CN1688896A

CN1688896A - 多传感器信息汇合技术

Info

Publication number: CN1688896A
Application number: CN02825942.4A
Authority: CN
Inventors: R·M·哈姆扎
Original assignee: Honeywell International Inc
Current assignee: Honeywell International Inc
Priority date: 2001-10-22
Filing date: 2002-10-17
Publication date: 2005-10-26
Anticipated expiration: 2022-10-17
Also published as: AU2002367633A1; EP1438603A2; US20030078754A1; US7099796B2; WO2003083500A3; CN100470256C; EP1438603B1; WO2003083500A2; AU2002367633A8

Abstract

本发明是一种用于聚集来自许多传感器的定量数据和定性信息以便确定目标的最可能的位置和对于该目标最可能位置的相关概率分布的方法和系统，每个传感器都具有许多与传感器相关的不确定性。优选使用统计分析和概率论来更精确地定位该目标和最小化相关的概率分布的范围。这种方法和系统可适用于定位和跟踪许多目标。

Description

多传感器信息汇合技术

技术领域

本发明一般涉及一种用于定位目标的位置并跟踪目标的方法和系统。特别是，本发明致力于一种用于定位和跟踪空中飞行器的方法和系统。

背景技术

近年来，在任意时刻运行的飞机数量都已经有了稳步增长。随着飞行器数量的增长，已经加大了关注最小化飞机之间的间距而又不危及安全。另外，有一种自控或自由飞行设计的趋向，其中在航线中允许飞行员改变飞机的飞行计划。为了实现这些以及其它的目的，希望空中交通管理员和飞行员尽可能精确地知道所有飞机之间的相互位置。

典型地，应用包括雷达系统，信标系统等等的多传感器系统来监视和跟踪来自飞行员的当前位置报告，和基于飞行计划和飞机速度等进行估计。由于它们各自报告诸如空中飞行器的相同目标的不同近似位置，所以这些方法不精确并受到限制，并且在每个报告的位置必须应用一个误差容限。由于传感器的性能和工作特性，以及主要的环境状况，引起了报告位置中的这些差别和误差。例如，无论怎样改进，来自雷达系统的信息的可靠性可能在很多程度上随大气的条件而变化，在晴朗和平静无风条件下很可能比在暴风雨条件下(下雨，下雪，下冰雹等等)更为精确。当误差容限应用到每个定量和定性观测时，所述误差容限导致了在跟踪系统中应用一个比围绕最佳估计的飞行器位置所希望的间距区域更大的区域。在恶劣气候期间为了补偿所述传感器的工作特性和小于数据的最佳可靠性和精确性，典型地是增加该间距区域或不确定性区域。

用于定位目标的这种现有方法和系统通常用于当飞行器降落时，把飞行器导航到跑道上。其它系统，例如交通报警和防止相撞系统(TCAS)仅当安全区遭到破坏以后才发出警报和逃避指令。TCAS依赖于位于飞行器上的异频雷达收发机所发送的数据。由于并不是所有的飞机都要求具有一个异频雷达收发机，所以不能依靠所述系统来保持最小的和安全的间隔区域。其它目前的方法从多个源收集数据，然后通过为所述数据应用一个加权平均，或者中继来自单个传感器的所述数据，或发送所有的信息作为间隔属性(例如，速度，方向，高度等)，来报告位置信息。

因此，需要一种用于收集来自大量源的所有可用的定量和定性数据并把这些数据与它们工作特性的现有知识相聚集的方法和设备，以更精确地定位和跟踪诸如空中飞行器的目标。

发明内容

本发明公开了一种用于把来自多个源的信息聚集或汇合为一个或多个报告的方法和设备，以更精确地定位目标诸如空中飞行器的位置并跟踪其航线。在本发明的优选实施例中，优选使用统计分析和概率论合并定量数据(也就是来自传感器的数字数据)和定性信息，例如符号，天气条件，源的可靠性，一些假设等等，从而导出所述目标的位置，该位置具有比单独地使用一个或多个传感器，或者组合现有技术的方法和系统所获得的可信度更高的等级。本发明可达到的这种精确性优选地通过分离不同传感器报告的所有可能的属性，并应用一个或多个统计操作员来导出所有报告的交集来获得，以生成一个指示所述目标的大概位置的值。

