CN112163052A - 一种信息缺失量测下的多传感器空间配准方法 - Google Patents

一种信息缺失量测下的多传感器空间配准方法 Download PDF

Info

Publication number
CN112163052A
CN112163052A CN202010898430.5A CN202010898430A CN112163052A CN 112163052 A CN112163052 A CN 112163052A CN 202010898430 A CN202010898430 A CN 202010898430A CN 112163052 A CN112163052 A CN 112163052A
Authority
CN
China
Prior art keywords
target
measurement
sensor
coordinate system
deviation
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
Application number
CN202010898430.5A
Other languages
English (en)
Other versions
CN112163052B (zh
Inventor
王俊
曾雅俊
刘纯胜
魏少明
吴钦辰
张景
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 CN202010898430.5A priority Critical patent/CN112163052B/zh
Publication of CN112163052A publication Critical patent/CN112163052A/zh
Application granted granted Critical
Publication of CN112163052B publication Critical patent/CN112163052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G01B21/04—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness by measuring coordinates of points
    • G01B21/047—Accessories, e.g. for positioning, for tool-setting, for measuring probes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开了一种信息缺失量测下的多传感器空间配准方法，涉及信息融合技术领域。首先在多传感器多目标场景下提取单个公共显著性目标，并分为完整量测与缺失量测。然后将K个时刻完整的三维信息量测，通过空间极坐标变换得到量测值
Figure DDA0002659107870000011
并建立似然函数。基于最大似然估计，获得K个时刻公共直角坐标系下完整的目标状态融合估计值
Figure DDA0002659107870000012
并转换到信息缺失量测传感器坐标系下。利用K个时刻显著性目标的缺失量测更新
Figure DDA0002659107870000013
获得所有量测的目标状态最优融合估计，并转换到各个测量坐标系下，引入各传感器的偏差抖动Δβ进行迭代，求出各传感器系统偏差估计值β′，最后对原始量测进行偏差补偿，完成空间配准。本发明解决了信息缺失量测下的偏差估计，提高了空间配准精度。

