CN115114985A - 一种基于集合理论的传感器系统分布式融合方法 - Google Patents
一种基于集合理论的传感器系统分布式融合方法 Download PDFInfo
- Publication number
- CN115114985A CN115114985A CN202210767714.XA CN202210767714A CN115114985A CN 115114985 A CN115114985 A CN 115114985A CN 202210767714 A CN202210767714 A CN 202210767714A CN 115114985 A CN115114985 A CN 115114985A
- Authority
- CN
- China
- Prior art keywords
- ellipsoid
- sensor
- estimation
- state
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical group C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000007499 fusion processing Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于集合理论的传感器系统分布式融合方法,针对有界干扰下的传感器系统,各局部处理器先通过集员估计方法对相应传感器的量测信息进行处理,得到局部估计状态可行集,然后将结果送至融合中心,进行融合处理;根据集合运算理论,局部估计之间的融合通过多个椭球求交的方式实现;为处理多个椭球交集可能为空的情况,引入q‑relaxed交集的概念;通过参数的选择保证算法得到稳健的状态可行集,同时降低异常值或传感器损坏对全局估计的影响。仿真实例表明,本发明提出的分布式融合方法有效的提高了系统的估计精度。
Description
技术领域
本发明涉及信息融合技术领域,尤其涉及一种基于集合理论的传感器系统分布式融合方法。
背景技术
近年来,大型复杂系统的功能要求正在迅速提高,特别是对系统状态的高性能估计要求。由于使用单传感器时测量精度、范围、稳定性和可靠性存在明显缺陷,多传感器系统及相关数据融合技术近年来受到越来越多的关注。估计融合算法按结构可分为集中式融合和分布式融合。其中,分布式融合可以降低信道带宽,生存能力强,易于工程实现,因而受到了更多的关注,逐渐成为了信息融合领域研究和应用的重点。分布式融合广泛应用于民用和国防领域,如多传感器融合定位、人工智能、多机器人协同、智能网联汽车、传感器网络等。
目前,估计融合通常采用基于随机噪声假设的估计方法来解决,如卡尔曼滤波及其相关扩展算法等传统估计方法。采用这些方法难以解决复杂系统带来的不确定性、强相关、强非线性、高维数等新问题,其根本原因在于概率化假设的前提。这些概率化方法对噪声的分布都有严格的要求,并要求其统计特性已知,导致这类方法存在一定的缺陷。
近年来,基于集合理论的估计方法正逐渐受到重视。该类方法通过集员估计理论实现参数或状态可行集的估计,它们以未知但有界噪声假设为基础,即仅要求噪声有界,而对边界内噪声的具体分布并无要求,可以克服传统估计方法的缺陷,很好的应用于传统估计方法不能适应的场合,而且这种简单的条件更容易得到满足。
但是,集合理论在多传感器融合方面的应用仍然存在巨大的挑战,其根本原因在于采用了新的估计结果表现形式。与点估计方法不同,集员估计方法采用状态可行集作为状态估计结果,多个可行集交集的表现形式和优化过程是融合技术的难点。
因而,需要提供一种新的融合方法,利用集合理论克服传统融合方法的缺陷,突破多集合交集求解的难点,进一步提升多传感器融合的性能。
发明内容
针对上述存在的问题,本发明旨在提供一种基于集合理论的传感器系统分布式融合方法,利用集合理论克服传统融合方法的缺陷,突破多集合交集求解的难点,能够提升多传感器融合的性能。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于集合理论的传感器系统分布式融合方法,其特征在于,包括以下步骤,
S1:获取各局部传感器的系统量测信息,建立传感器系统模型;
S2:基于各局部传感器的系统量测信息,使用集员估计方法进行状态估计,得到局部估计结果;
S3:将各局部估计结果利用椭球求交方法进行融合,得到中心估计椭球;
S4:对中心估计椭球的参数进行优化,得到最终的融合估计结果。
进一步的,步骤S1的具体操作包括以下步骤,
xk=Fk-1xk-1+Gk-1wk-1 (1)
zi,k=Hi,kxk+vi,k,i=1,2,…,N (2)
S102:假设模型过程噪声和观测噪声两种噪声属于椭球集合
式中,Qk和Ri,k为已知的正定矩阵,Qk表示k时刻过程噪声椭球形状矩阵,Ri,k表示第i个传感器k时刻的量测噪声椭球矩阵;
则待估计系统状态的初始值属于下式所描述的椭球
进一步的,步骤S2中使用集员估计方法进行状态估计分为状态更新阶段和量测更新阶段。
