CN110865334B - 一种基于噪声统计特性的多传感器目标跟踪方法及系统 - Google Patents

一种基于噪声统计特性的多传感器目标跟踪方法及系统 Download PDF

Info

Publication number
CN110865334B
CN110865334B CN201911172475.8A CN201911172475A CN110865334B CN 110865334 B CN110865334 B CN 110865334B CN 201911172475 A CN201911172475 A CN 201911172475A CN 110865334 B CN110865334 B CN 110865334B
Authority
CN
China
Prior art keywords
sensor
noise
target
relative
value
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
Application number
CN201911172475.8A
Other languages
English (en)
Other versions
CN110865334A (zh
Inventor
任章
梁源
李清东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201911172475.8A priority Critical patent/CN110865334B/zh
Publication of CN110865334A publication Critical patent/CN110865334A/zh
Application granted granted Critical
Publication of CN110865334B publication Critical patent/CN110865334B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S5/0278—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 involving statistical or probabilistic considerations
    • 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
    • G01S5/06—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • 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
    • G01S5/16—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using electromagnetic waves other than radio waves
    • 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
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/20—Position of source determined by a plurality of spaced direction-finders
    • 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
    • G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
    • G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Electromagnetism (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于噪声统计特性的多传感器目标跟踪方法及系统。该方法包括：获取运动平台上所有传感器的量测信息；依据量测信息构建当前时刻的传感器噪声采样值；依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值；由传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵；将量测信息和传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值。本发明能够提高目标跟踪的准确度。

Description

一种基于噪声统计特性的多传感器目标跟踪方法及系统
技术领域
本发明涉及目标跟踪定位技术领域，特别是涉及一种基于噪声统计特性的多传感器目标跟踪方法及系统。
背景技术
目标跟踪系统是一种基于Kalman滤波算法及相关算法的数据处理系统，将传感器所提供的目标观测信息(一般为相对距离信息以及相对角度信息)作为滤波器的输入，经过滤波器的计算得到目标的状态信息，同时还可以基于现有信息对目标的未来状态信息进行预测。随着传感器技术以及信号处理技术的不断完善和发展，目标跟踪技术已在诸多领域有着较为广泛的应用前景。在军事方面，可用于对空中、海上和地面目标进行搜索、识别、跟踪和火力打击。在民用方面，主要用于交通管制、智能驾驶、交通导航以及视频跟踪等领域。
随着使用环境的日趋复杂，利用单个传感器实现目标跟踪远远不能满足目标跟踪的任务要求，这就需要多个传感器运用数据融合技术来提供观测信息。综合利用多个传感器对目标进行跟踪，能够克服单个传感器的局限性，全面准确地描述被跟踪对象。在多传感器系统中，不会因为单个传感器的故障导致整个系统崩溃或精度降低，同时在军事领域上，可以显著提高系统的生存能力与抗干扰能力，使得系统具有更高的可靠性。同时，利用多传感器进行目标跟踪时，观测数据所包含的有用信息质量更高，信息资源更丰富，能够进一步提高目标的跟踪精度。比如，在光电跟踪系统中，其就是利用光电经纬仪的多个工作在不同波段的光学传感器进行捕获目标的状态，根据得到的测量数据估计目标的状态进而实现跟踪。
然而，利用传感器采集到的相对距离/相对姿态等信息，势必包含着传感器噪声，一般通过Kalman滤波器来尽量抑制传感器噪声带来的影响，而Kalman滤波对传感器噪声进行准确抑制的必备条件之一就是需要准确的传感器噪声的统计特性，然而由于使用环境/器件性能等因素的变化，传感器噪声的统计特性也是随之不断变化的，导致了Kalman滤波中所使用的传感器的噪声的统计特性无法与真实使用情况下的统计特性充分吻合，这种不充分吻合的情况会直接影响Kalman滤波的精度，甚至有可能会导致滤波发散，进而直接影响到目标跟踪的精度。
发明内容
基于此，有必要提供一种基于噪声统计特性的多传感器目标跟踪方法及系统，以实现在传感器噪声的统计特性错误或者无法准确获取传感器噪声的统计特性的前提下，提高目标跟踪的准确度。
为实现上述目的，本发明提供了如下方案：
一种基于噪声统计特性的多传感器目标跟踪方法，包括：
获取运动平台上所有传感器的量测信息；所述量测信息包括传感器对目标的相对距离的量测值、传感器对目标的相对俯仰角的量测值和传感器对目标的相对方位角的量测值；
依据所述量测信息构建当前时刻的传感器噪声采样值；所述传感器噪声采样值包括传感器相对距离噪声采样值、传感器相对俯仰角噪声采样值和传感器相对方位角噪声采样值；
依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值；所述传感器量测噪声方差的在线辨识值包括传感器对目标的相对距离的量测噪声的方差的在线辨识值、传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值和传感器对目标的相对方位角的量测噪声的方差的在线辨识值；
由所述传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵；
将所述量测信息和所述传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；所述目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值。
可选的，所述自适应卡尔曼滤波模型，具体为：
Figure BDA0002289091630000021
Pk＝[I-KkH]Pk,k-1，
其中，
Figure BDA0002289091630000031
为当前时刻的目标跟踪结果，
Figure BDA0002289091630000032
为状态一步预测，Kk为滤波增益，Pk为当前时刻滤波误差方差，Pk,k-1代表一步预测误差方差，I为对应维度的单位矩阵，
Figure BDA0002289091630000033
为当前时刻的观测向量，h为观测函数，H为h在
Figure BDA0002289091630000034
处的雅可比矩阵，
Figure BDA0002289091630000035
本发明还提供了一种基于噪声统计特性的多传感器目标跟踪系统，包括：
量测信息获取模块，用于获取运动平台上所有传感器的量测信息；所述量测信息包括传感器对目标的相对距离的量测值、传感器对目标的相对俯仰角的量测值和传感器对目标的相对方位角的量测值；
噪声采样值构建模块，用于依据所述量测信息构建当前时刻的传感器噪声采样值；所述传感器噪声采样值包括传感器相对距离噪声采样值、传感器相对俯仰角噪声采样值和传感器相对方位角噪声采样值；
在线辨识模块，用于依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值；所述传感器量测噪声方差的在线辨识值包括传感器对目标的相对距离的量测噪声的方差的在线辨识值、传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值和传感器对目标的相对方位角的量测噪声的方差的在线辨识值；
协方差矩阵确定模块，用于由所述传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵；
滤波模块，用于将所述量测信息和所述传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；所述目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值。
可选的，所述滤波模块中的所述自适应卡尔曼滤波模型，具体为：
Figure BDA0002289091630000041
Pk＝[I-KkH]Pk,k-1，
其中，
Figure BDA0002289091630000042
为当前时刻的目标跟踪结果，
Figure BDA0002289091630000043
为状态一步预测，Kk为滤波增益，Pk为当前时刻滤波误差方差，Pk,k-1代表一步预测误差方差，I为对应维度的单位矩阵，
Figure BDA0002289091630000044
为当前时刻的观测向量，h为观测函数，H为h在
Figure BDA0002289091630000045
处的雅可比矩阵，
Figure BDA0002289091630000046
与现有技术相比，本发明的有益效果是：
本发明提出了一种基于噪声统计特性的多传感器目标跟踪方法及系统，该方法解决了传统的多传感器目标跟踪滤波算法中，卡尔曼滤波中所使用的传感器的噪声的统计特性无法与真实使用情况下的统计特性充分吻合，导致目标跟踪下降甚至滤波发散的问题，保证了在上述情况下多传感器目标跟踪滤波算法仍具有足够的目标跟踪精度，有效的扩展了多传感器目标跟踪滤波算法的适用范围。本发明所采用的传感器噪声统计特性在线辨识算法，在不需要先验信息辅助、也不依赖任何经验公式的前提下，仅利用传感器输出结合大数定律即可实现传感器噪声统计特性的准确辨识，可以快速有效稳定的实现对统计特性的准确辨识，进一步提升了算法的应用范围，同时也保证了目标跟踪算法的准确性和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于噪声统计特性的多传感器目标跟踪方法的流程图；
图2为本发明实施例各传感器相对距离噪声统计特性辨识误差结果图；
图3为本发明实施例一种基于噪声统计特性的多传感器目标跟踪系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种基于噪声统计特性的多传感器目标跟踪方法的流程图。
本实施例基于噪声统计特性的多传感器目标跟踪方法的原理是：由于多传感器对是位于同一运动平台，且对同一目标进行跟踪，所以传感器的输出具有极强的相关性和交叉性，体现为：所有传感器均有同样的理论真值，进而可利用多传感器量测信息的相关性实现理论真值的去除，从而实现传感器噪声数据的分离；基于分离得到的噪声数据结合大数定律便可实现对分离得到的噪声数据统计特性的在线准确辨识。
参见图1，实施例的基于噪声统计特性的多传感器目标跟踪方法，包括：
步骤S1：获取运动平台上所有传感器的量测信息。
所述量测信息包括传感器对目标的相对距离的量测值、传感器对目标的相对俯仰角的量测值和传感器对目标的相对方位角的量测值。运动平台需具备至少3个目标--平台相对位姿测量传感器。
本实施例，定义运动平台上共搭载有3套传感器(分别定义为a、b、c)对同一目标进行测量，在k时刻可以获得得到如下传感器的量测信息：
ra(k),rb(k),rc(k)：传感器对目标的相对距离的量测值；
θa(k),θb(k),θc(k)：传感器对目标的相对俯仰角的量测值；
ψa(k),ψb(k),ψc(k)：传感器对目标的相对方位角的量测值；
且上述量测值满足如下条件：
Figure BDA0002289091630000061
Figure BDA0002289091630000062
Figure BDA0002289091630000063
其中，r(k)，θ(k)，ψ(k)分别为传感器a、b、c对目标的相对距离真实值，传感器对目标的相对俯仰角真实值，传感器对目标的相对方位角真实值；
Figure BDA0002289091630000064
分别代表传感器a、b、c的相对距离量测噪声；
Figure BDA0002289091630000065
Figure BDA0002289091630000066
分别代表传感器a、b、c的相对俯仰角量测噪声；
Figure BDA0002289091630000067
Figure BDA0002289091630000068
分别代表传感器a、b、c的相对方位角量测噪声；且均为零均值的高斯白噪声，其对应的协方差矩阵满足：
Figure BDA0002289091630000069
Figure BDA0002289091630000071
其中，cov()代表求取对应的协方差矩阵，
Figure BDA0002289091630000072
Figure BDA0002289091630000073
以
Figure BDA0002289091630000074
中的元素为例进行说明，
Figure BDA0002289091630000075
Figure BDA0002289091630000076
分别代表
Figure BDA0002289091630000077
的方差。对于本实施例而言，
Figure BDA0002289091630000078
Figure BDA0002289091630000079
均为事先未知的，需要通过本实施例的在线辨识算法进行在线估计。
步骤S2：依据所述量测信息构建当前时刻的传感器噪声采样值。
所述传感器噪声采样值包括传感器相对距离噪声采样值、传感器相对俯仰角噪声采样值和传感器相对方位角噪声采样值。
所述步骤S2，具体包括：
21)依据所述传感器对目标的相对距离的量测值构建当前时刻k的传感器相对距离噪声采样值
Figure BDA00022890916300000710
其中，Δr1(k)为当前时刻k的传感器相对距离第一噪声采样值，Δr2(k)为当前时刻k的传感器相对距离第二噪声采样值，Δr3(k)为当前时刻k的传感器相对距离第三噪声采样值，ra(k)为当前时刻k传感器a对目标的相对距离的量测值，rb(k)为当前时刻k传感器b对目标的相对距离的量测值，rc(k)为当前时刻k传感器c对目标的相对距离的量测值；当前时刻k的传感器相对距离噪声采样值包括当前时刻k的传感器相对距离第一噪声采样值、当前时刻k的传感器相对距离第二噪声采样值和当前时刻k的传感器相对距离第三噪声采样值。
22)依据所述传感器对目标的相对俯仰角的量测值构建当前时刻k的传感器相对俯仰角噪声采样值
Figure BDA0002289091630000081
