CN114338664B - 基于分布式架构获取目标状态的方法、装置及存储介质 - Google Patents
基于分布式架构获取目标状态的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114338664B CN114338664B CN202111444606.0A CN202111444606A CN114338664B CN 114338664 B CN114338664 B CN 114338664B CN 202111444606 A CN202111444606 A CN 202111444606A CN 114338664 B CN114338664 B CN 114338664B
- Authority
- CN
- China
- Prior art keywords
- state
- data information
- node
- node body
- target object
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及分布式架构技术领域,具体是涉及基于分布式架构获取目标状态的方法、装置及存储介质。本发明采用分布式架构中的各个节点体获取目标物体的状态,再结合各个节点体的相邻节点体进行逆协方差交叉迭代运算,最终各个节点体获得融合后的目标状态数据。分布式架构增加了整体系统的健壮性同时降低了对通信带宽的需求。本发明采用节点集合对每个节点体获取到的目标状态数据进行迭代运算,能够使得每个节点体所获得的目标状态数据扩散到整个分布式架构所在的网络中,从而提高了通过分布式架构所获取到的目标状态数据的精度。同时由于采用的迭代算法在每次迭代时都能给出一个一致性的融合结果,使得最终得到的目标状态数据接近于真实状态参数。
Description
技术领域
本发明涉及分布式架构技术领域,具体是涉及基于分布式架构获取目标状态的方法、装置及存储介质。
背景技术
基于多传感器网络的协同状态估计算法有集中式架构(Central izedFramework,CF)和分布式架构(Distributed Framework,DF)这两种实现方式。其中,集中式架构由一个信息融合中心和多传感器构成,并且信息融合中心和每一个传感器都需要建立通信。虽然这能提供最优估计效果,但是由于信息融合中心需要承担所有计算负载,同时还要建立和保持与传感器网络中每个节点的直接通信,这给应用带来了诸多限制。另外集中式架构中信息融合中心被毁坏将使得整个系统崩溃;而分布式架构中传感器网络中的节点体分布在不同位置,同时每个节点体只能和相邻的传感器节点相互通信。这种通信方式降低了对通信的要求,比如降低了对通信带宽的要求。另外分布式架构中的每个节点体可以独立承担一些计算任务,不需要一个融合中心去集中式的处理所有数据。同时,单个节点体的毁坏不会影响到整个系统的工作。还可以随着实际需要随时增加网络节点。现有技术在采用分布式架构估计目标物体的状态时,是采用传统的协方差交叉算法,最终提供的状态估计的协方差矩阵太过保守,从而降低了对目标状态估计的精度。
综上所述,现有技术降低了对目标物体状态的估计精度。
因此,现有技术还有待改进和提高。
发明内容
为解决上述技术问题,本发明提供了基于分布式架构获取目标状态的方法、装置及存储介质,解决了现有技术降低了对目标物体状态的估计精度的问题。
为实现上述目的,本发明采用了以下技术方案:
第一方面,本发明提供一种基于分布式架构获取目标状态的方法,其中,包括:
获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;
获取每个所述节点体、每个所述节点体所对应的相邻所述节点体所构成的节点集合,由所述节点体和节点结合获得观测信息。每个所述节点体和相邻所述节点体位于所述分布式架构中;
通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息。
在一种实现方式中,所述通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息,包括:
依据所述状态数据信息,得到所述状态数据信息中的状态值和所述状态值所对应的协方差矩阵;
依据所述节点集合所对应的所述协方差矩阵,得到所述节点集合所对应的所述协方差矩阵的凸组合的逆;
通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵、每个所述节点体所对应的所述协方差矩阵,对每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标值;
通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵,对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵。
在一种实现方式中,所述通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵、每个所述节点体所对应的所述协方差矩阵,对每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标值,包括:
对每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的所述状态估计值相同和/或各个所述节点体所对应的所述状态值的不确定性相同,得到每个所述节点体所对应的所述目标物体的状态目标值。
