CN107067019A - 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 - Google Patents
基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 Download PDFInfo
- Publication number
- CN107067019A CN107067019A CN201611164933.XA CN201611164933A CN107067019A CN 107067019 A CN107067019 A CN 107067019A CN 201611164933 A CN201611164933 A CN 201611164933A CN 107067019 A CN107067019 A CN 107067019A
- Authority
- CN
- China
- Prior art keywords
- estimation
- noise
- ads
- imm
- tcas
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于变分贝叶斯估计下的ADS‑B与TCAS数据融合方法,利用变分贝叶斯算法在线估计传感器时变噪声,作为IMM交互多模型滤波过程中观测噪声的参数输入,改变以往将观测噪声作为已知固定常数的情况。因为在实际运用中,传感器噪声可能因为传感器本身特性,环境因素等出现变化,如果利用先验知识设定观测噪声,容易造成跟踪效果恶化。变分贝叶斯在线估计噪声,在解决缺乏噪声的先验知识的情景之外,也可以为融合系统的安全性提供保障。对于危害元素在噪声中表征的情况起到很好的侦测作用。
Description
技术领域
本发明涉及的是一种飞行器监控领域的技术,具体是一种基于变分贝叶斯估计下的广播式自动相关监视(ADS-B)与空中防撞系统(TCAS)数据融合方法,特别适合处理传感器噪声时变且未知以及融合过程中安全性危害元素能在噪声中表征的情景。
背景技术
当前机动目标跟踪算法的研究主要集中在交互多模型跟踪算法(IMM),它已被证明是目前混合系统估计算法中性价比最好的算法,并且易于在计算机上实现。IMM算法的基本思想是使用不同模型匹配目标不同运动状态,代表各个模型的滤波器并行工作,并且假设各模型之间的切换服从Markov过程,最终的估计结果为各模型估计的加权和。IMM算法的一个关键因素是目标运动模型,它应该尽可能真实地反映目标的实际机动情况。标准IMM算法的模型集是固定静态的。1970年,R.A.Singer提出Singer模型,把加速度表示成零均值高斯白噪声激励下的一阶时间相关模型,并假设其服从均匀分布;A w Bridgewater和B.Friedland分别在1973年提出匀加速(CA)模型,匀速(CV)模型;1983年,我国学者周宏仁提出了机动目标的“当前”统计模型,该模型在Singer模型的基础上改进了,假设其加速度均值非零,并用修正的瑞利-马尔科夫过程描述目标机动加速度的统计特性。对于IMM算法,为了提高算法的准确性,不得不使用多个模型,但使用过多模型又会引入模型竞争反而使算法性能降低,而且增加了计算量。许多文献都对IMM算法中的模型集进行了改进。另一方面,实际中传感器噪声是时变且未知的,故很有必要进行在线传感器噪声估计,作为IMM算法噪声参数的输入。经典的噪声自适应滤波方法可以分为贝叶斯法,最大似然法,方差匹配法。相比于采样方法,变分贝叶斯(VB)适应性强,计算效率高。Attias H的论述被认为是变分贝叶斯算法最早的理论体系。该方法提议引入一个形式简单的分布,通过迭代更新变分参数,不断最大化待估计参数的边缘似然函数的下界来逼近参数的真实后验分布,直至算法收敛。虽然变分贝叶斯算法在提出之初的几年里普遍用于系统模型的参数估计,但近几年因为变分贝叶斯算法相比MCMC等采样方法在估计上的快速性,使得它的应用领域已经从参数推断领域延伸到了状态估计领域。Sarkk的变分贝叶斯算法通过在固定点的卡尔曼滤波迭代接近状态和噪声的联合后验分布。
发明内容
本发明针对现有技术存在的上述不足,提出一种基于变分贝叶斯估计下的ADS-B与TCAS数据融合方法,利用变分贝叶斯(VB)方法在线估计传感器时变噪声,作为IMM交互多模型滤波过程中观测噪声的参数输入,改变以往将观测噪声作为已知固定常数的情况。因为在实际运用中,传感器噪声可能因为传感器本身特性,环境等因素出现变化,如果利用先验知识设定观测噪声,容易造成跟踪效果恶化。变分贝叶斯在线估计噪声,在解决缺乏噪声的先验知识的情景之外,也可以为融合系统的安全性提供保障。对于危害元素在噪声中表征的情况起到很好的侦测作用。