Description

一种信息缺失量测下的多传感器空间配准方法
技术领域
本发明涉及信息融合技术领域，具体是一种信息缺失量测下的多传感器空间配准方法，用于多传感器信息缺失量测下的空间配准。
背景技术
空间配准是数据融合的前提条件，具体指利用多平台下传感器的探测信息，对传感器的系统偏差进行估计和补偿，从而达到提高数据融合精度的目的。
常见的空间配准算法可以分为合作目标的空间配准算法和非合作目标的空间配准算法。两类配准算法的区别体现在是否已知目标的位置。若已获知目标的精确位置，可采用合作目标的空间配准算法实现传感器的精确配准；若无法提前获知目标的位置，则采用非合作目标的空间配准算法。
非合作目标的空间配准算法又包括离线空间配准算法，离线空间配准算法是指传感器系统的偏差在一段时间内保持不变，将其建模为固定值并对其进行估计。离线空间配准算法主要包括实时质量控制法(Real Time Quality Control，RTQC)、最小二乘法(LeastSquares，LS)、广义最小二乘法(General Least Squares，GLS)、精确极大似然估计(ExactMaximum Likelihood，EML)和极大似然配准(Maximum Likelihood Registration，MLR)等。
其中，RTQC和LS算法忽略了传感器量测噪声的影响，所以只有当量测噪声很小时，算法的性能才比较好。GLS算法虽考虑了量测噪声的影响，但由于其和LS算法一样，只能采用两两配对地方式对系统偏差进行估计，故而性能难以达到最优。EML算法则利用传感器在系统平面中的量测值，运用极大似然法则对目标的位置和传感器的偏差同时进行估计，并且对坐标转换过程中的系统偏差的正余弦结果进行了近似，建立了偏差与量测之间的线性化模型，并采用迭代的方法获得系统偏差估计，取得了较优的参数估计结果。MLR算法则改进了这种近似方法，基于泰勒展开的方法建立了偏差与量测之间的线性化模型，获得了接近克拉美罗下界的偏差估计结果，但是MLR算法在信息缺失量测下存在模型失配问题。
发明内容
本发明针对MLR算法处理信息缺失量测时存在模型失配问题，提出了一种信息缺失量测下的多传感器空间配准方法，不仅有效解决信息缺失量测下的偏差估计，而且进一步提高了空间配准的精度。
具体步骤如下：
步骤一、在多传感器多目标场景下，基于目标特征属性的关联结果，提取出单个公共显著性目标。
步骤二、针对不同传感器对该显著性目标进行观测，将所有传感器对于该显著性目标的信息量测分为完整量测与缺失量测两类。
完整量测信息包括完整的距离R、方位θ和俯仰
Figure BDA0002659107850000021
三维信息，信息缺失是指一维或者二维信息。
步骤三、将K个时刻显著性目标完整的三维信息量测，通过空间极坐标变换转换到WGS-84公共直角坐标系下得到量测值
Figure BDA0002659107850000022
并建立似然函数；
量测值
Figure BDA0002659107850000023
NS表示传感器的个数；
Figure BDA0002659107850000024
为第i个传感器量测的目标在第k个时刻的状态；
似然函数为
Figure BDA0002659107850000025
待估参数为ρ＝[X，β]，其中，β为传感器系统偏差，K个时刻所有的目标真实状态为
Figure BDA0002659107850000026
xk是第k个时刻目标的真实状态向量；
Figure BDA0002659107850000027
为公共直角坐标系下的量测噪声协方差，C为常值。
步骤四、基于最大似然估计，获得K个时刻公共直角坐标系下完整的目标状态融合估计值
Figure BDA0002659107850000028
完整的目标状态融合估计值
Figure BDA0002659107850000029
Figure BDA00026591078500000210
表示第k个时刻公共直角坐标系下完整的目标状态融合估计值；
Figure BDA00026591078500000211
步骤五、将完整的目标状态融合估计值
Figure BDA00026591078500000214
通过空间极坐标变换，转换到信息缺失量测传感器坐标系下；基于序贯滤波技术利用K个时刻显著性目标的缺失量测，更新完整的目标状态融合估计值
Figure BDA00026591078500000212
获得所有量测的目标状态最优融合估计
Figure BDA00026591078500000213
针对第k个时刻，当NS个传感器中有L个传感器提供的信息为缺失量测值，则数据集为
Figure BDA0002659107850000031
Figure BDA0002659107850000032
表示第NS-L+1个传感器在第k个时刻提供的目标缺失量测值；
则目标状态最优融合估计
Figure BDA0002659107850000033
