CN116738364A - 基于角度关联的多源传感器量测融合方法 - Google Patents

基于角度关联的多源传感器量测融合方法 Download PDF

Info

Publication number
CN116738364A
CN116738364A CN202310663391.4A CN202310663391A CN116738364A CN 116738364 A CN116738364 A CN 116738364A CN 202310663391 A CN202310663391 A CN 202310663391A CN 116738364 A CN116738364 A CN 116738364A
Authority
CN
China
Prior art keywords
sensor
measurement
angle
association
representing
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
CN202310663391.4A
Other languages
English (en)
Inventor
张永权
李志彬
刘泽坤
李思伟
姬红兵
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202310663391.4A priority Critical patent/CN116738364A/zh
Publication of CN116738364A publication Critical patent/CN116738364A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开一种基于角度关联的多源传感器量测融合方法，其实现步骤是：计算每个目标与每个传感器间的关联张角，确定每个传感器关联集合中每个时刻的量测张角，利用量测方位角差值对量测关联组合进行筛选；结合最小二乘法对筛选后量测进行角度关联，得到量测定位点；对量测定位点采取定位线关联程度的一次修正和主动传感器位置量测的二次修正，排除多数错误的定位点，对二次修正后仍有的错误定位点，利用判断法则修正，得到可以进行跟踪滤波的最终量测。本发明的多源传感器系统在量测融合方面计算复杂度低，提高了量测融合精度，提高了多目标跟踪的准确性。

