CN104320108A - 基于ahcif的集中式测量值加权融合方法 - Google Patents
基于ahcif的集中式测量值加权融合方法 Download PDFInfo
- Publication number
- CN104320108A CN104320108A CN201410497257.2A CN201410497257A CN104320108A CN 104320108 A CN104320108 A CN 104320108A CN 201410497257 A CN201410497257 A CN 201410497257A CN 104320108 A CN104320108 A CN 104320108A
- Authority
- CN
- China
- Prior art keywords
- sigma
- formula
- information
- variance
- target
- 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.)
- Pending
Links
Landscapes
- Filters That Use Time-Delay Elements (AREA)
Abstract
本发明涉及基于AHCIF的集中式测量值加权融合方法,本发明首先根据实际工程中的目标运动进行系统建模;其次将极大后验(MAP)估计器与高度容积卡尔曼滤波(HCKF)方法相结合设计自适应HCKF方法(AHCKF)。然后在AHCKF基础上给出其相应的信息滤波形式(AHCIF),最后给出基于AHCIF的集中式测量值加权融合方法,具体包括:给定伪测量方程;计算融合后状态估计的信息向量及其信息矩阵。本发明能够实时估计和修正系统噪声的统计特性,降低模型误差;此外,它能将多台雷达对运动目标进行跟踪时所采集的距离和方位角等信息进行融合估计,提高了目标估计精度,有效地实现了目标跟踪的功能。
Description
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,特别涉及基于AHCIF的集中式测量值加权融合方法。
背景技术
在实际动态系统中,总会存在着不同程度的非线性,所以非线性随机系统广泛存在于工程实践当中,例如,导航定位、遥感监测、目标跟踪等军事和民用领域。另外,随着现代信息和网络技术的蓬勃发展,有关无线多传感器网络的应用日益增多。因此,在这个大背景下,信息滤波和融合技术在信号处理领域日渐成为了热门研究方向。
由于扩展卡尔曼(EKF)的思路简单明了,因此在进行非线性系统状态估计时使用最多。但由于它在线性化过程中引入了线性误差,直接影响了估计效果。此外,EKF需要计算雅克比矩阵,计算的不准确性也将给滤波带来精度不高甚至发散等一系列问题。因此随后便出现了无迹卡尔曼滤波(UKF)、粒子滤波(PF)、容积卡尔曼滤波(CKF)等等。这些方法的提出为解决非线性滤波问题提供了有效的途径。但是,这些非线性滤波和融合方法在实际应用时的前提条件是模型精确、噪声统计特性已知。而对于一个实际系统,由于外界干扰等原因往往存在着很多不确定因素,使得滤波方法失去最优性,估计精度大大降低,严重时甚至会导致滤波发散。因此,在设计滤波和融合方法时应该对噪声统计特性进行实时估计,可通过引入一下自适应方法,例如强跟踪滤波器(STF)、变分贝叶斯(VB)、虚拟噪声补偿等。但不足的是,上述方法都只考虑了单个传感器的情形。
发明内容
为了应对上面所提到的问题,在本发明中,首先针对单传感器滤波系统将极大后验(MAP)估计器与高度容积卡尔曼滤波(HCKF)方法相结合设计了一种自适应HCKF方法(AHCKF),并给出了相应信息滤波器形式(AHCIF),随后将结果推广至多传感器融合系统中,设计了基于AHCIF的集中式测量值加权融合方法。该方法能实时估计和修正系统噪声的统计特性,降低模型误差,提高估计精度。同时由于在初始化时不需要先验信息,因此与传统滤波相比具有更好的数值性能。
本发明的设计内容包括四部分。第一部分根据实际工程中的目标运动模型进行系统建模;第二部分是将极大后验(MAP)估计器与高度容积卡尔曼滤波(HCKF)方法相结合设计自适应HCKF方法(AHCKF);第三部分是在AHCKF基础上给出其相应的信息滤波形式(AHCIF);第四部分给出基于AHCIF的集中式测量值加权融合方法。
本发明使用基于AHCIF的集中式测量值加权融合方法能够实时估计和修正系统噪声的统计特性,降低模型误差,提高估计精度。同时由于在初始化时不需要先验信息,因此与传统滤波相比具有更好的数值性能。综上所述,基于AHCIF的集中式测量值加权融合方法能将多台雷达对运动目标进行跟踪时所采集的距离和方位角等信息进行融合估计,提高了目标估计精度,有效地实现了目标跟踪的功能。
附图说明
图1为基于AHCIF的集中式测量值加权融合方法的流程图。
具体实施方式
