CN117092638A - 多传感器信息在线数据融合方法 - Google Patents
多传感器信息在线数据融合方法 Download PDFInfo
- Publication number
- CN117092638A CN117092638A CN202311024432.1A CN202311024432A CN117092638A CN 117092638 A CN117092638 A CN 117092638A CN 202311024432 A CN202311024432 A CN 202311024432A CN 117092638 A CN117092638 A CN 117092638A
- Authority
- CN
- China
- Prior art keywords
- sensor
- track
- target
- tracks
- sensors
- 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 8
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 230000004927 fusion Effects 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 31
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000009897 systematic effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract 1
- 238000001914 filtration Methods 0.000 description 5
- 238000007476 Maximum Likelihood Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination 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
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/418—Theoretical aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
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)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了多传感器信息在线数据融合方法,属于雷达信号处理领域;具体是首先,搭建包括传感器端和融合中心端的通信场景,传感器端的每个传感器对多目标无人机分别进行无序量测和航迹追踪,并发送给融合中心端;通过特征提取进行初步的航迹关联;然后,融合中心端采用在线空间配准算法对航迹关联信息进行时空配准,并对各传感器的量测偏差及姿态偏差进行估计,修正航迹和原始量测值;接着基于序贯m‑best航迹关联算法处理,将不同传感器对多目标测量形成的多条航迹进行关联,获得对于同一目标的多条航迹。最后,对同一目标的多条航迹进行综合航迹管理,得到多传感器对该目标的最终融合结果;本发明提高了跟踪航迹的稳定性和精度。
Description
技术领域
本发明属于雷达信号处理领域,具体是一种多传感器信息在线数据融合方法,用于提高跟踪航迹的稳定性和精度。
背景技术
在分布式信息处理系统中,一般采用航迹与航迹关联对来自不同传感器的多条航迹进行分类,从而剔除重复航迹,后续采用融合算法实现对多个目标连续、可靠和高精度的跟踪。
航迹关联的过程可描述为:目标的航迹由位置、速度、方差及其它特征值表示,每个传感器将各自的局部航迹送至融合中心。在融合中心采用两种方式进行融合:一种是依据一定的准则把各个传感器送来的同一批目标的航迹归并到一起,形成统一的全局航迹;另一种是把各个传感器送来的局部航迹与数据库中己有的系统航迹进行配对,以保证配对后的目标状态与系统航迹中的状态源于同一批目标。
