CN110309599A - 一种方位测量融合与多目标定位方法 - Google Patents

Abstract

本发明涉及一种方位测量融合与多目标定位方法，主要应用于多传感器网络中的多目标纯方位被动定位，在传感器性能存在差异，检测过程存在虚警与漏报的情况下，利用概率假设密度函数建立空间概率模型，利用启发式搜索进行似然估计，最后利用最近邻关联技术完成数据关联实现多目标的定位。

Description

一种方位测量融合与多目标定位方法

技术领域

本发明属于目标统计信息融合领域，特别涉及一种方位测量融合与多目标定位方法。

背景技术

纯方位被动定位问题发生在无线传感器网络(WSN，Wireless Sensor Network)中，一般来说被动工作的传感器只有获取目标方位信息的能力，因此要获取目标的位置信息需要对多个分布式的传感器的方位测量进行信息融合。主流的纯方位定位算法分为最小二乘类和最大似然(ML)类。前者的代表算法比较多，有OV(Orthogonalvector)估计器，总体最小二乘(TLS)估计器，受限总体最小二乘(CTLS)估计器等。本发明的技术是最大似然估计器的一个推广。

现有的技术特点是算法简单估计速度快，但是精度不高而且并不能处理多目标的情况，因为这些方法为了快速的估计对问题做了线性的近似，将非凸问题简化成了凸问题，而且由于不考虑空间中多个目标的存在，所以只能应用在简单的定位场景下。

发明内容

本发明解决的技术问题是：针对现有的技术缺陷，本发明提供了一种适用范围更广，定位精度更高的纯方位被动定位技术，它能在不同的观测场景下运行，连续的完成多个目标的被动定位。

本发明的技术方案是：一种方位测量融合与多目标定位方法，包括以下步骤：

步骤一：定义N个(传感器数目)传感器的场景模型和观测模型，包括以下子步骤：

子步骤一：N个传感器的位置分别为：(x_i,y_i),i＝1,2…N，其中各个参数含义为：i为传感器编号，(x_i,y_i)表示标号为i的传感器的二维坐标；定义空间中任意位置相对于传感器i的方位角为：ξ_i(x,y)＝tan^-1(y-y_i,x-x_i),i＝1,2…N

其中各个参数含义为：(x,y)表示空间任意位置；

子步骤二：定义传感器的检测概率为P_d＝{d_i,i＝1,2…N},0<d_i≤1

传感器的漏报概率为P_f＝{f_i,i＝1,2…N},0<f_i≤1

P_d,P_f表示检测概率和漏报概率的集合，d_i,f_i表示第i个传感器的检测概率和漏报概率；

子步骤三：定义集合来表示来自各个传感器所有的方位量测，其中的每个元素用表示，它来源于传感器i的第j个量测；m_i表示第i个传感器总共返回的量测个数；集合中的量测有部分来源于目标，有部分属于虚警，其中来源于目标的量测存在一个零均值高斯误差，它是传感器的一个性能指标。定义第i个传感器的量测方差为

结合子步骤一、子步骤二、子步骤三和子步骤四，共同组成了传感器的场景模型和观测模型；

步骤二：根据步骤一中得到的场景模型和观测模型，建立由PHD函数主导的优化目标函数，其峰值对应着最有可能存在目标的位置：

其中：

表示任意一个估计的位置；表示对空间中目标个数的估计，η_i表示传感器i的目标数估计。

步骤三：运用启发式搜索算法-差分进化算法对目标函数进行最优化：

定义(x_r,y_r)表示目标位置的粗估计，初始化种群时有Γ(Γ是一个百分比)的个体服从分布：Γ,Ω是用户自行设置的控制参数。经过初始化后的差分进化会将主要的算力投放在粗估计附近位置的搜索上。将上述的包含粗估计对目标函数进行差分进化找到优化目标函数最大的位置的过程封装成如下的函数表示：

步骤四：通过步骤三搜索到最优位置，对该位置进行和量测集的数据关联，得到量测集的两个子集：

(A,B)＝NN(Θ,x_r,y_r)

其中

门限设置为3σ_i可保证如果没有发生漏报，集合A是一个包含N个元素的量测集，对应着每个传感器能与粗估计位置关联的量测，额外定义A的补集B＝Θ\A表示那些没有被关联的量测。

发明效果

本发明的技术效果在于：本发明演示了一种在多传感器纯方位观测下的多目标定位方法，综合考虑了传感器性能差距,分布式布放，多目标的存在，虚警概率以及漏报概率等情况。该方法相较传统的几类算法定位精度更高，而且适用于更加复杂的环境，可以为纯方位的被动跟踪器提供可靠的初始化目标状态或者在虚警较高的场合承担目标检测的任务。

附图说明

图1为多传感器多目标纯方位被动定位的情景；

图2为差分进化算法的流程图；

图3为本方法的图形化的流程演示；

图4为本方法的性能演示。

具体实施方式

参见图1—图4，一种多目标定位方法，适用于多传感器网络中的纯方位被动定位，其特征是：针对不同位置不同性能的被动测向传感器利用概率假设密度(PHD)建立统一的概率密度模型，描述空间中各点成为目标的概率密度大小，通过启发式搜索和最近邻关联技术完成多目标的顺序定位。每个测向传感器拥有独立的测量误差模型，它们单独的影响空间中各点成为目标的概率密度，根据传感器的观测质量不同，本方法能灵活的生成稳健的空间概率密度模型，同时本方法支持对观测过程中难以避免的虚警和漏报的处理。启发式算法支持在上述概率模型成为非凸问题时完成模型的求解。最近邻关联技术的利用帮助算法顺序的发现目标以及实现目标与方位量测的关联。

包含了一种用粗估计干预启发式搜索初始化，提高搜索效率的技术。

本发明的主要内容有：

1，对问题场景和观测过程进行建模，场景建模考虑了多传感器的分布式布放，传感器性能差异，多目标的存在。观测过程的建模考虑了方位量测的误差以及虚警和漏报的存在。

2，依据场景模型和观测模型建立一个由PHD函数主导的优化目标函数，这个函数能描述空间中某一个位置存在目标的隶属程度，它受到传感器布局以及传感器的性能(观测误差以及虚警率漏报率)控制。

3，应用一类较为成熟的非凸优化算法，启发式搜索，可以在优化函数中找到一个目标的粗估计。

4，对于一个粗估计，利用最近邻关联(NN)方法，向量测集寻求该估计的关联，利用这些关联的量测对目标进行精估计。同时将这些被关联过的量测从量测集中移除，重新寻找新的粗估计，以此法可以完成多个目标的顺序估计。

5，通过计算机仿真给出了本发明在单目标定位和多目标定位时的效果，对比了传统的方法。

下面针对每一步骤进行具体说明

步骤1主要涉及传感器的场景模型和观测模型。首先假设N个传感器的位置分别为：

(x_i,y_i),i＝1,2…N (1)

定义一组函数：

ξ_i(x,y)＝tan^-1(y-y_i,x-x_i),i＝1,2…N (2)

它表示空间中任意位置相对于传感器i的方位角。对于空间中的若干个目标每个传感器独立的返回一些方位量测，如果量测来源于真实目标，那么该量测带有一个方差为的观测误差，其他的属于虚警，它们在全方位角均匀的产生。观测场景如图1所示。作为传感器的另外一组性能参数，定义检测概率和漏报概率：

我们用一个集合来表示所有的方位量测，其中的每个元素用表示，它表示来源于传感器i的第j个量测。传感器的位置，观测误差，虚警漏报概率，以及方位量测集，组成了问题的场景模型和观测模型。

步骤2涉及优化目标函数的设计，目标函数的原则是能反映每个位置存在目标的概率假设密度(PHD)，这里不加证明的给出本发明的目标函数。

其中m_i表示第i个传感器总共返回的量测个数。

就是目标函数，它的峰值对应着最有可能存在目标的位置。

步骤3主要涉及启发式搜索的应用以及一个初始化的策略。启发式搜索不是精确算法，因此它得到的解无法保证全局最优，但是它能解决很多没有精确算法的非凸优化问题，本发明使用一种成熟的启发式搜索算法-差分进化算法(差分进化的流程见图2)对目标函数进行最优化。针对本问题，当我们已经有一个目标的粗估计时，可以重新初始化差分进化的初始种群，使得搜索更为高效。为此需要额外定义(x_r,y_r),Ω,Γ，这表示初始化种群时有Γ(Γ是一个百分比)的个体服从如下分布：

经过初始化后的差分进化会将主要的搜索放在粗估计的附近。

步骤4主要包含最近邻关联的应用以及顺序的多目标定位过程。

首先我们需要对步骤3的通过量测集获得最优位置的算法进行封装，将其描述为：

其中后三项可以缺省。最近邻方法用于对于某一个粗估计的位置(x_r,y_r),从量测集中寻找每个传感器的量测中距离该位置最近的方位量测，该方法存在一个门限，即当一定范围内不存在方位量测时，认为发生了漏报，不再寻找最近的量测。

