CN112964246B - 无人机多传感器数据融合方法、装置、存储介质及设备 - Google Patents
无人机多传感器数据融合方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN112964246B CN112964246B CN202110536135.XA CN202110536135A CN112964246B CN 112964246 B CN112964246 B CN 112964246B CN 202110536135 A CN202110536135 A CN 202110536135A CN 112964246 B CN112964246 B CN 112964246B
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- target
- combination
- type
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 12
- 238000003745 diagnosis Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
- G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本公开涉及一种无人机多传感器数据融合方法、装置、存储介质及设备。无人机多传感器数据融合方法,包括:获取预设的多个传感器组合;针对每个所述传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对所述第一目标传感器的采集数据进行特征提取,根据提取的所述特征,确定所述第一目标传感器的故障诊断结果,之后根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性;对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。通过本公开,可实现准确获取每种类型的传感器的目标数据。
Description
技术领域
本公开涉及数据处理技术领域,具体地,涉及一种无人机多传感器数据融合方法、装置、存储介质及设备。
背景技术
安全性是制约当前无人机在复杂场景获得更广泛应用的关键问题。在无人机控制系统中,传感器是整个系统中具有感知功能的模块。传感器是无人机控制系统能够保持闭环控制的基础,是实现飞行器控制必不可少的部分。因而传感器采集数据的可靠性也至关重要。
为了确保传感器的采集数据是可靠的,在使用传感器的采集数据之前需要对传感器进行故障检测,以剔除故障传感器的采集数据。
目前,主要通过对传感器进行故障诊断的方式,确定传感器采集数据的可靠性。对传感器进行故障诊断时,根据故障诊断过程中传感器数据的余度特性,可以分为基于硬件余度的故障诊断方法和基于解析余度的故障诊断方法。
基于硬件余度的故障诊断方法需要对监测对象进行多余度配置,然后基于特定的表决方法来判定各余度的置信概率,从而得到被检测对象的健康状态,但是基于硬件余度的传感器故障诊断方法需要较高的成本。
基于解析余度的故障诊断方法即通过解析的方法得到系统状态的估计值,进而得到被监测对象的健康状态,但是基于解析余度的故障诊断方法依赖于精准数学模型的建立。
此外,基于数据驱动的故障诊断方法。基于数据驱动的故障诊断方法多采用机器学习、多元统计分析等手段实现,但是基于数据驱动的故障诊断方法需要大量的传感器故障数据样本,而在实际工程中故障本身是小概率事件,往往没有足够的故障样本来对数据驱动的模型进行训练。
发明内容
本公开的目的是提供一种无人机多传感器数据融合方法、装置、存储介质及设备。
为了实现上述目的,第一方面,本公开提供一种无人机多传感器数据融合方法,包括:获取预设的多个传感器组合,其中,每个传感器组合中包括多种类型的传感器,所述多种类型的传感器所采集的数据之间具有数学关系,且所述多种类型的传感器中包括采集数据为连续数据的第一目标传感器;针对每个所述传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对所述第一目标传感器的采集数据进行特征提取,根据提取的所述特征,确定所述第一目标传感器的故障诊断结果,之后根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,根据所述统数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性;对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
可选地,所述对所述第一目标传感器的采集数据进行特征提取,包括:
对所述第一目标传感器的采集数据进行小波分析,得到所述特征。
可选地,所述根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,包括:
根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行卡尔曼滤波,得到统一数据类型后的数据结果。
可选地,所述传感器组合包括由所述第一目标传感器,和采集数据为非连续数据的第二目标传感器组成的组合;
所述根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性,包括:
若所述故障诊断结果为所述第一目标传感器存在故障,则确定该传感器组合中每种类型的传感器的采集数据为无效数据。
可选地,所述根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性,还包括:
若所述故障诊断结果为所述第一目标传感器不存在故障,则确定所述第一目标传感器的采集数据为有效数据,并根据所述数据结果和所述第一目标传感器的采集数据,确定该传感器组合中所述第二目标传感器是否存在故障;
若确定所述第二目标传感器存在故障,则确定所述第二目标传感器的采集数据为无效数据。
可选地,所述对多个所述传感器组合中相同类型的传感器的采集数据进行融合,获得每种类型的传感器的目标数据,包括:
针对多个相同类型传感器中的每一个传感器,根据与该传感器的有效采集数据对应的数据结果,确定该传感器的权重;
根据每一个相同类型传感器的权重,对相同类型传感器的采集数据进行融合,获得该相同类型的传感器的目标数据。
可选地,所述传感器组合包括由加速度计和全球定位系统GPS组成的组合,或者所述传感器组合包括由加速度计、陀螺仪、和磁力计组成的组合。
第二方面,本公开提供一种无人机多传感器数据融合装置,所述装置包括:
获取模块,用于获取预设的多个传感器组合,其中,每个传感器组合中包括多种类型的传感器,所述多种类型的传感器所采集的数据之间具有数学关系,且所述多种类型的传感器中包括采集数据为连续数据的第一目标传感器;
处理模块,用于针对每个所述传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对所述第一目标传感器的采集数据进行特征提取,根据提取的所述特征,确定所述第一目标传感器的故障诊断结果,之后根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性;
融合模块,用于对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
可选地,所述处理模块采用如下方式对所述第一目标传感器的采集数据进行特征提取:
对所述第一目标传感器的采集数据进行小波分析,得到所述特征。
可选地,所述处理模块采用如下方式根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果:
根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行卡尔曼滤波,得到统一数据类型后的数据结果。
可选地,所述传感器组合包括由所述第一目标传感器,和采集数据为非连续数据的第二目标传感器组成的组合;
所述处理模块采用如下方式根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性:
若所述故障诊断结果为所述第一目标传感器存在故障,则确定该传感器组合中每种类型的传感器的采集数据为无效数据。
可选地,所述处理模块还用于采用如下方式根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性:
若所述故障诊断结果为所述第一目标传感器不存在故障,则确定所述第一目标传感器的采集数据为有效数据,并根据所述数据结果和所述第一目标传感器的采集数据,确定该传感器组合中所述第二目标传感器是否存在故障;
若确定所述第二目标传感器存在故障,则确定所述第二目标传感器的采集数据为无效数据。
可选地,所述融合模块采用如下方式对多个所述传感器组合中相同类型的传感器的采集数据进行融合,获得每种类型的传感器的目标数据:
针对多个相同类型传感器中的每一个传感器,根据与该传感器的有效采集数据对应的数据结果,确定该传感器的权重;
根据每一个相同类型传感器的权重,对相同类型传感器的采集数据进行融合,获得该相同类型的传感器的目标数据
可选地,所述传感器组合包括由加速度计和全球定位系统GPS组成的组合,或者所述传感器组合包括由加速度计、陀螺仪、和磁力计组成的组合。
第三方面,本公开提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
第四方面,本公开提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面中任一项所述方法的步骤。
通过上述技术方案,通过对传感器组合中采集数据为连续数据的第一目标传感器进行特征提取,可准确确定出该第一目标传感器的故障诊断结果,进而基于该传感器组合中传感器所采集的数据之间的数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果。之后可以以第一目标传感器的故障诊断结果为依据,通过统一数据类型后的数据结果和所述故障诊断结果,可准确确定出该传感器组合中每种类型的传感器的采集数据的有效性。进而,基于每个传感器组合中有效的采集数据,对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,可准确获取每种类型的传感器的目标数据。通过本公开,基于信号处理的方式确定第一目标传感器的故障诊断结果,之后根据故障诊断结果和数据融合相结合的综合性方式可准确确定出每种类型传感器的采集数据的有效性,进而基于有效的采集数据,可准确获取每种类型的传感器的目标数据。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种无人机多传感器数据融合方法的流程图。
图2是根据一示例性实施例示出的一种无人机多传感器数据融合方法的流程图。
图3是根据一示例性实施例示出的一种无人机多传感器数据融合装置框图。
图4是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种无人机多传感器数据融合方法的流程图,如图1所示,无人机多传感器数据融合方法,包括以下步骤。
在步骤S11中,获取预设的多个传感器组合。