如图1所示,首先为网络化目标跟踪系统建立模型;其次设计AHCKF方法,并在其基础上给出相应的AHCIF方法;最后设计基于AHCIF的集中式测量值加权融合方法来估计状态,以实现目标跟踪。下面详细介绍本发明的实施过程。
步骤1.系统建模:
考虑二维平面目标的跟踪问题,假设目标运动为匀速转弯模型,给出如下网络化目标跟踪系统模型:
xk+1=f(xk)+wk (1)
zk=h(xk)+vk (2)
式中,k是时间指数;xk∈Rn为目标状态,分别由水平方向和垂直方向的位置和速度组成;zk∈Rm表示测量值,即由多台雷达对运动目标进行跟踪时所采集的距离和方位角;f:Rn→Rn为非线性状态演化过程,h:Rn→Rm为相应的非线性测量映射;过程噪声wk∈Rn是均值为零的高斯白噪声,其方差Qk时变未知;测量噪声vk∈Rm是均值为零的高斯白噪声,方差为Rk。假设过程噪声和测量噪声互不相关。系统的初始状态均值为x0,方差为P0,且独立于wk和vk。
步骤2.将极大后验(MAP)估计器与高度容积卡尔曼滤波(HCKF)方法相结合设计自适应HCKF方法(AHCKF),具体包括:
(2.1)初始化:给状态估计估计误差协方差P0|0和估计噪声方差赋初值
(2.2)预测过程:根据HCKF方法计算状态预测估计及其预测误差协方差Pk|k-1
其中,Np为采样点个数;ωi为Sigma点ξi的权值系数;ξi可由如下方式获得
式中,S表示Cholesky分解因子;
(2.3)更新过程:根据HCKF方法计算更新状态估计及其估计误差协方差Pk|k
其中,
Kk=Pxz(Pzz+Rk)-1 (9)
式中,Kk表示滤波增益矩阵,Pxz(k|k)表示状态与测量值的互协方差矩阵,Pzz(k|k)表示测量值的自协方差阵;
上式中,sigma点ζi由下式计算
采用不同的数值积分准则可以获得不同求积分点λi和权值系数ωi,从而构造出不同的滤波算法。HCKF的采样点数为Np=2n2+1,求积分点λi的构造方法如下:
其中,ei为n阶单位向量,且其第i个元素为1。点集和由下式给出:
相应的权值系数ωi由下式给出:
(2.4)估计噪声方差将MAP估计器引入到HCKF中来实时估计和修正系统噪声wk的统计特性,即根据MAP方法实时估计过程噪声方差
其中,为测量新息。
步骤3.在AHCKF基础上给出其相应的信息滤波形式(AHCIF),由于信息滤波器在初始化时可以不需要先验信息,因此与传统滤波形式相比具有更好的数值性能。具体包括:
(3.1)预测过程:给出预测信息向量和预测信息矩阵Yk|k-1
其中,状态预测估计和预测误差协方差Pk|k-1可由式(3)和(4)计算;
(3.2)更新过程:计算状态估计的信息向量和信息矩阵Yk|k
Yk|k=Yk|k-1+Ξk (20)
其中,和Ξk分别为信息向量和信息矩阵的贡献量,可由下式计算
式中,预测估计和互协方差阵Pxz可分别通过式(10)和(11)求得;
(3.3)估计噪声方差根据式(16)实时估计过程噪声方差
步骤4.给出基于AHCIF的集中式测量值加权融合方法,具体包括:
(4.1)根据数据压缩滤波结构,给定融合中心接收到的所有传感器测量值的伪测量方程zk:
zk=h(xk)+vk (22)
其中,
扩维后的测量噪声vk的均值为0,方差Rk为
式中,表示第j个传感器的测量值,hj(·)为相应的非线性测量映射,是均值为零且方差为Rj,k的高斯白噪声;
(4.2)采用AHCIF方法,计算融合后状态估计的信息向量及其信息向量矩阵Yk|k:
式中,和Ξk分别为基于AHCIF的集中式测量值加权融合方法的信息向量和信息矩阵的贡献量,可通过式(21)计算。根据该方法,即可对状态进行实时估计,以实现目标跟踪的功能。
Claims (1)
1.基于AHCIF的集中式测量值加权融合方法,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,假设目标运动为匀速转弯模型,给出如下网络化目标跟踪系统模型:
xk+1=f(xk)+wk (1)
zk=h(xk)+vk (2)
式中,k是时间指数;xk∈Rn为目标状态,分别由水平方向和垂直方向的位置和速度组成;zk∈Rm表示测量值,即由多台雷达对运动目标进行跟踪时所采集的距离和方位角;f:Rn→Rn为非线性状态演化过程,h:Rn→Rm为相应的非线性测量映射;过程噪声wk∈Rn是均值为零的高斯白噪声,其方差Qk时变未知;测量噪声vk∈Rm是均值为零的高斯白噪声,方差为Rk;假设过程噪声和测量噪声互不相关;系统的初始状态均值为x0,方差为P0,且独立于wk和vk;
步骤2.将极大后验估计器与高度容积卡尔曼滤波相结合设计自适应高度容积卡尔曼滤波,具体包括:
(2.1)初始化:给状态估计估计误差协方差P0|0和估计噪声方差赋初值
(2.2)预测过程:根据HCKF方法计算状态预测估计及其预测误差协方差Pk|k-1
其中,Np为采样点个数;ωi为Sigma点ξi的权值系数;ξi可由如下方式获得
式中,S表示Cholesky分解因子;
(2.3)更新过程:根据高度容积卡尔曼滤波计算更新状态估计及其估计误差协方差Pk|k
其中,
Kk=Pxz(Pzz+Rk)-1 (9)
式中,Kk表示滤波增益矩阵,Pxz(k|k)表示状态与测量值的互协方差矩阵,Pzz(k|k)表示测量值的自协方差阵;
上式中,sigma点ζi由下式计算
采用不同的数值积分准则可以获得不同求积分点λi和权值系数ωi,从而构造出不同的滤波算法;高度容积卡尔曼滤波的采样点数为Np=2n2+1,求积分点λi的构造方法如下:
其中,ei为n阶单位向量,且其第i个元素为1;点集和由下式给出:
相应的权值系数ωi由下式给出:
(2.4)估计噪声方差将极大后验估计器引入到高度容积卡尔曼滤波中来实时估计和修正系统噪声wk的统计特性,即根据极大后验估计器实时估计过程噪声方差
其中,为测量新息;
步骤3.在自适应高度容积卡尔曼滤波基础上给出其相应的信息滤波形式,具体包括:
(3.1)预测过程:给出预测信息向量和预测信息矩阵Yk|k-1
其中,状态预测估计和预测误差协方差Pk|k-1可由式(3)和(4)计算;
(3.2)更新过程:计算状态估计的信息向量和信息矩阵Yk|k
Yk|k=Yk|k-1+Ξk (20)
其中,和Ξk分别为信息向量和信息矩阵的贡献量,可由下式计算
式中,预测估计和互协方差阵Pxz可分别通过式(10)和(11)求得;
(3.3)估计噪声方差根据式(16)实时估计过程噪声方差
步骤4.给出基于信息滤波形式的集中式测量值加权融合方法,具体包括:
(4.1)根据数据压缩滤波结构,给定融合中心接收到的所有传感器测量值的伪测量方程zk:
zk=h(xk)+vk (22)
其中,
扩维后的测量噪声vk的均值为0,方差Rk为
式中,表示第j个传感器的测量值,hj(·)为相应的非线性测量映射,是均值为零且方差为Rj,k的高斯白噪声;
(4.2)采用信息滤波形式,计算融合后状态估计的信息向量及其信息向量矩阵Yk|k:
式中,和Ξk分别为基于信息滤波形式的集中式测量值加权融合方法的信息向量和信息矩阵的贡献量,可通过式(21)计算;根据该方法,即可对状态进行实时估计,以实现目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410497257.2A CN104320108A (zh) | 2014-09-25 | 2014-09-25 | 基于ahcif的集中式测量值加权融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410497257.2A CN104320108A (zh) | 2014-09-25 | 2014-09-25 | 基于ahcif的集中式测量值加权融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104320108A true CN104320108A (zh) | 2015-01-28 |
Family
ID=52375305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410497257.2A Pending CN104320108A (zh) | 2014-09-25 | 2014-09-25 | 基于ahcif的集中式测量值加权融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104320108A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105842298A (zh) * | 2016-05-07 | 2016-08-10 | 天津大学 | 两相流含水率的自适应估计方法 |
CN115077530A (zh) * | 2022-06-16 | 2022-09-20 | 哈尔滨工业大学(威海) | 一种基于强跟踪扩维eckf算法的多auv协同导航方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292812A (zh) * | 2013-05-10 | 2013-09-11 | 哈尔滨工程大学 | 一种微惯性sins/gps组合导航系统的自适应滤波方法 |
CN103927436A (zh) * | 2014-04-04 | 2014-07-16 | 郑州牧业工程高等专科学校 | 一种自适应高阶容积卡尔曼滤波方法 |
-
2014
- 2014-09-25 CN CN201410497257.2A patent/CN104320108A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292812A (zh) * | 2013-05-10 | 2013-09-11 | 哈尔滨工程大学 | 一种微惯性sins/gps组合导航系统的自适应滤波方法 |
CN103927436A (zh) * | 2014-04-04 | 2014-07-16 | 郑州牧业工程高等专科学校 | 一种自适应高阶容积卡尔曼滤波方法 |
Non-Patent Citations (3)