附图说明

图1示例了根据本发明的目标定位器的总体设计图；

图2示出了由不同传感器提供的多个冲突位置的报告；

图3示出了由本发明的示例性实施例所生成的聚集位置报告的示意图；

图4示例了被分割成子范围或子类的目标位置的概率分布图；和

图5示出了根据本发明可以用于分析定性数据的模糊逻辑神经网络的示意图。

具体实施方式

图1示例了根据本发明的目标定位器10的总体设计图。目标定位器10优选汇合(或聚集)用于定位和跟踪目标诸如空中飞行器的位置的来自许多传感器和/或源12，16，20，和24的输入。在示例性的实施例中，传感器12和20可以提供定量数据，以及传感器16和24可以提供定性信息。在下文中，术语传感器用于统一表示许多传感器和/或多个源。在图1中示出的四个传感器12，16，20和24仅用于示例性目的，本发明可以包括任何数量的传感器。传感器12，16，20和24扫描目标1，2，3，4和5，并把关于这些目标的估计位置的信息分别沿着路线14，18，22和26提供给目标定位器10。在图1中所示的五个目标1，2，3，4和5仅用于示例性目的，并且本发明可以包括任何数量的目标。

有关每个传感器(和/或源)的定性和定量性能特性信息同样可用于目标定位器10。典型的传感器性能特性包括有关传感器精确性，可靠性，环境条件的影响(例如温度，气压，降水等)，年久老化等的信息。该信息可以存储在目标定位器10沿着路线29可存取的数据库28中。替换地，每个传感器12，16，20和24可以把其性能特性连同在其各自路线14，18，22和26上的所述目标的估计位置一起发送给目标定位器10。目标定位器10优选使用统计方法对有关数据进行概率分析，以生成一个指示目标大概位置的值。

由于每个传感器可能具有其独特的性能特性，并且在很多情况下可能位于远离其它传感器的地方，所以目标定位器10可以接收关于同一识别目标的估计位置的冲突报告。另外，每个报告的位置都可能具有与其相关的反应相应的一个或多个传感器的性能特性的一定等级的不确定性。这在图2中进行了示例，图中示出了图1的四个传感器，它们为相同的目标30报告了四个截然不同和冲突的位置以及不确定性等级。例如，示出了用于报告通过路线38的目标30的四个传感器中的一个，并且该传感器位于传感器的不确定边界32的中心。同时，示出了用于报告通过路线48的目标30的第二个传感器，并且将它定位于传感器的不确定边界42的中心。示出了用于报告通过路线58的目标30的第三个传感器，并且将它定位于传感器的不确定边界52的中心。最后，示出了用于报告通过路线68的目标30的第四个传感器，并且将它定位于传感器的不确定边界62的中心。

借助现有技术的方法，可以使用加权平均技术来聚集报告的位置和不确定边界，并且目标30可以被报告为定位于不确定边界72的中心。其次，在目标20周围可以指定与不确定边界72大小相当的安全区域，并且不允许其它目标进入到该区域。不确定边界72包括，并因此可以相对来说大于各个传感器的不确定边界32，42，52和62。另外，可以只考虑来自一些可用传感器的数据。并且，仅分析来自被考虑传感器的全部可用数据的一个小的子集。如下文中所述，在本发明的优选实施例中可以减少或消除现有技术的这些缺点。

图3是如通过本发明的示例性实施例所导出的目标30的可能位置的一个示意图。下文在参照图4和5的讨论中将提供定位和跟踪目标的细节。通常，优选实施例把每个传感器的不确定边界分割成许多部分，例如与第一传感器相关的33，34和35，与第二传感器相关的43，44和45，与第三传感器相关的53，54和55，与第四传感器相关的63，64和65等等。扩展所述目标的这些不确定边界，并把它们抽取形成许多较为精确的重叠部分。如下面讨论的，每个部分33，54和65等，都可以用概率测量来加权，然后优选应用统计组合方法来更精确地利用较小的不确定区域82识别目标的最可能位置。这是本发明的优选实施例的一个优点。另一个优点是目标30通过的路径88的估计和相关的路径不确定性89都可以被更精确地确定。

对于可用于定位和跟踪目标的每个传感器，概率分布可以基于报告的目标估计位置和所述传感器的性能特性来确定。如图4所示，实例曲线412可以表示传感器12所确定目标的估计位置的概率分布。同样，实例曲线416可以是传感器16所确定目标的估计位置的概率分布。实例曲线420可以表示传感器20所确定目标的估计位置的概率分布，以及实例曲线424可以表示传感器12所确定目标的估计位置的概率分布，如前所述，对应于四个传感器的四种概率分布实质上仅仅是示例性的。

概率分布优选被分割成许多子范围或类c1 401，c2 402，c3 403等。这种分割产生了目标的估计位置的许多不确定边界，并且概率值优选与每个子范围相关联。应该说明的是对于每个传感器，诸如那些图4所示的每个子范围都可以由图3中的不确定边界来表示。此外，为了示例的目的，仅示出了来自图4的六个子范围中的三个以作为图3中对应于四个所示传感器中的每一个的不确定边界。期望许多分割部分的交集产生新的边界，这些边界指示目标可能位于其中的大概区域。然后，可以统计估计这些新的边界，以使用包含目标的最大可能性来识别类别。