在线空间配准算法认为系统偏差为渐变值,采用滤波的方法获得偏差的实时估计。基于无迹滤波的传感器在线配准算法在滤波精度和鲁棒性方面均优于基于扩展卡尔曼的算法,可以更好地应用于非线性系统的偏差估计。
传感器航迹关联及显著性目标识别算法,将经典全局最近模型的航迹关联(GNP)算法扩展到多传感器场景下,通过对按观测目标数目由少到多排序后的多传感器数据,按序进行两两GNP航迹关联,从全部的航迹关联结果中,找到所有目标的“链式”航迹关联结果,即编号的航迹关联结果,同时找到在该时间片内能被所有传感器检测到的显著性目标,将其量测数据重新整合后输出。
序贯法m-best算法是解决S-D分配问题的启发式方法,该方法解决了一系列广义的2-D分配问题,其中算法的每次迭代引入来自下一个传感器的航迹,并将这些航迹与先前的结果相关联。为了避免收敛到局部最小值,保留每次迭代的m-最佳解(基于Murty算法)并在下一次迭代中使用。
综合航迹管理是对各个传感器的量测信息选择性利用,使得最终形成的综合航迹比单一传感器的跟踪航迹更稳定,精度更高。
发明内容
本发明针对传统单传感器配准跟踪航迹的方法精度低的问题,提出了一种多传感器信息在线数据融合方法,基于序贯m-best航迹关联,最终提高了跟踪航迹的稳定性和精度。
步骤一、搭建包括传感器端和融合中心端的通信场景,传感器端的每个传感器对多目标分别进行无序量测和航迹追踪,并将各自的航迹信息及量测值发送给融合中心端。
每个传感器传回融合中心端的量测数据包括其探测到的目标编号、目标航迹位置信息和目标姿态等。
不同传感器对同一目标的编号不一定相同。
步骤二、对传回融合中心端的航迹信息和量测值进行特征提取,并进行初步的航迹关联。
具体步骤如下:
步骤201、针对同一时间片Tarri,将每个传感器的量测数据中根据目标的数量从多到少,将传感器进行排列,得到数组Si,i=1,2,...,s,选择传感器数组Si中排在首位的传感器,作为基准。
每个时间片分别对应一个基准传感器;
步骤202、对数组中每个传感器,使用GNP算法将各传感器上传的目标位置信息转换到地心地固坐标系下;
针对数组中相邻的两个传感器A和B,转换公式如下:
其中,为传感器A观测并跟踪的第i个目标在地心地固坐标系下的三维位置信息,/>为传感器B观测并跟踪的第j个目标在地心地固坐标系下的三维位置信息;Xtruea(i)为在当前的量测时刻下,传感器A的第i个目标的真实位置;Xtrueb(j)为在当前的量测时刻下,传感器B的第j个目标的真实位置;G(·)是从量测坐标系转到公共坐标系下的噪声,Pi和Qj分别为这两个传感器量测噪声的协方差矩阵。/>和/>分别为传感器A和传感器B的系统偏差。
步骤203、针对传感器数组Si,在当前阶段将量测数据分配给航迹,并计算总代价最大的最优分配方案;
分配代价计算公式为:
R是系统偏差协方差矩阵,a(i)表示分配情况,a(i)>0表示传感器A中第i个目标与传感器B中第a(i)个目标关联,a(i)=0表示传感器A中第i个目标未分配。为两个传感器A和B的偏差之差,即系统偏差的差值;δxi为计算过程中的中间变量,m为传感器探测到的目标数目,M为分配阶段之间的弧。
g为设定的经验门限值,初始门限值为:
每次更新门限值为:
其中,dmin为残差矩阵。
步骤204、将最优分配方案中得到的传感器航迹匹配信息结合航迹编号保存到匹配矩阵中,对其进行点迹匹配到航迹关联的扩展。
步骤205、每个时间片下分别对应的匹配矩阵,采用“链式共传感器法”进行整合,生成同一目标在不同传感器观测下的路径“组链”,完成从双传感器到多传感器的扩展。
步骤三、融合中心端采用在线空间配准算法对航迹关联信息进行时空配准,并对各传感器的量测偏差及姿态偏差进行估计,修正航迹和原始量测值;
具体步骤如下:
步骤301、针对Ns个传感器在同一空间中对某个目标的位置进行测量的场景,对第k个时间片,编号为i的传感器获得的目标位置量测值zi,k进行建模;
如下:
zi,k=hi(xk)+βi,k+vi,k
其中,hi(xk)表示对目标在公共坐标系下的坐标进行变换,βi,k表示第k个时间片编号为i的传感器所固有的系统偏差,vi,k表示第k个时间片编号为i的传感器噪声。
步骤302、记待估参数为ρ=[X,β],得到基于量测集的似然函数并进行简化,利用泰勒展开重新得到似然函数:
