CN109188424B - 基于量测一致性的分布式多传感器多目标跟踪方法 - Google Patents
基于量测一致性的分布式多传感器多目标跟踪方法 Download PDFInfo
- Publication number
- CN109188424B CN109188424B CN201811076766.2A CN201811076766A CN109188424B CN 109188424 B CN109188424 B CN 109188424B CN 201811076766 A CN201811076766 A CN 201811076766A CN 109188424 B CN109188424 B CN 109188424B
- Authority
- CN
- China
- Prior art keywords
- sensor
- measurement
- consistency
- information
- target tracking
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Abstract
本发明提出了一种基于量测一致性的分布式多传感器多目标跟踪方法。该方法采用最近邻域算法处理多目标跟踪中的数据互联问题。网络中多传感器依据分布式结构进行协作,各传感器只须与邻近传感器交流信息。该方法考虑杂波对最近邻域法的影响,各传感器通过一致性协议融合网络中的多个量测信息获取更加准确的量测值,保证后续滤波过程的估计精度。并以信息加权一致性滤波方法为基础,对更新的信息矩阵和信息向量做一致性迭代,一致性采用局部平均来实现。最后利用迭代后的信息矩阵和信息向量得到状态更新值。该方法能实现杂波干扰下的多传感器多目标跟踪。
Description
技术领域
本发明属于传感器网络信息融合技术,涉及杂波背景下的数据互联和目标状态估计问题,提供了一种分布式多传感器跟踪多目标的方法。
背景技术
用传感器跟踪多个目标时,需要着重解决数据互联问题。数据互联包括两个方面,第一,在杂波环境下,由于杂波对真实量测的干扰,需要从杂波环境中选取真实量测或是接近真实量测的值;第二,正确判断多个量测与多个估计值(航迹)之间的配对关系,才能保证后续跟踪滤波的正常进行。经典的多目标数据互联方法包括最近邻域算法、概率最近邻域算法、概率数据互联算法、联合概率数据互联算法、综合概率数据互联算法、多假设跟踪算法、最优贝叶斯算法等。其中最近邻域算法和概率最近邻域算法的计算过程相对简单,计算量小,其他算法的计算过程相对复杂,计算耗时很大。但是前两种方法的跟踪精度相对其他算法有所下降,尤其是在杂波密度高和密集目标的情况下,算法性能的区别比较明显。
传感器网络在目标跟踪领域已经得到了广泛应用,采用多个传感器跟踪目标,融合多个传感器的估计信息,能提高系统对目标的估计效果。多传感器之间依据分布式结构进行协作,各个传感器只和各自的邻居传感器交流信息,再利用邻居传感器的估计信息修正本地估计。分布式结构相比集中式结构具备更好的鲁棒性和可拓展性,也避免了集中式融合中心的大量计算和通信载荷,在工程上更加易于实现。
在分布式结构中嵌入一致性协议,能进一步提升传感器网络的估计精度和估计态势一致性。在信息加权一致性滤波算法(information-weighted consensus filter,IWCF)中,一致性滤波与信息滤波结合在一起,一致性协议被应用在更新后的信息矩阵和信息向量上。该算法在分布式一致性领域中能很好地处理传感器量测缺失和信息冗余等问题,具备良好的估计性能。本文以该算法为基础滤波方法。
发明内容
本发明的目的在于,针对数据互联时存在一定杂波的情况,提出一种基于量测一致性的分布式多传感器目标跟踪方法,实现传感器网络对多目标的跟踪。杂波密度高时,最近邻域算法容易被杂波干扰,从而错误选取杂波为真实量测。该方法以最近邻域算法和信息一致性滤波为基础,着重解决了关联过程中获取量测时存在一定密度杂波的问题,保证了传感器网络的良好估计效果。
本发明的技术解决方案为:首先各传感器根据本地预测值确定相关波门获取候选回波,其次应用最近邻域算法确定量测,接着各局部网络交流量测信息完成量测一致性迭代,然后用信息加权一致性滤波得出更新的信息矩阵和信息向量,之后各局部交流信息矩阵和信息向量完成一致性迭代。
为实现上述目的,本发明的单次运算流程如图1所示,实现步骤如下:
1.建立目标运动方程和量测方程;
2.状态预测;
3.最近邻域算法确定量测;
4.实现量测一致性迭代;
5.更新信息矩阵和信息向量;
6.信息矩阵和信息向量的一致性迭代;
7.状态更新。
本发明相比现有技术具有如下的优点:
(1)该方法采用最近邻域算法处理多传感器网络多目标跟踪中的数据互联问题,减小了计算复杂度;
(2)该方法克服了杂波密度较高时数据互联误差较大的问题,在计算复杂度较小的情况下保证了多传感器多目标跟踪对杂波的抗性。
附图说明
图1:算法单次循环流程图;
图2: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,本发明具体实现步骤如下(其中2-7步为迭代运算步骤,每个时刻循环一次):
1.建立目标运动方程和量测方程
目标运动方程:xt(k)=ft(xt(k-1))+wt(k-1)
量测方程:zi,t(k)=hi(xt(k))+ri(k)
其中,下标t是指目标t,下标i是指传感器i。xt(k)表示目标t在k时刻的状态向量;zi,t(k) 表示k时刻传感器i对目标t的量测值;ft(·)和wt分别表示目标t的状态转移函数和过程噪声; hi(·)和ri分别表示传感器i的量测转移函数和量测噪声。此处为线性系统,可令ft(·)和hi(·)分别为Ft和Hi。
2.状态预测
本地状态预测:xi,t(k|k-1)=Ftxi,t(k-1|k-1)
量测预测:zi,t(k|k-1)=Hixi,t(k|k-1)
状态协方差预测:Pi,t(k|k-1)=FtPi,t(k-1|k-1)Ft T+Qt(k)
3.最近邻域算法确定量测
3.1根据预测确定跟踪门(相关波门)
首先确定新息协方差:Si,t(k)=HiPi,t(k|k-1)Hi T+Ri(k)
3.2确定量测
选取统计距离最小的候选回波作为目标回波(目标量测)。最近邻域算法中的统计距离为新息加权范数:
比较得出新息加权范数最小的回波,确定其为目标量测zi,t(k)。
4.实现量测一致性迭代
在传感器网络中,受距离等原因的影响,每个传感器通常只能和网络中的部分传感器通信,能与本地传感器通信的传感器称为该传感器的邻居传感器。各个传感器发送自身量测值到邻居传感器,并接收来自邻居传感器的量测值。完成量测值交换之后,再进行量测值一致性运算。对此过程进行L次迭代:
其中i为本地传感器的编号,j为传感器i的邻居传感器的编号,Ni表示传感器j的集合, ni是传感器i的邻居传感器的数量。
5.更新信息矩阵和信息向量
根据信息一致性滤波算法,得出更新值:
其中,n是网络中传感器的数量,Yi,t和yi,t分别表示传感器i中目标t的信息矩阵和信息向量。
6.信息矩阵和信息向量的一致性运算
相比于信息加权一致性滤波,此处仍为一致性迭代,但是采用的是不同的一致性协议。与量测均匀化相同,各个传感器发送自身信息矩阵和信息向量到邻居传感器,并接收来自邻居传感器的信息矩阵和信息向量。完成信息矩阵和信息向量交换之后,再进行一致性运算。
对此过程进行K次迭代:
令L+K=M,M为单个滤波时刻的一致性迭代总次数。需要说明的是,受设备及作业环境限制,单个滤波时刻传感器网络能进行一致性迭代的总次数M是很少的,且在一个任务环境中M的值是固定的。
7.状态更新
更新状态向量:xi,t(k|k)=(Yi,t)-1yi,t
更新状态协方差:Pi,t(k|k)=(nYi,t)-1。
Claims (3)
1.一种基于量测一致性的分布式多传感器多目标跟踪方法,包括以下步骤:
(1)应用最近邻域算法确定量测;
(2)实现量测一致性迭代;
上一步确定量测之后,各个传感器发送自身量测到邻居传感器,并接收来自邻居传感器的量测,完成量测交换之后,再进行量测一致性运算,对此过程进行L次迭代:
其中i为本地传感器的编号,j为传感器i的邻居传感器的编号,Ni表示传感器j的集合,ni是传感器i的邻居传感器的数量,zi,t(k)表示k时刻传感器i对目标t的量测值;
(3)更新信息矩阵和信息向量;
(4)信息矩阵和信息向量的一致性迭代;
各个传感器发送自身信息矩阵和信息向量到邻居传感器,并接收来自邻居传感器的信息矩阵和信息向量,完成信息矩阵和信息向量交换之后,再进行一致性运算,对此过程进行K次迭代:
其中,Yi,t和yi,t分别表示传感器i中目标t的信息矩阵和信息向量,ni是传感器i的邻居传感器的数量;
(5)状态更新,最后用信息矩阵和信息向量算得状态估计值。
2.根据权利要求1所述的基于量测一致性的分布式多传感器多目标跟踪方法,其特征在于,L+K=M,其中M为单个滤波时刻的一致性迭代总次数。
3.根据权利要求2所述的基于量测一致性的分布式多传感器多目标跟踪方法,其特征在于,M受设备及作业环境等限制,在一个任务环境中M的值是固定的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076766.2A CN109188424B (zh) | 2018-09-14 | 2018-09-14 | 基于量测一致性的分布式多传感器多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811076766.2A CN109188424B (zh) | 2018-09-14 | 2018-09-14 | 基于量测一致性的分布式多传感器多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109188424A CN109188424A (zh) | 2019-01-11 |
CN109188424B true CN109188424B (zh) | 2020-09-04 |
Family
ID=64911419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811076766.2A Active CN109188424B (zh) | 2018-09-14 | 2018-09-14 | 基于量测一致性的分布式多传感器多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109188424B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807478B (zh) * | 2019-10-22 | 2022-09-20 | 北京航空航天大学 | 一种观测间歇丢失情况下的协同目标跟踪方法 |
CN113324563B (zh) * | 2021-04-19 | 2022-12-02 | 陕西师范大学 | 一种用于多传感器多目标跟踪的自适应传感器管理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN104155650A (zh) * | 2014-08-14 | 2014-11-19 | 电子科技大学 | 一种基于熵权值法点迹质量评估的目标跟踪方法 |
CN104168648A (zh) * | 2014-01-20 | 2014-11-26 | 中国人民解放军海军航空工程学院 | 传感器网络多目标分布式一致性跟踪器 |
CN106199583A (zh) * | 2016-06-30 | 2016-12-07 | 大连楼兰科技股份有限公司 | 多目标数据匹配与跟踪的方法及系统 |
CN106291530A (zh) * | 2016-07-26 | 2017-01-04 | 北京航空航天大学 | 一种基于最近邻法的概率数据关联优化方法 |
CN106772357A (zh) * | 2016-11-23 | 2017-05-31 | 谭顺成 | 信噪比未知条件下的ai‑phd滤波器 |
CN107783104A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 |
EP3351959A1 (en) * | 2017-01-18 | 2018-07-25 | Honeywell International Inc. | Apparatus and method for performing a consistency testing using non-linear filters that provide predictive probability density functions |
-
2018
- 2018-09-14 CN CN201811076766.2A patent/CN109188424B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN104168648A (zh) * | 2014-01-20 | 2014-11-26 | 中国人民解放军海军航空工程学院 | 传感器网络多目标分布式一致性跟踪器 |
CN104155650A (zh) * | 2014-08-14 | 2014-11-19 | 电子科技大学 | 一种基于熵权值法点迹质量评估的目标跟踪方法 |
CN106199583A (zh) * | 2016-06-30 | 2016-12-07 | 大连楼兰科技股份有限公司 | 多目标数据匹配与跟踪的方法及系统 |
CN106291530A (zh) * | 2016-07-26 | 2017-01-04 | 北京航空航天大学 | 一种基于最近邻法的概率数据关联优化方法 |
CN106772357A (zh) * | 2016-11-23 | 2017-05-31 | 谭顺成 | 信噪比未知条件下的ai‑phd滤波器 |
EP3351959A1 (en) * | 2017-01-18 | 2018-07-25 | Honeywell International Inc. | Apparatus and method for performing a consistency testing using non-linear filters that provide predictive probability density functions |
CN107783104A (zh) * | 2017-10-17 | 2018-03-09 | 杭州电子科技大学 | 一种基于粒子滤波的多异步传感器单目标检测前跟踪方法 |
Non-Patent Citations (2)
Title |
---|
基于一致性的多传感器目标跟踪算法研究;李萌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150615(第06期);正文全文 * |
多源数据关联与融合算法研究;王海颖;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215(第02期);正文全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109188424A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508445B (zh) | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 | |
Kantas et al. | Distributed maximum likelihood for simultaneous self-localization and tracking in sensor networks | |
CN109472418A (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
CN109710978B (zh) | 一种分布式异构自适应粒子滤波直接跟踪方法 | |
CN109188424B (zh) | 基于量测一致性的分布式多传感器多目标跟踪方法 | |
CN109581281B (zh) | 基于到达时间差和到达频率差的移动目标定位方法 | |
CN104168648A (zh) | 传感器网络多目标分布式一致性跟踪器 | |
CN109671100B (zh) | 一种分布式可变扩散组合系数粒子滤波直接跟踪方法 | |
CN111965618B (zh) | 一种融合多普勒量测的转换量测跟踪方法及系统 | |
CN110225454B (zh) | 一种置信度传递的分布式容积卡尔曼滤波协作定位方法 | |
CN107688179A (zh) | 基于多普勒信息辅助的综合概率数据互联方法 | |
CN110967690A (zh) | 一种基于多伯努利分布式多传感器多目标跟踪方法 | |
CN112782696B (zh) | 一种序列isar图像散射中心多假设跟踪航迹关联方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN112328959B (zh) | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 | |
CN115981148A (zh) | 无人机地面移动目标跟踪方法 | |
CN114626307B (zh) | 一种基于变分贝叶斯的分布式一致性目标状态估计方法 | |
Radtke et al. | Comparative study of track-to-track fusion methods for cooperative tracking with bearings-only measurements | |
CN108347694A (zh) | 一种基于边界条件的节点定位方法及系统 | |
CN112346010B (zh) | 基于尺度差和时差的双机无源定位方法 | |
Wang et al. | Consensus variable structure multiple model filtering for distributed maneuvering tracking | |
CN111883265A (zh) | 一种应用于火控系统的目标状态估计方法 | |
CN115665659A (zh) | 基于张量的移动物联网覆盖可靠性评估方法 | |
CN116908777A (zh) | 基于显式通信带标签伯努利的多机器人随机组网协同导航方法 | |
CN115574821A (zh) | 基于超宽带的同步定位及建图方法、装置及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |