CN109919233B - 一种基于数据融合的跟踪滤波方法 - Google Patents
一种基于数据融合的跟踪滤波方法 Download PDFInfo
- Publication number
- CN109919233B CN109919233B CN201910185306.1A CN201910185306A CN109919233B CN 109919233 B CN109919233 B CN 109919233B CN 201910185306 A CN201910185306 A CN 201910185306A CN 109919233 B CN109919233 B CN 109919233B
- Authority
- CN
- China
- Prior art keywords
- covariance
- state
- data fusion
- mean
- filtering
- 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
Abstract
本发明提供了一种基于数据融合的跟踪滤波方法,首先计算各个Sigma采样点和相应的权值,每个Sigma采样点通过非线性函数传播,得到观测向量的均值估计和协方差估计,将非线性系统分解为具有多个子系统的非线性滤波器,基于不敏卡尔曼滤波方法的局部滤波进行状态估计,计算各局部滤波器的权值后,得到基于数据融合算法的卡尔曼滤波器状态估计。本发明得到的滤波估计值不仅可以使滤波算法的估计精度有所提高,还增加了滤波系统的可靠性。
Description
技术领域
本发明属于定向定位领域,涉及一种跟踪滤波方法。
背景技术
卡尔曼滤波方法是被动跟踪中一种非常重要的手段,已广泛应用于军事和民用领域。传统的卡尔曼滤波方法滤波过程中容易产生误差积累,并且在状态初值和初始协方差误差较大时,很容易导致滤波发散。
不敏卡尔曼滤波方法不需要对非线性系统进行线性化,并可以很容易应用于非线性系统的状态估计。但是,不敏卡尔曼滤波方法存在一些缺点,比如容易受初始状态误差和可观测性等方面的影响,这时因为不敏卡尔曼滤波方法是用高斯分布来逼近系统状态的后验概率分布,在系统状态的后验概率分布为非高斯情况下,滤波结果将有极大的误差。
发明内容
为了克服现有技术的不足,本发明提供一种基于数据融合的跟踪方法,在跟踪滤波系统受到初始状态误差和可观测性影响情况下,确保跟踪滤波性能不下降。
本发明解决其技术问题所采用的技术方案包括以下步骤:
a)计算2N+1个Sigma采样点χi和相应的权值wi,
其中,参数λ=α2(N+η)-N,N表示状态向量x的维度,表示x的均值,Px表示x的协方差,λ为设定的比例因子,η取0,α表示采样点对均值的离散程度,β表示状态向量的先验信息,和分别表示第一个采样点的均值和协方差的权值,和分别表示第i个采样点χi的均值和协方差的权值;
b)每个Sigma采样点通过非线性函数传播,得到观测向量z=h(χi),其中,h(χi)表示非线性状态方程;
假设有多个传感器,基于数据融合的卡尔曼滤波方法状态方程和观测方程分别为x(l+1)=f(x(l+1),v(m))和zj(l)=h(x(l),n(l)),其中j=1,2,…,L,L表示传感器的个数,状态向量为x(l),第j个传感器的观测量为zj(l),v(m)和n(l)分别是过程噪声和观测噪声,且均为均值0的高斯白噪声,其协方差矩阵为E[v(l)vH(l)]=Q(l),E[n(l)nH(l)]=R(l);
本发明的有益效果是:得到的滤波估计值不仅可以使滤波算法的估计精度有所提高,还增加了滤波系统的可靠性。
附图说明
图1是基于数据融合的跟踪滤波方法流程图;
图2是滤波方法框图;
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
本发明包括以下步骤:
a)首先计算(2N+1)个Sigma采样点χi和相应的权值wi:
其中,参数λ=α2(N+η)-N,N表示状态向量x的维度,表示x的均值,Px表示x的协方差,λ为设定的比例因子,η一般取0,α表示采样点对均值的离散程度,取较小的值,如0.001,β表示状态向量的先验信息,β的最佳值是2,和分别表示第一个采样点的均值和协防差的权值,和分别表示第i个采样点χi的均值和协方差的权值。
b)每个Sigma采样点通过非线性函数传播,得到观测向量
z=h(χi) (3)
其中,h(χi)表示非线性状态方程;
z的均值估计和协方差估计为:
假设有多个传感器,基于数据融合的卡尔曼滤波方法状态方程和观测方程如下:
x(l+1)=f(x(l+1),v(m)) (6)
zj(l)=h(x(l),n(l)) (7)
其中j=1,2,…,L,L表示传感器的个数,状态向量为x(l),第j个传感器的观测量为zj(l),v(m)和n(l)分别是过程噪声和观测噪声,且均为均值0的高斯白噪声,其协方差矩阵为E[v(l)vH(l)]=Q(l),E[n(l)nH(l)]=R(l)。