C是归一化的常数项;
为公共参考坐标系下的初始量测,β0为偏差向量估计的初始值其中X=xK为最新K个时间片的目标真实位置集合,/>为对时刻集K下的系统偏差真实值;对β求导并令结果为零,得到偏差估计;
β即为估计出的传感器系统量测偏差。
步骤四、经过修正后的航迹,基于序贯m-best航迹关联算法处理,将不同传感器对多目标测量形成的多条航迹进行关联,获得对于同一目标的多条航迹。
针对两个相邻的传感器A和B,若传感器A有N1条航迹,传感器B有N2条航迹,且不同航迹关联事件相互独立,则两个传感器之间航迹关联的2-D分配问题描述为下式的最优解。
cij为对似然函数取负对数的结果,χij为航迹i和航迹j是否对应同一目标的二值变量,
约束条件为
初始迭代将来自前两个传感器的航迹相关联,每次迭代引入来自下一个传感器的航迹并将这些航迹与先前的结果相关联。
为了避免收敛到局部最小值,保留每次迭代的m-Best(基于Murty算法)并在下一次迭代中使用。
一般的二维分配问题解决方案如下:
第二次迭代合并了下一个传感器,并使用来自传感器的跟踪文件对前一次迭代的结果执行二维分配,生成如下解决方案:
2-D分配问题的最佳解决方案是:
步骤五、对同一目标的多条航迹进行综合航迹管理,得到多传感器对该目标的最终融合结果;
本发明的优点在于:
1)、一种多传感器信息在线数据融合方法,相比于传统的基于扩展卡尔曼滤波方法,本发明利用了无迹滤波获得偏差的实时估计,避免了线性化的近似过程,从而显著的提高了精度和收敛速度。
2)、一种多传感器信息在线数据融合方法,解决了一系列广义的2-D分配问题,其中算法的每次迭代引入来自下一个传感器的航迹并将这些航迹与先前的结果相关联。为了避免收敛到局部最小值,保留每次迭代的m-最佳解(基于Murty算法)并在下一次迭代中使用。
3)、一种多传感器信息在线数据融合方法,相比于传统的单传感器多目标跟踪问题,本发明的综合航迹管理是对各个传感器的量测信息选择性利用,使得最终形成的综合航迹比单一传感器的跟踪航迹更稳定精度更高。
附图说明
图1为本发明一种多传感器信息在线数据融合方法流程图;
图2为本发明基于全局最近模型的航迹关联(GNP)算法图;
图3为本发明基于传感器航迹关联及显著性目标识别的航迹关联结果图。
图4为本发明基于综合航迹管理的算法流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明一种多传感器信息在线数据融合方法,如图1所示,具体步骤如下:
步骤一、搭建包括传感器端和融合中心端的通信场景,传感器端的每个传感器对多目标分别进行无序量测和航迹追踪,并将各自的航迹信息及量测值发送给融合中心端。
每个传感器传回融合中心端的量测数据包括其探测到的目标编号(不同传感器对同一目标的编号不一定相同)、目标航迹位置信息和目标姿态等。
不同传感器对同一目标的编号不一定相同。
步骤二、对传回融合中心端的航迹信息和量测值进行特征提取,并进行初步的航迹关联。
具体步骤如下:
步骤201、针对同一时间片Tarri,将每个传感器的量测数据中根据目标的数量从多到少,将传感器进行排列,得到数组Si,i=1,2,...,s,选择传感器数组Si中排在首位的传感器,作为后续寻找同一目标统一路径的基准。
每个时间片分别对应一个基准传感器;
步骤202、对数组中每个传感器,使用基于全局最近模型的航迹关联GNP算法将各传感器上传的目标位置信息转换到地心地固坐标系下;
如图2所示,针对数组中相邻的两个传感器A和B,假设这两个传感器同时追踪这个空间内的一组未知数目的目标,其中A传感器跟踪到的一组目标子集为NA={1,...,nA},传感器B跟踪到的一组目标的子集为NB={1,...,nB},不失一般性的,假设其中有nA≤nB≤N。
转换公式如下:
其中,为传感器A观测并跟踪的第i个目标在地心地固坐标系下的三维位置信息,/>为传感器B观测并跟踪的第j个目标在地心地固坐标系下的三维位置信息;Xtruea(i)为在当前的量测时刻下,传感器A的第i个目标的真实位置;Xtrueb(j)为在当前的量测时刻下,传感器B的第j个目标的真实位置;truea和trueb为真实的A、B传感器量测对应的同一个目标的索引。G(·)是从量测坐标系转到公共坐标系下的噪声,Pi和Qj分别为这两个传感器量测噪声的协方差矩阵。/>和/>分别为传感器A和传感器B的系统偏差。
