CN110044356A - 一种通信拓扑切换下分布式协同目标跟踪方法 - Google Patents
一种通信拓扑切换下分布式协同目标跟踪方法 Download PDFInfo
- Publication number
- CN110044356A CN110044356A CN201910321353.4A CN201910321353A CN110044356A CN 110044356 A CN110044356 A CN 110044356A CN 201910321353 A CN201910321353 A CN 201910321353A CN 110044356 A CN110044356 A CN 110044356A
- Authority
- CN
- China
- Prior art keywords
- platform
- target
- tracking
- filtering
- state
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种通信拓扑切换下分布式协同目标跟踪方法,有多个跟踪运动平台组成通信拓扑结构同时跟踪同一个目标,每个运动平台根据自身传感器所敏感到的目标信息,利用基于残差检验的无迹卡尔曼滤波进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果,本发明解决了传统的集中式多平台目标跟踪定位算法中,通信量较大,对于融合中心的计算能力有较高要求系统鲁棒性不足的问题,此外,通过在滤波算法中引入在线自适应算法模块,有效地扩大了算法的适用范围和适应能力。
Description
技术领域
本发明涉及目标跟踪领域,具体涉及一种通信拓扑切换下分布式协同目标跟踪方法。
背景技术
目标跟踪是指利用传感器(雷达、声纳、红外、电视等)提供的原始观测数据,估计出目标的运动状态参数,比如位置、速度等信息。在复杂战场环境中,在尽可能远的距离上,及时、准确、可靠地跟踪敌方目标,能够为指控系统提供更多的预警时间和准确的目标航迹估计,实现有效地打击与拦截。当前,随着信息战、联合作战等作战理论和作战形式的出现,战场信息的及时获取和感知成为了决定双方胜负的关键因素之一。然而,随着目标机动性能的不断提高,各国装备的武器系统不断的改进,单个传感器平台越来越难于对目标进行有效地持续性跟踪,而通过多个平台之间合作进行对同一目标的跟踪(协同目标跟踪),可以显著提高目标的跟踪精度,同时提升系统的抗干扰能力,是目前目标跟踪领域发展的热门方向。
协同目标跟踪按照数据组网方式可分为集中式,分散式和分布式。其中,集中式组网方式是指将每个平台获取的数据传递到融合中心,在融合中心处集中进行数据处理以及目标跟踪。这种方法虽然信息量损失小、跟踪精度高,但节点的通信量庞大、延时大,对于融合中心的计算能力有较高要求,系统抗毁伤性能不足,如果融合中心受到干扰则整个系统也会全面瘫痪。分散式组网方式,则是将每个平台都作为融合中心,每个平台均需接受其他全部平台的全部信息,这种方式具有最强的抗毁伤性能,且跟踪精度高,但是这种方式的硬件成本十分高昂,而且通信量十分巨大。而在基于分布式的组网方式中,每个节点仅与其相邻节点进行信息交互,信息交互量较少,无融合中心,可扩展性强,特殊环境下生存能力强,是目前比较主流的协同目标跟踪算法网络架构。但在分布式协同目标跟踪算法的实际应用中,传感器平台姿态的变化、扰动、故障或通信范围的限制可能使得平台间的通讯连接中断,进而导致网络系统的拓扑结构被迫发生改变。网络系统中这种动态的拓扑结构通常称为切换拓扑。切换拓扑的存在会极大地影响协同目标跟踪的精度,甚至导致目标丢失。
发明内容
本发明提出一种通信拓扑切换下分布式协同目标跟踪方法,以实现在切换通信拓扑的情况下,多平台对目标的准确协同跟踪。是一种基于残差检验的无迹kalman滤波方法,有效改善了传统无迹kalman滤波(UKF,Unscented Kalman Filter)方法对于参数的敏感性,提升了滤波算法的鲁棒性和抗干扰能力,进而有效提高了分布式协同目标跟踪的精度。
为了实现上述目的,本发明的技术方案是:
一种通信拓扑切换下分布式协同目标跟踪方法,由多个跟踪运动平台组成、具有通信拓扑结构的运动平台系统同时跟踪同一个目标,每个运动平台根据自身传感器所敏感到的目标信息,利用无迹卡尔曼滤波进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果,所述无迹卡尔曼滤波是基于残差检验的无迹卡尔曼滤波,所述方法步骤包括:
步骤1:每个平台基于自身观测信息计算平台本地的目标跟踪估计结果;
步骤2:每个平台向邻居平台传输本平台的目标跟踪估计结果,同时接受邻居平台的目标跟踪估计结果,并将二者进行一致性融合,得到一致性融合后的本平台的目标跟踪估计结果;
步骤3:将当前的跟踪结果更新为下一轮一致性融合计算的初始值,重复步骤2对目标进行持续性跟踪与定位,直至数据传输轮数达到预设阈值,输出目标最终跟踪定位结果。
方案进一步是:所述向邻居平台传输本平台的目标跟踪估计结果是基于一致性切换拓扑情况下的通信法则向邻居平台传输本平台的目标跟踪估计结果,所述一致性切换拓扑情况下的通信法则是:无论通信拓扑如何变换,在每一个时刻,通信拓扑网络始终具有连通性。
方案进一步是:所述基于残差检验的无迹卡尔曼滤波是:
第一步:确定滤波模型以及滤波模型下的参数;
