[发明专利]一种基于GM-PHD滤波的多传感器非顺序量测异步融合方法

说明书

本发明公开了一种基于GM‑PHD滤波的多传感器非顺序量测异步融合方法，可用于解决杂波环境下基于雷达、声呐等多传感器异步非顺序量测的多目标跟踪问题。本发明采取了集中式特征级融合策略，融合中心对实时接收到的量测进行判断，针对顺序量测和到达滞后量测两种异步量测分别设计了基于GM‑PHD滤波器的融合算法。特别的对于到达滞后量测，本发明合理改进了GM‑PHD滤波器，解决了随机集框架下的反向状态预测及负时间量测更新问题，实现了目标状态的二次估计。本发明借助随机集理论的优势，避免了异步融合问题中复杂的数据关联问题，方法结构简单，易于实现的迭代更新，对于解决实际的多传感器多目标目标跟踪问题具有重要的现实意义。

技术领域

本发明属于多目标跟踪及多传感器融合领域，涉及一种多传感器非顺序量测的异步融合方法，可用于解决杂波环境下基于雷达、声呐等多传感器异步量测的多目标跟踪问题。

背景技术

多传感器多目标跟踪技术在军事和民用方面有着广泛的应用，如空中预警，海洋监测，自动驾驶等。随着传感器种类的不断丰富和精度的有效提高，包含数据融合的多目标跟踪方法也在逐步向前发展。

针对多目标跟踪问题，经典解决方法集中在解决数据关联问题上，主要有最近邻算法(Nearest Neighbor，NN)、全局最近邻算法(Global Nearest Neighbor，GNN)、联合概率数据关联(Joint Probability Data Association，JPDA)，多假设跟踪(MultipleHypothesis Tracking，MHT)等。然而，最近邻算法受杂波影响较大，标准JPDA的计算复杂度为NP-hard，MHT也存在组合爆炸问题。近年来，基于随机有限集理论(Random Finite Set，RFS)的目标跟踪方法不断引起学术界的广泛关注，相对于传统的多目标跟踪方法，该方法不需要进行数据关联，多目标的状态和量测都以随机集的形式出现，目标的出现、消失、传感器量测受到环境噪声的影响统一用随机集的形式给出。R.Mahler先后提出概率假设密度(Probability Hypothesis Density，PHD)滤波器，带有势分布的PHD滤波器(CardinalizedPHD，CPHD)，多目标多伯努利(Multi-target Multi-Bernoulli，MeMBer)滤波器，逐步将随机有限集理论应用于目标跟踪领域。B.-N.Vo给出了PHD、CPHD、MeMBer等滤波器的两种收敛实现，即序贯蒙特卡洛(SequentialMonteCarlo，SMC)和高斯混合(Gaussian mixture，GM)方法。特别是GM-PHD滤波器，使得基于RFS的多目标跟踪方法在工程应用方面成为可能。已有研究表明，GM-CPHD的计算量相比JPDAF的多目标跟踪算法计算复杂度要小的多，并且能够得到更好的多目标跟踪结果。

在多传感器融合理论中，研究更多的是同步融合，即各传感器同步测量，且同步传输数据到融合中心。而实际中由于各传感器采样频率不同以及通信滞后等问题，到达融合中心的数据是异步的。异步量测主要分为顺序量测(in-sequence measurement,ISM)和非顺序量测(out-of-sequence measurement,OOSM)，两者的差别主要在于量测到达融合中心的顺序与其时间戳的顺序是否一致，如图1所示。针对顺序量测异步融合问题，只需进行序贯滤波即可，而非顺序量测的异步融合则较为复杂。针对一步滞后非顺序量测问题，有学者先后提出基于向后状态倒推的最优A1算法、次优的B1、C1算法，这些算法各有优劣，在不同场景下能达到有效估计。上述算法主要针对单目标下的异步信息融合，由于涉及数据关联问题，多目标异步信息融合时将更为复杂，目前关于多传感器多目标异步融合问题的研究较少，且尚未有在随机集框架下非顺序量测异步融合的应用研究。

发明内容

本发明针对多传感器非顺序量测(OOSM)异步融合问题，研究设计了一种基于高斯混合概率假设密度滤波器(GM-PHD)的多传感器融合方法。方法借助随机集理论的优势，避免了异步融合问题中较为棘手的数据关联问题。本发明的技术方案为：