步骤203、针对传感器数组Si,在当前阶段将量测数据分配给航迹,并计算总代价最大的最优分配方案;
随机生成K个航迹关联方案,并计算其总代价JK。对传感器A的第一个目标进行全分配后,计算目前所有分配总代价,当其小于目前代价时,继续进行分配。在每个阶段计算代价大的分配方案,同时在每个时刻更新代价最大的K个方案,直到最后进行全部的分配,找到总代价最大的为最优分配方案,然后把传感器的量测数据分配给航迹。
分配代价计算公式为:
R是系统偏差协方差矩阵,计算公式为:
Si=Pi+Qa(i)
a(i)表示分配情况,a(i)>0表示传感器A中第i个目标与传感器B中第a(i)个目标关联,a(i)=0表示传感器A中第i个目标未分配。同一个目标不能分配两次,所以令a(i)≠a(j)。为两个传感器A和B的偏差之差,即系统偏差的差值;
δxi为计算过程中的中间变量;m为传感器探测到的目标数目,M为分配阶段之间的弧。
当传感器A中第i个目标未分配时,g为设定的经验门限值,设置门限值是为了筛除虚警等因素;初始门限值为:
每次更新门限值为:
其中dmin为残差矩阵所有i,j的最小行列式。
步骤204、将最优分配方案中得到的传感器点迹匹配信息结合航迹编号保存到匹配矩阵中,对其进行点迹匹配到航迹关联的扩展。
步骤205、每个时间片下分别对应的匹配矩阵,采用“链式共传感器法”将所有传感器的航迹关联结果进行整合,生成同一目标在不同传感器观测下的路径“组链”,完成从双传感器到多传感器的扩展。
将上述步骤得到的点迹匹配信息结合航迹编号存入匹配矩阵中,该匹配矩阵的第i行为第i个传感器与第i+1个传感器的匹配情况,从而得知相邻两个传感器Si和Si+1中各自包含的多个目标数据之间的统一性关系,此过程称为“组链”。
用航迹关联结果a(p)=q即可表述该统一性关系,解释为传感器i中的目标p与传感器i+1中的目标q是同一个目标。为找到单个目标在所有传感器间的跟踪路径,将航迹关联结果整理为网络形式。此时,认为单个传感器i中目标j的数据为一个节点Vij,统一性关系a(p)=q为节点Vip与V(i+1)q之间的边Ei,p,q,因此该图被称为“多传感器多目标统一性识别网络”。如图3所示为航迹关联结果图。
步骤三、融合中心端采用在线空间配准算法对航迹关联信息进行时空配准,并对各传感器的量测偏差及姿态偏差进行估计,修正航迹和原始量测值;
由于传感器采样不同步和通信延时造成不同传感器的异步数据,将其利用在线空间配准算法,转换为同步数据,获得偏差的实时估计。
具体步骤如下:
步骤301、针对Ns个传感器在同一空间中对某个目标的位置进行测量的场景,对第k个时间片,编号为i的传感器获得的目标位置量测值zi,k进行建模;
如下:
zi,k=hi(xk)+βi,k+vi,k
其中,hi(xk)表示对目标在公共坐标系下的坐标进行变换,βi,k表示第k个时间片编号为i的传感器所固有的系统偏差,vi,k表示第k个时间片编号为i的传感器噪声。
步骤302、融合中心获取前k个时间片的所有雷达位置量测集进行后续处理。假设当前处于系统启动后的第kc个时间片,此时目标的航迹量测将用于进行空间配准。显然,当系统启动了足够长的时间之后,若对目标的所有的航迹量测/>作为极大似然空间配准算法的输入,将会因为kc的值过大变得难以计算。因此选取目标某些时间片的上的量测作为空间配准的输入,这些被选取的时刻记作时刻集K。在本方法中,选取最新的K个时间片作为时刻集K的元素,即/>那么筛选之后的量测集记为Z,/>这样既可以避免空间配准的计算量随时间不受控制地增长,又可以保证错误的航迹关联结果对于空间配准结果的影响是受限的。
记待估参数为ρ=[X,β],其中X=xK为最新K个时间片的目标真实位置集合,为对时刻集K下的系统偏差真实值,则可以得到基于量测集/>的似然函数:
那么其中有
k∈K,下同
根据量测zi,k与目标真实位置xk的相互关系可得其在υi,k=0处的泰勒展开可以表达为:
其中根据上式,可以将似然函数重新表达为
其中,为公共坐标系下的量测集,C是归一化的常数项;
步骤303、将上式展开可得
利用矩阵恒等式
xTAx-2xTB+BTA-1B=(x-A-1B)TA(x-A-1B)
