面向低空的交互多模型乱序观测融合方法及系统与流程
本发明属于无人机调度,具体涉及一种面向低空的交互多模型乱序观测融合方法及系统。
背景技术:
1、多无人机协同调度依赖地面站或机间融合中心对雷达、ads-b、视觉等多源观测进行实时航迹融合,以支撑冲突解脱、编队保持等决策。由于无线链路拥塞、多跳传输及丢包重传,观测数据常乱序到达融合中心,即时间戳早于当前已处理时刻的观测滞后到达,延迟可达数秒。
2、现有乱序观测处理方法中,bar-shalom乱序观测处理算法(bar-shalomoosmalgorithm)通过状态回溯与重预测实现乱序更新,但仅适用于单模型高斯假设,无法应对无人机频繁机动;交互多模型卡尔曼滤波器(interactingmultiplemodelkalmanfilter,imm-kf)虽具备多模型自适应能力,却未设计乱序处理机制;交互多模型乱序观测处理算法(imm-oosm)虽结合两者,但回溯时仅回滚状态而不回滚模型概率,导致历史时刻模型权重失真,且未设置回溯可行性判别,延迟过大时协方差易病态发散。
3、因此,亟需一种面向无人机调度场景、兼具数值鲁棒性与机动自适应能力的乱序观测融合方法。
技术实现思路
1、针对现有技术的上述不足,本发明提供一种面向低空的交互多模型乱序观测融合方法及系统,以解决上述技术问题。
2、第一方面,本发明提供一种面向低空的交互多模型乱序观测融合方法,包括:
3、获取目标无人机的乱序观测数据,确定所述乱序观测数据相较于当前时刻的滞后程度;
4、若所述滞后程度超过预设的第一门限,则丢弃所述乱序观测数据并记录其信息损失度量,并根据信息损失度量生成信息补偿项;若所述滞后程度未超过所述第一门限,则回溯至所述乱序观测数据的时间戳对应的历史时刻,计算在该历史时刻下交互多模型框架中各运动模型的先验估计的数值稳定性指标;
5、若所述数值稳定性指标低于预设的第二门限,则丢弃所述乱序观测数据并生成相应的信息补偿项;若不低于所述第二门限,则将当前时刻交互多模型框架各运动模型的概率,按照预设的场景自适应转移概率矩阵,回滚至所述历史时刻,得到该历史时刻下各运动模型的先验概率;
6、利用所述历史时刻下各运动模型的先验概率,结合所述乱序观测数据,获取所述乱序观测数据对当前时刻状态的补偿估计;
7、将所述乱序观测数据所对应的补偿估计或信息补偿项,叠加至当前时刻的先验估计上,生成融合后的状态估计与协方差估计。
8、在一个可选的实施方式中,所述滞后程度的确定方式为:获取当前滤波器已处理的最新时刻以及所述乱序观测数据的原始时间戳,计算两者之差与滤波器采样周期的比值并取整,得到滞后步数;以所述滞后步数表征所述滞后程度;所述预设的第一门限为允许的最大回溯步数。
9、在一个可选的实施方式中,所述最大回溯步数的标定方式包括:采集目标无人机在实际飞行通信链路中的延迟数据样本,统计其分布,取延迟数据的95%分位数所对应的采样步数作为所述最大回溯步数;当所述目标无人机切换至不同的通信链路或通信模式时,所述最大回溯步数动态更新。
10、在一个可选的实施方式中,所述数值稳定性指标的计算方法包括:
11、对于交互多模型框架中的每一个运动模型,获取该运动模型在当前时刻的先验协方差及其单步状态转移矩阵,利用反向状态转移将所述先验协方差从当前时刻转移至所述历史时刻,得到该运动模型在历史时刻的回溯协方差,提取该回溯协方差的最小特征值,以所述最小特征值作为所述数值稳定性指标;
12、其中,所述反向状态转移的方法包括:对所述单步状态转移矩阵进行滞后步数次幂运算得到多步正向转移矩阵,对所述多步正向转移矩阵求逆,得到反向状态转移矩阵。
13、在一个可选的实施方式中,将当前时刻交互多模型框架各运动模型的概率回滚至所述历史时刻,包括:
14、以各运动模型在当前时刻的概率为初始值,按照所述场景自适应转移概率矩阵中的各模型保持自身状态的概率,连续进行滞后步数次转移,得到各运动模型在所述历史时刻的先验概率;
15、所述交互多模型框架至少包括表征目标匀速直线运动的匀速模型、表征目标匀加速运动的匀加速模型和表征目标匀速转弯运动的转弯模型。
16、在一个可选的实施方式中,利用所述历史时刻下各运动模型的先验概率,结合所述乱序观测数据,获取所述乱序观测数据对当前时刻状态的补偿估计,包括:
17、对交互多模型框架中的每一个运动模型,将当前时刻的先验状态通过反向状态转移矩阵回溯至所述历史时刻,得到该运动模型在历史时刻的先验状态;
