CN113950018A - 一种异步多传感器网络系统及全局椭球状态估计方法 - Google Patents

一种异步多传感器网络系统及全局椭球状态估计方法 Download PDF

Info

Publication number
CN113950018A
CN113950018A CN202111191234.5A CN202111191234A CN113950018A CN 113950018 A CN113950018 A CN 113950018A CN 202111191234 A CN202111191234 A CN 202111191234A CN 113950018 A CN113950018 A CN 113950018A
Authority
CN
China
Prior art keywords
ellipsoid
state estimation
local
state
global
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
CN202111191234.5A
Other languages
English (en)
Other versions
CN113950018B (zh
Inventor
严怀成
李同德
张皓
李郅辰
王孟
田永笑
陈辉
张长柱
王曰英
施开波
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.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
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 East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN202111191234.5A priority Critical patent/CN113950018B/zh
Publication of CN113950018A publication Critical patent/CN113950018A/zh
Application granted granted Critical
Publication of CN113950018B publication Critical patent/CN113950018B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明涉及一种基于集员滤波的异步多传感器网络系统，该系统包括：传感器采样单元：包括用以采集无人小车模型当前信息的智能传感器；局部处理器单元：包括进行局部椭球状态估计的局部处理器，用以减少数据传输过程中产生的估计误差；通讯网络单元：包括通讯网络通道；融合中心单元：包括用以接收每个局部处理器发送的局部椭球状态估计，并通过融合规则得到最终全局椭球状态估计的中心处理器。与现有技术相比，本发明考虑到在复杂网络环境的情况使得系统中出现有界未知噪声，并且每个传感器的采样率出现不一致的情况下，能够有效地提高系统的估计性能，并大幅度减少复杂网络环境所带来的影响。

