CN114565010A - 一种基于数据融合的自适应卡尔曼噪声估计方法及系统 - Google Patents

一种基于数据融合的自适应卡尔曼噪声估计方法及系统 Download PDF

Info

Publication number
CN114565010A
CN114565010A CN202210044421.9A CN202210044421A CN114565010A CN 114565010 A CN114565010 A CN 114565010A CN 202210044421 A CN202210044421 A CN 202210044421A CN 114565010 A CN114565010 A CN 114565010A
Authority
CN
China
Prior art keywords
fusion
data
sensors
data fusion
matrix
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
CN202210044421.9A
Other languages
English (en)
Inventor
袁宏伟
宋信敏
刘正
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202210044421.9A priority Critical patent/CN114565010A/zh
Publication of CN114565010A publication Critical patent/CN114565010A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • 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
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)

Abstract

本发明涉及一种基于数据融合的自适应卡尔曼噪声估计方法及系统，包括利用多个传感器跟踪动态目标，获取每个传感器的观测值；基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；以此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；基于多个传感器的融合观测值得到过程噪声协方差矩阵估计值和测量噪声协方差估计值。本发明通过对多个传感器得到的测量序列进行数据融合以提到测量数据的精确度，解决卡尔曼模型噪声统计特性中二阶矩未知的滤波问题。