18、在所述历史时刻,利用所述乱序观测数据对所述先验状态执行卡尔曼滤波更新,得到该运动模型在历史时刻的更新状态及其协方差;
19、将所述更新状态及其协方差通过正向状态转移矩阵前推至当前时刻,得到该运动模型的补偿状态及其补偿协方差;
20、根据所述历史时刻下各运动模型的先验概率,对各运动模型的补偿状态及其补偿协方差进行加权融合,得到所述乱序观测数据对当前时刻状态的补偿估计。
21、在一个可选的实施方式中,在所述历史时刻利用所述乱序观测数据对所述先验状态执行卡尔曼滤波更新时,若所述乱序观测数据中包含多个量测点迹,则执行联合概率数据关联,所述联合概率数据关联包括:
22、以所述历史时刻的先验状态及其协方差为基础,计算各量测点迹的新息协方差,并根据各量测点迹与预测观测值之间的马氏距离对量测点迹进行筛选,将马氏距离小于预设门限的量测点迹作为候选关联量测;
23、计算各候选关联量测的似然函数;根据传感器的检测概率、杂波密度以及所述似然函数计算各候选关联量测的关联概率;
24、以所述关联概率作为权重,对各候选关联量测的新息进行加权求和,利用加权后的等效新息执行卡尔曼滤波更新。
25、在一个可选的实施方式中,根据信息损失度量生成信息补偿项,包括:
26、获取当前时刻的先验协方差以及被判定为回溯不可行的乱序观测数据在所述历史时刻的预测协方差;
27、计算所述预测协方差的矩阵迹与所述先验协方差的矩阵迹之比,作为信息损失比例;
28、根据所述信息损失比例确定补偿系数,以所述补偿系数对当前时刻的先验协方差进行放大,生成所述信息补偿项;
29、所述信息补偿项中采用的补偿增益通过离线蒙特卡洛仿真标定:在典型目标航迹上注入不同延迟程度的乱序观测数据,在预设的补偿增益取值范围内遍历各候选值,分别计算对应各候选值的跟踪位置均方根误差,取使所述位置均方根误差最小的候选值作为所述补偿增益。
30、在一个可选的实施方式中,所述方法还包括:
31、当存在多条乱序观测数据时,按照各乱序观测数据的原始时间戳从早到晚的顺序,依次获取各乱序观测数据所对应的补偿估计或信息补偿项,并逐一叠加至当前时刻的先验估计上,生成融合后的状态估计与协方差估计;所述融合后的状态估计与协方差估计用于无人机调度决策。
32、第二方面,本发明提供一种面向低空的交互多模型乱序观测融合系统,包括:
33、数据获取模块,用于获取目标无人机的乱序观测数据,确定所述乱序观测数据相较于当前时刻的滞后程度;
34、第一处理模块,用于若所述滞后程度超过预设的第一门限,则丢弃所述乱序观测数据并记录其信息损失度量,并根据信息损失度量生成信息补偿项;若所述滞后程度未超过所述第一门限,则回溯至所述乱序观测数据的时间戳对应的历史时刻,计算在该历史时刻下交互多模型框架中各运动模型的先验估计的数值稳定性指标;
35、第二处理模块,用于若所述数值稳定性指标低于预设的第二门限,则丢弃所述乱序观测数据并生成相应的信息补偿项;若不低于所述第二门限,则将当前时刻交互多模型框架各运动模型的概率,按照预设的场景自适应转移概率矩阵,回滚至所述历史时刻,得到该历史时刻下各运动模型的先验概率;
36、第三处理模块,用于利用所述历史时刻下各运动模型的先验概率,结合所述乱序观测数据,获取所述乱序观测数据对当前时刻状态的补偿估计;
37、第四处理模块,用于将所述乱序观测数据所对应的补偿估计或信息补偿项,叠加至当前时刻的先验估计上,生成融合后的状态估计与协方差估计。
38、本发明的有益效果在于,本发明提供的面向低空的交互多模型乱序观测融合方法及系统,基于交互多模型框架,在无需增加额外传感器硬件的条件下,以统一的回溯-重预测流程实现乱序观测的有效利用。通过在执行回溯更新前预先进行可行性判别,主动拦截因延迟过大而可能引发数值发散的回溯操作,从根本上避免了滤波器崩溃风险;通过将模型概率同步回滚至历史时刻,使机动模型在急转弯等关键时段获得符合实际运动状态的先验权重,显著改善了机动阶段的跟踪精度;通过对判别为不可回溯的观测进行信息补偿,将其有效信息以降权形式保留至融合结果中,避免了硬丢弃带来的信息归零。三项机制共同作用,在不显著增加计算负担的前提下,全面提升了融合系统的数值鲁棒性、跟踪精度和信息利用率,可直接应用于低空无人机编队、空地协同等典型调度场景。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com