CN114021073A - 基于联邦imm的多传感器协同目标跟踪方法 - Google Patents

基于联邦imm的多传感器协同目标跟踪方法 Download PDF

Info

Publication number
CN114021073A
CN114021073A CN202111120472.7A CN202111120472A CN114021073A CN 114021073 A CN114021073 A CN 114021073A CN 202111120472 A CN202111120472 A CN 202111120472A CN 114021073 A CN114021073 A CN 114021073A
Authority
CN
China
Prior art keywords
sensor
model
filter
time
under
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
Application number
CN202111120472.7A
Other languages
English (en)
Inventor
李枭扬
王波兰
袁展翅
葛志闪
吴凯
周德云
阮开智
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.)
Northwestern Polytechnical University
Shanghai Institute of Electromechanical Engineering
Original Assignee
Northwestern Polytechnical University
Shanghai Institute of Electromechanical Engineering
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 Northwestern Polytechnical University, Shanghai Institute of Electromechanical Engineering filed Critical Northwestern Polytechnical University
Priority to CN202111120472.7A priority Critical patent/CN114021073A/zh
Publication of CN114021073A publication Critical patent/CN114021073A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于联邦IMM的多传感器协同目标跟踪方法，包括：利用传感器获取(k‑1)时刻下目标的第一状态信息；确定每个传感器对应的滤波器组；确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率；按照分配系数，将第一状态信息分配至对应的N个滤波模型；确定(k‑1)时刻下各传感器在滤波模型i下的混合状态估计值及混合协方差矩阵；根据第二状态信息确定k时刻各传感器在滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵；确定k时刻各传感器的状态估计值和协方差矩阵；利用预设主滤波器进行数据融合，获得确定k时刻的目标状态估计值及其对应的协方差矩阵。本发明将时间更新过程统一在预设主滤波器中进行，减小计算量的同时提高了该方法的实时性。

Description

基于联邦IMM的多传感器协同目标跟踪方法
技术领域
本发明属于计算机技术领域，具体涉及一种基于联邦IMM的多传感器协同目标跟踪方法。
背景技术
无人机空中飞行环境具有结构复杂、干扰源众多等特点，面对难度系数渐增大的空中环境，对于无人机的自主化能力需求也在日益提高。无人机的自主性体现在对于空中环境的自主感知理解、自主的任务规划和决策以及对于无人机运动的自主规划中。
实时且精确的目标跟踪信息能够提升目标识别结果的准确率，随着无人机协同飞行技术的不断发展，面向协同跟踪的多无人机协同目标跟踪技术已经发展成为一种优异的跟踪手段。多无人机协同目标跟踪技术相比于单无人机目标跟踪技术，其具有更广的跟踪区域、更高的跟踪精度以及更加可信的跟踪结果等优势。
在无人机飞行过程中，目标跟踪可以为飞行决策、任务分配提供参考，也可为后续的任务评估提供必需的目标数据信息。相关技术中，经典的卡尔曼滤波是常用的目标跟踪算法，该算法对目标的运动行为进行状态预估、并预测目标参数，对于目标被遮挡或者丢失的情况具有良好的跟踪效果。但是，随着时间的累积，卡尔曼滤波器的精度会逐渐下降，算法性能也随之下降；并且，由于无人机执行空中目标跟踪任务时多为非线性系统，上述方法被约束条件所限，无法适用于现代空域飞行场景。
此外，相关技术中还提供了无迹卡尔曼滤波(UKF)算法。无迹卡尔曼滤波算法采用卡尔曼滤波框架，对系统的一步预测方程进行UT变换、取代了局部线性化截断的原有方法，把2n+1个带权值的Sigma点利用非线性方程传播，来逼近高斯状态分布的均值和方差，避免了求取繁琐的雅克比矩阵。UKF没有采用传统的线性化截断方法，所以具有较高的计算精度，有效地克服了EKF的缺陷。然而，在系统状态维数较大时，会出现自由调节参数小于零的情况，某些Sigma点的权值为负，协方差呈现负定，导致滤波数值不稳定甚至发散的情况。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于联邦IMM的多传感器协同目标跟踪方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供一种基于联邦IMM的多传感器协同目标跟踪方法，包括：
分别利用各无人机的传感器获取(k-1)时刻下目标的第一状态信息；
确定每个传感器对应的滤波器组，所述滤波器组包括N个由预设运动学模型及预设子滤波器构建的滤波模型；
确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率；
针对各传感器获取的所述第一状态信息，按照分配系数，将所述第一状态信息分配至对应的N个滤波模型；
根据所述混合概率，确定(k-1)时刻下各传感器在所述滤波模型i下的混合状态估计值及混合协方差矩阵；
分别利用各所述传感器获取k时刻下目标的第二状态信息，并根据所述第二状态信息确定k时刻各传感器在所述滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵；
根据k时刻各传感器在所述滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵，确定k时刻各传感器的状态估计值和协方差矩阵；
利用预设主滤波器对各传感器的状态估计值和协方差矩阵进行数据融合，获得确定k时刻的目标状态估计值及其对应的协方差矩阵。
在本发明的一个实施例中，所述确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率的步骤，包括：
确定(k-1)时刻下各传感器对应的滤波模型t的模型概率、以及从滤波模型t到滤波模型i的转移概率；
根据所述模型概率和所述转移概率，确定各传感器在滤波模型i下的预测概率；
根据所述模型概率、所述转移概率和所述预测概率，确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率。
在本发明的一个实施例中，按照如下公式计算各传感器在滤波模型i下的预测概率：
Figure BDA0003276884030000031
按照如下公式计算各传感器在其对应的滤波器组中的滤波模型i下的混合概率：
Figure BDA0003276884030000032
式中，πti表示从滤波模型t到滤波模型i的转移概率，
Figure BDA0003276884030000033
表示(k-1)时刻传感器j的滤波模型t的模型概率，
Figure BDA0003276884030000034
表示(k-1)时刻传感器j在滤波模型i下的预测概率，
Figure BDA0003276884030000035
表示(k-1)时刻传感器j在其对应的滤波器组中的滤波模型i下的混合概率，其中，t∈N,j∈M，M表示传感器的数量。
在本发明的一个实施例中，所述针对各传感器获取的所述第一状态信息，按照分配系数，将所述第一状态信息分配至对应的N个滤波模型的步骤，包括：
针对各传感器获取的所述第一状态信息，按照如下公式确定分配系数：
Figure BDA0003276884030000041
其中，
Figure BDA0003276884030000042
和Pj(k-1)分别表示(k-1)时刻下传感器j的局部估计值和协方差，算子
Figure BDA0003276884030000043
βm表示主滤波器的预设分配系数，βj表示传感器j对应的分配系数；
按照所述分配系数，将各传感器获取的所述第一状态信息分配至对应的N个滤波模型。
在本发明的一个实施例中，按照如下公式确定(k-1)时刻下各传感器在其对应的滤波模型i下的混合状态估计值：
Figure BDA0003276884030000044
按照如下公式确定(k-1)时刻下各传感器在其对应的滤波模型i下的混合协方差矩阵：
Figure BDA0003276884030000045
式中，
Figure BDA0003276884030000046
和
Figure BDA0003276884030000047
分别表示(k-1)时刻传感器j在滤波模型t下的局部状态估计值及协方差矩阵，
Figure BDA0003276884030000048
表示(k-1)时刻传感器j在滤波模型i下的局部状态估计值，
Figure BDA0003276884030000049
表示(k-1)时刻传感器j在其对应的滤波模型i下的混合状态估计值，
Figure BDA00032768840300000410
表示(k-1)时刻传感器j在滤波模型i下的混合协方差矩阵。
在本发明的一个实施例中，k时刻各传感器的状态估计值为：
Figure BDA0003276884030000051
式中，
Figure BDA0003276884030000052
表示基于(k-1)时刻得到的k时刻的状态估计值，
Figure BDA0003276884030000053
表示k时刻传感器j在其对应的滤波模型i下的滤波增益矩阵，
Figure BDA0003276884030000054
表示传感器j在滤波模型i下的测量残差，
Figure BDA0003276884030000055
表示k时刻传感器j在滤波模型i下的目标状态估计值。
在本发明的一个实施例中，k时刻各传感器的协方差矩阵：
Figure BDA0003276884030000056
式中，
Figure BDA0003276884030000057
表示基于(k-1)时刻得到的k时刻的协方差矩阵，
Figure BDA0003276884030000058
表示k时刻传感器j在滤波模型i下的协方差，
Figure BDA0003276884030000059
表示k时刻传感器j在滤波模型i下的协方差矩阵。
在本发明的一个实施例中，按照如下公式确定k时刻的目标状态估计值：
Figure BDA00032768840300000510
按照如下公式确定对应的协方差矩阵：
Figure BDA00032768840300000511
式中，Pm(k|k-1)表示基于(k-1)时刻得到的k时刻的传感器m的最优估计协方差矩阵，xm(k|k-1)表示基于(k-1)时刻得到的k时刻的传感器m的目标状态估计值，xg(k)和Pg(k)分别表示k时刻的目标状态估计值和协方差矩阵。
在本发明的一个实施例中，所述状态信息至少包括所述目标的坐标、速度和角速度。
在本发明的一个实施例中，所述预设运动学模型为匀速CV模型或坐标转弯CT模型。
与相关技术相比，本发明的有益效果在于：
本发明提供一种基于联邦IMM的多传感器协同目标跟踪方法，通过在多无人机协同目标跟踪过程中引入联邦滤波算法，将时间更新过程统一在主滤波器中进行，减小计算量的同时提高了该方法的实时性。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的基于联邦IMM的多传感器协同目标跟踪方法的一种流程图；
图2是本发明实施例提供的基于联邦IMM的多传感器协同目标跟踪方法的一种示意图；
图3是本发明实施例提供的无人机与目标飞行轨迹的示意图；
图4是本发明实施例提供的一种仿真结果示意图；
图5是本发明实施例提供的另一种仿真结果示意图；
图6是本发明实施例提供的另一种仿真结果示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
图1是本发明实施例提供的基于联邦IMM的多传感器协同目标跟踪方法的一种流程图，图2是本发明实施例提供的基于联邦IMM的多传感器协同目标跟踪方法的一种示意图。请参见图1-2，本发明实施例提供一种基于联邦IMM的多传感器协同目标跟踪方法，包括：
S1、分别利用各无人机的传感器获取(k-1)时刻下目标的第一状态信息；
S2、确定每个传感器对应的滤波器组，滤波器组包括N个由预设运动学模型及预设子滤波器构建的滤波模型；
S3、确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率；
S4、针对各传感器获取的第一状态信息，按照分配系数，将第一状态信息分配至对应的N个滤波模型；
S5、根据混合概率，确定(k-1)时刻下各传感器在滤波模型i下的混合状态估计值及混合协方差矩阵；
S6、分别利用各传感器获取k时刻下目标的第二状态信息，并根据第二状态信息确定k时刻各传感器在滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵；
S7、根据k时刻各传感器在滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵，确定k时刻各传感器的状态估计值和协方差矩阵；
S8、利用预设主滤波器对各传感器的状态估计值和协方差矩阵进行数据融合，获得确定k时刻的目标状态估计值及其对应的协方差矩阵。
具体而言，传感器获取的第一状态信息可以包括目标的坐标、速度和角速度，在各个传感器对应的滤波器组中，N个滤波模型根据预设运动学模型和预设子滤波器构建得到，其中，预设运动学模型为匀速CV模型或坐标转弯CT模型。
可选地，在上述步骤S3中，确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率的步骤，包括：
S301、确定(k-1)时刻下各传感器对应的滤波模型t的模型概率、以及从滤波模型t到滤波模型i的转移概率；
S302、根据模型概率和转移概率，确定各传感器在滤波模型i下的预测概率；
S303、根据模型概率、转移概率和预测概率，确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率。
具体而言，(k-1)时刻传感器j的滤波模型t的模型概率为
Figure BDA0003276884030000081
从滤波模型t到滤波模型i的转移概率为πti，则各传感器在滤波模型i下的预测概率为：
Figure BDA0003276884030000082
进一步地，按照如下公式计算各传感器在其对应的滤波器组中的滤波模型i下的混合概率：
Figure BDA0003276884030000083
式中，
Figure BDA0003276884030000084
表示(k-1)时刻传感器j在滤波模型i下的预测概率，
Figure BDA0003276884030000085
表示(k-1)时刻传感器j在其对应的滤波器组中的滤波模型i下的混合概率，其中，t∈N,j∈M，M表示传感器的数量。
可选地，在上述步骤S4中，针对各传感器获取的第一状态信息，按照分配系数，将第一状态信息分配至对应的N个滤波模型的步骤，包括：
S401、针对各传感器获取的第一状态信息，按照如下公式确定分配系数：
Figure BDA0003276884030000086
其中，
Figure BDA0003276884030000087
和Pj(k-1)分别表示(k-1)时刻下传感器j的局部估计值和协方差，算子
Figure BDA0003276884030000088
βm表示主滤波器的预设分配系数，βj表示传感器j对应的分配系数；
S402、按照分配系数，将各传感器获取的第一状态信息分配至对应的N个滤波模型。
具体而言，(k-1)时刻下传感器j的局部估计值和协方差分别为
Figure BDA0003276884030000091
和Pj(k-1)，本实施例所采用的信息分配原则是误差协方差矩阵求迹法，以进行分配系数的求解，则信息分配函数如下所示：
Figure BDA0003276884030000092
分配系数为：
Figure BDA0003276884030000093
其中，算子
Figure BDA0003276884030000094
βm表示主滤波器的预设分配系数，βj表示传感器j对应的分配系数。计算得到分配系数后，按照分配系数，将各传感器获取的第一状态信息分配至对应的N个滤波模型。
可选地，在上述步骤S5中，按照如下公式确定(k-1)时刻下各传感器在其对应的滤波模型i下的混合状态估计值：
Figure BDA0003276884030000095
按照如下公式确定(k-1)时刻下各传感器在其对应的滤波模型i下的混合协方差矩阵：
Figure BDA0003276884030000096
式中，
Figure BDA0003276884030000097
和
Figure BDA0003276884030000098
分别表示(k-1)时刻传感器j在滤波模型t下的局部状态估计值及协方差矩阵，
Figure BDA0003276884030000099
表示(k-1)时刻传感器j在滤波模型i下的局部状态估计值，
Figure BDA00032768840300000910
表示(k-1)时刻传感器j在其对应的滤波模型i下的混合状态估计值，
Figure BDA0003276884030000101
表示(k-1)时刻传感器j在滤波模型i下的混合协方差矩阵。
进一步地，对子滤波器进行更新，状态预测和过程噪声协方差矩阵计算如下：
Figure BDA0003276884030000102
Figure BDA0003276884030000103
式中，
Figure BDA0003276884030000104
分别表示k时刻传感器j在滤波模型i下的目标状态估计及其对应的协方差矩阵。
zj(k)表示各传感器量测信息，Hj(k)表示各传感器量测矩阵，Rj(k)表示量测噪声协方差矩阵，量测残差及其协方差矩阵计算如下：
Figure BDA0003276884030000105
Figure BDA0003276884030000106
滤波增益矩阵计算如下所示：
Figure BDA0003276884030000107
k时刻各传感器的混合状态估计值和混合协方差矩阵分别为：
Figure BDA0003276884030000108
式中，
Figure BDA0003276884030000109
表示基于(k-1)时刻得到的k时刻的状态估计值，
Figure BDA00032768840300001010
表示k时刻传感器j在其对应的滤波模型i下的滤波增益矩阵，
Figure BDA00032768840300001011
表示传感器j在滤波模型i下的测量残差，
Figure BDA00032768840300001012
表示k时刻传感器j在滤波模型i下的目标状态估计值；
Figure BDA00032768840300001013
式中，
Figure BDA00032768840300001014
表示基于(k-1)时刻得到的k时刻的协方差矩阵，
Figure BDA00032768840300001015
表示k时刻传感器j在滤波模型i下的协方差，
Figure BDA00032768840300001016
表示k时刻传感器j在滤波模型i下的协方差矩阵。
量测信息zj与滤波模型i相匹配的似然函数计算如下所示：
Figure BDA0003276884030000111
式中，
Figure BDA0003276884030000112
表示各滤波模型对应的子滤波器的似然函数，
Figure BDA0003276884030000113
分别表示滤波模型i在滤波更新步中的测量残差及其协方差。
滤波模型i的概率更新为：
Figure BDA0003276884030000114
传感器j的状态估计和协方差矩阵为：
Figure BDA0003276884030000115
Figure BDA0003276884030000116
可选地，在上述步骤S8中，主滤波器中不进行量测更新，在主滤波器中将滤波更新为
Figure BDA0003276884030000117
和
Figure BDA0003276884030000118
则联邦综合全局状态最优估计计算如下所示：
Figure BDA0003276884030000119
Figure BDA00032768840300001110
式中，Pm(k|k-1)表示基于(k-1)时刻得到的k时刻的传感器m的最优估计协方差矩阵，xm(k|k-1)表示基于(k-1)时刻得到的k时刻的传感器m的目标状态估计值，xg(k)和Pg(k)分别表示k时刻的目标状态估计值和协方差矩阵。
下面，通过仿真实验对上述基于联邦IMM的多传感器协同目标跟踪方法进行验证。
图3是本发明实施例提供的无人机与目标飞行轨迹的示意图。具体地，如图3所示，构建空空飞行场景，以两架无人机对空中目标执行跟踪任务为例，设定目标起始坐标为[5000，5500，1500]，目标的运动过程可划分为五个阶段，包括三个CV模型和两个CT模型。其中，第一阶段为Y轴反方向的CV模型，速率为50m/s，终点坐标为[5000,3000,1500]；第二阶段为角速度0.105rad/s的CT模型，终点坐标为[4000,3000,1500]；第三阶段为Y轴正方向的CV模型，速率为50m/s，终点坐标为[4000,5000,1500]；第四阶段为角速度0.105rad/s的CT模型，终点坐标为[3000,5000,1500]；第五阶段为Y轴负方向的CV模型，速率为50m/s，终点坐标为[3000,2500,1500]。仿真开始时我方无人机1所处位置为[6000,1500,6000]，然后向Y轴正方向飞行、速率为50m/s，飞行一段时间之后开始做CT模型直至仿真结束，角速度为0.031rad/s；我方无人机2所处位置为[5000,1500,6000]，仿真开始后向Y轴正方向CV模型，速率为50m/s，飞行一段时间之后开始做CT模型直至仿真结束，角速度为0.031rad/s，本次仿真时间为200s。
Figure BDA0003276884030000121
Figure BDA0003276884030000122
此外，分配系数为：β1＝0.5,β2＝0.5,βm＝0。
分别对无人机1采用SRCKF算法、对无人机1和无人机2采用联邦滤波算法、并对无人机1和无人机2采用上述基于联邦IMM的多传感器协同目标跟踪方法进行跟踪，进行一百次蒙特卡洛过程。
如图4-5所示，基于联邦IMM的多传感器协同目标跟踪方法在不牺牲跟踪准确性的前提下，明显地降低了计算复杂度，仿真时间减少约20％，显著改善了跟踪系统的实时性。
进一步地，仍以上述空空飞行场景为例，分别对无人机1采用SRCKF算法、对无人机1和无人机2采用联邦SRCKF算法、并对无人机1和无人机2采用上述基于联邦IMM的多传感器协同目标跟踪方法进行跟踪，进行一百次蒙特卡洛仿真，位置均方根误差如下表1所示：
表1
Figure BDA0003276884030000131
请结合表1及图6，与联邦SRCKF算法相比，本发明提供的基于联邦IMM的多传感器协同目标跟踪方法的位置均方根误差更小，并且始终在一定范围内波动，当目标进行CT机动时，位置均方根误差也不会发生大幅度的波动，而联邦SRCKF算在在目标进行CT机动时，跟踪误差会有明显的波动。可见，基于联邦IMM的多传感器协同目标跟踪方法更具稳定性。
通过上述各实施例可知，本发明的有益效果在于：
本发明提供一种基于联邦IMM的多传感器协同目标跟踪方法，通过在多无人机协同目标跟踪过程中引入联邦滤波算法，将时间更新过程统一在主滤波器中进行，减小计算量的同时提高了该方法的实时性。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，包括：
分别利用各无人机的传感器获取(k-1)时刻下目标的第一状态信息；
确定每个传感器对应的滤波器组，所述滤波器组包括N个由预设运动学模型及预设子滤波器构建的滤波模型；
确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率；
针对各传感器获取的所述第一状态信息，按照分配系数，将所述第一状态信息分配至对应的N个滤波模型；
根据所述混合概率，确定(k-1)时刻下各传感器在所述滤波模型i下的混合状态估计值及混合协方差矩阵；
分别利用各所述传感器获取k时刻下目标的第二状态信息，并根据所述第二状态信息确定k时刻各传感器在所述滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵；
根据k时刻各传感器在所述滤波模型i下的预设子滤波器的状态估计更新值及协方差矩阵，确定k时刻各传感器的状态估计值和协方差矩阵；
利用预设主滤波器对各传感器的状态估计值和协方差矩阵进行数据融合，获得确定k时刻的目标状态估计值及其对应的协方差矩阵。
2.根据权利要求1所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，所述确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率的步骤，包括：
确定(k-1)时刻下各传感器对应的滤波模型t的模型概率、以及从滤波模型t到滤波模型i的转移概率；
根据所述模型概率和所述转移概率，确定各传感器在滤波模型i下的预测概率；
根据所述模型概率、所述转移概率和所述预测概率，确定各传感器在其对应的滤波器组中的滤波模型i下的混合概率。
3.根据权利要求2所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，按照如下公式计算各传感器在滤波模型i下的预测概率：
Figure FDA0003276884020000021
按照如下公式计算各传感器在其对应的滤波器组中的滤波模型i下的混合概率：
Figure FDA0003276884020000022
式中，πti表示从滤波模型t到滤波模型i的转移概率，
Figure FDA0003276884020000025
表示(k-1)时刻传感器j的滤波模型t的模型概率，
Figure FDA0003276884020000023
表示(k-1)时刻传感器j在滤波模型i下的预测概率，
Figure FDA0003276884020000024
表示(k-1)时刻传感器j在其对应的滤波器组中的滤波模型i下的混合概率，其中，t∈N,j∈M，M表示传感器的数量。
4.根据权利要求3所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，所述针对各传感器获取的所述第一状态信息，按照分配系数，将所述第一状态信息分配至对应的N个滤波模型的步骤，包括：
针对各传感器获取的所述第一状态信息，按照如下公式确定分配系数：
Figure FDA0003276884020000031
其中，
Figure FDA0003276884020000032
和Pj(k-1)分别表示(k-1)时刻下传感器j的局部估计值和协方差，算子
Figure FDA0003276884020000033
βm表示主滤波器的预设分配系数，βj表示传感器j对应的分配系数；
按照所述分配系数，将各传感器获取的所述第一状态信息分配至对应的N个滤波模型。
5.根据权利要求3所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，按照如下公式确定(k-1)时刻下各传感器在其对应的滤波模型i下的混合状态估计值：
Figure FDA0003276884020000034
按照如下公式确定(k-1)时刻下各传感器在其对应的滤波模型i下的混合协方差矩阵：
Figure FDA0003276884020000035
式中，
Figure FDA0003276884020000036
和
Figure FDA0003276884020000037
分别表示(k-1)时刻传感器j在滤波模型t下的局部状态估计值及协方差矩阵，
Figure FDA0003276884020000038
表示(k-1)时刻传感器j在滤波模型i下的局部状态估计值，
Figure FDA0003276884020000039
表示(k-1)时刻传感器j在其对应的滤波模型i下的混合状态估计值，
Figure FDA00032768840200000310
表示(k-1)时刻传感器j在滤波模型i下的混合协方差矩阵。
6.根据权利要求1所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，k时刻各传感器的状态估计值为：
Figure FDA0003276884020000041
式中，
Figure FDA0003276884020000042
表示基于(k-1)时刻得到的k时刻的状态估计值，
Figure FDA0003276884020000043
表示k时刻传感器j在其对应的滤波模型i下的滤波增益矩阵，
Figure FDA0003276884020000044
表示传感器j在滤波模型i下的测量残差，
Figure FDA0003276884020000045
表示k时刻传感器j在滤波模型i下的目标状态估计值。
7.根据权利要求6所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，k时刻各传感器的协方差矩阵：
Figure FDA0003276884020000046
式中，
Figure FDA0003276884020000047
表示基于(k-1)时刻得到的k时刻的协方差矩阵，
Figure FDA0003276884020000048
表示k时刻传感器j在滤波模型i下的协方差，
Figure FDA0003276884020000049
表示k时刻传感器j在滤波模型i下的协方差矩阵。
8.根据权利要求6所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，按照如下公式确定k时刻的目标状态估计值：
Figure FDA00032768840200000410
按照如下公式确定对应的协方差矩阵：
Figure FDA00032768840200000411
式中，Pm(k|k-1)表示基于(k-1)时刻得到的k时刻的传感器m的最优估计协方差矩阵，xm(k|k-1)表示基于(k-1)时刻得到的k时刻的传感器m的目标状态估计值，xg(k)和Pg(k)分别表示k时刻的目标状态估计值和协方差矩阵。
9.根据权利要求1所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，所述状态信息至少包括所述目标的坐标、速度和角速度。
10.根据权利要求1所述的基于联邦IMM的多传感器协同目标跟踪方法，其特征在于，所述预设运动学模型为匀速CV模型或坐标转弯CT模型。
CN202111120472.7A 2021-09-24 2021-09-24 基于联邦imm的多传感器协同目标跟踪方法 Pending CN114021073A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111120472.7A CN114021073A (zh) 2021-09-24 2021-09-24 基于联邦imm的多传感器协同目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111120472.7A CN114021073A (zh) 2021-09-24 2021-09-24 基于联邦imm的多传感器协同目标跟踪方法