Description

基于角度关联的多源传感器量测融合方法
技术领域
本发明属于雷达技术领域，更进一步涉及航迹融合技术领域中的一种基于角度关联的多源传感器量测融合方法。本发明可用于不同运动目标环境中实现多目标精确跟踪。
背景技术
现有的最具代表性的航迹状态估计融合方法是量测融合方法(MeasurementFusion，MF)、初等融合方法(Simple Fusion，SF)和加权协方差融合方法(WeightedCovariance Fusion，WCF)。量测融合方法计算量小，但精度较低；初等融合方法计算速度快，但其假设条件和实际不符，利用SF方法得到的并非最优解；加权协方差融合方法精度较高但计算量庞大。由于量测数据维度匹配问题，现有多目标跟踪算法主要以同一类型传感器或具有相同维度量测的传感器所构成的多传感器系统为主体，通过统一的数据处理框架对同构量测数据进行融合处理，从而对目标进行定位和跟踪。这类算法优势在于量测数据结构统一，不需要另行搭建数据处理框架，且发展相对成熟。但这类算法主要以单一类型传感器为主，或为主动传感器，或为被动传感器。单一的主动传感器其获得的信息多数是三维或以上的数据，在数据关联时计算量过于庞大，不利于计算；单一的被动传感器其获得的只有角度信息，缺乏能够进行准确定位的位置信息，且被动传感器系统需要在空间合理布局更多传感器对目标进行交叉测向定位，进而导致计算量增加，加之复杂环境的影响，极易造成错误量测组合数量增多，导致多目标跟踪性能下降。
哈尔滨工程大学在其申请的专利文献“一种基于距离图和数据清洗的多传感器航迹融合方法”(专利申请号：202110784798.3，授权公告号：CN 113532422 B)中公开了一种解决现有的计算量和精度不平衡问题的多传感器航迹融合方法。该方法的主要步骤为：(1)利用M个主动传感器来共同观测T0个目标，对任意的两个传感器s和l，得到在k时刻的观测航迹，通过航迹的状态向量构造传感器s和l在k时刻的距离图，通过距离图对传感器的航迹进行关联，得到每个目标的航迹数据；(2)分别对每个目标的航迹数据进行数据清洗，获得每个目标的有效航迹数据；(3)分别对每个目标的有效航迹数据进行融合，得到每个目标的航迹融合结果。该方法存在不足之处是，只采用单一类型的主动传感器得到观测航迹，后续航迹融合时计算量较大，如果传感器数量过多，容易出现组合爆炸问题。
杭州电子科技大学在其申请的专利文献“利用目标可见性实现航迹管理的多传感器航迹融合方法”(专利申请号：201811624341.0，授权公告号：CN 109657732 B)中公开了一种基于分布式融合的多传感器航迹融合方法。该方法的主要步骤为：步骤1，c个传感器分别将自身跟踪到的初始航迹集上传至融合中心；初始航迹集中的每条航迹信息均包含状态估计、误差协方差和目标可见性；将2赋值给p；以第一个初始航迹集作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η；步骤2，融合中心对主初始航迹集τ内的各航迹与辅初始航迹集η内的各航迹分别进行航迹关联融合；步骤3，若p＜c，则将p增大1后，将融合航迹集复制后作为主初始航迹集τ，第p个初始航迹集作为辅初始航迹集η，将融合航迹集置为空集，并重复执行步骤2；若p＝c，则进入步骤4；步骤4，将融合航迹集中目标可见性小于tFT的航迹作为终止航迹不再跟踪，并直接从融合航迹集中删除；将融合航迹集中目标可见性大于tCT的航迹作为目标航迹输出；将融合航迹集中目标可见性处于tFT～tCT之间的航迹作为未知身份航迹继续跟踪；tFT＝0.01；tCT＝0.99。该方法存在的不足之处是，由于环境噪声或虚警的影响，导致传感器得到的初始航迹集中包含错误量测，在其上传至融合中心前未经处理，后续处理过程中由于量测错误关联组合过多，则后续融合精度下降，进而使得多目标跟踪精度下降。
发明内容
本发明的目的在于针对上述现有技术的不足，提供一种基于角度关联的多源传感器量测融合方法，旨在解决现有技术中多传感器系统存在的数据关联计算量过高，以及跟踪精度因错误量测组合数量增多而下降的问题。
实现本发明目的的思路是：本发明提取两类传感器共有的角度测量值，计算每个目标与每个传感器之间的关联张角，确定每个传感器关联集合中每个时刻的量测张角，对于不处于量测关联集合中的量测，予以排除；对初筛选后的量测按不同传感器进行组合，通过构建量测方位角差值排除错误的量测关联组合，以使得处理后的量测关联组合数量达到可以快速计算的水平；结合最小二乘法对剩余量测关联组合进行角度关联，得到量测定位点；最后，通过结合主动传感器位置量测性质等途径，采取定位线关联程度的一次修正、主动传感器位置量测的二次修正以及判断准则，排除错误的定位点，得到可以进行跟踪滤波的最终量测。
为实现上述目的，本发明的步骤如下：
步骤1，提取同一时刻中每个传感器至少4种不同运动状态的目标角度测量值，每种运动状态至少存在两个或以上的目标，分别计算每个目标与每个传感器之间的关联张角，得到每个传感器的关联集合；
步骤2，确定每个传感器关联集合中每一个时刻的量测张角，计算测角误差，将位于量测张角范围内的所有量测组成该传感器量测关联集合；
步骤3，将系统中主动与被动传感器的量测关联集合范围内的量测值，组成该系统传感器的量测关联组合，利用量测方位角差值，筛除量测关联组合中的错误，得到筛选后的量测关联组合；
步骤4，对筛选后的量测关联组合进行角度关联融合定位，得到每一个量测关联组合对应的目标定位点；
步骤5，利用定位线关联程度修正方法，筛除每一个量测关联组合对应的目标定位点中错误的量测定位点，得到第一次筛选后的量测定位点；
步骤6，利用主动传感器位置量测的修正方法，筛除第一次筛选后的量测定位点中错误的定位点，得到第二次筛选后的量测定位点；
步骤7，判断同一目标经第二次筛选后的量测定位点的数目是否为1个，若是，则执行步骤9，否则，执行步骤8；
步骤8，将同一目标的所有量测定位点取均值，得到该目标的融合定位点后执行步骤9；
步骤9，将筛选后的定位点作为修正后的定位点。
本发明与现有技术相比具有以下优点：
第一，本发明将主动传感器定位准确的优势和被动传感器计算量小的优势结合，将主动传感器的距离和角度信息和被动传感器的角度信息融合，克服了异构传感器数据因量测纬度不同而难以融合的问题，较之单主动或单被动传感器系统，本发明的主被动传感器系统在量测融合方面计算复杂度低。
第二，本发明在进行角度关联之前通过角度量测初筛选，对传感器之间需要进行关联的量测范围进行了缩减；本发明提出基于统计量的二次筛选，在第一次排除错误量测的基础上进一步减少量测关联组合数，使得本发明经过两次筛选处理后的量测关联组合数量，已经达到可以进行快速计算的数量范围内，在后续融合定位时使得计算复杂度低，提高了融合效率。
第三，本发明在减少错误量测的量测集上结合最小二乘法进行角度关联融合定位，用于计算定位点的所有关联组合并不完全是正确的量测关联组合，对于处在角度关联范围内的错误的量测关联组合，通过定位线关联程度修正、位置量测的修正以及较近定位点的修正方法得到最终的融合定位结果，将每一时刻的定位结果在时间轴上串联起来作为目标的跟踪航迹，使得本发明提高了跟踪的准确性。
附图说明
图1是本发明的流程图；
图2是本发明传感器之间关联张角位置关系图；
图3是本发明关联张角和方位角确定传感器的关联集合图；
图4是本发明传感器量测张角定义图；
图5是本发明传感器与量测之间量测张角位置关系图；
图6是本发明确定传感器量测关联集合流程图；
图7是本发明确定传感器的量测关联集合图；
图8是本发明量测关联组合形成示意图；
图9是本发明量测方位角差值构建示意图；
图10是本发明量测方位角差值的概率密度函数曲线图；
图11是本发明的角度关联示意图；
图12是本发明CV模型目标真实运动轨迹图；
图13是本发明CV模型单次运行在x、y、z方向跟踪误差图；
图14是本发明CV模型100次蒙特卡洛实验仿真结果图；
图15是本发明RCT模型目标真实运动轨迹图；
图16是本发明RCT模型单次运行在x、y、z方向跟踪误差图；
图17是本发明RCT模型100次蒙特卡洛实验仿真结果图。
具体实施方式
下面结合附图和实施例，对本发明作进一步的描述。
参照图1，对本发明实施例的实现步骤作进一步的描述。
步骤1，提取同一时刻中每个传感器至少4种不同运动状态的目标角度测量值，每种运动状态至少存在两个或以上的目标，分别计算每个目标与每个传感器之间的关联张角，得到每个传感器的关联集合。
所述4种不同运动状态包括：匀速直线运动、匀加速直线运动、恒定转弯率运动和非恒定转弯率运动状态。
所述每个目标与每个传感器之间的关联张角是由下式确定的：
其中，θij表示第i个传感器与第j个传感器之间的关联张角，arcsin(·)表示反正弦计算符号，Ri与Rj表示第i个传感器与第j个传感器的最远探测半径，dij表示第i个传感器与第j个传感器之间的距离，Rmin表示第i个传感器与第j个传感器中探测半径最小的传感器的探测半径。
参照图2，对传感器位置关系做进一步的说明。
图2(a)表示即两传感器探测范围相交，且端点M和N是圆的交点而非切点；图2(b)表示/>即两传感器探测范围相交，且M和N是圆的切点而非交点；图2(c)表示dij＜Rj，即第i个传感器处于第j个传感器的探测范围之内。
所述每个传感器的关联集合是在范围内按照下述规则确定的：其中，αij表示第i个传感器关于第j个传感器的方位角；
第一步，判断第i个传感器与第j个传感器的距离是否小于两个传感器的最远探测半径之和，若是，则执行第二步；否则，判定两个传感器之间不存在关联集合；
第二步，判断第i个传感器与第j个传感器的距离是否小于第j个传感器的最远探测半径，若是，则判定第i个传感器的量测组成这两个传感器的关联集合，否则，判定第i个传感器与第j个传感器在关联方位角范围内的量测组成这两个传感器的关联集合。
参照图3，对传感器关联集合在不同位置的形成做进一步的说明：
图3(a)表示第i个传感器与第j个传感器的距离大于两个传感器的最远探测半径之和；图3(b)表示第i个传感器与第j个传感器的距离小于两个传感器的最远探测半径之和但大于第i个传感器与第j个传感器的最远探测半径且方位角大于0的情况；图3(c)表示第i个传感器与第j个传感器的距离小于两个传感器的最远探测半径之和但大于第i个传感器与第j个传感器的最远探测半径且方位角小于0的情况；图3(d)表示第i个传感器与第j个传感器的距离小于第j个传感器的最远探测半径。
步骤2，确定每个传感器关联集合中每一个时刻的量测张角，计算测角误差，将位于量测张角范围内的所有量测组成该传感器量测关联集合。
所述每个传感器关联集合中每一个时刻的量测张角是由下式确定的：
其中，表示第i个传感器与第j个传感器的量测张角，∠(·)表示角度符号，Oi表示第i个传感器在空间直角坐标系中位置的坐标点，Oj表示第j个传感器在空间直角坐标系中位置的坐标点，E表示第i个传感器相对于量测的测角定位点，F表示第i个传感器相对于量测的测角定位点，Ri与Rj表示第i个传感器与第j个传感器的最远探测半径，dij表示第i个传感器与第j个传感器之间的距离，l2表示线段OiF为第i个传感器相对于量测的测距。
参照图4，对量测张角的定义作进一步说明。
对量测张角的定义为：过Oi向量测作一条射线，交与圆上点E、F，将Oj与E、F相连，在得到的所有角度之中，包含量测所在位置的最小角度即为第i个传感器和第j个传感器关联集合中的量测张角
