[发明专利]多传感器系统数据融合精度的提高方法

说明书

本发明提出的一种多传感器系统数据融合精度的提高方法，旨在提供一种能有效控制局部不良信息对全局估计影响的方法。本发明通过下述技术方案予以实现：在估计精度相对较差或时有较大干扰的传感器系统局部估计分量中，设置一个加权因子λ，并根据λ解算参数α、β设置相匹配的参数模糊整定器；各传感器独立采集量测点迹经局部卡尔曼滤波后，将得出的局部状态估计1‑L输入数据融合预处理模块，数据融合预处理模块根据卡尔曼滤波估计误差自相关矩阵的定义，提取各局部估计误差自相关矩阵的第1行第1列分量，在线解算用于量化描述各局部估计误差大小关系的误差比系数r、误差比系数变化率rc和加权因子λ，调节λ的取值；数据融合时调用λ参与解算，得出最终全局状态估计。

技术领域

本发明涉及目标跟踪技术领域中的多传感器系统数据融合技术，是通过在经典数据融合方法中加入参数模糊整定的自适应加权因子，以实现提高跟踪精度的设计方法。

背景技术

目标定位与跟踪是依据最佳估计原理，采用数字滤波的计算方法，对传感器接收到的量测进行处理，估计目标运动要素的数据处理过程。量测是指被噪声污染的有关目标状态的传感器观测信息，包括如斜距离、方位角、俯仰角、以及时差等其他信息。目标运动要素一般指目标状态、航向等参数。目标状态主要是指目标的运动分量(如位置、速度、加速度等)。通常，把目标定位与跟踪简称为目标跟踪。

数据融合是针对使用多个或多类传感器的系统而开展的一种信息处理新方法。在多传感器系统中，各种传感器提供的信息具有不同的特征，数据融合通过对各种传感器及其观测信息的合理支配与使用，把在空间和时间上互补与冗余的信息依据某种优化准则组合起来，以获得更多有效的信息。空间目标测量手段逐渐多样化，融合处理技术是降低测量信息不确定性影响，获得稳健、高精度目标跟踪结果的重要方法。

卡尔曼滤波是由R.E.Kalman最早提出的，它是一种线性最小方差估计，采用状态空间方法，在时域内设计滤波器，算法采用递推形式，是实现多传感器位置融合的主要技术手段之一。卡尔曼滤波应用于目标跟踪技术时，用系统状态方程来描述目标的运动特性，其中的状态向量通常由目标的位置、速度和加速度参量构成。用n表示观测系统第n个采样周期，z(n)表示第n个采样周期的观测量，把过程噪声v₁(n-1)及观测噪声v₂(n)假定为零均值白噪声，则卡尔曼滤波算法可利用观测量集合{z(1)，z(2)，…，z(n)}对系统状态变量x(n)进行最优估计得出状态估计变量。

定义估计误差自相关矩阵P(n)为：式中：表示将等号左边变量定义为等号右边算式；表示的数学期望；Z_n为传感器截至第n个采样周期观测量集合{z(1)，z(2)，…，z(n)}；为第n个采样周卡尔曼滤波算法利用观测量集合Z_n对系统状态变量x(n)进行最优估计得出的状态估计值；H表示矩阵转置共轭，N表示N个观测值，C^N×N表示P(n)属于N行×N列的矩阵。

在每一步卡尔曼递推滤波计算中，遵照最小均方误差准则，通过新息过程及卡尔曼增益的修正解算，得出和估计误差自相关矩阵P(n)，并参与下一步递推计算。

参阅图7。在工程运用中将常见的分布式融合结构中，局部滤波为分布传感器的卡尔曼滤波过程，融合单元输出的全局估计是局部估计的线性组合，这里融合单元的作用是实现局部估计的优化组合。假设有L个局部状态估计和相应的局部估计误差自相关矩阵P⁽¹⁾(n)，P⁽²⁾(n)，…，P^(L)(n)，且各局部估计互不相关，则全局最优估计及全局估计误差自相关矩阵为：

式中：i为1-L号传感器分系统中的第i个传感器，为第n个采样周卡尔曼滤波算法利用观测量集合Z_n对系统状态变量x(n)进行最优估计得出的状态估计值。