CN109521395A - 基于ut-dc的主被动传感器目标定位方法 - Google Patents
基于ut-dc的主被动传感器目标定位方法 Download PDFInfo
- Publication number
- CN109521395A CN109521395A CN201811500621.0A CN201811500621A CN109521395A CN 109521395 A CN109521395 A CN 109521395A CN 201811500621 A CN201811500621 A CN 201811500621A CN 109521395 A CN109521395 A CN 109521395A
- Authority
- CN
- China
- Prior art keywords
- sensor
- positioning
- target
- active
- active sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000004807 localization Effects 0.000 title claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000005259 measurement Methods 0.000 claims abstract description 25
- 238000013144 data compression Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000013507 mapping Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004064 recycling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于UT‑DC的主被动传感器目标定位方法,包括以下具体步骤:(1)主动传感器和被动传感器目标定位分析;(2)数据压缩融合定位;(3)融合定位加权系数;(4)不敏变换位置估计统计特性计算;(5)建立不同模型,比较各模型下目标定位性能。本发明能够减小了非线性误差的影响,对数据压缩过程中量测信息重复利用的问题进行去相关性处理,适用于压制干扰下有源主动传感器和无源被动传感器目标定位过程中定位精度的提高。
Description
技术领域
本发明属于传感器数据处理技术领域,具体涉及一种基于UT-DC的主被动传感器目标定位方法。
背景技术
压制干扰是在敌方雷达中注入干扰信号以使真实目标回波信号被干扰淹没的一种有源干扰方式。它主要通过在雷达的调谐频带上产生宽带或窄带的有源噪声信号,在空间辐射形成压制干扰环境,人为地把噪声传给雷达的接收机,增大其输入端的噪声水平,降低其信噪比,从而干扰雷达正常工作。从原理上说,由于压制干扰信号具有与雷达接收机内部噪声相似的特性,因而雷达接收机很难摆脱这种性质的有源干扰。
抗压制干扰的一种有效途径是采用多传感器信息融合,而无源传感器测向交叉定位和主被动传感器信息融合定位是常用的二种方式。当部分传感器受到干扰,部分传感器没有受到干扰时,可以采用主被动传感器信息融合法进行目标定位,在公共的探测区域内,主动传感器能够获得目标的距离和方位信息,被动传感器只能够获得目标位置中的方位信息,从改善定位精度考虑,把被动传感器的量测信息和主动传感器的测量信息进行融合时能否提高定位效果是实际应用中面临的问题,然而,此方面的研究还鲜见相关的报道。
发明内容
针对现有技术的缺陷和不足,本发明通过提供一种基于UT-DC的主被动传感器目标定位方法,以解决传统的线性化方法计算变量统计特性,易导致理论定位结果与实际定位结果相差较大的技术问题。
为实现上述目的,本发明的技术方案为:
一种基于UT-DC的主被动传感器目标定位方法,包括以下具体步骤:
(1)主动传感器和被动传感器目标定位分析:主动传感器获得目标距离和方位信息,被动传感器只获得目标方位信息,分别通过几何三角关系进行主动传感器目标定位和主被动传感器目标交叉定位;
(2)数据压缩融合定位:充分利用主动传感器和被动传感器的量测信息,将主动传感器目标定位与主被动传感器目标交叉定位的结果进行数据压缩加权融合;
(3)融合定位加权系数:主动传感器目标定位和主被动传感器目标交叉定位都采用了主动传感器的角度量测,二者所得位置估计具有相关性,数据压缩加权融合时加权系数去相关;
(4)不敏变换位置估计统计特性计算:主动传感器目标定位、主被动传感器目标交叉定位以及融合定位都是传感器测量的非线性方程,采用不敏变换计算位置估计统计特性;
(5)建立不同模型,比较各模型下目标定位性能。
进一步,步骤(2)中,将主动传感器和被动传感器的坐标位置分别定义位于(0,0)、(0, D),D为主动传感器和被动传感器的基线长度,主动传感器能够获得目标的距离和方位量测 r,θ1,被动传感器只能获得目标的方位量测为θ2;两部传感器的角度量测误差及主动传感器的距离量测误差相互独立,并且服从均值为0、方差分别为的高斯分布。
进一步,步骤(2)中,主动传感器目标定位结果为:
主动传感器和被动传感器利用角度量测进行交叉定位的结果为:
将主动传感器目标定位和交叉定位结果通过数据压缩加权融合:
其中,Q1、Q12分别为主动传感器目标定位和交叉定位在融合中的权重。
