一种多传感器多目标跟踪偏差估计方法
【专利摘要】本发明公开了一种多传感器多目标跟踪偏差估计方法，包括：还原步骤，还原本地传感器量测值us(k|k)及其协方差矩阵Us(k|k)；卡尔曼增益获取步骤，利用所获得的本地传感器量测值协方差矩阵获得卡尔曼增益Ws,k；偏差虚拟量测获取步骤，利用卡尔曼增益，获取偏差向量的虚拟量测融合偏差向量虚拟量测获得步骤，根据偏差向量的虚拟量测，获得融合偏差向量虚拟量测；偏差估计向量与偏差估计协方差矩阵获取步骤，根据偏差向量的虚拟量测融合偏差向量虚拟量测以及上一时刻的偏差估计向量及偏差估计协方差矩阵，获得偏差估计向量与偏差估计协方差矩阵。使用本发明的方法可以实现对偏差的有效估计。
【专利说明】
-种多传感器多目标跟踪偏差估计方法
技术领域
[0001 ]本发明设及一种目标跟踪偏差估计方法，尤其设及一种多传感器多目标跟踪偏差 估计方法。
【背景技术】
[0002] -般来说，由于有偏传感器不能自己配准自身偏差，需要一个比照的对象，所W传 感器的配准都需要两个或两个W上传感器来进行。
[0003] 在Friedland B.Treatment of bias in recursive fiI tering[J]. IEEE Transactions on Automatic Conhol, 1969,14(4): 359-367.中将偏差配准问题视为一个 两传感器问题并用未知偏差量扩展状态向量，运种方法的弊端是在扩维向量维数增加时计 算量也将明显增大。如化baa N,Bishop R H.Solution to a multisensor tracking problem with sensor registration errors[J]. IEEE Transactions on Aerospacefe Electronic Systems, 1999,35(I): 354-363.中所述，大多数偏差估计算法直接作用于量测 值并需要本地传感器的卡尔曼增益来进行偏差的估计。然而在实际系统中，传感器可能只 向融合中屯、提供滤波航迹。所W，虽然偏差估计与补偿的方法很多，仍需要一种只需要滤波 状态及其协方差矩阵的偏差估计算法。
[0004] 多传感器信息融合(Multi-sensor Information Fusion,MSIF)，就是利用计算机 技术将来自多传感器或多源的信息和数据，在一定的准则下加 W自动分析和综合，W完成 所需要的决策和估计而进行的信息处理过程。在多传感器信息融合系统中，就位置(空间） 级融合系统的结构而论，有集中式、分布式结构。目前针对融合中屯、无本地传感器卡尔曼增 益的情况，欠缺有效估计传感器偏差的方法。
【发明内容】
[0005] 本发明鉴于【背景技术】的W上问题提出，用于解决【背景技术】中存在的问题，至少是 提供一种有益的选择。
[0006] 为了实现W上目的，本发明公开了一种多传感器多目标跟踪偏差估计方法，包括 W下步骤:还原步骤，还原本地传感器量测值Us化I k)及本地传感器量测值协方差矩阵Us化 k);卡尔曼增益获取步骤，利用所述还原步骤获得的本地传感器量测值协方差矩阵获得卡 尔曼增益Ws,k;虚拟量测获取步骤，利用所述卡尔曼增益Ws,k，获取偏差向量的虚拟量测 二;.，作）；融合偏差向量虚拟量测获得步骤，根据所获得的偏差向量的虚拟量测，获得融合偏 差向量虚拟量测為,/巧);偏差估计向量bs化)与偏差估计协方差矩阵获取步骤，根据所述偏 差向量的虚拟量测冷巧拟及所述融合偏差向量虚拟量测与,,(0获得偏差估计向量bs化)与 偏差估计协方差矩阵S s(k)。
[0007] 根据本发明的一种实施方式，所述还原步骤利用逆卡尔曼滤波还原本地传感器量 测值及其协方差矩阵。
[000引根据本发明的一种实施方式，在所述卡尔曼增益获取步骤中，利用Ws,k = Ps化|k'） H化)T阳化化化|k'）H化)T+Rs,k]-1与Rs,k = mk)Us化|k)H化)T求卡尔曼增益Ws,k，其中Ps化 k'）为传感器S的状态协方差矩阵预测值，H化)为量测矩阵，Rs,k为量测协方差矩阵，上标T表 示转移矩阵。