c)假设非线性系统有多个传感器组成,可以将其分解为具有多个子系统的非线性滤波器,那么对于第j个传感器来说,基于不敏卡尔曼滤波方法的局部滤波的状态估计包括:
增益矩阵为:
状态估计误差自相关矩阵为:
d)各局部滤波器的权值为:
其中tr(Pj(l+1|l+1))表示矩阵Pj(l+1|l+1)的迹。
e)基于数据融合算法的卡尔曼滤波器状态估计为:
本发明提供一种基于数据融合的跟踪滤波方法,图1为该方法流程图,图2是滤波方法框图,本实例中假设目标做匀速直线运动,观测平台做匀加速直线运动,目标与观测平台在同一水平高度Z=1000m的平面运动,执行以下步骤:
步骤一:由图2建立跟踪滤波模型,观测平台从第4秒到第80秒对目标进行跟踪,传感器数目为2,采样周期T=1s,待估计目标的初始位置XT=[-3000,2500]T,单位为米,速度VT=[30,0]T,单位为米/秒,观测平台的初始位置是X(1)=[-2000,1000]T,速度为V(1)=[0,35]T,加速度a=[0,3]T,过程噪声的自相关矩阵是Q=2.4I6×6,两个传感器的量测噪声方差分别是σ1 2=0.0007,σ2 2=0.0004;计算(2N+1)个Sigma采样点χi和相应的权值wi;
步骤二:计算z的均值估计和协方差估计:
根据各局部滤波器的数据计算基于数据融合的卡尔曼滤波方法状态方程和观测方程
x(l+1)=f(x(l+1),v(m))
zj(l)=h(x(l),n(l))
步骤三:计算系统增益矩阵:
状态估计误差自相关矩阵
步骤四:计算各局部滤波器的权值为:
步骤五:计算基于数据融合算法的卡尔曼滤波器状态估计:
图3是待估计目标的初始位置XT=[-3000,2500]T,速度VT=[30,0]T,观测平台的初始位置是X(1)=[-2000,1000]T,速度为V(1)=[0,35]T,加速度a=[0,3]T时,各局部滤波器和基于数据融合的滤波器位置的均方根误差。从图中可以看出,基于数据融合的不敏卡尔曼滤波器要比各个单独的不敏卡尔曼滤波器的滤波性能更好,在30秒之前两种滤波算法对位置估计的均方根误差波动比较大,其原因是在滤波初期样本数据较少导致滤波不稳定,随着时间的推移,位置估计的均方根误差慢慢收敛并趋于稳定。
图4是待估计目标的初始位置XT=[-3000,2500]T,速度VT=[30,0]T,观测平台的初始位置是X(1)=[-2000,1000]T,速度为V(1)=[0,35]T,加速度a=[0,3]T时,各局部滤波器和基于数据融合的滤波器位置的均方根误差。从图中可以看出,在X方向上基于数据融合的不敏卡尔曼滤波器要比各个单独的不敏卡尔曼滤波器的滤波性能更好。
图5是待估计目标的初始位置XT=[-3000,2500]T,速度VT=[30,0]T,观测平台的初始位置是X(1)=[-2000,1000]T,速度为V(1)=[0,35]T,加速度a=[0,3]T时,各局部滤波器和基于数据融合的滤波器位置的均方根误差。从图中可以看出,在Y方向上基于数据融合的不敏卡尔曼滤波器要比各个单独的不敏卡尔曼滤波器的滤波性能更好。
Claims (1)
1.一种基于数据融合的跟踪滤波方法,其特征在于包括下述步骤:
a)计算2N+1个Sigma采样点χi和相应的权值wi,
其中,参数λ=α2(N+η)-N,N表示状态向量x的维度,表示x的均值,Px表示x的协方差,λ为设定的比例因子,η取0,α表示采样点对均值的离散程度,β表示状态向量的先验信息,和分别表示第一个采样点的均值和协方差的权值,和分别表示第i个采样点χi的均值和协方差的权值;
b)每个Sigma采样点通过非线性函数传播,得到观测向量z=h(χi),其中,h(χi)表示非线性状态方程;
假设有多个传感器,基于数据融合的卡尔曼滤波方法状态方程和观测方程分别为x(l+1)=f(x(l+1),v(m))和zj(l)=h(x(l),n(l)),其中j=1,2,…,L,L表示传感器的个数,状态向量为x(l),第j个传感器的观测量为zj(l),v(m)和n(l)分别是过程噪声和观测噪声,且均为均值0的高斯白噪声,其协方差矩阵为E[v(l)vH(l)]=Q(l),E[n(l)nH(l)]=R(l);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185306.1A CN109919233B (zh) | 2019-03-12 | 2019-03-12 | 一种基于数据融合的跟踪滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185306.1A CN109919233B (zh) | 2019-03-12 | 2019-03-12 | 一种基于数据融合的跟踪滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919233A CN109919233A (zh) | 2019-06-21 |
CN109919233B true CN109919233B (zh) | 2022-04-22 |