进一步,步骤(3)中,主动传感器目标定位和主被动传感器目标交叉定位都采用了角度量测θ1,两种目标位置估计是相关的,数据压缩加权融合考虑相关性,加权系数分别为:
其中,P1、P12分别为主动传感器目标定位和主被动传感器交叉定位的误差协方差矩阵,为互协方差矩阵。
进一步,步骤(4)中,不敏变换位置估计统计特性计算的方法包括以下具体步骤:
(a)主动传感器定位
根据不敏变换原理,将传感器1的距离和方位量测构造随机向量x1=[r,θ1]T,随机向量维数为协方差为:
其中,由x1到位置估计z1的非线性映射为:G1:z1=g1(x1);采用不敏变换计算z1的统计特性,对于2维随机向量x1,选取5个sigma采样点,x1的sigma采样点经非线性映射G1后,得到z1的sigma采样点z1i,z1i=g1(vi),i=0,1,...,4,加权得到目标位置估计和相应协方差阵:
(b)主被动传感器定位
根据不敏变换,将主动传感器和被动传感器方位量测构造随机变量x12=[θ1;θ2],其维数协方差阵为:
由量测x12到位置估计z12的非线性映射为:G2:z12=g2(x2),可得交叉定位的位置估计和误差协方差P12;
(c)数据压缩加权融合定位
通过不敏变换求解互协方差由于重复利用的量测信息只有θ1,则随机变量设定为x1,12=θ1,维数为方差为由x1,12和r经非线性映射G1可获得位置估计由x1,12和θ2经非线性映射G2可获得位置估计求解互协方差时,对随机变量x1,12选取3个 sigma采样点;非线性映射G1后,得到的sigma采样点经非线性映射G2后,得到的sigma采样点非线性映射后权重保持不变,通过加权可以得到两种映射下位置估计分别为:
相应的互协方差矩阵分别为:
根据P1、P12和所得的互协方差,可得考虑相关性时融合定位加权系数。
与现有技术相比,本发明具有如下优点:
(1)本发明采用的基于不敏变换-数据压缩(UT-DC)的主被动传感器目标定位方法,相较于传统的线性处理方式,采用不敏变换计算统计特性可以减小非线性误差,从而显著提高定位效果。
(2)本发明将主动定位与交叉定位结果进行融合,可以更加充分的利用主、被动传感器的信息,因而定位精度更优。
(3)本发明通过考虑相关性能够获得更精确的加权系数。
因此,本发明能够减小了非线性误差的影响,对数据压缩过程中量测信息重复利用的问题进行去相关性处理,适用于压制干扰下有源主动传感器和无源被动传感器目标定位过程中定位精度的提高。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明中主被动传感器的目标定位示意图;
其中,传感器1代表主动传感器,传感器2代表被动传感器。
具体实施方式
本发明根据主被动传感器融合定位具有高度非线性,针对采用传统的线性化方法计算变量统计特性,理论定位结果与实际定位结果相差较大的情况,提出一种基于UT-DC的主被动传感器目标定位方法。首先,通过不敏变换(UT)精确计算了二维变量的统计特性,减小了非线性误差的影响;其次,针对数据压缩(DC)过程中量测信息重复利用的问题进行去相关性处理,获得较高的定位精度。
下面结合具体实施方式对本发明作进一步详细的说明。
本发明提供了一种基于UT-DC的主被动传感器目标定位方法,包括以下具体步骤:
(1)主动传感器和被动传感器目标定位分析:主动传感器获得目标距离和方位信息,被动传感器只获得目标方位信息,如图1所示,分别通过几何三角关系进行主动传感器目标定位和主被动传感器目标交叉定位(即主动传感器和被动传感器目标交叉定位)。
(2)数据压缩融合定位:充分利用主动传感器和被动传感器的量测信息,将主动传感器目标定位与主被动传感器目标交叉定位的结果进行数据压缩加权融合;
将主动传感器和被动传感器的坐标位置分别定义位于(0,0)、(0,D),D为主动传感器和被动传感器的基线长度,主动传感器能够获得目标的距离和方位量测r,θ1,被动传感器只能获得目标的方位量测为θ2;两部传感器的角度量测误差及主动传感器的距离量测误差相互独立,并且服从均值为0、方差分别为的高斯分布。
主动传感器目标定位结果为:
主动传感器和被动传感器利用角度量测进行交叉定位的结果为:
将主动传感器目标定位和交叉定位结果通过数据压缩加权融合:
其中,Q1、Q12分别为主动传感器目标定位和交叉定位在融合中的权重。
(3)融合定位加权系数:主动传感器目标定位和主被动传感器目标交叉定位都采用了主动传感器的角度量测,二者所得位置估计具有相关性,数据压缩加权融合时加权系数去相关。
主动传感器目标定位和主被动传感器目标交叉定位都采用了角度量测θ1,两种目标位置估计是相关的,数据压缩加权融合考虑相关性,加权系数分别为:
其中,P1、P12分别为主动传感器目标定位和主被动传感器交叉定位的误差协方差矩阵,为互协方差矩阵。
(4)不敏变换位置估计统计特性计算:主动传感器目标定位、主被动传感器目标交叉定位以及融合定位都是传感器测量的非线性方程,目前对位置估计统计特性普遍采用的线性化处理方法,引入较大误差,而本发明采用不敏变换计算位置估计统计特性。其具体步骤如下:
(a)主动传感器定位
根据不敏变换原理,将传感器1的距离和方位量测构造随机向量x1=[r,θ1]T,随机向量维数为协方差为:
其中,由x1到位置估计z1的非线性映射为:G1:z1=g1(x1);采用不敏变换计算z1的统计特性,对于2维随机向量x1,选取5个sigma采样点,x1的sigma采样点经非线性映射G1后,得到z1的sigma采样点z1i,z1i=g1(vi),i=0,1,...,4。加权得到目标位置估计和相应协方差阵:
(b)主被动传感器定位
根据不敏变换,将主动传感器和被动传感器方位量测构造随机变量x12=[θ1;θ2],其维数协方差阵为:
由量测x12到位置估计z12的非线性映射为:G2:z12=g2(x2),可得交叉定位的位置估计和误差协方差P12;
(c)数据压缩加权融合定位
通过不敏变换求解互协方差由于重复利用的量测信息只有θ1,则随机变量设定为x1,12=θ1,维数为方差为由x1,12和r经非线性映射G1可获得位置估计由x1,12和θ2经非线性映射G2可获得位置估计求解互协方差时,对随机变量x1,12选取3个 sigma采样点;非线性映射G1后,得到的sigma采样点经非线性映射G2后,得到的 sigma采样点非线性映射后权重保持不变,通过加权可以得到两种映射下位置估计分别为:
相应的互协方差矩阵分别为:
根据P1、P12和所得的互协方差,可得考虑相关性时融合定位加权系数。
(5)建立不同模型,比较各模型下目标定位性能。
以上所述仅为发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于UT-DC的主被动传感器目标定位方法,其特征在于,包括以下具体步骤:
(1)主动传感器和被动传感器目标定位分析:主动传感器获得目标距离和方位信息,被动传感器只获得目标方位信息,分别通过几何三角关系进行主动传感器目标定位和主被动传感器目标交叉定位;
(2)数据压缩融合定位:充分利用主动传感器和被动传感器的量测信息,将主动传感器目标定位与主被动传感器目标交叉定位的结果进行数据压缩加权融合;
(3)融合定位加权系数:主动传感器目标定位和主被动传感器目标交叉定位都采用了主动传感器的角度量测,二者所得位置估计具有相关性,数据压缩加权融合时加权系数去相关;
(4)不敏变换位置估计统计特性计算:主动传感器目标定位、主被动传感器目标交叉定位以及融合定位都是传感器测量的非线性方程,采用不敏变换计算位置估计统计特性;
(5)建立不同模型,比较各模型下目标定位性能。
2.根据权利要求1所述的方法,其特征在于:步骤(2)中,将主动传感器和被动传感器的坐标位置分别定义位于(0,0)、(0,D),D为主动传感器和被动传感器的基线长度,主动传感器能够获得目标的距离和方位量测r,θ1,被动传感器只能获得目标的方位量测为θ2;两部传感器的角度量测误差及主动传感器的距离量测误差相互独立,并且服从均值为0、方差分别为的高斯分布。
3.根据权利要求2所述的方法,其特征在于:步骤(2)中,主动传感器目标定位结果为:
主动传感器和被动传感器利用角度量测进行交叉定位的结果为:
将主动传感器目标定位和交叉定位结果通过数据压缩加权融合:
其中,Q1、Q12分别为主动传感器目标定位和交叉定位在融合中的权重。
4.根据权利要求3所述的方法,其特征在于:步骤(3)中,主动传感器目标定位和主被动传感器目标交叉定位都采用了角度量测θ1,两种目标位置估计是相关的,数据压缩加权融合考虑相关性,加权系数分别为:
其中,P1、P12分别为主动传感器目标定位和主被动传感器交叉定位的误差协方差矩阵,为互协方差矩阵。
5.根据权利要求4所述的方法,其特征在于:步骤(4)中,不敏变换位置估计统计特性计算的方法包括以下具体步骤:
(a)主动传感器定位
根据不敏变换原理,将传感器1的距离和方位量测构造随机向量x1=[r,θ1]T,随机向量维数为协方差为:
其中,由x1到位置估计z1的非线性映射为:G1:z1=g1(x1);采用不敏变换计算z1的统计特性,对于2维随机向量x1,选取5个sigma采样点,x1的sigma采样点经非线性映射G1后,得到z1的sigma采样点z1i,z1i=g1(vi),i=0,1,...,4,加权得到目标位置估计和相应协方差阵:
(b)主被动传感器定位
根据不敏变换,将主动传感器和被动传感器方位量测构造随机变量x12=[θ1;θ2],其维数协方差阵为:
由量测x12到位置估计z12的非线性映射为:G2:z12=g2(x2),可得交叉定位的位置估计和误差协方差P12;
(c)数据压缩加权融合定位
通过不敏变换求解互协方差由于重复利用的量测信息只有θ1,则随机变量设定为x1,12=θ1,维数为方差为由x1,12和r经非线性映射G1可获得位置估计由x1,12和θ2经非线性映射G2可获得位置估计求解互协方差时,对随机变量x1,12选取3个sigma采样点;非线性映射G1后,得到的sigma采样点经非线性映射G2后,得到的sigma采样点非线性映射后权重保持不变,通过加权可以得到两种映射下位置估计分别为:
相应的互协方差矩阵分别为:
根据P1、P12和所得的互协方差,可得考虑相关性时融合定位加权系数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811048216X | 2018-09-09 | ||
CN201811048216 | 2018-09-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109521395A true CN109521395A (zh) | 2019-03-26 |
Family