其中A为对称矩阵,似然函数可简化为:
似然函数可简化为:
其中,
上式中,当时似然函数/>取得最大值,故而/>即为k时刻目标状态的极大似然估计结果。上式中右侧项可重新表达为:
其中
其中符号{·}i,j表示矩阵在i,j=1,2,…,NS处的子阵。
步骤304、令则上式中的似然函数可以重新表达为
考虑由于βi上扰动引起的变化,扰动后的量测和偏差分别为和β0i,利用泰勒展开可以得到/>这种情况下可以得到:
利用上式可以迭代计算得到偏差估计将该式扩展到多个传感器形式,可以得到:
其中
步骤305、为公共参考坐标系下的初始量测,β0为初始偏差估计。将上式代入似然函数中可以重新得到:
将其关于β求导并令结果为零可求得偏差估计为
上式给出了已知扰动时偏差的估计方法。在扰动未知时,可将β0初始化为0,并利用上式迭代地估计偏差直至其收敛;β即为估计出的传感器系统量测偏差。
上述得到的偏差估计值实际上是在时刻集K下对雷达系统偏差的离线估计。然而,通过不断更新时刻集K,偏差估计值/>也将不断更新,而由于在实际应用中的系统偏差β变化缓慢,因此得到的偏差估计值/>较为接近kc时刻的系统偏差β。在输出和应用该偏差估计值/>之前,还应当对该值的可信程度进行量化。记偏差估计值/>的可信程度参数为计算/>的公式为:
计算出后,可以使用它的值来比较前后两次计算出的偏差估计值/>与/>的可靠程度/>与/>若/>说明新得到的偏差估计值/>可信度过低,也许存在一定的错误,需要进行舍弃而沿用上一次系统偏差的估计结果;否则,应该采用更新的偏差估计值/>作为算法的输出。
步骤四、经过修正后的航迹,基于序贯m-best航迹关联算法处理,将不同传感器对多目标测量形成的多条航迹进行关联,获得对于同一目标的多条航迹。
具体步骤如下:
步骤401、针对N个传感器数组S1,S2,…,SN,对同一个目标的状态估计x1,x2,…,xN及相应的协方差矩阵P1,P2,,PN,根据极大似然准则,假定各条航迹之间不相关,则各传感器的交叉协方差Pi,j=0,i≠j,融合后的目标状态估计xf,N和相应的协方差估计Pf,N为
步骤402、若用Ti j表示传感器j对目标i的跟踪结果,其包含目标状态估计及其协方差矩阵,则元组:
Γ={Ti j|j=1,2,,Ns}
代表所有传感器对同一个目标i的跟踪结果。
航迹关联算法需要确定来自不同传感器的两条航迹是否属于同一目标。对于两个传感器而言,目标i与j之间可以形成假设检验
如果零假设H0成立,则两条航迹表示相同的真实对象。在多目标-多传感器中,创建包含元组Γ的全局关联假设H,目标是在所有全局假设集合中找到最可能的假设。下面将给出一种基于最大似然准则的方法。首先元组的似然函数可以表达为
最可能的全局假设可以通过寻找使得似然函数获得最大值时的元组获得:
由于目标状态的真值未知,因而准确的似然函数无法获得。在两个传感器的场景下,这个不是问题,因为目标的真实状态可以通过两条航迹的差Δij=xi-xj来代替。如果这两条航迹属于同一个真实目标,那么Δij服从零均值高斯分布,其中协方差为P。这两个目标的似然函数为
如果匹配的两条航迹是不相关的,这两个目标的似然函数为:
假设航迹之间没有相关性,则公式简化如下:
步骤403、针对两个相邻的传感器A和B的简化场景,若传感器A有N1条航迹,传感器B有N2条航迹,且不同航迹关联事件相互独立,则两个传感器之间航迹关联的2-D分配问题可描述为下式的最优解。
cij为对似然函数取负对数的结果,且cij=-lnΛ(Γ);χij为航迹i和航迹j是否对应同一目标的二值变量,
约束条件为
一些算法如JVC算法,匈牙利算法,拍卖算法可用于该约束问题的求解。然而当传感器个数大于2的场景时,2-D分配问题将转换为S-D分配问题。该问题可描述为以下约束优化
约束条件为
其中为:/>
步骤404、每次迭代引入来自下一个传感器的航迹并将这些航迹与先前的结果相关联。为了避免收敛到局部最小值,保留每次迭代的m-Best(基于Murty算法)并在下一次迭代中使用。
上式给出的S-D分配问题是一个N-P难问题,可通过拉格朗日松弛法或m-Best分配算法获得该问题的次优解。本实施例将介绍一种序贯m-Best的分配算法,该方法解决了一系列广义的2-D分配问题,初始迭代将来自前两个传感器的航迹相关联,一般的二维分配问题解决方案如下:
其中Γ2,i是第i个元组,k是元组解的数量,Ti j代表第j个传感器对第i个目标的状态估计值,Γ2,1={T1 1,T3 2}表示第1个传感器所接收到航迹1的信息与第2个传感器所接收到的航迹3的信息匹配,Γ2,2={T2 1,T1 2}表示第1个传感器所接收到航迹2的信息与第2个传感器所接收到的航迹1的信息匹配,Γ2,3={T3 1,T2 2}表示第1个传感器所接收到航迹3的信息与第2个传感器所接收到的航迹2的信息匹配。
步骤405、第二次迭代合并了下一个传感器,并使用来自传感器的跟踪文件对前一次迭代的结果执行二维分配,生成如下解决方案:
2-D分配问题的最佳解决方案是:
上述结果表示第1个传感器所接收到航迹1的信息与第2个传感器所接收到的航迹3的信息与第3个传感器所接收到的航迹1的信息匹配;第1个传感器所接收到航迹2的信息与第2个传感器所接收到的航迹1的信息与第3个传感器所接收到的航迹3的信息匹配;第1个传感器所接收到航迹3的信息与第2个传感器所接收到的航迹2的信息与第3个传感器所接收到的航迹2的信息匹配。
步骤五、对同一目标的多条航迹进行综合航迹管理,得到多传感器对该目标的最终融合结果;
如图4所示,具体步骤如下:
步骤501、对显著性目标识别与时空配准后的多传感器目标航迹进行基于序贯m-best的单时刻航迹关联。
步骤502、对单时刻的关联结果进行最优点迹融合,此时即可将多传感器多目标跟踪问题转化为单传感器多目标跟踪问题,为了对单时刻的最优融合结果进行上下时刻串联形成稳定的综合航迹。
步骤503、将面向航迹的MHT算法推广到分布式多传感器目标跟踪中,利用MHT算法对最优融合点迹进行跟踪形成最终综合航迹。
Claims (3)
1.多传感器信息在线数据融合方法,其特征在于,具体步骤如下:
步骤一、搭建包括传感器端和融合中心端的通信场景,传感器端的每个传感器对多目标无人机分别进行无序量测和航迹追踪,并将各自的航迹信息及量测值发送给融合中心端;
步骤二、对传回融合中心端的航迹信息和量测值进行特征提取,并进行初步的航迹关联;
具体步骤如下:
步骤201、针对同一时间片Tarri,将每个传感器的量测数据中根据目标的数量从多到少,将传感器进行排列,得到数组Si,i=1,2,...,s,选择传感器数组Si中排在首位的传感器,作为基准;
每个时间片分别对应一个基准传感器;
步骤202、对数组中每个传感器,使用GNP算法将各传感器上传的目标位置信息转换到地心地固坐标系下;
针对数组中相邻的两个传感器A和B,转换公式如下:
其中,为传感器A观测并跟踪的第i个目标在地心地固坐标系下的三维位置信息,为传感器B观测并跟踪的第j个目标在地心地固坐标系下的三维位置信息;Xtruea(i)为在当前的量测时刻下,传感器A的第i个目标的真实位置;Xtrueb(j)为在当前的量测时刻下,传感器B的第j个目标的真实位置;G(·)是从量测坐标系转到公共坐标系下的噪声,Pi和Qj分别为这两个传感器量测噪声的协方差矩阵;/>和/>分别为传感器A和传感器B的系统偏差;
步骤203、针对传感器数组Si,在当前阶段将量测数据分配给航迹,并计算总代价最大的最优分配方案;
分配代价计算公式为:
R是系统偏差协方差矩阵,a(i)表示分配情况,a(i)>0表示传感器A中第i个目标与传感器B中第a(i)个目标关联,a(i)=0表示传感器A中第i个目标未分配;为两个传感器A和B的偏差之差,即系统偏差的差值;δxi为计算过程中的中间变量,m为传感器探测到的目标数目,M为分配阶段之间的弧;
g为设定的经验门限值,初始门限值为:
每次更新门限值为:
其中dmin为残差矩阵;
步骤204、将最优分配方案中得到的传感器航迹匹配信息结合航迹编号保存到匹配矩阵中,对其进行点迹匹配到航迹关联的扩展;
步骤205、每个时间片下分别对应的匹配矩阵,采用“链式共传感器法”进行整合,生成同一目标在不同传感器观测下的路径“组链”,完成从双传感器到多传感器的扩展;
步骤三、融合中心端采用在线空间配准算法对航迹关联信息进行时空配准,并对各传感器的量测偏差及姿态偏差进行估计,修正航迹和原始量测值;
具体步骤如下:
步骤301、针对Ns个传感器在同一空间中对某个目标的位置进行测量的场景,对第k个时间片,编号为i的传感器获得的目标位置量测值zi,k进行建模;