在一种实现方式中,所述通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵,对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵,包括:
对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的协方差矩阵相同。
在一种实现方式中,在得到每个所述节点体所对应的所述目标物体的状态目标数据信息之后还包括:
依据当前时刻所述目标物体的状态目标数据信息,预测下一时刻所述目标物体的状态目标数据信息。
在一种实现方式中,所述获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态,包括:
获取所述目标物体所对应的状态预测模型、状态观测模型、状态历史数据信息;
依据所述状态预测模型和每个所述节点体所对应的状态历史数据信息,得到所述目标物体所对应的状态预测数据信息;
依据所述状态观测模型和每个所述节点体所对应的所述状态历史数据信息,得到所述目标物体所对应的状态观测数据信息;
依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息。
在一种实现方式中,所述依据所述状态预测模型和每个所述节点体所对应的状态历史数据信息,得到所述目标物体所对应的状态预测数据信息,包括:
依据所述状态历史数据信息,得到所述状态历史数据信息中的状态历史值和状态历史值所对应的协方差历史矩阵;
将所述状态历史值和所述协方差历史矩阵代入所述状态预测模型进行计算,得到所述状态预测数据信息中的所述目标物体所对应的状态预测值;
依据所述状态预测值,得到所述状态预测数据信息中的所述目标物体所对应的协方差预测矩阵。
在一种实现方式中,所述依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息,包括:
用每个所述节点体所对应的所述状态观测数据信息更新每个所述节点体所对应的所述状态预测数据信息,得到每个所述节点体所对应的状态数据信息。
在一种实现方式中,所述依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息,包括:
依据每个所述节点体所对应的相邻所述节点体的所述状态观测数据信息,更新每个所述节点体的所述状态预设数据信息,得到状态数据信息。
在一种实现方式中,所述依据所述状态预测模型和每个所述节点体所对应的状态历史数据信息,得到所述目标物体所对应的状态预测数据信息,包括:
对所述状态历史数据信息采用无迹卡尔曼滤波器,得到sigma点;
将所述sigma点代入所述状态预测模型,得到所述目标物体所对应的状态预测数据信息。
第二方面,本发明实施例还提供一种基于分布式架构获取目标状态的方法的装置,其中,所述装置包括如下组成部分:
状态数据计算模型,用于获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;
节点集合采集模块,用于获取由每个所述节点体、每个所述节点体所对应的相邻所述节点体所构成的节点集合,每个所述节点体和相邻所述节点体位于所述分布式架构中;
状态目标数据计算模块,用于通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息。
第三方面,本发明实施例还提供一种终端设备,其中,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于分布式架构的物体状态计算程序,所述处理器执行所述基于分布式架构的物体状态计算程序时,实现上述所述的基于分布式架构获取目标状态的方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有基于分布式架构的物体状态计算程序,所述基于分布式架构的物体状态计算程序被处理器执行时,实现上述所述的基于分布式架构获取目标状态的方法的步骤。
有益效果:首先本发明采用分布式架构中的各个节点体获取目标物体的状态,再结合各个节点体的相邻节点体进行逆协方差交叉迭代运算,最终得到各个节点体的状态目标数据。由于本发明采用的是分布式架构,分布式架构不需要融合中心,每个节点体只和相邻的节点体进行通信,上述通信方式增加了分布式架构所在的整体系统的健壮性,即单个节点体的毁坏不会影响整个系统的工作,而且分布式架构采用上述通信方式允许在分布式架构中根据需要扩展新的节点体以满足使用需求。
另外,本发明采用由相邻节点体所沟通的节点集合对每个节点体获取到的目标状态数据进行逆协方差交叉迭代运算,能够使得每个节点体获得的局部信息扩散到整个分布式架构所在的网络中,以保证每个节点体最终所得到的目标状态具有一致性。能够使得最终得到的目标状态数据接近于目标物体的真实状态参数,从而提高了通过分布式架构所获取到的目标状态数据的精度。
附图说明
图1为本发明的整体流程图;
图2为本发明的分布式架构;
图3为本发明实施例提供的终端设备的内部结构原理框图。
具体实施方式
以下结合实施例和说明书附图,对本发明中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