本发明是通过以下技术方案实现的:
本发明包括以下步骤:
步骤1)利用变分贝叶斯算法在线估计时变的传感器噪声,作为交互多模型跟踪方法中噪声参数的输入;
步骤2)将估计的位置不确定性等级与采样间隔相结合,在不同噪声级别与波动剧烈程度下自适应调整采样周期;
步骤3)将ADS-B与TCAS测量的局部滤波优化值进行融合,得到全局最优估计,作为防撞系统的数据输入以进行防撞逻辑解算;
步骤4)注入典型的ADS-B故障模式,分析ADS-B与TCAS数据融合对TCAS防撞系统带来的正向与负向收益;
步骤5)从位置估计的均方根误差和虚警、漏警统计两个指标,对跟踪融合效果进行评价,从而降低虚警、漏警的发生频率,提高防撞系统安全性。
步骤1中所述的变分贝叶斯算法是指:首先计算预测分布的参数,再通过迭代方式进行更新。
所述的预测分布的参数是指:受高斯隶属度函数启发,定义:
其中:c1,c2,c3是常数,c3维持数值的稳定性,c1表示前一时刻方差的影响,c2表示方差波动的影响,
所述的迭代方式是指:设定其中:
ρi∈(0,1]是遗忘因子,是一个对噪声估计收敛性敏感的参数,该参数跟上一次噪声方差的波动与幅值有关;mk-1(3,1)是加速度估计,变分贝叶斯算法在当前统计模型的滤波下进行;d是测量向量的维数,迭代N步计算:
并且设定得到的噪声估计作为IMM算法观测噪声的输入。
步骤1中所述的交互多模型跟踪方法,具体包括以下步骤:
a)混合概率计算:其中: 是归一化因子。
b)交互计算,即系统的混合状态估计:
c)滤波处理,由于IMM中的测量噪声方差通过变分贝叶斯算法在线估计得到,而不是预先设定的常数,因此目标的状态估计和方差矩阵通过滤波过程得到,具体为:
其中:Φj(k-1)
为状态转移矩阵,Γj(k-1)为控制输入矩阵,为加速度估计,z(k)为当前测量值,zj(k|k-1)为测量值预测,Hj(k)为观测矩阵,为状态预测,Pj(k|k-1)为方差预测,Pj(k|k)为当前方差,为当前状态,Ms为模型集,pij是转移矩阵,Pj(k|k)是时刻k模型匹配滤波器j的状态估计和方差,P0j(k|k)是时刻k模型匹配滤波器j的混合初始状态,P(k|k)是结合的状态估计和方差μi|j(k|k)是k时刻的混合概率,是变分贝叶斯算法迭代N步后得到的测量噪声估计;
d)通过残差测量和残差方差计算似然函数,具体为:
其中:d是测量向量的维数,Λj(k)滤波器j的似然函数,μj(k)是k时刻的模型概率;
e)状态加权估计:
通过所有滤波器局部估计的加权和得到,
步骤c)中的加速度估计采用CV、CA以及CS模型,其中:
所述的CV模型包括:状态参数和状态转移矩阵,此模型适用于飞机的非机动阶段,具体为:其中:T是采样周期;
所述的CA模型包括:状态转移矩阵,适用于飞机的匀加速阶段,具体为:
所述的CS模型为当前统计模型,具体为:z(k)=HjX(k)+υj(k),其中:ωj(k),υj(k)是零均值,独立的高斯白噪声,Φj(k)是状态转移矩阵,Γj(k)是输入矩阵,T是采样周期,α是机动频率,过程噪声矩阵Q(k)=2ασa 2Q,σa 2为机动加速度方差,Q是一个包含可变周期T的矩阵,其中:amax,a-max是加速度的上下限,即为加速度的估计。
步骤2中所述的估计的位置不确定性等级与采样间隔相结合,具体是指:由于ADS-B系统从位置精度输出得到NACP等级,即位置的导航精度类别NACP(Navigation AccuracyCategory for Position)指定了飞机的水平位置信息的准确性,包括从飞机航空电子系统传输过来的经度纬度。而NACP指定报告的信息以95%的概率在允许的误差范围内,因此利用步骤1中得到的在线噪声估计参数,当噪声水平较小的时候,采样周期可以延长。而噪声较大并且变化剧烈,本机与入侵机空域临近的时候自适应加密采样间隔。因此在NACP等级为10和11时,仿真的采样间隔是1s。在NACP等级为9时,采样间隔是0.8s。NACP等级为8,7,6时,采样间隔是0.6s。当入侵告警解除,入侵机远离时,采样间隔恢复为1s,具体如下表:
NACP等级 | 估计位置不确定性(EPU) | 仿真采样间隔 |
0 | ≥18.52km(10nm) | 1s |
1 | <18.52km(10nm) | 1s |
2 | <7.408km(4nm) | 1s |
3 | <7.408km(4nm) | 1s |
4 | <1852m(1nm) | 1s |
5 | <926m(0.5nm) | 0.8s |
6 | <926m(0.5nm) | 0.6s |
