基于Renyi信息增量的异质多传感器协同跟踪技术研究

摘要

在军事、交通、工业等诸多领域，多传感器协同跟踪技术的应用十分广泛。多传感器协同跟踪的目标是最优化多传感器系统的整体跟踪性能。其技术基础为传感器管理技术，通过建立某种传感器管理模型，在各观测时刻实时地为各目标分配最优的传感器组合，实现对监视范围内各目标的跟踪。与同质传感器相比，异质传感器在应用场景和特性上能优势互补，可以提高跟踪的性能。本文的主要工作如下:
　　首先，查阅了大量相关文献，从三个方面综述了目前异质多传感器协同跟踪问题的研究现状。
　　其次，非线性滤波问题和机动目标协同跟踪的精度和稳定性紧密相关。在其相关研究中， DMCKF算法采用协方差矩阵的对角化变换，取代标准CKF中的Cholesky分解，获得算术平方根矩阵，提高了计算的准确度。但是DMCKF和标准CKF在滤波过程中其协方差矩阵有时会失去正定性，导致滤波中断。基于求解各观测时刻协方差矩阵的最邻近半正定矩阵，提出了一种改进的DMCKF算法，确保了滤波过程中观测值容积点的传播不被中断，提升了DMCKF算法的稳定性。同时，基于改进DMCKF算法，仿真分析了在集中式量测融合和分布式状态两种融合架构下的异质多传感器数据融合算法的性能和适用的情形。
　　然后，针对异质多传感器管理的关键问题:异质多传感器-多目标协同分配问题，提出了一种基于Renyi信息增量的异质多传感器管理算法。该算法通过改进的DMCKF的滤波协方差计算Renyi信息增量，基于求得的Renyi信息增量构造异质多传感器管理模型，在各观测时刻对各机动目标进行异质传感器组合的实时分配。
　　接着，结合改进的DMCKF算法、基于改进DMCKF算法的异质多传感器数据融合算法和异质多传感器管理算法，提出了一种异质多传感器多机动目标的协同跟踪方法。根据异质多传感器的资源分配结果，采用基于改进的DMCKF的异质多传感器数据融合算法获得融合观测值，并在交互式多模型算法(IMM)框架下采用改进的DMCKF对多机动目标进行跟踪。对标准CKF和UKF算法样做了对协方差矩阵求最邻近半正定矩阵处理的改进，仿真验证了改进的DMCKF相比前两者具有更高的协同跟踪精度。同时，改进的DMCKF、CKF和UKF算法相比改进前稳定性显著提升。
　　最后，总结了本文所做的工作，指出了当前研究的不足和下一步研究的方向。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 多传感器数据融合技术

1．2．2 非线性跟踪滤波算法

1．2．3 多传感器管理技术

1．2．4 国内外研究现状总结

1．3 研究目标与主要内容

1．4 论文的组织结构

第2章 异质多传感器协同跟踪基础理论和关键技术

2．1 非线性滤波跟踪算法

2．1．1 无迹卡尔曼滤波算法

2．1．2 标准容积卡尔曼滤波算法

2．1．3 仿真实验与分析

2．2 异质多传感器数据融合理论

2．2．1 雷达和红外线传感器介绍

2．2．2 集中式量测融合(CMF)标准CKF滤波

2．2．3 分布式状态融合(DSF)标准CKF滤波

2．3 多传感器管理技术

2．3．1 基于协方差控制的传感器管理原理

2．3．2 基于信息增量的传感器管理原理

2．4 本章小结

第3章 基于矩阵对角化变换的改进CKF算法

3．1 基于矩阵对角化变换的CKF算法(DMCKF)原理

3．2 当前算法存在的问题与改进方法

3．3 改进的DMCKF算法流程

3．4 基于改进DMCKF的异质多传感器数据融合仿真实验

3．4．1 仿真实验环境描述

3．4．2 算法性能衡量指标

3．4．3 仿真结果与分析

3．5 本章小结

第4章 基于Renyi信息增量的异质多传感器管理算法

4．1 Renyi信息增量与Parzen窗函数

4．2 异质多传感器管理模型

4．2．1 基于Renyi信息增量的效能函数

4．2．2 异质多传感器对多目标的最优分配

4．3 异质多传感器管理算法步骤

4．4 仿真实验与分析

4．4．1 仿真实验环境描述

4．4．2 仿真结果与分析

4．5 本章小结

第5章 异质多传感器多机动目标协同跟踪算法

5．1 交互式多模型改进DMCKF算法

5．1．1 跟踪模型

5．1．2 交互式多模型算法(IMM)的原理

5．1．3 交互式多模型改进DMCKF算法的流程

5．1．4 交互式多模型改进标准CKF和改进UKF算法

5．2 异质多传感器多机动目标协同跟踪算法

5．2．1 算法步骤

5．2．2 算法流程图

5．3 仿真实验与分析

5．3．1 仿真实验环境描述

5．3．2 仿真结果与分析

5．4 本章小结

结论与展望

致谢

参考文献

攻读学位期间发表的论文及研究成果