Description

一种异步多传感器网络系统及全局椭球状态估计方法
技术领域
本发明涉及无人汽车状态估计系统及设计领域，尤其是涉及一种基于集员滤波的异步多传感器网络系统及全局椭球状态估计方法。
背景技术
随着智能科技在人们生活中的普及，无人驾驶汽车也受到了人们广泛的关注，将会成为未来道路交通的主要因素之一。而无人驾驶汽车最受人质疑的一点就是安全问题，当只靠计算机来操控和驾驶汽车的时候是否会导致一些安全事故的发生，而作为一个靠通讯网络和智能计算机作为驾驶员来汽车实时驾驶的时候，最怕遇到的问题就是当所处的网络环境复杂的时候，是否还能对汽车的位置信息和道路交通信息有一个最精确的定位将成为一个必须要考虑的因素。最近，对于在复杂网络环境下的目标对象状态估计问题也受到了许多研究人员的关注。
在最近的几十年里，网络通信技术和智能传感技术得到了飞速的发展，这些技术涉及各个领域，其中网络化系统是一个有代表性的领域。网络化系统是一个通过通信网络传输和交换每一个系统组件的信息，从而达到对整个系统全方位实时控制的系统。网络化系统中包括目标对象、一个或多个传感器、估计器、控制器和执行器，通过这些系统组件的协同配合使得网络化系统，相比于传统的连接方式，具有可远程操作、系统资源共享、成本低、高鲁棒性和易于诊断等优点。而在网络化系统中的一个重要的分支就是多传感器网络系统，多传感器网络系统广泛应用于目标跟踪、综合导航、工业监测和机器人路径规划等军用和民用领域。由于多传感器网络系统通过将多个传感器随机的分布在目标对象周围，对采集的测量信息进行一个综合的估计和计算，极大的增强了系统的可扩展性和故障容错性。
同时，由于复杂的网络环境存在着一系列噪声信号的干扰，导致传感器采集数据的时间发生偏差，并且系统噪声也变得复杂，如有界未知噪声等。当系统存在有界位置噪声的干扰下，一般的滤波算法是不能够对目标对象的状态有一个良好的估计，而且也会导致系统性能下降。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于集员滤波的异步多传感器网络系统及全局椭球状态估计方法。
本发明的目的可以通过以下技术方案来实现：
一种基于集员滤波的异步多传感器网络系统，该系统包括：
传感器采样单元：包括贴附在无人小车模型上用以通过多个角度采集无人小车模型当前信息的智能传感器；
局部处理器单元：包括对智能传感器采集到的数据进行局部椭球状态估计的局部处理器，用以减少数据传输过程中产生的估计误差；
通讯网络单元：包括用以将每个局部处理器得到的局部椭球状态估计发送到融合中心单元进行集中融合处理的通讯网络通道；
融合中心单元：包括用以接收每个局部处理器发送的局部椭球状态估计，并通过融合规则得到最终全局椭球状态估计的中心处理器。
一种应用基于集员滤波的异步多传感器网络系统的全局椭球状态估计方法，包括以下步骤：
1)建立无人小车模型的离散化模型；
2)建立无人小车模型的智能传感器采样模型；
3)建立单速率无人小车模型；
4)建立估计器模型；
5)局部处理器根据每个智能传感器的测量输出，获取每个智能传感器的局部椭球估计；
6)中心处理器根据接收到的局部椭球估计，设计适用于异步多传感器网络系统的融合策略，根据所有局部椭球状态估计获取全局椭球状态估计。
所述的步骤1)中，无人小车模型的离散化模型的表达式为：
x(t+1)＝A(t)x(t)+B(t)w(t)
其中，x(t)为t时刻无人小车模型的状态变量，A(t)和B(t)分别为系统中的时变矩阵，w(t)为有界未知的系统噪声，其具体形式通过椭球表示为：
Figure BDA0003301185740000021
其中，Qt为系统方程噪声矩阵。
所述的步骤2)中，无人小车模型的智能传感器采样模型表示为：
yi(kni)＝Ci(kni)x(kni)+Di(kni)vi(kni)
其中，yi(kni)为在kni时刻智能传感器的测量输出信息，Ci(kni)和Di(kni)均为第i个智能传感器的时变测量矩阵，kni为第k个采样时刻，ni为采样率，vi(kni)表示有界未知的测量噪声，其具体形式通过椭球表示为：
Figure BDA0003301185740000031