概率分析还可以被扩展用于合并定量数据和定性信息(例如，符号，天气条件，源的可靠性，一些假设，性能历史记录等)，以在定位和跟踪目标时提供更高的精确性。对于图4中识别的每个子范围，可以考虑所有提出的假设和定量与定性指示符，并且优选分配反应检测信息的传感器的可靠性的概率测量。在现有技术中，可以推测传感器的全部历史性能数据以获得传感器可靠性的倾向指示。然而，在本发明的优选实施例中，优选将推测应用于每个影响传感器可靠性的参数(例如，温度，气压，湿度和能见度等)。通过单独推测有关影响传感器可靠性的每个参数，可以减少整个的估计误差。这种方法的优点是它允许组合任意和全部类型和形式的变量和参数，总体来说称之为激励器，这些参数能够影响到传感器的可靠性。

如图5所示，激励器的示意性实例包括固定的已知值，大概范围504和510，基于有关定性环境条件508规则的模糊逻辑，基于有关一些影响传感器工作性能502的假设的模糊逻辑，函数表达式506等。已知量可以规定为固定值，以及不确定参数优选用诸如504和510的概率分布来表示。概率分布504例如可以表示来自传感器的历史数据的最佳曲线拟合，以及有关条件508的模糊逻辑规则，例如可以包括有关环境条件(例如下雨)影响从传感器阅读的精确性的定性信息。

在图5中所示的本发明的一个示例性实施例中，所有定义的激励器优选输入到一个具有多级感知器520的神经网络中，以用来估计激励器的值和传感器可靠性之间的非线性关系。神经网络520可以被训练来确定可靠性的测量P[s]，和实现测量P[s_k]530，优选地指示对于一给定类别的传感器可靠性测量的平均值。其次，诸如蒙特卡罗(Monte Carlo)方法的仿真，例如可以用于利用传感器的可能结果为所有可能范围来确定统计分布，以及优选应用条件概率规则来计算每个类别c_i的后验条件概率分布

P [c_{i} / s_{k}] = \frac{P [c_{i}, s_{k}]}{P [s_{k}]}

公式1

其中

P[c_i/S_k]是在测量来自传感器k的情况下的类别c_i的条件概率，

P[c_i，S_k]是阅读存在于类别c_i中的传感器的交集概率

最后，一种提供概率测量交集的估计的连接汇合(conjunctivefusion)方法优选用于所有影响传感器可靠性的参数，以利用定义目标位置的可能概率来识别该类别。例如，一种信息类别c_io可以表示为：

c_{io} = \underset{ci}{\arg \max} {\frac{f (P [c_{i}, s_{1}], . . ., P [c_{i}, s_{N}])}{\max_{j} [f (P [c_{j}, s_{1}], . . ., P [c_{j}, s_{N}])]}}

公式2

其中在右侧的比率，分子上的函数表示考虑到位于类别c_i所有传感器读取的概率，从s1到s_N的交集运算，以及分母是所有类别的交集运算的最大值。

公式2的右侧比率优选地用于估计每个类别，并且最终的属性来自最大化参数a所表示的类别。优选包括所有的定性信息和假设作为该分析的一部分，这将增强其尽可能的提供一种更好估计目标位置的能力。在不包括传感器可靠性(即定性信息不被汇合)，或者其被假定对于所有的传感器都相同的情况下，连接组合方法简化成：

c_{io} = \underset{c_{i}}{\arg \max} {\frac{f (P [c_{i} / s_{1}], . . ., P [c_{i} / s_{N}])}{\max_{j} [f (P [c_{j} / s_{1}], . . ., P [c_{j} / s_{N}])]}}

公式3

上述讨论集中于优选使用统计分析和概率论来汇合(或聚集)来自许多传感器和源的定量数据和定性信息，用来定位和跟踪目标诸如空中飞行器的的本发明优选实施例的一种方法和系统。考虑到本发明的可替换的实施例，方便地把上述优选实施例称之为本地汇合中心或者可替换地作为本地目标定位器。在另一个实施例中，许多本地汇合中心可以被认为是报告有关许多目标位置和概率分布信息的许多传感器。在这种实施例中，许多本地目标定位器可以将许多目标位置和概率分布发送给中央(或全局)汇合中心，以用来基于全局进一步定位和跟踪目标。

在一个示例性的实施例中，诸如机场的场地可以被认为具有一个和多个本地汇合中心，这些本地汇合中心不仅用于定位和跟踪空中飞行器，而且用于其它目标，例如停机坪上的服务车辆和飞机。在一个场地上的许多本地目标定位器都可以被认为用作将位置和概率分布信息提供给一个用于该机场的场地汇合中心，这可以依次把有关的数据发送给可能从其它场地汇合中心接收数据的另一个汇合中心。优选地，最低本地组合中心可以发送包括目标位置和概率分布的汇合数据，和/或所有从其相关传感器接收的定量数据和定性信息。