通过下式获得
Figure BDA0002659107850000034
Figure BDA0002659107850000035
为使用完整量测计算的目标协方差矩阵估计；
Figure BDA0002659107850000036
为信息缺失量测的协方差矩阵。hi为由公共坐标系到测量坐标系映射的非线性函数；
Figure BDA0002659107850000037
为L个传感器提供的目标状态的雅可比矩阵集；
Figure BDA0002659107850000038
表示第NS-L+1个传感器提供目标状态的雅可比矩阵。
步骤六、将所有量测的目标状态最优融合估计
Figure BDA0002659107850000039
通过空间极坐标变换，转换到各个测量坐标系下，基于残留偏差估计空间配准算法，引入各传感器的偏差抖动Δβ，建立似然函数；
偏差抖动：Δβ＝βreal-β′；
其中βreal为传感器偏差真值，β′为当前传感器偏差估计值。
似然函数为：
Figure BDA00026591078500000310
其中Z为K个时刻全部传感器的量测值；Δzk为第k个时刻传感器极坐标系下的全部传感器测量值与目标状态最优融合估计
Figure BDA00026591078500000311
变换到测量坐标系下的值之差；Ω为引入参数；
Figure BDA00026591078500000312
为第k个时刻量测坐标系下的噪声协方差，C3为常值；
步骤七、对各传感器的偏差抖动Δβ分别进行迭代，至收敛求出各传感器系统偏差估计值β′，最后用NS个偏差估计值对NS个传感器的原始量测一一进行偏差补偿，从而完成空间配准。
系统偏差补偿即Z′＝Z-β′。
本发明的优点在于：
1)、一种信息缺失量测下的多传感器空间配准方法，有效解决了MLR空间配准方法在信息缺失量测下的模型失配问题；基于序贯滤波技术，并且在各测量坐标系下建立似然函数既能有效解决信息缺失量测下的偏差估计，同时又提高了空间配准的精度。
2)、一种信息缺失量测下的多传感器空间配准方法，与传统MLR空间配准方法相比，传感器配准种类更加丰富，应用场景更加广泛与复杂。
附图说明
图1为本发明一种信息缺失量测下的多传感器空间配准方法的流程图；
图2为本发明构建的多传感器多目标的场景下提取显著性目标的示意图；
图3为本发明多传感器量测信号模型图；
图4为本发明实施例提供的WGS84坐标系下目标轨迹及传感器位置；
图5(a)为本发明实施例提供的WGS84坐标系下配准前后的融合结果；
图5(b)为本发明实施例提供的X-Y平面下配准前后的融合结果；
图5(c)为本发明实施例提供的X-Z平面下配准前后的融合结果；
图5(d)为本发明实施例提供的Y-Z平面下配准前后的融合结果；
图6为本发明实施例提供的量测信息缺失场景下各算法参数估计性能。
具体实施方式
为了使本发明的技术方案及优点更加清晰，下面结合理论原理、实施例和附图，对本发明的实施方式做详细的描述。应当注意，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明一种信息缺失量测下的多传感器空间配准方法，基于最大似然估计的残留偏差估计空间配准，此算法基于序贯滤波技术，利用信息缺失量测更新目标状态，获得所有量测的目标状态最优估计，最后在各测量坐标系下建立似然函数，求取测量偏差估计。
如图1所示，具体步骤如下：
步骤一、在多传感器多目标场景下，基于目标特征属性(如RCS)的关联结果，提取出单个公共显著性目标。
如图2所示，显著性目标是指在空间配准前能直接进行航迹关联的目标(这里只提取一个公共显著性目标)。显著性目标具有属性特征明显如(RCS)、容易区分的优点。
步骤二、针对不同传感器对该显著性目标进行观测，将所有传感器对于该显著性目标的信息量测分为完整量测与缺失量测两类。
如图3所示，将得到显著性目标信息的量测值分为两类，一类为完整的三维(距离R、方位θ和俯仰
Figure BDA0002659107850000041
)信息量测，另一类为缺失(一维或者二维)信息量测。完整的三维信息量测可以直接从量测坐标系转换到WGS-84公共直角坐标系X-Y-Z下，而缺失信息量测则不能直接转换。
步骤三、将K个时刻显著性目标完整的三维信息量测，通过空间极坐标变换转换到WGS-84公共直角坐标系下得到量测值
Figure BDA0002659107850000051
并建立似然函数；并基于最大似然估计，获得K个时刻公共直角坐标系下完整的目标状态融合估计值
Figure BDA0002659107850000052
首先，建立信号模型：
假设K个时刻有NS个传感器对公共显著目标位置进行测量，将1到K个时刻所有的量测表达为
Figure BDA0002659107850000053
zi，k表示第i个传感器在第k个时刻提供的目标量测值，建模为
zi，k＝hi(xk)+βi+υi，k (1)
