技术领域
本发明属于非线性动态系统的空间目标跟踪领域,特别涉及一类状态模型为线性,测量模型为强非线性系统的空间目标跟踪领域,可用于在空间目标跟踪过程中,对目标的实时位置和速度的优化处理。
背景技术
滤波方法是状态估计中的重要方法,状态估计在故障诊断、目标跟踪、信号处理、计算机视觉、通信、导航等领域有着非常广泛的应用。
传统的卡尔曼滤波只适用于状态模型和测量模型都为线性,且噪声为高斯白噪声的系统。当系统的噪声不再为高斯白噪声或者系统不再为线性系统时,传统的卡尔曼滤波方法将不再适用。在实际应用系统中,绝大部分系统模型都是非线性或者非高斯的,因此,针对非线性系统或者噪声为非高斯的系统,为了实现其状态估计,在卡尔曼滤波器的基础上,延伸出了多种滤波器。如扩展卡尔曼滤波器(EKF),但其最多只能达到二阶近似,舍弃掉的高阶项的信息会给滤波结果带来一定的误差;无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)都是通过取点近似,对于非线性高斯系统,虽然EKF、UKF及CKF的应用都较为广泛,但其非线性近似都会造成一定误差,并且无法将这三种滤波器应用到非高斯系统,局限性较大。后来发展的粒子滤波器(PF),对于非线性非高斯系统,虽然在理论上得到了较好的解决,但其实现依赖于大量的粒子采样,使得计算复杂度非常高,重采样过程中粒子的退化现象,会降低滤波的速度和精度,影响了实际应用。
对于大量存在的强非线性观测系统,现有滤波方法仍难以很好解决。近期发展起来的特征函数滤波(CFF),只针对状态模型为线性的系统,对其测量模型无要求,对噪声为高斯或者非高斯也无要求,因此CFF有望解决测量模型为强非线性的系统。
虽然特征函数滤波在理论上要优于其他任何一种非线性滤波方法,但其实现都是仅仅针对一个滤波器来说的。在实际使用中只能尽可能降低误差,也不能完全消除误差。造成特征函数滤波精度不高最主要的原因往往来自于四个部分,第一,数据收集不准确。对于空间中运动的目标,其x、y、z轴三个方向上的位置和速度都是实时变化的,如果仅仅只用一个传感器去对目标进行测量,无法全面准确的捕获目标的变化情况。第二,随机噪声设定不准确。在对系统进行建模时,噪声的随机设定也过于理想化,而在实际的空间动态系统中,随着速度的增加,目标受外界环境以及一些随机因素的影响较大,会造成实际的误差与系统设定的随机误差存在较大的偏差。第三,系统模型的复杂度较高。对于空间运动的目标,状态包含x、y、z轴方向上位置和速度六个状态变量,相较于常见的模型,复杂度过高。在实际滤波过程中,每一个状态在更新的时候都会产生一定的误差,综合考虑六个状态模型,误差可能会更大。第四,传感器自身的性能发生变化。由于传感器内部的零件老化或参数因使用年限而发生变化或因受潮而损坏等原因,会造成测量结果的不准确。第五,当传感器的数量又非常大的时候,无法在可控时间内完成时,也会影响估计精度。第六,在融合过程中,滤波器相互之间的干扰也会降低估计精度。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种将多个传感器融合起来的并行式滤波方法。
本发明通过将多个传感器分布在空间中的不同位置,从不同方位来对空间目标进行测量,并且采用并行式的设计,使各个传感器之间相互独立的工作,然后将所有传感器测量得到的信息并行起来,以实现对目标位置和速度的实时跟踪。这种多个传感器融合的滤波方法不仅能在很大程度上提高估计精度,还能降低时间复杂度和计算复杂度,节约通信成本。
为了实现上述目的,本发明采用的技术方案是:
本发明包括如下步骤:
(1)设计状态空间目标跟踪模型,目标在空间中做匀速直线运动的模型如下:
其中,x(k)为系统状态向量,y
(2)在CFF框架下,计算出k+1时刻,每一个传感器的增益矩阵K
该步骤的具体实施过程如下:
(2a)根据目标跟踪模型,计算k到k+1时刻目标状态的预测值
(2b)根据(2a),计算k到k+1时刻,每一个传感器的测量预测值
(2c)根据测量方程和(2b)计算残差信息
(2d)根据运动学公式,计算状态转移矩阵A(k+1,k);
(2e)计算初始状态估计误差
(2f)根据(2a)计算状态误差方程e(k);
(2g)根据(2f)计算状态误差递推方程e(k+1);
(2h)对(2g)方程两边同时求取特征函数;
(2i)建立已知的目标特征函数
(2j)建立滤波器的权重函数矩阵U(t);
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J
(2l)根据(2k)建立滤波器性能指标函数J
(2m)简化(2l);
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标J'
(2o)建立待估计的滤波增益矩阵K
(2p)根据(2n)对K
(2q)根据(2n)对K
(2r)根据(2o)、(2q)求出增益矩阵K
(3)在CFF框架下,将所有传感器的增益矩阵和残差信息并行起来,对目标的位置和速度不断更新,得到最优状态估计值
