CN104318072B - 基于qkf‑mmf的多传感器量化融合方法 - Google Patents

Abstract

本发明涉及一种基于QKF‑MMF的多传感器量化融合方法，本发明包括该发明包括：系统建模；计算基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的局部量化估计误差协方差和估计误差互协方差；通过基于多方法融合的量化卡尔曼滤波方法计算量化融合估计误差互协方差；采用贯序融合方法计算最终融合估计和相应的估计误差协方差。该发明不仅具有强跟踪和动态估计观测噪声未知方差的能力，还能够有效地融合多个传感器的局部量化估计值，提高了信息的估计精确度，同时具有较好的计算性和扩展性。因此，通过该方法可以准确地估计出任意时刻的目标运动状态，以实现目标跟踪。

Description

基于QKF-MMF的多传感器量化融合方法

技术领域

本发明属于网络化多传感器系统的目标跟踪领域，特别涉及一种基于QKF-MMF的多传感器量化融合方法。

背景技术

复杂无线数据网络技术已经广泛应用于各个领域当中，尤其，在分布式传感器网络系统大量涌现的时代背景下，环境监测、目标跟踪、智能消防以及身体健康监测仪器等方面都得到了进一步的发展。通常情况下，为了满足数据传输和有限带宽的要求，本地传感器监测的数据要在它们传输到处理中心之前被量化。基于这个原因，量化滤波和融合已经成为信号处理、通信、控制方面的研究热点话题。

随着现代信息和网络技术的迅猛发展，传统的单一传感器融合已经不能满足时代的需求。在现实生活中，为了降低信息模糊度，往往需要对采集数据实行进一步的处理。通常情况下，一般需要采集多传感器或多信息源的数据，并使传感器数据之间按某种特定的最优准则进行相关，剔除信息的冗余部分，以提高信息的状态估计精度，实现态势评估的完整及时性，达成对观测环境的统一认知。在多传感器系统中，为了同步实现强跟踪和动态估计观测噪声未知方差的功能，可以先采用最优线性加权融合技术以实现。针对每一个量化信息，都可以通过基于多方法融合的量化卡尔曼滤波方法(QKF-MMF)，对采取不同方法求得的局部量化估计先进行融合估计，而后实行多传感器量化融合。多传感器量化融合的核心即是如何有效地融合这些新形成的多传感器量化融合估计值。由于传统的QKF-MMF只能实现两个估计值的融合，即无法同时完整地得到线性最优加权融合矩阵。

发明内容

为了应对上面提到的无法有效融合多传感器量化估计值的问题，在本发明中，运用基于强跟踪量化卡尔曼滤波(QKF-STF)方法得到的多个传感器的局部量化估计结果与基于变分贝叶斯自适应量化卡尔曼滤波(VB-AQKF)方法得到的多个传感器局部量化估计结果进行QKF-MMF处理以及贯序式融合，提出了一种新的多传感器量化融合方法，即基于QKF-MMF的多传感器量化融合方法。

该发明包括：系统建模；计算QKF-STF和VB-AQKF的局部量化估计误差协方差和估计误差互协方差；通过QKF-MMF方法计算量化融合估计误差互协方差；采用贯序融合方法计算最终融合估计和相应的估计误差协方差。

利用本发明设计的滤波器不仅具有强跟踪和动态估计观测噪声未知方差的能力，还提高了信息的估计精确度，并且具有较好的可计算性和扩展性。

附图说明

图1为基于QKF-MMF的多传感器量化融合方法的流程图。

具体实施方式

如图1所示，本发明首先为网络化目标跟踪系统建立模型，其次求出QKF-STF和VB-AQKF的局部量化估计误差协方差和估计误差互协方差，随之通过QKF-MMF方法计算量化融合估计误差互协方差，最后采用贯序融合方法计算最终融合估计和相应的估计误差协方差。具体实施过程如下：

步骤1.系统建模：

考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟踪目标的系统模型如下：

式中，该系统是由N(N＝1,2,...)个传感器构成的线性多传感器网络系统，k是时间指数，x_k是系统状态向量，分别由运动状态的距离和速度组成；φ_k,k-1是相应的从k-1到k时刻系统状态转移矩阵；z_l,k是第l个传感器观测值，即表示由雷达所测得的距离；H_l,k是相关观测矩阵；N是传感器数量。w_k,k-1和v_l,k分别为均值为零方差为Q_k,k-1和R_l,k的高斯白噪声；假设初始状态为x₀，其中均值和方差分别是和P_0|0，并且与w_k,k-1和v_l,k不相关。

步骤2.分别计算基于QKF-STF和VB-AQKF的局部量化估计误差协方差以及互协方差和

(2.1)给出基于QKF-STF和VB-AQKF的最优估计结果

由于QKF-STF具有较强的关于模型不确定性的鲁棒性，同时针对突变状态具有极强的跟踪能力，而VB-AQKF用于实现状态和观测噪声未知方差的同步估计，而QKF-MMF通过融合前两种方法的最优估计结果，同步实现了这两种功能。对于第l(1≤l≤N)个传感器的量化信息，可分别得知QKF-STF和VB-AQK的局部量化状态估计估计误差协方差P_q,l,k|k和增益矩阵K_q,l,k(q＝1,2)；