其中，i＝1，...，NS，i为传感器编号。hi为第i个传感器由公共坐标系到测量坐标系映射的非线性函数。xk是第k个时刻目标的真实状态向量。βi为第i个传感器测量坐标系下的固定测量偏差。υi，k为第i个传感器在第k个时刻的零均值高斯白噪声，其协方差矩阵为
Figure BDA0002659107850000054
K个时刻所有的目标真实状态为
Figure BDA0002659107850000055
传感器偏差为
Figure BDA0002659107850000056
然后，利用完整量测信息对目标状态进行融合估计。
记待估参数为ρ＝[X，β]，则基于量测集Z的似然函数为
Figure BDA0002659107850000057
其中，
Figure BDA0002659107850000058
Figure BDA0002659107850000061
根据式(1)可以得到，其在υk＝0处的泰勒展开可以表达为
Figure BDA0002659107850000062
其中，
Figure BDA0002659107850000063
根据式(5)，可以将似然函数重新表达为
Figure BDA0002659107850000064
其中，
Figure BDA0002659107850000065
为公共坐标系下的量测集，
Figure BDA0002659107850000066
为公共直角坐标系下的量测噪声协方差，C为常值；
将式(6)展开可得
Figure BDA0002659107850000067
对式(7)求极值可得
Figure BDA0002659107850000068
完整的目标状态融合估计值
Figure BDA0002659107850000069
表示第k个时刻公共直角坐标系下完整的目标状态融合估计值。式(8)给出了完整量测信息量测无偏时显著性目标状态的融合估计及其协方差。然而通常传感器偏差通常并不知晓，为此下面将给出完整量测下目标状态融合估计方法。
考虑传感器偏差上的抖动Δβ＝βreal-β′，其中βreal为传感器偏差真值，β′为当前传感器偏差估计值。则利用泰勒展开，可将
Figure BDA00026591078500000610
在Δβi＝0处近似为
Figure BDA0002659107850000071
其中，
Figure BDA0002659107850000072
将式(9)代入式(8)，则可以得到，在完整量测下存在传感器偏差时的目标状态融合估计结果，近似为
Figure BDA0002659107850000073
其中，
Figure BDA0002659107850000074
为
Figure BDA0002659107850000075
上受完整量测偏差抖动引起的误差。
步骤四、将完整的目标状态融合估计值
Figure BDA0002659107850000076
通过空间极坐标变换，转换到信息缺失量测传感器坐标系下；基于序贯滤波技术利用K个时刻显著性目标的缺失量测，更新完整的目标状态融合估计值
Figure BDA0002659107850000077
获得所有量测的目标状态最优融合估计
Figure BDA0002659107850000078
信息缺失测量是指传感器测得目标状态不完整，对于信息缺失量测配准问题，需要解决两方面问题：一方面是信息缺失量测融合估计问题，另一方面是似然函数构建问题。针对信息缺失量测融合，可采用基于EKF的序贯滤波方法实现。
针对第k个时刻，当NS个传感器中有L个传感器提供的信息为缺失量测值，则数据集为
Figure BDA0002659107850000079
Figure BDA00026591078500000710
表示第NS-L+1个传感器在第k个时刻提供的目标缺失量测值；
则目标状态最优融合估计
Figure BDA00026591078500000711
通过下式获得
Figure BDA00026591078500000712
Figure BDA00026591078500000713
为使用完整量测计算的目标协方差矩阵估计；
Figure BDA00026591078500000714
为信息缺失量测的协方差矩阵。hi为由公共坐标系到测量坐标系映射的非线性函数；
Figure BDA00026591078500000715
为L个传感器提供的目标状态的雅可比矩阵集；
Figure BDA0002659107850000081
表示第NS-L+1个传感器提供目标状态的雅可比矩阵；其中
Figure BDA0002659107850000082
与完整量测情况相似，受测量偏差抖动Δβ影响的目标状态融合估计为
Figure BDA0002659107850000083
其中，
Figure BDA0002659107850000084
为信息缺失量测上测量偏差抖动。
根据式(10)可知
Figure BDA0002659107850000085