这里门限设置为3σ_i可以保证如果没有发生漏报，97％的量测都会落在该区域。集合A是一个包含N个元素的量测集，对应着每个传感器能与粗估计位置关联的量测。额外定义A的补集B＝Θ\A表示那些没有被关联的量测。上面的过程可以封装成一个函数：

(A,B)＝NN(Θ,x_r,y_r) (9)

有了函数ExtendML和NN，我们可以得到本发明的完整流程：

流程1：输入各传感器位置(x_i,y_i)；各个传感器的观测方差传感器的量测集目标数量的估计N_t；初始化参数Σ,Γ。

流程2：

流程3：(x_r,y_r)＝ExtendML(B)；

(A,B)＝NN(B,x_r,y_r)；

输出:由ExtendML(A,x_r,y_r,Ω,Γ)估计出的目标位置。

重复流程3，直到输出达到了预期目标数，或者剩余的量测集已经无法支持目标定位。

实施实例：设置的仿真环境四个传感器分布在一个边长5km的正方形监测区域的四个顶点，左下角的传感器位置为坐标原点。三个目标分别位于(1000m,2000),(4000m,3000m),(2000m,100m)。每个传感器的性能参数相同：σ_i＝1°,d_i＝0.9,f_i＝0.6。图3显示了某次仿真中本方法连续输出三个目标定位结果的过程。可以看到在输出端获得了(3930.0m,2894.7m)，(1725.7m,122.4m)，(1006.4m,1997.5m)的定位结果，其中第二个目标由于接近两个传感器的连线，因此定位误差稍大于其他目标。

此外为了衡量本发明定位效果受检测概率和虚警概率的影响，采用1000次蒙特卡洛实验统计定位三个目标成功率。结果如图4。可见定位结果受检测概率影响更大，因为频繁的漏报常常会导致错误的数据关联。

Claims (1)

1.一种方位测量融合与多目标定位方法，其特征在于，包括以下步骤：

步骤一：定义N个(传感器数目)传感器的场景模型和观测模型，包括以下子步骤：

子步骤一：N个传感器的位置分别为：(x_i,y_i),i＝1,2…N，其中各个参数含义为：i为传感器编号，(x_i,y_i)表示标号为i的传感器的二维坐标；定义空间中任意位置相对于传感器i的方位角为：ξ_i(x,y)＝tan^-1(y-y_i,x-x_i),i＝1,2…N

其中各个参数含义为：(x,y)表示空间任意位置；

子步骤二：定义传感器的检测概率为P_d＝{d_i,i＝1,2…N},0<d_i≤1

传感器的漏报概率为P_f＝{f_i,i＝1,2…N},0<f_i≤1

P_d,P_f表示检测概率和漏报概率的集合，d_i,f_i表示第i个传感器的检测概率和漏报概率；

子步骤三：定义集合来表示来自各个传感器所有的方位量测，其中的每个元素用表示，它来源于传感器i的第j个量测；m_i表示第i个传感器总共返回的量测个数；集合中的量测有部分来源于目标，有部分属于虚警，其中来源于目标的量测存在一个零均值高斯误差，它是传感器的一个性能指标。定义第i个传感器的量测方差为

结合子步骤一、子步骤二、子步骤三和子步骤四，共同组成了传感器的场景模型和观测模型；

步骤二：根据步骤一中得到的场景模型和观测模型，建立由PHD函数主导的优化目标函数，其峰值对应着最有可能存在目标的位置：

其中：

表示任意一个估计的位置；表示对空间中目标个数的估计，η_i表示传感器i的目标数估计。

步骤三：运用启发式搜索算法-差分进化算法对目标函数进行最优化：

定义(x_r,y_r)表示目标位置的粗估计，初始化种群时有Γ(Γ是一个百分比)的个体服从分布：Γ,Ω是用户自行设置的控制参数。经过初始化后的差分进化会将主要的算力投放在粗估计附近位置的搜索上。将上述的包含粗估计对目标函数进行差分进化找到优化目标函数最大的位置的过程封装成如下的函数表示：

步骤四：通过步骤三搜索到最优位置，对该位置进行和量测集的数据关联，得到量测集的两个子集：

(A,B)＝NN(Θ,x_r,y_r)

其中

门限设置为3σ_i可保证如果没有发生漏报，集合A是一个包含N个元素的量测集，对应着每个传感器能与粗估计位置关联的量测，额外定义A的补集B＝Θ\A表示那些没有被关联的量测。