专利名称：：基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法
技术领域：
：本发明涉及一种多传感器数据融合处理方法，特别是一种基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法。
背景技术：
：航空器在地面上运动或在空中飞行，必须进行动态监视，实施全过程管制，以确保飞行安全。因此，在机场和航路上都安装了各种各样的监视传感器，以获得被控目标的活动态势信息。多传感器数据融合处理技术是机场场面活动引导控制系统(A-SMGCS)的关键技术。它可以将接入系统的各种传感器信息联合起来，进行融合处理，以获得目标唯一、准确、实时、有效的信息，并在终端上显示，以帮助管制员实施场面监视和管制任务。空管系统中常用的监视信息以航管雷达信息为主，近年来又出现了卫星定位的ADS-B信息、多点定位系统(MLAT)信息。航管雷达包括航管一次雷达(PSR)、航管二次监视雷达(SSR)，是空中交通管制系统的传统监视手段，也是机场正在使用的装备，SSR的监视范围可达400公里，PSR的监视范围能超过100公里。由于雷达技术体系的限制，其覆盖率、数据精度、数据更新周期等限制了对目标的跟踪精度和实时性的提高。多点定位系统是国外提出的一种新型的监视技术，该技术充分利用现有的机载应答机的A/C模式以及S模式，采用多点无源传感器接收方式，根据信号到达不同地面接收站的时间差，确定飞机或其它运动目标的准确位置。同时可以通过A/C模式中的SSR代码或者S模式唯一的地址码对目标进行识别。多点定位系统的定位精度很高，在地面定位精度可达10米以内；它的更新周期很短，一般小于1秒。这种系统通常在机场安装，它的覆盖范围不会超过机场周围100公里。对于五边进近监控系统和机场场面活动监视系统而言，它们既要监视距离机场相当大范围内的交通状况，又要提供十分精确的目标位置信息。在机场周围交通比较复杂且变化迅速，系统必须保证一定的更新率。航管雷达的接入可以保证系统的覆盖范围，而多点定位系统的接入可以保证系统的覆盖率、更新速率和监视精度。本发明就是将两类信息同时接入系统，进行融合处理，各取其长，获得最好的信息效果。目前航管监视雷达信息与多点定位系统信息进行融合处理还存在许多技术难点。首先，航管雷达与多点定位系统的信息更新周期不同，且相差很远，航管雷达信息更新周期410秒，MLAT小于1秒；而且，多点定位系统没有稳定的周期，通常l秒内送出多次关于同一目标的信息；其次，系统要求的监视精度很高，传统航管雷达在航路上的监视精度能够达到几十米即能满足管制要求，而五边近进监视系统和场面活动监视系统的监视精度相对要高很多，有时在地面上即使几米的误差也可能导致重大的安全事故，所以其监视精度需要保证在10米以内。现有的多传感器数据融合技术大多是针对多部航管雷达的数据融合处理，整个实现过程主要包括时空配准、航迹配对和航迹融合这几个环节。时空配准是由于各传感器可能没有统一的时间基准，所测得的目标位置数据也都是在各自本地坐标系中，为了对各传感器数据进行融合就必须把数据转换到统一的时空坐标系中。目前常用的时间对准技术主要有时间片技术和同采样起点两种方法。空间对准是将不同传感器的局部坐标系下的目标位置，经过坐标旋转、平移、投影等转换处理，换算为系统中心的公共直角坐标系下的数据。航迹配对是将由不同传感器探测到的属于同一目标的航迹关联起来，各传感器航迹可根据航迹数据中的位置、高度、速度、航迹号和飞机的3/A模式代码或唯一标识符等信息进行匹配，进而与对应的飞行计划相关联，为各种管制应用的实现提供依据。在实时的多目标跟踪过程中，同一个目标在多个传感器上建立的量测，必定因其物理来源相同而具有某种相似特征，也必定因为杂波干扰和传感器自身性能的不稳定，而导致这些量测数据所建立的特征不完全相同。数据关联的目的就是用这种量测的相似特征，来判定这些特征不完全相同的量测数据是否源于同一目标。数据关联的主要方法有最近邻数据关联、概率数据关联、联合概率数据关联、最近邻联合概率数据关联、航迹分叉法、极大似然数据关联、0-1整数规划法以及多假设法等等。多传感器航迹融合是将各单路航迹作融合，得到系统综合航迹。对于数据融合来说，它的结构不同，将导致其有不同的系统性能。从目标跟踪的角度来说，多传感器融合系统有三种典型结构集中式融合结构、分布式融合结构和混合式融合结构。集中式融合结构可利用所有传感器的全部信息进行状态估计、速度估计和预测值计算。其主要优点是利用了全部信息，系统的信息损失小、性能好、目标的状态、速度的估计是最佳估计。但是信息量大、通信开销大，对计算机要求较高。分布式融合结构是融合中心将各传感器的局部滤波估计进行融合，获得全局估计。该结构通信开销小、融合速度快、对计算机性能要求低，但是其性能不如集中式融合结构。混合式融合结构是集中式融合结构与分布式融合结构的组合应用，它兼具这两种结构的优点，但是结构复杂、处理器的计算量很大。参见常乐，《数据融合在航迹数据处理中的应用研究》，2006年，南京理工大学硕士学位论文。以及陈列，《雷达情报数据融合系统的误差校正和航迹关联技术研究》，2007年，南京理工大学硕士学位论文。7现有技术方案存在以下缺点(1)进行航管雷达与多点定位系统之间的数据融合无法使系统航迹达到较高的精度。航管雷达比多点定位系统具有较大的系统误差。如果按照现有方案中的融合体系结构将这两者的量测数据作融合，航管雷达大的系统误差无法得到修正，将直接影响航迹配对的结果。如果在作航迹配对时选择的门限值较小，将使某些本该相关为同一目标的量测点无法相关，造成航迹分裂。即使能够相关上，必然使航管雷达的一部分系统误差被最后的融合结果继承。这样即使多点定位系统具有很高的量测精度，也不能保证系统输出结果具有较高的精度。(2)无法解决由于某个传感器探测精度降低而造成整个系统性能下降的问题。传感器随着使用年限的增长，其探测精度将会降低。此外，天气的变化也会在一定程度上影响传感器的探测精度。然而，目前的实际使用中在处理传感器送来的探测数据时并未考虑该传感器的探测精度，而将所有传感器送出的数据等同对待。这样，如果有某个传感器探测精度严重下降，按照现有的技术方案，将直接导致系统精度的下降。(3)无法解决多点定位系统无稳定周期的问题。传统的航管雷达都具有固定的扫描周期，一般是4秒。现有的技术方案都是在这样的前提下进行数据融合。而多点定位系统没有稳定的更新周期，一般1秒内会送出同一目标的若干个量测值。按照现有的技术方案还无法处理这样的问题。