其中，Δθ1(k)为当前时刻k的传感器相对俯仰角第一噪声采样值，Δθ2(k)为当前时刻k的传感器相对俯仰角第二噪声采样值，Δθ3(k)为当前时刻k的传感器相对俯仰角第三噪声采样值，θa(k)为当前时刻k传感器a对目标的相对俯仰角的量测值，θb(k)为当前时刻k传感器b对目标的相对俯仰角的量测值，θc(k)为当前时刻k传感器c对目标的相对俯仰角的量测值；当前时刻k的传感器相对俯仰角噪声采样值包括当前时刻k的传感器相对俯仰角第一噪声采样值、当前时刻k的传感器相对俯仰角第二噪声采样值和当前时刻k的传感器相对俯仰角第三噪声采样值。
23)依据所述传感器对目标的相对方位角的量测值构建当前时刻k的传感器相对方位角噪声采样值
Figure BDA0002289091630000082
其中，Δψ1(k)为当前时刻k的传感器相对方位角第一噪声采样值，Δψ2(k)为当前时刻k的传感器相对方位角第二噪声采样值，Δψ3(k)为当前时刻k的传感器相对方位角第三噪声采样值，ψa(k)为当前时刻k传感器a对目标的相对方位角的量测值，ψb(k)为当前时刻k传感器b对目标的相对方位角的量测值，ψc(k)为当前时刻k传感器c对目标的相对方位角的量测值；当前时刻k的传感器相对方位角噪声采样值包括当前时刻k的传感器相对方位角第一噪声采样值、当前时刻k的传感器相对方位角第二噪声采样值和当前时刻k的传感器相对方位角第三噪声采样值。
24)对步骤21)、22)、23)得到的噪声采样值进行存储。
步骤S3：依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值。
所述传感器量测噪声方差的在线辨识值包括传感器对目标的相对距离的量测噪声的方差的在线辨识值、传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值和传感器对目标的相对方位角的量测噪声的方差的在线辨识值。
所述步骤S3，具体包括：
31)依据当前时刻的传感器相对距离噪声采样值和历史时刻的传感器相对距离噪声采样值，采用大数定律对传感器的相对距离噪声统计特性进行在线辨识，得到传感器对目标的相对距离的量测噪声的方差的在线辨识值
Figure BDA0002289091630000091
其中，
Figure BDA0002289091630000092
为传感器对目标的相对距离的量测噪声的方差的第一在线辨识值，
Figure BDA0002289091630000093
为传感器对目标的相对距离的量测噪声的方差的第二在线辨识值，
Figure BDA0002289091630000094
为传感器对目标的相对距离的量测噪声的方差的第三在线辨识值，
Figure BDA0002289091630000095
为传感器对目标的相对距离在当前时刻k的第一统计信息，
Figure BDA0002289091630000096
为传感器对目标的相对距离在当前时刻k的第二统计信息，
Figure BDA0002289091630000097
为传感器对目标的相对距离在当前时刻k的第三统计信息，A为协方差转换矩阵，()-1代表对矩阵求逆运算，
Figure BDA0002289091630000098
假定滤波算法的起始时刻为1，Δr1(i)为当前时刻i的传感器相对距离第一噪声采样值，Δr2(i)为当前时刻i的传感器相对距离第二噪声采样值，Δr3(i)为当前时刻i的传感器相对距离第三噪声采样值。
32)依据当前时刻的传感器相对俯仰角噪声采样值和历史时刻的传感器相对俯仰角噪声采样值，采用大数定律对传感器的相对俯仰角噪声统计特性进行在线辨识，得到传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值
Figure BDA0002289091630000101
其中，
Figure BDA0002289091630000102
为传感器对目标的相对俯仰角的量测噪声的方差的第一在线辨识值，
Figure BDA0002289091630000103
为传感器对目标的相对俯仰角的量测噪声的方差的第二在线辨识值，
Figure BDA0002289091630000104
为传感器对目标的相对俯仰角的量测噪声的方差的第三在线辨识值，
Figure BDA0002289091630000105
为传感器对目标的相对俯仰角在当前时刻k的第一统计信息，
Figure BDA0002289091630000106
为传感器对目标的相对俯仰角在当前时刻k的第二统计信息，
Figure BDA0002289091630000107
为传感器对目标的相对俯仰角在当前时刻k的第三统计信息，
Figure BDA0002289091630000108
Δθ1(i)为当前时刻i的传感器相对俯仰角第一噪声采样值，Δθ2(i)为当前时刻i的传感器相对俯仰角第二噪声采样值，Δθ3(i)为当前时刻i的传感器相对俯仰角第三噪声采样值。
33)依据当前时刻的传感器相对方位角噪声采样值和历史时刻的传感器相对方位角噪声采样值，采用大数定律对传感器的相对方位角噪声统计特性进行在线辨识，得到传感器对目标的相对方位角的量测噪声的方差的在线辨识值
Figure BDA0002289091630000109
其中，
Figure BDA00022890916300001010
为传感器对目标的相对方位角的量测噪声的方差的第一在线辨识值，
Figure BDA00022890916300001011
为传感器对目标的相对方位角的量测噪声的方差的第二在线辨识值，
Figure BDA0002289091630000111
为传感器对目标的相对方位角的量测噪声的方差的第三在线辨识值，
Figure BDA0002289091630000112
为传感器对目标的相对方位角在当前时刻k的第一统计信息，
Figure BDA0002289091630000113
为传感器对目标的相对方位角在当前时刻k的第二统计信息，
Figure BDA0002289091630000114
为传感器对目标的相对方位角在当前时刻k的第三统计信息，
Figure BDA0002289091630000115
Δψ1(i)为当前时刻i的传感器相对方位角第一噪声采样值，Δψ2(i)为当前时刻i的传感器相对方位角第二噪声采样值，Δψ3(i)为当前时刻i的传感器相对方位角第三噪声采样值。
步骤S4：由所述传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵。
所述传感器噪声的协方差矩阵
Figure BDA0002289091630000116
步骤S5：将所述量测信息和所述传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；所述目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值。
首先，对目标跟踪模型进行简单介绍，本实施例采用CA模型：
x(k+1)＝Φx(k)+w(k)
z(k)＝H(x(k))+ν(k)
该模型下状态向量为：
Figure BDA0002289091630000121
x,y,z分别表示为X，Y，Z轴下的三轴目标位置，
Figure BDA0002289091630000122
分别表示三轴目标速度，
Figure BDA0002289091630000123
分别表示三轴目标加速度。
CA模型的离散系统状态转移矩阵为：
Figure BDA0002289091630000124
T为系统采样间隔，状态误差w(k)为零均值高斯白噪声，其协方差矩阵为：
Figure BDA0002289091630000125
观测向量为
Figure BDA0002289091630000131
ν(k)为量测噪声，观测函数为：
Figure BDA0002289091630000132
针对上述模型，可以采用非线性滤波算法(本实施例采用扩展卡尔曼滤波算法)结合上述噪声统计特性在线辨识结果进行目标跟踪计算，具体如下，以第k步的计算过程为例：
由量测信息和传感器噪声的协方差矩阵可得到自适应卡尔曼滤波模型：
Figure BDA0002289091630000133
Pk,k-1＝ΦPk-1ΦT+Q，
Figure BDA0002289091630000134
Figure BDA0002289091630000135
Pk＝[I-KkH]Pk,k-1，
其中，
Figure BDA0002289091630000141
代表上一步滤波结果(上一时刻的目标跟踪结果)，
Figure BDA0002289091630000142
