CN112561834A - 基于特征函数的并行式多传感器融合滤波方法 - Google Patents
基于特征函数的并行式多传感器融合滤波方法 Download PDFInfo
- Publication number
- CN112561834A CN112561834A CN202011514183.0A CN202011514183A CN112561834A CN 112561834 A CN112561834 A CN 112561834A CN 202011514183 A CN202011514183 A CN 202011514183A CN 112561834 A CN112561834 A CN 112561834A
- Authority
- CN
- China
- Prior art keywords
- calculating
- state
- sensors
- target
- establishing
- 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.)
- Pending
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000004927 fusion Effects 0.000 title claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 abstract 1
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar Systems Or Details Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于特征函数的并行式多传感器融合滤波方法,本发明通过对多个传感器采用并行的设计方式,将所有传感器的测量信息并行起来进行滤波,各个传感器之间相互独立的工作,互不干扰,且不考虑信息的延时和丢包现象,时间效率高。通过并行的融合方式,可以在很大程度减少因信息缺失和传输干扰而导致的滤波估计误差,同时并行式滤波器在传感器数量特别大时,能简化计算复杂度,得到较高的估计精度,能在非线性系统甚至强非线性系统中得到很好的应用。
Description
技术领域
本发明属于非线性动态系统的空间目标跟踪领域,特别涉及一类状态模型为线性,测量模型为强非线性系统的空间目标跟踪领域,可用于在空间目标跟踪过程中,对目标的实时位置和速度的优化处理。
背景技术
滤波方法是状态估计中的重要方法,状态估计在故障诊断、目标跟踪、信号处理、计算机视觉、通信、导航等领域有着非常广泛的应用。
传统的卡尔曼滤波只适用于状态模型和测量模型都为线性,且噪声为高斯白噪声的系统。当系统的噪声不再为高斯白噪声或者系统不再为线性系统时,传统的卡尔曼滤波方法将不再适用。在实际应用系统中,绝大部分系统模型都是非线性或者非高斯的,因此,针对非线性系统或者噪声为非高斯的系统,为了实现其状态估计,在卡尔曼滤波器的基础上,延伸出了多种滤波器。如扩展卡尔曼滤波器(EKF),但其最多只能达到二阶近似,舍弃掉的高阶项的信息会给滤波结果带来一定的误差;无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)都是通过取点近似,对于非线性高斯系统,虽然EKF、UKF及CKF的应用都较为广泛,但其非线性近似都会造成一定误差,并且无法将这三种滤波器应用到非高斯系统,局限性较大。后来发展的粒子滤波器(PF),对于非线性非高斯系统,虽然在理论上得到了较好的解决,但其实现依赖于大量的粒子采样,使得计算复杂度非常高,重采样过程中粒子的退化现象,会降低滤波的速度和精度,影响了实际应用。
对于大量存在的强非线性观测系统,现有滤波方法仍难以很好解决。近期发展起来的特征函数滤波(CFF),只针对状态模型为线性的系统,对其测量模型无要求,对噪声为高斯或者非高斯也无要求,因此CFF有望解决测量模型为强非线性的系统。
虽然特征函数滤波在理论上要优于其他任何一种非线性滤波方法,但其实现都是仅仅针对一个滤波器来说的。在实际使用中只能尽可能降低误差,也不能完全消除误差。造成特征函数滤波精度不高最主要的原因往往来自于四个部分,第一,数据收集不准确。对于空间中运动的目标,其x、y、z轴三个方向上的位置和速度都是实时变化的,如果仅仅只用一个传感器去对目标进行测量,无法全面准确的捕获目标的变化情况。第二,随机噪声设定不准确。在对系统进行建模时,噪声的随机设定也过于理想化,而在实际的空间动态系统中,随着速度的增加,目标受外界环境以及一些随机因素的影响较大,会造成实际的误差与系统设定的随机误差存在较大的偏差。第三,系统模型的复杂度较高。对于空间运动的目标,状态包含x、y、z轴方向上位置和速度六个状态变量,相较于常见的模型,复杂度过高。在实际滤波过程中,每一个状态在更新的时候都会产生一定的误差,综合考虑六个状态模型,误差可能会更大。第四,传感器自身的性能发生变化。由于传感器内部的零件老化或参数因使用年限而发生变化或因受潮而损坏等原因,会造成测量结果的不准确。第五,当传感器的数量又非常大的时候,无法在可控时间内完成时,也会影响估计精度。第六,在融合过程中,滤波器相互之间的干扰也会降低估计精度。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种将多个传感器融合起来的并行式滤波方法。