本文所包含的本发明的许多优点已经在上述描述中进行了阐述。然而应该理解的是这种公开在很多方面仅仅是示例性的。在细节上，特别是在不超出本发明的范围可以对各部分的形状、大小和排列进行变化。本发明的范围当然是以所附权利要求书所表述的语言来限定。

Claims

1.一种确定目标最可能的位置的系统，所述系统包括：

多个传感器，每个传感器都利用相关传感器的不确定性分布来提供目标的位置；和

数据处理器，用于组合来自所选传感器的位置数据和相关传感器的不确定性分布，以便产生一个指示目标最可能的位置的值。

2.根据权利要求1所述的系统，其中，对于每个传感器，相关传感器的不确定性分布取决于该传感器的一个或多个性能特性。

3.根据权利要求2所述的系统，还包括应用于所述传感器的一个或多个性能特性的一组模糊逻辑规则。

4.根据权利要求2所述的系统，还包括应用于一个或多个参数的一组模糊逻辑规则，这些参数影响所述一个或多个性能特性和/或所述传感器的不确定性分布。

5.根据权利要求2所述的系统，还包括应用于所述传感器的一个或多个性能特性的神经网络。

6.根据权利要求2所述的系统，还包括应用于一个或多个参数的神经网络，这些参数影响所述一个或多个性能特性和/或所述传感器的不确定性分布。

7.根据权利要求1所述的系统，还包括训练用于确定传感器可靠性测量的神经网络。

8.根据权利要求1所述的系统，还包括一个训练用于确定指示传感器可靠性测量的平均值的实感(realization)测量的神经网络。

9.根据权利要求1所述的系统，其中，来自每个传感器的位置数据和相关传感器不确定性分布都用于确定目标位置的概率分布。

10.根据权利要求9所述的系统，其中，目标位置的每个概率分布都包括一个指示目标可能位置的值。

11.根据权利要求9所述的系统，其中，目标位置的每个概率分布被分割为多个子范围。

12.根据权利要求11所述的系统，其中，每个子范围都具有在该子范围内指示目标的可能位置的相关概率值。

13.根据权利要求11所述的系统，其中，影响传感器不确定性的参数由条件概率规则操纵从而为每个子范围确定一个后验条件概率分布。

14.根据权利要求9所述的系统，其中，所述目标位置的所有概率分布都具有共同的子范围。

15.根据权利要求1所述的系统，其中，连接汇合方法被应用到多个影响传感器可靠性的参数，所述方法通过使用规定目标位置的最可能的概率识别子范围来提供概率测量的交叉点的估计。

16.根据权利要求1所述的系统，其中

每个传感器指示所述目标的一个可能位置；

每个传感器为所述目标的位置产生一个相关的概率分布；和

所述目标位置的每个概率分布被分割成多个子范围，所述子范围被应用于所述目标位置的每个概率分布。

17.根据权利要求16所述的系统，其中，对于每个子范围，使用统计方法操作与每个传感器相关的概率值，以便产生指示目标最可能的位置的值以及所述目标最可能位置的相关概率分布。

18.根据权利要求1所述的系统，用于优化目标之间的间距。

19.根据权利要求1所述的系统，用于跟踪多个目标的相对位置。

20.根据权利要求1所述的系统，其中，所述传感器包括多个雷达系统。

21.根据权利要求1所述的系统，其中，所述传感器包括多个信标系统。

22.一种确定目标全局位置的系统，所述系统包括如权利要求1中所述的多个本地系统，每个本地系统提供指示目标最可能位置的值。

23.根据权利要求22所述的系统，其中，每个本地系统提供所述目标最可能位置的概率分布。

24.一种确定目标最可能的位置的方法，所述方法

从多个传感器接收位置数据和不确定性分布；

组合该位置数据和不确定性分布以便产生指示目标最可能位置的值；和

组合该位置数据和不确定性分布以便产生目标最可能位置的概率分布。

25.根据权利要求24所述的方法，包括

多个传感器，每个传感器指示所述目标一个可能位置，并且每个传感器产生所述目标位置的相关概率分布；

把所述目标位置的每个概率分布分割成多个子范围，所述子范围同样地应用于所述目标位置的每个概率分布；和

每个子范围具有所述目标位置的一个概率值和一个相关的概率分布。

26.根据权利要求25所述的方法，使用统计方法来操作每个子范围的相关概率值并且产生一个指示所述目标最可能位置的值。

27.根据权利要求25所述的方法，使用统计方法来操作每个子范围的相关概率值并且产生一个所述目标最可能位置的概率分布。

28.一种确定目标全局位置的方法，所述方法从多个本地系统接收有关所述目标最可能位置的数据。

29.根据权利要求28所述的方法，从多个本地系统接收所述目标最可能位置的概率分布。