基于GLMB滤波器的多传感器自适应角度控制方法与流程

本发明属于传感器技术领域，它涉及了随机集理论下多源信息融合算法和多传感器管控技术领域，特别涉及一种基于glmb滤波器的多传感器自适应角度控制方法。

背景技术

现代技术的飞速发展，单一传感器因自身特性所决定的局限性而无法满足新一代作战系统对探测信息的需求，而多传感器网络可以提供不同维度的观测数据，不仅扩展了网络的探测范围，也改善了系统的探测能力和空间分辨力，进而提高了系统探测的可信度。由于多传感器可以对目标的发现性能、定位精度和识别能力进行改善，近年来得到了快速地发展与应用，并成为传感器领域的研究热点之一。分布式多传感器网络探测技术能够充分收集和传递组网内单部传感器的信息，实现网络内传感器间的资源共享，最终实现复杂环境下的多目标的探测，具有很强的可靠性和高精度。因此，多传感器管控技术是多传感器探测技术中不可忽略的一部分。

近年来，针对多传感器管控技术，很多学者进行了大量研究并取得了相应研究成果。该技术主要的目的在于通过寻找多传感器的相应的可操作命令集合，进而得到理想的量测信息，实现整个传感器网络架构下最优的滤波结果。

多传感器管控技术主要涉及两部分：1)多目标跟踪过程；2)决策过程。对于多目标跟踪过程，在随机集理论下，通过将传感器监视区域内的目标和量测分别建模成集合的形式，以集合为单位进行滤波处理，避免了传统的跟踪算法里的数据关联过程，另外，在滤波的过程中也可以估计出目标的个数。随着随机集的发展，相继出现了很多种跟踪算法，主要包括非标签的滤波器和标签滤波器，由于非标签滤波器不能形成目标的航迹而标签滤波器可以形成各个目标的航迹信息，因此，标签滤波器具有很强的实用价值，也越来越多地应用于传感器领域。对于传感器决策过程，目的就是优化目标函数得到一个最优解。常用的优化策略分别是基于任务驱动的技术和基于信息驱动的技术。前者主要是根据期望得到的性能而将目标函数设计成代价函数的表达式，其缺点是只适用于单任务的场景，不能对多个任务的复杂场景进行决策。而后者主要是针对多个任务下将目标函数设计为奖励函数的形式，进而求得全局最优解。而基于信息驱动的技术常常利用设计奖励函数的形式来进行决策，用于设计奖励函数的准则如交叉熵准则、瑞利熵等，但是这些准则往往带来很复杂的表达式和巨大的计算量，且得不到闭合解，限制了实际的应用。2016年，在文献“multi-sensorcontrolformulti-targettrackingusingcauchy-schwarzdivergence[c],informationfusion(fusion),201619thinternationalconferenceon.ieee,2016:2056-2066.”中提出了两种基于广义标号多目标多伯努利滤波器的在柯西施瓦兹准则下的传感器管控方法，然后所提算法只考虑了两个传感器的框架，并且其中多传感器的联合管控方法计算代价太大，而独立的管控方法估计误差又过低，因此两种算法限制了其在实际的多传感器网络中的应用。

技术实现要素：

本发明的目的在于克服现有技术基于广义标号多伯努利滤波器的多传感器自适应角度调整计算代价过大的不足，提供一种能够保证了较小的误差损失，解决了精度和计算代价均可实现的基于glmb滤波器的多传感器自适应角度控制方法。

本发明的目的是通过以下技术方案来实现的：基于glmb滤波器的多传感器自适应角度控制方法，包括以下步骤：

s1、各本地传感器分别采用广义标号多伯努利滤波器进行本地滤波，得到各个传感器本地的后验概率密度分布函数；

s2、基于广义协方差交叉准则进行分布式融合；

s3、进行多目标采样处理；

s4、设定管控步长h，同时假设预测过程中没有目标的出生于死亡，然后采用广义标号多伯努利滤波器对融合后的多目标后验分布进行h步伪预测；

s5、计算每一个传感器i的每一种对应的可操作命令在理想环境下演化h步之后得到理想量测；

s6、在每一个多目标采样下，对传感器进行两两分组，产生决策集合，分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布；

s7、分别计算两两配对的控制决策组合下的柯西施瓦兹散度；

s8、分别对各个传感器对选取局部最优的传感器控制决策；

s9、将所有的局部最优的传感器控制决策合并成一个集合。

进一步地，所述步骤s1得到的各个传感器本地的后验概率密度分布函数为：

其中，πⁱ(x)表示第i个传感器下目标状态集合x的后验概率分布，其中i∈{1,2,...,n}，x＝{x1,…,xn}，xn表示第n个目标的状态；

δ(x)满足表示目标状态集合x的标签的个数与目标状态集合中目标的个数|x|是相等的，其中δ为广义kronekerdelta函数，表示集合x的标签集合，且满足其中x＝(x,l)，x表示目标状态，l表示与状态x对应的标签，满足

