CN109447122B - 一种分布式融合结构中的强跟踪渐消因子计算方法 - Google Patents

一种分布式融合结构中的强跟踪渐消因子计算方法 Download PDF

Info

Publication number
CN109447122B
CN109447122B CN201811136618.5A CN201811136618A CN109447122B CN 109447122 B CN109447122 B CN 109447122B CN 201811136618 A CN201811136618 A CN 201811136618A CN 109447122 B CN109447122 B CN 109447122B
Authority
CN
China
Prior art keywords
strong tracking
fusion
matrix
factor
local
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
Application number
CN201811136618.5A
Other languages
English (en)
Other versions
CN109447122A (zh
Inventor
汤显峰
常志华
李杭彩
张宇燕
黄健
管冰蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201811136618.5A priority Critical patent/CN109447122B/zh
Publication of CN109447122A publication Critical patent/CN109447122A/zh
Application granted granted Critical
Publication of CN109447122B publication Critical patent/CN109447122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Complex Calculations (AREA)
  • Filters That Use Time-Delay Elements (AREA)

Abstract

本发明涉及一种分布式融合结构中的强跟踪渐消因子计算方法。本发明通过引入一个名为渐消参数向量的新参数，间接揭示了局部传感器强跟踪渐消因子与融合中心强跟踪渐消因子的解析关系，有效降低了融合中心计算全局渐消因子的计算量。与此同时，本发明涉及的方法适用于线性系统和非线性系统，因此在分布式融合框架下是一种通用的强跟踪渐消因子计算方法，推动了强跟踪滤波技术在分布式融合系统中的应用。

