CN111178385B - 一种鲁棒在线多传感器融合的目标跟踪方法 - Google Patents
一种鲁棒在线多传感器融合的目标跟踪方法 Download PDFInfo
- Publication number
- CN111178385B CN111178385B CN201911213788.3A CN201911213788A CN111178385B CN 111178385 B CN111178385 B CN 111178385B CN 201911213788 A CN201911213788 A CN 201911213788A CN 111178385 B CN111178385 B CN 111178385B
- Authority
- CN
- China
- Prior art keywords
- target
- distribution
- state
- noise
- iteration
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 110
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种鲁棒在线多传感器融合的目标跟踪方法,包括如下十个步骤:1、建立多传感器系统融合模型,2、初始化目标的状态及分布参数,3、融合多传感器采集的量测数据,4、预测目标的状态分布,5、初始化变分参数及迭代次数,6、计算目标状态xk的变分后验分布,7、计算噪声参数∑k的变分后验分布,8、计算噪声参数rk的变分后验分布,9、判定迭代次数l是否大于最大迭代次数N,10、判定是否存在下一时刻,有益效果:本发明能在噪声为非高斯噪声且噪声协方差未知的复杂情况下,通过有效融合多个传感器的量测,实时准确估计目标状态和噪声分布的未知参数,提高了多传感器融合目标跟踪的精确度,且算法复杂度较小,易于实现。
Description
技术领域
本发明涉及一种目标跟踪方法,特别涉及一种基于拉普拉斯分布和变分贝叶斯的鲁棒在线多传感器融合的目标跟踪方法,属于多传感器信息融合技术领域。
背景技术
多传感器融合是传感器网络执行检测和感知的重要组成部分。它将来自多个传感器的信号整合到一起。随着传感器技术的发展,多传感器融合已广泛用于各种应用中,例如机器人导航、遥感、自动驾驶汽车和智能交通系统。
传感器融合可以分为集中融合和分散融合。集中式融合在融合中心执行大多数处理过程,而分散式架构则在本地执行大多数处理,例如在本地传感器执行目标检测和跟踪,然后在融合中心执行决策或特征级融合。通常,集中式融合会更准确,但是通信量和计算量会增加。
目前常见的卡尔曼滤波器是在测量和特征级别融合中广泛使用的目标跟踪算法。对于测量融合,将多个传感器测量结合起来估计系统整体状态。卡尔曼滤波器给出了在噪声先验特性为协方差已知的高斯白噪声情况下的最佳状态估计。但实际上,测量噪声可能不会遵循高斯分布。例如,对雷达目标跟踪,闪烁噪声中观察到了重尾的非高斯分布。在这些情况下直接应用卡尔曼滤波器会导致性能下降。
目前,已经提出了一些算法来解决非高斯量测噪声问题,这类方法一般联合估计目标状态和噪声分布参数。按照实时性,可以分为在线方法和离线方法。离线方法通常融合效果更优,但是计算代价更高,而且更重要的是,无法应用于需要实时处理数据的场景,如目标的实时跟踪。一类典型的方法是基于Student t分布,但这类方法涉及较多参数,不仅算法复杂,而且在实时应用中可能由于有限的量测数据,难以得到准确的参数估计。
发明内容
发明目的:本发明针对现有技术中无法应用于实时数据的处理或者算法复杂等不足,提供了一种基于拉普拉斯分布和变分贝叶斯的鲁棒在线多传感器融合的目标跟踪方法。
本发明使用拉普拉斯(Laplace)分布近似数据融合过程中未知的非高斯测量噪声,在概率模型中联合估计目标状态和噪声分布的后验分布;由于联合后验分布不存在解析解,应用近似后验分布逼近真实后验分布,并应用变分贝叶斯框架迭代最小化两者之间的相对熵(KL散度),实现有效的参数迭代更新。
技术方案:一种鲁棒在线多传感器融合的目标跟踪方法,包括如下步骤:
步骤3:融合多传感器采集的量测数据,在k时刻(k≥1),将多个传感器的测量 组成融合测量其中表示传感器s在k时刻采集的目标量测信息,1≤s≤Ns,zk=Hxk+vk,vk为未知且随时间变化的非高斯分布测量噪声;
步骤9:判定迭代次数l是否大于最大迭代次数N,当l<N时,更新l←l+1,执行步骤6;否则,转到步骤10;
Pk|k-1=FPk-1|k-1FT+Q
Sk=HPk|k-1HT+(E[rk](l-1)E[∑k](l-1))
Kk=Pk|k-1HT(Sk)-1
所述步骤7包括:
其中p表示∑k的行数。
所述步骤8包括:
其中Trace(·)表示矩阵求迹运算;
其中Kp(·)为第二类修正贝塞尔函数。
有益效果:本发明能在噪声为非高斯噪声且噪声协方差未知的复杂情况下,通过有效融合多个传感器的量测,实现实时准确估计目标状态和噪声分布的未知参数,提高了多传感器融合目标跟踪的精确度,且算法复杂度较小,易于实现。
附图说明
图1为本发明的流程图;
