智慧城市异构传感器多目标协同定位方法及其存储介质

1.本发明属于智能定位技术领域，具体涉及智慧城市异构传感器多目标协同定位方法及其存储介质。


背景技术：

2.智慧城市定位系统作为一种新型的适用于城市体系的智能体系，已广泛应用于对城市环境观测、搜救等领域。然而，有限的定位能力和复杂的任务环境也是城市运营面临的困难。因此，基于网络通信的多目标的协同定位技术受到了更多的关注。不同的通信设备来共享彼此的信息，利用数据融合技术协同定位来降低定位误差，可以提高系统整体的定位能力，而且具有成本低、系统鲁棒性好的优点，具有重要的理论和应用价值。因此，提高多艇协同定位精度的定位算法具有重要意义。同时在多目标跟踪领域，信息的获取主要来源于各种的传感器，不同传感器针对不同应用环境条件具有不同的优势，与同构传感器相比，多种异构传感器能够实现信息间的相互补充，提供多维度，高精度的目标感知信息，在实际应用中也受到广泛重视。目前多目标跟踪算法的估计精度、估计实时性已经成为该领域学者的研究重点。


技术实现要素：

3.本发明的目的在于提供一种智慧城市异构传感器多目标协同定位方法。
4.本发明的目的还在于提供一种使用智慧城市异构传感器多目标协同定位方法的存储介质。
5.本发明的目的是这样实现的：
6.一种智慧城市异构传感器多目标协同定位方法，包括如下步骤：
7.(1)初始时刻，初始化参数，建立多目标协同定位状态空间模型；
8.(2)对多目标状态集合构建预测概率密度函数：
9.(3)进行多目标协同定位估计；
10.(4)搭建bp神经网络，收集神经网络的训练数据，对bp神经网络进行训练；
11.(5)根据bp神经网络训练结果的均方根误差设定双门限值，对量测信息进行故障检测；
12.(6)保存故障检测结果，将神经网络输出带入自适应容积卡尔曼滤波进行时间更新和量测更新，对目标进行协同定位。
13.所述步骤(1)建立目标协同定位状态空间模型具体为：
14.(1.1)采集智慧城市协同定位系统中多目标的状态集合k
t
，标签集合v
t
，权重集合j
t
，协方差矩阵集合c
t
，构建初始状态集t为系统跟踪定位周期，t1为系统跟踪定位总时间；
15.(1.2)采集智慧城市协同定位系统中各类传感器的检测概率cq，q为各类传感器集合；
16.(1.3)采集标签为y的目标的发生概率状态集合权重集合协方差矩阵集合构建目标参数集o为目标集合；
17.(1.4)采集从目标在ti时刻的东向位置xi和北向位置yi；i代表目标编号，i∈o；
18.(1.5)采集定位推算时间δt，传感器采集从目标在ti时刻的前向速度vi和航向角αi，构建传感器输入向量hq＝[vi,αi]
t
，t为转置运算；
[0019]
(1.7)采集从目标所处环境为零均值且相互独立的东向高斯白噪声j
x,i
北向高斯白噪声j
y,i
[0020]
(1.8)构建从目标位置量测的智慧城市协同定位系统状态方程：
[0021][0022]
(1.9)采集主目标在ti时刻的东向位置和北向位置m代表目标数量；
[0023]
(1.10)采集主目标所处环境为零均值且相互独立的高斯白噪声vi；
[0024]
(1.11)计算主目标和从目标的相对距离量测信息：
[0025][0026]
主目标在ti时刻的位置信息为
[0027]
(1.12)构建智慧城市协同定位系统量测噪声向量过程噪声向量
[0028][0029][0030]
(1.13)构建系统噪声协方差阵和量测噪声协方差阵：
[0031][0032][0033]
(1.14)构建从目标在ti时刻的状态量ki＝[xi,yi]
t
；
[0034]
(1.15)构建状态函数量测函数
[0035]
建立多目标协同定位状态空间模型：
[0036][0037]k′
i+1
为状态方程；m
′
i+1
为量测方程。
[0038]
所述步骤(2)对多目标状态集合构建预测概率密度函数，包括：
[0039]
(2.1)建立当前时刻所有目标轨迹标签的集合v以及由标签空间所构成的集合f(y)；
[0040]
(2.2)采集轨迹-量测的关联历史信息ξ以及关联历史信息的现实属性ξ；
[0041]