本发明通过将多个传感器分布在空间中的不同位置,从不同方位来对空间目标进行测量,并且采用并行式的设计,使各个传感器之间相互独立的工作,然后将所有传感器测量得到的信息并行起来,以实现对目标位置和速度的实时跟踪。这种多个传感器融合的滤波方法不仅能在很大程度上提高估计精度,还能降低时间复杂度和计算复杂度,节约通信成本。
为了实现上述目的,本发明采用的技术方案是:
本发明包括如下步骤:
(1)设计状态空间目标跟踪模型,目标在空间中做匀速直线运动的模型如下:
其中,x(k)为系统状态向量,yi(k)为第i组传感器的输出向量;w(k)和vi(k+1)分别是特征函数已知的过程噪声和测量噪声向量,其分布为Fw(x)、Fv(x);A(k+1,k)是已知的状态转移矩阵,G(k+1,k)为已知的过程驱动矩阵,hi(·)是连续光滑的非线性函数,i=1,2,…,N。
(2)在CFF框架下,计算出k+1时刻,每一个传感器的增益矩阵Ki(k+1)
该步骤的具体实施过程如下:
(2d)根据运动学公式,计算状态转移矩阵A(k+1,k);
(2f)根据(2a)计算状态误差方程e(k);
(2g)根据(2f)计算状态误差递推方程e(k+1);
(2h)对(2g)方程两边同时求取特征函数;
(2j)建立滤波器的权重函数矩阵U(t);
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J0(k+1);
(2l)根据(2k)建立滤波器性能指标函数Ji(k+1);
(2m)简化(2l);
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标J'i(k+1);
(2o)建立待估计的滤波增益矩阵Ki(k+1);
(2p)根据(2n)对Ki(k+1)求一阶偏导;
(2q)根据(2n)对Ki(k+1)求二阶偏导;
(2r)根据(2o)、(2q)求出增益矩阵Ki(k+1);
(3a)根据(2r)将所有传感器的增益矩阵并行起来
(3b)根据(2c)将所有传感器的残差信息并行起来
与现有技术相比,本发明具有以下优点:
(1)本发明创建了一种将多个传感器融合起来的算法,从不同位置对目标的状态进行测量,相比于仅仅使用一个传感器得到的估计值更精确。
(2)本发明使用并行式融合的方法,让各个传感器之间相互独立的工作,不考虑信息的延时和丢包,各个传感器之间也不相互影响,估计精度高。
(3)通过本发明的方法可以大幅度提升空间运动目标的跟踪精度。
附图说明
图1为x轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图;
图2为y轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图;
图3为z轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图;
图4为x轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图;
图5为y轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图;
图6为z轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图;
具体实施方式
下面结合附图1-6和实例详细说明本发明的实施方式。
本发明首先将空间目标速度跟踪模型应用到特征函数滤波方法中,将各个传感器的测量信息并行起来进行特征函数滤波,通过不断更新目标与融合中心之间的径向距离和方向角,来对目标的位置和速度实时更新。
本发明是一种应用于空间目标跟踪系统的基于特征函数的并行式多传感器融合滤波方法,包括如下步骤:
步骤1设置系统模型,目标在空间中做匀速直线运动的模型如下:
系统状态方程:
x(k+1)=A(k+1,k)x(k)+G(k+1,k)w(k) (1)
观测方程:
yi(k+1)=hi(x(k+1))+vi(k+1) (2)
上式中,x(k)为系统状态向量,yi(k)为第i组传感器的输出向量;w(k)和vi(k+1)分别是特征函数已知的过程噪声和测量噪声向量,其分布为Fw(x)、Fv(x);A(k+1,k)是已知的状态转移矩阵,G(k+1,k)为已知的过程驱动矩阵,hi(·)是连续光滑的非线性函数。
步骤2在CFF框架下,计算出k+1时刻,每一个传感器的增益矩阵Ki(k+1)
该步骤的具体实施过程如下:
(2d)根据运动学公式,计算状态转移矩阵A(k+1,k)
(2f)根据(2a)计算状态误差方程e(k)
(2g)根据(2f)计算状态误差递推方程e(k+1)
(2h)对(2g)方程两边同时求取特征函数
(2j)建立滤波器的权重函数矩阵
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J0(k+1)
(2l)根据(2k)建立滤波器性能指标函数Ji(k+1)
Ji(k+1)=J0(k+1)+Ki T(k+1)Ri(k+1)Ki(k+1) (14)
(2m)简化(2l),令
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标J'i(k+1)
(2o)建立待估计的滤波增益矩阵Ki(k+1)
(2p)根据(2n)对Ki(k+1)求一阶偏导
(2q)根据(2n)对Ki(k+1)求二阶偏导
(2r)根据(2o)、(2q)求出增益矩阵Ki(k+1)