进一步的,状态更新阶段的具体操作包括以下步骤,
在状态更新阶段,更新椭球
其计算方法为:
σk|k-1=σk-1;
其中,Pk-1为k-1时刻的椭球形状矩阵,Qk-1为k-1时刻的过程噪声形状矩阵,σk-1作为系统李雅普诺夫函数的上界,与Pk-1共同决定了k-1时刻状态椭球的形状,pk∈(0,+∞)用来优化椭球εk|k-1的大小,pk的最优值为其中,tr表示矩阵的迹。
进一步的,量测更新阶段的具体操作包括以下步骤,
在量测更新阶段,更新椭球
其计算方法为:
Pi,k=(In-Ki,kHi,k)Pk|k-1;
其中,In为n维单位阵;
进一步的,步骤S3的具体操作包括以下步骤,
S301:假设中心估计椭球为
要使该椭球包含所有局部估计椭球的交集,则其中的元素必满足
S302:对上式(8)进行变换,可得
根据式(9),可以取
则有
S303:将式(10)和式(12)代入式(9),可以得到
S304:将式(10)、(11)和(13)代入式(7)中,即可得到中心估计椭球。
进一步的,步骤S4的具体操作包括以下步骤,
式中,上标j表示第j个状态变量,下标+和-分别表示最大值和最小值,Pi,j表示矩阵P的第i行第j列的元素;
其中,
S4011:将每个盒子的顶点投影到坐标轴上;
S4012:投影在坐标轴上的点可以在平面内构成(2λ-1)2个子盒子,式中,λ为盒子个数;
S4013:计算每个子盒子的中心点;
S4014:检测每个中心点是否属于初始的各个盒子,找到属于λ-q个盒子的中心点包含这个中心点的子盒子即为需要求解的q-relaxed交集;同时,不包含q-relaxed交集的初始盒子被视作异常值;在这个过程中,先设q=0,然后逐渐增大,直到找到满足条件的中心点。
本发明的有益效果是:
1、本发明中基于集合理论的传感器系统分布式融合方法可以克服传统估计方法的缺陷,很好的应用于传统估计方法不能适应的场合,而且这种简单的条件更容易得到满足。
2、本发明中基于集合理论的传感器系统分布式融合方法可以将不确定性包含于集合中进行运算,然后得到状态可行集以及边界的确定性描述。这使得该方法比传统估计方法更具鲁棒性。
3、本发明中基于集合理论的传感器系统分布式融合方法可以方便地处理带强相关信息的融合估计问题。因为它只需要知道误差边界信息,不需要知道包括互协方差在内的统计信息,所以运算过程可以不涉及相关性的作用。因此,对于复杂系统的多传感器融合而言,集员估计比概率化估计更有优势。
附图说明
图1为本发明实施例中的过程噪声分布图;
图2为本发明实施例中传感器1的量测噪声分布图;
图3为本发明实施例中传感器2的量测噪声分布图;
图4为本发明实施例中一次仿真的状态1平均均方误差;
图5为本发明实施例中一次仿真的状态2平均均方误差;
图6为本发明实施例中一次仿真的状态3平均均方误差。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
一种基于集合理论的传感器系统分布式融合方法,包括以下步骤,
S1:获取各局部传感器的系统量测信息,建立传感器系统模型;
xk=Fk-1xk-1+Gk-1wk-1 (1)
zi,k=Hi,kxk+vi,k,i=1,2,…,N (2)
式中,表示k时刻状态,为n维状态向量,xk-1为k-1时刻状态向量;Fk-1为非奇异状态转移矩阵,Gk-1为过程噪声输入矩阵;为k-1时刻过程噪声,表示实数空间的l维模型;Hi,k为第i个传感器在k时刻的观测矩阵,为第i个传感器在k时刻的观测噪声;
S102:假设模型过程噪声和观测噪声两种噪声属于椭球集合
式中,Qk和Ri,k为已知的正定矩阵,Qk表示k时刻过程噪声椭球形状矩阵,Ri,k表示第i个传感器k时刻的量测噪声椭球矩阵;;
则待估计系统状态的初始值属于下式所描述的椭球
进一步的,S2:基于各局部传感器的系统量测信息,使用集员估计方法进行状态估计,得到局部估计结果;
具体的,使用集员估计方法进行状态估计分为状态更新阶段和量测更新阶段。
在状态更新阶段,更新椭球
其计算方法为:
σk|k-1=σk-1;
其中,Pk-1为k-1时刻的椭球形状矩阵,Qk-1为k-1时刻的过程噪声形状矩阵,σk-1作为系统李雅普诺夫函数的上界,与Pk-1共同决定了k-1时刻状态椭球的形状,pk∈(0,+∞)用来优化椭球εk|k-1的大小,pk的最优值为其中,tr表示矩阵的迹。
在量测更新阶段,更新椭球
其计算方法为:
Pi,k=(In-Ki,kHi,k)Pk|k-1;
其中,In为n维单位阵;
进一步的,S3:将各局部估计结果利用椭球求交方法进行融合,得到中心估计椭球;
具体的,S301:假设中心估计椭球为
要使该椭球包含所有局部估计椭球的交集,则其中的元素必满足
S302:对上式(8)进行变换,可得
根据式(9),可以取
则有
S303:将式(10)和式(12)代入式(9),可以得到
S304:将式(10)、(11)和(13)代入式(7)中,即可得到中心估计椭球。
进一步的,S4:对中心估计椭球的参数βi,k进行优化,得到最终的融合估计结果。
式中,上标j表示第j个状态变量,下标+和-分别表示最大值和最小值,Pi,j表示矩阵P的第i行第j列的元素;
其中,
S4011:将每个盒子的顶点投影到坐标轴上;
S4012:投影在坐标轴上的点可以在平面内构成(2λ-1)2=25个子盒子,式中,λ为盒子个数;
S4013:计算每个子盒子的中心点;
S4014:检测每个中心点是否属于初始的各个盒子,找到属于m-q个盒子的中心点λ,包含这个中心点的子盒子即为需要求解的q-relaxed交集;同时,不包含q-relaxed交集的初始盒子被视作异常值;在这个过程中,先设q=0,然后逐渐增大,直到找到满足条件的中心点。
实施例:
考虑3传感器的目标跟踪系统,传感器系统由式(1)和式(2)给出,相应的矩阵为
其中,T0=0.1为采样周期,k时刻状态向量为xk=[x1,k x2,k x3,k]T,x1,k、x2,k和x3,k分别指机动目标的位置、速度和加速度。zi,k为第i个传感器对目标的探测信号。初始状态椭球符合式(5),相应参数为P0=I3,σ0=1,仿真中的真实状态初始值为[0 0 0]T。决定噪声边界椭球的矩阵为Qk=diag(10,10,10)、R1,k=diag(0.2,0.2),R2,k=diag(0.8,0.6)、R3,k=0.7。仿真中,过程噪声和传感器1、传感器2的量测噪声均匀分布在椭球ε(0,Qk)、ε(0,R1,k)、ε(0,R2,k)中,传感器3的量测噪声均匀分布在区间中。在仿真中,过程噪声和观测噪声均匀分布在椭球内部,如附图1-3所示,其中,图1为过程噪声分布图;图2为本传感器1的量测噪声分布图;图3为传感器2的量测噪声分布图。而后采用本发明提出的基于集合理论的分布式融合方法进行传感器信息的融合,得到融合估计结果,仿真中将Becis-Aubry提出的集员估计融合算法作为对比。
仿真在Intel Core i5 PC(3.2GHz,4G RAM)上的Matlab R2014a下运行100次,每个仿真包含1000个样本。以全局状态估计的每个状态变量的平均均方误差(MSE)、估计椭球的平均体积作为评价指标,如下表1所示。
表1估计结果统计对比
需要注意的是,MSE和体积从第100步到第1000步取平均值,排除了初始相位的影响,在模拟中将椭圆体的中心视为点估计。
附图4到附图6显示了一次模拟中的MSE随时间变化情况,以更直观地显示结果,图4为状态1平均均方误差,图5为状态2平均均方误差,图6为状态3平均均方误差。从表1和附图4-6中的结果表明,本发明提出的融合方法得到的MSE小于对比算法,说明本发明提出的融合方法在点估计精度方面优于对比算法。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于集合理论的传感器系统分布式融合方法,其特征在于,包括以下步骤,
S1:获取各局部传感器的系统量测信息,建立传感器系统模型;
S2:基于各局部传感器的系统量测信息,使用集员估计方法进行状态估计,得到局部估计结果;
S3:将各局部估计结果利用椭球求交方法进行融合,得到中心估计椭球;
S4:对中心估计椭球的参数进行优化,得到最终的融合估计结果。
2.根据权利要求1所述的一种基于集合理论的传感器系统分布式融合方法,其特征在于:步骤S1的具体操作包括以下步骤,
xk=Fk-1xk-1+Gk-1wk-1 (1)
zi,k=Hi,kxk+vi,k,i=1,2,…,N (2)
式中,表示k时刻状态,为n维状态向量,xk-1为k-1时刻状态向量;Fk-1为非奇异状态转移矩阵,Gk-1为过程噪声输入矩阵;为k-1时刻过程噪声,表示实数空间的l维模型;Hi,k为第i个传感器在k时刻的观测矩阵,为第i个传感器在k时刻的观测噪声;
S102:假设模型过程噪声和观测噪声两种噪声属于椭球集合
式中,Qk和Ri,k为已知的正定矩阵,Qk表示k时刻过程噪声椭球形状矩阵,Ri,k表示第i个传感器k时刻的量测噪声椭球矩阵;
则待估计系统状态的初始值属于下式所描述的椭球
3.根据权利要求2所述的一种基于集合理论的传感器系统分布式融合方法,其特征在于:步骤S2中使用集员估计方法进行状态估计分为状态更新阶段和量测更新阶段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767714.XA CN115114985A (zh) | 2022-07-01 | 2022-07-01 | 一种基于集合理论的传感器系统分布式融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210767714.XA CN115114985A (zh) | 2022-07-01 | 2022-07-01 | 一种基于集合理论的传感器系统分布式融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115114985A true CN115114985A (zh) | 2022-09-27 |
Family
ID=83329657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210767714.XA Pending CN115114985A (zh) | 2022-07-01 | 2022-07-01 | 一种基于集合理论的传感器系统分布式融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114985A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821588A (zh) * | 2023-07-06 | 2023-09-29 | 四川大学 | 基于dsmf融合算法的反应堆工况判断及预测方法 |
-
2022
- 2022-07-01 CN CN202210767714.XA patent/CN115114985A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116821588A (zh) * | 2023-07-06 | 2023-09-29 | 四川大学 | 基于dsmf融合算法的反应堆工况判断及预测方法 |
CN116821588B (zh) * | 2023-07-06 | 2024-05-03 | 四川大学 | 基于dsmf融合算法的反应堆工况判断及预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629452A (zh) | 一种基于多模式多参数集合预报的气象风险决策方法 | |
CN103383261A (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN107677997A (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
CN111829505A (zh) | 多传感器航迹质量外推航迹融合方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN109509207B (zh) | 一种对点目标和扩展目标进行无缝跟踪的方法 | |
CN112115419A (zh) | 系统状态估计方法、系统状态估计装置 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN113822335B (zh) | 基于gpb1-gm-phd的序贯融合目标跟踪方法 | |
CN106403953B (zh) | 一种用于水下自主导航与定位的方法 | |
CN111708013B (zh) | 一种距离坐标系目标跟踪滤波方法 | |
CN115508824B (zh) | 多目标大数据关联融合跟踪方法及系统 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及系统 | |
Liu et al. | Maneuvering extended object tracking based on constrained expectation maximization | |
Li et al. | Automatic identification of modal parameters for high arch dams based on SSI incorporating SSA and K-means algorithm | |
CN111722213B (zh) | 一种机动目标运动参数的纯距离提取方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN111736144B (zh) | 一种仅用距离观测的机动转弯目标状态估计方法 | |
CN116224320B (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
CN117214857A (zh) | 一种三维场景下高斯多假设多扩展目标的跟踪方法 | |
Ge et al. | Tracking video target via particle filtering on manifold | |
Chen et al. | Research on adaptive Monte Carlo location method based on fusion posture estimation | |
Tan et al. | Adaptive multiple minor directions extraction in parallel using a PCA neural network | |
CN114819036A (zh) | 一种单次测量天牛须控制方法、装置及可读存储介质 |
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 |