为当前时刻的目标跟踪结果，
Figure BDA0002289091630000143
为状态一步预测，Kk为滤波增益，Pk为当前时刻滤波误差方差，Pk,k-1代表一步预测误差方差，Pk-1代表k-1步(k-1时刻)的滤波误差方差，I为对应维度的单位矩阵，
Figure BDA0002289091630000144
为当前时刻的观测向量，h为观测函数，H为h在
Figure BDA0002289091630000145
处的雅可比矩阵，雅可比矩阵是数学中常用的一种函数的一阶偏导数以一定方式排列成的矩阵。
得到
Figure BDA0002289091630000146
后，即得到了在k时刻的目标跟踪结果，将
Figure BDA0002289091630000147
作为最终目标跟踪结果予以输出。
为了证明该自适应在线辨识算法的有效性，本实施例还对其进行仿真验证，以相对距离的传感器噪声统计特性的辨识结果为例进行说明，辨识误差结果如图2所示，其中，图2中的(a)部分为传感器a相对距离噪声统计特性辨识误差结果图，图2中的(b)部分为传感器b相对距离噪声统计特性辨识误差结果图，图2中的(c)部分为传感器c相对距离噪声统计特性辨识误差结果图。从图2中可以看出，随着目标跟踪的进行，辨识误差在经历初期的震荡后以较快的速度收敛至0且后续不再继续发散，说明本实施例中的自适应辨识算法的准确性与稳定性。
本实施例的基于噪声统计特性的多传感器目标跟踪方法，通过对多传感器的输出进行重构构建噪声采样值，进而利用大数定律对采样值的统计特性进行在线估计，从而实现对传感器噪声统计特性的在线准确辨识，该方法不需要其他任何先验信息，也不依赖于任何经验公式。
本发明还提供了一种基于噪声统计特性的多传感器目标跟踪系统，图3为本发明实施例一种基于噪声统计特性的多传感器目标跟踪系统的结构示意图。
参见图3，本实施例中的基于噪声统计特性的多传感器目标跟踪系统，包括：
量测信息获取模块301，用于获取运动平台上所有传感器的量测信息；所述量测信息包括传感器对目标的相对距离的量测值、传感器对目标的相对俯仰角的量测值和传感器对目标的相对方位角的量测值。
噪声采样值构建模块302，用于依据所述量测信息构建当前时刻的传感器噪声采样值；所述传感器噪声采样值包括传感器相对距离噪声采样值、传感器相对俯仰角噪声采样值和传感器相对方位角噪声采样值。
在线辨识模块303，用于依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值；所述传感器量测噪声方差的在线辨识值包括传感器对目标的相对距离的量测噪声的方差的在线辨识值、传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值和传感器对目标的相对方位角的量测噪声的方差的在线辨识值。
协方差矩阵确定模块304，用于由所述传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵。
滤波模块305，用于将所述量测信息和所述传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；所述目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值。
作为一种可选的实施方式，所述噪声采样值构建模块302，具体包括：
第一采样值构建单元，用于依据所述传感器对目标的相对距离的量测值构建当前时刻k的传感器相对距离噪声采样值
Figure BDA0002289091630000151
其中，Δr1(k)为当前时刻k的传感器相对距离第一噪声采样值，Δr2(k)为当前时刻k的传感器相对距离第二噪声采样值，Δr3(k)为当前时刻k的传感器相对距离第三噪声采样值，ra(k)为当前时刻k传感器a对目标的相对距离的量测值，rb(k)为当前时刻k传感器b对目标的相对距离的量测值，rc(k)为当前时刻k传感器c对目标的相对距离的量测值；当前时刻k的传感器相对距离噪声采样值包括当前时刻k的传感器相对距离第一噪声采样值、当前时刻k的传感器相对距离第二噪声采样值和当前时刻k的传感器相对距离第三噪声采样值。
第二采样值构建单元，用于依据所述传感器对目标的相对俯仰角的量测值构建当前时刻k的传感器相对俯仰角噪声采样值
Figure BDA0002289091630000161
其中，Δθ1(k)为当前时刻k的传感器相对俯仰角第一噪声采样值，Δθ2(k)为当前时刻k的传感器相对俯仰角第二噪声采样值，Δθ3(k)为当前时刻k的传感器相对俯仰角第三噪声采样值，θa(k)为当前时刻k传感器a对目标的相对俯仰角的量测值，θb(k)为当前时刻k传感器b对目标的相对俯仰角的量测值，θc(k)为当前时刻k传感器c对目标的相对俯仰角的量测值；当前时刻k的传感器相对俯仰角噪声采样值包括当前时刻k的传感器相对俯仰角第一噪声采样值、当前时刻k的传感器相对俯仰角第二噪声采样值和当前时刻k的传感器相对俯仰角第三噪声采样值。
第三采样值构建单元，用于依据所述传感器对目标的相对方位角的量测值构建当前时刻k的传感器相对方位角噪声采样值
Figure BDA0002289091630000162
其中，Δψ1(k)为当前时刻k的传感器相对方位角第一噪声采样值，Δψ2(k)为当前时刻k的传感器相对方位角第二噪声采样值，Δψ3(k)为当前时刻k的传感器相对方位角第三噪声采样值，ψa(k)为当前时刻k传感器a对目标的相对方位角的量测值，ψb(k)为当前时刻k传感器b对目标的相对方位角的量测值，ψc(k)为当前时刻k传感器c对目标的相对方位角的量测值；当前时刻k的传感器相对方位角噪声采样值包括当前时刻k的传感器相对方位角第一噪声采样值、当前时刻k的传感器相对方位角第二噪声采样值和当前时刻k的传感器相对方位角第三噪声采样值。
作为一种可选的实施方式，所述在线辨识模块303，具体包括：
第一辨识值计算单元，用于依据当前时刻的传感器相对距离噪声采样值和历史时刻的传感器相对距离噪声采样值，采用大数定律对传感器的相对距离噪声统计特性进行在线辨识，得到传感器对目标的相对距离的量测噪声的方差的在线辨识值
Figure BDA0002289091630000171
其中，
Figure BDA0002289091630000172
为传感器对目标的相对距离的量测噪声的方差的第一在线辨识值，
Figure BDA0002289091630000173
为传感器对目标的相对距离的量测噪声的方差的第二在线辨识值，
Figure BDA0002289091630000174
为传感器对目标的相对距离的量测噪声的方差的第三在线辨识值，
Figure BDA0002289091630000175
为传感器对目标的相对距离在当前时刻k的第一统计信息，
Figure BDA0002289091630000176
为传感器对目标的相对距离在当前时刻k的第二统计信息，
Figure BDA0002289091630000177
为传感器对目标的相对距离在当前时刻k的第三统计信息，A为协方差转换矩阵，
Figure BDA0002289091630000178
Δr1(i)为当前时刻i的传感器相对距离第一噪声采样值，Δr2(i)为当前时刻i的传感器相对距离第二噪声采样值，Δr3(i)为当前时刻i的传感器相对距离第三噪声采样值。
第二辨识值计算单元，用于依据当前时刻的传感器相对俯仰角噪声采样值和历史时刻的传感器相对俯仰角噪声采样值，采用大数定律对传感器的相对俯仰角噪声统计特性进行在线辨识，得到传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值
Figure BDA0002289091630000179
其中，
Figure BDA00022890916300001710
为传感器对目标的相对俯仰角的量测噪声的方差的第一在线辨识值，
Figure BDA00022890916300001711
为传感器对目标的相对俯仰角的量测噪声的方差的第二在线辨识值，
Figure BDA00022890916300001712
为传感器对目标的相对俯仰角的量测噪声的方差的第三在线辨识值，
Figure BDA0002289091630000181
为传感器对目标的相对俯仰角在当前时刻k的第一统计信息，
Figure BDA0002289091630000182
为传感器对目标的相对俯仰角在当前时刻k的第二统计信息，
Figure BDA0002289091630000183