(3a)根据(2r)将所有传感器的增益矩阵并行起来
(3b)根据(2c)将所有传感器的残差信息并行起来
(3c)根据(2a)、(3a)、(3b)计算状态估计值
与现有技术相比,本发明具有以下优点:
(1)本发明创建了一种将多个传感器融合起来的算法,从不同位置对目标的状态进行测量,相比于仅仅使用一个传感器得到的估计值更精确。
(2)本发明使用并行式融合的方法,让各个传感器之间相互独立的工作,不考虑信息的延时和丢包,各个传感器之间也不相互影响,估计精度高。
(3)通过本发明的方法可以大幅度提升空间运动目标的跟踪精度。
附图说明
图1为x轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图;
图2为y轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图;
图3为z轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图;
图4为x轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图;
图5为y轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图;
图6为z轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图;
具体实施方式
下面结合附图1-6和实例详细说明本发明的实施方式。
本发明首先将空间目标速度跟踪模型应用到特征函数滤波方法中,将各个传感器的测量信息并行起来进行特征函数滤波,通过不断更新目标与融合中心之间的径向距离和方向角,来对目标的位置和速度实时更新。
本发明是一种应用于空间目标跟踪系统的基于特征函数的并行式多传感器融合滤波方法,包括如下步骤:
步骤1设置系统模型,目标在空间中做匀速直线运动的模型如下:
系统状态方程:
x(k+1)=A(k+1,k)x(k)+G(k+1,k)w(k) (1)
观测方程:
y
上式中,x(k)为系统状态向量,y
步骤2在CFF框架下,计算出k+1时刻,每一个传感器的增益矩阵K
该步骤的具体实施过程如下:
(2a)根据目标跟踪模型,计算k到k+1时刻目标状态的预测值
上式中,
(2b)根据(2a),计算k到k+1时刻,每一个传感器的测量预测值
(2c)根据测量方程和(2b)计算残差信息
(2d)根据运动学公式,计算状态转移矩阵A(k+1,k)
(2e)计算初始状态估计误差
(2f)根据(2a)计算状态误差方程e(k)
(2g)根据(2f)计算状态误差递推方程e(k+1)
(2h)对(2g)方程两边同时求取特征函数
(2i)建立已知的目标特征函数
(2j)建立滤波器的权重函数矩阵
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J
(2l)根据(2k)建立滤波器性能指标函数J
J
(2m)简化(2l),令
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标J'
(2o)建立待估计的滤波增益矩阵K
(2p)根据(2n)对K
(2q)根据(2n)对K
(2r)根据(2o)、(2q)求出增益矩阵K
步骤3在CFF框架下,将所有传感器的增益矩阵和残差信息并行起来,对目标的位置和速度不断更新,得到最优状态估计值
(3a)将所有传感器的增益矩阵并行起来
(3b)将所有传感器的残差信息并行起来
(3c)根据(2a)、(3a)、(3b)计算状态估计值
至此,基于特征函数的并行式多传感器融合滤波方法设计全部完成。
本发明的效果可以通过以下仿真结果和现场测试进一步说明:
空间运动目标的目标跟踪模型如下:
系统状态方程为:
观测方程为:
x
滤波器的权重函数
本发明仿真部分采用三个传感器来进行实验,三个传感器的测量噪声方差分别为Qv1=diag([0.004,0.004,0.004]),Qv2=diag([0.003,0.003,0.004]),Qv3=diag([0.002,0.002,0.003])。
实验结果分析
图1到图6分别给出了x、y、z轴方向上目标位置和速度的单个传感器与多个传感器融合滤波的误差图;
记录数据如下:
通过实验数据和仿真结果,可以看到,在基于特征函数滤波的基础上,使用多个传感器并行式融合的方法要比仅使用一个传感器的滤波精度更高。这是因为多个传感器从不同的位置对空间运动目标的位置和速度进行测量,并对得到的数据实时更新,减少外界环境、噪声以及一些不可控因素等对实验结果的干扰,并且不考虑信息的延时和丢包,各个传感器之间相互独立的工作,不存在相互干扰,从而能够达到更精确的滤波结果,算法复杂度低,估计精度高。因此,上述实验表明本发明方法的有效性。
机译: 基于多传感器融合的数据处理方法和装置,包括多传感器融合方法
机译: 基于多传感器融合的数据处理方法和装置以及多传感器融合方法
机译: 基于振动特征函数的基于振动的机理诊断