[0009] 根据本发明的一种实施方式，在所述虚拟量测获取步骤中，利用
农偏差向量的虚拟量测成换)，其中F 化，k'）为状态转移矩阵，出化)是第S个传感器的量测矩阵，^(A|A-)为本地传感器滤波状态 向量A例Al巧本地传感器上一时刻的滤波状态向量。
[0010] 根据本发明的一种实施方式，在所述融合偏差向量虚拟量测获得步骤中，利用Wf,k =Pf化|k'化化)T阳化)Pf化|k'化化)T+Rf,k]-i获得融合卡尔曼增益，并利用W下公式获 得融合偏差向量虚拟量测
[0011]
[0012] 其中上标S表示传感器的编号，下标f表示融合。
[0013] 根据本发明的一种实施方式，采用递归最小均方偏差估计算法，利用上一时刻的 偏差估计向量及上一时刻的偏差估计协方差矩阵，获得当前时刻的偏差估计向量bs化)与 偏差估计协方差矩阵S s(k)。
[0014] 根据本发明的一种实施方式，所述采用递归最小均方偏差估计算法，获得偏差估 计向量bs化)与偏差估计协方差矩阵Ss化)的步骤包括针对第S个传感器的W下步骤：
[001引当N时，利巧
获得虚拟量测Zb,t化），其
中t是目标的序号;计算偏差更新的增益Gt化）=Xt-I化)Ht化)T阳t化）Xt-I化)Ht化)TRt化） Tl与残差 ；更新偏差估计与偏差估计协方差矩阵：
[0016]
[0017] 5：*化）=5：*-1化）-5：*-1化化*化川出化）5：*_1化化*化）了+把化）]-1出化）5：*_1化）。
[0018] 根据本发明的一种实施方式，利用序贯融合算法，使用融合状态向量.与传融 合状态协方差矩阵
获得融合卡尔曼增益W/,t，并获得融合偏 差向量虚拟量测。
[0019] 根据本发明的一种实施方式，还包括融合轨迹获得步骤，利用还原出的本地传感 器量测值山化I k)及本地传感器量测值协方差矩阵IUk I k)来获得融合轨迹。
[0020] 使用本发明的方法可W实现对偏差的有效估计。
【附图说明】
[0021 ]结合附图，可W更好地理解本发明，但是附图仅仅是示例性的，不是对本发明的限 制。
[0022] 图1示出了根据本发明的一种实施方式的多传感器多目标跟踪偏差估计方法的流 程图。
[0023] 图2示出了根据本发明方法对角度维乘性偏差在单次仿真中的估计情况；
[0024] 图3示出了根据本发明方法对角度维加性偏差在单次仿真中的估计情况；
[0025] 图4示出了根据本发明方法对距离维乘性偏差在单次仿真中的估计情况；
[0026] 图5示出了根据本发明方法对距离维加性偏差在单次仿真中的估计情况；
[0027] 图6示出了根据本发明方法对角度维乘性偏差利用蒙特卡洛方法计算的均方根误 差；
[0028] 图7示出了根据本发明方法对角度维加性偏差利用蒙特卡洛方法计算的均方根误 差；
[0029] 图8示出了根据本发明方法对距离维乘性偏差利用蒙特卡洛方法计算的均方根误 差；
[0030] 图9示出了根据本发明方法对距离维加性偏差利用蒙特卡洛方法计算的均方根误 差。
【具体实施方式】
[0031] 下面结合附图具体说明本发明的实施方式。所说明的实施方式仅是示例性的，不 是对本发明的限制。在所做的说明中，各实施方式可W互相参照。
[0032] 图1示出了根据本发明的一种实施方式的多传感器多目标跟踪偏差估计方法的流 程图。如图1所示，根据本发明的一种实施方式，利用多传感器多目标偏差估计方法实现k = 1，2，L时刻偏差估计的具体步骤为：
[0033] 首先在第一步步骤SlOl，利用逆卡尔曼滤波还原本地传感器量测值Us化Ik)及其 协方差矩阵IUk I k)，具体公式如下：
[0034] ( 1 )
[003引 （2)
[0036] (3)
[0037]
[00；3 引
[0039] (:6.)