(2.2)令l＝{l₁,l₂}，其中1≤l₁,l₂≤N，l₁≠l₂，可分别计算得QKF-STF和VB-AQKF的局部量化估计误差协方差以及互协方差和如下所示：

步骤3.计算基于QKF-MMF的量化融合估计误差互协方差

(3.1)针对每个量化信息z_v,l,k(l＝1,2,…,N)，可通过QKF-MMF方法得到量化融合估计和相应的估计误差协方差P_f,l,k|k；

(3.2)令l＝{l₁,l₂}，可得量化融合估计误差互协方差

式中，A_q,l,k表示最优量化加权矩阵；

步骤4：采用贯序融合方法计算最终融合估计和相应的估计误差协方差P_f,k|k：

(4.1)定义第l个传感器的融合估计公式、估计误差协方差公式以及最优加权矩阵公式

式中，和B_l,k(l＝1,2,…,N)为最优加权矩阵；

(4.2)开始贯序融合过程，给融合估计估计误差协方差以及最优加权矩阵赋初值，即：

(4.3)当l＝1时，计算第1个传感器的融合估计估计误差协方差及其相应的最优加权矩阵B_1,k

(4.4)当l＝2时，计算第2个传感器的融合估计及其估计误差协方差

其中，

其中，

式中，P_f,12,k|k可通过式(5)计算；

(4.5)当2≤l≤N时，计算第l个传感器的融合估计及其估计误差协方差

因为可得：

其中，

式中，可通过式递归算得，其中

(4.6)当l＝N时，计算最终的多传感器融合估计及其相应的估计误差协方差P_f,k|k

本发明使用基于QKF-MMF的多传感器量化融合方法不仅具有强跟踪和动态估计观测噪声未知方差的能力，还能够有效地融合多个传感器的局部量化估计值，提高了信息的估计精确度，同时具有较好的计算性和扩展性。因此，通过该方法可以准确地估计出任意时刻的目标运动状态，以实现目标跟踪。

Claims (1)

1.基于QKF-MMF的多传感器量化融合方法，其特征在于该方法包括以下步骤：

步骤1.系统建模：

考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟踪目标的系统模型如下：

$\left\{\begin{array}{c}{x}_k={\mathrm{\φ}}_{k,k-1}{x}_{k-1}+w_{k,k-1}\\ z_{l,k}=H_{l,k}{x}_k+v_{l,k},l=1,2,...,N\end{array}\right.;$

式中，该系统是由N个传感器构成的线性多传感器网络系统，k是时间指数，x_k是系统状态向量，分别由运动状态的距离和速度组成；φ_k,k-1是相应的从k-1到k时刻系统状态转移矩阵；z_l,k是第l个传感器观测值，即表示由雷达所测得的距离；H_l,k是相关观测矩阵；w_k,k-1和v_l,k分别为均值为零方差为Q_k,k-1和R_l,k的高斯白噪声；假设初始状态为x₀，其中均值和方差分别是和P_0|0，并且与w_k,k-1和v_l,k不相关；

步骤2.分别计算基于强跟踪量化卡尔曼滤波和变分贝叶斯自适应量化卡尔曼滤波的局部量化估计误差协方差以及互协方差和q＝1,2：

令其中1≤l₁,l₂≤N，l₁≠l₂，那么

$P_{q,l_1{l}_2,k|k}=\[I-K_{q,l_1,k}{H}_{l_1,k}\]\×({\mathrm{\φ}}_{k,k-1}{P}_{q,l_1{l}_2,k-1|k-1}{\mathrm{\φ}}_{k,k-1}^T+Q_{k,k-1})\×{\[I-K_{q,l_2,k}{H}_{l_2,k}\]}^T;$

$P_{12,l_1{l}_2,k|k}=\[I-K_{1,l_1,k}{H}_{l_1,k}\]\×({\mathrm{\φ}}_{k,k-1}{P}_{12,l_1{l}_2,k-1|k-1}{\mathrm{\φ}}_{k,k-1}^T+Q_{k,k-1})\×{\[I-K_{2,l_2,k}{H}_{l_2,k}\]}^T;$

$P_{21,l_1{l}_2,k|k}=\[I-K_{2,l_1,k}{H}_{l_1,k}\]\×({\mathrm{\φ}}_{k,k-1}{P}_{21,l_1{l}_2,k-1|k-1}{\mathrm{\φ}}_{k,k-1}^T+Q_{k,k-1})\×{\[I-K_{1,l_2,k}{H}_{l_2,k}\]}^T;$

式中表示基于强跟踪量化卡尔曼滤波和变分贝叶斯自适应量化卡尔曼滤波的增益矩阵；

步骤3.计算基于量化卡尔曼滤波的量化融合估计误差互协方差

$\begin{array}{c}{P}_{f,l_1{l}_2,k|k}=A_{1,l_1,k}{P}_{q,l_1{l}_2,k|k}{A}_{1,l_2,k}^T+A_{2,l_1,k}{P}_{12,l_1{l}_2,k|k}{A}_{2,l_2,k}^T\\ +A_{1,l_1,k}{P}_{12,l_1{l}_2,k|k}{A}_{2,l_2,k}^T+A_{2,l_1,k}{P}_{21,l_1{l}_2,k|k}{A}_{1,l_2,k}^T\end{array};$

式中表示最优量化加权矩阵；

步骤4.采用贯序融合方法计算最终融合估计和相应的估计误差协方差

${\hat{x}}_{f,k|k}=B_k^{N-1}{\hat{x}}_{f,k|k}^{N-1}+B_{N,k}{\hat{x}}_{f,N,k|k};$

$P_{f,k|k}=P_{f,k|k}^{N-1}-B_{N,k}(P_{f,k|k}^{N-1}-{\mathrm{\Σ}}_{N-1}^T);$

其中，

${\mathrm{\Σ}}_{N-1}={\mathrm{\Σ}}_{N-1}^{N-1}=(I-B_{N-1,k}){\mathrm{\Σ}}_{N-1}^{N-2}+B_{N-1,k}{P}_{f,(N-1)N,k|k};$

式中，和B_N,k表示最优状态矩阵；和分别表示通过贯序融合方法融合了l个传感器的融合状态估计及其相应的估计误差协方差；其中式可通过迭代算得。