CN108255791B - 基于分布式传感器一致性的机动目标跟踪方法 - Google Patents

Abstract

本发明提供了一种基于一致性的分布式多传感器联合跟踪机动目标的方法。针对机动目标运动状态多变的问题，该方法采用交互式多模型的思想，将多个运动模型组合成系统模型集，跟踪过程中不断调整各模型的概率，使得系统模型更加接近实际情况。同时，针对单传感器探测能力和生存能力有限的问题，构建多传感器网络系统对目标进行跟踪，依据多传感器数据融合提升跟踪效果，采用分布式的网络结构来保证系统的鲁棒性和灵活性。并在分布式结构上加入一致性协议，改进分布式结构的不足，提高多传感器的估计态势一致性。该方法能以较高的估计精度实现对机动目标的跟踪。

Description

基于分布式传感器一致性的机动目标跟踪方法

技术领域

本发明属于传感器网络信息融合技术，涉及机动目标跟踪和非线性滤波问题，提供了一种分布式多传感器跟踪机动目标的方法。

背景技术

在复杂背景下，尤其是战场环境，目标会经常产生机动来躲避跟踪，因此难以用状态方程描述其实际运动状态，若仍采用常规的滤波方法，会因缺乏对目标运动状态的合理假设使得滤波估计的精度大幅下降。已有的机动目标跟踪方法总体来说可分为两类：具有机动检测的跟踪算法和无需机动检测的自适应跟踪算法。第一类算法先检测目标是否发生机动，然后通过调整滤波器增益或是滤波器的结构来适应目标机动带来的变化；第二类算法不做机动检测，而是直接在估计目标的同时对滤波增益等进行修正。这两类算法中比较完善且应用较多的是第二类算法中的交互式多模型算法(Interacting Multiple ModelAlgorithm,IMM)。该方法将多个可能的目标运动模型合成一个模型集，各模型同时对输入做运算，然后根据模型概率的大小对输出值做加权求和，得出更优估计值。

考虑到单个传感器探测能力有限，获取数据少，多传感器联合跟踪能更加高效地完成任务。现有的多传感器数据融合结构主要有三种：集中式、分散式、分布式。集中式结构将所有传感器获取的量测传递到融合中心，由融合中心统一处理得到全局估计，但是对融合中心的通信和计算能力要求较高，系统的鲁棒性较差，生存能力较弱。分散式结构将每个传感器都作为融合中心，传感器之间采用泛洪式广播进行量测信息传递，迭代多次直到每个传感器接收到了所有量测信息，该结构使得各传感器能够获得全局综合观测，也增强了系统鲁棒性，但对系统的通信能力要求较高，能耗较大。分布式结构没有融合中心，每个传感器只与邻居节点进行信息交互，降低了对传感器通信和计算能力的要求，但传感器无法得到全局信息导致估计精度较集中式有所下降，各传感器态势产生了一定偏差。目前实用价值较大的是分布式结构，但其不足之处有待改进。

发明内容

本发明旨在提出一种多传感器联合跟踪机动目标的方法。采用交互式多模型算法的思想，用多个预设运动模型组合成系统模型集，不断调整各模型的概率，使得系统模型更加接近实际情况。同时，针对单传感器探测能力和生存能力有限的问题，联合多传感器对目标进行跟踪，提高估计精度。采用分布式的网络结构来保证系统的鲁棒性和灵活性。再在分布式结构上加入一致性协议，改进分布式结构的不足，促进多传感器的估计态势统一，并进一步提升估计精度。

本发明采用基于一致性的分布式多传感器网络结构跟踪机动目标，具体流程如图1所示。包括以下技术措施：对多个模型的状态估计进行交互，得出各模型输入；用不敏变换和伪量测转移矩阵处理非线性情况，采用信息滤波进行滤波估计；对信息矩阵和信息向量做一致性迭代；更新各模型的概率；根据各模型概率对估计值进行加权。