经研究发现,基于多传感器网络的协同状态估计算法有集中式架构(Centralized Framework,CF)和分布式架构(Distributed Framework,DF)这两种实现方式。其中,集中式架构由一个信息融合中心和多传感器构成,并且信息融合中心和每一个传感器都需要建立通信。虽然这能提供最优估计效果,但是由于信息融合中心需要承担所有计算负载,同时还要建立和保持与传感器网络中每个节点的直接通信,这给应用带来了诸多限制。另外集中式架构中信息融合中心被毁坏将使得整个系统崩溃;而分布式架构中传感器网络中的节点体分布在不同位置,同时每个节点体只能和相邻的传感器节点相互通信。这种通信方式降低了对通信的要求,比如降低了对通信带宽的要求。另外分布式架构中的每个节点体可以独立承担一些计算任务,不需要一个融合中心去集中式的处理所有数据。同时,单个节点体的毁坏不会影响到整个系统的工作。还可以随着实际需要随时增加网络节点。现有技术在采用分布式架构估计目标物体的状态时,是采用传统的协方差交叉算法,最终提供的状态估计的协方差矩阵太过保守,从而降低了对目标状态估计的精度。
为解决上述技术问题,本发明提供了基于分布式架构获取目标状态的方法、装置及存储介质,解决了现有技术降低了对目标物体状态的估计精度的问题。具体实施时,首先本发明采用分布式架构中的各个节点体获取目标物体的状态,再结合各个节点体的相邻节点体进行逆协方差交叉迭代运算,最终得到各个节点体的状态目标数据。能够使得最终得到的目标状态数据接近于目标物体的真实状态参数,从而提高了通过分布式架构所获取到的目标状态数据的精度。
举例说明,如图2所示的分布式架构,每个节点体只可以和相邻的节点体进行通信,即图2中的节点体B只可以和节点体A、C、F进行通信,节点体B不能和节点体D、E、G进行通信。在计算节点体A针对目标物体的状态数据时,采用节点体A所在的节点集合进行迭代运算,节点集合即由节点A、B、C、D、E、F、G构成的集合,在计算节点体D针对目标物体的状态数据时又会采用D所在的节点集合,可以将每个节点体的所获取到的目标物体的状态数据扩散到整个分布式架构中,从而提高对目标物体的状态估计精度。
示例性方法
本实施例的一种基于分布式架构获取目标状态的方法可应用于终端设备中,所述终端设备可为具有计算功能的终端产品,比如电脑等。在本实施例中,如图1中所示,所述基于分布式架构获取目标状态的方法具体包括如下步骤:
S100,获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态。
举例说明,如图2所示的分布式架构中的各个节点体都可以预测目标物体的状态(比如飞机的飞行速度、飞机的位置,这些都是飞机的状态),每个节点体可以实时预测飞机的状态,但节点体预测到的飞机状态不一定是飞机的真实状态,可能会偏离飞机的真实状态。因此需要再根据节点体采集到的某一时刻的观测值(比如雷达探测到的飞机的距离)对节点体预测到的飞机状态进行更新。之所以用节点体采集到的飞机“观测值(比如雷达探测到的飞机的距离)”去更新预测到的飞机状态而不是直接用节点体采集飞机所有时刻的状态,这是因为飞机在飞行时节点体并不是每时每刻都可以获取到相应的观测值,只能获取到飞机某些时刻的观测值,用这些某些时刻的观测值去更新预测到的所有时刻的状态,能够提高最终得到的飞机状态估计的精度。
步骤S100包括如下步骤S101、S102、S103、S104、S105:
S101,获取所述目标物体所对应的状态预测模型、状态观测模型、状态历史数据信息。
本实施例中,用如下模型定义状态预测模型:
xk+1=f(xk)+wk
式中,xk为目标物体的第k时刻的状态数据信息(状态历史数据信息);xk+1为需要预测的第k+1时刻的状态数据信息;f(·)是目标物体所对应的状态的非线性函数(比如关于飞机的飞行速度的函数);wk为第k时刻的高斯白噪声,通常表示成N(w|0,Q)(噪声的均值为0,协方差为Q);本实施例的状态预测模型是离散型的,本发明中的方法也可用于连续系统模型。
本实施例中,用如下模型定义状态观测模型:
式中,为第s个节点体采集到的观测值,hs(·)为第s个节点体的观测模型,一般为非线性函数。/>为与第s个节点体的传感器相关的噪声,一般也模拟成高斯白噪声
本实施例中,状态历史数据信息为无迹卡尔曼滤波器产生的表征概率分布的sigma点其中n为目标物体状态的维度,比如目标物体为飞机,飞机的状态包括在x轴上的飞行速度、在y轴上的飞行速度、在z轴上的飞行速度、在x轴上的位置、在y轴上的位置、在z轴上的位置,此时n为6维。
式中,上标s为节点体标识(如整个网络由N个节点组成,则s=1,2,…,N)。为节点体s在k-1时刻得到的状态历史值和相对应的协方差历史矩阵。为对应的矩阵/>的平方根矩阵的第i列。一个矩阵的平方根矩阵可由Cholesky分解得到(如MTM=P,矩阵M称作矩阵P的平方根)κ为待定参数。每个sigma点对应的权重ωi表示为
S102,依据所述状态历史数据信息,得到所述状态历史数据信息中的状态历史值和状态历史值所对应的协方差历史矩阵。
本实施例中,状态历史值为协方差历史矩阵为/>协方差历史矩阵用于表征估计的状态值的不确定度。
S103,将所述状态历史值和所述协方差历史矩阵代入所述状态预测模型进行计算,得到所述状态预测数据信息中的所述目标物体所对应的状态预测值。
式中,为用第k-1时刻所对应的状态历史值预测到的第k时刻的状态预测值。
S104,依据所述状态预测值,得到所述状态预测数据信息中的所述目标物体所对应的协方差预测矩阵。
式中,为第s个节点体第k时刻所对应的协方差预测矩阵,T代表转置矩阵。
S105,依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息。