Family
ID=66964325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185306.1A Active CN109919233B (zh) | 2019-03-12 | 2019-03-12 | 一种基于数据融合的跟踪滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919233B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652263B (zh) * | 2020-03-30 | 2021-12-28 | 西北工业大学 | 一种基于多滤波器信息融合的自适应目标跟踪方法 |
CN111563918B (zh) * | 2020-03-30 | 2022-03-04 | 西北工业大学 | 一种多卡尔曼滤波器数据融合的目标跟踪方法 |
CN113468750B (zh) * | 2021-07-06 | 2022-11-18 | 东南大学 | 一种基于信息融合的天线罩误差斜率估计方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050030181A (ko) * | 2005-02-17 | 2005-03-29 | 이석한 | 제약조건 다양체에 기반한 센서 융합 및 필터링 방법 |
CN101795123A (zh) * | 2010-02-10 | 2010-08-04 | 上海交通大学 | 分布式非线性滤波方法 |
CN104022757A (zh) * | 2014-06-13 | 2014-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种高阶矩匹配的多层无迹卡尔曼滤波器的线性扩展方法 |
CN106093951A (zh) * | 2016-06-06 | 2016-11-09 | 清华大学 | 基于超声波传感器阵列的物体跟踪方法 |
CN108490927A (zh) * | 2018-01-24 | 2018-09-04 | 天津大学 | 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 |
CN108802692A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨工程大学 | 一种基于最大互相关熵容积粒子滤波的目标跟踪方法 |
CN109186601A (zh) * | 2018-07-05 | 2019-01-11 | 南京理工大学 | 一种基于自适应无迹卡尔曼滤波的激光slam算法 |
CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
-
2019
- 2019-03-12 CN CN201910185306.1A patent/CN109919233B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050030181A (ko) * | 2005-02-17 | 2005-03-29 | 이석한 | 제약조건 다양체에 기반한 센서 융합 및 필터링 방법 |
CN101795123A (zh) * | 2010-02-10 | 2010-08-04 | 上海交通大学 | 分布式非线性滤波方法 |
CN104022757A (zh) * | 2014-06-13 | 2014-09-03 | 中国科学院重庆绿色智能技术研究院 | 一种高阶矩匹配的多层无迹卡尔曼滤波器的线性扩展方法 |
CN106093951A (zh) * | 2016-06-06 | 2016-11-09 | 清华大学 | 基于超声波传感器阵列的物体跟踪方法 |
CN108490927A (zh) * | 2018-01-24 | 2018-09-04 | 天津大学 | 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法 |
CN108802692A (zh) * | 2018-05-25 | 2018-11-13 | 哈尔滨工程大学 | 一种基于最大互相关熵容积粒子滤波的目标跟踪方法 |
CN109186601A (zh) * | 2018-07-05 | 2019-01-11 | 南京理工大学 | 一种基于自适应无迹卡尔曼滤波的激光slam算法 |
CN109307511A (zh) * | 2018-09-04 | 2019-02-05 | 山东理工大学 | 一种人工鱼群算法优化的容积粒子滤波导航方法 |
Non-Patent Citations (6)
Title |
---|