[0040] 由于本文设及一些公式，为了便于理解，概括将所设及的符号的含义说明如下:本 文中b均指偏差向量，f是英文融合的Sion)的意思，t指目标编号，S指传感器编号，上方带' 的为滤波值，上方带~的为滤波值与真实值的偏差，括号中的化IkO指的是预测，k/可W是 k-1也可W是更靠前的步骤，只要依据运个值调整滤波过程中的相关矩阵即可。
[0041] 在W上公式中，电保I*')为本地传感器滤波状态的预测值，鳥挣1巧为本地传感器滤 波状态向量，Ps化|k'）为本地传感器滤波状态协方差矩阵的预测值，Ps化Ik)为本地传感器 滤波状态协方差矩阵。
[0042] 在W上公式中，式(2)表明还原的量测值应为真实状态值与偏差值的和;式(3)表 明偏差值的期望为0。式4和式5中的As和Ds是算法中的中间变量。
[00创然后在第二步步骤S102,利用Ws,k = Ps化|k'化化)T阳(k)Ps(klk'化化)T+Rs,k]-i与 Rs,k = H化)lUk|k)H化)T求卡尔曼增益Ws,k，其中Ps化|k'）为传感器S的状态协方差矩阵预测 值，H化)为量测矩阵，Rs,k为量测协方差矩阵;Rs,k可视为对化的维数变换。
[0044] 接着在第S巧巧骤S 1 0 3，值用S 1 0 2中所获得的卡尔曼增益W S, k，利用
求偏差向量的虚拟量测与，(蛛，其中F 化，k'）为状态转移矩阵。
[0045] 偏差向量
其中K作)与砖巧)分别为距离和角 度的加性偏差，与作)与W分别为距离和角度的乘性偏差。
[0046] 随着估计过程的进行，被估计的偏差是随算法进行逐步变化的，第一个传感器是 无偏的，之后逐个估计第二、=、四等等传感器的偏差。
[0047] 之后，在第四步步骤S104,得到融合轨迹。在一种实施方式中，调用序贯融合算法 (SFA)，利用嗎稱倘馬脚巧来获得融合轨迹。在最初，可W用偏差已配准的第一个传感器 沪的滤波值作为融合状态向量的初始值4作' IW及融合状态协方差矩阵巧作' I A')，随着 配准的一步步进行可W用配准后的还原量测值来利用序贯思想一步步更新量测值。一般来 说目标跟踪的过程就是获得目标运动轨迹的过程，此算法在估计偏差的同时获得了融合轨 迹，运是此算法的一个亮点。偏差估计的本身是不需要获得融合轨迹的。步骤S104也可W在 步骤S103之前进行。
[004 引然后在第五步步骤 S105,利用 Wf,k = PKk|k'）Wk)TWk)PKk|k'）lKk)T+Rf,k]-^ 融合卡尔曼增益巧，可得融合偏差向量虚拟量测
[0049]
[0化日]接着在第六步步骤S106,调用递归最小均方偏差估计(RLS邸)算法，输入为每,快）， 哉/(A W及上一时刻对所有传感器更新的偏差估计及偏差估计的协方差矩阵，返回偏差估 计向量bs化)与偏差估计协方差矩阵XsA);
[0051] 之后重复W上的步骤，处理下一时刻数据。
[0052] 其中序贯融合算法(SFA)具体流程如下：
[0053] 第一步:根据动态模型利用融合状态向量xKk' |k'）与融合状态协方差矩阵PKk' k'）计算融合状态向量估计值Xf化I k'）与融合状态协方差矩阵估计值Pf化I k'）；
[0化4]第二步：记Xtemp = Xf 化 I k'），Ptemp = Pf 化 I k'）；