为传感器对目标的相对俯仰角在当前时刻k的第三统计信息，
Figure BDA0002289091630000184
Δθ1(i)为当前时刻i的传感器相对俯仰角第一噪声采样值，Δθ2(i)为当前时刻i的传感器相对俯仰角第二噪声采样值，Δθ3(i)为当前时刻i的传感器相对俯仰角第三噪声采样值。
第三辨识值计算单元，用于依据当前时刻的传感器相对方位角噪声采样值和历史时刻的传感器相对方位角噪声采样值，采用大数定律对传感器的相对方位角噪声统计特性进行在线辨识，得到传感器对目标的相对方位角的量测噪声的方差的在线辨识值
Figure BDA0002289091630000185
其中，
Figure BDA0002289091630000186
为传感器对目标的相对方位角的量测噪声的方差的第一在线辨识值，
Figure BDA0002289091630000187
为传感器对目标的相对方位角的量测噪声的方差的第二在线辨识值，
Figure BDA0002289091630000188
为传感器对目标的相对方位角的量测噪声的方差的第三在线辨识值，
Figure BDA0002289091630000189
为传感器对目标的相对方位角在当前时刻k的第一统计信息，
Figure BDA00022890916300001810
为传感器对目标的相对方位角在当前时刻k的第二统计信息，
Figure BDA00022890916300001811
为传感器对目标的相对方位角在当前时刻k的第三统计信息，
Figure BDA0002289091630000191
Δψ1(i)为当前时刻i的传感器相对方位角第一噪声采样值，Δψ2(i)为当前时刻i的传感器相对方位角第二噪声采样值，Δψ3(i)为当前时刻i的传感器相对方位角第三噪声采样值。
作为一种可选的实施方式，所述协方差矩阵确定模块304中的所述传感器噪声的协方差矩阵
Figure BDA0002289091630000192
作为一种可选的实施方式，所述滤波模块305中的所述自适应卡尔曼滤波模型，具体为：
Figure BDA0002289091630000193
Pk＝[I-KkH]Pk,k-1，
其中，
Figure BDA0002289091630000194
为当前时刻的目标跟踪结果，
Figure BDA0002289091630000195
为状态一步预测，Kk为滤波增益，Pk为当前时刻滤波误差方差，Pk,k-1代表一步预测误差方差，I为对应维度的单位矩阵，
Figure BDA0002289091630000196
为当前时刻的观测向量，h为观测函数，H为h在
Figure BDA0002289091630000197
处的雅可比矩阵，
Figure BDA0002289091630000201
本实施例中的基于噪声统计特性的多传感器目标跟踪系统，可以在传感器噪声的统计特性错误或者无法准确获取传感器噪声的统计特性的前提下，实现对传感器噪声的统计特性的准确在线辨识，进而提高目标跟踪精度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种基于噪声统计特性的多传感器目标跟踪方法，其特征在于，包括：
获取运动平台上所有传感器的量测信息；所述量测信息包括传感器对目标的相对距离的量测值、传感器对目标的相对俯仰角的量测值和传感器对目标的相对方位角的量测值；
依据所述量测信息构建当前时刻的传感器噪声采样值；所述传感器噪声采样值包括传感器相对距离噪声采样值、传感器相对俯仰角噪声采样值和传感器相对方位角噪声采样值；
依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值；所述传感器量测噪声方差的在线辨识值包括传感器对目标的相对距离的量测噪声的方差的在线辨识值、传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值和传感器对目标的相对方位角的量测噪声的方差的在线辨识值；
由所述传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵；
将所述量测信息和所述传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；所述目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值；
所述依据所述量测信息构建当前时刻的传感器噪声采样值，具体包括：
依据所述传感器对目标的相对距离的量测值构建当前时刻k的传感器相对距离噪声采样值
Δr1(k)＝ra(k)-rb(k)
Δr2(k)＝ra(k)-rc(k)，
Δr3(k)＝rb(k)-rc(k)
其中，Δr1(k)为当前时刻k的传感器相对距离第一噪声采样值，Δr2(k)为当前时刻k的传感器相对距离第二噪声采样值，Δr3(k)为当前时刻k的传感器相对距离第三噪声采样值，ra(k)为当前时刻k传感器a对目标的相对距离的量测值，rb(k)为当前时刻k传感器b对目标的相对距离的量测值，rc(k)为当前时刻k传感器c对目标的相对距离的量测值；当前时刻k的传感器相对距离噪声采样值包括当前时刻k的传感器相对距离第一噪声采样值、当前时刻k的传感器相对距离第二噪声采样值和当前时刻k的传感器相对距离第三噪声采样值；
依据所述传感器对目标的相对俯仰角的量测值构建当前时刻k的传感器相对俯仰角噪声采样值
Δθ1(k)＝θa(k)-θb(k)
Δθ2(k)＝θa(k)-θc(k)，
Δθ3(k)＝θb(k)-θc(k)
其中，Δθ1(k)为当前时刻k的传感器相对俯仰角第一噪声采样值，Δθ2(k)为当前时刻k的传感器相对俯仰角第二噪声采样值，Δθ3(k)为当前时刻k的传感器相对俯仰角第三噪声采样值，θa(k)为当前时刻k传感器a对目标的相对俯仰角的量测值，θb(k)为当前时刻k传感器b对目标的相对俯仰角的量测值，θc(k)为当前时刻k传感器c对目标的相对俯仰角的量测值；当前时刻k的传感器相对俯仰角噪声采样值包括当前时刻k的传感器相对俯仰角第一噪声采样值、当前时刻k的传感器相对俯仰角第二噪声采样值和当前时刻k的传感器相对俯仰角第三噪声采样值；
依据所述传感器对目标的相对方位角的量测值构建当前时刻k的传感器相对方位角噪声采样值
Δψ1(k)＝ψa(k)-ψb(k)
Δψ2(k)＝ψa(k)-ψc(k)，
Δψ3(k)＝ψb(k)-ψc(k)
其中，Δψ1(k)为当前时刻k的传感器相对方位角第一噪声采样值，Δψ2(k)为当前时刻k的传感器相对方位角第二噪声采样值，Δψ3(k)为当前时刻k的传感器相对方位角第三噪声采样值，ψa(k)为当前时刻k传感器a对目标的相对方位角的量测值，ψb(k)为当前时刻k传感器b对目标的相对方位角的量测值，ψc(k)为当前时刻k传感器c对目标的相对方位角的量测值；当前时刻k的传感器相对方位角噪声采样值包括当前时刻k的传感器相对方位角第一噪声采样值、当前时刻k的传感器相对方位角第二噪声采样值和当前时刻k的传感器相对方位角第三噪声采样值；
所述依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值，具体包括：
依据当前时刻的传感器相对距离噪声采样值和历史时刻的传感器相对距离噪声采样值，采用大数定律对传感器的相对距离噪声统计特性进行在线辨识，得到传感器对目标的相对距离的量测噪声的方差的在线辨识值
Figure FDA0003153335090000031
其中，
Figure FDA0003153335090000032
为传感器对目标的相对距离的量测噪声的方差的第一在线辨识值，
Figure FDA0003153335090000033
为传感器对目标的相对距离的量测噪声的方差的第二在线辨识值，
Figure FDA0003153335090000034
为传感器对目标的相对距离的量测噪声的方差的第三在线辨识值，
Figure FDA0003153335090000035
为传感器对目标的相对距离在当前时刻k的第一统计信息，
Figure FDA0003153335090000036
为传感器对目标的相对距离在当前时刻k的第二统计信息，
Figure FDA0003153335090000037
为传感器对目标的相对距离在当前时刻k的第三统计信息，A为协方差转换矩阵，
Figure FDA0003153335090000038
Figure FDA0003153335090000039