其中，
Figure BDA0003301185740000032
为第i个传感器在t时刻的噪声矩阵。
所述的步骤3)中，单速率无人小车模型的表达式为：
Figure BDA0003301185740000033
yi(kni)＝Ci(kni)x(kni)+Di(kni)vi(kni)
对于i＝1,2,…,N，则有：
Figure BDA0003301185740000034
Figure BDA0003301185740000035
Figure BDA0003301185740000036
其中，
Figure BDA0003301185740000037
为单速率模型下的状态矩阵，x(kni)、x((k+1)ni)分别为kni和(k+1)ni时刻的系统状态，Φ(kni)为状态方程噪声的矩阵，
Figure BDA0003301185740000038
为单速率模型下的噪声，j为整数变量，N为传感器总数。
所述的步骤4)中，估计器模型的表达式为：
Figure BDA0003301185740000039
其中，
Figure BDA00033011857400000310
分别为第i个传感器对系统状态x(kni)和xi((k+1)ni)的局部椭球估计，Gi(kni)和Li(kni)为需要被确定的估计器参数，yi((k+1)ni)为第i个传感器在(k+1)ni时刻的测量值。
所述的步骤5)具体包括以下步骤：
51)获取无人小车模型初始时刻的椭球状态X(0)，则有：
Figure BDA00033011857400000311
其中，Po＝Po T＞0为一个给定的已知矩阵；
52)根据Schur引理和S过程，获取在kni时刻系统状态x(kni)位于椭球估计
Figure BDA0003301185740000041
中，则下一步的系统状态x((k+1)ni)将位于椭球估计
Figure BDA0003301185740000042
中，当存在矩阵Pi(k+1)＞0，Gi(kni)，Li(kni)和正标量
Figure BDA0003301185740000043
和
Figure BDA0003301185740000044
的充分条件时，则有：
Figure BDA0003301185740000045
Figure BDA0003301185740000046
Figure BDA0003301185740000047
Figure BDA0003301185740000048
其中，Pi((k+1)ni为(k+1)ni时刻的协方差矩阵，Ψi(kni)、
Figure BDA0003301185740000049
为中间变量，Li(kni)为增益矩阵，Ci((k+1)ni)为测量方程的测量矩阵，Ei(kni)为Pi(k)＝Ei(kni)Ei(kni)T的因式分解，
Figure BDA00033011857400000410
表示集合形式，
Figure BDA00033011857400000411
均为噪声协方差矩阵；
53)通过求解凸组合问题获取局部椭球估计，该凸组合问题具体为：
Figure BDA00033011857400000412
其中，trace(·)表示矩阵的迹，通过确定Pi((k+1)ni)的迹的最小值得到参数Gi(kni)和Li(kni)，从而获得局部最优椭球状态估计
Figure BDA00033011857400000413
所述的步骤5)中，第i个智能传感器在kni时刻的局部椭球估计Xi(kni)为：
Figure BDA00033011857400000414
所述的步骤6)具体包括以下步骤：
61)将发送到融合中心单元的局部椭球状态估计按时间先后顺序重新排序；
62)利用Minkowski方法求出无人小车模型在kni时刻的全局椭球状态估计
Figure BDA00033011857400000415
则有：
Figure BDA00033011857400000416
Figure BDA00033011857400000417
其中，
Figure BDA00033011857400000418