(2.3)获取标签为y的单个目标的状态分布c
(ξ)
以及该目标的权值j
(y,ξ)
；
[0042]
(2.4)计算在ti时刻多目标密度先验分布
[0043][0044]
(y,ξ)代表当前时刻所有轨迹的标签v∈f(y)与当前时刻的ξ∈ξ之间的关联系数；δ(o)为所有目标轨迹标签的集合中各元素的标签互异值，当所有标互异时，δ(o)＝1，否则δ(o)＝0；
[0045]
(2.5)构建预测概率密度函数；
[0046][0047]
f(o|
·
,y)为马尔可夫转移密度，为目标在关联历史ξ条件下轨迹的空间分布密度；《
·
》表示内积；ps(
·
,l)为新生目标的状态空间密度函数。
[0048]
所述步骤(3)进行多目标协同定位估计，包括：
[0049]
(3.1)生成的容积点αi，计算状态cubature点：
[0050][0051]
为ti时刻系统的后验概率状态；
[0052]
(3.2)采集目标在ti时刻的前向速度，θm为目标在ti时刻的方向角，轨迹推算时间δt；
[0053]
(3.3)计算t
i+1
时刻的状态预测值：
[0054][0055]
(3.4)计算t
i+1
时刻的状态误差协方差预测值：
[0056][0057]
μm为过程噪声向量；
[0058]
(3.5)计算量测函数传递cubature点：
[0059][0060]
(3.6)计算t
i+1
时刻的量测预测值：
[0061][0062]
(3.7)计算t
i+1
时刻的量测误差协方差预测值：
[0063][0064]rm+1
为量测噪声协方差阵；
[0065]
(3.8)计算互协方差矩阵：
[0066][0067]
(3.9)估计卡尔曼滤波增益：
[0068][0069]
(3.10)获得t
i+1
时刻的状态和状态估计误差协方差矩阵p
m+1|m+1
，即：
[0070][0071][0072]
所述的bp神经网络具体包括：
[0073]
第n个隐含层输入为：
[0074][0075]
第n个隐含层输出为：
[0076][0077]
其中，xi为输入数据，ωj为输入层到隐含层的权值，为隐含层到输出层的权值，σm为隐含层的阈值，为输出层的阈值；j为层数标号；
[0078]
网络输出与目标信号y0的误差为：
[0079][0080]
输入层的连接系数：
[0081][0082]
隐含层的连接系数：
[0083][0084]
η为自适应因子。
[0085]
所述步骤(5)包括：
[0086]
(5.1)构建卡尔曼滤波器的量测残差：
[0087][0088]hm
为观测矩阵；zm为实际量测值；为系统状态递推值；
[0089]
(5.2)计算卡方检验统计量：
[0090][0091]
zm服从自由度为mz的卡方分布；
[0092]
(5.3)量测信息故障检测：若zm≥t2，则系统故障，若t1≤zm《t2，则数据收到干扰；
[0093]
若zm《t1，则无故障。
[0094]
一种使用智慧城市异构传感器多目标协同定位方法的存储介质，采用上述的智慧城市异构传感器多目标协同定位方法，进行目标定位。
[0095]
本发明的有益效果在于：
[0096]
本发明在智慧城市异构传感器多目标协同定位的情况下，考虑了将异构传感器信息加以补充、解析，提供多维度，高精度的多目标感知信息，具有更高的实用价值；利用对故障进行判定，并利用bp神经网络对量测进行预测，算法易于实现且稳定性好；通过不同传感器对应的不同权重控制其在最终预测集合中的所占比重，有效利用智慧城市中各异构传感器的优势，获得精度更高、更为理性的多目标量测集合，提高了量测异常时自适应容积卡尔曼滤波算法的协同定位精度和稳定性。
附图说明
[0097]
图1为本发明流程图；
[0098]
图2为本发明主目标和从目标的定位轨迹；
[0099]
图3为本发明主目标和从目标量测信息以及bp神经网络预测值；
具体实施方式
[0100]
下面结合附图对本发明做进一步描述。
[0101]
如图1所示，一种智慧城市异构传感器多目标协同定位方法，包括如下步骤：
[0102]
(1)初始时刻，初始化参数，建立多目标协同定位状态空间模型；
[0103]