本实施例为了简化计算,采用状态信息和信息矩阵的表示方法,令:
本实施例包括局部更新和递增更新两种更新方式,下面分别对其进行介绍:
局部更新包括用每个所述节点体所对应的所述状态观测数据信息更新每个所述节点体所对应的所述状态预测数据信息,得到每个所述节点体所对应的状态数据信息。
局部更新的具体过程如下:
其中为更新后的信息矩阵和状态信息。为预测的信息矩阵和状态信息,其中,信息矩阵Y在数学上表示为协方差矩阵的逆。用于表示针对目标物体所估计值状态值的不确定性程度。为k时刻得到的信息贡献以及信息矩阵贡献。给定观测方程和模型后它们可通过以下方式获得。
每个节点体相关的信息贡献以及信息贡献矩阵表达式如下:
其中为伪观测矩阵,(·)T表示一个矩阵的转置。/>分别是预测的观测值和互相关矩阵。它们同样可以通过sigma点求得:
其中的sigma点是基于预测的估计值产生的,也即
递增更新包括依据每个所述节点体所对应的相邻所述节点体的所述状态观测数据信息,更新每个所述节点体的所述状态预设数据信息,得到状态数据信息。
递增更新的具体过程如下:
由于每个节点体可以和相邻的节点体通信,当相邻节点体获得相应观测的时候,可以通过通信让当前节点体获得相邻节点的信息贡献和信息矩阵。
则更新方程变为
其中q表示第s个节点体和相邻节点体组成的集合的索引。
上述两种更新方式,使得每个节点体都获得了关于目标状态的一个估计值的信息形式。可通过两者的变换关系获得对应的估计值,也即
S200,获取由每个所述节点体、每个所述节点体所对应的相邻所述节点体所构成的节点集合,每个所述节点体和相邻所述节点体位于所述分布式架构中。
本实施例中,如图2所示,节点A、B、C、D、E、F、G就构成了针对节点A的节点集合。
S300,通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息。
步骤S300包括如下的步骤S301、S302、S303、S304:
S301,依据所述状态数据信息,得到所述状态数据信息中的状态值和所述状态值所对应的协方差矩阵。
S302,依据所述节点集合所对应的所述协方差矩阵,得到所述节点集合所对应的所述协方差矩阵的凸组合的逆。
本实施例中,协方差矩阵q∈Ns。/>的凸组合的逆Pχ(t-1):
式中,t为迭代次数。其中参数χq可由以下方式获得
式中参数{αq,wq}将由另一个辅助参数/>决定
tr(○)表示矩阵的迹,由于辅助参数是迭代次数的函数,所以其他参数同样在每次迭代中是变化的。
S303,通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵、每个所述节点体所对应的所述协方差矩阵,对每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标值。
步骤S303的迭代终止条件:每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的所述状态值相同和/或各个所述节点体所对应的所述状态值的不确定性相同,得到每个所述节点体所对应的所述目标物体的状态目标值
式中
其中,分布式架构中的各个所述节点体所对应的所述状态值相同和/或各个所述节点体所对应的所述状态值的不确定性相同,用下式表达:
表示各个节点体保持统一的那个估计值(相同的那个值)。
S304,通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵,对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵。
步骤S303的迭代终止条件:对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的目标状态估计值相同和/或各个所述节点体所对应的协方差矩阵的不确定性相同,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵
其中,分布式架构中的各个所述节点体所对应的协方差矩阵相同和/或各个所述节点体所对应的协方差矩阵的不确定性相同,用下式表达:
表示各个节点体所对应的协方差矩阵保持统一的那个估计值。
在迭代中,所有节点体将保持统一的估计值同时由于迭代状态方程是线性的,所以在起始时如果所有节点体状态估计的后验值是无偏的,则融合后的结果也是无偏的,也即若s=1,2,...,N,则
s=1,2,...,N
其中xk为k时刻目标状态的真值。E[·]表示随机变量的期望值。tmax表示最大迭代次数,也即最后一次迭代的结果。
综上,本发明采用的是分布式架构,分布式架构不需要融合中心,每个节点体只和相邻的节点体进行通信,上述通信方式增加了分布式架构所在的整体系统的健壮性,即单个节点体的毁坏不会影响整个系统的工作,而且分布式架构采用上述通信方式允许在分布式架构中根据需要扩展新的节点体以满足使用需求。本发明采用由相邻节点体所沟通的节点集合对每个节点体获取到的目标状态数据进行迭代运算,能够使得每个节点体获得的局部状态估计信息扩散到整个分布式架构所在的网络中,以保证每个节点体最终所得到的目标状态具有一致性。能够使得最终得到的目标状态数据接近于目标物体的真实状态参数,从而提高了通过分布式架构所获取到的目标状态数据的精度。