图2为本发明的概率图模型。
具体实施方式
下面将结合附图和具体的实施方式对本发明的技术方案做进一步详细解释,以两个传感器构成的多传感器网络对目标进行实时跟踪为例,但本发明保护范围不限于下述实施例。
如图1和2所示,一种鲁棒在线多传感器融合的目标跟踪方法,包括如下步骤:
步骤1:建立多传感器系统融合模型;
考虑二维xy平面上做匀速直线运动的目标,状态转移方程如下:
xk=Fxk-1+wk (1)
采用周期T=1s,目标状态转移矩阵F为:
过程噪声wk服从均值为0,协方差矩阵为Q=0.012×GGT的高斯分布,其中
传感器s(s=1,2)对目标的量测方程为:
步骤2:初始化目标的状态及分布参数;
步骤3:融合多传感器采集的量测数据;
zk=Hxk+vk (3)
步骤4:预测目标的状态分布;
Pk|k-1=FPk-1|k-1FT+Qk (5)
针对非高斯分布量测噪声,利用利用多维拉普拉斯分布对其建模。此时,需要在线联合估计目标状态和噪声的后验分布。
假设量测zk的概率密度函数为p(zk|Hxk,rk,∑k)=N(zk|Hxk,rk∑k),其中rk服从参数为pk,ak,bk的广义逆高斯分布p(rk)~GIG(rk|pk,ak,bk),∑k服从参数为Wk,nk的逆威沙特分布p(∑k)=IW(∑k|Wk,nk)。
量测、目标状态和量测噪声分布参数的联合概率密度函数为:
p(zk,xk,rk,∑k)=p(zk|xk,rk,∑k)p(xk)p(rk)P(∑k) (6)
量测噪声分布未知且随时间变化情况下的目标跟踪问题,本质上就是求解目标状态和噪声分布参数的联合后验分布p(xk,rk,∑k|zk),然而p(xk,rk,∑k|zk)涉及多重积分,难以直接计算。因此,采用变分贝叶斯框架,构建变分后验分布q(xk,rk,∑k)逼近真实后验分布p(xk,rk,∑k|zk),具体变分近似推导过程如下:
变分后验分布q(xk,rk,∑k)与真实后验分布p(xk,rk,∑k|zk)的差异用KL散度来度量,计算公式如下:
通过最小化KL散度使变分后验分布逼近真实的后验分布。
已知量测的对数边缘似然函数为:
logp(zk)=F(q(xk,rk,∑k))+KL(q(xk,rk,∑k)||p(xk,rk,∑k|zk)) (8)
其中F(·)表示自由能,计算公式如下:
由于logp(zk)为常数且KL散度非负,因此最小化KL散度等价于最大化自由能F(q(xk,rk,∑k))
利用平均场近似,变分后验分布q(xk,rk,∑k)可被分解为:
q(xk,rk,∑k)=q(xk)q(rk)q(∑k)
根据坐标上升法最大化自由能F(q(xk,rk,∑k)),则变分后验分布的计算公式为:
其中,Eq(·)[·]为期望算子,指[·]在分布q(·)下的期望值,记Lk=logp(zk,xk,rk,∑k)。
zk,xk,rk,∑k的对数联合概率密度函数为:
Lk=logp(zk|xk,rk,∑k)+logp(xk)+logp(rk|pk,ak,bk)+logp(∑k|Wk,nk) (10)
由于上述公式相互耦合,因此各变分分布q(xk)、q(rk)、q(∑k)需要迭代求解,具体求解方式如下。
步骤5:初始化变分参数及迭代次数;
步骤6:计算目标状态xk的变分后验分布;
Sk=HPk|k-1HT+(E[rk](l-1)E[∑k](l-1)) (11)
Kk=Pk|k-1HT(Sk)-1 (12)
其中E[rk](l-1),E[∑k](l-1)分别为k时刻第l次迭代更新后rk和∑k的数学期望,Kk为卡尔曼增益,(·)-1表示矩阵求逆,为k时刻第l次迭代更新后的目标状态,为k时刻第l次迭代更新后的目标状态误差协方差矩阵。
步骤7:计算噪声参数∑k的变分后验分布;
7.1)计算第l次迭代量测噪声参数∑k的变分后验分布q(∑k)的参数:
其中p是∑k的行数。
步骤8:计算噪声参数rk的变分后验分布;
8.1)计算量测噪声参数rk的变分后验分布q(rk)的参数:
其中Trace(·)表示矩阵求迹运算。
其中Kp(·)为第二类修正贝塞尔函数。
步骤9:判定迭代次数l是否大于最大迭代次数N;
当l<N时,更新l←l+1,执行步骤6;否则,转到步骤10;
步骤10:判定是否存在下一时刻;
依据上述步骤,我们在不同分布和不同协方差的量测噪声情况下进行了计算机模拟实验。具体地,量测噪声由两个分布共同产生,其中一个分布固定为标准正态分布,以模拟正常量测噪声。另一个分布依次取为协方差更大的高斯分布、均匀分布和拉普拉斯分布,以模拟异常噪声情况。为通过联合估计目标状态和噪声分布参数评估不同算法的有效性。对比标准卡尔曼滤波器(KF)、变分自适应卡尔曼滤波器(VB-AKF)和本技术方案的算法。所有算法均用Python语言实现。
模拟实验结果如附表1,2,3所示,
表1:混合两个高斯分布下三种滤波算法的均方根误差
表2:混合高斯分布和均匀分布下三种滤波算法的均方根误差
表3:混合高斯分布和拉普拉斯分布下三种滤波算法的均方根误差
可以看出,本技术方案的目标跟踪误差在所有情况下都小于其它对比方法。与现有技术方案相比,本技术方案能在噪声为非高斯分布且噪声协方差未知的复杂情况下,实现多传感器量测值的有效融合,不仅能实时估计噪声的分布参数,而且可以降低多传感器融合目标跟踪的误差。因此,本技术方案对于非高斯噪声下融合多传感器以实时估计目标运动状态的理论和实际工程应用具有重要意义。