ID=65795020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811500621.0A Pending CN109521395A (zh) | 2018-09-09 | 2018-12-08 | 基于ut-dc的主被动传感器目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521395A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474518A (zh) * | 2020-05-25 | 2020-07-31 | 浙江大华技术股份有限公司 | 定位方法、融合定位基站及存储介质 |
CN112198504A (zh) * | 2020-09-29 | 2021-01-08 | 中国船舶重工集团公司第七二四研究所 | 一种主被动观测特征交织的融合滤波方法 |
-
2018
- 2018-12-08 CN CN201811500621.0A patent/CN109521395A/zh active Pending
Non-Patent Citations (2)
Title |
---|
王国宏 等: "主被动传感器UT-DC目标定位算法", 《海军航空工程学院学报》 * |
盛丹 等: "多部无源被动传感器交叉定位优化配置研究", 《弹箭与制导学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111474518A (zh) * | 2020-05-25 | 2020-07-31 | 浙江大华技术股份有限公司 | 定位方法、融合定位基站及存储介质 |
CN112198504A (zh) * | 2020-09-29 | 2021-01-08 | 中国船舶重工集团公司第七二四研究所 | 一种主被动观测特征交织的融合滤波方法 |
CN112198504B (zh) * | 2020-09-29 | 2022-04-08 | 中国船舶重工集团公司第七二四研究所 | 一种主被动观测特征交织的融合滤波方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106407677B (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
CN110531357A (zh) | 估计移动目标在水平面中速度大小的方法和雷达检测系统 | |
CN105093201B (zh) | 一种基于多基地mimo雷达的目标关联方法 | |
CN103728599B (zh) | 用异地配置的主被动雷达网抑制欺骗式假目标干扰的方法 | |
CN109633592A (zh) | 运动观测站误差下外辐射源雷达时差与频差协同定位方法 | |
CN110174643A (zh) | 一种无需噪声功率信息的基于到达时间差的定位方法 | |
CN103869279B (zh) | 一种多传感器平台的多目标定位跟踪方法 | |
CN106249197B (zh) | 一种多点定位系统中接收机位置误差的自校准方法 | |
CN109581317B (zh) | 一种基于回波峰值匹配的角落目标定位方法 | |
CN111954153B (zh) | 一种基于uwb定位的智能召车导航定位方法 | |
CN106468771A (zh) | 一种低可观测高杂波条件下的多目标检测与跟踪方法 | |
CN108983216A (zh) | 一种基于坐标校准的机载雷达微弱目标检测前跟踪方法 | |
CN106526549A (zh) | 联合两坐标雷达和三坐标雷达统计量的假目标鉴别方法 | |
CN102338874A (zh) | 用于被动式多传感器目标跟踪的全局概率数据关联方法 | |
CN103792515B (zh) | 一种异平台2维雷达与红外传感器量测数据合成方法 | |
CN109816071A (zh) | 一种基于rfid的室内目标追踪方法 | |
CN109521395A (zh) | 基于ut-dc的主被动传感器目标定位方法 | |
CN110058222A (zh) | 一种基于传感器选择的双层粒子滤波检测前跟踪方法 | |
CN106526554B (zh) | 基于三门限延迟判别的长基线雷达网虚假航迹识别算法 | |
CN104093207A (zh) | 一种基于测距误差模型修正的无线定位方法 | |
US11150321B2 (en) | System for orientation estimation from radio measurements | |
CN108761384A (zh) | 一种抗差的传感器网络目标定位方法 | |
CN105592548A (zh) | 一种基于高斯模型的无线传感网络质心定位方法 | |
CN109521418B (zh) | 基于干涉场的地基雷达测角方法 | |
CN106371078B (zh) | 基于发射波形和位置联合估计的多发射源被动定位方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190326 |
|
WD01 | Invention patent application deemed withdrawn after publication |