7 | <185.2m(0.1nm) | 0.6s |
8 | <92.6m(0.05nm) | 0.6s |
9 | <30m | 0.8s |
10 | <10m | 1s |
11 | <3m | 1s |
步骤3中所述的全局最优估计,通过最优信息融合准则得到,具体为:存在L个传感器的无偏估计估计误差方差阵为Pij,i,j=1,...L,按照矩阵加权线性最小方差准则,状态估计为其中:[A1,...,AL]=(eTP-1e)-1eTP-1,Ai是n阶方针,P以分块矩阵Pij作为第(i,j)个元素。In是n阶单位阵,e=[In … In]T。最优融合估计方差阵为P0=(eTP-1e)-1,传感器数据源为TCAS和ADS-B数据,L=2,得到融合方程为[ATCAS,AADS-B]=[A1,A2]=(eTP-1e)-1eTP-1
e=[I3 I3]T,
其中:分别从变采样间隔VB-IMM,固定采样间隔VB-IMM,当前统计CS模型算法得到。
步骤4中所述的注入典型ADS-B故障模式,包括阶跃、斜坡、振荡和丢失等,然后分析整个融合系统的响应和安全性。原本三维信息变成高斯白噪声模拟ADS-B导航数据丢失,因为飞机的位置,速度,加速度不存在大跃变的可能性,前后两个状态的变化量有限,而且当数据源信息发生丢失这种突变时,融合系统通过侦测前后时刻信息改变量的峰值与噪声水平估计可以定位数据丢失与畸变故障,从而采取相应机制,自适应调整融合权值,保障融合系统的安全性。依次注入以上典型故障,分析各系统的均方根误差与虚警、漏警统计结果,证明融合系统可以保证系统稳定运行,并且优于单一TCAS系统的性能。
步骤5中所述的对跟踪融合效果进行评价,具体是指:采用固定采样VB-IMM算法和变采样VB-IMM算法在经度,纬度,高度方向估计值的均方根误差进行统计,并统计在TA,RA告警区间内单独TCAS系统、单独ADS-B系统以及TCAS,ADS-B数据融合系统虚警和漏警的发生频率。
技术效果
与现有技术相比,本发明克服以往系统传感器噪声需要先验信息的不足,进行在线传感器噪声水平估计;能够自适应采样跟踪,融合算法改善了防撞系统输入数据的精度;与单独TCAS和单独ADS-B系统相比,本发明降低了防撞系统在TA,RA告警时发生虚警、漏警的频率,提高了系统安全性。
附图说明
图1为变采样间隔VB-IMM在系统实施中的框架示意图;
图2为飞机运动状态参数真值与估计示意图;
图中:从左上到右下依次为飞机各个方向运动加速度、速度真值、固定采样VB-IMM方法下的估计值、变采样间隔VB-IMM方法下的估计值;
图3为算法的模型切换概率示意图;
图中:第一排为固定采样VB-IMM的模型切换概率,第二排为变采样间隔VB-IMM的模型切换概率;
图4为到达两机最接近点Tau的变化图示意图;
图中:从左往右依次为固定采样和变采样得到的到达两机最接近点的时间示意图;
图5为变分贝叶斯算法下ADS-B与TCAS噪声估计示意图;
图中:a为ADS-B系统在线噪声估计,b为TCAS系统在线噪声估计;
图6为经度,纬度,高度方向各系统均方根误差(RMSE)与虚警漏警统计示意图;
图中:a为经度方向各系统均方根误差,b为纬度方向各系统均方根误差,c为高度方向各系统均方根误差。
具体实施方式
如图1所示,为本系统的实施示意图,具体包括:目标生成模块、TCAS监视模块、ADS-B监视模块、数据预处理模块、噪声估计模块、信息融合模块以及两组分别将TCAS和ADS-B数据作为输入的CS当前统计跟踪模型模块、IMM固定采样模块和IMM变采样模块,其中:目标生成模块与TCAS监视与ADS-B监视相连并传输航迹信息,TCAS监视模块与ADS-B监视模块的数据经过数据预处理模块的坐标系转换统一后,通过变分贝叶斯在线噪声估计模块得到TCAS噪声估计和ADS-B噪声估计,分别作为噪声参数输入传输至两组CS当前统计跟踪模型模块、IMM固定采样模块和IMM变采样模块,并分别得到TCAS数据和ADS-B数据对应的CS模块优化值,固定采样IMM优化值、变采样IMM优化值,通过信息融合模块进行融合处理,得到CS当前统计跟踪模型模块、IMM固定采样模块和IMM变采样模块的全局最优值,作为空中交通防撞系统逻辑处理模块的输入并最终得到两机最接近点的时间,并在TA、RA告警区间内统计虚警,漏警的次数。
本实施例中的飞机在12500至12650步之间进行机动,该融合方法具体包括以下步骤:
步骤1)利用变分贝叶斯算法在线估计时变的传感器噪声,作为交互多模型跟踪方法中噪声参数的输入;
步骤2)将估计的位置不确定性等级与采样间隔相结合在不同噪声级别与波动剧烈程度下自适应调整采样周期;