所述滤波模型是常值加速度滤波模型:
x(k+1)=Φx(k)+w(k)
z(k)=H(x(k))+r(k)
其中:
x(k)为状态向量,
其中:等号右边括号内依序代表为X,Y,Z轴下的三轴位置,三轴速度以及三轴加速度;
w(k)为状态误差,是零均值高斯白噪声;
r(k)为观测噪声,是零均值的高斯白噪声;
z(k)是观测向量, 分别为平台对应目标的方位角和俯仰角;
H(x(k))是观测矩阵,
其中:
atan为反正切函数;
Φ是常值加速度滤波模型下的非线性连续离散系统状态转移矩阵:
其中:T为系统采样间隔;
所述滤波模型下的参数包括:
1)常值加速度滤波模型下的状态向量:
其中:等号右边括号内依序代表为X,Y,Z轴下的三轴位置,三轴速度以及三轴加速度;
2)常值加速度滤波模型下的非线性连续离散系统模型:
Xk+1=f(Xk)+wk
Zk=h(Xk)+vk
其中,Xk为系统状态,Zk为系统观测信息,wk和vk分别为系统的过程噪声和测量噪声,过程噪声的协方差为Q,量测噪声的方差为R,f为状态方程中与系统状态变量Xk和时间k相关的非线性函数;h为观测方程中与状态变量Xk和时间k相关的非线性函数;
3)协方差Q值矩阵:
第二步:进行基于残差检验的UKF计算,
计算中所针对的滤波模型为第一步中所定义的常值加速度滤波模型,后续所有介绍均基于该模型:
1)基于滤波模型计算2n+1个离散采样点,Sigma点
其中:
γ是尺度参数,是矩阵的第i列,n为目标状态向量的维数,和Pk分别表示k时刻目标的状态估计值及误差协方差矩阵;
2)计算每个离散采样点的权重:
w0=γ/(n+γ)i=0
wi=1/[2(n+γ)]i=1,2,...,n
wi+n=1/[2(n+γ)]i=1,2,...,n
3)进行时间更新:
计算状态一步预测:
计算一步预测协方差:
4)量测更新:
计算预测观测值:
计算预测观测协方差:
计算观测向量和状态向量的交互协方差:
状态更新
状态误差协方差更新
5)基于残差检验的噪声统计特性自适应估计:
构建滤波残差理论计算结果量:
根据真实数据,计算滤波残差实际计算结果量:
rk+1=Zk+1-zk+1|k
实际残差的均值为实际残差的方差为
计算无迹卡尔曼滤波理论残差方差和实际残差方差之间的差值:
ek+1=Sk+1-Ck+1。
方案进一步是:所述方法进一步包括:根据ek+1的值利用下述规则调整协方差Q值:
1)如果|ek+1|<0.1,则Q保持不变;
2)如果ek+1>0.1,则Q分为两个阶段增大:
如果ek+1>10,Q增大的倍数为
如果ek+1<10,Q增大的倍数为1.1;
3)如果ek+1<0,Q减小的倍数为0.97。
本发明的有益效果是:
1)本发明解决了传统的集中式多平台目标跟踪定位算法中,通信量较大,对于融合中心的计算能力有较高要求,系统鲁棒性不足的问题,此外,通过在滤波算法中引入在线自适应算法模块,有效地扩大了算法的适用范围和适应能力。
2)本发明所设计的基于一致性的切换拓扑情况下的通信法则,有效地完成了在通信拓扑切换的情况下本平台的目标跟踪估计结果与接收到的邻居平台的目标跟踪估计结果之间的数据融合,实现了本地信息与邻居信息间的充分共享有效解决了通信拓扑切换对于滤波算法精度和稳定性带来的影响。
3)本发明所设计的基于残差检验的UKF算法,通过计算滤波实际残差与滤波理论残差的差值,动态自适应地调整滤波相关参数,与现有方法相比,有效解决了传统UKF算法中由于参数错误导致滤波结果错误甚至发散的问题,提高了算法对于复杂情况的适应性和对于噪声信息的鲁棒性,有效的保障了协同目标跟踪的精度。
下面结合附图和实施例对本发明进行详细描述。
附图说明
图1为通信拓扑切换下分布式协同目标跟踪算法流程框图;
图2为通信拓扑切换下分布式协同目标跟踪算法时序示意图;
图3为基于残差检验的UKF算法流程示意图;
图4为信息交互时间段内未发生拓扑切换示意图;
图5为信息交互时间段内发生拓扑切换示意图;
图6为通信拓扑切换情况示意图。
具体实施方式
一种通信拓扑切换下分布式协同目标跟踪方法,由多个跟踪运动平台组成、具有通信拓扑结构的运动平台系统同时跟踪同一个目标,每个运动平台根据自身传感器所敏感到的目标信息,利用无迹卡尔曼滤波进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果,所述无迹卡尔曼滤波是基于残差检验的无迹卡尔曼滤波,所述方法步骤包括:
步骤1:每个平台基于自身观测信息计算平台本地的目标跟踪估计结果;
步骤2:每个平台向邻居平台传输本平台的目标跟踪估计结果,同时接受邻居平台的目标跟踪估计结果,并将二者进行一致性融合,得到一致性融合后的本平台的目标跟踪估计结果;
步骤3:将当前的跟踪结果更新为下一轮一致性融合计算的初始值,重复步骤2对目标进行持续性跟踪与定位,直至数据传输轮数达到预设阈值,输出目标最终跟踪定位结果。
首先采用分布式算法结构,保证算法具有低通信量、快速实现、可扩展性强的特点;其次,针对通信拓扑切换的情况,本实施例设计了一套基于一致性的切换拓扑情况下的数据融合方法完成多平台间的跟踪定位结果的数据融合,实现多平台间信息共享。
方法整体采用分布式架构,每个平台仅与其邻居平台进行通信,通信传输的内容为本平台的目标跟踪估计结果;实施例中采用了一种基于一致性的切换拓扑情况下的通信法则,每个平台基于该通信法则在通信拓扑切换的情况下对本平台的目标跟踪估计结果与接收到的邻居平台的目标跟踪估计结果进行数据融合,同时对本平台的目标跟踪估计结果进行持续更新;同时,本实施例采用了一种基于残差检验的UKF算法独立进行平台本地的目标跟踪与定位,该算法有效改善了传统UKF方法对于参数的敏感性,提升了滤波算法的鲁棒性和抗干扰能力。
本实施例所设计的协同目标跟踪算法可以在去中心化(无融合中心)的情况下,通过邻居平台之间多次迭代通信,在切换拓扑的条件下实现多平台之间的信息共享与融合,在保证目标跟踪定位精度的同时,降低系统硬件成本,提升系统鲁棒性和抗干扰能力,具有更强的稳定性与适应性。
本方法的原理是:首先每个运动平台根据本平台自身传感器所敏感到的目标信息(无源情况下为运动平台与目标之间的相对角度(俯仰角与方位角),有源情况下为运动平台与目标之间的相对角度(俯仰角与方位角)以及运动平台与目标之间的相对距离),利用基于残差检验的UKF(无迹卡尔曼滤波)算法独立进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果,定义为局部估计结果,在每个运动平台均获得自身的局部估计结果后,开始进行不同平台间的数据传输,通信的内容为各平台的局部估计结果,此时每个平台都会依据基于一致性的切换拓扑情况下的通信法则向邻居平台发送自身的局部估计结果同时接收邻居平台的局部估计结果,当完成这样一轮信息传输后,每个平台依据基于一致性的切换拓扑情况下的通信法则对自身局部估计结果与接收到的邻居局部估计结果进行加权融合,得到的融合结果作为新的自身局部估计结果,当所有平台均完成估计结果的更新后,重新开始新一轮的数据传输共享,直至数据传输轮数达到预设阈值。此时各个平台的局部估计结果之间已经基本趋于一致,各个平台之间实现了对目标一致的跟踪估计结果,且该跟踪估计结果具有趋近于全局最优的性质。算法整体流程框图如图1所示。系统时序图如图2所示。
具体流程包括以下步骤:
第一步:每个运动平台根据自身有源传感器所敏感到的目标信息(无源情况下为运动平台与目标之间的相对角度(俯仰角与方位角),有源情况下为运动平台与目标之间的相对角度(俯仰角与方位角)以及运动平台与目标之间的相对距离),利用基于残差检验的UKF算法独立进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果。
首先介绍基于残差检验的UKF算法流程:
针对于目标跟踪过程,本专利所采用的滤波模型为常值加速度模型(constantacceleration,CA),其具体模型如下:
x(k+1)=Φx(k)+w(k)
z(k)=H(x(k))+r(k)
其中:
x(k)为状态向量,x(k)=[x,y,z,x,y,z,x,y,z]T,
其中:等号右边括号内依序代表为X,Y,Z轴下的三轴位置,三轴速度以及三轴加速度;
r(k)为观测噪声,是零均值的高斯白噪声;
z(k)是观测向量, 分别为平台对应目标的方位角和俯仰角;
H(x(k))是观测矩阵,
其中:
atan为反正切函数;
Φ是常值加速度滤波模型下的非线性连续离散系统状态转移矩阵:
其中:T为系统采样间隔;
w(k)为状态误差,是零均值高斯白噪声:
滤波模型下的参数包括:
1)常值加速度滤波模型下的状态向量:
其中:等号右边括号内依序代表为X,Y,Z轴下的三轴位置,三轴速度以及三轴加速度;
2)常值加速度滤波模型下的非线性连续离散系统模型:
Xk+1=f(Xk)+wk
Zk=h(Xk)+vk
其中,Xk为系统状态,Zk为系统观测信息,随机变量wk和vk分别为系统的过程噪声和测量噪声,且为相互独立的零均值高斯白噪声。其中,过程噪声的方差为Q,量测噪声的方差为R。f为状态方程中与系统状态变量Xk和时间k相关的非线性函数;h为观测方程中与状态变量Xk和时间k相关的非线性函数。
3)协方差Q值矩阵:
对上述CA模型进行应用本实施例中设计的基于残差检验的UKF算法,具体流程如下,算法流程如图3所示。
计算中所针对的滤波模型为第一步中所定义的常值加速度滤波模型,后续所有介绍均基于该模型:
1)计算2n+1个离散采样点Sigma点
其中,γ是一个尺度参数,是矩阵的第i列,n为目标状态向量的维数,和Pk分别表示k时刻目标的状态估计值及误差协方差矩阵;
2)计算每个离散采样点的权重:
w0=γ/(n+γ)i=0
wi=1/[2(n+γ)]i=1,2,...,n
wi+n=1/[2(n+γ)]i=1,2,...,n
3)进行时间更新:
计算状态一步预测:
计算一步预测协方差:
4)量测更新:
计算预测观测值:
计算预测观测协方差:
计算观测向量和状态向量的交互协方差:
状态更新
状态误差协方差更新
5)基于残差检验的噪声统计特性自适应估计:
基于UKF理论,构建滤波残差理论计算结果量:
利用真实数据,计算滤波残差实际计算结果量:
rk+1=Zk+1-zk+1|k
实际残差的均值为实际残差的方差为计算无迹卡尔曼滤波理论残差方差和实际残差方差之间的差值:
ek+1=Sk+1-Ck+1
在实际建模中,由于系统模型必然包含线性化误差,采样误差等误差项,即系统模型必然与实际系统存在一定的、不可避免的差距,在UKF滤波算法,为了保证算法的精度,一般可将系统建模中的建模不确定度通过Q值的选择来进行抑制,简要概括而言,即当建模不确定度较大时(系统模型与实际系统差距较大),采用较大的Q值进行描述;而当建模不确定度较小时(系统模型与实际系统差距较小),采用较小的Q值进行描述。而在目标跟踪的过程中,随着目标距离的远近,系统模型与实际系统差距也不近相同,需要采用自适应方法对Q值加以自适应调整。本专利中通过上文中构建的ek+1对系统模型与实际系统的差距进行检验,如果ek+1较小,则Q值不需要调整,否则对Q值进行调整。
