一种多源传感器目标定位与协同标绘方法及系统与流程
本发明涉及多源传感器数据融合与态势感知,具体涉及一种多源传感器目标定位与协同标绘方法、系统及存储介质,适用于全域安防监控、海上船舶监管、电磁频谱监测、应急救援态势支撑和低空目标管控等应用场景。
背景技术:
1、当前全域态势感知体系已广泛搭载多类异构感知设备,涵盖空域无人机视觉侦察、海域ais船舶自动感知、地面sdr电磁测向、固定点位视频监控摄像头、人工手动态势标绘及多终端远端态势消息上报等多元感知手段。上述手段可全方位采集陆海空全域目标的位置、属性、运动状态及特征信息,是态势地图构建、目标监测、态势指挥决策的核心数据来源。
2、然而,各类传感器的硬件原理、采集机制、数据输出格式、定位精度和采样频率存在本质差异,属于典型的异构多源观测数据。各类设备独立工作、数据分散输出,未形成统一的数据处理与融合机制,导致原始观测数据存在碎片化、差异化、冗余化问题。在实际态势应用场景中,同一物理目标会被多个传感器、多个终端和人工操作多次观测,产生海量多维度观测数据。
3、现有多源融合技术方案主要分为三类:简单坐标均值融合、静态权重点迹 - 航迹关联、深度学习特征融合,三类方案均存在固有缺陷,汇总为五大核心痛点:
4、1.无标准化数据与同源匹配机制:不同传感器观测值独立生成目标图标,传统简单融合方案重复目标率可达 11%,态势画面堆叠杂乱;
5、2.权重静态无自适应能力:未区分传感器硬件精度、数据时效性,低精度观测直接拉低整体定位精度,普通融合方案全域平均定位误差达 45m,单源定位误差高达 92m;
6、3.关联判定维度单一:仅依靠空间 / 时间单维度匹配,易出现跨类别错误融合、同源目标拆分;
7、4.无分层异常剔除与轨迹补全机制:传感器遮挡、电磁干扰会造成轨迹断裂、点位漂移,传统方案轨迹连续率仅 86%;
8、5.缺少全链路证据留存体系:无完整观测、计算日志存储,无法支撑态势风险溯源核查。
9、针对上述问题,已有研究如 cn118225083a 提出基于多传感器融合的机器人导航定位方法,通过深度学习模型提取特征并实时调整权重,但其面向机器人导航场景,未涉及多目标关联和协同标绘问题。cn111860589a 提出多传感器多目标协同探测信息融合方法,采用时间配准、空间配准和点迹 - 航迹关联,但其关联机制较为单一,未构建四维综合关联评价体系。因此,亟需一种能够系统解决多源异构数据关联、融合、标绘和溯源问题的完整技术方案。
技术实现思路
1、本发明针对现有技术中多源异构传感器数据无法有效关联融合、目标重复标绘、定位精度不足、轨迹不连续和证据无法溯源的缺陷,提供一种多源传感器目标定位与协同标绘方法、系统及存储介质,通过标准化预处理、四维证据关联、动态加权融合、异常剔除、轨迹校验和全链路溯源的闭环技术体系,将碎片化、差异化、冗余化的多源观测数据整合为唯一、稳定、高精度、可溯源、轨迹连续的标准化态势目标实体。
2、(一)方法技术方案
3、为实现上述发明目的,本发明提供一种多源传感器目标定位与协同标绘方法,包括以下步骤:
4、s1:获取多源异构传感器的原始观测数据。
5、所述多源异构传感器包括至少两种不同类型的态势感知设备。在本发明的一个优选实施方案中,所述多源异构传感器包括但不限于:无人机视觉传感器、ais船舶自动识别系统、sdr无线电测向设备、视频监控摄像头、人工标绘终端和远端态势消息上报终端。
6、各类传感器的采集特性和误差特点如下:
7、无人机图像侦察覆盖范围广,可采集车辆、人员、建筑、火点等目标类别及对应坐标,误差来源于飞行姿态偏移、图像畸变和远距离识别偏差,误差半径较大,更新频率为中低频,随飞行侦察周期更新。
8、ais船舶自动识别系统可采集船舶mmsi唯一编号、经纬度、航向、航速和航行状态,数据标准化程度高、稳定性强,误差来源于卫星定位偏移和信号传输延迟,整体精度较高,更新频率为高频,秒级持续上报。
9、sdr无线电测向设备可采集无线电信号方位角、工作频率、信号强度和信号带宽,为无源探测,无需目标主动配合,误差来源于测向角度偏差、环境电磁干扰和单站定位盲区,单站精度极低,多站协同可大幅提效,更新频率为高频,实时扫描采集。