步骤3)将ADS-B与TCAS测量的局部滤波优化值进行融合,得到全局最优估计,作为防撞系统的数据输入以进行防撞逻辑解算;
步骤4)注入典型的ADS-B故障模式,分析ADS-B与TCAS数据对TCAS带来的正向与负向收益;
步骤5)从位置估计的均方根误差和虚警漏警统计两个指标,对跟踪融合效果进行评价,从而降低虚警漏警的发生频率,提高防撞系统安全性。
如图2所示,为飞机在机体轴向,侧向,垂向的加速度真值与经过变采样VB-IMM(VSVB-IMM)和固定采样VB-IMM(FSVB-IMM)得到的参数估计;
如图3所示,为模型概率转换图,模型1是CV,模型2是CA,模型3是CS。在12500至12650步之间在飞机轴向(经度方向)出现机动。经度方向,CS和CA模型概率很快上升,CV下降。因为在此间隔内主要为匀加速运动,所以CA模型概率占主导地位。在13000步出现另一个机动,分析过程类似。第二排的三个图是VSVB-IMM m次蒙特卡洛仿真的叠加结果;
在大地坐标系与地心地固坐标系转换后,将TCAS测量与ADS-B测量统一到相同坐标系下,局部航迹由VSVB-IMM算法得到并按照信息融合准则进行融合,作为TCAS核心处理模型的输入。计算本机与入侵机的相对位置,根据当前航迹与速度信息进行外推,预测达到两机最接近点的时间(Tau)。Tau也是预测冲突与进行RA决策咨询的基础。如图4所示,为不同系统Tau的计算结果,包括蓝线的真值。对于VSVB-IMM算法,是60次蒙特卡洛实验叠加的结果;
在仿真实验中,TCAS包含了固定的噪声,标准差的幅值是50m/s。而振荡行为可能源于动力学建模,初始条件和标定误差的反应影响。正弦振荡噪声注入ADS-B系统,标准差的峰值是40m/s。图5为TCAS与ADS-B系统时变测量噪声的在线方差估计,绿线表示真值,红线表示估计值。遗忘因子是变分贝叶斯算法的一个敏感参数,正如变分贝叶斯预测分布与迭代中所描述。本实验中每次的迭代次数为30。虽然存在一定的滞后与偏差,但IMM依然可以在能够接受的均方根误差范围内正常运行。
所述的均方根误差为:其中:M是特卡洛的次数,k是仿真的步数。如图6所示,为60次蒙特卡洛的统计结果。融合系统的RMSE小于TCAS和ADS-B子系统,VSVB-IMM优于FSVB-IMM系统,正如图中带方块的绿线RMSE是最小的。
从上表中的定量化数据也可以得到相同的结论。另外一个统计指标是处于TA(Tau处于35-45s)和RA(Tau<35s)状态时发生的虚警,漏警情况。虚警定义为在采样点估计的Tau小于真值,并且超过一定阈值(可以设定为常数,如1s)。漏警定义为估计的Tau大于真值,并超过阈值。在表2中,通过相同采样情况的横向比较,如前3行和倒数3行,或者不同采样情况相同算法的纵向比较,像第2和和第5行,第3和和第6行,可以得出结论融合可以减少TA,RA区间内虚警,漏警的发生频率。漏警和延迟告警压缩了系统和飞行员的避撞响应时间,严重影响飞行安全。因此一个更准确的告警时间可以改善系统的安全性,带来融合的正向收益。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (11)
1.一种基于变分贝叶斯估计下的ADS-B与TCAS数据融合方法,其特征在于,包括以下步骤:
步骤1)利用变分贝叶斯算法在线估计时变的传感器噪声,作为交互多模型跟踪方法中噪声参数的输入;
步骤2)将估计的位置不确定性等级与采样间隔相结合,在不同噪声级别与波动剧烈程度下自适应调整采样周期;
步骤3)将ADS-B与TCAS测量的局部滤波优化值进行融合,得到全局最优估计,作为防撞系统的数据输入以进行防撞逻辑解算;
步骤4)注入典型的ADS-B故障模式,分析ADS-B与TCAS数据融合对TCAS防撞系统带来的正向与负向收益;
步骤5)从位置估计的均方根误差和虚警漏警统计两个指标,对跟踪融合效果进行评价,从而降低虚警漏警的发生频率,提高防撞系统安全性。
2.根据权利要求1所述的数据融合方法,其特征是,所述的变分贝叶斯算法是指:首先计算预测分布的参数,再通过迭代方式进行更新。
3.根据权利要求2所述的数据融合方法,其特征是,所述的预测分布的参数是指:受高斯隶属度函数启发,定义:其中:c1,c2,c3是常数,c3维持数值的稳定性,c1表示前一时刻方差的影响,c2表示方差波动的影响。
4.根据权利要求2所述的数据融合方法,其特征是,所述的迭代方式是指:设定其中: ρi∈(0,1]是遗忘因子,是一个对噪声估计收敛性敏感的参数,该参数跟上一次噪声方差的波动与幅值有关;mk-1(3,1)是加速度估计,变分贝叶斯算法在当前统计模型的滤波下进行;d是测量向量的维数,迭代N步计算:
并且设定得到的噪声估计作为IMM算法观测噪声的输入。
5.根据权利要求1所述的数据融合方法,其特征是,所述的交互多模型跟踪方法,具体包括以下步骤:
a)混合概率计算:其中: 是归一化因子;
b)交互计算,即系统的混合状态估计:
c)滤波处理,由于IMM中的测量噪声方差通过变分贝叶斯算法在线估计得到,而不是预先设定的常数,因此目标的状态估计和方差矩阵通过滤波过程得到,具体为:
rj(k)=z(k)-zj(k|k-1) (residual)
Sj(k)=Hj(k)Pj(k|k-1)Hj(k)T+σj(k) (residual covariance)
Kj(k)=Pj(k|k-1)Hj(k)TSj(k)-1 (filter gain)
Pj(k|k-1)=Φj(k-1)P0j(k-1|k-1)Φj(k-1)T+Γj(k-1)Qj(k-1)Γj(k-1)T
Pj(k|k)=Pj(k|k-1)-Kj(k)Sj(k)Kj(k)T ,其中:Φj(k-1)为状态转移矩阵,Γj(k-1)为控制输入矩阵,为加速度估计,z(k)为当前测量值,zj(k|k-1)为测量值预测,Hj(k)为观测矩阵,为状态预测,Pj(k|k-1)为方差预测,Pj(k|k)为当前方差,为当前状态,Ms为模型集,pij是转移矩阵,Pj(k|k)是时刻k模型匹配滤波器j的状态估计和方差,P0j(k|k) 是时刻k模型匹配滤波器j的混合初始状态,P(k|k)是结合的状态估计和方差μi|j(k|k)是k时刻的混合概率,是变分贝叶斯算法迭代N步后得到的测量噪声估计;
d)通过残差测量和残差方差计算似然函数,具体为: 其中:d是测量向量的维数,Λj(k)滤波器j的似然函数,μj(k)是k时刻的模型概率;
e)状态加权估计:
通过所有滤波器局部估计的加权和得到,
6.根据权利要求5所述的数据融合方法,其特征是,步骤c)中的加速度估计采用CV、CA以及CS模型,其中:
所述的CV模型包括:状态参数和状态转移矩阵,此模型适用于飞机的非机动阶段,具体为:其中:T是采样周期;
所述的CA模型包括:状态转移矩阵,适用于飞机的匀加速阶段,具体为:
所述的CS模型为当前统计模型,具体为:z(k)=HjX(k)+υj(k),其中:ωj(k),υj(k)是零均值,独立的高斯白噪声,Φj(k)是状态转移矩阵,Γj(k)是输入矩阵,T是采样周期,α是机动频率,过程噪声矩阵Q(k)=2ασa 2Q,σa 2为机动加速度方差,Q是一个包含可变周期T的矩阵,其中:amax,a-max是加速度的上下限,即为加速度的估计。
7.根据权利要求1所述的数据融合方法,其特征是,所述的估计的位置不确定性等级与采样间隔相结合,具体是指:在NACP等级为10或11级时,仿真的采样间隔采用1s;在NACP等级为9级时,仿真的采样间隔采用0.8s;当NACP等级为8、7或6级时,仿真的采样间隔采用0.6s;当入侵告警解除时,仿真的采样间隔恢复为1s。
8.根据权利要求1所述的数据融合方法,其特征是,所述的全局最优估计,通过最优信息融合准则得到,具体为:存在L个传感器的无偏估计估计误差方差阵为Pij,i,j=1,...L,按照矩阵加权线性最小方差准则,状态估计为其中:[A1,...,AL]=(eTP-1e)-1eTP-1,Ai是n阶方针,P以分块矩阵Pij作为第(i,j)个元素。In是n阶单位阵,e=[In … In]T。最优融合估计方差阵为P0=(eTP-1e)-1,传感器数据源为TCAS和ADS-B,L=2,得到融合方程为 其中:分别从变采样间隔VB-IMM,固定采样间隔VB-IMM,当前统计CS模型算法得到。
9.根据权利要求1所述的数据融合方法,其特征是,所述的步骤4),具体是指:依次注入阶跃、斜坡、振荡和丢失故障模式,分析各系统的均方根误差与虚警、漏警统计结果,证明融合系统可以保证系统稳定运行,并且优于单一TCAS系统的性能。
10.根据权利要求1所述的数据融合方法,其特征是,所述的对跟踪融合效果进行评价,具体是指:采用固定采样VB-IMM算法和变采样VB-IMM算法在经度,纬度,高度方向估计值的均方根误差进行统计,并统计在TA,RA告警区间内单独TCAS系统、单独ADS-B系统以及TCAS,ADS-B数据融合系统虚警和漏警的发生频率。
11.一种实现上述任一权利要求所述数据融合方法的系统,其特征在于,包括:目标生成模块、TCAS监视模块、ADS-B监视模块、数据预处理模块、噪声估计模块、信息融合模块以及两组分别将TCAS和ADS-B数据作为输入的CS当前统计跟踪模型模块、IMM固定采样模块和IMM变采样模块,其中:目标生成模块与TCAS监视与ADS-B监视相连并传输航迹信息,TCAS监视模块与ADS-B监视模块的数据经过数据预处理模块的坐标系转换统一后,通过变分贝叶斯在线噪声估计模块得到TCAS噪声估计和ADS-B噪声估计,分别作为噪声参数输入传输至两组CS当前统计跟踪模型模块、IMM固定采样模块和IMM变采样模块,并分别得到TCAS数据和ADS-B数据对应的CS模块优化值,固定采样IMM优化值、变采样IMM优化值,通过信息融合模块进行融合处理,得到CS当前统计跟踪模型模块、IMM固定采样模块和IMM变采样模块的全局最优值,作为空中交通防撞系统逻辑处理模块的输入并最终得到两机最接近点的时间,并在TA、RA告警区间内统计虚警,漏警的次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611164933.XA CN107067019A (zh) | 2016-12-16 | 2016-12-16 | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611164933.XA CN107067019A (zh) | 2016-12-16 | 2016-12-16 | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107067019A true CN107067019A (zh) | 2017-08-18 |
Family
ID=59619288
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611164933.XA Pending CN107067019A (zh) | 2016-12-16 | 2016-12-16 | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107067019A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108153980A (zh) * | 2017-12-26 | 2018-06-12 | 上海交通大学 | 基于ads-b与tcas数据融合的综合显示方法 |
CN108226879A (zh) * | 2017-12-21 | 2018-06-29 | 北京遥感设备研究所 | 一种基于多通道的sar地形散射干扰抑制方法 |
TWI647664B (zh) * | 2018-01-30 | 2019-01-11 | 國家中山科學研究院 | 基於資料融合的安全監控系統與方法 |
CN110987068A (zh) * | 2019-11-28 | 2020-04-10 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器综合控制系统数据融合方法 |
CN111667724A (zh) * | 2020-06-02 | 2020-09-15 | 四川九洲空管科技有限责任公司 | 一种tcas与航空器监视应用系统的集成方法 |
CN111816005A (zh) * | 2019-04-11 | 2020-10-23 | 上海交通大学 | 基于ads-b的远程驾驶飞机环境监视优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030200065A1 (en) * | 2001-04-20 | 2003-10-23 | Li Luo Wen | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
US7705780B1 (en) * | 2007-12-20 | 2010-04-27 | The United States Of America As Represented By The Secretary Of The Navy | Electronic support measures (ESM) tracking system and method |
-
2016
- 2016-12-16 CN CN201611164933.XA patent/CN107067019A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030200065A1 (en) * | 2001-04-20 | 2003-10-23 | Li Luo Wen | Maneuvering target tracking method via modifying the interacting multiple model (IMM) and the interacting acceleration compensation (IAC) algorithms |