Description

一种基于数据融合的自适应卡尔曼噪声估计方法及系统
技术领域
本发明属于噪声估计技术领域，具体涉及一种基于数据融合的自适应卡尔曼噪声估计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
随着先进导航技术的迅速发展和低成本传感器的大量部署，KF已经成为机器人定位、组合导航和网络换向等多传感器融合集成中最重要的估计技术。在获得过程噪声和测量噪声的准确统计信息时，经典或标准的KF是最优的。然而，由于噪声依赖于环境以及系统动力学的不确定性等因素，在实际应用场景中，KF的约束条件太强，不能总是满足实际需要。过程噪声中的不确定性对KF有重要影响，甚至会导致滤波器发散。为了降低不准确统计信息带来的影响，各种KF的扩展研究相继出现并取得良好的成果。
一般来说，KF可以看作是一种基于模型用于递归估计状态均值向量和协方差矩阵的算法。KF获取卡尔曼增益矩阵的过程完全不受测量更新过程中任何信息的影响，这表明卡尔曼增益矩阵的更新独立于测量更新过程，但在实际应用中由于受到噪声统计特性中二阶矩未知的影响，KF的准确性还有待商榷。为了解决这一问题，现有技术提出了一种基于测量序列自适应估计过程噪声协方差矩阵和用新息序列自适应估计测量噪声协方差矩阵的自适应卡尔曼算法(Measurement Sequence Adaptive KF，MSAKF)。该算法分别通过测量序列和新息序列的信息计算过程噪声协方差矩阵的估计值和测量噪声协方差矩阵的估计值。
而在用测量序列信息获取过程噪声协方差矩阵的过程中，MSAKF测量序列的准确性并没有得到很好的保证。
发明内容
为了解决上述问题，本发明提出了一种基于数据融合的自适应卡尔曼噪声估计方法及系统，本发明解决传统卡尔曼模型噪声统计特性中二阶矩未知的滤波问题。为了获得满意的最优估计结果，算法分别通过测量融合序列和新息序列获得过程噪声协方差和测量噪声协方差的估计值。
根据一些实施例，本发明的第一方案提供了一种基于数据融合的自适应卡尔曼噪声估计方法，采用如下技术方案：
一种基于数据融合的自适应卡尔曼噪声估计方法，包括：
利用多个传感器跟踪动态目标，获取每个传感器的观测值；
基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；
通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；
依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
根据一些实施例，本发明的第二方案提供了一种基于数据融合的自适应卡尔曼噪声估计系统，采用如下技术方案：
一种基于数据融合的自适应卡尔曼噪声估计系统，包括：
数据获取模块，被配置为利用多个传感器跟踪动态目标，获取每个传感器的观测值；
数据融合模块，被配置为基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
噪声估计模块，被配置为基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
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如上述第一个方面所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
根据一些实施例，本发明的第四方案提供了一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
与现有技术相比，本发明的有益效果为：
本发明对多个传感器得到的测量序列进行数据融合可以提高测量数据的精确度，分别通过测量融合序列和新息序列获得过程噪声协方差和测量噪声协方差的估计值，解决卡尔曼模型噪声统计特性中二阶矩未知的滤波问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例所述的方法的流程图；
图2是本发明实施例中分别用MSAKF,LKF和MFSAKF滤波算法估计X1,k的示意图；
图3是图2中横坐标[4.1-5]放大示意图；
图4是图2中横坐标[7.3-7.75]放大示意图；
图5是本发明实施例中分别用MSAKF,LKF和MSFAKF滤波算法估计的RMSE示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例提供了一种基于数据融合的自适应卡尔曼噪声估计方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本发明在此不做限制。本实施例中，该方法包括以下步骤：
(1)利用多个传感器跟踪动态目标，获取每个传感器的观测值。例如在车辆模型中观测值可以是横向加速度，横摆角速度或者前轮转角等；
(2)基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；
(3)通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；
(4)依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
(5)基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
下面对本实施例方法进行详细说明：
1、首先对经典卡尔曼滤波器进行说明如下：
考虑如下模型：
Figure BDA0003471554450000061
其中，Xk∈Rn是状态矩阵；Zk∈Rm是测量矩阵；A∈Rn×n是状态转移矩阵；H∈Rm×n是观测矩阵；G∈Rn×l是输入矩阵。Wk是过程噪声，Vk是测量噪声，且是互不相关零均值的高斯白噪声，方差满足：
Figure BDA0003471554450000062
Q是过程噪声协方差矩阵、R是测量噪声协方差矩阵、δi,j为克罗内克函数,当i＝j时δi,j＝1，否则为0。
假设1:状态初始值X0独立于过程噪声Wk和测量噪声Vk,满足：
Figure BDA0003471554450000063
Figure BDA0003471554450000064
其中
基于式(1)，经典的卡尔曼滤波的过程可分为两步。
Step 1
Figure BDA0003471554450000065
Pk,k-1＝APk-1AT+GQGT
Figure BDA0003471554450000066
是先验状态估计；
Figure BDA0003471554450000067
是后验状态估计；Pk-1为滤波估计误差协方差矩阵；Pk,k-1为一步预报估计误差协方差矩阵。
Step 2：
Kk＝Pk,k-1HT[HPk,k-1HT+R]-1
Figure BDA0003471554450000071
Pk＝[I-KkH]Pk,k-1
其中，Kk为卡尔曼滤波增益矩阵；
Figure BDA0003471554450000072
是后验状态估计；Zk∈Rm是测量矩阵。
2、单个数据的数据融合
假设一个数据xk有k个观测值(y1,y2,…yk)，如果要用这些观测数据去得到真实值的一个估计值
Figure BDA0003471554450000073
自然就会想到取平均值。假设，
Figure BDA0003471554450000074
则：
Figure BDA0003471554450000075
从式(2)中可以看出，当k值越来越大时，1/k越来越小，也就是说当有大量数据时，当前时刻的测量值就没有那么重要。相反，当k比较小时(数据不多时)就比较依赖于当前的测量值。对(2)一般化得:
Figure BDA0003471554450000076
M＝1/k，若同时用两个传感器获取测量值，这两个传感器测得的测量值的标准差分别为σ1,σ2且符合正态分布。一数据L在同一时刻用两个传感器测得的值分别为L1,L2，则根据L1,L2得到真实值L的一个估计值
Figure BDA0003471554450000077
Figure BDA0003471554450000078
只要
Figure BDA0003471554450000081
的方差
Figure BDA0003471554450000082
尽量小,
Figure BDA0003471554450000083
的值就越接近真实值，则：
Figure BDA0003471554450000084
式(5)中左右两端对M求导得：
Figure BDA0003471554450000085
把式(6)代入式(5)中我们便可得到
Figure BDA0003471554450000086
Figure BDA0003471554450000087
以上是把两个传感器测得的数据进行了数据融合，从另一角度来说也可以看成是把两个传感器融合成了一个“新传感器”，它的标准差是
Figure BDA0003471554450000088
当M的取值是式(6)时估计值最接近真实值。
3、多传感器下的测量序列融合
基于KF的数据融合包括状态向量融合和测量向量融合，在近十年得到了广泛的研究。本实施例选取测量向量融合的方法，主要原因是测量向量融合方法可以直接融合传感器的测量值，得到加权或组合测量值，然后利用单一卡尔曼滤波得到基于融合观测值的最终状态估计值。测量向量融合方法总体估计性能较好，具有并行实现和容错机制。
构建多传感器测量模型为：
Zk＝HXk+Vk
假设有i个传感器，其中(1≤s≤i)：
Figure BDA0003471554450000089
Figure BDA0003471554450000091
是第s个传感器在k时刻测得的第t个分量(1≤t≤m)。
由上述可知，(8)矩阵中每一个分量都可基于单个数据的数据融合方法进行融合，于是由式(4)-(7)我们对
Figure BDA0003471554450000092
进行i-1次数据融合得到(r×1)阶矩阵；i-1次数据融合的详细过程为：前两个传感器测得的数据进行第一次数据融合，融合后的数据再与第三个传感器测得的数据进行第二次数据融合，以此类推到第i个传感器测得的数据，共i-1次。不难推出：
Figure BDA0003471554450000093
其中：
Figure BDA0003471554450000094
σj表示第j个传感器的测量方差；σ(j)表示第(j)次数据融合后的传感器测量方差。
Figure BDA0003471554450000095
表示第p+1个传感器与第p-1次数据融合后的传感器在第k时刻第v个分量的差值；
当p＝1时；
Figure BDA0003471554450000096
表示第v次数据融合后的第p个分量。
4、多传感器样本序列的递归估计
在噪声Wk和Vk的可靠统计信息有限的情况下，过程噪声协方差矩阵和测量噪声协方差矩阵的估计，具体过程如下：
首先给出以下假设和引理。
引理1：设(x1,x2,…,xn)是母体x中抽取的一个子样本序列,则有统计量
Figure BDA0003471554450000101
假设2：若有一个随机变量D，满足D＝S+F；其中S和F的均值为0且互不相关；S的方差为B。向量D的一个独立同分布样本ηi，(i＝1,2,...).从实时样本ηi，中可以得到F的准确协方差矩阵。
定理1：在假设2的前提下，F的方差可以被估计为：
Figure BDA0003471554450000102
证明：根据基本的统计知识，可以得到:
Figure BDA0003471554450000103
由于E{D}＝0，根据大数定律,得:
Figure BDA0003471554450000104
另外，S和F互不相关,于是：
cov(D)＝cov(S)+cov(F) (13)
Figure BDA0003471554450000105
因此，为了递归估计F的协方差矩阵，n取值取较大的N，可以使用以下统计结果：
Figure BDA0003471554450000106
证明成立#
①过程噪声协方差矩阵(Q)估计具体为：
为了完成估计，构造噪声的样本序列成为当务之急。从式(1)中根据初始时刻到k时刻的测量序列，计算出新的测量模型：
Figure BDA0003471554450000111
其中：X1表示系统的初始状态值；
Figure BDA0003471554450000112
表示传感器测量序列；
Figure BDA0003471554450000113
表示过程噪声列；
Figure BDA0003471554450000114
表示传感器测量噪声序列；
Figure BDA0003471554450000115
表示扩展输入矩阵；
Figure BDA0003471554450000116
表示系统可观测矩阵。
其中，
Figure BDA0003471554450000117
Figure BDA0003471554450000118