其中,每个传感器组合中包括多种类型的传感器,多种类型的传感器所采集的数据之间具有数学关系,且多种类型的传感器中包括采集数据为连续数据的第一目标传感器。
本公开中,传感器组合例如可以是针对多旋翼无人机系统的运动传感器,包括由加速度计和全球定位系统GPS组成的组合,或者传感器组合例如可以是包括由加速度计、陀螺仪、和磁力计组成的组合。
其中,包括由加速度计和全球定位系统GPS组成的组合中,由于加速度计可以采集加速度数据,GPS可以采集速度和位移,故加速度计的采集数据和GPS的采集数据之间的数学关系,例如可以是对加速度的采集数据的一次积分得到速度,对加速度的采集数据的二次积分得到位移。
包括由加速度计、陀螺仪、和磁力计组成的组合中,加速度计所采集的数据、陀螺仪所采集的数据和磁力计所采集的数据之间例如可以是满足互补滤波的数学关系。
采集数据为连续数据的第一目标传感器可以理解为测量噪声较小,采集数据不影响实时数据观测的传感器。
在步骤S12中,针对每个传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对第一目标传感器的采集数据进行特征提取,根据提取的特征,确定第一目标传感器的故障诊断结果,之后根据数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,根据统一数据类型后的数据结果和故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性。
由于第一目标传感器的采集数据具有连续变化的特征,故,当传感器发生故障时,第一目标传感器采集的数据会发生明显变化,故,可通过第一目标传感器的采集数据的特征,准确地确定出第一目标传感器是否存在故障,确定第一目标传感器的可靠性。
一种实施方式中,针对每个传感器组合,获取该传感器组合中每种类型的传感器的采集数据之后,可针对第一目标传感器的采集数据基于信号处理的方式进行特征提取,根据提取的特征,可确定第一目标传感器的故障诊断结果。
进而,在确定第一目标传感器的故障诊断结果之后,可根据该传感器组合中,多个传感器所采集数据之间的数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果。根据统一数据类型后的数据结果和故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性。
其中,传感器组合包括由第一目标传感器,和采集数据为非连续数据的第二目标传感器组成的组合。第二目标传感器例如可以是采集数据为非连续数据的传感器。例如第二目标传感器可以是加速度计,在物体在自由落体下落到地面,又从地面反弹的过程中,通过加速度计采集的加速度在物体从地面反弹的时刻,加速度计采集的加速度会发生突变,由此加速度计采集的加速度是不可靠,当加速度计采集的加速度发生突变时,无法确定加速度计发生故障了,还是加速度计采集的正常数据。
故,本公开中,需要以第一目标传感器的故障诊断结果为依据,通过统一数据类型后的数据结果和故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性。
一种实施方式中,若故障诊断结果为第一目标传感器存在故障,则确定该传感器组合中,基于第一目标传感器和其他类型传感器所采集数据之间的数学关系,得到的融合数据不可靠,故,针对该传感器组合中每种类型的传感器的采集数据可确定为无效数据。
一种实施方式中,若故障诊断结果为第一目标传感器不存在故障,则确定该传感器组合中,基于第一目标传感器和其他类型传感器所采集数据之间的数学关系,得到的融合数据是可靠的,故,确定第一目标传感器的采集数据为有效数据,并根据统一数据类型后的数据结果和第一目标传感器的采集数据,确定该传感器组合中其他类型传感器是否存在故障。若确定其他类型传感器存在故障,则确定该其他目标类型传感器的采集数据为无效数据。
在步骤S13中,对多个传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
针对每个传感器组合,根据统一数据类型后的数据结果和故障诊断结果,确定每个传感器组合中有效的采集数据后,可对多个传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
一种实施方式中,可采用如下方式对多个传感器组合中相同类型的传感器的有效采集数据进行融合:
针对多个相同类型传感器中的每一个传感器,根据与该传感器的有效采集数据对应的数据结果,确定该传感器的权重,根据每一个相同类型传感器的权重,对相同类型传感器的采集数据进行融合,获得该相同类型的传感器的目标数据。
在本公开的示例性实施例中,通过对传感器组合中采集数据为连续数据的第一目标传感器进行特征提取,可准确确定出该第一目标传感器的故障诊断结果,进而基于该传感器组合中传感器所采集的数据之间的数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果。之后可以以第一目标传感器的故障诊断结果为依据,通过统一数据类型后的数据结果和故障诊断结果,可准确确定出该传感器组合中每种类型的传感器的采集数据的有效性。进而,基于每个传感器组合中有效的采集数据,对多个传感器组合中相同类型的传感器的有效采集数据进行融合,可准确获取每种类型的传感器的目标数据。通过本公开,基于信号处理的方式确定第一目标传感器的故障诊断结果,之后根据故障诊断结果和数据融合相结合的综合性方式可准确确定出每种类型传感器的采集数据的有效性,进而基于有效的采集数据,可实现准确获取每种类型的传感器的目标数据的目的。