为全局椭球状态估计值，Ξt为集合，且Ξt＝{i|t＝γini,γi是正整数,i＝1,2,···,N}，当t时刻的集合Ξt为空集时，局部椭球状态估计不能被融合。
所述的步骤6)中，kni时刻的全局椭球状态估计X(kni)为：
Figure BDA0003301185740000051
其中，M为在kni时刻局部椭球估计的个数。
与现有技术相比，本发明具有以下优点：
一、本发明状态估计的设计方法简单，能够有效的改善复杂网络环境带来了一系列影响，提高系统的估计性能，同时也能有效的降低融合中心的计算负担，提高该方法的可实施性。
二、本发明估计对象要求简单，只利用汽车外部传感器的可观测输出变量，采用局部处理器对测量值进行局部椭球估计，实现对汽车状态信息进行观测，对汽车模型无其他要求。
三、本发明考虑到了传感器采样频率不一致的现象，针对这种异步采样现象，提出了改进的并集融合方法，提高了系统的性能，也增加了系统的鲁棒性。
四、本发明可以有效的抵抗外部干扰，在建立系统噪声模型的时候采用了有界未知噪声的形式，针对各种形式的噪声本发明都可以对系统状态信息进行有效的估计。
附图说明
图1为本发明基于集员滤波的异步多传感器网络系统结构示意图。
图2为无人小车的位移曲线对比图。
图3为无人小车的速度曲线对比图。
图4为无人小车的加速度曲线对比图。
图5为基于集员滤波的异步多传感器网络系统估计误差曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示，本发明提供一种基于集员滤波的异步多传感器网络系统，用以进行无人小车模型的状态估计，该系统包括：
传感器采样单元：包括贴附在无人小车模型上的多个角度用以采集无人小车模型当前信息的智能传感器；
局部处理器单元：包括对传感器采集的数据进行局部椭球状态估计的局部处理器，用以减少数据传输过程中带来的各种估计误差；
通讯网络单元：包括将每个局部处理器单元得到的局部椭球状态估计发送到融合中心进行集中融合处理的通讯网络通道；
融合中心单元：包括接收每个局部处理器发送到融合中心的局部估计，并通过融合规则得到最终全局椭球状态估计的中心处理器。
应用该基于集员滤波的异步多传感器网络系统的全局椭球状态估计方法包括如下步骤：
(1)建立无人小车模型的离散化模型，其表达式为：
x(k+1)＝A(k)x(k)+B(k)w(k) (1)
其中，x(k)为无人小车模型的状态变量，A(k)和B(k)是系统中具有一定维度的时变矩阵，w(k)是有界未知的系统噪声，具体形式可以用如下的椭球表示为：
Figure BDA0003301185740000061
(2)建立无人小车模型的传感器采样模型，由于每个传感器的采样率不同，用ni表示第i个传感器的采样间隔，并且ni为正整数，那么第i个传感器的采样模型表达式为：
yi(kni)＝Ci(kni)x(kni)+Di(kni)vi(kni) (3)
其中，yi(kni)是在kni时刻的测量输出信息，Ci(kni)和Di(kni)都是第i个传感器具有一定维度的时变测量矩阵，v(k)表示有界未知的测量噪声，具体形式可以用如下的椭球表示为：
Figure BDA0003301185740000062
(3)建立单速率无人小车模型，具体为：
Figure BDA0003301185740000063
yi(kni)＝Ci(kni)x(kni)+Di(kni)vi(kni) (6)
其中，对于i＝1,2,…,N有
Figure BDA0003301185740000064
Figure BDA0003301185740000065
Figure BDA0003301185740000066
(4)建立估计器模型：
Figure BDA0003301185740000071
其中，
Figure BDA0003301185740000072
是第i个传感器对系统状态x(kni)的局部椭球估计，Gi(kni)和Li(kni)是需要被确定的估计器参数，yi((k+1)ni)是第i个传感器在(k+1)ni时刻的测量值。
(5)根据每个传感器的测量输出，计算出每个传感器的局部椭球估计，第i个传感器在kni时刻的局部椭球估计Xi(kni)为
