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 PDFInfo
- 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
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
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
(1.2)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
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。
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
(1.2)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
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
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
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)
其中,
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。
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
(1.2)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,
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
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
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)
其中,
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
(1.2)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,
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5:利用全局渐消参数向量qg(k)估算全局渐消因子λg(k);
其中,
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。
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)
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)
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)
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) |
-
2018
- 2018-09-28 CN CN201811136618.5A patent/CN109447122B/zh active Active
Patent Citations (4)
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)
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 |