式(16)右端可以分为两个部分，第一部分是系统的初始状态值X1，第二部分是噪声序列Wk和Vk。考虑到预先获取X1的精确值的难度，可以认为X1在一定程度上是一种未知的恒定扰动。
假设3：若存在一个合适的常数矩阵β∈Rd×km使得：
Figure BDA0003471554450000119
则有：
Figure BDA00034715544500001110
这样(18)式中仅包含噪声序列，由于Wk和Vk是零均值互不相关的白噪声，因此，
Figure BDA0003471554450000121
其中，diag()表示对角线矩阵，diag(Q...Q)和diag(R...R)中，Q和R的个数都是k个，后续不再说明。
Figure BDA0003471554450000122
而对于
Figure BDA0003471554450000123
来说，它的样本序列为θi,(i＝1,2,3,...)，根据(15)-(20)有：
Figure BDA0003471554450000124
为了更清楚地描述(21)，将介绍几种新符号Π，μ，ρ，令：
Figure BDA0003471554450000125
Figure BDA0003471554450000126
于是，
Figure BDA0003471554450000127
再有，ρ＝μ1+···+μk，当ρ的秩为l时，存在一个ρ+矩阵满足下式：
ρ+ρ＝Il×l (24)
其中Il×l表示一个l阶单位矩阵，ρ+是ρ矩阵的广义逆矩阵。则有；
Q＝ρ+Π(ρ+)T (25)
基于式(25)，可以根据系统测量值实时估计Q。将
Figure BDA0003471554450000128
作为Q的估计，Πk作为Π的实时计算，最终可以得到：
Figure BDA0003471554450000129
Figure BDA00034715544500001210
②过程噪声协方差矩阵(R)估计过程为：
考虑到未知的精确统计测量噪声协方差矩阵R与新息序列
Figure BDA00034715544500001211
有一定的关系：
Figure BDA0003471554450000131
其中，新息序列是根据式(1)经过简单的变形得到。
对于线性时变系统，我们可以很容易地得到以下Ck的估计值：
Figure BDA0003471554450000132
在这种情况下，将估计值Ck代入(28)，最终可以得到协方差矩阵R的估计值：
Figure BDA0003471554450000133
一般来说，KF的成功使用受到过程噪声和测量噪声统计信息的严重限制，而MSAKF算法虽然解决了这一问题，但在算法的精确度上还有待优化。在此基础上，本实施例提出了一种新的(MSFAKF)算法来解决这一问题。在该算法中，当测量矩阵H是列满秩时，可以找到一个合适的矩阵β满足(17)。为了保证KF算法的稳定性，系统应该可控和可观的。另外，系统测量Zk应该是有界的，这也是大多数物理系统所满足的。基于上述估计方法，可以实时估计协方差矩阵Q和R，从而应用于(1)中的KF估计系统状态。本实施例算法的具体实现过程如下：
Figure BDA0003471554450000134
Figure BDA0003471554450000141
本实施例方法能够解决模型噪声统计特性中二阶矩未知的滤波问题。经典的KF对过程噪声协方差矩阵的估计误差会破坏对状态的估计，而对状态的估计误差又会反过来破坏对过程噪声协方差矩阵的估计，从而破坏滤波器的稳定性和最优性。本实施例提出了测量序列融合自适应卡尔曼滤波器(MSFAKF)算法。为了获得满意的最优估计结果，算法分别通过测量融合序列和新息序列获得过程噪声协方差和测量噪声协方差的估计值。基于MSFAKF算法，可以根据测量序列信息自适应的估计噪声统计特性中二阶矩未知参数。
5、仿真验证
高精度定位和导航对于无人驾驶系统和先进的车辆网络至关重要。为了在信号退化环境下跟踪全球导航卫星系统(GNSS)的信号，在实际应用中可以采用锁相环。对于锁相环系统，可以采用基于滤波算法来估计调频信号的信息参数。锁相环系统的信号可以用微分方程的形式描述为：
Figure BDA0003471554450000151
系统离散化可得：
Figure BDA0003471554450000152
其中T＝tk-tk-1＝kd为采样时间段。因此，锁相环系统可以用离散时间系统表示为：
Figure BDA0003471554450000153
其中：
Figure BDA0003471554450000154
为了验证MSFAKF算法的有效性，我们利用本实施例算法对未知噪声统计的锁相环调频信号的信息参数进行估计。
模拟参数的数值为：kd＝0.9，T＝0.001，γ＝10，x1，0＝0，x2，0＝0，x3，0＝0，估计的初始协方差P0＝10×I3×3.输入的正弦信号为sin(wt+φ),其中w＝2，φ＝5。利用Matlab实现了三种滤波算法：MSAKF、LKF和MSFAKF算法，并对MSFAKF算法与LKF和MSAKF算法在锁相环信号跟踪中的性能进行分析。仿真结果如图2-图5所示。从图1-图3可以看出，在导航信号跟踪过程中，MSFAKF和MSAKF的性能确实优于LKF。这里的LKF是RudolfE.Kalman在20世纪60年代提出的滤波算法。在LKF中，协方差矩阵Q和R的初值应根据丰富的工程经验确定。虽然尽量为LKF选择合适的初始值，但在实际应用中由于噪声统计特性中二阶矩未知，LKF算法的性能较差。在MSAKF算法中，虽然不能准确地知道噪声的统计特性，但是可以通过测量序列中的信息来获得噪声的统计特性。因此，MSAKF算法也可以快速准确地跟踪导航信号。而对于本实施例算法MSFAKF，能够精确测量序列，让其获得的统计特性中的未知二阶矩更加准确，所以可以更加精确的跟踪导航信号。
图5显示了三种滤波算法得到的估计值与真实值之间的均方根误差RMSE，MSFAKF，MSAKF和LKF三者之间LKF的性能最差。而在MSAKF，MSFAKF中MSFAKF的准确度更好。
实施例二
本实施例提供了一种基于数据融合的自适应卡尔曼噪声估计系统，包括：
数据获取模块，被配置为利用多个传感器跟踪动态目标，获取每个传感器的观测值；
数据融合模块，被配置为基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；
通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；
以此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
噪声估计模块，被配置为基于多个传感器的融合观测值得到过程噪声协方差矩阵估计值和测量噪声协方差估计值。
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例提供了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如上述实施例一所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，包括：
利用多个传感器跟踪动态目标，获取每个传感器的观测值；
基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；
通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；
依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
2.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据，具体为：
Figure FDA0003471554440000011
其中，
Figure FDA0003471554440000012
为数据L的估计值，L1,L2分别为数据L在同一时刻用两个传感器测得的值；M＝1/k，k为观测值的数量。
3.如权利要求2所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，第一融合数据
Figure FDA0003471554440000013
的方差为：
Figure FDA0003471554440000014
其中，
Figure FDA0003471554440000015
为
Figure FDA0003471554440000016
的标准差，σ1,σ2分别为前两个传感器测得的测量值的标准差。
4.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，所述得到多个传感器的融合观测值，具体为：
Figure FDA0003471554440000021
其中，
Figure FDA0003471554440000022
是第s个传感器在k时刻测得的第t个分量；
Figure FDA0003471554440000023
表示第p+1个传感器与第p-1次数据融合后的传感器在第k时刻第v个分量的差值；
Figure FDA0003471554440000024
σj表示第j个传感器的测量方差；σ(j)表示第(j)次数据融合后的传感器测量方差，σ1,σ2分别为前两个传感器测得的测量值的标准差。
5.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，计算所述样本序列的过程噪声协方差矩阵估计值
Figure FDA0003471554440000025
具体包括：
Figure FDA0003471554440000026
Figure FDA0003471554440000027
其中，
Figure FDA0003471554440000028
Figure FDA0003471554440000029
表示扩展输入矩阵；ρ+是ρ矩阵的广义逆矩阵，ρ＝μ1+···+μk，β为常数矩阵，diag()表示对角线矩阵，diag(R...R)中，R的个数为k个；θi为βZk的样本序列；μi为
Figure FDA00034715544400000210
的样本序列；Zk∈Rm是测量矩阵，R是测量噪声协方差矩阵。
6.如权利要求1所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，计算所述样本序列的测量噪声协方差估计值
Figure FDA00034715544400000211
具体包括：
Figure FDA0003471554440000031
其中，
Figure FDA0003471554440000032
为Ck的估计值，Pk,k-1为一步预报估计误差协方差矩阵，H是观测矩阵。
7.如权利要求6所述一种基于数据融合的自适应卡尔曼噪声估计方法，其特征在于，Ck的估计值具体为：
Figure FDA0003471554440000033
Ck＝HPk,k-1HT+R
其中，εk为信息序列，k为观测值个数，R为协方差矩阵，Pk,k-1为一步预报估计误差协方差矩阵，H为观测矩阵。
8.一种基于数据融合的自适应卡尔曼噪声估计系统，其特征在于，包括：
数据获取模块，被配置为利用多个传感器跟踪动态目标，获取每个传感器的观测值；
数据融合模块，被配置为基于前两个传感器的观测值进行第一次数据融合，得到第一融合数据；通过第一融合数据与再下一个传感器的观测值进行第二次数据融合，得到第二融合数据；依此类推，完成多个传感器的观测值数据融合，得到多个传感器的融合观测值；
噪声估计模块，被配置为基于多个传感器的融合观测值构建样本序列，计算所述样本序列的过程噪声协方差矩阵估计值和测量噪声协方差估计值。
9.一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如权利要求1-7中任一项所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于数据融合的自适应卡尔曼噪声估计方法中的步骤。
CN202210044421.9A 2022-01-14 2022-01-14 一种基于数据融合的自适应卡尔曼噪声估计方法及系统 Pending CN114565010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210044421.9A CN114565010A (zh) 2022-01-14 2022-01-14 一种基于数据融合的自适应卡尔曼噪声估计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210044421.9A CN114565010A (zh) 2022-01-14 2022-01-14 一种基于数据融合的自适应卡尔曼噪声估计方法及系统

Publications (1)

Publication Number Publication Date
CN114565010A true CN114565010A (zh) 2022-05-31

Family

ID=81711412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210044421.9A Pending CN114565010A (zh) 2022-01-14 2022-01-14 一种基于数据融合的自适应卡尔曼噪声估计方法及系统

Country Status (1)

Country Link
CN (1) CN114565010A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473455A (zh) * 2023-12-27 2024-01-30 合众新能源汽车股份有限公司 多源定位数据的融合方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117473455A (zh) * 2023-12-27 2024-01-30 合众新能源汽车股份有限公司 多源定位数据的融合方法、装置和电子设备
CN117473455B (zh) * 2023-12-27 2024-03-29 合众新能源汽车股份有限公司 多源定位数据的融合方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Talebi et al. A distributed quaternion Kalman filter with applications to smart grid and target tracking
CN112285676B (zh) 激光雷达与imu外参标定方法及装置
Zhou et al. Critical issues on Kalman filter with colored and correlated system noises
CN106202756B (zh) 基于单层感知机的欠定盲源分离源信号恢复方法
WO2009146246A1 (en) System and method of improved kalman filtering for estimating the state of a dynamic system
Miao et al. Analysis of a variational Bayesian adaptive cubature Kalman filter tracking loop for high dynamic conditions
CN109827579A (zh) 一种组合定位中滤波模型实时校正的方法和系统
CN114565010A (zh) 一种基于数据融合的自适应卡尔曼噪声估计方法及系统
Nordsjo A constrained extended Kalman filter for target tracking
CN113466904A (zh) 一种动态干扰源跟踪方法及系统
CN105117609A (zh) 一种基于推广型K-Means分类决策的动态称重的方法
CN116088303B (zh) 一种不确定复杂动态网络状态时变递推估计方法
Leanza et al. On the vehicle dynamics prediction via model-based observation
Xia et al. Network-based data-driven filtering with bounded noises and packet dropouts
CN107590509B (zh) 基于最大期望近似的切尔诺夫融合方法
CN111141279A (zh) 行车轨迹的处理方法及装置
Kong et al. Coupled Principal Component Analysis
Sun et al. A modified marginalized Kalman filter for maneuvering target tracking
Chen et al. An adaptive multi-sensor data consistency algorithm based on node credibility
Zhang et al. LPV system common state basis estimation from independent local LTI models
CN117590441B (zh) 一种完好性保护水平计算方法及相关设备
CN110426702B (zh) 基于多雷达的系统偏差与目标状态的序贯滤波方法及系统
Li et al. A novel fifth-degree Cubature Kalman filter approaching the lower bound on the number of Cubature points
CN106875486A (zh) 一种基于节点信息量统计的多波束地形分块方法
Tang et al. Gaussian Recursive Filtering Algorithm for Multi-Rate Sensor Systems with Delayed and Infrequent Primary Measurements

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