10、视频监控摄像头可采集目标检测框、目标类别、识别置信度和瞬时坐标,近距离精度高,远距离易失效,误差来源于画面遮挡、光照变化、目标重叠和识别算法偏差,更新频率为超高频,帧级更新。
11、人工标绘终端可采集人工手动标注的目标精准位置、目标属性备注和确认状态,主观精准度高、无机械误差,误差来源于鼠标点位偏移和视野偏差,数据更新滞后、无连续性,为被动触发式更新,按需更新。
12、远端态势消息上报终端可采集其他监测终端、作战终端上传的目标位置与状态信息,数据来源复杂、格式不统一,误差来源于终端设备精度差异、传输丢包和二次转发偏差,为不定时按需上报。
13、s2:对所述原始观测数据进行标准化预处理,将各类异构数据统一转换为包含标准化字段的标准化观测对象。
14、所述标准化字段至少包括以下九类核心字段:
15、(1)目标类别(objecttype):目标标准化类别,统一归类为人员、车辆、船舶、电磁信号、建筑、火点等固定类别,用于目标初匹配,杜绝跨类别错误融合。
16、(2)传感器来源类型(sourcetype):标记无人机、ais、sdr、摄像头、人工标绘等传感器来源类型,用于传感器权重分级和数据溯源。
17、(3)wgs84标准经纬度坐标(latitude/longitude):校准后的wgs84标准经纬度坐标,统一地理坐标系,是空间聚类和坐标融合的核心基础数据。
18、(4)毫秒级统一时间戳(timestamp):统一转换为毫秒级时间戳,消除时区和格式差异,用于时间窗口筛选、数据新鲜度计算和轨迹时序校验。
19、(5)0-1区间标准化置信度(confidence):统一各类设备置信度评价标准至0-1区间,用于动态权重计算和异常数据判定依据。
20、(6)定位误差半径(errorradius,单位:米):量化单条观测的位置偏差范围,用于空间聚类阈值设定和异常观测剔除的核心参数。
21、(7)目标航向(heading)和目标速度(speed):目标实时航向和运动速度,对于静态目标,所述航向和速度字段默认置零,用于运动一致性校验和轨迹连续性补全。
22、(8)传感器唯一编号(sourceid):精准标记数据采集设备,用于设备精度统计和历史误差溯源。
23、(9)观测唯一证据编号(evidenceid):单条观测唯一证据编号,全局唯一,用于全链路证据留存和溯源核查。
24、s3:基于设定的滑动时间窗口,筛选保留窗口内的有效观测数据,剔除超出所述时间窗口的历史过期数据。
25、所述滑动时间窗口为可配置的时间长度参数,在本发明的一个优选实施方案中,默认设置为3秒。该时间窗口可根据应用场景动态调整,例如在高动态目标跟踪场景中可缩短至1秒,在低动态场景中可延长至10秒。
26、s4:基于各观测数据的定位误差半径动态确定空间距离阈值,以所述阈值对保留的观测数据进行空间聚类,将空间距离小于所述阈值的观测点划分至同一候选目标集合。
27、具体地,对于每个观测点,以其errorradius误差半径为基准设置空间距离阈值,将空间距离小于该阈值的所有观测点聚类为同一候选目标集合。在本发明的一个优选实施方案中,对于同一候选目标集合内的多个观测点,所述空间距离阈值取各观测点误差半径的最大值或加权平均值。
28、s5:对同一候选目标集合内的观测数据进行目标类型一致性校验,仅保留目标类别完全一致的观测数据,剔除不同类别目标的交叉干扰。
29、s6:基于四维关联度计算模型,对同一候选目标集合内的观测数据进行证据关联匹配,判断各观测数据是否指向同一物理目标。
30、所述四维关联度计算模型综合空间距离一致性、时间戳一致性、目标类别一致性和运动状态一致性四个维度计算关联度。四维关联度计算公式为:
31、
32、其中, 为综合关联度;为空间距离一致性量化值; 为时间戳一致性量化值;为目标类别一致性量化值;为运动状态一致性量化值;、、、分别为对应维度的权重系数,且。
33、各维度一致性的量化方式如下:
34、(1)空间距离一致性的计算公式为:
35、
36、其中, 为两个观测点之间的空间距离(单位:m),为预设的空间距离衰减因子(单位:m,默认值为50m)。
37、(2)时间戳一致性的计算公式为:
38、
39、其中, 为两个观测数据的时间戳之差的绝对值(单位:s),为预设的时间戳衰减因子(单位:s,默认值为5s)。