Δr1(i)为当前时刻i的传感器相对距离第一噪声采样值，Δr2(i)为当前时刻i的传感器相对距离第二噪声采样值，Δr3(i)为当前时刻i的传感器相对距离第三噪声采样值；
依据当前时刻的传感器相对俯仰角噪声采样值和历史时刻的传感器相对俯仰角噪声采样值，采用大数定律对传感器的相对俯仰角噪声统计特性进行在线辨识，得到传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值
Figure FDA0003153335090000041
其中，
Figure FDA0003153335090000042
为传感器对目标的相对俯仰角的量测噪声的方差的第一在线辨识值，
Figure FDA0003153335090000043
为传感器对目标的相对俯仰角的量测噪声的方差的第二在线辨识值，
Figure FDA0003153335090000044
为传感器对目标的相对俯仰角的量测噪声的方差的第三在线辨识值，
Figure FDA0003153335090000045
为传感器对目标的相对俯仰角在当前时刻k的第一统计信息，
Figure FDA0003153335090000046
为传感器对目标的相对俯仰角在当前时刻k的第二统计信息，
Figure FDA0003153335090000047
为传感器对目标的相对俯仰角在当前时刻k的第三统计信息，
Figure FDA0003153335090000048
Δθ1(i)为当前时刻i的传感器相对俯仰角第一噪声采样值，Δθ2(i)为当前时刻i的传感器相对俯仰角第二噪声采样值，Δθ3(i)为当前时刻i的传感器相对俯仰角第三噪声采样值；
依据当前时刻的传感器相对方位角噪声采样值和历史时刻的传感器相对方位角噪声采样值，采用大数定律对传感器的相对方位角噪声统计特性进行在线辨识，得到传感器对目标的相对方位角的量测噪声的方差的在线辨识值
Figure FDA0003153335090000051
其中，
Figure FDA0003153335090000052
为传感器对目标的相对方位角的量测噪声的方差的第一在线辨识值，
Figure FDA0003153335090000053
为传感器对目标的相对方位角的量测噪声的方差的第二在线辨识值，
Figure FDA0003153335090000054
为传感器对目标的相对方位角的量测噪声的方差的第三在线辨识值，
Figure FDA0003153335090000055
为传感器对目标的相对方位角在当前时刻k的第一统计信息，
Figure FDA0003153335090000056
为传感器对目标的相对方位角在当前时刻k的第二统计信息，
Figure FDA0003153335090000057
为传感器对目标的相对方位角在当前时刻k的第三统计信息，
Figure FDA0003153335090000058
Δψ1(i)为当前时刻i的传感器相对方位角第一噪声采样值，Δψ2(i)为当前时刻i的传感器相对方位角第二噪声采样值，Δψ3(i)为当前时刻i的传感器相对方位角第三噪声采样值。
2.根据权利要求1所述的一种基于噪声统计特性的多传感器目标跟踪方法，其特征在于，所述传感器噪声的协方差矩阵
Figure FDA0003153335090000061
3.根据权利要求2所述的一种基于噪声统计特性的多传感器目标跟踪方法，其特征在于，所述自适应卡尔曼滤波模型，具体为：
Figure FDA0003153335090000062
Pk＝[I-KkH]Pk,k-1，
其中，
Figure FDA0003153335090000063
为当前时刻的目标跟踪结果，
Figure FDA0003153335090000064
为状态一步预测，Kk为滤波增益，Pk为当前时刻滤波误差方差，Pk,k-1代表一步预测误差方差，I为对应维度的单位矩阵，
Figure FDA0003153335090000065
为当前时刻的观测向量，h为观测函数，H为h在
Figure FDA0003153335090000066
处的雅可比矩阵，
Figure FDA0003153335090000067
4.一种基于噪声统计特性的多传感器目标跟踪系统，其特征在于，包括：
量测信息获取模块，用于获取运动平台上所有传感器的量测信息；所述量测信息包括传感器对目标的相对距离的量测值、传感器对目标的相对俯仰角的量测值和传感器对目标的相对方位角的量测值；
噪声采样值构建模块，用于依据所述量测信息构建当前时刻的传感器噪声采样值；所述传感器噪声采样值包括传感器相对距离噪声采样值、传感器相对俯仰角噪声采样值和传感器相对方位角噪声采样值；
在线辨识模块，用于依据当前时刻的传感器噪声采样值和历史时刻的传感器噪声采样值，采用大数定律对传感器的噪声统计特性进行在线辨识，得到传感器量测噪声方差的在线辨识值；所述传感器量测噪声方差的在线辨识值包括传感器对目标的相对距离的量测噪声的方差的在线辨识值、传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值和传感器对目标的相对方位角的量测噪声的方差的在线辨识值；
协方差矩阵确定模块，用于由所述传感器量测噪声方差的在线辨识值确定传感器噪声的协方差矩阵；
滤波模块，用于将所述量测信息和所述传感器噪声的协方差矩阵输入至自适应卡尔曼滤波模型中，得到当前时刻的目标跟踪结果；所述目标跟踪结果包括三轴目标位置估计值、三轴目标速度估计值和三轴目标加速度估计值；
所述噪声采样值构建模块，具体包括：
第一采样值构建单元，用于依据所述传感器对目标的相对距离的量测值构建当前时刻k的传感器相对距离噪声采样值
Δr1(k)＝ra(k)-rb(k)
Δr2(k)＝ra(k)-rc(k)，
Δr3(k)＝rb(k)-rc(k)
其中，Δr1(k)为当前时刻k的传感器相对距离第一噪声采样值，Δr2(k)为当前时刻k的传感器相对距离第二噪声采样值，Δr3(k)为当前时刻k的传感器相对距离第三噪声采样值，ra(k)为当前时刻k传感器a对目标的相对距离的量测值，rb(k)为当前时刻k传感器b对目标的相对距离的量测值，rc(k)为当前时刻k传感器c对目标的相对距离的量测值；当前时刻k的传感器相对距离噪声采样值包括当前时刻k的传感器相对距离第一噪声采样值、当前时刻k的传感器相对距离第二噪声采样值和当前时刻k的传感器相对距离第三噪声采样值；
第二采样值构建单元，用于依据所述传感器对目标的相对俯仰角的量测值构建当前时刻k的传感器相对俯仰角噪声采样值
Δθ1(k)＝θa(k)-θb(k)
Δθ2(k)＝θa(k)-θc(k)，
Δθ3(k)＝θb(k)-θc(k)
其中，Δθ1(k)为当前时刻k的传感器相对俯仰角第一噪声采样值，Δθ2(k)为当前时刻k的传感器相对俯仰角第二噪声采样值，Δθ3(k)为当前时刻k的传感器相对俯仰角第三噪声采样值，θa(k)为当前时刻k传感器a对目标的相对俯仰角的量测值，θb(k)为当前时刻k传感器b对目标的相对俯仰角的量测值，θc(k)为当前时刻k传感器c对目标的相对俯仰角的量测值；当前时刻k的传感器相对俯仰角噪声采样值包括当前时刻k的传感器相对俯仰角第一噪声采样值、当前时刻k的传感器相对俯仰角第二噪声采样值和当前时刻k的传感器相对俯仰角第三噪声采样值；
第三采样值构建单元，用于依据所述传感器对目标的相对方位角的量测值构建当前时刻k的传感器相对方位角噪声采样值
Δψ1(k)＝ψa(k)-ψb(k)
Δψ2(k)＝ψa(k)-ψc(k)，
Δψ3(k)＝ψb(k)-ψc(k)
其中，Δψ1(k)为当前时刻k的传感器相对方位角第一噪声采样值，Δψ2(k)为当前时刻k的传感器相对方位角第二噪声采样值，Δψ3(k)为当前时刻k的传感器相对方位角第三噪声采样值，ψa(k)为当前时刻k传感器a对目标的相对方位角的量测值，ψb(k)为当前时刻k传感器b对目标的相对方位角的量测值，ψc(k)为当前时刻k传感器c对目标的相对方位角的量测值；当前时刻k的传感器相对方位角噪声采样值包括当前时刻k的传感器相对方位角第一噪声采样值、当前时刻k的传感器相对方位角第二噪声采样值和当前时刻k的传感器相对方位角第三噪声采样值；
所述在线辨识模块，具体包括：
第一辨识值计算单元，用于依据当前时刻的传感器相对距离噪声采样值和历史时刻的传感器相对距离噪声采样值，采用大数定律对传感器的相对距离噪声统计特性进行在线辨识，得到传感器对目标的相对距离的量测噪声的方差的在线辨识值
Figure FDA0003153335090000091
其中，
Figure FDA0003153335090000092