(3a)将所有传感器的增益矩阵并行起来
(3b)将所有传感器的残差信息并行起来
至此,基于特征函数的并行式多传感器融合滤波方法设计全部完成。
本发明的效果可以通过以下仿真结果和现场测试进一步说明:
空间运动目标的目标跟踪模型如下:
系统状态方程为:
观测方程为:
滤波器的权重函数其中μ=[0.0001,0.0001,0.00015]T,M1=0.0005I,M2=0.0004I,M3=0.0003I;权重矩阵R(k)=diag([6×10-5,5×10-5,4×10-5,3×10-5,2×10-5,2×10-5]),初始条件为x(0)=[20,5,12,5,8,10]T,过程噪声方差Qw=diag([0.004,0.003,0.003,0.002,0.002,0.001])。
本发明仿真部分采用三个传感器来进行实验,三个传感器的测量噪声方差分别为Qv1=diag([0.004,0.004,0.004]),Qv2=diag([0.003,0.003,0.004]),Qv3=diag([0.002,0.002,0.003])。
实验结果分析
图1到图6分别给出了x、y、z轴方向上目标位置和速度的单个传感器与多个传感器融合滤波的误差图;
记录数据如下:
通过实验数据和仿真结果,可以看到,在基于特征函数滤波的基础上,使用多个传感器并行式融合的方法要比仅使用一个传感器的滤波精度更高。这是因为多个传感器从不同的位置对空间运动目标的位置和速度进行测量,并对得到的数据实时更新,减少外界环境、噪声以及一些不可控因素等对实验结果的干扰,并且不考虑信息的延时和丢包,各个传感器之间相互独立的工作,不存在相互干扰,从而能够达到更精确的滤波结果,算法复杂度低,估计精度高。因此,上述实验表明本发明方法的有效性。
Claims (1)
1.基于特征函数的并行式多传感器融合滤波方法,应用于空间目标跟踪系统,包括步骤如下:
(1)设计状态空间目标跟踪模型,目标在空间中做匀速直线运动的模型如下:
其中,x(k)为系统状态向量,yi(k)为第i组传感器的输出向量;w(k)和vi(k+1)分别是特征函数已知的过程噪声和测量噪声向量,其分布为Fw(x)、Fv(x);A(k+1,k)是已知的状态转移矩阵,G(k+1,k)为已知的过程驱动矩阵,hi(·)是连续光滑的非线性函数,i=1,2,…,N;
(2)在CFF框架下,计算出k+1时刻,每一个传感器的增益矩阵Ki(k+1)
该步骤的具体实施过程如下:
(2d)根据运动学公式,计算状态转移矩阵A(k+1,k);
(2f)根据(2a)计算状态误差方程e(k);
(2g)根据(2f)计算状态误差递推方程e(k+1);
(2h)对(2g)状态误差递推方程两边同时求取特征函数;
(2j)建立滤波器的权重函数矩阵U(t);
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J0(k+1);
(2l)根据(2k)建立滤波器性能指标函数Ji(k+1);
(2m)简化滤波器性能指标函数Ji(k+1)中的参数;
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标J'i(k+1);
(2o)建立待估计的滤波增益矩阵Ki(k+1);
(2p)根据(2n)对Ki(k+1)求一阶偏导;
(2q)根据(2n)对Ki(k+1)求二阶偏导;
(2r)根据(2o)、(2q)求出增益矩阵Ki(k+1);
(3a)根据(2r)将所有传感器的增益矩阵并行起来;
(3b)根据(2c)将所有传感器的残差信息并行起来;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514183.0A CN112561834A (zh) | 2020-12-21 | 2020-12-21 | 基于特征函数的并行式多传感器融合滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514183.0A CN112561834A (zh) | 2020-12-21 | 2020-12-21 | 基于特征函数的并行式多传感器融合滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112561834A true CN112561834A (zh) | 2021-03-26 |
Family
ID=75030620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011514183.0A Pending CN112561834A (zh) | 2020-12-21 | 2020-12-21 | 基于特征函数的并行式多传感器融合滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561834A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772524A (zh) * | 2016-11-25 | 2017-05-31 | 安徽科技学院 | 一种基于秩滤波的农业机器人组合导航信息融合方法 |
CN109489987A (zh) * | 2018-10-12 | 2019-03-19 | 南京航空航天大学 | 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法 |
CN109543143A (zh) * | 2019-01-28 | 2019-03-29 | 杭州电子科技大学 | 非线性带偏差系统的多传感器融合估计方法 |
CN110119588A (zh) * | 2019-05-21 | 2019-08-13 | 杭州电子科技大学 | 基于扩展卡尔曼滤波状态估计值的在线优化设计方法 |
CN111756353A (zh) * | 2020-06-12 | 2020-10-09 | 杭州电子科技大学 | 一种基于非线性融合滤波的液位仪噪声优化方法 |
-
2020
- 2020-12-21 CN CN202011514183.0A patent/CN112561834A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772524A (zh) * | 2016-11-25 | 2017-05-31 | 安徽科技学院 | 一种基于秩滤波的农业机器人组合导航信息融合方法 |
CN109489987A (zh) * | 2018-10-12 | 2019-03-19 | 南京航空航天大学 | 涡扇发动机测量偏置容错的气路性能分布式滤波估计方法 |
CN109543143A (zh) * | 2019-01-28 | 2019-03-29 | 杭州电子科技大学 | 非线性带偏差系统的多传感器融合估计方法 |
CN110119588A (zh) * | 2019-05-21 | 2019-08-13 | 杭州电子科技大学 | 基于扩展卡尔曼滤波状态估计值的在线优化设计方法 |
CN111756353A (zh) * | 2020-06-12 | 2020-10-09 | 杭州电子科技大学 | 一种基于非线性融合滤波的液位仪噪声优化方法 |
Non-Patent Citations (2)
Title |
---|
CHEN WEIJIE 等: "Multi-dimensional Observation Characteristic Function Filtering Based On Fixed Point Equation", 《THE 2018 INTERNATIONAL CONFERENCE ON CONTROL AUTOMATION & INFORMATION SCIENCES (ICCAIS 2018)》, pages 118 - 123 * |
陈炜杰: "基于特征函数的滤波方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
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 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN108267731A (zh) | 无人机目标跟踪系统的构建方法及应用 | |
CN110941183A (zh) | 一种基于神经网络的工业机器人动力学辨识方法 | |
CN110209180A (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
CN111444474B (zh) | 一种基于乘性噪声相关自适应ckf的目标跟踪方法 | |
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
CN109648556B (zh) | 基于数据驱动的机械臂位置级联分数阶控制方法及系统 | |
CN112489075B (zh) | 基于特征函数的序惯式多传感器融合滤波方法 | |
CN109115228B (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN112649804A (zh) | 基于特征函数的集中式多传感器融合滤波方法 | |
CN113608442A (zh) | 基于特征函数的非线性状态模型系统的状态估计方法 | |
CN112561834A (zh) | 基于特征函数的并行式多传感器融合滤波方法 | |
CN112986978A (zh) | 一种雷达目标跟踪滤波的信任度获取方法 | |
CN115979245B (zh) | 一种自校准估计的磁感应网络定位方法 | |
CN116659504A (zh) | 一种基于卡尔曼滤波法的实时飞行数据估计方法 | |
CN109655057B (zh) | 一种六推无人机加速器测量值的滤波优化方法及其系统 | |
CN114516050B (zh) | 基于位形雅可比条件数优化的机器人外力估计方法及系统 | |
CN113110028B (zh) | 一种飞行环境模拟控制系统的环境信号处理方法 | |
CN110888142A (zh) | 基于mems激光雷达测量技术的航天器隐藏目标点测量方法 | |
CN113110021B (zh) | 一种用于伺服系统辨识与控制器设计的方法 | |
CN104268597A (zh) | 基于ahcif的集中式测量值扩维融合方法 | |
CN110595470A (zh) | 一种基于外定界椭球集员估计的纯方位目标跟踪方法 | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 |
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 |