[00对第立步：当S=1，...，M时，利用还原出的量测值Us(k|k)及其协方差矩阵Us(k|k)更 0fxtemp,SPtemp ；
[0化6] 第四步：返回Xf化I k) =Xtemp，Pf(k I k) =Ptemp;转第一步等待处理下一时刻的雷达 观测数据。
[0057]其中递归最小均方偏差估计(RLSBE)算法流程如下。针对第S个传感器：
[005引第一步：当t=l，. . .，N时，利用
悚虚拟量测Zb,t 化)；
[0059] 上标的1代表的是第一个传感器，结合本文整体过程代表的是无偏的传感器的融 合结果;上标的2代表的是第二个传感器，结合本文整体过程代表的是有偏的待估计的那个 传感器。
[0060] 计算偏差更新的增益Gt化）=X t-1化)Ht化)T阳t化）X t-1化)Ht化)TRt化）]-1与残差
[0061] 更新偏差估计与协方差
[0062]
[00 创 Xt(k)=5：t-Kk)-Zt-Kk)HtA)T[Ht(k)5：t-Kk)HtA)T+Rt(k)]-iHt(k)5：t-Kk)，
[0064]在此处，用t个目标的相关值来序贯地更新S传感器的偏差估计向量，当对t个目标 都更新一次就可获得能获取的最精确的S传感器的偏差估计。运t次运算构成一个完整地对 S传感器的偏差估计，每个传感器都有运t步。
[00化]第二步：返回偏差估计向量
偏差估计协方差矩阵So化+1) =Sn 化）；转第一步等待处理下一时刻的雷达观测数据。
[0066] 本发明提出了一种只需本地传感器状态滤波值及其协方差矩阵的偏差估计算法， 运种算法解决了先前算法需要使用扩维矩阵所造成的计算量增大问题，并且在偏差估计过 程没有使用本地传感器的卡尔曼增益，实现了对偏差的有效估计。
[0067] 为了验证本发明的实施方式的效果，根据目标的运动方程和雷达量测方程，人为 构造出一组仿真数据，并利用运组仿真数据进行实验来证实算法的性能。图2示出了根据本 发明方法对角度维乘性偏差在单次仿真中的估计情况，图3示出了根据本发明方法对角度 维加性偏差在单次仿真中的估计情况，图4示出了根据本发明方法对距离维乘性偏差在单 次仿真中的估计情况，图5示出了根据本发明方法对距离维加性偏差在单次仿真中的估计 情况。从图2到图5可W看出偏差的估计值始终向真实值收敛，证实了本方法在单次仿真中 的有效性。
[0068] 图6示出了根据本发明方法对角度维乘性偏差利用蒙特卡洛方法计算的均方根误 差，图7示出了根据本发明方法对角度维加性偏差利用蒙特卡洛方法计算的均方根误差，图 8示出了根据本发明方法对距离维乘性偏差利用蒙特卡洛方法计算的均方根误差，图9示出 了根据本发明方法对距离维加性偏差利用蒙特卡洛方法计算的均方根误差。从图6到图9可 W看出偏差估计的均方根误差均在向0收敛，证实了本方法的统计有效性，实现了对传感器 偏差的有效估计。
【主权项】