根据ek+1的值利用下述规则调整Q值:
I.如果残差的实际方差与理论方差很接近,即|ek+1|<0.1,则Q保持不变;
II.如果ek+1>0.1,则Q应该增大,此时分为两个阶段:
如果ek+1>10,则说明此时模型误差较大,需要Q快速增大,则Q应增大的倍数为
如果ek+1<10,则说明此时模型误差较小,需要Q快速增大,则Q应增大的倍数为1.1;
III.如果ek+1<0,则Q应该减小,减小的倍数为0.97。
通过上述规则,可以完成Q值的在线调整。
完成Q值的在线调整后,完成基于残差检验的UKF算法计算,最终计算得到的本平台本地估计跟踪结果为:和Pk+1|k+1。
第二步:每个平台依据基于一致性的切换拓扑情况下的通信法则向邻居平台传输本平台的目标跟踪估计结果同时接受邻居平台的目标跟踪估计结果,并将二者进行融合,得到一致性融合后的本平台的目标跟踪估计结果。
通过第一步的计算,每一个运动平台均可以独立地获得目标的跟踪结果,该跟踪结果将在本步骤中作为传递信息在邻居中进行传输与共享。传输与共享规则为基于一致性的切换拓扑情况下的通信法则,为了方便介绍,首先对多平台之间的通信拓扑切换进行介绍和定义。
由图2的系统计算时序图可知,本实施例的计算流程分为本地估计阶段和信息交互阶段,则拓扑交换也可以分为两种情况:1.信息交互时间段内未发生拓扑切换(如图4所示);2.信息交互时间段内发生拓扑切换(如图5所示);其中,第一种情况对多平台之间的信息交互不产生影响,即可以将这种情况等效为不存在通信拓扑切换的情况进行处理,本专利仅针对第二种情况进行分析。
对于本实施例中的所分析通信拓扑切换的情况,有如下假设一直成立:
所述一致性切换拓扑情况下的通信法则是:无论通信拓扑如何变换,在每一个时刻,通信拓扑网络始终具有连通性。
下面对基于一致性的切换拓扑情况下的信息传输与共享规则举例介绍如下:考虑以下包含4个运动平台的通信网络,通信拓扑切换情况如图6所示。该通信网络对应的邻接矩阵(Adjacency Matrix)为:
其中邻接矩阵G(1),G(2),G(3)是代表在不同阶段下,顶点之间相邻关系的矩阵,矩阵中的元素含义如下:例如G(1)(1,2)=1则代表在第一阶段平台2和1之间具有通信关系,平台2可以将数据传输给平台1,即平台2为平台1的邻居;G(1)(1,4)=0则代表在第一阶段平台4无法将数据直接传输给平台1,即平台4不为平台1的邻居。
根据不同时刻的邻接矩阵(如G(1))可以设置相应信息重要程度矩阵(如W(1)),本专利中信息重要程度矩阵设计方法如下:
以上文中的G(1)为例进行说明:首先计算G(1)的行和向量与列和向量则对于W(1)中的W(1)(i,j)元素为:
如果i≠j,则
如果i=j,则
其中max()代表在输入的数据之中取最大值。
依据上述方法,可以计算得到:W(1),W(2)和W(3)。在此基础上,进一步计算权重矩阵π(1),π(2)和π(3),计算方法如下:
以上文中的W(1)为例进行说明,π(1)的计算方式如下:
其中min()代表在输入的数据之中取最小值。
依据上述方法,可以计算得到:π(1),π(2)和π(3)。在此基础上,利用权重矩阵π(1),π(2)和π(3)进行不同平台之间的数据通信与数据融合,具体算法流程如下,为方便下文进行进一步介绍,首先对本实施例中所使用的平台之间的数据接收与融合方式进行简要说明,假定系统处于G(1)的通信拓扑连通状态中,以平台1为例:
由G(1)中的第一行中的元素可知,平台1所能接受到的信息为平台2的信息与平台3的信息,则根据π(1)中的第一行中的权重,有:
其中,代表第j个平台在第k轮信息共享时与邻居平台所传输沟通的信息;
其余平台的计算方式依次类推,则可得:
Ik=π(1)Ik-1
其中
所有平台按照上述方式进行一次数据共享与融合,称为完成一轮通信。
利用上述介绍的数据共享与融合方法进行多平台间数据共享,共执行10轮通信,其中,假定1~3轮处于G(1)的通信拓扑中,4~6轮处于G(2)的通信拓扑中,7~10轮处于G(3)的通信拓扑中。算法具体流程如下:
在第一轮通信开始时,将每个平台独立取得局部状态估计结果(基于残差检验的UKF算法运行结果)定义为:其滤波误差方差定义为P1(1),…,P4(1),按照第一阶段计算得到的π(1)进行信息通信,具体操作流程如下:
每个平台利用自身信息,邻居信息与权重矩阵信息进行数据融合与共享,每一轮的通信计算过程如下:
以平台1为例:
P1(2)=π(1)(1,1)P1(1)+π(1)(1,2)P2(1)+π(1)(1,3)P3(1)
其余平台的计算方式依次类推,则可得:
P(2)=π(1)P(1)
其中:
P(1)=[(P1(1))T (P2(1))T (P3(1))T (P4(1))T]
在完成第一轮的通信后,可以得到:
P(2)=[(P1(2))T (P2(2))T (P3(2))T (P4(2))T]
上述结果继续作为第二轮的通信初始值,按照上述方法利用按照π(1)中的权重进行信息共享与融合,直至得到第三轮的计算结果:和P(4)。而在此时,系统拓扑发生了改变(4~6轮处于G(2)的通信拓扑之下),则此后需要改变权重矩阵的使用,按照π(2)中的权重,重复上述计算流程,以第四轮计算中的平台1为例:
P1(5)=π(2)(1,1)P1(4)+π(2)(1,2)P2(4)
重复上述计算过程,直至得到第六轮的计算结果:和P(7),而在此时,系统拓扑再次发生了改变(7~10轮处于G(3)的通信拓扑之下),则此后需要改变权重矩阵的使用,按照π(3)中的权重,重复上述计算流程,以第七轮计算中的平台1为例:
P1(8)=π(3)(1,1)P1(7)+π(3)(1,2)P2(7)+π(3)(1,4)P4(7)
重复上述计算过程,直至得到第十轮的计算结果:和P(11)。而和P(11)中的各项元素,即各平台通过各平台之间信息共享所得到的滤波结果,例如在
和P(11)=[(P1(11))T(P2(11))T(P3(11))T(P4(11))T]之中,和P1(11)作为平台1通过各平台之间信息共享所得到的滤波结果,是滤波信息交互段的最终计算结果。
第三步:每个平台输出目标最终跟踪定位结果,重复上述步骤,对目标进行持续性跟踪与定位,同时将当前步的跟踪结果更新为下一步滤波跟踪计算的初始值。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (4)
1.一种通信拓扑切换下分布式协同目标跟踪方法,由多个跟踪运动平台组成、具有通信拓扑结构的运动平台系统同时跟踪同一个目标,每个运动平台根据自身传感器所敏感到的目标信息,利用无迹卡尔曼滤波进行本平台的目标跟踪估计,得到本平台的目标跟踪估计结果,其特征在于,所述无迹卡尔曼滤波是基于残差检验的无迹卡尔曼滤波,所述方法步骤包括:
步骤1:每个平台基于自身观测信息计算平台本地的目标跟踪估计结果;
步骤2:每个平台向邻居平台传输本平台的目标跟踪估计结果,同时接受邻居平台的目标跟踪估计结果,并将二者进行一致性融合,得到一致性融合后的本平台的目标跟踪估计结果;
步骤3:将当前的跟踪结果更新为下一轮一致性融合计算的初始值,重复步骤2对目标进行持续性跟踪与定位,直至数据传输轮数达到预设阈值,输出目标最终跟踪定位结果。
2.根据权利要求1所述的通信拓扑切换下分布式协同目标跟踪方法,其特征在于,所述向邻居平台传输本平台的目标跟踪估计结果是基于一致性切换拓扑情况下的通信法则向邻居平台传输本平台的目标跟踪估计结果,所述一致性切换拓扑情况下的通信法则是:无论通信拓扑如何变换,在每一个时刻,通信拓扑网络始终具有连通性。
3.根据权利要求1所述的通信拓扑切换下分布式协同目标跟踪方法,其特征在于,所述基于残差检验的无迹卡尔曼滤波是:
第一步:确定滤波模型以及滤波模型下的参数;
所述滤波模型是常值加速度滤波模型:
x(k+1)=Φx(k)+w(k)
z(k)=H(x(k))+r(k)
其中:
x(k)为状态向量,
其中:等号右边括号内依序代表为X,Y,Z轴下的三轴位置,三轴速度以及三轴加速度;
w(k)为状态误差,是零均值高斯白噪声;
r(k)为观测噪声,是零均值的高斯白噪声;
z(k)是观测向量, 分别为平台对应目标的方位角和俯仰角;
H(x(k))是观测矩阵,
其中:
atan为反正切函数;
Φ是常值加速度滤波模型下的非线性连续离散系统状态转移矩阵:
其中:T为系统采样间隔;
所述滤波模型下的参数包括:
1)常值加速度滤波模型下的状态向量:
其中:等号右边括号内依序代表为X,Y,Z轴下的三轴位置,三轴速度以及三轴加速度;
2)常值加速度滤波模型下的非线性连续离散系统模型:
Xk+1=f(Xk)+wk
Zk=h(Xk)+vk
其中,Xk为系统状态,Zk为系统观测信息,wk和vk分别为系统的过程噪声和测量噪声,过程噪声的协方差为Q,量测噪声的方差为R,f为状态方程中与系统状态变量Xk和时间k相关的非线性函数;h为观测方程中与状态变量Xk和时间k相关的非线性函数;
3)协方差Q值矩阵:
第二步:进行基于残差检验的UKF计算,
计算中所针对的滤波模型为第一步中所定义的常值加速度滤波模型,后续所有介绍均基于该模型:
1)基于滤波模型计算2n+1个离散采样点,Sigma点
其中:
γ是尺度参数,是矩阵的第i列,n为目标状态向量的维数,和Pk分别表示k时刻目标的状态估计值及误差协方差矩阵;
2)计算每个离散采样点的权重:
w0=γ/(n+γ)i=0
wi=1/[2(n+γ)]i=1,2,...,n
wi+n=1/[2(n+γ)]i=1,2,...,n
3)进行时间更新:
计算状态一步预测:
计算一步预测协方差:
4)量测更新:
计算预测观测值:
计算预测观测协方差:
计算观测向量和状态向量的交互协方差:
状态更新
状态误差协方差更新
5)基于残差检验的噪声统计特性自适应估计:
构建滤波残差理论计算结果量:
根据真实数据,计算滤波残差实际计算结果量:
rk+1=Zk+1-zk+1|k
实际残差的均值为实际残差的方差为
计算无迹卡尔曼滤波理论残差方差和实际残差方差之间的差值:
ek+1=Sk+1-Ck+1。
4.根据权利要求3所述的通信拓扑切换下分布式协同目标跟踪方法,其特征在于,所述方法进一步包括:根据ek+1的值利用下述规则调整协方差Q值:
1)如果|ek+1|<0.1,则Q保持不变;
2)如果ek+1>0.1,则Q分为两个阶段增大:
如果ek+1>10,Q增大的倍数为
如果ek+1<10,Q增大的倍数为1.1;
3)如果ek+1<0,Q减小的倍数为0.97。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321353.4A CN110044356B (zh) | 2019-04-22 | 2019-04-22 | 一种通信拓扑切换下分布式协同目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910321353.4A CN110044356B (zh) | 2019-04-22 | 2019-04-22 | 一种通信拓扑切换下分布式协同目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110044356A true CN110044356A (zh) | 2019-07-23 |
CN110044356B CN110044356B (zh) | 2020-10-09 |
Family
ID=67278225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910321353.4A Active CN110044356B (zh) | 2019-04-22 | 2019-04-22 | 一种通信拓扑切换下分布式协同目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110044356B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749322A (zh) * | 2019-10-22 | 2020-02-04 | 北京航空航天大学 | 一种基于测速信息的目标跟踪方法 |
CN110749879A (zh) * | 2019-10-22 | 2020-02-04 | 北京壹氢科技有限公司 | 一种基于多观测者测速信息的分布式目标跟踪方法 |
CN110769376A (zh) * | 2019-10-22 | 2020-02-07 | 北京航空航天大学 | 一种基于事件触发机制的协同目标跟踪方法 |
CN111366900A (zh) * | 2020-02-18 | 2020-07-03 | 上海机电工程研究所 | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 |
CN111397607A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种采用并行融合机制的信息滤波方法 |
CN111883265A (zh) * | 2020-06-30 | 2020-11-03 | 南京理工大学 | 一种应用于火控系统的目标状态估计方法 |
WO2021161157A1 (fr) * | 2020-02-14 | 2021-08-19 | Nexter Systems | Procédé de correction de données de positionnement entre deux plateformes et procédé d'inter-désignation de menace associé |
CN113534834A (zh) * | 2020-04-13 | 2021-10-22 | 南京理工大学 | 一种多无人机协同跟踪定位方法 |
CN113625262A (zh) * | 2021-08-05 | 2021-11-09 | 长沙祥云瑞风信息技术有限公司 | 目标轨迹确定方法及相关设备 |
CN113963025A (zh) * | 2021-10-22 | 2022-01-21 | 西北工业大学深圳研究院 | 水下自适应机动目标快速跟踪及追踪方法 |
CN117031473A (zh) * | 2023-10-07 | 2023-11-10 | 青岛哈尔滨工程大学创新发展中心 | 一种水下目标协同轨迹跟踪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100230577A1 (en) * | 2009-03-10 | 2010-09-16 | Teledyne Scientific and Imaging, LLC | Optical angle of arrival measurement system and method |
CN103792562A (zh) * | 2014-02-24 | 2014-05-14 | 哈尔滨工程大学 | 一种基于变换采样点的强跟踪ukf的滤波方法 |
CN108255791A (zh) * | 2018-01-09 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于分布式传感器一致性的机动目标跟踪方法 |
CN109059912A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种基于小波神经网络的gps/ins集成定位方法 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
-
2019