步骤五、将所有量测的目标状态最优融合估计
Figure BDA00026591078500000811
通过空间极坐标变换，转换到各个测量坐标系下，基于残留偏差估计空间配准算法，引入各传感器的偏差抖动Δβ，建立似然函数；然后，对各传感器的偏差抖动Δβ分别进行迭代，至收敛求出各传感器系统偏差估计值，最后用NS个偏差估计值对NS个传感器的原始量测一一进行偏差补偿，从而完成空间配准。
由于信息缺失量测无法直接从量测坐标系转换到公共坐标系中，故而难以在公共坐标系下建立似然函数。为此，考虑在测量坐标系下建立该函数。根据式(14)，可计算目标状态估计投影到各测量坐标系下的结果。
Figure BDA0002659107850000086
此时在测量坐标系下建立似然函数为
Figure BDA0002659107850000087
其中，
Figure BDA0002659107850000088
Figure BDA0002659107850000089
经化简后可得
Figure BDA00026591078500000810
其中，Z为K个时刻全部传感器的量测值；Δzk为第k个时刻传感器极坐标系下的全部传感器测量值与目标状态最优融合估计
Figure BDA0002659107850000091
变换到测量坐标系下的值之差；Ω为引入参数；
Figure BDA0002659107850000092
为量测坐标系下的噪声协方差；C3为常值。
Figure BDA0002659107850000093
Figure BDA0002659107850000094
式(21)中，
Figure BDA0002659107850000095
为各个量测的维数。最终，传感器测量偏差抖动可通过计算似然函数的偏导获得
Figure BDA0002659107850000096
最终的传感器偏差可通过迭代计算获得
β′k+1＝β′k+Δβk+1 (23)
最后用偏差估计值对传感器原始量测进行系统偏差补偿，从而完成空间配准。
Z′＝Z-β′ (24)
结合本发明的实施例对本发明应用场景及应用效果做进一步的说明：
本发明对信息缺失量测下的多传感器空间配准方法进行仿真验证。本场景公共参考坐标系选取WGS84地心坐标系。为简便记，各传感器的测量坐标系选择为与传感器所在位置东北天坐标系原点重合、坐标轴平行的球坐标系。故而式(1)中的hi(xk)可以表达为
Figure BDA0002659107850000101
式中
Figure BDA0002659107850000102
为目标在测量坐标系的真实方位角，俯仰角和斜距，(xENU，yENU，zENU)T为目标在东北天坐标系下的位置，且
Figure BDA0002659107850000103
式中x＝(x，y，z)和xs＝(xs，ys，zs)分别为目标和传感器在WGS84空间直角坐标系下的位置。T为从WGS84空间直角坐标系到东北天坐标系的旋转矩阵。xs和T可采用如下方式计算
Figure BDA0002659107850000104
Figure BDA0002659107850000105
其中，(LS，BS，HS)为传感器在WGS84地面坐标系下的经纬高信息。
Figure BDA0002659107850000106
当ESM等无源探测设备获得的目标信息缺失量测只有方位角和俯仰角
Figure BDA0002659107850000107
时，则需要对该雅可比矩阵进行修正，修正结果为
Figure BDA0002659107850000111
假设有四个固定传感器对目标进行观测，各个传感器在WGS84地面坐标系下的位置分别为(104.0964°，35.1797°，40m)，(104.1512°，35.2470°，40m)，(104.3707°，35.1797°，40m)和(104.0964°，34.9551°，40m)。显著性目标在(103°，35°，0m)处进行绕圈飞行。WGS84空间直角坐标系下显著性目标轨迹和传感器观测位置如图4所示。四个传感器在测量坐标系下的偏差
Figure BDA0002659107850000112
分别为(5°，5°，3000m)，(-5°，-5°，-3000m)，(5°，5°，3000m)和(-5°，-5°)，其中传感器1～3获得目标的三维信息，传感器4只获得目标的俯仰角和方位角信息。各传感器的测量热噪声均为(1°，1°，100m)，传感器数据率为0.5Hz，目标飞行时间约为1000s，各传感器测量的数据点数各为500点。
仿真时假设各传感器同时测量且同时到达融合中心，图5分别给出了采用本发明算法前后目标状态融合估计结果及目标真实轨迹。图6给出了量测信息缺失场景下，本发明算法与MLR算法的参数估计性能对比。图5和图6的仿真结果表明了：本发明有效的解决了信息缺失量测下的偏差估计问题，相比于MLR算法本发明算法显著提高了空间配准精度。