1. 一种多传感器多目标跟踪偏差估计方法，包括以下步骤： 还原步骤，还原本地传感器量测值Us(k I k)及本地传感器量测值协方差矩阵Us(k I k); 卡尔曼增益获取步骤，利用所述还原步骤获得的本地传感器量测值协方差矩阵获得卡 尔曼增益Ws,k; 偏差虚拟量测获取步骤，利用所述卡尔曼增益Ws,k，获取偏差向量的虚拟量测4,0); 融合偏差向量虚拟量测获得步骤，根据所获得的偏差向量的虚拟量测，获得融合偏差 向量虚拟量测</1(々）； 偏差估计向量bs(k)与偏差估计协方差矩阵获取步骤，根据所述偏差向量的虚拟量测 以及所述融合偏差向量虚拟量测％.，/(&)获得偏差估计向量bs (k)与偏差估计协方差矩 阵艺"1〇〇2. 依据权利要求1所述的方法，其特征在于，所述还原步骤利用逆卡尔曼滤波还原本地 传感器量测值及其协方差矩阵。3. 依据权利要求2所述的方法，其特征在于，在所述卡尔曼增益获取步骤中，利用Ws,k = Ps(k|k'）H(k)T[H(k)Ps(k|k'）H(k)T+R s,k]-1 与 Rs,k = H(k)Us(k|k)H(k)T 求卡尔曼增益 Ws,k，其 中Ps(k|k'）为传感器s的状态协方差矩阵预测值，H(k)为量测矩阵，R s,k为量测协方差矩阵， 上标T表示转移矩阵。4. 依据权利要求3所述的方法，其特征在于，在所述虚拟量测获取步骤中，利用 4,⑷(J-Wa足⑷)求偏差向量的虚拟量测<#)，其中F(k， k'）为状态转移矩阵，Hs(k)是第s个传感器的量测矩阵，为本地传感器滤波状态向 量，I (AU')为本地传感器上一时刻的滤波状态向量。5. 依据权利要求4所述的方法，其特征在于，在所述融合偏差向量虚拟量测获得步骤 中，利用軋1{=叹1^'）!1(1〇仙(1〇&(1^'）!1(1^+1^]- 1获得融合卡尔曼增益^^，并利用 以下公式获得融合偏差向量虚拟量测 -/；., (k)=( W7；,;)1 [-V； (k I k) -U- WIk Il, {k))F(k.,k')：x\ (k'\k')] 其中上标s表示传感器的编号，下标f表示融合。6. 依据权利要求5所述的方法，其特征在于，采用递归最小均方偏差估计算法，利用上 一时刻的偏差估计向量及上一时刻的偏差估计协方差矩阵，获得当前时刻的偏差估计向量 bs(k)与偏差估计协方差矩阵Σ s(k)。7. 依据权利要求6所述的方法，其特征在于，所述采用递归最小均方偏差估计算法，获 得偏差估计向量匕(1〇与偏差估计协方差矩阵2 3(1〇的步骤包括针对第s个传感器的以下步 骤： 当t = l，...，N时，利用2/,,⑷= <(幻-//,(々)//]⑷4⑷获得虚拟量测Zb,t(k)，其中t是 目标的序号； 计算偏差更新的增益Gt(k)= Σ*-KlOMlOlMk) Σ*-KlOMk/RtU)]-1与残差 / (A ) = γ. {(k)； 更新偏差估计与偏差估计协方差矩阵： O1 (k)=·- b: ,(k) 4- G1 {k)r\k) Xt(k)=Xt-ΚΙΟ-Σ*-KlOHtUHiMlOXt-丄⑴出⑴丁+心⑴]-1H t(Ic)Xt-Kk)。8. 依据权利要求7所述的方法，其特征在于，利用序贯融合算法，使用融合状态向量 <、融合状态协方差矩阵尸；^I幻，t/# I幻;获得融合卡尔曼增益， 并获得融合偏差向量虚拟量测。9. 依据权利要求8所述的方法，其特征在于，还包括融合轨迹获得步骤，利用还原出的 本地传感器量测值us(k |k)及本地传感器量测值协方差矩阵Us(k |k)来获得融合轨迹。
【文档编号】G06F17/16GK106021194SQ201610339299
【公开日】2016年10月12日
【申请日】2016年5月19日
【发明人】周共健, 谢青青
【申请人】哈尔滨工业大学