Figure BDA0003301185740000073
(6)根据融合中心接收到的局部椭球估计，设计出一个适用于异步多传感器网络系统的融合策略，对kni时刻的所有局部椭球状态估计，可以得到kni时刻的全局椭球状态估计为
Figure BDA0003301185740000074
其中，M表示的是在kni时刻拥有的局部椭球估计个数。
步骤(5)具体包括以下步骤：
(a)给出无人小车模型初始时刻的椭球状态：
Figure BDA0003301185740000075
其中，Po＝Po T＞0是一个给定的已知矩阵。
(b)利用Schur引理和S过程，推导出在kni时刻系统状态x(kni)位于椭球估计
Figure BDA0003301185740000076
中，那么一步状态x((k+1)ni)将位于椭球估计
Figure BDA0003301185740000077
中，只要存在矩阵Pi(k+1)＞0，Gi(kni)，Li(kni)和正标量
Figure BDA0003301185740000078
和
Figure BDA0003301185740000079
的充分条件，则有：
Figure BDA00033011857400000710
其中，
Figure BDA00033011857400000711
Figure BDA00033011857400000712
Figure BDA00033011857400000713
(c)通过解决一个凸组合问题来推导出局部椭球估计，具体形式如下：
Figure BDA00033011857400000714
其中，确定Pi((k+1)ni)的迹的最小值来得到参数Gi(kni)和Li(kni)，从而获得局部最优椭球状态估计
Figure BDA0003301185740000081
步骤(6)具体包括以下步骤：
(a)将发送到融合中心的局部椭球状态估计按时间先后重新排序；
(b)利用Minkowski和方法求出无人小车模型在kni时刻的全局椭球状态估计
Figure BDA0003301185740000082
则有：
Figure BDA0003301185740000083
Figure BDA0003301185740000084
实施例
以实际的无人小车模型为例：
基于以上的集员滤波的异步多传感器网络系统的全局椭球状态估计方法，设计出无人小车系统模型，得到对应的仿真和具体建模过程如下：
考虑一个基于网络的试验台的无人小车系统，它由一个装置(直流伺服系统)和一个遥控器组成，其中设备和控制器通过通信网络连接。这个直流伺服系统的参数如下
Figure BDA0003301185740000085
这个系统是由两个传感器共同测量数据的变化，假设两个传感器的采样间隔分别为n1＝1,n2＝2。系统方程噪声矩阵Qk＝0.25I，而测量方程噪声矩阵分别为
Figure BDA0003301185740000086
和
Figure BDA0003301185740000087
基于上述推导的算法和仿真软件，结合给定的参数，可以得到图2、图3和图4，其中图2表示实际的系统状态和全局椭球状态估计还有上下界约束中的第一个分量的图形，图3表示实际的系统状态和全局椭球状态估计还有上下界约束中的第二个分量的图形，图4表示实际的系统状态和全局椭球状态估计还有上下界约束中的第三个分量的图形。从中可以看出全局椭球估计可以对系统状态有一个很好的估计，并且都在上下界范围之内。通过图5也可以看出该方法是稳定的，状态估计误差协方差矩阵的迹是收敛的，还能够有效减少数据传递次数，降低通信负载。
综上，本发明采用集员滤波技术可以有效的利用椭球状态估计来实现对目标对象状态的集合估计，使目标对象的实际状态位于该椭球集合内，并通过求解最优化问题，得到当前时刻的最优值，同时为了增加系统的稳定性，减少通讯网络问题带来的影响，采用分布融合估计对目标对象进行融合估计会提高系统的估计性能。在这种实现中，安装在无人驾驶汽车上的每个智能传感器都会对采集的数据信息进行局部椭球估计，然后将局部椭球状态估计通过通讯网络发送到融合中心处理器，由融合中心计算出最终的全局椭球状态估计。