为假设集合的离散空间；

表示与第i个传感器的多目标状态x的标签集合相对应的权重；

表示多目标指数分布，满足其中为概率密度函数，满足

进一步地，所述步骤s2融合后的后验分布表示为：

其中，

表示标签集合l融合后的权重；表示标签集合l融合后的概率密度分布；ωⁱ表示传感器i融合时对应的融合权重；表示标签集合l对应的多目标指数混合；参数表示传感器i的集合l对应的权值；定义为：传感器i的集合f对应的权值；参数表示传感器i在集合l下对应的联合概率分布；f表示标签集合空间的子集合。

进一步地，所述步骤s3具体实现方法为：对进行多目标采样，得到一个采样集合ψs：

其中，m表示采样的数目，{x⁽¹⁾,...x^(m)}表示对应的一个多目标采样集合。

进一步地，所述步骤s5具体实现方法为：每一个传感器i的每一种对应的可操作命令在理想环境下演化h步之后得到理想量测，并用于更新处理：

其中，i∈{1,...,n}，表示第i个传感器所有可操控命令的空间集合；glmb(·)表示利用广义标号多伯努利滤波器进行滤波的过程；

理想环境是指无杂波、无噪声、发现概率为1的环境。

进一步地，所述步骤s6具体实现方法为：在每一个多目标采样x^(j)下，对n个传感器进行两两分组，偶数个传感器则组成个传感器对，产生的两两联合决策组合的集合为奇数个传感器则组成个传感器对和一个单独的传感器，产生的决策集合为然后分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布，对于传感器对(i,i+1)，对应的分布式融合过程如下：

其中，gci表示利用广义协方差交叉准则进行融合的过程。

进一步地，所述步骤s7具体实现方法为：分别计算两两配对的控制决策组合下的柯西施瓦兹散度；首先，在每一个多目标采样x^(j)下，对每一个决策组合计算伪融合预测分布与该决策组合对应的融合后的伪更新分布之间的柯西施瓦兹散度值：

其中，dcs表示计算柯西施瓦兹散度：

φ表示ψ表示k表示单位因子；表示标签空间；l表示标签空间中的一种集合；c表示与广义标号多伯努利密度φ(x)对应的假设集合空间中的一种假设；d表示与广义标号多伯努利密度ψ(x)对应的假设集合空间中的一种假设；表示与广义标号多伯努利密度ψ(x)对应的假设集合空间；表示广义标号多伯努利密度φ(x)中假设集合为c时的概率密度函数；表示广义标号多伯努利密度ψ(x)中假设集合为d时的概率密度函数；

然后在所有多目标采样集ψs条件下，分别求出各个传感器对的柯西施瓦兹散度的期望值：

本发明的有益效果是：本发明通过在滤波阶段进行本地滤波并进行分布式融合，从而得到最优的全局性能；在管控阶段，将传感器进行两两配对并计算出其分布式融合后的伪更新分布，然后分别计算出各个伪更新分布与为预测分布之间的柯西施瓦兹散度，从而选取出各个传感器对对应的局部最优的传感器控制决策子集合，合并所有子集合即可得所有传感器的决策集合，能够快速有效地实现基于glmb滤波器的多传感器自适应角度调整，解决现有基于广义标号多伯努利滤波器的多传感器自适应角度调整计算代价过大的问题，也保证了较小的误差损失，从而解决了精度和计算代价均可实现的多传感器自适应角度控制问题。

附图说明

图1为本发明的基于glmb滤波器的多传感器自适应角度控制方法的流程图；

图2为本发明的多传感器自适应管控的效果图。

具体实施方式

本发明提供了一种基于glmb滤波器的多传感器自适应角度控制的快速实现方法，克服了现有多传感器自适应角度控制计算代价过大的问题。它的特点是考虑了传感器之间的分组问题。首先，各传感器分别进行广义标签多伯努利(glmb)滤波，然后基于广义协方差交叉(gci)准则进行融合得到全局最优性能；进而对融合后的多目标分布进行多目标采样，然后进行伪预测处理，可得到伪预测分布；利用多目标采样后的样本和可操控的角度的集合产生理想量测，进而对各个单传感器进行若干步的迭代滤波得到伪更新分布；然后对得到的伪更新分布进行两两gci融合，其中偶数个传感器则恰好两两配对，奇数个传感器则会剩下单独的一个传感器不做gci融合处理；最后，通过分别计算两两gci融合的结果和伪预测分布之间的柯西施瓦兹散度，选取出各个传感器的角度决策。该方法有效地解决了多传感器角度联合管控不可实现的问题，也保证了较小的误差损失，从而解决了精度和计算代价均可实现的多传感器自适应角度控制问题。

下面结合附图进一步说明本发明的技术方案。

如图1所示，基于glmb滤波器的多传感器自适应角度控制方法，包括以下步骤：

s1、各本地传感器分别采用广义标号多伯努利滤波器进行本地滤波，得到各个传感器本地的后验概率密度分布函数：

其中，πⁱ(x)表示第i个传感器下目标状态集合x的后验概率分布，其中i∈{1,2,...,n}，x＝{x1,…,xn}，xn表示第n个目标的状态；

δ(x)满足表示目标状态集合x的标签的个数与目标状态集合中目标的个数|x|是相等的，其中δ为广义kronekerdelta函数，且满足表示集合x的标签集合，且满足其中x＝(x,l)，x表示目标状态，l表示与状态x对应的标签，满足

为假设集合的离散空间；

表示与第i个传感器的多目标状态x的标签集合相对应的权重；

表示多目标指数分布，满足其中为概率密度函数，满足

s2、基于广义协方差交叉准则进行分布式融合，融合后的后验分布表示为：

其中，

表示标签集合l融合后的权重；表示标签集合l融合后的概率密度分布；ωⁱ表示传感器i融合时对应的融合权重；表示标签集合l对应的多目标指数混合；参数表示传感器i的集合l对应的权值；定义为：传感器i的集合f对应的权值；参数表示传感器i在集合l下对应的联合概率分布；f表示标签集合空间的子集合。

s3、进行多目标采样处理；对进行多目标采样，得到一个采样集合ψs：

其中，m表示采样的数目，{x⁽¹⁾,...x^(m)}表示对应的一个多目标采样集合。

s4、设定管控步长h，同时假设预测过程中没有目标的出生于死亡，然后采用广义标号多伯努利滤波器对融合后的多目标后验分布进行h步伪预测：

其中，表示管控步长j对应的伪融合预测分布；

s5、计算每一个传感器i的每一种对应的可操作命令在理想环境下演化h步之后得到理想量测；具体实现方法为：每一个传感器i的每一种对应的可操作命令在理想环境下演化h步之后得到理想量测，并用于更新处理：

其中，i∈{1,...,n}，表示第i个传感器所有可操控命令的空间集合；glmb(·)表示利用广义标号多伯努利滤波器进行滤波的过程；

理想环境是指无杂波、无噪声、发现概率为1的环境。

s6、在每一个多目标采样下，对传感器进行两两分组，产生决策集合，分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布；具体实现方法为：在每一个多目标采样x^(j)下，对n个传感器进行两两分组，偶数个传感器则组成个传感器对，产生的两两联合决策组合的集合为奇数个传感器则组成个传感器对和一个单独的传感器，产生的决策集合为然后分别对决策集合里的传感器对进行分布式融合处理，求得融合后的伪更新分布，对于传感器对(i,i+1)，对应的分布式融合过程如下：

其中，gci表示利用广义协方差交叉准则进行融合的过程。

s7、分别计算两两配对的控制决策组合下的柯西施瓦兹散度；具体实现方法为：首先，在每一个多目标采样x^(j)下，对每一个决策组合计算伪融合预测分布与该决策组合对应的融合后的伪更新分布之间的柯西施瓦兹散度值：

其中，dcs表示计算柯西施瓦兹散度：

φ表示ψ表示k表示单位因子；表示标签空间；l表示标签空间中的一种集合；c表示与广义标号多伯努利密度φ(x)对应的假设集合空间中的一种假设；d表示与广义标号多伯努利密度ψ(x)对应的假设集合空间中的一种假设；表示与广义标号多伯努利密度ψ(x)对应的假设集合空间；表示广义标号多伯努利密度φ(x)中假设集合为c时的概率密度函数；表示广义标号多伯努利密度ψ(x)中假设集合为d时的概率密度函数；

然后在所有多目标采样集ψs条件下，分别求出各个传感器对的柯西施瓦兹散度的期望值：

s8、分别对各个传感器对(ci,ci+1)选取局部最优的传感器控制决策：

s9、将所有的局部最优的传感器控制决策合并成一个集合，得到的决策集合分别为：

偶数个传感器：

奇数个传感器：

图2为多传感器自适应管控的效果图；联合决策算法与分组决策算法的时间如表一所示，其中联合决策算法是现有算法，分组决策算法是本发明的算法。

表一

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。