Comparison of centralised scaled unscented Kalman filter and extended Kalman filter for multisensor data fusion architectures;Zirui Xing 等;《IET Signal Process》;20161231;第10卷(第4期);第359-365页 * |
Sigma-Point Kalman Filters for Nonlinear Estimation and Sensor-Fusion - Applications to Integrated Navigation -;Rudolph van der Merwe 等;《American Institute of Aeronautics and Astronautics》;20041231;第1-30页 * |
Square-Root Sigma-Point Information Consensus Filters for Distributed Nonlinear Estimation;Guoliang Liu 等;《sensors》;20170408;第1-14页 * |
加权观测融合非线性无迹卡尔曼滤波算法;郝刚 等;《控制理论与应用》;20110630;第28卷(第6期);第753-758页 * |
基于无迹卡尔曼滤波的被动多传感器融合跟踪;杨柏胜 等;《控制与决策》;20080430;第23卷(第4期);第460-463页 * |
基于高斯Sigma点选取的改进UPF算法;曹洁 等;《吉林大学学报(工学版)》;20140930;第44卷(第5期);第1435-1440页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109919233A (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
Orderud | Comparison of kalman filter estimation approaches for state space models with nonlinear measurements | |
CN111985093A (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
KR100816269B1 (ko) | 언센티드 필터를 적용한 강인한 동시 위치 추정 및 지도작성 방법 | |
CN108267731B (zh) | 无人机目标跟踪系统的构建方法及应用 | |
CN109284677A (zh) | 一种贝叶斯滤波目标跟踪算法 | |
CN110209180B (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 | |
CN110779519B (zh) | 一种具有全局收敛性的水下航行器单信标定位方法 | |
CN111798491A (zh) | 一种基于Elman神经网络的机动目标跟踪方法 | |
CN110794409A (zh) | 一种可估计未知有效声速的水下单信标定位方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
Frery et al. | Analysis of minute features in speckled imagery with maximum likelihood estimation | |
CN110673148A (zh) | 一种主动声纳目标实时航迹解算方法 | |
CN110738275A (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
US7928898B2 (en) | Method for determining the kinematic state of an object, by evaluating sensor measured values | |
CN112986978A (zh) | 一种雷达目标跟踪滤波的信任度获取方法 | |
CN109115228B (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN115544425A (zh) | 一种基于目标信噪比特征估计的鲁棒多目标跟踪方法 | |
Wang et al. | Best linear unbiased estimation algorithm with Doppler measurements in spherical coordinates | |
CN105549003A (zh) | 一种汽车雷达目标跟踪方法 | |
CN110595470A (zh) | 一种基于外定界椭球集员估计的纯方位目标跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |