CN104809326B - 一种异步传感器空间配准算法 - Google Patents
一种异步传感器空间配准算法 Download PDFInfo
- Publication number
- CN104809326B CN104809326B CN201410280723.1A CN201410280723A CN104809326B CN 104809326 B CN104809326 B CN 104809326B CN 201410280723 A CN201410280723 A CN 201410280723A CN 104809326 B CN104809326 B CN 104809326B
- Authority
- CN
- China
- Prior art keywords
- sensor
- sensors
- target
- registration
- under
- 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.)
- Expired - Fee Related
Links
Abstract
本发明公开了一种异步传感器空间配准算法,首先采用内插外推时间配准算法实现两传感器的数据同步,随后根据时间配准结果构建伪量测方程;针对目标机动条件下的空间配准问题提出基于内插外推时间配准算法和基于地心地固坐标系的空间配准算法的异步传感器空间配准算法。本发明的伪量测方程构建过程与目标状态向量无关,且可以证明由时间配准结果构造的伪量测也与目标状态无关。因此所提的算法可有效解决目标机动条件下的异步传感器空间配准问题。通过仿真实验验证了本发明的算法在目标作蛇形机动的条件下仍然可准确的对传感器的系统误差进行估计;同时通过仿真分析了传感器的采样周期比以及自身的随机误差对系统误差估计精度的影响。
Description
技术领域
本发明属于信息融合技术领域,尤其涉及一种异步传感器空间配准算法。
背景技术
当今战场环境复杂多变,电磁环境愈发复杂,采用单一传感器信息对导弹进行制导必然面临探测不精确、易受敌欺骗干扰、目标信息易中断等问题,因此采用网络瞄准,将多源信息进行融合为导弹提供制导信息,从而实现网络化制导成为未来信息化战争的必然选择。
在对多源信息进行融合的过程中,由于传感器探测存在系统误差、传感器平台自身定位误差以及定姿误差等因素,需要进行空间配准处理,以提高数据融合精度。若直接将未经空间配准的数据用于信息融合处理,则融合的精度将受到极大影响,甚至有可能低于单传感器的探测精度。因此,在对多传感器的探测信息进行融合之前对其进行空间配准处理是十分必要的。
现有空间配准算法可以简单的分为两类,即离线空间配准与在线空间配准。离线空间配准算法主要基于最小二乘算法和最大似然算法;在线的空间配准算法主要基于滤波算法。导弹的制导过程对实时性要求较强,因此网络瞄准环境下的空间配准算法应采用在线的空间配准算法。在线空间配准算法分为两类,一类是基于扩展卡尔曼滤波(ExtendedKalman,Filter-EKF)的扩展状态向量空间配准算法,将目标的状态与传感器的误差合成一个扩展状态向量进行估计;但此算法由于状态向量维数较大,因此存在计算量较大的问题。另一类是基于ECEF坐标系的伪量测算法,此类算法相对扩展状态向量法具有运算量小的优点。但是无论以上那种算法,均以传感器量测数据的时间同步为前提,异步传感器的空间配准算法研究较少。
发明内容
本发明实施例的目的在于提供一种仅使用目标位置信息的异步传感器空间配准算法,旨在解决解决异步传感器的空间配准的问题。
本发明实施例是这样实现的,一种仅使用目标位置信息的异步传感器空间配准算法,该异步传感器空间配准算法包括时间对准过程和传感器系统误差估计过程:
时间对准过程完成传感器数据之间在时间上的对准,传感器A、传感器B在本地直角坐标系下的量测数据分别为YA(ti)和YB(ti),且传感器A的采样频率大于传感器B的采样频率,则由传感器A向传感器B的采样时刻进行配准,具体为:
采用内插外推的时间配准算法将传感器A的采样数据向传感器B的数据进行配准,使得两个传感器在空间配准时刻对同一个目标有同步的量测数据,内插外推时间配准算法如下:
在同一时间片内将各传感器观测数据按测量精度进行增量排序,然后将传感器A的观测数据分别向传感器B的时间点内插、外推,以形成一系列等间隔的目标观测数据,采用常用的三点抛物线插值法的进行内插外推时间配准算法得传感器A在tBk时刻在本地直角坐标系下的量测值为:
其中,tBk为配准时刻,tk-1,tk,tk+1为传感器A距离配准时刻最近的三个采样时刻,YA(tk-1),YA(tk),YA(tk+1)分别为其对应的对目标的探测数据;
完成时间配准后,根据传感器A的配准数据与传感器B的采样数据,采用基于ECEF的伪量测法实现传感器A和传感器B的系统误差的估计。