图2是根据一示例性实施例示出的一种无人机多传感器数据融合方法的流程图,如图2所示,无人机多传感器数据融合方法,包括以下步骤。
在步骤S21中,获取预设的多个传感器组合,其中,每个传感器组合中包括多种类型的传感器,多种类型的传感器所采集的数据之间具有数学关系,且多种类型的传感器中包括采集数据为连续数据的第一目标传感器。
在步骤S22中,针对每个传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对第一目标传感器的采集数据进行小波分析,得到采集数据的特征,根据提取的特征,确定第一目标传感器的故障诊断结果。
例如针对传感器组合为包括GPS和加速度计的组合,第一目标传感器为GPS,对第一目标传感器即GPS的采集数据进行小波分析,得到采集数据的特征,例如可通过如下方式得到:
由于小波分析的基底是母小波通过伸缩、平移得到的一个小波族。其中,母小波是定义在有限长时间上的一个快速衰减的函数,并且小波族中各个衍生的小波可以拥有不同的幅值和定义区间。进而传感器采集的信号(数据)在小波空间中能够在不同的时域尺度上展开,使得小波分析拥有更加出色的时域分辨率。
此外,小波分析的优势还在于母小波的多样性。本公开中,小波分析的目的是能够提取第一目标传感器采集的信号中的特征,进而根据提取的特征,确定第一目标传感器的特征是否与故障特征吻合,确定第一目标传感器的故障诊断结果。从信号特征上考虑,如果母小波的形状与传感器故障数据的特征较为相似而与传感器正常数据特征相差较大,则该母小波及其小波族就成为传感器信号故障分析的一个较为理想的选择。在实际的应用中,可以通过选择合适的母小波来获得最佳的信号分析结果。
根据逼近定理Stone-Weierstrass理论,任意平方可积(勒贝格Lebesgue积分)的连续信号都可以通过多项式方程进行拟合,对该理论做进一步拓展后可得出,任意平方可积的连续信号都可以展开为一组小波族的线性叠加,即:
其中,t代表时间,y(t)代表一组小波族的线性叠加后的结果,ξ i (t)为完备空间下的一组基底,a i 为按照基底展开的系数,v(t)为观测噪声。
在小波变换中,作为基底的小波ψ i (t)是根据原始基函数ψ(t)经过平移、伸缩得到,该组基底称为一个小波族,即:
离散小波变换的基本性质是对上述小波族的产生系数(a,b)进行采样以获取离散小波变换的系数,定义采样方式如下:
其中,a表示平移系数,b表示伸缩系数,Ω表示频率,e -jbΩ 表示傅里叶变换,ψ ab (Ω)表示是母小波ψ(aΩ)经过平移伸缩得到的,(m,n)均为整数,a 0 ,b 0 均为确定的常数,由此派生出的小波如下:
其中,m表示平移系数,n表示伸缩系数,将上述小波进行标准正交化,得到正交小波族,则有如下性质:
显然,以上正交小波族在二次可积的空间内是完备的,可以表示任意信号。即:
其中,c mn 表示系数,ψ mn 表示小波,y(t)代表一组小波族的线性叠加后的结果。
由此,根据传感器的故障数据特性,选取合适的小波族,即可对传感器测量数据中符合故障特征的分量进行量化提取,作为故障诊断的依据。
例如针对传感器组合为包括GPS和加速度计的组合,对第一目标传感器即GPS的采集数据分解为完备空间下的一组基底ξ i (t)的线性叠加,得到采集数据的特征y(t)。
在步骤S23中,根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行卡尔曼滤波,得到统一数据类型后的数据结果,根据所述统一数据类型后的数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性。
本公开以传感器组合为包括GPS和加速度计的组合为例,对GPS采集数据和加速度计采集数据通过如下方式进行卡尔曼滤波,得到统一数据类型后的数据结果。
根据卡尔曼滤波理论,建立离散状态空间方程为:
其中,(A,B,H)为符合运算维度的矩阵,x(k)为系统在k时刻的状态向量,y(k)为观测量,对以上过程进行卡尔曼滤波,数学过程如下:
其中,x(k|k-1)是利用上一状态预测的结果,即x(k-1|k-1)是上一状态最优的结果,P(k|k-1)是x(k|k-1)对应的协方差矩阵,P(k-1|k-1)是x(k-1|k-1)对应的协方差矩阵,A为符合运算维度的矩阵,A T 表示A的转置矩阵,Q表示过程噪声矩阵,K为卡尔曼增益矩阵,R是观测噪声矩阵,I为单位矩阵。
在步骤S24中,对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
在本公开的示例性实施例中,通过对传感器组合中采集数据为连续数据的第一目标传感器进行小波分析,可准确确定出该第一目标传感器的故障诊断结果,进而基于该传感器组合中传感器所采集的数据之间的数学关系,对该传感器组合中每种类型的传感器的采集数据进行卡尔曼滤波,得到统一数据类型后的数据结果。之后可以以第一目标传感器的故障诊断结果为依据,通过统一数据类型后的数据结果和所述故障诊断结果,准确确定出该传感器组合中每种类型的传感器的采集数据的有效性。避免了基于数据驱动的传感器故障诊断方法,训练样本不足的弊端,也避免了基于硬件余度的传感器故障诊断方法,成本较高的弊端。
图3是根据一示例性实施例示出的一种无人机多传感器数据融合装置的框图300。参照图3,无人机多传感器数据融合装置包括获取模块301、处理模块302和融合模块303。
其中,获取模块301,用于获取预设的多个传感器组合,其中,每个传感器组合中包括多种类型的传感器,所述多种类型的传感器所采集的数据之间具有数学关系,且所述多种类型的传感器中包括采集数据为连续数据的第一目标传感器;
