本发明属于目标跟踪技术领域,涉及一种非理想网络环境下移动目标的最优状态估计方法及系统。
背景技术:
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着社会的不断发展以及科技的不断进步,人们对信息的获取方式有了更高的要求。正是因为人们对信息化的迫切需求以及传感器未来的发展,无线传感器网络应运而生,并得到了飞速发展。无线传感器网络高度交叉了多门学科,综合了无线通信技术、传感器技术、自动控制技术等,如今无线传感器网络已被广泛应用到众多领域,例如目标跟踪。
目标跟踪是指在无线传感器网络的监控区域内,记录移动目标的时刻与位置并上传给基站。该过程要求传感器节点克服周围环境的影响,结合网络拓扑结构变化,最终通过相互协作来完成跟踪。移动目标跟踪广泛应用在军事、交通以及视频监控等领域,尤其是军事上的车辆跟踪、多目标探测以及战场区域监视等。目标跟踪技术的主要任务是利用传感器设计来获取信息,然后分析处理得到的移动目标的状态信息,例如移动目标的位置和速度等,从而形成目标轨迹来确定目标位置。随着量测环境的日益复杂化,影响移动目标的跟踪性能的关键技术之一滤波器的设计与优化已经成为国内外有关研究的难点和重点。
在无线传感器网络中,为了更准确的获取信息,在监测区域通常要部署大量的传感器,并常常由传感器节点周期性的发送测量数据到汇聚节点。这种周期性的数据传输机制,不可避免的会出现传输时滞的现象。时滞的出现会导致系统不稳定,甚至会造成系统的整体性能变差。另一方面,在无线传感器网络中状态或信号的检测常常带有不确定性(例如噪声)。不确定性的存在会对目标状态检测造成误差,不能准确地获得原始状态。
技术实现要素:
本发明为了解决上述问题,提出了一种非理想网络环境下移动目标的最优状态估计方法及系统,本发明能够更准确的还原信号或状态,解决了传统方法带来的高维计算和实时性较差的问题,有效避免了传统扩维方法的复杂计算问题,并解决了量测信号的未知不确定性和输出时滞等问题。
根据一些实施例,本发明采用如下技术方案:
一种非理想网络环境下移动目标的最优状态估计方法,包括以下步骤:
建立移动目标的运动学模型以及移动目标的瞬时量测以及延时量测模型;
采用量测和新息重构方法,重建无时滞的量测序列;
构建移动目标状态递推最优状态估值器,根据瞬时量测信息和延时量测信息,预测移动目标的位置信息。
作为可选择的实施方式,建立移动目标的运动学模型的具体过程包括:根据某时刻移动目标的状态向量和运动过程中存在的扰动,确定下一时刻的状态向量。
作为可选择的实施方式,建立移动目标的瞬时量测以及延时量测模型的过程中,考虑加性量测噪声和未知乘性噪声的影响。
作为可选择的实施方式,采用量测和新息重构方法,重建无时滞的量测序列的具体过程包括:描述带有时滞的原始量测序列,采用量测和新息重构的方法重建一个无时滞的量测序列。
作为可选择的实施方式,构建移动目标状态递推最优状态估值器的具体过程包括:进行状态预测,计算状态估计误差、量测信息估计误差以及乘性噪声乘积估计误差的自协方差矩阵和交互协方差矩阵,根据计算的矩阵,对最优状态估值器的参数进行更新和优化。
一种非理想网络环境下移动目标的最优状态估计系统,包括:
移动目标模型建立模块,被配置为建立移动目标的运动学模型以及移动目标的瞬时量测以及延时量测模型;
量测序列重构模块,被配置为采用量测和新息重构方法,重建无时滞的量测序列;
最优状态估值器,被配置为,根据瞬时量测信息和延时量测信息,对移动目标状态递推,实现更新优化,预测移动目标的位置信息。
作为可选择的实施方式,所述移动目标模型建立模块,被配置为根据某时刻移动目标的状态向量和运动过程中存在的扰动,确定下一时刻的状态向量,考虑加性量测噪声和未知乘性噪声的影响,建立移动目标的瞬时量测以及延时量测模型。
作为可选择的实施方式,所述量测序列重构模块,被配置为描述带有时滞的原始量测序列,采用量测和新息重构的方法重建一个无时滞的量测序列。
作为可选择的实施方式,所述最优状态估值器被配置为进行状态预测,计算状态估计误差、量测信息估计误差以及乘性噪声乘积估计误差的自协方差矩阵和交互协方差矩阵,根据计算的矩阵,对最优状态估值器的参数进行更新和优化。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种非理想网络环境下移动目标的最优状态估计方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种非理想网络环境下移动目标的最优状态估计方法。
与现有技术相比,本发明的有益效果为:
针对非理想网络环境下存在的量测信息的建模不确定及量测时滞等问题,本发明提出了未知不确定性量测信息的一种建模方法,量测和新息的重构方法,解决了传统方法带来的高维计算和实时性较差的问题;提出了耦合最优估值器的设计方法,使得系统能够很好的消除时滞和未知有色不确定性的影响,得到更准确的原始数据。
本发明提出了递推耦合估值器设计方法,即移动目标状态估值器设计、移动目标与未知有色乘性噪声乘积的估值器设计,这两类估值器可以在线递推计算,得到移动目标最优状态估计,有效避免了传统扩维方法的复杂计算问题,并解决了量测信号的未知不确定性和输出时滞等问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明设计方案的流程图;