(1.1)采集智慧城市协同定位系统中多目标的状态集合k
t
，标签集合v
t
，权重集合j
t
，协方差矩阵集合c
t
，构建初始状态集t为系统跟踪定位周期，t1为系统跟踪定位总时间；
[0104]
(1.2)采集智慧城市协同定位系统中各类传感器的检测概率cq，q为各类传感器集合；
[0105]
(1.3)采集标签为y的目标的发生概率状态集合权重集合协方差矩阵集合构建目标参数集o为目标集合；
[0106]
(1.4)采集从目标在ti时刻的东向位置xi和北向位置yi；i代表目标编号，i∈o；
[0107]
(1.5)采集定位推算时间δt，传感器采集从目标在ti时刻的前向速度vi和航向角αi，构建传感器输入向量hq＝[vi,αi]
t
，t为转置运算；
[0108]
(1.7)采集从目标所处环境为零均值且相互独立的东向高斯白噪声j
x,i
北向高斯白噪声j
y,i
[0109]
(1.8)构建从目标位置量测的智慧城市协同定位系统状态方程：
[0110][0111]
(1.9)采集主目标在ti时刻的东向位置和北向位置m代表目标数量；
[0112]
(1.10)采集主目标所处环境为零均值且相互独立的高斯白噪声vi；
[0113]
(1.11)计算主目标和从目标的相对距离量测信息：
[0114][0115]
主目标在ti时刻的位置信息为
[0116]
(1.12)构建智慧城市协同定位系统量测噪声向量过程噪声向量
[0117][0118][0119]
(1.13)构建系统噪声协方差阵和量测噪声协方差阵：
[0120][0121][0122]
(1.14)构建从目标在ti时刻的状态量ki＝[xi,yi]
t
；
[0123]
(1.15)构建状态函数量测函数
[0124]
建立多目标协同定位状态空间模型：
[0125][0126]k′
i+1
为状态方程；m
′
i+1
为量测方程。
[0127]
(2)对多目标状态集合构建预测概率密度函数：
[0128]
(2.1)建立当前时刻所有目标轨迹标签的集合v以及由标签空间所构成的集合f(y)；
[0129]
(2.2)采集轨迹-量测的关联历史信息ξ以及关联历史信息的现实属性ξ；
[0130]
(2.3)获取标签为y的单个目标的状态分布c
(ξ)
以及该目标的权值j
(y,ξ)
；
[0131]
(2.4)计算在ti时刻多目标密度先验分布
[0132][0133]
(y,ξ)代表当前时刻所有轨迹的标签v∈f(y)与当前时刻的ξ∈ξ之间的关联系数；δ(o)为所有目标轨迹标签的集合中各元素的标签互异值，当所有标互异时，δ(o)＝1，否则δ(o)＝0；
[0134]
(2.5)构建预测概率密度函数；
[0135][0136]
f(o|
·
,y)为马尔可夫转移密度，为目标在关联历史ξ条件下轨迹的空间分布密度；《
·
》表示内积；ps(
·
,l)为新生目标的状态空间密度函数。
[0137]
(3)进行多目标协同定位估计；
[0138]
(3.1)生成的容积点αi，计算状态cubature点：
[0139][0140]
为ti时刻系统的后验概率状态；
[0141]
(3.2)采集目标在ti时刻的前向速度，θm为目标在ti时刻的方向角，轨迹推算时间δt；
[0142]
(3.3)计算t
i+1
时刻的状态预测值：
[0143][0144]
(3.4)计算t
i+1
时刻的状态误差协方差预测值：
[0145][0146]
μm为过程噪声向量；
[0147]
(3.5)计算量测函数传递cubature点：
[0148][0149]
(3.6)计算t
i+1
时刻的量测预测值：
[0150][0151]
(3.7)计算t
i+1
时刻的量测误差协方差预测值：
[0152][0153]rm+1
为量测噪声协方差阵；
[0154]
(3.8)计算互协方差矩阵：
[0155][0156]
(3.9)估计卡尔曼滤波增益：
[0157][0158]
(3.10)获得t
i+1
时刻的状态和状态估计误差协方差矩阵p
m+1|m+1
，即：
[0159][0160][0161]
(4)搭建bp神经网络，收集神经网络的训练数据，对bp神经网络进行训练；
[0162]