以上所述的具体实施例,对本发明的背景、技术方案和有益效果进行了进一步的详细说明。本领域的技术人员容易理解,以上所述仅为本发明的一个具体实施例而已,并不用于完全限定本发明的保护范围。注意,对本领域的技术人员而言,凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种鲁棒在线多传感器融合的目标跟踪方法,其特征在于,包括如下步骤:
步骤3:融合多传感器采集的量测数据,在k时刻(k≥1),将多个传感器的测量 组成融合测量zk,其中表示传感器s在k时刻采集的目标量测信息,1≤s≤Ns,zk=Hxk+Pk,Pk为未知且随时间变化的非高斯分布测量噪声;
步骤9:判定迭代次数l是否大于最大迭代次数N,当l<N时,更新l←l+1,执行步骤6;否则,转到步骤10;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213788.3A CN111178385B (zh) | 2019-12-02 | 2019-12-02 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911213788.3A CN111178385B (zh) | 2019-12-02 | 2019-12-02 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111178385A CN111178385A (zh) | 2020-05-19 |
CN111178385B true CN111178385B (zh) | 2023-04-18 |
Family
ID=70653763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911213788.3A Active CN111178385B (zh) | 2019-12-02 | 2019-12-02 | 一种鲁棒在线多传感器融合的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111178385B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111679269B (zh) * | 2020-06-18 | 2023-09-29 | 中国人民解放军空军研究院战略预警研究所 | 一种基于变分的多雷达融合航迹状态估计方法 |
CN111829521B (zh) * | 2020-06-23 | 2022-05-03 | 浙江工业大学 | 一种基于数据驱动的一致性目标跟踪方法 |
CN112990256A (zh) * | 2020-12-29 | 2021-06-18 | 北京电子工程总体研究所 | 多传感器噪声计算方法及信息融合方法、存储介质及设备 |
CN113008235B (zh) * | 2021-02-07 | 2022-10-25 | 西北工业大学 | 基于矩阵k-l散度的多源导航信息融合方法 |
CN113514824B (zh) * | 2021-07-06 | 2023-09-08 | 北京信息科技大学 | 安防雷达的多目标跟踪方法及装置 |
CN113514810B (zh) * | 2021-07-07 | 2023-07-18 | 北京信息科技大学 | Mimo雷达观测噪声优化方法及装置 |
CN113670315B (zh) * | 2021-08-25 | 2024-03-15 | 无锡北微传感科技有限公司 | 一种基于变分迭代卡尔曼滤波的李群重尾干扰噪声动态飞行器姿态估计方法 |
CN113971752B (zh) * | 2021-09-18 | 2024-03-19 | 江苏大学 | 一种抗观测数据干扰的多车协同状态估计方法 |
CN114445459B (zh) * | 2022-01-16 | 2024-04-09 | 中国人民解放军空军工程大学 | 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法 |
CN114567288B (zh) * | 2022-01-25 | 2024-04-26 | 河南大学 | 基于变分贝叶斯的分布协同非线性系统状态估计方法 |
CN114430525B (zh) * | 2022-03-15 | 2022-10-18 | 中国矿业大学 | 一种封闭空间基于传感器网络的分布式定位方法 |
CN115087092B (zh) * | 2022-05-25 | 2024-02-27 | 电子科技大学 | 一种多传感器最大相关熵拓展信息滤波分层融合方法 |
CN115166674A (zh) * | 2022-07-27 | 2022-10-11 | 中国船舶重工集团公司第七二四研究所 | 基于贝塞尔拟合反馈的多传感器混合式信息融合方法 |