Publications (1)

Publication Number Publication Date
CN114021073A true CN114021073A (zh) 2022-02-08

Family

ID=80054845

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111120472.7A Pending CN114021073A (zh) 2021-09-24 2021-09-24 基于联邦imm的多传感器协同目标跟踪方法

Country Status (1)

Country Link
CN (1) CN114021073A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5325098A (en) * 1993-06-01 1994-06-28 The United States Of America As Represented By The Secretary Of The Navy Interacting multiple bias model filter system for tracking maneuvering targets
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法
CN111460636A (zh) * 2020-03-20 2020-07-28 南京理工大学 不完全量测数据驱动下的机动扩展目标混合交互式强跟踪滤波方法
CN112269174A (zh) * 2020-10-21 2021-01-26 中国人民解放军战略支援部队信息工程大学 基于交互式多模型信息融合的助推滑翔飞行器目标估计方法及系统
WO2021082571A1 (zh) * 2019-10-29 2021-05-06 苏宁云计算有限公司 机器人跟踪方法、装置、设备及计算机可读存储介质
CN113190960A (zh) * 2021-03-26 2021-07-30 大连海事大学 一种基于非等维状态混合估计的并行imm机动目标跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5325098A (en) * 1993-06-01 1994-06-28 The United States Of America As Represented By The Secretary Of The Navy Interacting multiple bias model filter system for tracking maneuvering targets
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法
WO2021082571A1 (zh) * 2019-10-29 2021-05-06 苏宁云计算有限公司 机器人跟踪方法、装置、设备及计算机可读存储介质
CN111460636A (zh) * 2020-03-20 2020-07-28 南京理工大学 不完全量测数据驱动下的机动扩展目标混合交互式强跟踪滤波方法
CN112269174A (zh) * 2020-10-21 2021-01-26 中国人民解放军战略支援部队信息工程大学 基于交互式多模型信息融合的助推滑翔飞行器目标估计方法及系统
CN113190960A (zh) * 2021-03-26 2021-07-30 大连海事大学 一种基于非等维状态混合估计的并行imm机动目标跟踪方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
冯翔;赵占锋;赵宜楠;周志权;: "基于矩阵加权多模型融合的认知跟踪波形设计", 哈尔滨工业大学学报, no. 05, 25 April 2018 (2018-04-25) *
刘春旭等: "基于交互式联邦多模型的多传感器融合算法", 《中国电子科学研究院学报》, 31 October 2013 (2013-10-31), pages 496 - 500 *
张文峰;胡振涛;程建兴;: "一种车辆机动目标跟踪的多传感器信息融合估计算法", 广东工业大学学报, no. 01, 15 March 2009 (2009-03-15) *
郭志;董春云;蔡远利;于振华;: "时变转移概率IMM-SRCKF机动目标跟踪算法", 系统工程与电子技术, no. 01, 31 December 2015 (2015-12-31) *

Similar Documents

Publication Publication Date Title
CN110243358B (zh) 多源融合的无人车室内外定位方法及系统
CN111136660B (zh) 机器人位姿定位方法及系统
CN112083726B (zh) 一种面向园区自动驾驶的双滤波器融合定位系统
CN107192995B (zh) 一种多层次信息融合的纯方位水下目标跟踪算法
JP2021139898A (ja) 測位方法、装置、計算装置、コンピュータ可読記憶媒体及びコンピュータプログラム
JP2020530569A (ja) 車両センサの較正及び位置特定
CN110572139B (zh) 用于车辆状态估计的融合滤波实现方法以及装置、存储介质、车辆
CN113183975B (zh) 自动驾驶车辆的控制方法、装置、设备以及存储介质
CN111578958A (zh) 移动机器人导航实时定位方法、系统、介质及电子设备
CN110763245A (zh) 一种基于流式计算的地图创建方法及其系统
CN116929338B (zh) 地图构建方法、设备及存储介质
CN113960622A (zh) 融合激光雷达及imu传感器信息的实时定位方法及装置
CN114370878A (zh) 一种基于stackf的多auv协同定位方法
CN117685953A (zh) 面向多无人机协同定位的uwb与视觉融合定位方法及系统
CN114021073A (zh) 基于联邦imm的多传感器协同目标跟踪方法
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
CN114993341B (zh) 一种基于天基测量的运载火箭弹道估计方法及装置
CN115711616A (zh) 一种室内室外穿越无人机的平顺定位方法及装置
CN112747752A (zh) 基于激光里程计的车辆定位方法、装置、设备和存储介质
Tang et al. Unscented Kalman filter for position estimation of UAV by using image information
Kuncara et al. Enhancing accuracy in field mobile robot state estimation with GNSS and encoders
CN117111641B (zh) 无人机航线纠偏方法、装置、设备及存储介质
CN112665593B (zh) 一种车辆定位方法及装置
CN117705104A (zh) 基于uwb与imu融合的鲁棒自主定位与建图方法、装置及介质
Purnawan et al. Positioning Estimation of Autonomous Car using Extended Kalman Filter

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