如下:
zi,k=hi(xk)+βi,k+vi,k
其中,hi(xk)表示对目标在公共坐标系下的坐标进行变换,βi,k表示第k个时间片编号为i的传感器所固有的系统偏差,vi,k表示第k个时间片编号为i的传感器噪声;
步骤302、记待估参数为ρ=[X,β],得到基于量测集的似然函数并进行简化,利用泰勒展开重新得到似然函数:
C是归一化的常数项;
为公共参考坐标系下的初始量测,β0为偏差向量估计的初始值其中X=xK为最新K个时间片的目标真实位置集合,/>为对时刻集K下的系统偏差真实值;对β求导并令结果为零,得到偏差估计;
β即为估计出的传感器系统量测偏差;
步骤四、经过修正后的航迹,基于序贯m-best航迹关联算法处理,将不同传感器对多目标测量形成的多条航迹进行关联,获得对于同一目标的多条航迹;
步骤五、对同一目标的多条航迹进行综合航迹管理,得到多传感器对该目标的最终融合结果。
2.如权利要求1所述的多传感器信息在线数据融合方法,其特征在于,所述步骤一中,每个传感器传回融合中心端的量测数据包括其探测到的目标编号、目标航迹位置信息和目标姿态;不同传感器对同一目标的编号不一定相同。
3.如权利要求1所述的多传感器信息在线数据融合方法,其特征在于,所述步骤四具体为:
针对两个相邻的传感器A和B,若传感器A有N1条航迹,传感器B有N2条航迹,且不同航迹关联事件相互独立,则两个传感器之间航迹关联的2-D分配问题描述为下式的最优解:
cij为对似然函数取负对数的结果,χij为航迹i和航迹j是否对应同一目标的二值变量,
约束条件为
初始迭代将来自前两个传感器的航迹相关联,每次迭代引入来自下一个传感器的航迹并将这些航迹与先前的结果相关联;
为了避免收敛到局部最小值,保留每次迭代的m-Best(基于Murty算法)并在下一次迭代中使用;
一般的二维分配问题解决方案如下:
第二次迭代合并了下一个传感器,并使用来自传感器的跟踪文件对前一次迭代的结果执行二维分配,生成如下解决方案:
2-D分配问题的最佳解决方案是:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311024432.1A CN117092638A (zh) | 2023-08-14 | 2023-08-14 | 多传感器信息在线数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311024432.1A CN117092638A (zh) | 2023-08-14 | 2023-08-14 | 多传感器信息在线数据融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117092638A true CN117092638A (zh) | 2023-11-21 |
Family
ID=88782150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311024432.1A Pending CN117092638A (zh) | 2023-08-14 | 2023-08-14 | 多传感器信息在线数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117092638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117329928A (zh) * | 2023-11-30 | 2024-01-02 | 武汉阿内塔科技有限公司 | 一种基于多元情报融合的无人机综合探测方法和系统 |
-
2023
- 2023-08-14 CN CN202311024432.1A patent/CN117092638A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117329928A (zh) * | 2023-11-30 | 2024-01-02 | 武汉阿内塔科技有限公司 | 一种基于多元情报融合的无人机综合探测方法和系统 |