参照图5，对量测张角的关于传感器不同位置情况的计算作一说明：
图5(a)表示Rj＜dij＜Ri+Rj的传感器位置情况；图5(b)表示dij＜Rj且l2＜Ri的传感器位置情况；图5(c)表示dij＜Rj且l2≥Ri的传感器位置情况。
所述的测角误差由下式确定：
其中，vα表示每个传感器对目标存在的测角误差，N(·)表示正态分布，σα表示正态分布的标准差。
参照图6，对量测关联集合的判断流程作进一步说明。
所述将位于量测张角范围内的所有量测组成该传感器量测关联集合是按照下述规则确定的：
第一步，判断dij是否满足Rj＜dij＜Ri+Rj，若是，则执行第二步；否则，执行第九步；
第二步，判断第m个量测的方位角是否小于第i个传感器与第j个传感器连线的方位角，若是，则执行第三步；否则，执行第六步；
第三步，判断αij是否大于或者等于0，若是，则执行第四步，否则，执行第五步；
第四步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第五步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第六步，判断αij是否大于或者等于0，若是，则执行第七步，否则，执行第八步；
第七步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第八步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第九步，判断dij和l2是否满足dij＜Rj且l2＜Ri，若是，则执行第十步，否则执行第十七步；
第十步，判断第m个量测是否处于第i个传感器与第j个传感器位置连线划分的沿-y轴的探测范围内，若是，则执行第十一步，否则，执行第十四步；
第十一步，判断αij是否大于或者等于0，若是，则执行第十二步，否则，执行第十三步；
第十二步，判定处于[αji-3σα,αji+∠OiOjF+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第十三步，判定处于[αji-∠OiOjF-3σα,αji+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第十四步，判断αij是否大于或者等于0，若是，则执行第十五步，否则，执行第十六步；
第十五步，判定处于[αji-∠OiOjF-3σα,αji+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第十六步，判定处于[αji-3σα,αji+∠OiOjF+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角。
第十七步，判断dij和l2是否满足dij＜Rj且l2≥Ri，若是，则执行第四步；否则，认为计算错误，重新执行第一步。
参照图7，对不同位置量测在传感器探测范围内的情况作进一步的说明。
图7(a)表示αij大于0时量测位于第i个传感器与第j个传感器位置连线划分的沿-y轴的探测范围内的情况，其中，A表示第i个传感器与第j个传感器位置连线划分的沿-y轴的探测范围，B表示第i个传感器与第j个传感器位置连线划分的沿y轴的探测范围；图7(b)表示αij大于0时量测位于范围B时的情况；图7(c)表示αij小于0时量测位于范围A时的情况；图7(d)表示αij小于0时量测位于范围B时的情况。
步骤3，将系统中主动与被动传感器的量测关联集合范围内的量测值，组成该系统传感器的量测关联组合，利用量测方位角差值，筛除量测关联组合中的错误，得到筛选后的量测关联组合。
所述将系统中主动与被动传感器的量测关联集合范围内的量测值，组成该系统传感器的量测关联组合，按照下述规则确定：
其中，与/>表示被动传感器S1中第r个量测的方位角与俯仰角，/>与/>表示被动传感器S2中第s个量测的方位角与俯仰角,/>与/>表示主动传感器S3中第t个量测的方位角与俯仰角，/>表示主动传感器S3中第t个量测的坐标位置，{·}T表示转置操作，m表示采样时刻序号。
参照图8，对由一个主动传感器和两个被动传感器组成的传感器系统,形成每个时刻三个传感器的量测关联组合的过程作进一步的说明。
传感器在当前时刻的量测为位于该传感器关联集合范围内所有目标的量测值。主动传感器获取五个维度的目标量测值为[α,β,x,y,z]T，其中，[·]T表示转置操作，α表示量测点的方位角，β表示量测点的俯仰角，(x,y,z)表示量测点的坐标位置。每个被动传感器获取的目标量测值有两个维度[α,β]T。
图8中的主动传感器在第m个时刻，获得的所有目标量测值如下：其中，{·}T表示转置操作，m表示采样时刻的序号，αt表示第t个量测点的方位角，t＝1,2,···,T，T表示主动传感器目标量测点的总数，βt表示第t个量测点的俯仰角，(xt,yt,zt)表示第t个量测点的坐标位置。
第一个被动传感器在第m个时刻获得的量测值集合为其中，αr'表示第r个量测点的方位角，r＝1,2,···,R，R表示第一个被动传感器目标量测点的总数，βr'表示第r个量测点的俯仰角。
第二个被动传感器在第m个时刻获得的量测值集合为其中，αs”表示第s个量测点的方位角，s＝1,2,···,S，S表示第二个被动传感器目标量测点的总数，βs”表示第s个量测点的俯仰角；将主动传感器和两个被动传感器的量测值排列组合，形成当前时刻的量测关联组合为/>
参照图9，对量测方位角差值作进一步说明。
所述的量测方位角差值由下式确定：
Δα＝αM-α3t