发明内容发明目的本发明所要解决的技术问题是针对现有技术的不足，提供一种基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，通过联合卡尔曼滤波器进行数据融合，保证在数据更新率较高的前提下，监视目标的整体精度高于任一单信息源的精度。技术方案本发明公开了一种基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，包括以下步骤预处理步骤，即接收各传感器送出的目标量测信息，根据各传感器定义的数据格式进行解码分析，并将不同格式的目标量测信息转换为统一格式表述；时空配准步骤，即将各传感器获得的目标量测信息中的目标位置信息转换到同一坐标系下，并对准到同一时刻；目标位置信息是从传感器收到的目标量测信息中提取出来的位置项，所述位置项以经纬度、直角坐标或极坐标形式表示目标位置。点迹或航迹互联步骤，即将同一部传感器探测到的同一目标不同时刻的信息处理成同一批航迹；当一个目标量测信息开始进行点迹或航迹互联过程时，首先将该目标为中心的包括平面位置和高度的一定范围设为相关波门，将该波门内已存航迹作为关联对象搜索范围；然后逐一核对该目标量测信息与相关波门内每个航迹的吻合程度，相关要素包括目标的航迹号、二次代码、目标地址的身份信息以及速度信息；针对每种要素设立影响因子，符合为正，不符合为负；对于各影响因子，如果大于设定的阈值，表示相关，否则不相关；采用局部滤波器进行各传感器航迹滤波步骤，获得对目标当前位置的局部最佳估计；所述航迹滤波包括以下步骤将目标的运动方程视为n维线性动态系统，传感器跟踪目标时，观测到的航迹视为m维线性观测系统，则第i个局部滤波器的状态方程和量测方程的离散描述形式为W"=+，f=1,2,…,q;其中S,Y^表示系统在第k时刻的状态；^^)是系统状态转移矩阵；(/t-l，2,…)表示在第k时刻作用于系统的随机干扰，即模型噪声；所述模型噪声假设为高斯白噪声序列，即具有已知的零均值和协方差阵QY^;《丫^为观测向量；C,丫W为观测矩阵；(*=1,2,—)为观测噪声，设定为高斯白噪声序列，即具有已知的零均值和协方差阵//;t力滤波递推公式为柳=单雕-l乂+附-U=柳c,^」[c',w柳c,w+離才1i,州=单*-U+好,-W-c^岸4w-uj其中，G,YJU为模型噪声w,YJk-U的协方差阵；为观测噪声v,Y"的协方差阵；i,Y^为第k时刻经滤波后的估值；^(^U为增益矩阵；e,Y^为估计误差协方差阵；经过分散化并行运算的滤波器处理，得到局部最优估计i/W(*=1,2,.),并将每步的滤波结果传递给主滤波器；数据关联步骤，判断不同传感器探测到的信息是否关于同一目标。当某传感器的一个目标量测信息开始进行数据关联过程时，首先将该目标为中心的包括平面位置和高度的一定范围设为相关波门，将该波门内已存航迹作为关联对象搜索范围；然后逐一核对该目标量测信息与相关波门内每个航迹的吻合程度，相关要素包括目标的航迹号、二次代码、目标地址的身份信息以及速度信息；针对每种要素设立影响因子，符合为正，不符合为负；对于各影响因子的总和，如果大于设定的阈值，表示相关，否则不9相关。对于与航迹相关上的目标量测信息，进行航迹滤波及融合。对于未与任何航迹相关上的目标量测信息，建立新航迹。数据融合步骤，将同一个目标的不同传感器探测到的信息合并，并且根据不同传感器对应的局部滤波器分散化并行运算得到的局部最优估计》,YiU(/t=l，2,.)，在主滤波器中进行融合；在主滤波器内，全局融合结果为S=(《1+s2-1+…+《1)"1(s「、+￡2_1S2+…+~-、)s=(sr1+s2_1亇i将全局估计结果反馈给各局部滤波器，作为A:时刻各局部滤波器的估计值"1+"2++=1其中，''=1,2,",《，0《a,.Sl;主滤波器完成信息的最优综合，形成全局系统的综合信息；每个滤波阶段完成后，由主滤波器将合成的全局估计以及信息分配量，向各局部滤波器进行信息反馈，从而实时调整局部滤波器各参数值；各传感器加权平均的权值根据该传感器当前测试点的量测位置与实际位置的偏离程度确定；假设第f部传感器的测试点实际位置为fe,力)，而位置量测值为(A,j^，那么它们之间的位置差为测试点的实际位置与量测位置的差距即位置差值与传感器的当前精度呈反比关系；通过位置差值确定该传感器在所有W部传感器的加权融合中所占的权值为丄本发明中，数据融合步骤后还包括，误差估计步骤以及误差修正步骤；所述误差估计步骤包括，将经过航迹滤波后的各目标位置向量与各航管雷达对应的量测值作求差计算，获得关于每个目标的偏差值；统计当前时间往前的若干周期内一部航管雷达探测到的所有目标的偏差值，并作平均，得到该部航管雷达的估计的系统误差；综合航迹中与该航管雷达探测到的公共航迹数为附个，对"个周期进行统计；在第ifc个周期第/个目标由航管雷达探测到的位置向量为S"滤波后的综合航迹位置向量为M"第z'部航管雷达系统误差的估计值e,为附w^z汰-M》统计的各航管雷达的估计的系统误差e,-;所述误差修正步骤包括，用误差估计步骤中的各航管雷达相对于综合航迹的估计系统误差q对时空配准后的目标量测信息进行误差修正；若当前时刻从误差估计计算获得的第/部航管雷达的位置向量估计系统误差&，而当前该路雷达对第J'个目标的位置向量量测值为m;，该目标被修正后的位置向量为/^，则它们之间的关系为=w)+;对该路雷达在该时刻探测到的所有目标进行循环作修正，得到消除了系统误差的位置量测值。