CN117095314B (zh) * | 2023-08-22 | 2024-03-26 | 中国电子科技集团公司第五十四研究所 | 跨域多维空地环境下的目标检测与重识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763167A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种变分贝叶斯的自适应滤波方法 |
CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 |
-
2019
- 2019-12-02 CN CN201911213788.3A patent/CN111178385B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763167A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种变分贝叶斯的自适应滤波方法 |
CN110503071A (zh) * | 2019-08-29 | 2019-11-26 | 电子科技大学 | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 |
Non-Patent Citations (1)
Title |
---|
杨波等.《A Robust Particle Filter for People Tracking》.《IEEE》.2010,第20页-第23页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111178385A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111178385B (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN111985093B (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 | |
CN109472418B (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
CN105354860B (zh) | 基于箱粒子滤波的扩展目标CBMeMBer跟踪方法 | |
CN105929340B (zh) | 一种基于arima估算电池soc的方法 | |
CN109827579B (zh) | 一种组合定位中滤波模型实时校正的方法和系统 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN111127523A (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN112800616A (zh) | 基于比例加速退化建模的设备剩余寿命自适应预测方法 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
CN114722995A (zh) | 训练神经随机微分方程的神经漂移网络和神经扩散网络的设备和方法 | |
CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN117268381B (zh) | 一种航天器状态的判断方法 | |
CN105891820A (zh) | 基于ukf和iufir的机动目标跟踪方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
Birsan | Unscented particle filter for tracking a magnetic dipole target | |
CN111262556A (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN111340853A (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN114445459B (zh) | 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法 | |
CN113391285B (zh) | 一种量测随机延迟下带闪烁噪声的目标跟踪平滑方法 | |
CN109474892B (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
CN104467742A (zh) | 基于高斯混合模型的传感器网络分布式一致性粒子滤波器 | |
CN109684771B (zh) | 基于交互式多模型的机动目标状态预测优化方法 | |
CN109493065A (zh) | 一种基于行为增量更新的欺诈交易检测方法 |
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 |