本发明相比现有技术具有如下的优点：

(1)该方法采用多传感器信息融合的方式来提升传感器跟踪非线性机动目标的估计精度；

(2)该方法克服了由于多传感器之间信息交互有限导致的估计值不一致的问题，提高了分布式传感器网络中各传感器的估计态势的一致程度。

附图说明

图1为本发明方法单次迭代流程图；

图2为分布式结构通信关系图。

具体实施方式

以下结合说明书附图对本发明作进一步详细描述。参照说明书附图，本发明目标跟踪的单次循环方式分以下几个步骤：

以传感器si(si＝1,2,…,n,n为传感器数量)的计算流程为例，各个传感器的流程相同。

步骤1：状态估计交互

按照交互多模型的思想，定义目标运动状态从模型i转移到模型j的转移概率为P_t,ij，其中i,j＝1,2,…,m，m为模型集中模型的数量：

u_i|j(t-1|t-1)为t-1时刻模型j是从模型i转换过来的概率：

其中u_i(t-1)为t-1时刻模型i的概率，

令Xⁱ(t-1|t-1)为t-1时刻滤波器i的状态估计，Pⁱ(t-1|t-1)为相应的状态协方差，则交互计算后第j个滤波器在t时刻的输入如下

步骤2：滤波估计

将状态向量X^oj(t-1|t-1)及其协方差P^oj(t-1|t-1)与观测值z(t)一起作为t时刻第j个模型的输入值，在模型对应的滤波器内进行状态估计。系统非线性问题用不敏变换处理，滤波算法采用信息滤波(IF)。

(1)选取不敏变换采样点

不敏变换用一组精确选择的采样点经过非线性模型的映射来传递随机量的统计特性。先计算(2n_x+1)个采样点kesi_i和其对应的权值V_i：

式中，κ是一个尺度参数，通常取κ＝n_x(α²-1)，参数α的取值范围为0.0001≤α≤1；

是(n_x+κ)P^oj(t-1|t-1)均方根矩阵的第i行或第i列；n_x为状态向量的维数。

(2)一步预测

状态预测采样点为

kesi_i(t|t-1)＝f^j(t-1,kesi_i(t-1|t-1)) (7)

其中f^j()为目标状态方程中的状态转移函数，表示前一时刻到下一时刻的状态转移关系。

根据不敏变换的非线性函数传播方法，利用采样点的一步预测和对应的权值，可得到状态预测估计和状态预测协方差

式中ΔX_i(t|t-1)＝kesi_i(t|t-1)-X^j(t|t-1)，Q^j(t-1)为t-1时刻第j个模型中过程噪声的方差。

量测预测采样点为

yita_i(t|t-1)＝h(t,kesi_i(t|t-1)) (10)

其中h()为状态方程中量测转移函数；

量测预测为

再算得状态和量测的预测交互协方差为

其中ΔZ_i＝yita_i(t|t-1)-z^j(t|t-1)。

(3)计算目标状态的信息矩阵、信息向量

在更新信息矩阵和信息向量时需要量测转移矩阵做运算，但是非线性系统中量测方程非线性时没有量测转移矩阵，只有量测转移函数。于是，定义一个伪量测矩阵H^j(t)

(H^j(t))^T＝(P^j(t|t-1))^-1P^j,xz(t|t-1) (13)

接着计算目标状态的信息矩阵和信息向量

其中B＝R^-1，R是量测噪声的协方差阵，n是网络中传感器的数量，

和

分别表示模型j中经0次迭代后传感器si中目标状态的信息矩阵和信息向量。

步骤3：一致性迭代

本地传感器si得到目标状态的信息矩阵和信息向量之后，向能与传感器si通信的传感器发送本地信息矩阵和信息向量，同时接收这些传感器发送过来的信息，然后结合本地信息做一致性运算。对此过程进行K次迭代：

对模型j(j＝1,2,…,m，m为模型数量)的迭代过程为

其中si为本地传感器的编号，sj为能与传感器si通信的传感器的编号，N_si表示传感器sj的集合，

和

分别表示模型j中经k次迭代后传感器si中目标状态的信息矩阵和信息向量；e_si,sj(t)表示t时刻传感器si与sj之间进行一致性迭代的权值，其取值为

式(18)中d_si(t)表示t时刻能与传感器si通信的传感器数量。

由经过一致性迭代运算之后的信息矩阵

和信息向量

可得出第j个模型的全局较优估计：

将这个结果作为该模型的输出。

一方面，一致性迭代使得该全局估计尽可能多地融合了来自其他传感器的信息，提高了估计的精度；另一方面，一致性迭代促使各传感器的估计值趋于一致，提高了传感器网络中的态势一致性。