Description

一种分布式融合结构中的强跟踪渐消因子计算方法
技术领域
本发明属于信号处理领域，具体涉及一种分布式融合结构中的强跟踪渐消因子计算方法。
背景技术
传感器技术和计算机技术的快速发展大大推动了信息融合技术的研究，信息融合技术应用与目标检测与跟踪、惯性导航、模式识别、机器人和智能仪器系统、智能制造系统、图像分析与理解等众多领域。常用的信息融合系统体系结构有集中式和分布式。相较于集中式结构，分布式结构对通信带宽的需求低、计算速度快、可靠性和延续性好。卡尔曼滤波(KF)及其一系列衍生方法如扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)和容积卡尔曼滤波(CKF)等滤波器由于具有递推计算的特性，且对存储空间和计算要求很小，因而被广泛用于设计信息融合方法。
需要注意的是，上述的这些滤波器需要已知准确的系统参数，且系统状态不能出现突变的现象。但在实际的多传感器融合系统中，目标状态突变时常发生，比如被跟踪目标产生一次机动，或被检测系统突发一次系统故障等。强跟踪滤波技术能有效解决这一问题，其核心是通过计算强跟踪渐消因子对状态的预测误差协方差阵进行调整，从而达到改善融合滤波的精度。由于计算融合中心的全局强跟踪渐消因子时需要用到所有局部传感器的残差信息，涉及到高维矩阵运算，易造成计算负担。此外，在分布式融合框架下，融合中心的全局强跟踪渐消因子与局部传感器的强跟踪渐消因子之间没有计算解析式，这些都严重阻碍了强跟踪滤波技术在分布式融合系统中的应用。
发明内容
针对上述的这些问题，本发明提供一种分布式融合结构中的强跟踪渐消因子计算方法。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：参数初始化
(1.1)系统状态初始化：
Figure BDA0001814847140000021
P(0|0)＝P0，传感器数量Ns，仿真步长L。
(1.2)强跟踪滤波参数初始化：初始化遗忘因子ρ和弱化因子β。
步骤2：利用局部滤波器计算局部传感器的状态预测协方差阵Pi(k|k-1)和测量残差向量γi(k)。其中，下标i为传感器标号，k为离散时刻。线性系统的局部滤波器采用Kalman滤波(KF)，非线性系统的局部滤波器采用扩展Kalman滤波(EKF)、无迹Kalman滤波(UKF)或容积Kalman滤波(CKF)。
步骤3：计算局部渐消参数向量qi(k)＝[qi,1(k),qi,2(k),qi,3(k),qi,4(k),qi,5(k)]T，且有
Figure BDA0001814847140000022
上式中，上标T表示矩阵转置运算，tr表示矩阵的迹运算。Vi 0(k)为k时刻第i个传感器的实际残差序列的协方差矩阵；Ri(k)为k时刻第i个传感器的测量噪声方差；Hi(k)为k时刻第i个传感器的测量矩阵，对于非线性系统而言，Hi(k)为相应的线性化测量矩阵；Q(k-1)为k-1时刻系统过程噪声方差。
步骤4：计算全局渐消参数向量
Figure BDA0001814847140000031
步骤5：利用全局渐消参数向量qg(k)估算全局渐消因子λg(k)。
步骤6：利用融合滤波器计算状态的融合估计
Figure BDA0001814847140000032
和误差协方差阵P(k|k)，其中线性系统融合滤波器选择KF，非线性系统融合滤波器选择EKF、UKF或CKF。
步骤7：输出结果，判断算法是否继续执行，若k≤L，令k＝k+1，返回步骤2；否则，结束算法。
本发明有益效果：本发明通过引入一个名为渐消参数向量的新参数，解决了现有分布式融合框架下无法利用局部渐消因子计算全局渐消因子的难题。与此同时，本发明涉及的方法适用于线性系统和非线性系统，因此在分布式融合框架下是一种通用的强跟踪渐消因子计算方法。
附图说明
图1分布式信息融合结构框图；
图2为本发明方法流程图。
具体实施方式
分布式融合系统结构框架如图1所示。各传感器分别采集数据并进行局部滤波处理，然后将处理结果发送至融合中心，同时融合中心会将融合估计结果反馈回各局部滤波器。下面分别就线性融合系统和非线性融合系统对本发明做进一步说明。
实施例1：线性融合系统
设分布式线性融合系统的状态空间模型为：
x(k+1)＝F(k)x(k)+w(k)
zi(k)＝Hi(k)x(k)+vi(k),i＝1,2,…,Ns
其中，下标i为传感器标号，k为离散时刻。x(k)∈Rn×1表示系统状态(Rn×1为n维列向量全集)，F(k)为系统的状态转移矩阵，w(k)∈Rn×1为过程噪声向量，且是均值为零方差为Q(k)的高斯白噪声。zi(k)∈Rm×1是第i个传感器的测量向量，Hi(k)为k时刻第i个传感器的测量矩阵，vi(k)∈Rm×1是第i个传感器的测量噪声，且是均值为零方差为Ri(k)的高斯白噪声。
假设系统的初始状态为：
Figure BDA0001814847140000041
P(0|0)＝p(0)，且x(0)分别独立于w(k)和vi(k)。
下面，基于图2所示的流程图，详述本发明在线性融合系统中的具体实施步骤：
步骤1：参数初始化
(1.1)系统状态初始化：
Figure BDA0001814847140000042
P(0|0)＝P0，传感器数量Ns，仿真步长L。
(1.2)强跟踪滤波参数初始化：初始化遗忘因子ρ和弱化因子β。
步骤2：利用KF计算局部传感器的状态预测协方差阵Pi(k|k-1)和测量残差向量γi(k)。
步骤3：计算局部渐消参数向量
定义一个五维的渐消参数向量qi(k)，即qi(k)＝[qi,1(k),qi,2(k),qi,3(k),qi,4(k),qi,5(k)]T，且有
Figure BDA0001814847140000051
上式中，上标“T”表示矩阵转置运算，“tr”表示矩阵的迹运算。Vi 0(k)为k时刻第i个传感器的实际残差序列的协方差矩阵，且有
Figure BDA0001814847140000052
步骤4：计算全局渐消参数向量
定义一个五维的全局渐消参数向量qg(k)，即qg(k)＝[qg,1(k),qg,2(k),qg,3(k),qg,4(k),qg,5(k)]T，且qg(k)可根据下式进行计算
Figure BDA0001814847140000053
步骤5：利用全局渐消参数向量qg(k)估算全局渐消因子λg(k)
Figure BDA0001814847140000061
其中，
Figure BDA0001814847140000062
步骤6：利用KF融合滤波器计算状态的融合估计
Figure BDA0001814847140000063
和误差协方差阵P(k|k)。
步骤7：输出结果λg(k)，判断算法是否继续执行，若k≤L，令k＝k+1，返回步骤2；否则结束算法。
实施例2：非线性融合系统
设分布式非线性融合系统的状态空间模型为：
x(k+1)＝f(x(k))+w(k)
zi(k)＝hi(x(k))+vi(k)
其中，x(k)∈Rn×1表示系统状态，f(x(k))为非线性可微函数，w(k)∈Rn×1为过程噪声向量，且是均值为零方差为Q(k)的高斯白噪声。zi(k)∈Rm×1是第i个传感器的测量向量，hi(x(k))为k时刻第i个传感器的非线性可微函数，vi(k)∈Rm×1是第i个传感器的测量噪声，且是均值为零方差为Ri(k)的高斯白噪声。
假设系统的初始状态为：
Figure BDA0001814847140000064
P(0|0)＝p(0)，且x(0)分别独立于w(k)和vi(k)。
下面详述本发明在非线性融合系统中的具体实施步骤：
步骤1：参数初始化
(1.1)系统状态初始化：
Figure BDA0001814847140000071
P(0|0)＝P0，传感器数量Ns，仿真步长L。
(1.2)强跟踪滤波参数初始化：初始化遗忘因子ρ和弱化因子β。
步骤2：利用EKF计算局部传感器的状态预测协方差阵Pi(k|k-1)和测量残差向量γi(k)。
步骤3：计算局部渐消参数向量
定义一个五维的渐消参数向量qi(k)，即qi(k)＝[qi,1(k),qi,2(k),qi,3(k),qi,4(k),qi,5(k)]T
其中，
Figure BDA0001814847140000072
上式中，上标“T”表示矩阵转置运算，“tr”表示矩阵的迹运算。Hi(k)为一阶泰勒展开的线性化测量矩阵。Vi 0(k)为k时刻第i个传感器的实际残差序列的协方差矩阵，且有
Figure BDA0001814847140000073
步骤4：计算全局渐消参数向量
定义一个五维的全局渐消参数向量qg(k)，即qg(k)＝[qg,1(k),qg,2(k),qg,3(k),qg,4(k),qg,5(k)]T，且qg(k)可根据下式进行计算
Figure BDA0001814847140000081
步骤5：利用全局渐消参数向量qg(k)估算全局渐消因子λg(k)
Figure BDA0001814847140000082
其中，
Figure BDA0001814847140000083
步骤6：利用EKF融合滤波器计算状态的融合估计
Figure BDA0001814847140000084
和误差协方差阵P(k|k)。
步骤7：输出结果λg(k)，判断算法是否继续执行，若k≤L，令k＝k+1，返回步骤2；否则结束算法。
需要说明地是，本发明实施例2中，非线性系统滤波选用了EKF，其他Kalman滤波框架下的非线性滤波器比如UKF和CKF仍然适用，在此不再赘述。

Claims (2)

1.一种分布式融合结构中的强跟踪渐消因子计算方法，其特征在于该方法包括以下：
步骤1：参数初始化
(1.1)系统状态初始化：
Figure FDA0003024589010000011
P(0|0)＝P0，传感器数量Ns，仿真步长L；
(1.2)强跟踪滤波参数初始化：初始化遗忘因子ρ和弱化因子β；
步骤2：利用局部滤波器计算局部传感器的状态预测协方差阵Pi(k|k-1)和测量残差向量γi(k)；其中，下标i为传感器标号，k为离散时刻；
步骤3：计算局部渐消参数向量qi(k)＝[qi,1(k),qi,2(k),qi,3(k),qi,4(k),qi,5(k)]T，且有，
Figure FDA0003024589010000012
其中，上标T表示矩阵转置运算，tr表示矩阵的迹运算；Vi 0(k)为k时刻第i个传感器的实际残差序列的协方差矩阵；Ri(k)为k时刻第i个传感器的测量噪声方差；Hi(k)为k时刻第i个传感器的测量矩阵，对于非线性系统而言，Hi(k)为相应的线性化测量矩阵；Q(k-1)为k-1时刻系统过程噪声方差；
步骤4：计算全局渐消参数向量
Figure FDA0003024589010000013
步骤5：利用全局渐消参数向量qg(k)估算全局渐消因子λg(k)；
Figure FDA0003024589010000021
其中，
Figure FDA0003024589010000022
步骤6：利用融合滤波器计算状态的融合估计
Figure FDA0003024589010000023
和误差协方差阵P(k|k)；
步骤7：输出结果，判断是否继续执行，若k≤L，令k＝k+1，返回步骤2；否则，结束。
2.根据权利要求1所述的一种分布式融合结构中的强跟踪渐消因子计算方法，其特征在于，步骤2中线性系统的局部滤波器采用Kalman滤波，非线性系统的局部滤波器采用扩展Kalman滤波、无迹Kalman滤波或容积Kalman滤波。
CN201811136618.5A 2018-09-28 2018-09-28 一种分布式融合结构中的强跟踪渐消因子计算方法 Active CN109447122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811136618.5A CN109447122B (zh) 2018-09-28 2018-09-28 一种分布式融合结构中的强跟踪渐消因子计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811136618.5A CN109447122B (zh) 2018-09-28 2018-09-28 一种分布式融合结构中的强跟踪渐消因子计算方法

Publications (2)

Publication Number Publication Date
CN109447122A CN109447122A (zh) 2019-03-08
CN109447122B true CN109447122B (zh) 2021-07-13

Family

ID=65545938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811136618.5A Active CN109447122B (zh) 2018-09-28 2018-09-28 一种分布式融合结构中的强跟踪渐消因子计算方法