其中，Δα是量测方位角差值，αM是确定的直线和/>确定的直线的交点M的方位角。
所述筛除量测关联组合中的错误，得到筛选后的量测关联组合，按照下述规则确定：
参照图10的Δα概率密度函数曲线，对量测关联组合的排除作进一步说明。
设置置信区间为其中/>是Δα的标准差，若Δα落在置信区间内，则认为/>关联组合中三对量测可能来自同一目标，予以保留；否则，将该关联组合判定为错误关联组合，予以排除。
步骤4，对筛选后的量测关联组合进行角度关联融合定位，得到每一个量测关联组合对应的目标定位点。
所述对筛选后的量测关联组合进行角度关联融合定位，得到每一个量测关联组合对应的目标定位点，按照下述规则确定：
第一步，确定每个时刻每个定位点相对于每个传感器的方向；
第二步，确定每个定位点相对于每个传感器的定位线；
第三步，确定每个定位点到形成该定位点的定位线的距离；
第四步，利用最小二乘法，确定每个目标的定位点。
参照图11，对由主动传感器S3和被动传感器S1、被动传感器S2组成的传感器系统，由当前时刻量测关联组合确定传感器的定位线L，将三条定位线距离之和最短的点的坐标位置作为定位点的坐标位置的情况作进一步说明。
定位点的坐标位置按照下述规则确定：
第一步，按照下式，确定每个时刻每个定位点相对于每个传感器的方向：
其中，表示第k个量测关联组合中第i个传感器的量测定位线沿x轴的方向，本发明实施例为一个主动传感器、两个被动传感器，所以，i＝1,2,3，cos(·)表示余弦操作，m表示采样时刻的序号，/>表示第m个时刻的第k个量测关联组合中第i个传感器量测的俯仰角，/>表示第m个时刻第k个量测关联组合中第i个传感器量测的方位角，/>表示第k个量测关联组合中第i个传感器量测定位线沿y轴的方向，sin(·)表示正弦操作，/>表示第k个量测关联组合中第i个传感器量测定位线沿z轴的方向。
第二步，按照下式，确定每个定位点相对于每个传感器的定位线：
其中，表示在第m个时刻的第k个量测关联组合中第i个传感器的量测确定的定位线，/>表示在第m个时刻的第k个量测关联组合确定的定位点的坐标位置，(xi,yi,zi)表示第i个传感器在空间直角坐标系的坐标位置。
第三步，按照下式，确定每个定位点到形成该定位点的定位线的距离：
其中，表示当前时刻第k个定位点到定位线/>的距离，/>表示空间直角坐标系中x坐标轴的单位向量，/>表示空间直角坐标系中y坐标轴的单位向量，/>表示空间直角坐标系中z坐标轴的单位向量。
第四步，利用最小二乘法，确定每个目标的定位点如下：
其中，
第五步，按照下式，得到目标定位点：
步骤5，利用定位线关联程度修正方法，筛除每一个量测关联组合对应的目标定位点中错误的量测定位点，得到第一次筛选后的量测定位点。
所述定位线关联程度修正方法的步骤如下：
第一步，按照下式，确定目标定位点的范围门限：
其中，γ表示目标定位点的范围门限值，σx表示主动传感器在x轴上距离噪声的标准差，σy表示主动传感器在y轴上距离噪声的标准差，σz表示主动传感器在z轴上距离噪声的标准差；
第二步，判断每个定位点到形成该定位点的定位线的距离和是否小于γ，若是，则保留该定位点；否则，筛除该定位点。
步骤6，利用主动传感器位置量测的修正方法，筛除第一次筛选后的量测定位点中错误的定位点，得到第二次筛选后的量测定位点。
所述主动传感器位置量测修正方法的步骤如下：
第一步，按照下式，确定修正门限值：
其中，γσ,x表示主动传感器在x轴上的门限值，σx表示主动传感器在x轴上距离噪声的标准差，γσ,y表示主动传感器在y轴上的门限值，σy表示主动传感器在y轴上距离噪声的标准差，γσ,z表示主动传感器在z轴上的门限值，σz表示主动传感器在z轴上距离噪声的标准差，
第二步，判断主动传感器与每个定位点的距离是否同时满足小于三个门限值，若是，则保留该定位点；否则，筛除该定位点。
步骤7，判断同一目标经第二次筛选后的量测定位点的数目是否为1个，若是，则执行步骤9，否则，执行步骤8；
步骤8，将同一目标的所有量测定位点取均值，得到该目标的融合定位点后执行步骤9；
步骤9，将筛选后的定位点作为修正后的定位点。
以下结合仿真实验，对本发明技术效果作进一步说明：
1.仿真实验的条件：
本发明的仿真实验的硬件平台为：处理器为Intel(R)Core(TM)i7-12700HCPU，主频为2.7GHz，内存16GB。
本发明的仿真实验的软件平台为：Windows 11操作系统和MATLAB R2023a。
2.仿真内容及其结果分析：
本发明的仿真实验是利用本发明的方法对6个运动目标在匀速运动模型(CV)和随机匀速转弯模型(RCT)下进行仿真验证，并对结果进行分析，仿真结果为100次蒙特卡洛实验的平均结果。
仿真实验1：
本发明的仿真实验1中的场景共包含6个目标，运动区域为x∈[-5km,5km]，y∈[-5km,5km]，高度均为500m低空，运动模型为匀速直线运动。目标存在新生和消亡的情况，因此目标数会随时间而发生变化，目标状态向量为x(k)＝[x(k),vx(k),y(k),vy(k),z(k),vz(k)]T，由位置和速度组成。6个目标初始状态分别为：