US7705780B1 (en) * | 2007-12-20 | 2010-04-27 | The United States Of America As Represented By The Secretary Of The Navy | Electronic support measures (ESM) tracking system and method |
Non-Patent Citations (6)
Title |
---|
QUANHUI W等: "A VB-IMM filter for ADS-B data", 《INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING》 * |
SIMO SARKKA等: "Recursive Noise Adaptive Kalman Filtering by Variational Bayesian Approximations.", 《IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
周宏仁.: "《机动目标跟踪》", 31 August 1991, 国防工业出版社 * |
戴周云等: "ADS-B与TCAS数据融合仿真与收益分析", 《第35届中国控制会议论文集(F)》 * |
武必胜: "一种机动目标跟踪滤波算法及其应用研究", 《中国优秀硕士学位论文全文数据库》 * |
黄建军等: "基于自适应衰减系数的VB-AKF滤波算法", 《新型工业化》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108226879A (zh) * | 2017-12-21 | 2018-06-29 | 北京遥感设备研究所 | 一种基于多通道的sar地形散射干扰抑制方法 |
CN108226879B (zh) * | 2017-12-21 | 2021-08-13 | 北京遥感设备研究所 | 一种基于多通道的sar地形散射干扰抑制方法 |
CN108153980A (zh) * | 2017-12-26 | 2018-06-12 | 上海交通大学 | 基于ads-b与tcas数据融合的综合显示方法 |
TWI647664B (zh) * | 2018-01-30 | 2019-01-11 | 國家中山科學研究院 | 基於資料融合的安全監控系統與方法 |
CN111816005A (zh) * | 2019-04-11 | 2020-10-23 | 上海交通大学 | 基于ads-b的远程驾驶飞机环境监视优化方法 |
CN110987068A (zh) * | 2019-11-28 | 2020-04-10 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器综合控制系统数据融合方法 |
CN110987068B (zh) * | 2019-11-28 | 2021-11-30 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器综合控制系统数据融合方法 |
CN111667724A (zh) * | 2020-06-02 | 2020-09-15 | 四川九洲空管科技有限责任公司 | 一种tcas与航空器监视应用系统的集成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067019A (zh) | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 | |
Kochenderfer et al. | Airspace encounter models for estimating collision risk | |
US9507020B2 (en) | Unmanned aircraft systems sense and avoid sensor fusion track initialization | |
Arun et al. | How many are enough?: Investigating the effectiveness of multiple conflict indicators for crash frequency-by-severity estimation by automated traffic conflict analysis | |
US20140032089A1 (en) | System and method for providing driver behavior classification at intersections and validation on large naturalistic data sets | |
Solomentsev et al. | Efficiency of operational data processing for radio electronic equipment | |
US20220019713A1 (en) | Estimation of probability of collision with increasing severity level for autonomous vehicles | |
CN108153980A (zh) | 基于ads-b与tcas数据融合的综合显示方法 | |
Zhu et al. | Interaction-aware cut-in trajectory prediction and risk assessment in mixed traffic | |
Sabour et al. | Deepflow: Abnormal traffic flow detection using siamese networks | |
CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
Prandini et al. | Probabilistic aircraft conflict detection | |
Zaky et al. | Car following Markov regime classification and calibration | |
Jackson et al. | Application of airspace encounter model for prediction of intruder dynamics | |
Lowe et al. | Learning and predicting pilot behavior in uncontrolled airspace | |
CN111816005A (zh) | 基于ads-b的远程驾驶飞机环境监视优化方法 | |
Kanona et al. | A machine learning based vehicle classification in forward scattering radar | |
Kochenderfer et al. | A Bayesian approach to aircraft encounter modeling | |
Wu et al. | An Alternative Time Metric to Modified Tau for Unmanned Aircraft System Detect And Avoid | |
Lowe | Predicting pilot intent and aircraft trajectory in uncontrolled airspace | |
Ganguli et al. | On the limits of collision detection performance of a sense-and-avoid system for non-cooperative air traffic | |
CN114595880B (zh) | 一种飞行区行为路线的智能预设方法及系统 | |
CN114638298B (zh) | 飞行器攻击行为预测方法及电子设备 | |
He et al. | Validating an air traffic management concept of operation using statistical modeling | |
Pham et al. | Conflict Prediction Using Generative Model from ADS-B Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170818 |
|
RJ01 | Rejection of invention patent application after publication |