Claims (4)

1.一种信息缺失量测下的多传感器空间配准方法，其特征在于，具体步骤如下：
步骤一、在多传感器多目标场景下，基于目标特征属性的关联结果，提取出单个公共显著性目标；
步骤二、针对不同传感器对该显著性目标进行观测，将所有传感器对于该显著性目标的信息量测分为完整量测与缺失量测两类；
步骤三、将K个时刻显著性目标完整的三维信息量测，通过空间极坐标变换转换到WGS-84公共直角坐标系下得到量测值
Figure FDA0002659107840000011
并建立似然函数；
量测值
Figure FDA0002659107840000012
NS表示传感器的个数；
Figure FDA00026591078400000117
为第i个传感器量测的目标在第k个时刻的状态；
步骤四、基于最大似然估计，获得K个时刻公共直角坐标系下完整的目标状态融合估计值
Figure FDA0002659107840000013
步骤五、将完整的目标状态融合估计值
Figure FDA0002659107840000014
通过空间极坐标变换，转换到信息缺失量测传感器坐标系下；基于序贯滤波技术利用K个时刻显著性目标的缺失量测，更新完整的目标状态融合估计值
Figure FDA0002659107840000015
获得所有量测的目标状态最优融合估计
Figure FDA0002659107840000016
针对第k个时刻，当NS个传感器中有L个传感器提供的信息为缺失量测值，则数据集为
Figure FDA0002659107840000017
Figure FDA0002659107840000018
表示第NS-L+1个传感器在第k个时刻提供的目标缺失量测值；
则目标状态最优融合估计
Figure FDA0002659107840000019
通过下式获得
Figure FDA00026591078400000110
Figure FDA00026591078400000111
为使用完整量测计算的目标协方差矩阵估计；
Figure FDA00026591078400000112
为信息缺失量测的协方差矩阵。hi为由公共坐标系到测量坐标系映射的非线性函数；
Figure FDA00026591078400000113
为L个传感器提供的目标状态的雅可比矩阵集；
Figure FDA00026591078400000114
表示第NS-L+1个传感器提供目标状态的雅可比矩阵；
步骤六、将所有量测的目标状态最优融合估计
Figure FDA00026591078400000115
通过空间极坐标变换，转换到各个测量坐标系下，基于残留偏差估计空间配准算法，引入各传感器的偏差抖动Δβ，建立似然函数；
偏差抖动：Δβ＝βreal-β′；
其中βreal为传感器偏差真值，β′为当前传感器偏差估计值；
似然函数为：
Figure FDA00026591078400000116
其中Z为K个时刻全部传感器的量测值；Δzk为第k个时刻传感器极坐标系下的全部传感器测量值与目标状态最优融合估计
Figure FDA0002659107840000021
变换到测量坐标系下的值之差；Ω为引入参数；
Figure FDA0002659107840000022
为第k个时刻量测坐标系下的噪声协方差，C3为常值；
步骤七、对各传感器的偏差抖动Δβ分别进行迭代，至收敛求出各传感器系统偏差估计值β′，最后用NS个偏差估计值对NS个传感器的原始量测一一进行偏差补偿，从而完成空间配准；
系统偏差补偿即Z′＝Z-β′。
2.如权利要求1所述的一种信息缺失量测下的多传感器空间配准方法，其特征在于，所述的步骤二中完整量测信息包括完整的距离R、方位θ和俯仰
Figure FDA0002659107840000029
三维信息，信息缺失是指一维或者二维信息。
3.如权利要求1所述的一种信息缺失量测下的多传感器空间配准方法，其特征在于，所述的步骤三中，似然函数为
Figure FDA0002659107840000023
待估参数为ρ＝[X,β]，其中，β为传感器系统偏差，K个时刻所有的目标真实状态为
Figure FDA0002659107840000024
xk是第k个时刻目标的真实状态向量；
Figure FDA0002659107840000025
为公共直角坐标系下的量测噪声协方差，C为常值。
4.如权利要求1所述的一种信息缺失量测下的多传感器空间配准方法，其特征在于，所述的步骤四中，完整的目标状态融合估计值
Figure FDA0002659107840000026
Figure FDA0002659107840000027
表示第k个时刻公共直角坐标系下完整的目标状态融合估计值；
Figure FDA0002659107840000028
CN202010898430.5A 2020-08-31 2020-08-31 一种信息缺失量测下的多传感器空间配准方法 Active CN112163052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010898430.5A CN112163052B (zh) 2020-08-31 2020-08-31 一种信息缺失量测下的多传感器空间配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010898430.5A CN112163052B (zh) 2020-08-31 2020-08-31 一种信息缺失量测下的多传感器空间配准方法