Country Status (1)

Country Link
CN (1) CN109447122B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110422175B (zh) * 2019-07-31 2021-04-02 上海智驾汽车科技有限公司 车辆状态估计方法以及装置、电子设备、存储介质、车辆
CN110515069B (zh) * 2019-08-23 2021-08-17 中国人民解放军国防科技大学 一种用于分布式目标跟踪的自适应一致性信息滤波方法
CN110632634B (zh) * 2019-09-24 2022-11-01 东南大学 一种适用于弹道导弹ins/cns/gnss组合导航系统的最优数据融合方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833770A (zh) * 2010-05-17 2010-09-15 西南交通大学 基于光线感应的驾驶员眼动特征切换检测与跟踪方法
CN102176653A (zh) * 2011-01-19 2011-09-07 哈尔滨工业大学 带指数渐消因子的卡尔曼滤波器的感应电机转速观测方法
CN104408744A (zh) * 2014-11-17 2015-03-11 电子科技大学 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法
JP2016522493A (ja) * 2013-05-21 2016-07-28 エフティーエス コンピューターテクニク ジーエムビーエイチ 不定の所要時間を有する計算をタイム・トリガ型アーキテクチャに統合する方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8510234B2 (en) * 2010-01-05 2013-08-13 American Gnc Corporation Embedded health monitoring system based upon Optimized Neuro Genetic Fast Estimator (ONGFE)

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833770A (zh) * 2010-05-17 2010-09-15 西南交通大学 基于光线感应的驾驶员眼动特征切换检测与跟踪方法
CN102176653A (zh) * 2011-01-19 2011-09-07 哈尔滨工业大学 带指数渐消因子的卡尔曼滤波器的感应电机转速观测方法
JP2016522493A (ja) * 2013-05-21 2016-07-28 エフティーエス コンピューターテクニク ジーエムビーエイチ 不定の所要時間を有する計算をタイム・トリガ型アーキテクチャに統合する方法
CN104408744A (zh) * 2014-11-17 2015-03-11 电子科技大学 一种用于目标跟踪的强跟踪容积卡尔曼滤波方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Multi-Rate Distributed Fusion Estimation for Sensor Network-Based Target Tracking;Xusheng Yang et al.;《IEEE Sensors Journal》;20151103;第1233-1242页 *
一种非合作目标的多传感器量化融合跟踪方法;汤显峰 等;《计算机应用研究》;20141031;第2902-2906页 *

Also Published As

Publication number Publication date
CN109447122A (zh) 2019-03-08

Similar Documents

Publication Publication Date Title
CN109447122B (zh) 一种分布式融合结构中的强跟踪渐消因子计算方法
Zhang et al. A novel strong tracking cubature Kalman filter and its application in maneuvering target tracking
US7180443B1 (en) Reduced state estimator for systems with physically bounded parameters
CN108319570B (zh) 一种异步多传感器空时偏差联合估计与补偿方法及装置
CN112432644B (zh) 基于鲁棒自适应无迹卡尔曼滤波的无人艇组合导航方法
CN111291471B (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN111127523A (zh) 基于量测迭代更新的多传感器gmphd自适应融合方法
CN115143954B (zh) 一种基于多源信息融合的无人车导航方法
CN111913175A (zh) 一种传感器短暂失效下带补偿机制的水面目标跟踪方法
CN110209180A (zh) 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法
CN110677140B (zh) 一种含未知输入和非高斯量测噪声的随机系统滤波器
Qian et al. An INS/DVL integrated navigation filtering method against complex underwater environment
CN103424742B (zh) 一种序贯处理测量数据的目标跟踪方法与目标跟踪系统
CN113709662B (zh) 一种基于超宽带的自主式三维反演定位方法
CN109341690B (zh) 一种鲁棒高效的组合导航自适应数据融合方法
Fatemi et al. A study of MAP estimation techniques for nonlinear filtering
CN110912535B (zh) 一种新型无先导卡尔曼滤波方法
CN114139109A (zh) 一种目标跟踪方法、系统、设备、介质及数据处理终端
CN111340853B (zh) 基于ospa迭代的多传感器gmphd自适应融合方法
CN112986977A (zh) 一种克服雷达扩展卡尔曼航迹滤波发散的方法
Yang et al. Amended Kalman filter for maneuvering target tracking
CN105549003A (zh) 一种汽车雷达目标跟踪方法
Chen et al. A novel hybrid observation prediction methodology for bridging GNSS outages in INS/GNSS systems
CN112987054B (zh) 标定sins/dvl组合导航系统误差的方法和装置
Yuqi et al. Time-varying parameters estimation with adaptive neural network EKF for missile-dual control system

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