[2000，-36,1000，-27,500,0]T,[1500,-18,-2000,28,500,0]T,[-2000,32,-1000,15,500,0]T,[1500,-24,-2000,-12,500,0]T,[-1000,-25,2000,-30,500,0]T,[-2000,-16,-1000,48,500,0]T；6个目标的新生时刻分别为1,1,10,20,30,40；6个目标的消亡时刻分别为70,100,80,100,100,100。参照图12表示目标的真实运动轨迹，其中“○”表示轨迹起点，“△”表示轨迹终点。场景中设置3个传感器，其中，S1和S2为被动传感器，其位置分别为(0,-5km,0)，(5km,0,0)，S3为主动传感器，位置为(0,5km,0)，每个传感器的探测范围均为15km。量测向量z(k)＝[α(k),β(k),x(k),y(k),z(k)]T由方位角、俯仰角和位置坐标组成。运动模型中其他参数设置为：采样间隔T＝1s，方位角量测标准差σα＝1rad，俯仰角量测标准差σβ＝1rad，x、y、z方向距离标准差σx、σy、σz均为10m，目标存活概率为0.98，传感器检测概率为0.98。
仿真的跟踪算法选择基于随机有限集的PHD滤波算法，为体现所提融合算法性能的提升，以下仿真结果均与单主动传感器的PHD跟踪结果进行对比，环境参数设置完全一致，即杂波率λ＝60的均匀分布杂波环境。参照图13，展示了单次仿真在x、y、z方向的跟踪结果，图中“×”表示多源传感器，即主被动传感器(Active-Passive Sensors,APS)融合后的PHD滤波估计值，“·”表示单主动传感器(Active Sensor,AS)的PHD滤波估计值，“×”表示多源传感器融合后的目标量测或杂波量测，表示传感器S3获得的目标量测或杂波量测。参照图13的仿真结果表明，APS量测与AS量测在x、y、z方向上对目标的跟踪情况接近，且两种量测的跟踪结果都存在少量丢失。
图14是本发明仿真实验1经100次蒙特卡洛实验的仿真结果图，其中，图14(a)表示100次蒙特卡洛实验的势估计均值，即对目标数的估计。图14(a)表明APS量测和AS量测的结果都接近于真实目标数。
图14(b),图14(c)和图14(d)表示100次蒙特卡洛实验的OSPA距离(p＝1,c＝300m)。图14(b)表明，在所有采样时刻，APS量测对应的OSPA距离都小于AS量测对应的OSPA距离；图14(c)表明，在所有采样时刻，APS量测的位置误差都小于AS量测的位置误差；图14(d)表明，在多数采样时刻，APS量测的势误差与AS量测的势误差一致。
综合考虑位置误差、势估计误差以及OSPA距离，得出结论，在CV模型中，在参数相同的情况下，APS量测对应的跟踪性能比AS量测更好，对目标的跟踪精度更高。
仿真实验2：
本发明的仿真实验2中的场景共包含6个目标，运动区域为x∈[-5km,5km]，y∈[-5km,5km]，高度均为500m低空，运动模型为匀速直线运动。目标存在新生和消亡的情况，因此目标数会随时间而发生变化，目标状态向量为x(k)＝[x(k),vx(k),y(k),vy(k),z(k),vz(k),ω]T，由位置、速度和转弯角速度组成，转弯角速度会随时间发生变化。6个目标初始状态分别为[-1000,28,2000,-20,500,0,3]T,[1500,-18,-2000,28,500,0,3]T,[1500,10,-2000,25,500,0,3]T,[-1000,-25,2000,-30,500,0,3]T,[-500,50,-1000,-52,500,0,3]T,[-2000,16,-1000,40,500,0,3]T；6个目标的新生时刻分别为1,8,15,20,26,30；6个目标的消亡时刻分别为70,100,100,100,50,100。图15展示了目标的真实运动轨迹，其中“○”表示轨迹起点，“△”表示轨迹终点。场景中设置3个传感器，其中，S1和S2为被动传感器，其位置分别为(0,-5km,0)，(5km,0,0)，S3为主动传感器，位置为(0,5km,0)，每个传感器的探测范围均为15km。量测向量z(k)＝[α(k),β(k),x(k),y(k),z(k)]T由方位角、俯仰角和位置坐标组成。运动模型中其他参数设置除了将目标存活概率设置为0.99，传感器检测概率设置为0.99外，其余参数设置与仿真实验一一致。
仿真的跟踪算法选择基于随机有限集的PHD滤波算法，为体现所提融合算法性能的提升，以下仿真结果均与单主动传感器的PHD跟踪结果进行对比，环境参数设置完全一致，即杂波率λ＝60的均匀分布杂波环境。参照图13，展示了单次仿真在x、y、z方向的跟踪结果，图中“×”表示多源传感器，即主被动传感器(Active-Passive Sensors,APS)融合后的PHD滤波估计值，“·”表示单主动传感器(Active Sensor,AS)的PHD滤波估计值，“×”表示多源传感器融合后的目标量测或杂波量测，表示传感器S3获得的目标量测或杂波量测。参照图16的仿真结果表明，APS量测与AS量测在x、y、z方向上对目标的跟踪情况接近，且两种量测的跟踪结果都存在少量丢失。
图17是本发明仿真实验2经100次蒙特卡洛实验的仿真结果图，其中，图17(a)表示100次蒙特卡洛实验的势估计均值，即对目标数的估计。图17(a)表明APS量测和AS量测的结果都接近于真实目标数。
图17(b),图17(c)和图17(d)表示100次蒙特卡洛实验的OSPA距离(p＝1,c＝300m)。图17(b)表明，在所有采样时刻，APS量测对应的OSPA距离都小于AS量测对应的OSPA距离；图17(c)表明，在所有采样时刻，APS量测的位置误差都小于AS量测的位置误差；图17(d)表明，在多数采样时刻，APS量测的势误差与AS量测的势误差一致。
综合考虑位置误差、势估计误差以及OSPA距离，得出结论，在RCT模型中，在参数相同的情况下，APS量测对应的跟踪性能比AS量测更好，对目标的跟踪精度更高。
由仿真实验1和仿真实验2的结果可以看出，所提基于角度关联的多源传感器量测融合方法能够较好地处理单主动传感器和多被动传感器量测，对多目标的跟踪精度也有明显提升。

Claims (13)

1.一种基于角度关联的多源传感器量测融合方法，其特征在于，计算每个目标与每个传感器间的关联张角，确定每个传感器关联集合中每个时刻的量测张角，利用量测方位角差值对量测关联组合进行筛选；该融合方法的步骤包括如下：
步骤1，提取同一时刻中每个传感器至少4种不同运动状态的目标角度测量值，每种运动状态至少存在两个或以上的目标，分别计算每个目标与每个传感器之间的关联张角，得到每个传感器的关联集合；
步骤2，确定每个传感器关联集合中每一个时刻的量测张角，计算测角误差，将位于量测张角范围内的所有量测组成该传感器量测关联集合；
步骤3，将系统中主动与被动传感器的量测关联集合范围内的量测值，组成该系统传感器的量测关联组合，利用量测方位角差值，筛除量测关联组合中的错误，得到筛选后的量测关联组合；
步骤4，对筛选后的量测关联组合进行角度关联融合定位，得到每一个量测关联组合对应的目标定位点；
步骤5，利用定位线关联程度修正方法，筛除每一个量测关联组合对应的目标定位点中错误的量测定位点，得到第一次筛选后的量测定位点；
步骤6，利用主动传感器位置量测的修正方法，筛除第一次筛选后的量测定位点中错误的定位点，得到第二次筛选后的量测定位点；
步骤7，判断同一目标经第二次筛选后的量测定位点的数目是否为1个，若是，则执行步骤9，否则，执行步骤8；
步骤8，将同一目标的所有量测定位点取均值，得到该目标的融合定位点后执行步骤9；
步骤9，将筛选后的定位点作为修正后的定位点。
2.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤1中所述4种不同运动状态包括：匀速直线运动、匀加速直线运动、恒定转弯率运动和非恒定转弯率运动状态。
3.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤1中所述每个目标与每个传感器之间的关联张角是由下式确定的：
其中，θij表示第i个传感器与第j个传感器之间的关联张角，arcsin(·)表示反正弦计算符号，Ri与Rj表示第i个传感器与第j个传感器的最远探测半径，dij表示第i个传感器与第j个传感器之间的距离，Rmin表示第i个传感器与第j个传感器中探测半径最小的传感器的探测半径。
4.根据权利要求3所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤1中所述每个传感器的关联集合是在范围内按照下述规则确定的：其中，αij表示第i个传感器关于第j个传感器的方位角；
第一步，判断第i个传感器与第j个传感器的距离是否小于两个传感器的最远探测半径之和，若是，则执行第二步；否则，判定两个传感器之间不存在关联集合；
第二步，判断第i个传感器与第j个传感器的距离是否小于第j个传感器的最远探测半径，若是，则判定第i个传感器的量测组成这两个传感器的关联集合，否则，判定第i个传感器与第j个传感器在关联方位角范围内的量测组成这两个传感器的关联集合。
5.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤2中所述每个传感器关联集合中每一个时刻的量测张角是由下式确定的：
其中，表示第i个传感器与第j个传感器的量测张角，∠(·)表示角度符号，Oi表示第i个传感器在空间直角坐标系中位置的坐标点，Oj表示第j个传感器在空间直角坐标系中位置的坐标点，E表示第i个传感器相对于量测的测角定位点，F表示第i个传感器相对于量测的测角定位点，Ri与Rj表示第i个传感器与第j个传感器的最远探测半径，dij表示第i个传感器与第j个传感器之间的距离，l2表示线段OiF为第i个传感器相对于量测的测距。
6.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤2中所述的测角误差由下式确定：
其中，vα表示每个传感器对目标存在的测角误差，N(·)表示正态分布，σα表示正态分布的标准差。
7.根据权利要求5所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤2中所述将位于量测张角范围内的所有量测组成该传感器量测关联集合是按照下述规则确定的：
第一步，判断dij是否满足Rj＜dij＜Ri+Rj，若是，则执行第二步；否则，执行第九步；
第二步，判断第m个量测的方位角是否小于第i个传感器与第j个传感器连线的方位角，若是，则执行第三步；否则，执行第六步；
第三步，判断αij是否大于或者等于0，若是，则执行第四步，否则，执行第五步；
第四步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第五步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第六步，判断αij是否大于或者等于0，若是，则执行第七步，否则，执行第八步；
第七步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第八步，判定在范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第九步，判断dij和l2是否满足dij＜Rj且l2＜Ri，若是，则执行第十步，否则执行第十七步；
第十步，判断第m个量测是否处于第i个传感器与第j个传感器位置连线划分的沿-y轴的探测范围内，若是，则执行第十一步，否则，执行第十四步；
第十一步，判断αij是否大于或者等于0，若是，则执行第十二步，否则，执行第十三步；
第十二步，判定处于[αji-3σα,αji+∠OiOjF+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第十三步，判定处于[αji-∠OiOjF-3σα,αji+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第十四步，判断αij是否大于或者等于0，若是，则执行第十五步，否则，执行第十六步；
第十五步，判定处于[αji-∠OiOjF-3σα,αji+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第十六步，判定处于[αji-3σα,αji+∠OiOjF+3σα]范围内的量测组成量测关联集合，其中，αji表示第j个传感器关于第i个传感器的方位角；
第十七步，判断dij和l2是否满足dij＜Rj且l2≥Ri，若是，则执行第四步；否则，认为计算错误，重新执行第一步。
8.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤3中所述将系统中主动与被动传感器的量测关联集合范围内的量测值，组成该系统传感器的量测关联组合如下：
其中，与/>分别表示被动传感器S1中第r个量测的方位角与俯仰角，/>与/>表示被动传感器S2中第s个量测的方位角与俯仰角,/>与/>表示主动传感器S3中第t个量测的方位角与俯仰角，/>表示主动传感器S3中第t个量测的坐标位置，{·}T表示转置操作，m表示采样时刻序号。
9.根据权利要求8所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤3中所述的量测方位角差值由下式确定：
Δα＝αM-α3t.
其中，Δα是量测方位角差值，αM是确定的直线和/>确定的直线的交点M的方位角。
10.根据权利要求9所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤3中所述筛除量测关联组合中的错误，得到筛选后的量测关联组合是按照下述规则确定：设置置信区间为其中/>是Δα的标准差，若Δα落在置信区间内，则认为关联组合中三对量测可能来自同一目标，予以保留；否则，将该关联组合判定为错误关联组合，予以排除。
11.根据权利要求1所述对量测关联组合进行角度关联得到量测定位点，其特征在于，步骤4中所述对筛选后的量测关联组合进行角度关联融合定位，得到每一个量测关联组合对应的目标定位点的步骤如下：
第一步，确定每个时刻每个定位点相对于每个传感器的方向；
第二步，确定每个定位点相对于每个传感器的定位线；
第三步，确定每个定位点到形成该定位点的定位线的距离；
第四步，利用最小二乘法，得到每一个量测关联组合对应的目标定位点。
12.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤5中所述定位线关联程度修正方法的步骤如下：
第一步，按照下式，确定目标定位点的范围门限：
其中，γ表示目标定位点的范围门限值，σx表示主动传感器在x轴上距离噪声的标准差，σy表示主动传感器在y轴上距离噪声的标准差，σz表示主动传感器在z轴上距离噪声的标准差；
第二步，判断每个定位点到形成该定位点的定位线的距离和是否小于γ，若是，则保留该定位点；否则，筛除该定位点。
13.根据权利要求1所述的基于角度关联的多源传感器量测融合方法，其特征在于，步骤6中所述主动传感器位置量测修正方法的步骤如下：
第一步，按照下式，确定修正门限值：
其中，γσ,x表示主动传感器在x轴上的门限值，σx表示主动传感器在x轴上距离噪声的标准差，γσ,y表示主动传感器在y轴上的门限值，γσ,z表示主动传感器在z轴上的门限值，σz表示主动传感器在z轴上距离噪声的标准差；
第二步，判断主动传感器与每个定位点的距离是否同时满足小于三个门限值，若是，则保留该定位点；否则，筛除该定位点。
CN202310663391.4A 2023-06-06 2023-06-06 基于角度关联的多源传感器量测融合方法 Pending CN116738364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310663391.4A CN116738364A (zh) 2023-06-06 2023-06-06 基于角度关联的多源传感器量测融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310663391.4A CN116738364A (zh) 2023-06-06 2023-06-06 基于角度关联的多源传感器量测融合方法

Publications (1)

Publication Number Publication Date
CN116738364A true CN116738364A (zh) 2023-09-12

Family

ID=87900570

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310663391.4A Pending CN116738364A (zh) 2023-06-06 2023-06-06 基于角度关联的多源传感器量测融合方法

Country Status (1)

Country Link
CN (1) CN116738364A (zh)

Similar Documents

Publication Publication Date Title
CN107659893B (zh) 一种误差补偿方法、装置、电子设备及可读存储介质
CN1940591B (zh) 使用传感器融合进行目标跟踪的系统和方法
CN112613532B (zh) 基于雷达与循环神经网络补全红外融合的动目标跟踪方法
CN109557532B (zh) 基于三维霍夫变换的检测前跟踪方法、雷达目标检测系统
CN104715154B (zh) 基于kmdl准则判据的核k‑均值航迹关联方法
CN106646450A (zh) 基于距离分步聚类的雷达航迹抗差关联方法
CN107066806B (zh) 航迹关联方法及装置
Ma et al. Target tracking system for multi-sensor data fusion
CN104730537A (zh) 基于多尺度模型的红外/激光雷达数据融合目标跟踪方法
CN110738275B (zh) 基于ut-phd的多传感器序贯融合跟踪方法
CN113342059B (zh) 基于位置和速度误差的多无人机跟踪移动辐射源方法
CN112346104A (zh) 一种无人机信息融合定位方法
CN109752690A (zh) 无人机定位nlos的消除算法、系统、装置及存储介质
CN115930949A (zh) 一种多传感器分布式协同探测方法、系统及电子设备
CN111562570A (zh) 基于毫米波雷达的面向自动驾驶的车辆感知方法
CN117036400A (zh) 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法
CN113702940B (zh) 基于多元特征信息分层融合空间集群目标分辨方法及应用
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
CN111735443B (zh) 一种基于赋值矩阵的密集目标航迹关联方法
CN111366921B (zh) 基于距离加权融合的双站雷达交叉定位方法、系统及介质
CN117724059A (zh) 基于卡尔曼滤波算法的多源传感器融合航迹校正方法
CN116738364A (zh) 基于角度关联的多源传感器量测融合方法
CN113219452B (zh) 未知视域下的分布式多雷达联合配准与多目标跟踪方法
Wang et al. Research on multi-maneuvering target tracking JPDA algorithm
CN113376626A (zh) 基于immpda算法的高机动目标跟踪方法

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