本发明中，时空配准步骤中，对准到同一时刻采用时间片方法，即将一个定时周期作为时间聚类点，在一个时间聚类内，以该定时周期为基准点，将其它观测点的数据外推或内插到该基准点；将一个时间聚类内的多个观测作为在时间聚类点上的一个虚拟观测；采用的状态转移公式将q时刻的状态外推或内插至&时刻；所述状态转移公式为其中，f(^为状态矢量；①W为状态转移矩阵。本发明中，点迹或航迹互联步骤中，若在相关波门内搜索到多个与目标量测信息相关的航迹，采用最小距离原则确定最后与目标量测信息相关的航迹；若在相关波门内未找到可与该目标相关的航迹，就将这个目标作为新航迹，添加到航迹链表中。本发明中，所述误差修正步骤中包括目标量测信息报告选优，用于使多点定位系统呈现的目标量测信息报告具有稳定的周期，首先将收到的多点定位系统信息与已经建立的多点定位航迹作预相关，如果相关上，就对比两者的时间戳和位置，判断在两者的时间差内它们的位置差是否合理，如果合理，进一步比较时间戳，保留相隔接近l秒的信息作为本更新周期的输入信息，否则舍弃。本发明中，多点定位系统目标量测信息报告选优在误差修正步骤中实施。经过时空配准后，多点定位系统的目标量测信息被统一到系统坐标和时间轴下，由于1秒内对于同一个目标多点定位系统会送出多个信息，为了能够获得1秒的稳定周期，需要对这多个信息进行选优。选优规则为选择时间戳离上一个周期最接近1秒且合理的那个信息作为本周期的输入。经过选优后，就可以将多点定位系统当作具有稳定周期的传感器进行处理，正常进入后续处理步骤，做点迹或航迹互联及滤波，进而与其他传感器的数据进行关联、数据融合。有益效果本发明技术方案是在多类监视信息的基础上，建立各类目标之间的数据关联映射关系，构建一个将多点定位系统数据与多雷达数据融合处理的过程方法，实现多类信息的深度融合和对有效信息的综合利用，保证多点定位系统报告更新率高(周期<=1秒)时系统监视的整体精度，降低了雷达量测误差对系统监视精度的影响，使系统的跟踪精确性得到显著的改善。本发明具有以下优点(1)根据各传感器测试点的探测精度，实时调整该传感器在融合中所占的权重，从而解决了由于某传感器精度降低而造成整个系统性能下降的问题。而现有的技术各传感器在融合中所占的权重是固定的，无法根据传感器的实际性能调整，因此当某传感器性能下降，将直接导致系统性能下降。(2)采用误差反馈修正技术，实时修正各传感器相对于综合航迹的系统误差，从而提高系统的整体精度。在现有的工程应用中还未利用多点定位系统精度高的特点，实际采用这样的技术，当某传感器的系统误差较大时，系统无法感知，从而影响融合后综合航迹的精度。(3)对多点定位系统1秒内送出的若干个关于同一目标的量测信息作选优处理，既保证多点定位系统稳定的1秒周期，又使从多点定位系统获得的目标量测是当时最优的。现有的技术方案中还未出现此类针对多点定位系统特性的处理方法。下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。图1为本发明基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法流程图。图2为本发明中数据互联流程图。图3为本发明中联合卡尔曼滤波结构图。图4为本发明实施例中系统内部格式与ASTERIX001格式的对应关系表。图5a、图5b、图5c为运用本发明方法的系统与运用传统方法系统的对比。具体实施例方式如图1所示，本发明所述基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法包括七个过程预处理、时空配准、误差修正、单传感器点迹或航迹互联及滤波、12数据关联、数据融合以及误差估计。由于单传感器点迹或航迹互联与多传感器数据关联原理相似，统称为数据互联，在数据互联部分阐述。而航迹滤波与数据融合逻辑上密切关联，因此也在同一部分描述。(1)预处理步骤系统在收到各传感器送出的目标量测信息后，首先要根据各传感器定义的数据格式进行解码分析，剔除可能存在的错误信息，以及将不同格式的目标量测信息转换为系统内部统一格式表述，完成信息预处理。系统接收的不同传感器的信息具有不同的格式，它们通常是按照EUROCONTROL关于监视数据交换的标准文档ASTERK中定义的格式进行传输，也有一些传感器是按照生产商自定义的格式进行信息传输，例如Alenia雷达等。这些格式与系统内部定义的格式存在差异，因此系统在接收到传感器信息时，需要对它们的内容作解析，将解析结果按照系统内部定义的格式装配，并送给下一个步骤处理。以常用的ASTERK文档中的001格式解析及装配为例。ASTERDCOOl格式可参见EUROCONTROLSTANDARDDOCUMENTFORRadarDataExchange-Part2aTransmissionofMonoradarTargetR印orts，SUR.ETl.ST05.2000-STD-02a-01，November1997，ReleasedIssue。系统内部格式与ASTERDCOOl格式的对应关系如图4所示。系统内部数据格式包含了被引接传感器数据格式中系统所需要的数据项。ASTERDCOOl是航管雷达的格式，而它不含目标位置经纬度的表示形式、目标地址、呼号以及高度这些通常由多点定位系统提供的数据项。