不确定性因素，它有效的提高目标跟踪和系统检测的性能。更加重要的是它可以融合多个传感器的数据，融合处理后的数据的精度比单个传感器采集数据的精度高。

发明内容

本发明的目的在于考虑上述问题而提供一种能有效的实现室内定位，按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法。

本发明的技术方案是：本发明的分布式多传感器智能信息融合方法，包括如下步聚：

1）直接从分布式超声波接收器采集信号到控制中心，采用分布卡尔曼滤波进行滤波处理； 

2）分布式信号滤波处理后，时间、空间对准以及航迹相关后，使得统一采样频率，在每一个采样时刻各个测量系统都有当前时刻的测量数据，统一空间、时间坐标系；

3）通过轨迹相关方法，采用预测点与观测点的偏差来作为误差评判标准；

4）采用最优融合估计的融合方法，将各相关的航迹拟合成一条新的航迹。

上述步骤2）在时间对准部分采用插值方法进行时间配准时，为使插值误差尽可能小，插值节点的选取原则是插值节点应尽可能位于插值区间中部，完成频率统一。

上述插值方法采用拉格朗日3点插值法。 

上述步骤4）采用最优融合准则，将各相关的轨迹融合成一条新的轨迹。

本发明一种按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法，有效的实现超声波的高精度室内定位。

附图说明

图1为本发明的分布多传感器数据融合的流程图；

图2为本发明的实验测试方案图；

图3为卡尔曼滤波、最小二乘法、测量数据对比图；

图4为本发明的坐标转换图；

图5为本发明的最优融合轨迹图；

图6为最优融合方法、文献值、真实值对比图。

具体实施方式

实施例：

本发明的流程图如图1所示，本发明的分布式多传感器智能信息融合方法，包括如下步聚：

1）直接从分布式超声波接收器采集信号到控制中心，采用分布卡尔曼滤波进行滤波处理； 

2）分布式信号滤波处理后，时间、空间对准以及航迹相关后，使得统一采样频率，在每一个采样时刻各个测量系统都有当前时刻的测量数据，统一空间、时间坐标系；

3）通过轨迹相关方法，采用预测点与观测点的偏差来作为误差评判标准；

4）采用最优融合估计的融合方法，将各相关的航迹拟合成一条新的航迹。

上述步骤2）在时间对准部分采用插值方法进行时间配准时，为使插值误差尽可能小，插值节点的选取原则是插值节点应尽可能位于插值区间中部，完成频率统一。

上述插值方法采用拉格朗日3点插值法。

上述步骤4）采用最优融合准则，将各相关的轨迹融合成一条新的轨迹。

本实施例中，本发明为了有效的实现室内定位，针对船舶运动轨迹不确定，提出一种加权平均的融合方法以及一种新颖的模型，按照最小方差原则来实现N个估计值的最优融合。

分布式多传感器信息融合结构

分布式多传感器信息融合实际上是一个分布式多传感器目标跟踪系统对目标追踪的过程，可由下图1所示。

DMSDF模型实现分布多传感器并行数据融合处理，它分成信号预处理和数据融合处理两层，信号预处理主要包括信号采集、野值剔除、滤波、平滑、时间对准、空间对准等。数据融合层主要实现多传感器并行融合处理。

(1). 单站超声波对不同目标航迹的提取

每个超声波传感器都对本地信号进行处理以形成局部航迹，对于局部航迹的估计，采用分布式卡尔曼进行滤波处理，目标的运动方程为：

                                  

 

                       

其中：

、分别为目标在和

时刻状态；为目标的状态转移矩阵；

为高斯噪声，为了保证分布式卡尔曼滤波不会发散，进行初始化：

，

，

；

是测量数据、是测量噪声，设{

，

} 是独立、零均值、高斯白噪声序列，其协方差阵是：

，

                 （1）

，

T 代表转置，

 是Kronecker函数。

(2) 时间对准

由于多传感器不同位置参考系统的采样频率不一定相同，在某一时刻可能一个系统有测量值而另外一个系统的测量值还没有发送过来，因此需要通过一定的方法设定一个统一的采样频率，在每一个采样时刻各个测量系统都有当前时刻的测量数据。针对时间对准主要解决以下两个方面问题：

各传感器测量站的时间基准点要保证一致，即系统对时问题。

 各传感器的采样量测周期不一致，数据采样时刻不同时处理问题。

为了达到最终多传感器融合的目的，融合中心必须对多个传感器送来的同一目标的每一点数据进行实时时间对准。多传感器数据融合中的时间对准是数据融合时要解决的关键问题之一。

多传感器时间对准就是将关于同一目标的各传感器不同步、不同频率的测量信息同步到同一时刻。如果使用未经时间配准的多传感器信息进行数据融合可能会导致比单独使用某一传感器数据进行融合时的性能还差的结果。因此，为了最有效地、最大限度地发挥多传感器数据融合系统的优越性，对多传感器数据进行时间配准是并行数据融合的前提，时间配准方法的优劣直接关系到数据融合效果的好坏。目前，许多学者对此提出了很多不同的时间对准方法，其中应用比较广泛的内插外推法和数据拟合方法。

本发明采用插值方法进行时间配准时，为使插值误差尽可能小，插值节点的选取原则是插值节点应尽可能位于插值区间中部。根据拉格朗日 3点插值法原则，假设配准时间点位于区间中部，且区间内的3点估计值为 

、、

。由于目标在相邻扫描间隔中移动距离的差值一般不大，将3个时刻

、

、分成是等间隔的（间隔为

），又假设插值点时间为t，利用文献的拉格朗日 3点插值法，计算出t时刻的测量值为：

      （2）

时间配准相应方法：

各个超声波站的数据进行处理后得到不同的轨迹，首先找出各超声波站观测到的有相交时间段的航迹。

取这些航迹群中的最小、最大时间作为该航迹群要配准的起始和终止时间刻。通过轨迹预测方法（实验中采取较为简单的线性预测方法）将个别航迹在缺失时间部分预测出来。

取其中一条轨迹作为时间轴基准进行时间配准。其它各个轨迹通过拉格朗日三点插值法在相对应的时刻上进行插值。

最终能得到一组时间坐标相同的航迹数据矩阵以便下一步航迹相关时使用。

(3) 航迹相关

时间、空间对准之后，得到相同时间段以及采样间隔相同的轨迹群。这时采用最近领域航迹关联方法进行航迹相关。该方法先确定目标航迹跟踪波门的大小，初步确定参与航迹相关的观测。当跟踪波门确定之后，将计算航迹与落入波门的每一个观测点的接近度，接近度是一个统计距离， 计算每条航迹与所有观测的统计距离，最终生成一个M行N列的统计矩阵，M为所有航迹的数目，N为所有观测的数目。

(4) 超声波观察精度估计

由于超声波传感器自身固有的系统误差和噪声引起的探测误差，使得超声波一次扫描所获得的位置误差较大，所以就必须对连续多次扫描的结果进行优化处理，即鲁棒性估计以减小一次测量的误差。

传感器

对目标次扫描的测量模型可以表示为：

                                       （3）

表示超声波传感器

第

次扫描所获得的观测值；

表示目标位置的真实值；

是超声波固有的系统误差；

为传感器

第

次的噪声干扰。

1) 基于整体数据的精度估计

针对测量模型，

为传感器

的次测量值，对

进行估计，可得到关于目标轨迹的鲁棒性估计

和方差。

假设  

                                     （4）

可以计算得到方差

：

                          （5）

计算各观测值与均值得距离：

                             （6）

按照

的升序将重新排列，并取前

个观测值作为有效估计依据。令

为有效观测值均值，计算得：

                                          （7）

其中

是

的最大整数取为有效观测值方差，可计算得：

                         （8）

此时，取

为较小的正数来控制鲁棒性估计，（

）如果

，则估计结束，

和就是所算目标的位置鲁棒性估计值和方差估计值；如果，则取

，做为新的观测均值代回进行循环估计。

2） 基于预测值与估计轨迹的插值的精度估计

由于超声波观测精度的影响也将导致预测值产生偏差，这就会使得预测点与观测点之间的误差变得更小，通过计算预测点与实际观测点的偏差也可以作为衡量超声波精度的标准。

设

为k时刻的观测信号，

为k时刻的预测值。可以计算R：

得到的值即可作为超声波精度的估计。通过对4个超声波的数据进行上述2种方法计算，得到每个超声波对应的方差估计，由于后一种方法得到的数据相对稳定，认为用该方法判定超声波精度更为适合。

(5) 多传感器空间对准

由于多传感器所属于不同位置参考系统，对每个测量系统所采用的不同参考坐标系进行空间坐标转换，可以将每个位置参考系统的测量坐标值都转换到北东坐标系下，其中北东坐标系原点选定海上某一基准点。目前，工程上常用的数据空间对准的方法有：直接坐标平移法、三角变换法和基于导航数据的地心转换法。其中前两种方法是，假设系统监视区域内地球表面近似平坦，忽略地球的曲率的变化，因此有偏坐标转换方法，且转换误差随目标距离的增大而增大，难以达到工程应用的需求。而基于导航数据的地心转换法考虑到地球表面曲率的影响，以地心坐标作为中介，达到数据配准的目标，且要求采用高精度导航设备提供经纬度。

分布式多传感器最优融合规则

时间配准和航迹相关后将得到几组相关（判定为表示同一目标）的航迹数据，这时就得考虑用什么融合准则进行目标航迹的融合。本发明采用加权平均的方法，按照最小方差原则来实现N个估计值的最优融合。

定义1 

为对角矩阵，且

，I为单位阵，最优融合估计的表达式为：

                             （9）

其中，是目标真实位置值，是无偏估计值，N代表超声波传感器个数。

最优融合准则：一是

应是目标真实位置

的无偏估计，即

；二是

应使估计误差方差矩阵的轨迹最小，即最优融合估计方差

比任何一个单超声波传感器的估计方差

都小。

定理1 在定义1以及最优融合准则条件下，N个超声波传感器的信号进行轨迹融合，可以得到如下：

                （10）

证明：（1）当K=2时，即只有两个超声波传感器信号进行融合的情况。由式（9）可得：

                  （11）

    （12）

因为

与

不相关，所以

，并且

。式（12）可简化为：

                                （13）

两边对

求导并令其为0，推导可得：

,

                       （14）

把式（14）和式（12）代入式（11）得

                                （15）

                                    （16）

（2）当K=N-1时（即N-1个信号的航迹融合），假设式（10）成立，那么可得

                 （17）

同理，用数学归纳法将该方法推广到N个信号的航迹融合：

         （18）

         （19）

      （20）

因为

与不相关，所以

，并且

，式（20）可简化为

                     （21）

两边对

求导并令其为0，推导可得：

                            （22）

                                  （23）

由（1）、（2），证明式（10）成立。证毕

多传感器目标追踪系统相比于单传感器目标追踪系统具有可视范围广、相互之间测量信息互补性强的特点，因而具有更好的目标跟踪性能。如何对传感器观测的信号数据进行处理融合已成为当今世界科研人员研究的热点。随着硬件、方法及计算机性能等方面的巨大进步，信号处理能力更上一个台阶，从而也刺激了多传感器数据处理技术的发展。超声波数据处理作为现代超声波系统中的重要组成部分，对于它的研究也是极为有意义。

分布式多传感器智能信息融合实现

由于红外线传感器设计和开发复杂、功耗比较大、价格高、实用性较差、测量距离比较短，超声波传感器恰好克服它的缺点，所以采用自主研发超声波接/收器进行船舶室内跟踪实验。在实际的测量中，超声波接收器接收到的声波并没有经过放大，但为了便于观察，在靠近换能器的位置增加了两级放大和一个带通滤波器，总共放大50倍来观察接收到的声波波形。

根据超声波测距是利用回波测距原理，通过测量换能器发射和接收声波的时间，计算出换能器到船舶中心的距离。但是，在高温、高湿度、大量粉尘、蒸汽等环境不可用。(1) 当室内温度28℃以上，系统的误差是往负方向偏离，而在20℃以下，系统的误差是往正方向偏离。为了提高超声波传感器检测的精度，在室温为26°C的实验环境内采用自主设计的超声波室内定位系统做了大量的实验，有效地减少由温度引起的误差。(2) 经过大量的实验，发现当湿度在50%-60%时，超声波测距的精度相对较高。

为了有效的实现船舶室内定位，本实验自主研究一套控制版、螺旋桨以及自主设计了2.8m船模，船宽0.76m，船模高1m。为了有效的模拟船舶在海上航行环境，使用多种传感器：风向风速仪测量风向、风速、电罗经（艏向传感器）测量船舶的指向，电罗经的寿命长，在海上的使用经验也很丰富，完全适用于近海钻探船的动力定位系统；MRU传感器是运动传感器，它能测量船舶的动态直线运动和姿态，且能够测得船舶作业过程中的横摇、纵摇、艏摇和垂荡，并且具有较高的精度；超声波用来室内检测距离，求得船舶实际位置，达到室内定位的目的；上位计算机实现船舶实时3D模拟，主控制器主要实现数据收集、处理，以及控制方法的实现等；手柄操作台实现活动操作台，可以实时搬动。

为了有效的模拟船舶在海上航行的环境，实现船舶实时定位，利用实验环境，经过多次实验发现采用多个超声波接收器可以有效的提高定位精度。但是，如果超声波接收器的个数太多，会导致成本太高。因此，在水池的每一个角度安装一个接收器，高度1米。测试方案如图2所示。

从图2，实验室水池长11m，宽6m，船舶上有一个超声波发送器，水池的四角分别有一个接收器，超声波接收板通过RFID将测量数据传输到船上超声波发射板进行处理，处理后的数据通过RS-422传输到船舶上的主控制器，主控制器对采集的数据实时预处理，融合处理。实验时采用分布式卡尔曼滤波，滤波后的结果如图3所示。

从图3，由于传感器故障或数据记录、判读等过程异常，周围环境的突发性变化和干扰，以及操作人员的过失等，导致采集到的数据带有误差偏大的反常值，卡尔曼滤波可以有效的实现动态的数据实时滤波、平滑处理，最小二乘也可以有效的滤波，但是实时性能很差。

经过预处理后的数据，采用拉格朗日 3点插值法进行时间对准，时间对准后数据仍然是发射中心到接收器的4点的距离，因此，必须进行空间转换，把4点的距离转换成Cartesian坐标，具体空间转换图如4所示。

1) 由b、d、AB三边组成的三角形

其中是

的面积，

是

的周长，l=11m是水池的长，w=6m是水池的宽，可以得到如下等式：

            （24）

                  （25）

可以实时计算得到一组船舶位置的坐标，分别是

或

。

2） 由b、c、BC三边组成的三角形

同理，

是

的面积，

是

的周长，l=11m是水池的长，w=6 m是水池的宽，可以得到如下等式：

              （26）                 

 

                      （27）

可以实时计算得到一组船舶位置的坐标，分别是

和

。

3） 由c、d、CD三边组成的三角形

同理，

是

的面积，

是

的周长，l=11m是水池的长，w=6 m是水池的宽，可以得到如下等式：

       

         （28）

                 （29）

可以实时计算得到一组船舶位置的坐标，分别是

和

。

4）由a、d、AD三边组成的三角形

同理，

是

的面积，

是

的周长，l=11m是水池的长，w=6m是水池的宽，可以得到如下等式：

       （30）

         （31）

可以实时计算得到一组船舶位置的坐标，分别是

和

。

经过时间对准和坐标转换，可以得到一组坐标值。采样时间为1秒，采样次数为300秒，那么可以得到4条实时跟踪轨迹。

由本发明的分布式多传感器最优融合规则，其中

，

，

，I是单位矩阵，融合后的结果如图5所示。

当船舶静止在水池里，没有受到风、浪、流影响时，采用手持式激光测距仪进行测量距离（精度小于1mm之内），这样测量得到的值称为真实值。但是，当船舶受到风、浪、流等环境的影响下，激光测距仪精度受到严重的影响，激光测距仪利用精密测距需要全反射棱镜配合，而室内测用的测距仪，直接以光滑的墙面反射测量，由于距离比较近，光反射回来的信号强度较大，同时，一定要垂直，否则返回信号过于微弱将无法得到精确距离。由图6可以看出利用本节的MSCD方法融合后的值更加接近真实值。MSCD方法融合后的值与真实值的相对误差的最大值是1.32cm，而使用文献中方法融合后的值与真实值的相对误差的最大值是5.78cm，因此MSCD融合方法可以有效的提高数据的精确度。

实验表明DMSDF方法有效的提高目标跟踪的性能，达到工程应用的要求，并把这种方法应用于船舶动力定位。

Claims (4)

1.一种分布式多传感器智能信息融合方法，其特征在于包括如下步聚：

1）直接从分布式超声波接收器采集信号到控制中心，采用分布卡尔曼滤波进行滤波处理；

 2）分布式信号滤波处理后，时间、空间对准以及航迹相关后，使得统一采样频率，在每一个采样时刻各个测量系统都有当前时刻的测量数据，统一空间、时间坐标系；

3）通过轨迹相关方法，采用预测点与观测点的偏差来作为误差评判标准；

4）采用最优融合估计的融合方法，将各相关的航迹拟合成一条新的航迹。

2.根据权利要求1所述的分布式多传感器智能信息融合方法，其特征在于上述步骤2）在时间对准部分采用插值方法进行时间配准时，为使插值误差尽可能小，插值节点的选取原则是插值节点应尽可能位于插值区间中部，完成频率统一。

3.根据权利要求2所述的分布式多传感器智能信息融合方法，其特征在于上述插值方法采用拉格朗日3点插值法。

4.根据权利要求1所述的分布式多传感器智能信息融合方法，其特征在于上述步骤4）采用最优融合准则，将各相关的轨迹融合成一条新的轨迹。

Images