处理模块302,用于针对每个所述传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对所述第一目标传感器的采集数据进行特征提取,根据提取的所述特征,确定所述第一目标传感器的故障诊断结果,之后根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,根据所述统一数据类型后的数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性;
融合模块303,用于对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
可选地,所述处理模块302采用如下方式对所述第一目标传感器的采集数据进行特征提取:
对所述第一目标传感器的采集数据进行小波分析,得到所述特征。
可选地,所述处理模块302采用如下方式根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果:
根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行卡尔曼滤波,得到统一数据类型后的数据结果。
可选地,所述传感器组合包括由所述第一目标传感器,和采集数据为非连续数据的第二目标传感器组成的组合;
所述处理模块302采用如下方式根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性:
若所述故障诊断结果为所述第一目标传感器存在故障,则确定该传感器组合中每种类型的传感器的采集数据为无效数据。
可选地,所述处理模块302还用于采用如下方式根据所述数据结果和所述故障诊断结果,确定该传感器组合中每种类型的传感器的采集数据的有效性:
若所述故障诊断结果为所述第一目标传感器不存在故障,则确定所述第一目标传感器的采集数据为有效数据,并根据所述数据结果和所述第一目标传感器的采集数据,确定该传感器组合中所述第二目标传感器是否存在故障;
若确定所述第二目标传感器存在故障,则确定所述第二目标传感器的采集数据为无效数据。
可选地,所述融合模块303采用如下方式对多个所述传感器组合中相同类型的传感器的采集数据进行融合,获得每种类型的传感器的目标数据:
针对多个相同类型传感器中的每一个传感器,根据与该传感器的有效采集数据对应的数据结果,确定该传感器的权重;
根据每一个相同类型传感器的权重,对相同类型传感器的采集数据进行融合,获得该相同类型的传感器的目标数据。
可选地,所述传感器组合包括由加速度计和全球定位系统GPS组成的组合,或者所述传感器组合包括由加速度计、陀螺仪、和磁力计组成的组合。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图4是根据一示例性实施例示出的一种电子设备700的框图。如图4所示,该电子设备700可以包括:处理器701,存储器702。该电子设备700还可以包括多媒体组件703,输入/输出(I/O)接口704,以及通信组件705中的一者或多者。
其中,处理器701用于控制该电子设备700的整体操作,以完成上述的无人机多传感器数据融合方法中的全部或部分步骤。存储器702用于存储各种类型的数据以支持在该电子设备700的操作,这些数据例如可以包括用于在该电子设备700上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器702可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件703可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器702或通过通信组件705发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口704为处理器701和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件705用于该电子设备700与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件705可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备700可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的无人机多传感器数据融合方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的无人机多传感器数据融合方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器702,上述程序指令可由电子设备700的处理器701执行以完成上述的无人机多传感器数据融合方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的无人机多传感器数据融合方法的步骤。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的无人机多传感器数据融合方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种无人机多传感器数据融合方法,包括:
获取预设的多个传感器组合,其中,每个传感器组合中包括多种类型的传感器,所述多种类型的传感器所采集的数据之间具有数学关系,且所述多种类型的传感器中包括采集数据为连续数据的第一目标传感器,和采集数据为非连续数据的第二目标传感器组成的组合;