Publications (2)

Publication Number Publication Date
CN112163052A true CN112163052A (zh) 2021-01-01
CN112163052B CN112163052B (zh) 2022-01-07

Family

ID=73858660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010898430.5A Active CN112163052B (zh) 2020-08-31 2020-08-31 一种信息缺失量测下的多传感器空间配准方法

Country Status (1)

Country Link
CN (1) CN112163052B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672862A (zh) * 2021-10-22 2021-11-19 中国石油大学胜利学院 一种测量向量分量缺失情况下欧拉角优化方法
CN114234982A (zh) * 2021-12-20 2022-03-25 中南大学 基于方位角定位的三维轨迹规划方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176220A (zh) * 2011-01-17 2011-09-07 深圳大学 一种同平台配置的雷达与红外传感器进行空间配准的方法
CN106202926A (zh) * 2016-07-11 2016-12-07 河南大学 基于多节点协同探测的空间系统偏差配准优化方法
WO2018086133A1 (en) * 2016-11-14 2018-05-17 SZ DJI Technology Co., Ltd. Methods and systems for selective sensor fusion

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102176220A (zh) * 2011-01-17 2011-09-07 深圳大学 一种同平台配置的雷达与红外传感器进行空间配准的方法
CN106202926A (zh) * 2016-07-11 2016-12-07 河南大学 基于多节点协同探测的空间系统偏差配准优化方法
WO2018086133A1 (en) * 2016-11-14 2018-05-17 SZ DJI Technology Co., Ltd. Methods and systems for selective sensor fusion

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113672862A (zh) * 2021-10-22 2021-11-19 中国石油大学胜利学院 一种测量向量分量缺失情况下欧拉角优化方法
CN114234982A (zh) * 2021-12-20 2022-03-25 中南大学 基于方位角定位的三维轨迹规划方法、系统、设备及介质
CN114234982B (zh) * 2021-12-20 2024-04-16 中南大学 基于方位角定位的三维轨迹规划方法、系统、设备及介质

Also Published As

Publication number Publication date
CN112163052B (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
US11988781B2 (en) Extrinsic calibration method of multiple 3D LiDAR sensors for autonomous navigation system
CN107315171B (zh) 一种雷达组网目标状态与系统误差联合估计算法
CN108896047B (zh) 分布式传感器网络协同融合与传感器位置修正方法
CN109917333B (zh) 融合aoa观测量与tdoa观测量的无源定位方法
CN109856616B (zh) 一种雷达定位相对系统误差修正方法
CN112163052B (zh) 一种信息缺失量测下的多传感器空间配准方法
CN102778224B (zh) 一种基于极坐标参数化的航空摄影测量光束法平差的方法
CN111795686A (zh) 一种移动机器人定位与建图的方法
CN110058205B (zh) 一种基于迭代最近点算法的警戒雷达系统误差校正方法
CN109839620A (zh) 一种联合ads-b的最小二乘雷达系统误差估计方法
CN110672031B (zh) 一种同时以点与面特征约束的三维激光扫描的检校方法
CN113466890B (zh) 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统
CN107229037B (zh) 移动平台传感器量测数据扩维空间配准方法
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
CN111487612B (zh) 基于cpd的异地配置雷达/esm航迹抗差关联方法
CN106969767B (zh) 一种动平台传感器系统偏差的估计方法
CN107576932B (zh) 合作目标与非合作目标共存的交替卡尔曼空间配准方法
CN114529615A (zh) 雷达标定方法、装置及存储介质
CN112034445B (zh) 基于毫米波雷达的车辆运动轨迹跟踪方法和系统
CN111735443B (zh) 一种基于赋值矩阵的密集目标航迹关联方法
CN113933798A (zh) 一种基于相似性原理的全局传感器系统误差分区配准算法
CN116299163A (zh) 无人机航迹规划方法、装置、设备及介质
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
Li et al. Multi-target multi-platform sensor registration in geodetic coordinates
Li et al. Coordinate mapping method of crowdsourced data for indoor fingerprint localization

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