所述的bp神经网络具体包括：
[0163]
第n个隐含层输入为：
[0164]
[0165]
第n个隐含层输出为：
[0166][0167]
其中，xi为输入数据，ωj为输入层到隐含层的权值，为隐含层到输出层的权值，σm为隐含层的阈值，为输出层的阈值；j为层数标号；
[0168]
网络输出与目标信号y0的误差为：
[0169][0170]
输入层的连接系数：
[0171][0172]
隐含层的连接系数：
[0173][0174]
η为自适应因子。当智慧城市系统存在负荷突变或者目标量测信息存在不良数据情况，此时系统的实时量测值与预测值绝对误差较大，则需要构造自适应因子在线修正预测误差，提升估计精度。若向量误差自适应因子取值为1，既保证状态估计结果的准确性，又确保所提算法的计算时间不被延长。
[0175]
(5)根据bp神经网络训练结果的均方根误差设定双门限值，对量测信息进行故障检测；
[0176]
所述步骤(5)包括：
[0177]
(5.1)构建卡尔曼滤波器的量测残差：
[0178][0179]hm
为观测矩阵；zm为实际量测值；为系统状态递推值；
[0180]
(5.2)计算卡方检验统计量：
[0181][0182]
zm服从自由度为mz的卡方分布；
[0183]
(5.3)量测信息故障检测：若zm≥t2，则系统故障，若t1≤zm《t2，则数据收到干扰；若zm《t1，则无故障。
[0184][0185][0186]
现有的检测方法通过一个固定门限来判断故障的发生，但固定门限会引起漏警和虚警。门限过高，会导致漏警率上升；门限过低，会导致虚警率增大。本方法选用双门限进而提高智慧城市多目标协同定位的可靠性和抗干扰能力。
[0187]
(6)保存故障检测结果，将神经网络输出带入自适应容积卡尔曼滤波进行时间更新和量测更新，对目标进行协同定位。本发明带入自适应容积卡尔曼滤波进行时间更新和
量测更新的方法为：在处理正常点时，自适应容积卡尔曼滤波正常进行时间和量测更新；在处理故障点时自适应容积卡尔曼滤波只进行时间更新不进行状态更新；在处理受干扰数据点时，如果主目标的量测发生故障则将当前时刻的滤波器预测值和gps提供的位置信息带入到训练好的bp神经网络，再将神经网络输出的量测预测数据带入到自适应容积卡尔曼滤波量测更新，来提高滤波算法的精度。
[0188]
本发明提出的一种使用智慧城市异构传感器多目标协同定位方法的存储介质，采用上述的智慧城市异构传感器多目标协同定位方法，进行目标定位。
[0189]
实施例1
[0190]
如图2、图3所示，本发明利用多辆汽车协作系统路上行进采集的数据，使用三辆汽车，其中两辆作为主目标，另一辆作为从目标。试验时间为18小时，采样时间为1小时，系统的状态方程初始状态由gps提供。在每一时刻，从目标与主目标中的一个进行通信，验证本发明设计方法的有效性。图2中横坐标为经度、纵坐标为纬度。断线分别为两个主目标，连续线为从目标。图3为主目标和从目标量测信息以及bp神经网络预测值，星标为主目标和从目标之间距离的值，圆形标为神经网络预测值。横坐标为时间，单位为小时，纵坐标为距离，单位为米。
[0191]
与目前已有的技术内容相比，具有以下特点：
[0192]
(1)本发明在智慧城市异构传感器多目标协同定位的情况下，考虑了将异构传感器信息加以补充、解析，提供多维度，通过各类传感器的检测概率代入进行高精度的多目标感知信息，具有更高的实用价值；
[0193]
(2)本发明利用故障判定，并利用bp神经网络对量测进行预测，算法易于实现且稳定性更好；
[0194]
(3)通过不同传感器对应的不同权重控制其在最终预测集合中的所占比重，有效利用智慧城市中各异构传感器的优势，获得精度更高、更为理性的多目标量测集合，提高了量测异常时自适应容积卡尔曼滤波算法的协同定位精度。
[0195]
需要指出的是，本发明共6步，是作为整体进行设计发明的，通过异构传感器量测和bp神将网络并输入自适应容积卡尔曼滤波进行定位，获得了本发明的整体效果，每个步骤不能单独作为一个技术区别来提升本发明的技术效果。而本发明的技术步骤在目前公开的技术中均未有明确记载，因此具有实质性的区别和创新性。