Claims (10)

1.一种基于集员滤波的异步多传感器网络系统，其特征在于，该系统包括：
传感器采样单元：包括贴附在无人小车模型上用以通过多个角度采集无人小车模型当前信息的智能传感器；
局部处理器单元：包括对智能传感器采集到的数据进行局部椭球状态估计的局部处理器，用以减少数据传输过程中产生的估计误差；
通讯网络单元：包括用以将每个局部处理器得到的局部椭球状态估计发送到融合中心单元进行集中融合处理的通讯网络通道；
融合中心单元：包括用以接收每个局部处理器发送的局部椭球状态估计，并通过融合规则得到最终全局椭球状态估计的中心处理器。
2.一种应用如权利要求1所述的基于集员滤波的异步多传感器网络系统的全局椭球状态估计方法，其特征在于，包括以下步骤：
1)建立无人小车模型的离散化模型；
2)建立无人小车模型的智能传感器采样模型；
3)建立单速率无人小车模型；
4)建立估计器模型；
5)局部处理器根据每个智能传感器的测量输出，获取每个智能传感器的局部椭球估计；
6)中心处理器根据接收到的局部椭球估计，设计适用于异步多传感器网络系统的融合策略，根据所有局部椭球状态估计获取全局椭球状态估计。
3.根据权利要求2所述的全局椭球状态估计方法，其特征在于，所述的步骤1)中，无人小车模型的离散化模型的表达式为：
x(t+1)＝A(t)x(t)+B(t)w(t)
其中，x(t)为t时刻无人小车模型的状态变量，A(t)和B(t)分别为系统中的时变矩阵，w(t)为有界未知的系统噪声，其具体形式通过椭球表示为：
Figure FDA0003301185730000011
其中，Qt为系统方程噪声矩阵。
4.根据权利要求3所述的全局椭球状态估计方法，其特征在于，所述的步骤2)中，无人小车模型的智能传感器采样模型表示为：
yi(kni)＝Ci(kni)x(kni)+Di(kni)vi(kni)
其中，yi(kni)为在kni时刻智能传感器的测量输出信息，Ci(kni)和Di(kni)均为第i个智能传感器的时变测量矩阵，kni为第k个采样时刻，ni为采样率，vi(kni)表示有界未知的测量噪声，其具体形式通过椭球表示为：
Figure FDA0003301185730000021
其中，
Figure FDA0003301185730000022
为第i个传感器在t时刻的噪声矩阵。
5.根据权利要求4所述的全局椭球状态估计方法，其特征在于，所述的步骤3)中，单速率无人小车模型的表达式为：
Figure FDA0003301185730000023
yi(kni)＝Ci(kni)x(kni)+Di(kni)vi(kni)
对于i＝1,2,…,N，则有：
Figure FDA0003301185730000024
Figure FDA0003301185730000025
Figure FDA0003301185730000026
其中，
Figure FDA0003301185730000027
为单速率模型下的状态矩阵，x(kni)、x((k+1)ni)分别为kni和(k+1)ni时刻的系统状态，Φ(kni)为状态方程噪声的矩阵，
Figure FDA0003301185730000028
为单速率模型下的噪声，j为整数变量，N为传感器总数。
6.根据权利要求2所述的全局椭球状态估计方法，其特征在于，所述的步骤4)中，估计器模型的表达式为：
Figure FDA0003301185730000029
其中，
Figure FDA00033011857300000210
分别为第i个传感器对系统状态x(kni)和xi((k+1)ni)的局部椭球估计，Gi(kni)和Li(kni)为需要被确定的估计器参数，yi((k+1)ni)为第i个传感器在(k+1)ni时刻的测量值。
7.根据权利要求6所述的全局椭球状态估计方法，其特征在于，所述的步骤5)具体包括以下步骤：
51)获取无人小车模型初始时刻的椭球状态X(0)，则有：
Figure FDA0003301185730000031
其中，
Figure FDA0003301185730000032
为一个给定的已知矩阵；
52)根据Schur引理和S过程，获取在kni时刻系统状态x(kni)位于椭球估计
Figure FDA0003301185730000033
中，则下一步的系统状态x((k+1)ni)将位于椭球估计
Figure FDA0003301185730000034
中，当存在矩阵Pi(k+1)＞0，Gi(kni)，Li(kni)和正标量
Figure FDA0003301185730000035
和
Figure FDA0003301185730000036
的充分条件时，则有：
Figure FDA0003301185730000037
Figure FDA0003301185730000038
Figure FDA0003301185730000039
Figure FDA00033011857300000310
其中，Pi((k+1)ni为(k+1)ni时刻的协方差矩阵，Ψi(kni)、
Figure FDA00033011857300000311
为中间变量，Li(kni)为增益矩阵，Ci((k+1)ni)为测量方程的测量矩阵，Ei(kni)为Pi(k)＝Ei(kni)Ei(kni)T的因式分解，
Figure FDA00033011857300000312
表示集合形式，
Figure FDA00033011857300000313
均为噪声协方差矩阵；
53)通过求解凸组合问题获取局部椭球估计，该凸组合问题具体为：
Figure FDA00033011857300000314
其中，trace(·)表示矩阵的迹，通过确定Pi((k+1)ni)的迹的最小值得到参数Gi(kni)和Li(kni)，从而获得局部最优椭球状态估计
Figure FDA00033011857300000315
8.根据权利要求7所述的全局椭球状态估计方法，其特征在于，所述的步骤5)中，第i个智能传感器在kni时刻的局部椭球估计Xi(kni)为：
Figure FDA00033011857300000316
9.根据权利要求7所述的全局椭球状态估计方法，其特征在于，所述的步骤6)具体包括以下步骤：
61)将发送到融合中心单元的局部椭球状态估计按时间先后顺序重新排序；
62)利用Minkowski方法求出无人小车模型在kni时刻的全局椭球状态估计
Figure FDA00033011857300000317
则有：
Figure FDA00033011857300000318
Figure FDA0003301185730000041
其中，
Figure FDA0003301185730000042
为全局椭球状态估计值，Ξt为集合，且Ξt＝{i|t＝γini,γi是正整数,i＝1,2,···,N}，当t时刻的集合Ξt为空集时，局部椭球状态估计不能被融合。
10.根据权利要求9所述的全局椭球状态估计方法，其特征在于，所述的步骤6)中，kni时刻的全局椭球状态估计X(kni)为：
Figure FDA0003301185730000043
其中，M为在kni时刻局部椭球估计的个数。
CN202111191234.5A 2021-10-13 2021-10-13 一种异步多传感器网络系统及全局椭球状态估计方法 Active CN113950018B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111191234.5A CN113950018B (zh) 2021-10-13 2021-10-13 一种异步多传感器网络系统及全局椭球状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111191234.5A CN113950018B (zh) 2021-10-13 2021-10-13 一种异步多传感器网络系统及全局椭球状态估计方法

Publications (2)

Publication Number Publication Date
CN113950018A true CN113950018A (zh) 2022-01-18
CN113950018B CN113950018B (zh) 2023-10-27

Family

ID=79330373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111191234.5A Active CN113950018B (zh) 2021-10-13 2021-10-13 一种异步多传感器网络系统及全局椭球状态估计方法

Country Status (1)

Country Link
CN (1) CN113950018B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897091A (zh) * 2022-05-27 2022-08-12 江南大学 一种高端电池智能工厂端级数据融合方法
CN115022348A (zh) * 2022-05-27 2022-09-06 江南大学 一种高端电池智能工厂云级架构数据存储方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109606378A (zh) * 2018-11-19 2019-04-12 江苏大学 面向非高斯噪声环境的车辆行驶状态估计方法
US20190319868A1 (en) * 2019-06-25 2019-10-17 Intel Corporation Link performance prediction technologies
CN110595470A (zh) * 2018-06-13 2019-12-20 刘玉双 一种基于外定界椭球集员估计的纯方位目标跟踪方法
CN111427007A (zh) * 2020-04-24 2020-07-17 山东科技大学 基于不完全量测下集员滤波的矿井人员安全状态估计方法
CN111983926A (zh) * 2020-08-31 2020-11-24 郑州轻工业大学 一种最大协熵扩展椭球集员滤波方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110595470A (zh) * 2018-06-13 2019-12-20 刘玉双 一种基于外定界椭球集员估计的纯方位目标跟踪方法
CN109606378A (zh) * 2018-11-19 2019-04-12 江苏大学 面向非高斯噪声环境的车辆行驶状态估计方法
US20190319868A1 (en) * 2019-06-25 2019-10-17 Intel Corporation Link performance prediction technologies
CN111427007A (zh) * 2020-04-24 2020-07-17 山东科技大学 基于不完全量测下集员滤波的矿井人员安全状态估计方法
CN111983926A (zh) * 2020-08-31 2020-11-24 郑州轻工业大学 一种最大协熵扩展椭球集员滤波方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
文庆臻;周彦;胡岚;: "基于内椭球逼近融合的分布式节点同时定位与跟踪算法", 计算机工程, no. 03, pages 312 - 315 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897091A (zh) * 2022-05-27 2022-08-12 江南大学 一种高端电池智能工厂端级数据融合方法
CN115022348A (zh) * 2022-05-27 2022-09-06 江南大学 一种高端电池智能工厂云级架构数据存储方法
CN114897091B (zh) * 2022-05-27 2024-05-10 江南大学 一种高端电池智能工厂端级数据融合方法

Also Published As

Publication number Publication date
CN113950018B (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN113950018B (zh) 一种异步多传感器网络系统及全局椭球状态估计方法
CN111780755A (zh) 一种基于因子图和可观测度分析的多源融合导航方法
CN111595592B (zh) 一种自适应巡航控制系统性能测评方法
CN109975839B (zh) 一种车辆卫星定位数据的联合滤波优化方法
CN109191845B (zh) 一种公交车辆到站时间预测方法
EP2098882A2 (en) Location measurement method based on predictive filter
CN110954132B (zh) Grnn辅助自适应卡尔曼滤波进行导航故障识别的方法
CN109709934B (zh) 一种飞行控制系统故障诊断冗余设计方法
CN107994885B (zh) 一种同时估计未知输入和状态的分布式融合滤波方法
CN111427007B (zh) 基于不完全量测下集员滤波的矿井人员安全状态估计方法
CN109615860A (zh) 一种基于非参数贝叶斯框架的信号交叉口状态估计方法
Girbés-Juan et al. Asynchronous sensor fusion of GPS, IMU and CAN-based odometry for heavy-duty vehicles
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN103310637B (zh) 基于车载数据的公交车速度获取装置及方法
CN111623796B (zh) 一种基于信息融合的钢轨里程估计方法
CN111108738B (zh) 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法
CN103020348B (zh) 利用多个传感器对动态系统进行跟踪的方法及装置
Jin et al. State estimation for high-speed train based on multirate asynchronous sensors fusion with missing measurements
CN110083890B (zh) 基于级联卡尔曼滤波的智能汽车轮胎半径自适应估计方法
CN112489075A (zh) 基于特征函数的序惯式多传感器融合滤波方法
CN112800889A (zh) 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法
Schinkel et al. State Estimation for Cooperative Lateral Vehicle Following Using Vehicle-to-Vehicle Communication. Electronics 2021, 10, 651
CN118094870A (zh) 一种基于最小kl散度的uuv协同信息重构系统及方法
CN117636251B (zh) 一种基于机器人的灾损检测方法和系统
CN113971752A (zh) 一种抗观测数据干扰的多车协同状态估计方法

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