Title |
---|
ARTHUR G.O.MUTAMBARA: "Information based eastimation for both linear and nonlinear systems", 《PROCEEDINGS OF THE AMERICAN CONTROL CONFERENCE》 * |
孙海波 等: "通信和测量受限条件下异构多UAV分布式协同目标跟踪方法", 《航空学报》 * |
王永安 等: "基于卡尔曼滤波的多传感器跟踪融合算法", 《船电技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105842298A (zh) * | 2016-05-07 | 2016-08-10 | 天津大学 | 两相流含水率的自适应估计方法 |
CN105842298B (zh) * | 2016-05-07 | 2018-08-31 | 天津大学 | 两相流含水率的自适应估计方法 |
CN115077530A (zh) * | 2022-06-16 | 2022-09-20 | 哈尔滨工业大学(威海) | 一种基于强跟踪扩维eckf算法的多auv协同导航方法及系统 |
CN115077530B (zh) * | 2022-06-16 | 2024-04-23 | 哈尔滨工业大学(威海) | 一种基于强跟踪扩维eckf算法的多auv协同导航方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103776453B (zh) | 一种多模型水下航行器组合导航滤波方法 | |
CN103217175B (zh) | 一种自适应容积卡尔曼滤波方法 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
CN106487358B (zh) | 一种机动目标转弯跟踪方法 | |
CN103278813B (zh) | 一种基于高阶无迹卡尔曼滤波的状态估计方法 | |
CN110490273A (zh) | 噪声方差不精确建模的多传感器系统融合滤波算法 | |
CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
Deng et al. | Adaptive unscented Kalman filter for parameter and state estimation of nonlinear high-speed objects | |
CN103902812B (zh) | 一种粒子滤波方法、装置及目标跟踪方法、装置 | |
CN103973263B (zh) | 一种逼近滤波方法 | |
CN109472418A (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
CN103383261A (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN104408744A (zh) | 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法 | |
CN105043388A (zh) | 基于惯性/重力匹配组合导航的向量搜索迭代匹配方法 | |
CN105157704A (zh) | 一种基于贝叶斯估计的粒子滤波重力辅助惯导匹配方法 | |
CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN104048676A (zh) | 基于改进粒子滤波的mems陀螺随机误差补偿方法 | |
CN111444474B (zh) | 一种基于乘性噪声相关自适应ckf的目标跟踪方法 | |
CN104320108A (zh) | 基于ahcif的集中式测量值加权融合方法 | |
CN108871365A (zh) | 一种航向约束下的状态估计方法及系统 | |
CN104268597A (zh) | 基于ahcif的集中式测量值扩维融合方法 | |
CN111964667A (zh) | 一种基于粒子滤波算法的地磁_ins组合导航方法 | |
CN114236480A (zh) | 一种机载平台传感器系统误差配准算法 | |
Duan et al. | An improved FastSLAM algorithm for autonomous vehicle based on the strong tracking square root central difference Kalman filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150128 |
|
WD01 | Invention patent application deemed withdrawn after publication |