- 2019-04-22 CN CN201910321353.4A patent/CN110044356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100230577A1 (en) * | 2009-03-10 | 2010-09-16 | Teledyne Scientific and Imaging, LLC | Optical angle of arrival measurement system and method |
CN103792562A (zh) * | 2014-02-24 | 2014-05-14 | 哈尔滨工程大学 | 一种基于变换采样点的强跟踪ukf的滤波方法 |
CN108255791A (zh) * | 2018-01-09 | 2018-07-06 | 中国人民解放军海军航空大学 | 基于分布式传感器一致性的机动目标跟踪方法 |
CN109059912A (zh) * | 2018-07-31 | 2018-12-21 | 太原理工大学 | 一种基于小波神经网络的gps/ins集成定位方法 |
CN109459033A (zh) * | 2018-12-21 | 2019-03-12 | 哈尔滨工程大学 | 一种多重渐消因子的机器人无迹快速同步定位与建图方法 |
Non-Patent Citations (3)
Title |
---|
李刚等: "基于自适应扩展卡尔曼滤波的车辆行驶状态估计", 《2014中国汽车工程学会年会》 * |
王大轶等: "《航天器自主导航技术》", 30 April 2017, 国防工业出版社 * |
王林: "多无人机协同目标跟踪问题建模与优化技术研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110749322B (zh) * | 2019-10-22 | 2021-05-14 | 北京航空航天大学 | 一种基于测速信息的目标跟踪方法 |
CN110749879A (zh) * | 2019-10-22 | 2020-02-04 | 北京壹氢科技有限公司 | 一种基于多观测者测速信息的分布式目标跟踪方法 |
CN110769376A (zh) * | 2019-10-22 | 2020-02-07 | 北京航空航天大学 | 一种基于事件触发机制的协同目标跟踪方法 |
CN110749879B (zh) * | 2019-10-22 | 2022-05-17 | 北京壹氢科技有限公司 | 一种基于多观测者测速信息的分布式目标跟踪方法 |
CN110749322A (zh) * | 2019-10-22 | 2020-02-04 | 北京航空航天大学 | 一种基于测速信息的目标跟踪方法 |
FR3107360A1 (fr) * | 2020-02-14 | 2021-08-20 | Nexter Systems | Procede de correction de donnees de positionnement entre deux plateformes et procede d'interdesignation de menace associe |
WO2021161157A1 (fr) * | 2020-02-14 | 2021-08-19 | Nexter Systems | Procédé de correction de données de positionnement entre deux plateformes et procédé d'inter-désignation de menace associé |
CN111366900A (zh) * | 2020-02-18 | 2020-07-03 | 上海机电工程研究所 | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 |
CN111366900B (zh) * | 2020-02-18 | 2023-04-28 | 上海机电工程研究所 | 基于残差统计的跟踪雷达航迹质量评估方法、系统及介质 |
CN111397607A (zh) * | 2020-03-19 | 2020-07-10 | 哈尔滨工程大学 | 一种采用并行融合机制的信息滤波方法 |
CN113534834A (zh) * | 2020-04-13 | 2021-10-22 | 南京理工大学 | 一种多无人机协同跟踪定位方法 |
CN111883265A (zh) * | 2020-06-30 | 2020-11-03 | 南京理工大学 | 一种应用于火控系统的目标状态估计方法 |
CN113625262A (zh) * | 2021-08-05 | 2021-11-09 | 长沙祥云瑞风信息技术有限公司 | 目标轨迹确定方法及相关设备 |
CN113963025A (zh) * | 2021-10-22 | 2022-01-21 | 西北工业大学深圳研究院 | 水下自适应机动目标快速跟踪及追踪方法 |
CN117031473A (zh) * | 2023-10-07 | 2023-11-10 | 青岛哈尔滨工程大学创新发展中心 | 一种水下目标协同轨迹跟踪方法 |
CN117031473B (zh) * | 2023-10-07 | 2024-01-12 | 青岛哈尔滨工程大学创新发展中心 | 一种水下目标协同轨迹跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110044356B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110044356A (zh) | 一种通信拓扑切换下分布式协同目标跟踪方法 | |
CN103648108B (zh) | 传感器网络分布式一致性目标状态估计方法 | |
CN109116349A (zh) | 多传感器协同跟踪联合优化决策方法 | |
CN108536171A (zh) | 一种多约束下多无人机协同跟踪的路径规划方法 | |
CN104809326A (zh) | 一种异步传感器空间配准算法 | |
CN109782269B (zh) | 一种分布式多平台协同有源目标跟踪方法 | |
CN107315171A (zh) | 一种雷达组网目标状态与系统误差联合估计算法 | |
CN108896047A (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN108430105A (zh) | 分布式传感器网络协同目标估计及干扰源无源定位方法 | |
CN111460636B (zh) | 不完全量测数据驱动下的机动扩展目标混合交互式强跟踪滤波方法 | |
CN106525042A (zh) | 一种基于蚁群与扩展卡尔曼滤波相结合的多auv协同定位方法 | |
Zhang et al. | High-precision, limited-beacon-aided AUV localization algorithm | |
Li et al. | Consensus-based distributed information filter for a class of jump Markov systems | |
CN109752002A (zh) | 一种多平台无源目标跟踪方法 | |
CN107367710A (zh) | 一种基于时延和多普勒的分布式自适应粒子滤波直接跟踪定位方法 | |
Zhao et al. | A collaborative control framework with multi-leaders for AUVs based on unscented particle filter | |
Zhang et al. | Consensus based strong tracking adaptive cubature Kalman filtering for nonlinear system distributed estimation | |
Fang et al. | Robust node position estimation algorithms for wireless sensor networks based on improved adaptive Kalman filters | |
Wu et al. | UAV-based target tracking: Integrating sensing into communication signals | |
Yan et al. | Joint design of channel estimation and flocking control for multi-AUV-based maritime transportation systems | |
Latif et al. | Multi-robot synergistic localization in dynamic environments | |
CN107390166A (zh) | 一种自适应干扰源定位飞行校验方法 | |
Wolfe et al. | Multiple model distributed ekf for teams of target tracking uavs using t test selection | |
Yi et al. | A UWB location algorithm---Based on adaptive Kalman filter | |
Kuang et al. | A lightweight target-tracking scheme using wireless sensor network |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220121 Address after: 425000 Room 302 and 402, building 12, phase II, Depu Wuhe Enterprise Park, No. 1 and 3, luolongtang Road, Changsha area, China (Hunan) pilot Free Trade Zone, Changsha City, Hunan Province Patentee after: Hunan Xiangke Haoyu Technology Co.,Ltd. Address before: Room 315, 3 / F, building 10, yard 1, JinFang Road, Chaoyang District, Beijing Patentee before: BEIJING YIQING TECHNOLOGY Co.,Ltd. |