进一步,该异步传感器的空间配准方法包括的步骤如下:
步骤一、确定低采样率传感器的数据时刻;
步骤二、采用内插外推时间配准算法,根据传感器A向传感器B进行配准的方法,计算高采样率传感器的时间配准结果;
步骤三、根据伪量测构建过程计算伪量测方程;
步骤四、根据所构建的状态方程与伪量测方程,采用卡尔曼滤波,估计传感器的系统误差。
进一步,传感器A的量测模型如下:
YA(tk-1)、YA(tk)、YA(tk+1)分别为传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值,分别为:
其中,Y′A(tk-1)、Y′A(tk)、Y′A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置;CA(t)为误差的变换矩阵;ξA(t)为传感器的系统误差;为系统噪声,假设为零均值、相互独立的高斯型随机变量,噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)。
进一步,传感器A向传感器B进行配准的具体过程如下:
将式(2)、式(3)、式(4)带入式(1),可得:
其中:为传感器A的本地直角坐标系下目
标的真实位置在tBk时刻的时间配准值;为
系统误差造成的误差项;为随机噪声,假定tk-1、tk、tk+1
时刻的噪声互不相关的零均值白噪声,则为均值为零,协方差矩阵为RA=a2RA(k-
1)+b2RA(k)+c2RA(k+1)的白噪声,而a、b、c、分别为且a+b+c=1。
进一步,伪量测构建过程如下:
tBk时刻,传感器A的配准量测为传感器B的量测为:
Y′B(tBk)为传感器B的本地直角坐标系下目标的真实位置,ξB(tBk)为传感器B的系统误差,为传感器B的随机误差;
根据基于ECEF的空间配准算法,定义伪量测为:
对于同一公共目标,其在ECEF坐标系下的位置为Xe则有:
XAS(t)、XBS(t)分别为传感器A和传感器B在ECEF坐标系下的位置,将式(5)、(6)、(8)带入式(7),则有:
Z(k)=G(k)β(k)+W(k) \*MERGEFORMAT(9)
其中G(k)=[-aJA(tk-1)-bJA(tk)-cJA(tk+1)JB(t)]=λJ为量测矩阵,其中,λ=[-a -
b -c 1],J=[JA(tk-1) JA(tk) JA(tk+1) JB(t)]T,JA(tk-1)=BA(tk-1)CA(tk-1),JA(tk)=BA(tk)
CA(tk);JA(tk+1)=BA(tk+1)CA(tk+1),JB(tk+1)=BB(t)CB(t);β(k)=[ξA(tk-1) ξA(tk) ξA(tk+1)
ξB(t)]T,为系统误差;为均值为零,协方差矩阵为:
RW(k)=a2RA(k-1)+b2RA(k)+c2RA(k+1)-RB(k)
\*MERGEFORMAT(10)
符号T表示矩阵的转置运算。
进一步,所构建的状态方程与伪量测方程如下:
β(k+1)=F(k|k-1)β(k)+Q(k)\*MERGEFORMAT(11)
Z(k)=G(k)β(k)+W(k)
其中F(k+1|k)为状态方程的转移矩阵,取值与传感器的系统误差的变化规律相关,若传感器的系统误差是缓变的,则F(k+1|k)近似为单位矩阵,取为F(k+1|k)=0.99I,I为单位阵。
本发明提供的异步传感器空间配准算法,提出一种新的异步空间配准算法,重点研究了如何利用时间配准的结果构建与目标运动状态无关的伪量测方程,从而在地心地固(Earth center earth fixed,ECEF)坐标系下实现异步传感器的空间配准,解决了目标机动条件下的异步传感器空间配准问题。本发明采用内插外推时间配准算法实现了传感器采样数据的同步,并根据内插外推时间配准的结果建立了与目标运动状态无关的伪量测方程,采用基于ECEF的空间配准算法实现了异步传感器的空间配准。由于伪量测方程的建立过程仅与目标位置相关而与目标运动速度等参数无关,因此本发明提出了异步传感器空间配准算法可有效解决目标机动条件下的异步传感器空间配准问题。
附图说明
图1是本发明实施例提供的异步传感器空间配准算法的流程图;
图2是本发明实施例提供的目标非机动条件下距离误差估计示意图;
图3是本发明实施例提供的目标非机动条件下方位角误差估计示意图;
图4是本发明实施例提供的目标非机动条件下俯仰角误差估计示意图;
图5是本发明实施例提供的目标机动条件下距离误差估计示意图;
图6是本发明实施例提供的目标机动条件下方位角误差估计示意图;
图7是本发明实施例提供的目标机动条件下俯仰角误差估计示意图;
图8是本发明实施例提供的距离误差估计随采样周期比变化示意图;
图9是本发明实施例提供的方位角误差估计随采样周期比变化示意图;
图10是本发明实施例提供的俯仰角误差估计随采样周期比变化示意图;
图11是本发明实施例提供的距离误差估计随随机噪声变化示意图;
图12是本发明实施例提供的方位角误差估计随随机噪声变化示意图;
图13是本发明实施例提供的俯仰角误差估计随随机噪声变化示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明实施例的异步传感器空间配准算法包括以下步骤:
S101:确定低采样率传感器的数据时刻;
S102:采用内插外推时间配准算法,计算高采样率传感器的时间配准结果;
S103:计算伪量测方程;
S104:得到状态方程与量测方程,采用卡尔曼滤波,估计传感器的系统误差。
本发明的具体步骤为:
本发明包括内插外推时间配准算法和基于ECEF的空间配准算法两个过程:
内插外推时间配准算法的原理是:在同一时间片内将各传感器观测数据按测量精度进行增量排序,然后将传感器A的观测数据分别向传感器B的时间点内插、外推,以形成一系列等间隔的目标观测数据,采用常用的三点抛物线插值法的进行内插外推时间配准算法可得传感器A在tBk时刻在本地直角坐标系下的量测值为:
YA(tk-1)、YA(tk)、YA(tk+1)分别为传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值,分别为:
其中,Y′A(tk-1)、Y′A(tk)、Y′A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置;CA(t)为误差的变换矩阵;ξA(t)为传感器的系统误差;为系统噪声,假设为零均值、相互独立的高斯型随机变量,其噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1);
将式(2)、式(3)、式(4)带入式(1),可得
其中:为传感器A的本地直角坐标系下目
标的真实位置在tBk时刻的时间配准值;ξA(tk-1,tk,tk+1)=aCA(tk-1)ξA(tk-1)+bCA(tk)ξA(tk)+
cCA(tk+1)ξA(tk+1),为系统误差造成的误差项;为随机
噪声,假定tk-1、tk、tk+1时刻的噪声互不相关的零均值白噪声,则为均值为零,协方
差矩阵为RA=a2RA(k-1)+b2RA(k)+c2RA(k+1)的白噪声,而a、b、c、分别为且a+b+c=1;
而tBk时刻,传感器B的量测为:
Y′B(tBk)为传感器B的本地直角坐标系下目标的真实位置,ξB(tBk)为传感器B的系统误差,为传感器B的随机误差;
根据基于ECEF的空间配准算法,定义伪量测为:
对于同一公共目标,其在ECEF坐标系下的位置为Xe则有:
XAS(t)、XBS(t)分别为传感器A和传感器B在ECEF坐标系下的位置;
将式(5)、(6)、(8)带入式(7),则有:
Z(k)=G(k)β(k)+W(k) \*MERGEFORMAT(9)
其中G(k)=[-aJA(tk-1)-bJA(tk)-cJA(tk+1)JB(t)]=λJ为量测矩阵,其中,λ=[-a
-b -c 1],J=[JA(tk-1) JA(tl) JA(tk+1) JB(t)]T,JA(tk-1)=BA(tk-1)CA(tk-1),JA(tk)=BA
(tk)CA(tk),JA(tk+1)=BA(tk+1)CA(tk+1),JB(tk+1)=BB(t)CB(t);β(k)=[ξA(tk-1) ξA(tk) ξA
(tk+1) ξB(t)]T,为系统误差;为均值为零,协方差矩
阵为:
RW(k)=a2RA(k-1)+b2RA(k)+c2RA(k+1)-RB(k)
\*MERGEFORMAT(10)
的高斯白噪声;
由式(9)可以看出,由此方法构建的伪量测仅与传感器的位置、传感器的量测值、传感器的数据时间、传感器的系统误差、传感器的随机噪声相关,而与目标的状态信息无关,因此利用内插外推时间配准后的传感器数据进行空间配准的方法是可行的;
特别的,当系统误差估计时刻,传感器A与传感器B的数据刚好同步时,此时不采用配准算法,直接采用同步传感器系统误差估计算法进行估计;
可以得到传感器系统误差的状态方程和量测方程:
β(k+1)=F(k|k-1)β(k)+Q(k) \*MERGEFORMAT(11)
Z(k)=G(k)β(k)+W(k)
其中F(k+1|k)的取值与传感器的系统误差的变化规律相关,若传感器的系统误差是缓变的,则F(k+1|k)近似为单位矩阵,可取为F(k+1|k)=0.99I;
根据式(9)构建的伪量测方程采用卡尔曼滤波进行递推,即可得到传感器的系统误差;
首先进行一步预测:
Pk|k-1=F(k|k-1)Pk-1|k-1FT(k|k-1)+Q(k-1)
\*MERGEFORMAT(13)
随后计算滤波增益:
Sk=G(k)Pk|k-1GT(k)+RW(k) \*MERGEFORMAT(15)
最后完成更新:
得到的即为传感器的量测系统误差估计;
一般情况下,可认为不同时刻同一传感器的随机噪声服从同一分布,即RA(ki)=R(A),则有:
RA=(a2+b2+c2)R(A) \*MERGEFORMAT(18)
根据式(10),协方差矩阵可写为:
RW(k)=(a2+b2+c2)RA+RB \*MERGEFORMAT(19)
由式(12)-式(17)的滤波过程可知,影响传感器系统误差估计的主要因素为RW(k)的大小,由滤波理论可知,相同条件下RW(k)越小,滤波结果越精确,即传感器的系统误差估计越精确,由式(19)看出,影响RW(k)的因素为a,b,c的大小,以及传感器自身随机误差分布情况,影响a,b,c的主要因素为传感器的采样周期和起始时间,不同采样周期对系统误差估计的影响将在后文的仿真中进行分析。
结合本发明的实施例对本发明的应用效果做进一步的说明:
实施例1,具体包括以下步骤:
步骤1:初始化目标和传感器载机参数:
假定传感器A的系统误差为ξA(k)=[100m,0.01rad,0.01rad]T,随机噪声为均值为0,协方差为diag[102 0.0022 0.0022]的白噪声,采样周期为0.09s,传感器B的系统误差为ξB(k)=[-150m,0.05rad,-0.02rad]T,随机噪声为均值为0,协方差为diag[102 0.00220.0022]的白噪声,采样周期为0.1s,传感器A在ECEF坐标系下的位置为(0,0,0),传感器B在ECEF坐标系下的位置为(10000,10000,5000),目标在ECEF坐标系下的初始位置为(5000,5000,2000);
步骤2:根据式(5)计算传感器A的时间配准的结果;
步骤3:根据式(9)计算伪量测方程;
根据步骤2得到的传感器A的量测和直接得到的传感器B的量测,根据式(9)计算得到伪量测方程,并根据式(19)得到随机误差的协方差矩阵;
步骤4:根据式(11)确定状态方程与量测方程,采用式(12)-式(17)的滤波过程,计算出传感器A与传感器B的系统误差;
图2、图3、图4为当目标做匀速直线运动时,对传感器A和传感器B的系统误差的估计结果,目标的运动速度为[100m/s,200m/s,10m/s]时,本发明对传感器的系统误差估计较为理想,传感器A的距离系统误差的估计精度在10m左右,传感器B的距离系统误差的估计精度在3m左右;传感器A的方位角系统误差的估计精度在0.002rad左右,传感器B的方位角系统误差的估计精度在0.004rad左右;传感器A的俯仰角系统误差的估计精度在0.002rad左右,传感器B的俯仰角系统误差的估计精度在0.004rad左右;
图5、图6、图7为当目标做蛇形机动时,对传感器A和传感器B的系统误差的估计结果,本发明对传感器距离误差的估计精度仍然能维持在10m以下,在方位角和俯仰角系统误差的估计精度上,仍然保持较高精度,而本专利的伪量测推到过程完全基于传感器对目标的量测,仅于目标的位置相关,并不受目标运动状态影响,因此在目标蛇形机动时,本专利算法仍然可以较好的实现空间配准;
图8、图9、图10为系统误差的估计结果随周期之比的变化关系,传感器A的采样周期T1=0.09s,传感器A的采样周期T1与T2之间的关系为T2=nT1,假定传感器采样的起始时间相同,目标采用蛇形机动,距离系统误差的估计受传感器采样周期之比的影响不大,但是方位角与俯仰角的系统误差的估计受传感器的采样周期之比影响较大,且在n<4.5时的角度系统误差估计结果较为理想,而且,由于内插外推时间配准算法是由较高采样频率的传感器向较低采样频率的传感器进行配准,在此即由传感器A向传感器B进行配准,所以周期之比对传感器B的系统误差的估计结果影响较小,主要对传感器A的角度的系统误差的估计精度产生了较大的影响,而距离误差的估计受周期比变化影响较小;
图11、图12、图13为系统误差估计结果随传感器随机噪声变换关系,传感器A的采样周期为T1=0.09s,传感器B与传感器A的采样周期比为2.3,假定传感器采样的起始时间相同,传感器A的系统误差为ξA(k)=[100m,0.01rad,0.01rad]T,传感器B的系统误差为ξB(k)=[-150m,0.05rad,-0.02rad]T,传感器A与传感器B的随机噪声均值为0,协方差阵的强度为系统误差的10%~100%变化,即传感器A的协方差阵由diag[102 0.0012 0.0012]至diag[1002,0.012,0.012]变化,传感器B的协方差阵由diag[152 0.0052 0.0052]至diag[1502 0.052 0.022]变化,当随机噪声强度占系统误差60%以下时,系统误差的估计精度较高,且当随机噪声增大时,传感器A和传感器B的系统误差估计精度均大幅下降,传感器A的系统误差估计精度下降较快,受随机噪声影响较大.
综上所述,本发明的异步传感器空间配准方法可以有效实现对异步传感器的系统误差的估计,当目标做匀速直线运动时,可以以较高精度实现对传感器系统误差的估计,当目标做蛇形机动时,本专利算法仍然可以实现对传感器系统误差的准确估计,且通过仿真分析验证了本专利算法在传感器的周期比以及随机误差在一定范围内变化时均可实现对系统误差的准确估计,表现出良好的适应性。
本发明的优点在于:采用内插外推时间配准算法实现了传感器采样数据的同步,并根据内插外推时间配准的结果建立了与目标运动状态无关的伪量测方程,采用基于ECEF的空间配准算法实现了异步传感器的空间配准。由于伪量测方程的建立过程仅与目标位置相关而与目标运动速度等参数无关,因此本发明提出了异步传感器空间配准算法可有效解决目标机动条件下的异步传感器空间配准问题。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种仅使用目标位置信息的异步传感器空间配准的方法,其特征在于,该异步传感器空间配准的方法包括时间对准过程和传感器系统误差估计过程,且伪量测方程的建立过程仅与目标的位置相关,而与目标的速度、加速度状态无关;
时间对准过程完成传感器数据之间在时间上的对准,传感器A、传感器B在本地直角坐标系下的量测数据分别为YA(ti)和YB(ti),且传感器A的采样频率大于传感器B的采样频率,则由传感器A向传感器B的采样时刻进行配准,具体为:
采用内插外推的时间配准算法将传感器A的采样数据向传感器B的数据进行配准,使得两个传感器在空间配准时刻对同一个目标有同步的量测数据,内插外推时间配准算法如下:
在同一时间片内将各传感器观测数据按测量精度进行增量排序,然后将传感器A的观测数据分别向传感器B的时间点内插、外推,以形成一系列等间隔的目标观测数据,采用常用的三点抛物线插值法进行内插外推时间配准算法得到传感器A在tBk时刻在本地直角坐标系下的量测值为:
其中,tBk为配准时刻,tk-1,tk,tk+1为传感器A距离配准时刻最近的三个采样时刻,YA(tk-1),YA(tk),YA(tk+1)分别为其对应的对目标的探测数据;
完成时间配准后,根据传感器A的配准数据与传感器B的采样数据,采用基于地心地固(Earth Center Earth Fixed,ECEF)坐标系下的伪量测法实现传感器A和传感器B的系统误差的估计;基于ECEF的系统误差估计算法具体为:
假设k时刻目标在本地直角坐标系下真实位置为X'1(k)=[x'1(k),y'1(k),z'1(k)]T,极坐标系下对应的量测值为分别为距离、方位角、俯仰角;转换至本地直角坐标系下为X1(k)=[x1(k),y1(k),z1(k)]T;传感器系统偏差为分别为距离、方位角和俯仰角的系统误差;于是有:
其中表示观测噪声,均值为零、方差为
式(2)可以用一阶近似展开并写成矩阵形式为:
X'1(k)=X1(k)+C(k)[ξ(k)+n(k)] (3)
其中,
设两部传感器A和B,则对于同一个公共目标,假定该目标在地心地固坐标系下为X'e=[x'e,y'e,z'e]T,可得
X'e=XAs+BAX'A1(k)=XBs+BBX'B1(k) (4)
BA,BB分别为目标在传感器A与传感器B本地坐标下的位置转换到ECEF坐标系下的位置时的转换矩阵,XAs和XBs分别为传感器A和传感器B在地心地固坐标系下的位置,X'A1(k)和X'B1(k)分别为目标在传感器A和传感器B的本地坐标系下的真实位置;
定义伪量测为:
Z(k)=XAe(k)-XBe(k) (5)
其中,XAe(k)=XAs+BAXA1(k);XBe(k)=XBs+BBXB1(k)
将式(2)、式(3)代入式(4)可以得到关于传感器偏差的伪测量方程
Z(k)=H(k)β(k)+W(k) (6)
其中,H(k)=[-BACA(k) BBCB(k)],CA(k)和CB(k)分别为传感器A和传感器B在式(3)中对应的C矩阵;Z(k)为伪测量向量;H(k)为测量矩阵;β为传感器偏差向量;W(k)为测量噪声向量;由于nA(k),nB(k)为零均值、相互独立的高斯型随机变量,因此W(k)同样是零均值高斯型随机变量,其协方差矩阵为R(k)。
2.如权利要求1所述的异步传感器空间配准的方法,其特征在于,该异步传感器的空间配准方法包括的步骤如下:
步骤一、确定低采样率传感器的数据时刻;
步骤二、采用内插外推时间配准算法,计算高采样率传感器的时间配准结果;
步骤三、根据伪量测构建过程计算伪量测方程;
步骤四、根据所构建的状态方程与伪量测方程,采用卡尔曼滤波,估计传感器的系统误差。
3.如权利要求1所述的异步传感器空间配准的方法,其特征在于,传感器A的量测模型如下:
YA(tk-1)、YA(tk)、YA(tk+1)分别为传感器A对目标在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的量测值,分别为:
其中,Y'A(tk-1)、Y'A(tk)、Y'A(tk+1)分别为传感器A在tk-1,tk,tk+1时刻的本地笛卡尔坐标系下的真实位置;CA(t)为误差的变换矩阵;ξA(t)为传感器的系统误差;为系统噪声,假设为零均值、相互独立的高斯型随机变量,噪声协方差矩阵分别为RA(k-1)、RA(k)、RA(k+1)。
4.如权利要求3所述的异步传感器空间配准的方法,其特征在于,传感器A向传感器B进行配准的具体过程如下:
将式(7)、式(8)、式(9)带入式(1),可得:
其中:为传感器A的本地直角坐标系下目标的真实位置在tBk时刻的时间配准值;为系统误差造成的误差项;为随机噪声,假定tk-1、tk、tk+1时刻的噪声互不相关的零均值白噪声,则为均值为零,协方差矩阵为RA=a2RA(k-1)+b2RA(k)+c2RA(k+1)的白噪声,而a、b、c、分别为且a+b+c=1。
5.如权利要求4所述的异步传感器空间配准的方法,其特征在于,伪量测构建过程仅与目标的位置相关,而与目标的速度、加速度状态无关,具体过程如下:
tBk时刻,传感器A的配准量测为传感器B的量测为:
Y'B(tBk)为传感器B的本地直角坐标系下目标的真实位置,ξB(tBk)为传感器B的系统误差,为传感器B的随机误差;
根据权利要求1中所述的基于ECEF的空间配准算法,定义伪量测为:
对于同一公共目标,在ECEF坐标系下的位置为Xe则有:
XAS(t)、XBS(t)分别为传感器A和传感器B在ECEF坐标系下的位置,
将式(10)、(11)、(13)带入式(12),则有:
Z(k)=G(k)β(k)+W(k) (14)
其中G(k)=[-aJA(tk-1)-bJA(tk)-cJA(tk+1)JB(t)]=λJ,为量测矩阵,其中,λ=[-a -b -c 1],J=[JA(tk-1) JA(tk) JA(tk+1) JB(t)]T,JA(tk-1)=BA(tk-1)CA(tk-1),JA(tk)=BA(tk)CA(tk);JA(tk+1)=BA(tk+1)CA(tk+1),JB(tk+1)=BB(t)CB(t);β(k)=[ξA(tk-1) ξA(tk) ξA(tk+1) ξB(t)]T,为系统误差;为均值为零的高斯随机噪声,其协方差矩阵为:
RW(k)=a2RA(k-1)+b2RA(k)+c2RA(k+1)-RB(k) (15)
符号T表示矩阵的转置运算。
6.如权利要求5所述的异步传感器空间配准的方法,其特征在于,所构建的状态方程与伪量测方程如下:
其中F(k+1|k)为状态方程的转移矩阵,取值与传感器的系统误差的变化规律相关,若传感器的系统误差是缓变的,则F(k+1|k)近似为单位矩阵,取为F(k+1|k)=0.99I,I为单位阵;Q(k)为过程噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410280723.1A CN104809326B (zh) | 2014-06-23 | 2014-06-23 | 一种异步传感器空间配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410280723.1A CN104809326B (zh) | 2014-06-23 | 2014-06-23 | 一种异步传感器空间配准算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104809326A CN104809326A (zh) | 2015-07-29 |
CN104809326B true CN104809326B (zh) | 2019-03-29 |
Family
ID=53694142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410280723.1A Expired - Fee Related CN104809326B (zh) | 2014-06-23 | 2014-06-23 | 一种异步传感器空间配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104809326B (zh) |
Families Citing this family (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105534600A (zh) * | 2015-12-29 | 2016-05-04 | 高建萍 | 一种智能检验采血台 |
CN105559817A (zh) * | 2015-12-29 | 2016-05-11 | 李彩平 | 一种多功能医用儿科听诊器 |
CN105652255B (zh) * | 2016-02-29 | 2018-03-06 | 西安电子科技大学 | 雷达组网系统的空间配准方法 |
CN106137359A (zh) * | 2016-07-22 | 2016-11-23 | 张立沼 | 一种骨科锁定螺钉 |
CN106546961A (zh) * | 2016-07-27 | 2017-03-29 | 南京信息工程大学 | 一种变步长约束总体最小二乘空间配准算法 |
CN106302680A (zh) * | 2016-08-06 | 2017-01-04 | 内蒙古大学 | 一种基于物联网的数据显示后台系统 |
CN106355538A (zh) * | 2016-08-26 | 2017-01-25 | 中国地质科学院探矿工艺研究所 | 一种崩塌防治工程系统 |
CN106291751A (zh) * | 2016-09-18 | 2017-01-04 | 王光栋 | 一种地质建造的检测系统 |