另外,本发明采用递增更新的方式,可以在一次通信的情况下让每个节点体获得相邻节点的信息贡献和信息贡献矩阵,以此提高最终获得的状态的精度。本发明采用迭代逆协方差交叉融合算法,此算法是逆协方差交叉算法的迭代扩展。采用迭代式的方式反复执行此算法可以在没有融合中心的情况下将整个节点网络中不同节点体的信息扩散到整个网络,同时保证最终的融合结果始终保持一致性。而且每次迭代后,每个节点体的协方差矩阵都是变化的,从而下一次迭代前参数都将被重新计算。所得到的最终的状态估计值的协方差矩阵和真实情况比较接近,以此提高了估计精度。
示例性装置
本实施例还提供一种基于分布式架构获取目标状态的方法的装置,所述装置包括如下组成部分:
状态数据计算模型,用于获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;
节点集合采集模块,每个位于所述分布式架构中的节点体用此模块获取对应的观测(如雷达传感器获取目标的距离观测);
状态目标数据计算模块,用于通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息。
基于上述实施例,本发明还提供了一种终端设备,其原理框图可以如图3所示。该终端设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、传感器。其中,该终端设备的处理器用于提供计算和控制能力。该终端设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于分布式架构获取目标状态的方法。该终端设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该终端设备的传感器是预先在终端设备内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端设备的限定,具体的终端设备以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于分布式架构的目标状态计算程序,处理器执行基于分布式架构的目标状态计算程序时,实现如下操作指令:
获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;
每个位于所述分布式架构中的节点体用此模块获取对应的观测(如雷达传感器获取目标的距离的观测);
通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上,本发明公开了涉及基于分布式架构获取目标状态的方法、装置及存储介质,所述方法包括:获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;获取由每个所述节点体、每个所述节点体所对应的相邻所述节点体所构成的节点集合,每个所述节点体和相邻所述节点体位于所述分布式架构中;通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (11)
1.一种基于分布式架构获取目标状态的方法,其特征在于,包括:
获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;
获取由每个所述节点体、每个所述节点体所对应的相邻所述节点体所构成的节点集合,每个所述节点体和相邻所述节点体位于所述分布式架构中;
通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息;
所述通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息,包括:
依据所述状态数据信息,得到所述状态数据信息中的状态值和所述状态值所对应的协方差矩阵;
依据所述节点集合所对应的所述协方差矩阵,得到所述节点集合所对应的所述协方差矩阵的凸组合的逆;
对每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的所述状态值相同和/或各个所述节点体所对应的所述状态值的不确定性相同,得到每个所述节点体所对应的所述目标物体的状态目标值;
通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵,对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵。
2.如权利要求1所述的基于分布式架构获取目标状态的方法,其特征在于,所述通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵,对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵,包括:
对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的协方差矩阵相同,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵。
3.如权利要求1所述的基于分布式架构获取目标状态的方法,其特征在于,在得到每个所述节点体所对应的所述目标物体的状态目标数据信息之后还包括:
依据当前时刻所述目标物体的状态目标数据信息,预测下一时刻所述目标物体的状态目标数据信息。
4.如权利要求1所述的基于分布式架构获取目标状态的方法,其特征在于,所述获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态,包括:
获取所述目标物体所对应的状态预测模型、状态观测模型、状态历史数据信息;
依据所述状态预测模型和每个所述节点体所对应的状态历史数据信息,得到所述目标物体所对应的状态预测数据信息;
依据所述状态观测模型和每个所述节点体所对应的所述状态历史数据信息,得到所述目标物体所对应的状态观测数据信息;
依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息。
5.如权利要求4所述的基于分布式架构获取目标状态的方法,其特征在于,所述依据所述状态预测模型和每个所述节点体所对应的状态历史数据信息,得到所述目标物体所对应的状态预测数据信息,包括:
依据所述状态历史数据信息,得到所述状态历史数据信息中的状态历史值和状态历史值所对应的协方差历史矩阵;
将所述状态历史值和所述协方差历史矩阵代入所述状态预测模型进行计算,得到所述状态预测数据信息中的所述目标物体所对应的状态预测值;
依据所述状态预测值,得到所述状态预测数据信息中的所述目标物体所对应的协方差预测矩阵。
6.如权利要求4所述的基于分布式架构获取目标状态的方法,其特征在于,所述依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息,包括:
用每个所述节点体所对应的所述状态观测数据信息更新每个所述节点体所对应的所述状态预测数据信息,得到每个所述节点体所对应的状态数据信息。
7.如权利要求4所述的基于分布式架构获取目标状态的方法,其特征在于,所述依据所述状态观测数据信息更新所述状态预测数据信息,得到状态数据信息,包括:
依据每个所述节点体所对应的相邻所述节点体的所述状态观测数据信息,更新每个所述节点体的所述状态预设数据信息,得到状态数据信息。
8.如权利要求4所述的基于分布式架构获取目标状态的方法,其特征在于,所述依据所述状态预测模型和每个所述节点体所对应的状态历史数据信息,得到所述目标物体所对应的状态预测数据信息,包括:
对所述状态历史数据信息采用无迹卡尔曼滤波器,得到sigma点;
将所述sigma点代入所述状态预测模型,得到所述目标物体所对应的状态预测数据信息。
9.一种基于分布式架构获取目标状态的方法的装置,其特征在于,所述装置包括如下组成部分:
状态数据计算模型,用于获取分布式架构中每个节点体所对应的目标物体的状态数据信息,所述节点体用于检测所述目标物体的状态;
节点集合采集模块,用于获取由每个所述节点体、每个所述节点体所对应的相邻所述节点体所构成的节点集合,每个所述节点体和相邻所述节点体位于所述分布式架构中;
状态目标数据计算模块,用于通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息;
所述通过所述节点集合所对应的所述目标物体的所述状态数据信息,对每个所述节点体所对应的所述状态数据信息应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的状态目标数据信息,包括:
依据所述状态数据信息,得到所述状态数据信息中的状态值和所述状态值所对应的协方差矩阵;
依据所述节点集合所对应的所述协方差矩阵,得到所述节点集合所对应的所述协方差矩阵的凸组合的逆;
对每个所述节点体所对应的所述状态值应用迭代逆协方差交叉算法进行迭代运算,直至所述分布式架构中的各个所述节点体所对应的所述状态值相同和/或各个所述节点体所对应的所述状态值的不确定性相同,得到每个所述节点体所对应的所述目标物体的状态目标值;
通过所述节点集合所对应的所述协方差矩阵的凸组合的逆、所述节点集合所对应的所述协方差矩阵,对每个所述节点体所对应的所述协方差矩阵应用迭代逆协方差交叉算法进行迭代运算,得到每个所述节点体所对应的所述目标物体的协方差目标矩阵。
10.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于分布式架构的目标状态计算程序,所述处理器执行所述基于分布式架构的目标状态计算程序时,实现如权利要求1-8任一项所述的基于分布式架构获取目标状态的方法的步骤。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于分布式架构的目标状态计算程序,所述基于分布式架构的目标状态计算程序被处理器执行时,实现如权利要求1-8任一项所述的基于分布式架构获取目标状态的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444606.0A CN114338664B (zh) | 2021-11-30 | 2021-11-30 | 基于分布式架构获取目标状态的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444606.0A CN114338664B (zh) | 2021-11-30 | 2021-11-30 | 基于分布式架构获取目标状态的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114338664A CN114338664A (zh) | 2022-04-12 |
CN114338664B true CN114338664B (zh) | 2023-09-26 |
Family
ID=81048701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111444606.0A Active CN114338664B (zh) | 2021-11-30 | 2021-11-30 | 基于分布式架构获取目标状态的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114338664B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777887A (zh) * | 2010-01-08 | 2010-07-14 | 西安电子科技大学 | 基于fpga的无迹卡尔曼滤波系统及并行实现方法 |
CN111883265A (zh) * | 2020-06-30 | 2020-11-03 | 南京理工大学 | 一种应用于火控系统的目标状态估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251438B2 (en) * | 2012-10-24 | 2016-02-02 | Regents Of The University Of Minnesota | Convex minimization and data recovery with linear convergence |
-
2021
- 2021-11-30 CN CN202111444606.0A patent/CN114338664B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101777887A (zh) * | 2010-01-08 | 2010-07-14 | 西安电子科技大学 | 基于fpga的无迹卡尔曼滤波系统及并行实现方法 |
CN111883265A (zh) * | 2020-06-30 | 2020-11-03 | 南京理工大学 | 一种应用于火控系统的目标状态估计方法 |
Non-Patent Citations (1)
Title |
---|
"逆协方差交叉融合鲁棒Kalman滤波器";高晓阳等;《空军工程大学学报(自然科学版)》;第20卷(第2期);第94-97页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114338664A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111708355B (zh) | 基于强化学习的多无人机动作决策方法和装置 | |
DE602004002235T2 (de) | Rechnerisches Verfahren zum Bestimmen des Abstellwinkels und des Schiebewinkels | |
CN111367317A (zh) | 基于贝叶斯学习的无人机集群在线任务规划方法 | |
CN109976363B (zh) | 无人机控制方法、装置、计算机设备及存储介质 | |
CN110209175B (zh) | 基于分布式有限时间状态观测器的多智能车辆编队方法 | |
CN114338664B (zh) | 基于分布式架构获取目标状态的方法、装置及存储介质 | |
CN111507591B (zh) | 电力系统状态确定方法、装置、计算机介质及存储介质 | |
CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
CN109343013B (zh) | 一种基于重启机制的空间配准方法和系统 | |
CN112699594A (zh) | 多智能体系统的二分共识控制律确定方法、装置、设备及存储介质 | |
CN110912535A (zh) | 一种新型无先导卡尔曼滤波方法 | |
CN108681621A (zh) | 基于Chebyshev正交多项式扩展RTS Kalman平滑方法 | |
CN109474892B (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
CN114564801A (zh) | 液压系统模型辨识方法及装置 | |
CN113805587B (zh) | 多无人车分布式编队控制方法、装置和设备 | |
Wessner et al. | Extending occupancy grid mapping for dynamic environments | |
CN111951304A (zh) | 基于互监督孪生网络的目标跟踪方法、装置与设备 | |
CN113534834A (zh) | 一种多无人机协同跟踪定位方法 | |
Suryan et al. | Multi-Fidelity Model-Free Reinforcement Learning with Gaussian Processes | |
CN115097726B (zh) | 一种智能体共识控制方法、装置、设备及存储终端 | |
CN110988790B (zh) | 一种无源目标的定位方法及装置 | |
CN113064349B (zh) | 固定时间收敛的非线性平台滑模控制方法、装置及系统 | |
Dingler | State estimation with the Interacting Multiple Model (IMM) method | |
CN113822912B (zh) | 图像目标长宽比变化的尺度自适应跟踪方法及装置 | |
CN110514222B (zh) | 一种基于协方差分析的弹类惯导导航误差分析方法及装置 |
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 |