为传感器对目标的相对距离的量测噪声的方差的第一在线辨识值，
Figure FDA0003153335090000093
为传感器对目标的相对距离的量测噪声的方差的第二在线辨识值，
Figure FDA0003153335090000094
为传感器对目标的相对距离的量测噪声的方差的第三在线辨识值，
Figure FDA0003153335090000095
为传感器对目标的相对距离在当前时刻k的第一统计信息，
Figure FDA0003153335090000096
为传感器对目标的相对距离在当前时刻k的第二统计信息，
Figure FDA0003153335090000097
为传感器对目标的相对距离在当前时刻k的第三统计信息，A为协方差转换矩阵，
Figure FDA0003153335090000098
Figure FDA0003153335090000099
Δr1(i)为当前时刻i的传感器相对距离第一噪声采样值，Δr2(i)为当前时刻i的传感器相对距离第二噪声采样值，Δr3(i)为当前时刻i的传感器相对距离第三噪声采样值；
第二辨识值计算单元，用于依据当前时刻的传感器相对俯仰角噪声采样值和历史时刻的传感器相对俯仰角噪声采样值，采用大数定律对传感器的相对俯仰角噪声统计特性进行在线辨识，得到传感器对目标的相对俯仰角的量测噪声的方差的在线辨识值
Figure FDA0003153335090000101
其中，
Figure FDA0003153335090000102
为传感器对目标的相对俯仰角的量测噪声的方差的第一在线辨识值，
Figure FDA0003153335090000103
为传感器对目标的相对俯仰角的量测噪声的方差的第二在线辨识值，
Figure FDA0003153335090000104
为传感器对目标的相对俯仰角的量测噪声的方差的第三在线辨识值，
Figure FDA0003153335090000105
为传感器对目标的相对俯仰角在当前时刻k的第一统计信息，
Figure FDA0003153335090000106
为传感器对目标的相对俯仰角在当前时刻k的第二统计信息，
Figure FDA0003153335090000107
为传感器对目标的相对俯仰角在当前时刻k的第三统计信息，
Figure FDA0003153335090000108
Δθ1(i)为当前时刻i的传感器相对俯仰角第一噪声采样值，Δθ2(i)为当前时刻i的传感器相对俯仰角第二噪声采样值，Δθ3(i)为当前时刻i的传感器相对俯仰角第三噪声采样值；
第三辨识值计算单元，用于依据当前时刻的传感器相对方位角噪声采样值和历史时刻的传感器相对方位角噪声采样值，采用大数定律对传感器的相对方位角噪声统计特性进行在线辨识，得到传感器对目标的相对方位角的量测噪声的方差的在线辨识值
Figure FDA0003153335090000111
其中，
Figure FDA0003153335090000112
为传感器对目标的相对方位角的量测噪声的方差的第一在线辨识值，
Figure FDA0003153335090000113
为传感器对目标的相对方位角的量测噪声的方差的第二在线辨识值，
Figure FDA0003153335090000114
为传感器对目标的相对方位角的量测噪声的方差的第三在线辨识值，
Figure FDA0003153335090000115
为传感器对目标的相对方位角在当前时刻k的第一统计信息，
Figure FDA0003153335090000116
为传感器对目标的相对方位角在当前时刻k的第二统计信息，
Figure FDA0003153335090000117
为传感器对目标的相对方位角在当前时刻k的第三统计信息，
Figure FDA0003153335090000118
Δψ1(i)为当前时刻i的传感器相对方位角第一噪声采样值，Δψ2(i)为当前时刻i的传感器相对方位角第二噪声采样值，Δψ3(i)为当前时刻i的传感器相对方位角第三噪声采样值。
5.根据权利要求4所述的一种基于噪声统计特性的多传感器目标跟踪系统，其特征在于，所述协方差矩阵确定模块中的所述传感器噪声的协方差矩阵
Figure FDA0003153335090000121
6.根据权利要求5所述的一种基于噪声统计特性的多传感器目标跟踪系统，其特征在于，所述滤波模块中的所述自适应卡尔曼滤波模型，具体为：
Figure FDA0003153335090000122
Pk＝[I-KkH]Pk,k-1
其中，
Figure FDA0003153335090000123
为当前时刻的目标跟踪结果，
Figure FDA0003153335090000124
为状态一步预测，Kk为滤波增益，Pk为当前时刻滤波误差方差，Pk,k-1代表一步预测误差方差，I为对应维度的单位矩阵，
Figure FDA0003153335090000125
为当前时刻的观测向量，h为观测函数，H为h在
Figure FDA0003153335090000126
处的雅可比矩阵，
Figure FDA0003153335090000127
CN201911172475.8A 2019-11-26 2019-11-26 一种基于噪声统计特性的多传感器目标跟踪方法及系统 Active CN110865334B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911172475.8A CN110865334B (zh) 2019-11-26 2019-11-26 一种基于噪声统计特性的多传感器目标跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911172475.8A CN110865334B (zh) 2019-11-26 2019-11-26 一种基于噪声统计特性的多传感器目标跟踪方法及系统

Publications (2)

Publication Number Publication Date
CN110865334A CN110865334A (zh) 2020-03-06
CN110865334B true CN110865334B (zh) 2021-09-03

Family

ID=69655868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911172475.8A Active CN110865334B (zh) 2019-11-26 2019-11-26 一种基于噪声统计特性的多传感器目标跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN110865334B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111426322B (zh) * 2020-04-09 2020-12-18 北京航空航天大学 同时估计状态和输入的自适应目标跟踪滤波方法及系统
CN112330735B (zh) * 2020-10-26 2022-06-17 武汉中海庭数据技术有限公司 一种车体相对位置测量精度置信度评估方法及系统
CN113791240B (zh) * 2021-08-30 2023-07-25 暨南大学 基于高阶滑膜跟踪微分器的加速度估计方法、系统、设备和介质
CN116518983B (zh) * 2023-07-05 2023-10-17 西安羚控电子科技有限公司 用于移动机器人定位的自适应融合方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103684349A (zh) * 2013-10-28 2014-03-26 北京理工大学 一种基于递推协方差阵估计的卡尔曼滤波方法
CN104168005A (zh) * 2014-08-25 2014-11-26 北京理工大学 带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法
CN104268597A (zh) * 2014-09-25 2015-01-07 郑州牧业工程高等专科学校 基于ahcif的集中式测量值扩维融合方法
CN104868876A (zh) * 2015-05-12 2015-08-26 北京理工大学 一种针对过程噪声协方差矩阵Q未知情况下的Kalman滤波方法