针对每个所述传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对所述第一目标传感器的采集数据进行特征提取,根据提取的所述特征,确定所述第一目标传感器的故障诊断结果,之后根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,若所述故障诊断结果为所述第一目标传感器存在故障,则确定该传感器组合中每种类型的传感器的采集数据为无效数据,若所述故障诊断结果为所述第一目标传感器不存在故障,则确定所述第一目标传感器的采集数据为有效数据,并根据所述数据结果和所述第一目标传感器的采集数据,确定该传感器组合中所述第二目标传感器是否存在故障,若确定所述第二目标传感器存在故障,则确定所述第二目标传感器的采集数据为无效数据;
对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一目标传感器的采集数据进行特征提取,包括:
对所述第一目标传感器的采集数据进行小波分析,得到所述特征。
3.根据权利要求1所述的方法,其特征在于,所述根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,包括:
根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行卡尔曼滤波,得到统一数据类型后的数据结果。
4.根据权利要求1所述的方法,其特征在于,所述对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据,包括:
针对多个相同类型传感器中的每一个传感器,根据与该传感器的有效采集数据对应的数据结果,确定该传感器的权重;
根据每一个相同类型传感器的权重,对相同类型传感器的采集数据进行融合,获得该相同类型的传感器的目标数据。
5.根据权利要求1所述的方法,其特征在于,所述传感器组合包括由加速度计和全球定位系统GPS组成的组合,或者所述传感器组合包括由加速度计、陀螺仪、和磁力计组成的组合。
6.一种无人机多传感器数据融合装置,其特征在于,所述装置包括:
获取模块,用于获取预设的多个传感器组合,其中,每个传感器组合中包括多种类型的传感器,所述多种类型的传感器所采集的数据之间具有数学关系,且所述多种类型的传感器中包括采集数据为连续数据的第一目标传感器,和采集数据为非连续数据的第二目标传感器组成的组合;
处理模块,用于针对每个所述传感器组合,获取该传感器组合中每种类型的传感器的采集数据,之后对所述第一目标传感器的采集数据进行特征提取,根据提取的所述特征,确定所述第一目标传感器的故障诊断结果,之后根据所述数学关系,对该传感器组合中每种类型的传感器的采集数据进行处理,得到统一数据类型后的数据结果,若所述故障诊断结果为所述第一目标传感器存在故障,则确定该传感器组合中每种类型的传感器的采集数据为无效数据,若所述故障诊断结果为所述第一目标传感器不存在故障,则确定所述第一目标传感器的采集数据为有效数据,并根据所述数据结果和所述第一目标传感器的采集数据,确定该传感器组合中所述第二目标传感器是否存在故障,若确定所述第二目标传感器存在故障,则确定所述第二目标传感器的采集数据为无效数据;
融合模块,用于对多个所述传感器组合中相同类型的传感器的有效采集数据进行融合,获得每种类型的传感器的目标数据。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536135.XA CN112964246B (zh) | 2021-05-17 | 2021-05-17 | 无人机多传感器数据融合方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536135.XA CN112964246B (zh) | 2021-05-17 | 2021-05-17 | 无人机多传感器数据融合方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112964246A CN112964246A (zh) | 2021-06-15 |
CN112964246B true CN112964246B (zh) | 2021-08-27 |
Family
ID=76279717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536135.XA Active CN112964246B (zh) | 2021-05-17 | 2021-05-17 | 无人机多传感器数据融合方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112964246B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741388B (zh) * | 2021-08-20 | 2023-09-19 | 东风悦享科技有限公司 | 一种基于自动驾驶感知失效的安全诊断系统及方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344271B (zh) * | 2013-07-22 | 2015-12-23 | 中国航空动力机械研究所 | 传感器故障诊断装置和方法以及传感器的信号采集系统 |
CN105509691B (zh) * | 2015-11-03 | 2018-01-26 | 北京时代拓灵科技有限公司 | 多传感器组融合的检测方法及支持头部跟踪的环绕声方法 |
CN110163075A (zh) * | 2019-03-01 | 2019-08-23 | 东南大学 | 一种基于权值训练的多信息融合故障诊断方法 |
EP3956717A4 (en) * | 2019-04-15 | 2023-01-04 | Magic Leap, Inc. | SENSOR FUSION FOR ELECTROMAGNETIC TRACKING |
CN110263832B (zh) * | 2019-06-11 | 2023-01-06 | 哈尔滨工程大学 | 一种基于多尺度分析的auv导航系统故障诊断方法 |
-
2021
- 2021-05-17 CN CN202110536135.XA patent/CN112964246B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112964246A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2708046B1 (en) | Vehicle context awareness by detecting engine rpm using a motion sensor | |
Liu et al. | Data integrity monitoring method of digital sensors for Internet-of-Things applications | |
CN110533166B (zh) | 一种基于时空间融合特征的室内定位方法 | |
CN109238455B (zh) | 一种基于图论的旋转机械振动信号监测方法及系统 | |
CN112964246B (zh) | 无人机多传感器数据融合方法、装置、存储介质及设备 | |
CN109405827B (zh) | 终端定位方法及装置 | |
US20180180420A1 (en) | Method and System for Improving Inertial Measurement Unit Sensor Signals | |
KR101797870B1 (ko) | 영상통화 품질 측정 방법 및 시스템 | |
NO307197B1 (no) | Apparat og metode for å kalibrere et sensorsystem | |
US20190025435A1 (en) | Cyber-physical system defense | |
Radi et al. | Stochastic error modeling of smartphone inertial sensors for navigation in varying dynamic conditions | |
Ma et al. | Detection and adaptive accommodation for actuator faults of a class of non-linear systems | |
D'Amato et al. | Fault tolerant low cost IMUS for UAVs | |
Alonge et al. | A hybrid observer for localization of mobile vehicles with asynchronous measurements | |
JP4443247B2 (ja) | 状態監視システムおよび状態監視方法 | |
CN114661010B (zh) | 一种基于人工智能的驱动侦测处理方法及云平台 | |
Velázquez et al. | A new algorithm for fault tolerance in redundant sensor systems based on real-time variance estimation | |
Gao et al. | Quantitative analysis of incipient fault detectability for time-varying stochastic systems based on weighted moving average approach | |
Rasoulzadeh et al. | Implementation of A low-cost multi-IMU hardware by using a homogenous multi-sensor fusion | |
Makni et al. | Data fusion‐based descriptor approach for attitude estimation under accelerated maneuvers | |
EP3460405B1 (en) | Crowd-sourced passive positioning and calibration | |
CN110990823B (zh) | 一种基于智能手机传感器的设备指纹提取方法 | |
CN113917506A (zh) | 模糊度固定方法、装置、电子设备及自动驾驶设备 | |
Unsal et al. | Implementation of identification system for IMUs based on Kalman filtering | |
Xie et al. | Adaptive and online fault detection using RPCA algorithm in wireless sensor network nodes |
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 |