因此，在获得一帧ASTERDCOOl格式的数据后，按格式的定义将各数据项提取出来，然后存储到对应的系统定义的数据项中。在这个过程中，由于传感器本身的问题或者传输线路故障，可能存在一些信息是无效的、与给定的格式不符或者不符合逻辑的，需要对解析后的内容作合理性检査，将不合理信息剔除并且作统计。只有保留的信息才按照系统内部格式进行装配和送至下一处理步骤。(2)时空配准经预处理后，不同传感器获得的目标量测信息已经转换到统一格式下。但是信息中包含的位置量测值是在各传感器坐标系下获得的，而传感器的坐标系通常与系统坐标系不一致。另外，虽然传感器和系统都是采用GPS时钟对时的，但是传感器获得目标的时刻未必能与系统定时周期一致，可能早于或晚于定时时刻，而在做航迹相关时各传感器的目标位置必须是在同一时刻测得的。因此对目标量测信息作航迹相关和融合之前，必须将目标位置的坐标系统一、时间对准，否则会造成相关错误以及融合结果无效。在时空配准环节中，将各传感器获得的目标位置信息转换到系统坐标系下，13并对准到同一时刻，即完成信息同步化处理。空间配准将不同传感器坐标系下的目标量测值，经过坐标旋转、平移、地图投影等变换过程，转换成系统坐标系下的数据。由于要把目标位置显示在管制席人^l界面上，因此通常系统中采用以系统中心为原点、正北方向为y轴、正东方向为x轴的平面直角坐标系为参考坐标系。传统传感器，例如SSR、PSR获得的目标位置是以传感器位置为原点、正北方向为夹角基准的极坐标表示的。此外，一些新型传感器，例如MLAT、ADS-B等，探测到的目标位置通常采用大地坐标，即经纬度表示，或者以传感器位置为原点、正北方向为y轴、正东方向为x轴的局部直角坐标系表示。将这些数据转换到系统坐标系下，不同的表示形式，转换流程不同。如果是经纬度形式，首先采用高斯投影公式进行正算，转换为原点在赤道的坐标系下的平面坐标，然后把坐标原点平移到系统中心点(系统中心点就是在系统中设定的坐标原点，系统中所有关于位置的计算都以此为参考)；如果是极坐标形式，首先转换到传感器位置为原点的局部平面直角坐标系下，然后根据已知的传感器大地坐标，将平面直角坐标通过高斯投影反算成经纬度，再转换到系统直角坐标系下；如果是局部平面直角坐标，同样先换算为大地坐标，再转换到系统直角坐标系下。时间对准就是指在某一时间片内，对各传感器采集的该时间片内的目标观测数据进行内插或外推，使其对准到统一时间点上，也就是进行时间归一化处理。通常有时间片技术和同采样起点两种常用的时间对准技术。时间片技术是将整个观测过程划分为若干时间片，对每个时间片上采集到的数据进行时间聚类，这样在一个时间片上就可以得到若干个时间聚类点。在一个时间聚类内，以该类的时间聚类点为基准点，将其它观测点的数据内插或外推到该基准点，这样一个时间聚类内的多个观测就可看成是在时间聚类点上的一个虚拟观测。本发明采用改进的时间片技术，省略聚类过程，简单地将系统的定时周期作为时间聚类点。在一个时间聚类内，以该定时周期为基准点，将其它观测点的数据外推或内插到该基准点，这样一个时间聚类内的多个观测就可看成是在时间聚类点上的一个虚拟观测。如果将q时刻的状态外推或内插至^时刻，采用的状态转移公式为式中，f")为系统的状态矢量；O)(f)为状态转移矩阵。按此技术进行时空配准，单路处理获得的航迹能够保证与传感器实际周期保持一致。对于融合后的综合航迹，能够按照各传感器周期中的最小值进行更新。(3)误差修正14在各类传感器信息中，由于多点定位系统的定位精度比一般的航管雷达高出很多(达到7-10米)，因此此类信息的加入如同引入了一个基准数据源，经过融合处理后综合航迹精度将较航管雷达航迹精度提高很多。利用综合航迹的位置与相关雷达量测值之间的误差均值，可以方便的得出航管雷达系统误差，通过误差反馈修正技术修正各雷达的系统误差，提高单部雷达量测值的精度。把误差估计阶段统计获得的各航管雷达相对于综合航迹系统误差，反馈给误差修正环节。对时空配准后的目标量测信息在误差修正环节实时误差修正。假设当前时刻从误差估计计算获得的第/部航管雷达的位置向量估计系统误差为力，而当前该路雷达对第7'个目标的位置向量量测值为/"y，该目标被修正后的位置向量为;JJ;，则它们之间的关系为勿=附/+这样，对该路雷达在该时刻探测到的所有目标按此方法循环作修正，得到消除了系统误差的位置量测值，送给后续环节处理。对其它路航管雷达也按照此方法处理。多点定位系统航迹由于其目标报告周期不固定，l秒内可以达到数次，因此需要对其目标量测信息报告进行选优，使多点定位系统呈现的目标量测信息报告具有稳定的周期。首先将收到的多点定位系统信息与已经建立的多点定位航迹作预相关，如果相关上，就对比两者的时间戳和位置，判断在两者的时间差内它们的位置差是否合理，如果合理，进一步比较时间戳，保留相隔接近1秒的信息作为本更新周期的输入信息，否则舍弃。多点定位系统送出的目标量测信息报告经过选优后周期能够大约保持在1秒。(4)数据互联尽管数据互联包含了单传感器点迹或航迹互联与多传感器数据关联两种情况，但是这两种情况的原理类似，都是建立某时刻传感器量测数据和其它时刻量测数据的关系，以确定这些量测数据是否来自同一个目标的处理过程。只是前者针对的是一部传感器的量测数据，后者针对的是多部传感器的量测数据。它们的实施过程也很相似。数据互联过程根据实际情况，主要考虑三个要素根据设定的数据关联门限来限制不适合关联对的产生，基于代码(例如二次代码、目标地址和航迹号等)的关联来实现直接的关联，以及按照最小距离等因素实施关联。如图2所示，当一个目标量测信息开始进行数据互联过程时，首先将该目标为中心的一定范围(包括平面位置和高度)设为相关波门，将该波门内已存航迹作为关联对象搜索范围；然后逐一核对该目标量测信息与相关波门内每个航迹的吻合程度，主要的相关要素包括目标的航迹号、二次代码、目标地址这些身份信息以及速度信息。