CN105737828A (zh) * 2016-05-09 2016-07-06 郑州航空工业管理学院 一种基于强跟踪的相关熵扩展卡尔曼滤波的组合导航方法
EP2972475B1 (en) * 2013-03-12 2018-08-15 Raytheon Company Iterative kalman filtering
CN108871324A (zh) * 2018-04-28 2018-11-23 南京信息工程大学 一种水下无源组合导航系统衰减自适应信息融合方法
CN109459019A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN110490273A (zh) * 2019-09-12 2019-11-22 河南牧业经济学院 噪声方差不精确建模的多传感器系统融合滤波算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108152790A (zh) * 2018-01-05 2018-06-12 燕山大学 一种基于分布式架构的非合作多目标航迹推算方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2972475B1 (en) * 2013-03-12 2018-08-15 Raytheon Company Iterative kalman filtering
CN103684349A (zh) * 2013-10-28 2014-03-26 北京理工大学 一种基于递推协方差阵估计的卡尔曼滤波方法
CN104168005A (zh) * 2014-08-25 2014-11-26 北京理工大学 带有未知观测噪声协方差阵递推估计的卡尔曼滤波方法
CN104268597A (zh) * 2014-09-25 2015-01-07 郑州牧业工程高等专科学校 基于ahcif的集中式测量值扩维融合方法
CN104868876A (zh) * 2015-05-12 2015-08-26 北京理工大学 一种针对过程噪声协方差矩阵Q未知情况下的Kalman滤波方法
CN105737828A (zh) * 2016-05-09 2016-07-06 郑州航空工业管理学院 一种基于强跟踪的相关熵扩展卡尔曼滤波的组合导航方法
CN108871324A (zh) * 2018-04-28 2018-11-23 南京信息工程大学 一种水下无源组合导航系统衰减自适应信息融合方法
CN109459019A (zh) * 2018-12-21 2019-03-12 哈尔滨工程大学 一种基于级联自适应鲁棒联邦滤波的车载导航计算方法
CN110490273A (zh) * 2019-09-12 2019-11-22 河南牧业经济学院 噪声方差不精确建模的多传感器系统融合滤波算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Adaptive High-degree Cubature Kalman Filter with Unknown Noise Statistics;Yuepeng Shi,et al;《Journal of Information & Computational Science》;20141210;p6703–6712 *
Kalman Filter aided by Online Estimation on Q and its Application on Target Tracking;Liang Y ,et al;《 2019 3rd International Symposium on Autonomous Systems (ISAS)》;20190531;p238-242 *
多传感器目标跟踪数据融合关键技术研究;崔波;《中国博士学位论文全文数据库 信息科技辑》;20131015;全文 *
多传感器自适应容积卡尔曼滤波融合算法;敖志刚等;《计算机应用研究》;20140531;第1312-1315页 *
异质传感器数据融合方法研究;罗志斌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20091115;全文 *
惯性导航系统关键参数在线标校技术研究;梁源;《中国优秀硕士学位论文全文数据库 信息科技辑》;20161115;全文 *

Also Published As

Publication number Publication date
CN110865334A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110865334B (zh) 一种基于噪声统计特性的多传感器目标跟踪方法及系统
CN111065043B (zh) 一种基于车路通信的隧道内车辆融合定位系统及方法
CN103822633A (zh) 一种基于二阶量测更新的低成本姿态估计方法
CN103776453A (zh) 一种多模型水下航行器组合导航滤波方法
CN102654406A (zh) 基于非线性预测滤波与求容积卡尔曼滤波相结合的动基座初始对准方法
CN110672103B (zh) 一种多传感器目标跟踪滤波方法及系统
Zhang et al. Multiple model AUV navigation methodology with adaptivity and robustness
CN114061596B (zh) 自动驾驶定位方法、系统、测试方法、设备及存储介质
EP4345421A2 (en) Method for calibrating sensor parameters based on autonomous driving, apparatus, storage medium, and vehicle
CN111751857A (zh) 一种车辆位姿的估算方法、装置、存储介质及系统
CN114777812B (zh) 一种水下组合导航系统行进间对准与姿态估计方法
CN102981160B (zh) 一种确定空中目标航迹的方法及装置
Danilov et al. Indication of relative motion intensity of aerodynamic object and meters with different physical nature
KR102109953B1 (ko) 요레이트 센서를 이용한 차량 위치 추정 장치 및 그것의 차량 위치 추정 방법
Zhang et al. Feature-based ukf-slam using imaging sonar in underwater structured environment
CN109188420B (zh) 基于深度长短期记忆网络的窄带雷达目标跟踪方法
CN115540854A (zh) 一种基于uwb辅助的主动定位方法、设备和介质
CN114690230A (zh) 一种基于视觉惯性slam的自动驾驶车辆导航方法
Saúde et al. Single beacon acoustic navigation for an AUV in the presence of unknown ocean currents
Bucci et al. EKF on Lie Groups for Autonomous Underwater Vehicles orientation initialization in presence of magnetic disturbances
CN114216463B (zh) 一种路径优化目标定位方法及装置、存储介质、无人设备
CN110749879B (zh) 一种基于多观测者测速信息的分布式目标跟踪方法
Li et al. Exploring the Potential of Deep Learning Aided Kalman Filter for GNSS/INS Integration: A Study on 2D Simulation Datasets
Lu et al. Ocean vehicle inertial navigation method based on dynamic constraints
Susca GNSS-independent navigation solution using integrated LIDAR data

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