图2是本发明最优状态估值器的流程图;
图3是移动目标x轴方向位置px的地面真实值与目标轨迹估计值的对比曲线图;
图4是是移动目标y轴方向位置py的地面真实值与目标轨迹估计值的对比曲线图;
图5是移动目标x轴方向位置px的均方根误差(rms)曲线图;
图6是移动目标y轴方向位置py的均方根误差(rms)曲线图。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对非理想网络环境下,量测信号存在的未知不确定性以及输出时滞问题,提出了移动目标的最优状态估计方法,以降低计算量,实现非理想网络环境下对目标信息的精确获取。
主要步骤包括:针对非理想网络环境,量测信号未知不确定性的建模;其次,避免传统状态扩维方法的高计算量和实时性较差的问题,提出量测和新息重构的新方法来处理输出时滞问题;最后,基于移动目标状态和未知不确定性估值器的耦合思想,提出均方意义下移动目标的最优状态估计方法。
移动目标的最优状态估计方法,包括以下步骤:
步骤一、系统建模:分别建立移动目标的运动学模型以及移动目标的瞬时量测以及延时量测模型。
1)建立移动目标状态模型:
移动目标状态模型:
x(k+1)=ax(k)+dw(k)(1)
其中:x(k)∈rn是k时刻移动目标的状态向量,w(k)∈rn为移动目标运动过程中存在的小的扰动。系数矩阵a和d的值由实验确定。
2)建立移动目标量测信号模型
量测信号模型:
针对量测信号中存在的输出时滞问题,我们考虑了如下两传感器量测模型
y0(k)=[b+b0ζ0(k)]x(k)+υ0(k)(2)
y1(k)=[c+c0ζ1(k-d)]x(k-d)+υ1(k)(3)
其中:
ζi(k+1)=hiζi(k)+εi(k),i=0,1(4)
其中:ε0(k)和ε1(k)都是加性白噪声。b,b0,c,c0,h0和h1是适当维度的矩阵,具体数值来实验决定。
步骤二、输出时滞的处理:本发明采用量测和新息重构方法,重建无时滞的量测序列。
首先我们先对系统带有时滞的原始量测序列进行描述。为了方便描述,令y(k)表示k时刻估值器端接收到的量测信号,可以写成如下形式:
其中:y1(k)是对移动目标状态x(k-d)的一个量测信号,x(k-d)是在k时刻带有时滞d的状态,则当k≥d时量测序列
为了解决这一问题,本发明采用量测和新息重构的方法来重建一个无时滞的量测序列。为了方便讨论,令k1=k-d,假设k≥d,k<d的情况可以类似讨论。在已知量测序列
很显然,
其中:
由(6)式可知,新的量测
其中:
重构后的新息
满足
其中:
通过上述描述,由此我们可以知道重构后的新息序列
步骤三、移动目标状态递推最优状态估值器的设计:参照标准的卡尔曼滤波方法,根据系统的瞬时量测信息和延时量测信息来实时预测移动目标的位置信息。
移动目标状态递推最优状态估值器设计如下:
步骤1.状态预测:
其中:当时刻s为k1时,一步预测
步骤2.对于给定的k>d,系统的自协方差矩阵及交互协方差矩计算如下:
当0≤s≤k1,对于给定的初始值p2(0)=p20
当k1<s≤k,由于p1(k1+1)=p2(k1+1),
其中:pi(s+1)表示第s+1时刻状态估计误差的自协方差矩阵;
步骤3.计算更新项
其中:
步骤4.最优状态估值器递推计算方法,给定d<k,最优状态估值器
在上述步骤中,ki(s)是在第s时刻计算得到的滤波增益;q是系统噪声的协方差矩阵,它们分别由下面方程给出
q=e[w(s)w(s)t](30)
具体的实施过程,是借助仿真工具matlab实现的。本发明的效果可通过以下实验仿真进一步说明。
本发明的被估对象是针对在二维空间匀速运动的车辆,因此估计目标可以根据传感器瞬时测量信息以及延时测量信息估计出匀速运动车辆精确的实时位置信息。主要设计过程描述如下,首先,针对在二维空间匀速运动的车辆进行建模,建立合适的数学模型。
本发明的设计方案流程如图1所示,最优状态估值器的流程图如图2所示;本发明的估计目标是,对在二维空间匀速运动的车辆实时进行估计,以此来获取车辆精确的位置信息。
在本发明例中,定义目标车辆运动状态x=[pxpyvxvy]。用px和py分别表示车辆在二维空间中x方向和y方向的位置,用vx和vy分别表示x方向和y方向的速度,并且离散步长为h,则车辆动力学形式为
其中,w(k)是加速度的扰动项,被建模为零均值的高斯白噪声,协方差矩阵满足q=diag(0.6,0.6)。在数值例子中,h=0.2。
瞬时传感器以及延时传感器的测量值y0和y1描述如下
其中:量测噪声v0(k),v1(k)为零均值的高斯白噪声且协方差的值为r0=diag(1.4,0.3),r1=diag(0.7,1.4)。未知乘性噪声ζ0(k)和ζ1(k)的前后时刻的时间相关性通过下面动态方程来刻画
在该动态方程中加性噪声εi(k)为零均值的高斯白噪声,其协方差满足σi(k)=i4。然后我们将其它一些系统估计协方差矩阵以及交互协方差矩阵初值设置为
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。