合为正，不符合为负。通常表示身份的信息对量测信息与航迹关联可能性的影响较高，因此把二次代码等表示目标身份的相关要素的影响因子的绝对值设得较大，而速度是表示目标运动特性的相关要素由于变化较快，可靠性较低，所以影响因子绝对值也设得较小。将各要素逐一核对，然后综合各影响因子，如果大于某个阈值，表示相关上，否则不相关。在某些情况下，可能在相关波门内搜索到多个与目标量测信息相关的航迹，这时采用最小距离原则确定最后与目标量测信息相关的航迹，即哪个航迹与目标量测的位置最为接近，该目标就与哪个航迹相关。如果在相关波门内未找到可与该目标相关的航迹，就将这个目标作为新航迹，添加到航迹链表中。(5)航迹滤波及数据融合航迹数据融合将同一个目标的不同传感器探测到的信息合并，并且根据不同传感器送来的不同位置点，滤波预测获得对目标当前位置的最佳估计。本发明中，卡尔曼滤波为多传感器信息融合处理的主要技术手段，特别在此基础上设计了联合卡尔曼滤波器。这种滤波器设计结构能够保证局部和全局滤波器都具有较高的精度，且具有较好的容错效果，另外主滤波器的计算量很小，合成方法简单，很容易实现。联合卡尔曼滤波器设计的基本思想是先分散处理、再全局融合，即在诸多非相似子系统中选择一个信息全面、输出速率高、可靠性绝对保证的子系统作为公共参考系统，与其它子系统两两结合，形成若干子滤波器。由于多点定位系统的量测精度显著高于航管雷达，因此这里将多点定位系统作为参考传感器。各子滤波器并行运行，获得建立在子滤波器局部量测基础上的局部最优估计，这些局部最优估计在主滤波器内按加权平均融合算法合成，从而获得建立在所有量测基础上的全局估计。根据上述联合卡尔曼滤波器设计的基本思想，在接入系统的所有传感器中选择一部探测精度高、更新周期快的传感器作为参考传感器，这里选择多点定位系统作为参考传感器。将参考传感器与其它传感器分别结合，形成局部滤波器。在局部滤波器中，通过卡尔曼滤波计算得到局部最优的状态估计，形成单路航迹。将各单路航迹送至主滤波器，在主滤波器中进行融合计算，获得全局融合结果，形成综合航迹。将融合参数和结果反馈给各局部滤波器，局部滤波器根据融合参数和结果调整各自的滤波参数，进一步优化滤波过程，从而优化单路航迹和融合结果，提高综合航迹的精度。滤波器的结构图如图3所示。考虑目标的运动方程可视为n维线性动态系统，传感器跟踪目标时，观测到的航16迹可视为m维线性观测系统，则第i个局部滤波器的状态方程和量测方程的离散描述形式为<formula>formulaseeoriginaldocumentpage17</formula>其中&w表示系统在第k时刻的状态(可以包括位置、速度以及加速度)。w;u是系统状态转移矩阵。—it-U("1，2,…)表示作用于系统的随机干扰，即模型噪声，一般假设为高斯白噪声序列，具有已知的零均值和协方差阵G丫W。A(^U为观测向量。C,YW为观测矩阵。v,.(^U(/t=l,2,.)为观测噪声，假设为高斯白噪声序列，具有已知的零均值和协方差阵/,Y)U。滤波递推公式为<formula>formulaseeoriginaldocumentpage17</formula>其中，込f^为模型噪声w,(^-U的协方差阵；为观测噪声v,丫"的协方差阵；i,丫;U为第k时刻经滤波后的估值；^^U为增益矩阵；e,Y^为估计误差协方差阵。经过分散化并行运算的卡尔曼滤波器的处理，得到局部最优估计i/;uU-l,2,…)，在主滤波器中进行融合。在主滤波器内，全局融合结果为<formula>formulaseeoriginaldocumentpage17</formula>将全局估计结果反馈给各局部滤波器，作为*时刻各局部滤波器的估计值<formula>formulaseeoriginaldocumentpage17</formula>其中，/=1,2，...，《，0《a,^l。局部滤波器根据状态方程和量测方程进行滤波，并将每步的滤波结果传递给主滤波器。主滤波器完成信息的最优综合，形成全局系统的综合信息。每个滤波阶段完成后，由主滤波器将合成的全局估计以及按照"信息分配"原则形成的信息分配量，向各局部滤波器进行信息反馈，从而可以实时将局部滤波器各参数调整到适当的值。各传感器加权平均的权值根据该传感器的当前性能来确定。而传感器的当前性能是由该传感器当前测试点的量测位置与实际位置的偏离程度确定的。假设第/部传感器的测试点实际位置为fe，力)，而位置量测值为&，丸)，那么它们之间的位置差为这个位置差值越大表明测试点的实际位置与量测位置的差距越大，该传感器的当前性能越差，反之，性能越好，即呈反向相关。可以通过这个位置差来确定该传感器在所有W部传感器的加权融合中所占的权值为(6)误差估计在数据融合环节之后，将经过航迹滤波后的各目标位置向量与各航管雷达对应的量测值作求差计算，获得关于每个目标的偏差值。统计当前时间往前的若干周期内一部航管雷达探测到的所有目标的偏差值，并作平均，从而得到该部航管雷达的估计系统误差。假设现在计算第/部航管雷达的系统误差。综合航迹中与该航管雷达探测到的公共航迹数为附个，对w个周期进行统计。在第A个周期第y个目标由航管雷达探测到的位置向量为~;滤波后的综合航迹位置向量为。第Z'部航管雷达的估计系统误差为,则它们之间存在如下关系在误差修正环节利用此处统计的各航管雷达的系统误差来修正各自的位置量测值，从而提高各航管雷达的量测精度，最终提高系统的整体精度。本发明给出了在机场地面运行系统中运用本发明前后，降落飞机在地图上显示位置的截图，以示说明本发明的有益效果。图5a为采用本发明的系统全界面显示图。图5b为运用本发明前融合多部航管雷达监视即将降落的飞机显示图。图5c为运用本发明后融合航管雷达和多点定位系统监视即将降落的飞机显示图。降落飞机在最后近进阶段飞行时应该对准跑道，因此它的航迹应该与跑道延长线重合。图5b中，采用普通卡尔曼滤波且只融合多部航管雷达的处理结果显示，综合航迹以4秒的周期更新，偏离跑道延长线一定距离。图5c中，采用联合卡尔曼滤波且融合一部多点定位系统和多部航管雷达的处理结果显示，综合航迹以1秒的周期更新，且航迹与跑道延长线能够很好地重合。对比上述两幅图中对飞机监视效果可知，运用本发明加入多点定位系统后18航迹更新率显著提高，且航迹的位置更加符合实际、更加平稳。本发明属于计算机科学领域的应用软件技术，涉及多传感器数据融合处理。通过建立多类型传感器数据融合模型，创建联合卡尔曼滤波器和加权平均融合算法，对不同程式的多部场面监视雷达信息、进近雷达信息和多点定位系统信息进行融合处理，形成连续、平滑的目标(航空器、车辆)动态航迹。该技术用于民航终端区空中交通管制五边进近监控系统和机场高级场面活动引导控制系统(A-SMGCS)。本发明提供了一种基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法的思路及方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本
技术领域：
的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。权利要求1、一种基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，其特征在于，包括以下步骤预处理步骤，即接收各传感器送出的目标量测信息，根据各传感器定义的数据格式进行解码分析，并将不同格式的目标量测信息转换为统一格式表述；时空配准步骤，即将各传感器获得的目标量测信息中的目标位置信息转换到同一坐标系下，并对准到同一时刻；目标位置信息是从传感器收到的目标量测信息中提取出来的位置项，所述位置项以经纬度、直角坐标或极坐标形式表示目标位置；点迹或航迹互联步骤，即将同一部传感器探测到的同一目标不同时刻的信息处理成同一批航迹；当一个目标量测信息开始进行点迹或航迹互联过程时，首先将该目标为中心的包括平面位置和高度的范围设为相关波门，将该波门内已存航迹作为关联对象搜索范围；然后逐一核对该目标量测信息与相关波门内每个航迹的吻合程度，相关要素包括目标的航迹号、二次代码、目标地址的身份信息以及速度信息；针对每种要素设立影响因子，符合为正，不符合为负；对于各影响因子的总和，如果大于设定的阈值，表示相关，否则不相关；采用局部滤波器进行各传感器航迹滤波步骤，获得对目标当前位置的局部最佳估计；所述航迹滤波包括以下步骤将目标的运动方程视为n维线性动态系统，传感器跟踪目标时，观测到的航迹视为m维线性观测系统，则第i个局部滤波器的状态方程和量测方程的离散描述形式为<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>S</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mi>A</mi><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msub><mi>S</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>+</mo><msub><mi>w</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mn>1</mn><mo>)</mo></mrow></mtd><mtd><mi>k</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo></mtd></mtr><mtr><mtd><msub><mi>X</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>C</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msub><mi>S</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>+</mo><msub><mi>v</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mtd><mtd><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>·</mo><mo>·</mo><mo>·</mo><mo>,</mo><mi>q</mi></mtd></mtr></mtable></mfenced><mo>;</mo></mrow>]]></math></maths>其中Si(k)表示系统在第k时刻的状态；A(k)是系统状态转移矩阵；wi(k-1)(k＝1，2，…)表示作用于系统的随机干扰，即模型噪声；所述模型噪声假设为高斯白噪声序列，即具有已知的零均值和协方差阵Qi(k)；Xi(k)为观测向量；Ci(k)为观测矩阵；vi(k)(k＝1，2，…)为观测噪声，设定为高斯白噪声序列，即具有已知的零均值和协方差阵Ri(k)；滤波递推公式为ε′i(k)＝A(k)εi(k-1)AT(k)+Q(k-1)<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msub><mi>H</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msubsup><mi>ϵ</mi><mi>i</mi><mo>′</mo></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msubsup><mi>C</mi><mi>i</mi><mi>T</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msup><mrow><mo>[</mo><msub><mi>C</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msubsup><mi>ϵ</mi><mi>i</mi><mo>′</mo></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msubsup><mi>C</mi><mi>i</mi><mi>T</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>+</mo><msub><mi>R</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>]</mo></mrow><mrow><mo>-</mo><mn>1</mn></mrow></msup></mrow>]]></math></maths>εi(k)＝[I-Hi(k)Ci(k)]ε′i(k)其中，Qi(k)为模型噪声wi(k-1)的协方差阵；Ri(k)为观测噪声vi(k)的协方差阵；id="icf0004"file="A2009100350310003C1.tif"wi="9"he="5"top="36"left="24"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>为第k时刻经滤波后的估值；Hi(k)为增益矩阵；εi(k)为估计误差协方差阵；经过分散化并行运算的滤波器处理，得到局部最优估计id="icf0005"file="A2009100350310003C2.tif"wi="9"he="5"top="43"left="123"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>(k＝1，2，…)，并将每步的滤波结果传递给主滤波器；数据关联步骤，判断不同传感器探测到的信息是否关于同一目标，当某传感器的一个目标量测信息开始进行数据关联时，首先将该目标为中心的包括平面位置和高度的范围设为相关波门，将该波门内已存航迹作为关联对象搜索范围；然后逐一核对该目标量测信息与相关波门内每个航迹的吻合程度，相关要素包括目标的航迹号、二次代码、目标地址的身份信息以及速度信息；针对每种要素设立影响因子，符合为正，不符合为负；对于各影响因子的总和，如果大于设定的阈值，表示相关，否则不相关；对于与航迹相关上的目标量测信息，进行航迹滤波及融合；对于未与任何航迹相关上的目标量测信息，建立新航迹；数据融合步骤，将同一个目标的不同传感器探测到的信息合并，并且根据不同传感器对应的局部滤波器分散化并行运算得到的局部最优估计id="icf0006"file="A2009100350310003C3.tif"wi="9"he="5"top="125"left="137"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>(k＝1，2，…)，在主滤波器中进行融合；在主滤波器内，全局融合结果为S＝(ε1-1+ε2-1+…+εq-1)-1(ε1-1S1+ε2-1S2+…+εq-1Sq)ε＝(ε1-1+ε2-1+…+εq-1)-1将全局估计结果反馈给各局部滤波器，作为k时刻各局部滤波器的估计值Si(k)＝S(k)<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msubsup><mi>Q</mi><mi>i</mi><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>α</mi><mi>i</mi></msub><msup><mi>Q</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>]]></math></maths><mathsid="math0004"num="0004"><math><![CDATA[<mrow><msubsup><mi>ϵ</mi><mi>i</mi><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>α</mi><mi>i</mi></msub><msup><mi>ϵ</mi><mrow><mo>-</mo><mn>1</mn></mrow></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>]]></math></maths>α1+α2+…+αq＝1其中，i＝1，2，…，q，0≤αi≤1；主滤波器完成信息的最优综合，形成全局系统的综合信息；每个滤波阶段完成后，由主滤波器将合成的全局估计以及信息分配量，向各局部滤波器进行信息反馈，实时调整局部滤波器各参数值；各传感器加权平均的权值根据该传感器当前测试点的量测位置与实际位置的偏离程度确定；假设第i部传感器的测试点实际位置为(xi，yi)，而位置量测值为id="icf0009"file="A2009100350310003C6.tif"wi="13"he="5"top="229"left="164"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/>那么它们之间的位置差为<mathsid="math0005"num="0005"><math><![CDATA[<mrow><mi>Δ</mi><msub><mi>r</mi><mi>i</mi></msub><mo>=</mo><mo>|</mo><msqrt><msubsup><mi>x</mi><mi>i</mi><mn>2</mn></msubsup><mo>+</mo><msubsup><mi>y</mi><mi>i</mi><mn>2</mn></msubsup></msqrt><mo>-</mo><msqrt><msubsup><mover><mi>x</mi><mo>^</mo></mover><mi>i</mi><mn>2</mn></msubsup><mo>+</mo><msubsup><mover><mi>y</mi><mo>^</mo></mover><mi>i</mi><mn>2</mn></msubsup></msqrt><mo>|</mo></mrow>]]></math></maths>测试点的实际位置与量测位置的差距即位置差值与传感器的当前精度呈反比关系；通过位置差值确定该传感器在所有n部传感器的加权融合中所占的权值为<mathsid="math0006"num="0006"><math><![CDATA[<mrow><msub><mi>α</mi><mi>i</mi></msub><mo>=</mo><mfrac><mfrac><mn>1</mn><mrow><mi>Δ</mi><msub><mi>r</mi><mi>i</mi></msub></mrow></mfrac><mrow><munderover><mi>Σ</mi><mi>i</mi><mi>n</mi></munderover><mfrac><mn>1</mn><mrow><mi>Δ</mi><msub><mi>r</mi><mi>i</mi></msub></mrow></mfrac></mrow></mfrac><mo>.</mo></mrow>]]></math></maths>2、根据权利要求1所述的基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，其特征在于，数据融合步骤后还包括，误差估计步骤以及误差修正步骤；所述误差估计步骤包括，将经过航迹滤波后的各目标位置向量与各航管雷达对应的量测值作求差计算，获得关于每个目标的偏差值；统计当前时间往前的若干周期内一部航管雷达探测到的所有目标的偏差值，并作平均，得到该部航管雷达的估计的系统误差；综合航迹中与该航管雷达探测到的公共航迹数为附个，对"个周期进行统计;在第A:个周期第y个目标由航管雷达探测到的位置向量为5;;滤波后的综合航迹位置向量为M,.;第f部航管雷达系统误差的估计值&为统计的各航管雷达的估计的系统误差;所述误差修正步骤包括，用误差估计步骤中的各航管雷达相对于综合航迹的估计系统误差e,.对时空配准后的目标量测信息进行误差修正；若当前时刻从误差估计计算获得的第f部航管雷达的位置向量估计系统误差e;，而当前该路雷达对第个目标的位置向量量测值为附；，该目标被修正后的位置向量为/^,则它们之间的关系为对该路雷达在该时刻探测到的所有目标进行循环作修正，得到消除了系统误差的位置量测值。3、根据权利要求1所述的基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，其特征在于，时空配准步骤中，对准到同一时刻采用时间片方法，即将一个定时周期作为时间聚类点，在一个时间聚类内，以该定时周期为基准点，将其它观测点的数据外推或内插到该基准点；将一个时间聚类内的多个观测作为在时间聚类点上的一个虚拟观测；采用的状态转移公式将A时刻的状态外推或内插至^时刻；所述状态转移公式为其中，i(0为状态矢量；①W为状态转移矩阵。4、根据权利要求l所述的基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，其特征在于，点迹或航迹互联步骤中，若在相关波门内搜索到多个与目标量测信息相关的航迹，采用最小距离原则确定最后与目标量测信息相关的航迹；若在相关波门内未找到可与该目标相关的航迹，就将这个目标作为新航迹，添加到航迹链表中。5、根据权利要求2所述的基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法，其特征在于，所述误差修正步骤中包括目标量测信息报告选优，首先将收到的多点定位系统信息与已经建立的多点定位航迹作预相关，如果相关上，就根据两者的时间戳和位置计算航迹的速度，判断该速度是否大于航迹能够达到的最大速度，如果不大于，进一步比较时间戳，保留相隔接近1秒的信息作为本更新周期的输入信息，否则舍弃。全文摘要本发明所述基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法包括七个过程预处理、时空配准、误差修正、单传感器点迹或航迹互联及滤波、数据关联、数据融合以及误差估计。本发明技术方案是在多类监视信息的基础上，建立各类目标之间的数据关联映射关系，构建一个将多点定位系统数据与多雷达数据融合处理的过程方法，实现多类信息的深度融合和对有效信息的综合利用，保证多点定位系统报告更新率高，周期＜＝1秒时系统监视的整体精度，降低了雷达量测误差对系统监视精度的影响，使系统的跟踪精确性得到显著的改善。文档编号G01S13/86GK101655561SQ20091003503公开日2010年2月24日申请日期2009年9月14日优先权日2009年9月14日发明者恺杨,王晓峰,程先峰,胥霜霞,陈培英,靳学梅,琰黄申请人:南京莱斯信息技术股份有限公司