步骤4：模型概率更新

模型j的新息为ν^j(t)，新息协方差为S^j(t)，假定新息服从高斯分布，模型j的可能性为

式中ν^j(t)＝z(t)-H^j(t)X^j(t|t-1)，S^j(t)＝H^j(t)P^j(t|t-1)(H^j(t))^T+R(t)

那么，模型j的概率更新为

式中

步骤5：各模型概率加权

经过以上步骤1到步骤4，可得出模型j的全局较优估计和更新的模型概率。对每一个模型同时分别执行以上四步，得出各自的估计值。

X(t|t)和P(t|t)是各模型估计值根据其模型概率进行加权之后得出的总估计值：

Claims (1)

1.一种基于分布式传感器一致性的机动目标跟踪方法，包括以下步骤：

第一步，状态估计的交互，即由前一时刻各个模型的输出和模型间的转移概率分别得出本时刻各模型的输入；

第二步，滤波估计，即采用信息滤波对输入的状态估计和协方差做滤波运算，得出目标状态的信息矩阵和信息向量；

第三步，一致性迭代，即综合网络中多个传感器信息，对上一步所得的信息做一致性迭代；

第四步，模型概率更新，即计算模型集中各模型的最新概率；

第五步，各模型概率加权，即依据各模型的概率，将其估计值加权求和；

所述的一致性迭代的具体步骤为：

(1)一致性运算

得到第二步滤波估计中的目标状态的信息矩阵和信息向量之后，针对模型集里的每一个模型，根据网络中各传感器之间是否可完成通信的情况，各传感器各自对信息矩阵和信息向量做K次一致性迭代；

对模型j(j＝1,2,…,m，m为模型数量)的迭代过程为

其中si为本地传感器的编号，sj为能与传感器si通信的传感器的编号，N_si表示传感器sj的集合，

和

分别表示模型j中经k次迭代后传感器si中目标状态的信息矩阵和信息向量；e_si,sj(t)表示t时刻传感器si与sj之间进行一致性迭代的权重，其取值为

式(3)中d_si(t)表示t时刻能与传感器si通信的传感器数量；

(2)计算全局估计

由经过一致性迭代运算之后的信息矩阵

和信息向量

可得出本地传感器中第j个模型的全局较优估计：

将这个结果作为该模型的输出；

所述的滤波估计的具体步骤为：

(1)选取不敏变换采样点

(2)状态一步预测

状态预测采样点为kesi_i(t|t-1)＝f^j(t-1,kesi_i(t-1|t-1))

其中f^j()为目标状态方程中第j个模型的状态转移函数，kesi_i(t-1|t-1)表示t-1时刻选取的第i个不敏变换采样点；

状态预测估计为

其中V_i为第i个不敏变换采样点的权值；

状态预测协方差为

式中ΔX_i(t|t-1)＝kesi_i(t|t-1)-X^j(t|t-1)，Q^j(t-1)为t-1时刻第j个模型过程噪声的方差；

量测预测采样点为yita_i(t|t-1)＝h(t,kesi_i(t|t-1))

其中h()为状态方程中量测转移函数；

量测预测为

再算得状态和量测的预测交互协方差为

其中ΔZ_i＝yita_i(t|t-1)-z^j(t|t-1)；

(3)计算目标状态的信息矩阵和信息向量

在更新信息矩阵和信息向量时需要量测转移矩阵做运算，但是非线性系统中量测方程非线性时没有量测转移矩阵，只有量测转移函数，于是定义一个伪量测矩阵H^j(t)

(H^j(t))^T＝(P^j(t|t-1))^-1P^j,xz(t|t-1)

接着计算目标状态的信息矩阵和信息向量

其中B＝R^-1，R是量测噪声的协方差阵，n是网络中传感器的数量，

和

分别表示模型j中经0次迭代后传感器si中目标状态的信息矩阵和信息向量。

Images