CN106443605A (zh) * | 2016-10-14 | 2017-02-22 | 中国人民解放军海军航空工程学院 | 基于实时质量控制ecef‑gls系统误差自适应配准方法 |
CN107067273A (zh) * | 2016-11-30 | 2017-08-18 | 四川省巴食巴适电子商务有限公司 | 基于互联网电子商务信息发布与推广的控制系统及方法 |
CN106707850A (zh) * | 2016-12-06 | 2017-05-24 | 张强 | 一种太阳能环境监测车 |
CN106709944B (zh) * | 2016-12-14 | 2020-06-05 | 上海微小卫星工程中心 | 卫星遥感图像配准方法 |
CN106530927A (zh) * | 2016-12-28 | 2017-03-22 | 侯江昊 | 一种展示心脏杂音产生原理的装置 |
CN106647514A (zh) * | 2016-12-28 | 2017-05-10 | 安徽工程大学 | 一种对水泥企业碳排放实时在线监测管理系统 |
CN108261280A (zh) * | 2016-12-30 | 2018-07-10 | 青岛大学附属医院 | 一种心血管介入治疗使用的防止上肢移位的装置 |
CN106658921A (zh) * | 2017-01-11 | 2017-05-10 | 河南工程学院 | 一种灯控开关系统 |
CN107149470A (zh) * | 2017-01-23 | 2017-09-12 | 常梅 | 一种基于互联网的妇产科电子脉搏仪控制系统 |
CN106890008A (zh) * | 2017-02-15 | 2017-06-27 | 北京大学第三医院 | 一种脑血管分析系统 |
CN107456271A (zh) * | 2017-02-20 | 2017-12-12 | 葛亚平 | 一种多功能机电手术系统 |
CN106901941A (zh) * | 2017-02-21 | 2017-06-30 | 哈尔滨医科大学 | 一种脊柱关节减压系统 |
CN106860936A (zh) * | 2017-03-07 | 2017-06-20 | 魏红霞 | 一种新型多功能肛肠臭氧冲洗治疗仪 |
CN107550471A (zh) * | 2017-04-05 | 2018-01-09 | 李霄艳 | 一种消化内科上消化道出血护理系统 |
CN107640987A (zh) * | 2017-06-30 | 2018-01-30 | 四川省亨润传承农业科技股份有限公司 | 一种新型富硒植物肥料及其制备方法 |
CN107811443A (zh) * | 2017-10-23 | 2018-03-20 | 中山职业技术学院 | 一种多用途的折叠家具椅 |
CN107885115A (zh) * | 2017-11-06 | 2018-04-06 | 四川大学 | 一种智能型地下工程通风系统 |
CN107890346A (zh) * | 2017-11-09 | 2018-04-10 | 丁海涛 | 一种智能神经外科医生用颅压检测治疗控制系统 |
CN107961408A (zh) * | 2017-11-24 | 2018-04-27 | 赵行兵 | 一种泌尿外科自动冲洗装置 |
CN108169722A (zh) * | 2017-11-30 | 2018-06-15 | 河南大学 | 一种未知干扰影响下传感器的系统偏差配准方法 |
CN107991040A (zh) * | 2017-12-01 | 2018-05-04 | 遵义市产品质量检验检测院 | 一种智能压力容器泄露检测系统 |
CN107984756A (zh) * | 2017-12-06 | 2018-05-04 | 付文军 | 一种用于制备心血管支架的3d打印装置 |
CN108088500A (zh) * | 2017-12-14 | 2018-05-29 | 徐光宏 | 一种智能综合性环境检测系统及方法 |
CN108298139A (zh) * | 2018-01-29 | 2018-07-20 | 曹凯 | 一种碳基生物菌肥分装处理装置 |
CN108036745B (zh) * | 2018-01-30 | 2020-02-07 | 长沙深之瞳信息科技有限公司 | 一种微波干涉形变测量的误差补偿方法 |
CN108762348A (zh) * | 2018-05-08 | 2018-11-06 | 重庆工业职业技术学院 | 一种温室自动化控制系统 |
CN110823560A (zh) * | 2018-08-07 | 2020-02-21 | 上海华依科技集团股份有限公司 | 一种用于自动变速器下线测试系统的数据采集方法 |
CN109095745A (zh) * | 2018-09-13 | 2018-12-28 | 六盘水师范学院 | 一种有机污泥的脱水系统 |
CN114323115B (zh) * | 2021-11-12 | 2023-04-25 | 北京市燃气集团有限责任公司 | 一种多传感器数据融合方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305927A (zh) * | 2011-05-16 | 2012-01-04 | 中国人民解放军海军航空工程学院 | Ecef坐标系下2-d雷达误差配准两步算法 |
CN103364767A (zh) * | 2013-07-08 | 2013-10-23 | 杭州电子科技大学 | 地基雷达与移动平台雷达的时空配准方法 |
-
2014
- 2014-06-23 CN CN201410280723.1A patent/CN104809326B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102305927A (zh) * | 2011-05-16 | 2012-01-04 | 中国人民解放军海军航空工程学院 | Ecef坐标系下2-d雷达误差配准两步算法 |
CN103364767A (zh) * | 2013-07-08 | 2013-10-23 | 杭州电子科技大学 | 地基雷达与移动平台雷达的时空配准方法 |
Non-Patent Citations (2)
Title |
---|
多传感器组网系统空间配准算法;路高勇等;《西南民族大学学报·自然科学版》;20090930;第1072-1076页 |
雷达/红外数据融合的机动目标跟踪算法综述;尹继豪等;《航空兵器》;20091031;第39-43页 |
Also Published As
Publication number | Publication date |
---|---|
CN104809326A (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104809326B (zh) | 一种异步传感器空间配准算法 | |
CN109459033A (zh) | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 | |
CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
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 | |
CN106646450B (zh) | 基于距离分步聚类的雷达航迹抗差关联方法 | |
CN108490433B (zh) | 基于序贯滤波的空时偏差联合估计与补偿方法及系统 | |
CN104080165B (zh) | 一种基于tdoa的室内无线传感器网络定位方法 | |
CN103776453B (zh) | 一种多模型水下航行器组合导航滤波方法 | |
CN107066806B (zh) | 航迹关联方法及装置 | |
CN106597498B (zh) | 多传感器融合系统空时偏差联合校准方法 | |
CN107192998A (zh) | 一种基于协方差指标函数的自适应分布式航迹数据融合方法 | |
CN110455309A (zh) | 具备在线时间校准的基于msckf的视觉惯性里程计 | |
CN109737968B (zh) | 基于二维LiDAR和智能手机的室内融合定位方法 | |
CN103792515B (zh) | 一种异平台2维雷达与红外传感器量测数据合成方法 | |
CN106707234B (zh) | 一种联合时延差与角度测量的传感器网络目标定位方法 | |
CN106291530B (zh) | 一种基于最近邻法的概率数据关联优化方法 | |
CN114739397A (zh) | 矿井环境运动惯性估计自适应卡尔曼滤波融合定位方法 | |
Zhang et al. | A dynamic window-based UWB-Odometer fusion approach for indoor positioning | |
Amendolare et al. | WPI precision personnel locator system: Inertial navigation supplementation | |
Qiu et al. | Indoor geomagnetic positioning based on a joint algorithm of particle filter and dynamic time warp | |
CN107228667B (zh) | 一种融合地图信息的改进卡尔曼滤波器室内定位跟踪方法 | |
Xin et al. | Stable positioning for mobile targets using distributed fusion correction strategy of heterogeneous data | |
CN103593857A (zh) | 基于模糊算法的多传感器数据融合跟踪系统及方法 | |
Zhang et al. | A Fusion Localization Algorithm Combining MCL with EKF | |
Pazhoohesh et al. | A practical localization system based on principle component analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190329 Termination date: 20200623 |