40、(3)目标类别一致性 的取值为:(若两个观测的目标类别相同),(若两个观测的目标类别不同)。
41、(4)运动状态一致性的计算公式为:
42、
43、其中,为两个观测的航向角之差(单位:rad),为两个观测的速度之差(单位:m/s),和 为预设的权重系数,满足。
44、当综合关联度大于预设关联度阈值(在本发明的一个优选实施方案中,默认阈值为0.75)时,判定两条观测为同一目标,完成同源数据聚合。
45、s7:基于多因子动态权重公式,对判定为同源的多条观测数据进行加权融合计算,生成目标的综合坐标估计值。
46、核心加权公式为:
47、
48、
49、其中,为观测数据的序号索引,,为同源观测数据的总条数;为第 条观测数据的综合权重;为第 条观测数据对应传感器类型的固有可靠度系数;为第 条观测数据的时间新鲜度因子;为第 条观测数据来源设备的历史定位精度因子;为第 条观测数据的空间坐标向量;为融合后的综合坐标估计值向量。
50、固有可靠度系数的初始值由传感器硬件特性决定:
51、
52、时间新鲜度因子的计算公式为:
53、
54、其中,为当前系统时刻(单位:s),为第条观测数据的时间戳(单位:s),为预设的时间衰减系数(单位:),取值范围为,默认值为。
55、历史定位精度因子的计算公式为:
56、
57、其中,为第条观测数据来源设备的历史平均定位误差(单位:m),基于该设备最近次(默认)观测数据与融合后真值的偏差统计确定;为预设的定位误差归一化基准值(单位:m,默认值为10m)。
58、所述加权融合计算支持四种可选融合模型:
59、(a)加权平均融合模型:适用于静态或低速目标场景;
60、(b)扩展卡尔曼滤波融合模型:适用于中高速运动目标跟踪场景;
61、(c)粒子滤波融合模型:适用于非线性非高斯观测噪声场景;
62、(d)三角定位融合模型:适用于sdr测向等角度观测场景。
63、s8:基于目标历史轨迹的航向、航速和时序特征预测目标当前理论位置,计算所述理论位置与融合后当前坐标之间的位置偏差和速度偏差,当所述位置偏差或速度偏差超过基于目标运动模型设定的连续性阈值时,判定为轨迹跳变或漂移异常。
64、具体地,所述目标运动模型可采用匀速模型(cv模型)。匀速运动模型的预测公式为:
65、
66、位置偏差判定:
67、
68、速度偏差判定:
69、
70、轨迹异常判定条件:
71、
72、其中,为位置偏差连续性阈值,为速度偏差连续性阈值。
73、s9:分别计算各观测数据与所属聚类中心的距离偏差、与所属定位误差范围的兼容度以及与步骤s8中轨迹预测位置的预测偏差,当上述任一偏差超过对应预设异常判定阈值时,将该观测数据判定为异常观测并予以剔除。
74、异常观测的判定包含以下三种独立机制:
75、(1)聚类偏离度检测:
76、
77、当时,判定为聚类偏离异常。其中,为第条观测数据的定位误差半径,为聚类偏离度倍数系数,默认值为3.0。
78、(2)误差范围兼容性检测:
79、统计与第条观测数据误差范围存在交集的观测数量:
80、
81、当时,判定为误差范围不兼容异常。其中, 为误差范围兼容性比例阈值,默认值为0.5。
82、(3)轨迹预测偏差检测:
83、
84、当 时,判定为轨迹预测偏差异常。其中,为轨迹预测偏差阈值,默认初始值为50m。
85、上述三种机制触发任一异常判定时,该观测数据即被标记为异常值并予以剔除。
86、s10:将所有关联匹配成功的多源观测数据聚合为全局唯一的目标实体,以单一点位在态势地图上进行标绘,并留存全部原始观测数据和融合计算日志,实现证据可追溯。
87、所述全局唯一目标实体整合以下信息:统一目标标识符、目标类别、融合位置坐标、综合置信度、完整历史轨迹、用于聚合生成该目标实体的全部原始观测数据集合以及融合参数记录。
88、参数配置原则说明:
89、上述各步骤中涉及的可配置参数(包括但不限于滑动时间窗口宽度、空间衰减因子、时间衰减因子、时间衰减系数、关联度阈值、聚类偏离度倍数系数、误差范围兼容性比例阈值、定位误差归一化基准值等)的默认值基于典型应用场景的统计优化确定。在实际部署中,用户可根据传感器特性、目标运动特性和环境条件按以下原则进行调整:
90、·空间衰减因子:应根据监测区域的空间尺度调整,大区域(如海上)可增大至100-200m,小区域(如园区)可减小至20-30m;
91、·时间衰减系数:应根据数据更新频率调整,高频数据源(如摄像头帧级数据)可增大至0.2-0.5,低频数据源(如无人机分钟级数据)可减小至0.01-0.05;
92、·关联度阈值:应根据融合精度要求调整,高精度要求场景可提高至0.80-0.85,低精度容忍场景可降低至0.65-0.70;
93、·聚类偏离度倍数系数:应根据传感器误差特性调整,高精度传感器(如ais)可减小至2.0-2.5,低精度传感器(如sdr单站)可增大至4.0-5.0。
94、参数调整可通过离线优化(基于历史数据统计)或在线自适应(基于实时误差反馈)方式实现。
95、(二)系统技术方案
96、本发明还提供一种多源传感器目标定位与协同标绘系统,其各功能模块组成如图9所示,具体包括:
97、数据采集模块,配置为接收多源异构传感器的原始观测数据;
98、标准化预处理模块,配置为对所述原始观测数据进行标准化转换,生成标准化观测对象;
99、时间窗口筛选模块,配置为基于滑动时间窗口对观测数据进行筛选,剔除过期数据;
100、空间聚类模块,配置为基于各观测数据的定位误差半径动态确定空间距离阈值,以所述阈值对保留的观测数据进行空间聚类分组;
101、证据关联匹配模块,配置为基于四维关联度计算模型对同一候选目标集合内的观测数据进行同源判定,所述四维关联度计算模型综合空间距离一致性、时间戳一致性、目标类别一致性和运动状态一致性四个维度;
102、动态加权融合模块,配置为基于多因子动态权重公式对同源观测数据进行加权融合,计算目标综合坐标估计值,支持加权平均融合、扩展卡尔曼滤波融合、粒子滤波融合和三角定位融合四种可选融合模型;
103、轨迹校验模块,配置为基于目标历史轨迹的航向、航速和时序特征对融合后的目标位置进行连续性校验,识别轨迹跳变和漂移异常;
104、异常检测剔除模块,配置为基于聚类偏离度、误差范围和轨迹预测偏差进行异常观测识别与剔除;
105、目标实体管理模块,配置为将关联成功的多源观测数据聚合为全局唯一的目标实体并管理目标全周期数据;
106、协同标绘与溯源模块,配置为在态势地图上标绘目标实体并留存全部证据数据。
107、上述各模块之间的数据流方向为:数据采集模块接收多源数据后,依次经标准化预处理模块、时间窗口筛选模块、空间聚类模块、证据关联匹配模块处理,再由动态加权融合模块和轨迹校验模块生成融合结果,经异常检测剔除模块过滤无效数据后,最终由目标实体管理模块和协同标绘与溯源模块完成目标唯一化标绘与证据留存,如图9所示。
108、(三)计算机可读存储介质
109、本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述多源传感器目标定位与协同标绘方法。
110、有益效果
111、本发明相对于现有技术具有以下有益效果:
112、(1)通过标准化预处理消除异构数据壁垒,通过四维证据关联机制精准锁定同源目标,解决了传统系统同一目标重复生成多个图标的缺陷。实测数据表明,采用本方法后重复目标率可降至2.2%以下。
113、(2)通过多因子动态权重融合实现高精度自适应定位,让高精度、高可信、最新的观测数据主导融合结果。实测表明,在50km²大范围场景中平均定位误差可降至14.6m,相比普通融合方案的45m和单源定位的92m有显著提升。
114、(3)通过智能轨迹连续性校验和异常观测剔除,有效解决了传感器采样盲区和信号遮挡导致的轨迹断裂问题,目标轨迹连续率可达97.5%以上。
115、(4)通过目标实体管理模块将所有关联成功的多源观测数据聚合为全局唯一目标实体,从数据架构层面根除多源观测重复标绘问题,实现目标唯一化。
116、(5)通过全链路证据留存机制,完整保留每一条原始观测证据、融合参数和计算日志,实现100%证据可追溯。
117、(6)系统支持加权平均、扩展卡尔曼滤波、粒子滤波和三角定位四种融合模型,可灵活适配陆海空不同场景的定位需求。
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