CN117329928B (zh) * | 2023-11-30 | 2024-02-09 | 武汉阿内塔科技有限公司 | 一种基于多元情报融合的无人机综合探测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Agamennoni et al. | An outlier-robust Kalman filter | |
Wilbers et al. | Localization with sliding window factor graphs on third-party maps for automated driving | |
CN113269098A (zh) | 一种基于无人机的多目标跟踪定位与运动状态估计方法 | |
CN111736145B (zh) | 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 | |
Niedfeldt et al. | Recursive RANSAC: Multiple signal estimation with outliers | |
CN117092638A (zh) | 多传感器信息在线数据融合方法 | |
CN112782696B (zh) | 一种序列isar图像散射中心多假设跟踪航迹关联方法 | |
Jang et al. | Multirobot collaborative monocular SLAM utilizing rendezvous | |
CN104713560A (zh) | 基于期望最大化的多源测距传感器空间配准方法 | |
CN106156790B (zh) | 一种应用于传感器网络的分布式协作算法和数据融合机制 | |
CN108710900B (zh) | 一种基于d-s推理的多平台传感器测量数据融合方法 | |
Feigl et al. | Recurrent neural networks on drifting time-of-flight measurements | |
CN114623817B (zh) | 基于关键帧滑窗滤波的含自标定的视觉惯性里程计方法 | |
CN115731268A (zh) | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 | |
Svensson et al. | Target tracking based on estimation of sets of trajectories | |
Zhu et al. | Joint track-to-track association and sensor registration at the track level | |
CN111820545A (zh) | 一种结合离线与在线扫描自动生成鞋底喷胶轨迹的方法 | |
CN109581359A (zh) | 一种esm无源信息与雷达有源信息关联的方法 | |
CN115457086A (zh) | 基于双目视觉和卡尔曼滤波的多目标跟踪算法 | |
CN116758153A (zh) | 用于机器人精准位姿获取的基于多因子图的后端优化方法 | |
Taghavi et al. | Bias estimation for practical distributed multiradar-multitarget tracking systems | |
Aghapour et al. | Outlier accommodation by risk-averse performance-specified linear state estimation | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
Wang et al. | Robust exploration with multiple hypothesis data association | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam |
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 |