一种基于距离图和数据清洗的多传感器航迹融合方法与流程

1.本发明属于多传感器信息融合技术领域，具体涉及一种基于距离图和数据清洗的多传感器航迹融合方法。


背景技术：

2.近年来，随着信息科学与传感器技术的飞速发展，如何综合多个传感器获得的量测来提高航迹融合系统的精度和效率已经成为一个具有挑战性的课题。航迹融合问题以航迹关联和航迹状态估计融合为技术核心，航迹关联和航迹状态估计融合构成了航迹融合的基本过程。
3.解决航迹关联问题的关键是关联策略的选取以及关联准则的建立。航迹关联算法按其使用的方法划分通常可分为两类：基于统计的航迹关联方法和基于模糊数学的航迹关联方法。基于统计的航迹关联方法将航迹关联问题转化为假设检验问题，假设传感器节点的航迹状态估计服从特定的统计分布，利用传感器节点之间的航迹状态估计差作为检验统计量，并建立统计假设，根据事先确定的门限值来判定航迹是否关联。基于统计的航迹关联方法思想简单、容易实现，但是需要假设传感器数据服从典型的分布规律，而传感器数据的分布规律在实际应用中往往是未知的。
4.航迹关联中存在着一定的模糊性，可以利用模糊数学的隶属函数来表示这种模糊性，也就是用隶属度来描述两条航迹的相似程度。基于模糊数学的航迹关联方法通过选定或设计关联隶属函数，计算航迹来源于同一目标的隶属度，来判断两条航迹关联与否。基于模糊数学的航迹关联方法适合目标密集且存在较大系统误差的环境，在实际工程中得到了广泛应用。但是这类方法一般算法复杂度较高，致使融合系统负担较重，且隶属函数需要主观给定。由于基于模糊数学的航迹关联方法的复杂度较高，因此，难以以较小的时间代价获得较高的关联精度。
5.航迹状态估计融合以各局部传感器的目标状态估计为处理对象，通过一定的航迹状态估计融合方法对这些传感器的目标状态估计进行融合处理，从而获得系统航迹。最具有代表性的航迹状态估计融合方法是量测融合方法(measurement fusion,mf)、初等融合方法(simple fusion,sf)与加权协方差融合方法(weighted covariance fusion,wcf)。量测融合方法思想简单，计算量小，但精度较低，适合做简单的估算。初等融合方法最大的优点是速度快，但它假设各传感器航迹是不相关的，而各传感器航迹由于拥有共同的过程噪音实际上是相关的，所以sf方法得到的不是最优解。加权协方差融合方法考虑了局部航迹的相关性，因此精度较高，但它的计算量也较大。研究发现，大多数航迹状态估计融合方法都存在计算量与融合精度的不平衡，即高精度的融合方法通常消耗较高的计算资源，而计算量小的融合方法获得的系统航迹往往精度较低。


技术实现要素：

6.本发明的目的是为解决现有多传感器航迹融合方法存在着计算量与融合精度不
平衡的问题，而提出一种基于距离图和数据清洗的多传感器航迹融合方法。
7.本发明为解决上述技术问题所采取的技术方案是：
8.一种基于距离图和数据清洗的多传感器航迹融合方法，所述方法具体包括以下步骤：
9.步骤1、利用m个传感器来共同观测t0个目标，对于任意的两个传感器，记所述的两个传感器为传感器s和传感器l，在k时刻，传感器s观测到t0条航迹，分别记为传感器l观测到t0条航迹，分别记为
10.其中，分别为在k时刻传感器s观测到的第1条航迹，第2条航迹，
…
，第t0条航迹，分别为在k时刻传感器l观测到的第1条航迹，第2条航迹，
…
，第t0条航迹；
11.并根据航迹的状态向量构造传感器s和传感器l在k时刻的距离图；
12.步骤2、采用步骤1的方法，分别构造出传感器s和传感器l在k 1，k 2，
…
，k n
‑
1时刻的距离图；
13.并基于构造的n个距离图，对传感器s和传感器l进行航迹关联；
14.步骤3、重复步骤1和步骤2的过程，分别对每两个传感器进行航迹关联后，得到每个目标在各传感器观测数据中所对应的航迹；
15.步骤4、数据清洗
16.分别对每个目标所对应的航迹中的离群点进行剔除，获得每个目标的有效航迹；
17.步骤5、根据获得的有效航迹分别对每个目标进行状态估计融合，得到每个目标的航迹融合结果。
18.本发明的有益效果是：本发明提出了一种基于距离图和数据清洗的多传感器航迹融合方法，本发明将采样点的距离作为判定两条航迹在该时刻是否关联的依据，在此基础上构造距离图，通过对距离图的剪枝完成航迹关联，从而更好的放映航迹之间的关联关系，以较小的时间代价获得了较高的关联精度。运用格拉布斯(gzobors)准则对关联航迹进行数据清洗，剔除传感器航迹中的离群点，用较少的融合时间达到了较高的融合精度，从而平衡了航迹融合精度和计算量之间的矛盾，为多传感器航迹融合问题提供了技术支持。
附图说明
19.图1是本发明方法的流程图；
20.图2是多雷达探测平台的示意图；
21.图中，multiplatform radar scenario代表多平台雷达场景，ground代表地面，platform代表平台，detections代表传感器，targets代表目标；
22.图3是多雷达探测系统的俯视图；
23.图4是不同方法的正确关联率对比图；
24.图5是不同方法的错误关联率对比图。
具体实施方式
25.具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种基于距离图和
数据清洗的多传感器航迹融合方法，所述方法具体包括以下步骤：
26.步骤1、利用m个传感器来共同观测t0个目标，对于任意的两个传感器，记所述的两个传感器为传感器s和传感器l，在k时刻，传感器s观测到t0条航迹，分别记为传感器l观测到t0条航迹，分别记为
27.其中，分别为在k时刻传感器s观测到的第1条航迹，第2条航迹，
…
，第t0条航迹，分别为在k时刻传感器l观测到的第1条航迹，第2条航迹，
…
，第t0条航迹；
28.并根据航迹的状态向量构造传感器s和传感器l在k时刻的距离图；
29.步骤2、采用步骤1的方法，分别构造出传感器s和传感器l在k 1，k 2，
…
，k n
‑
1时刻的距离图；
30.并基于构造的n个距离图，对传感器s和传感器l进行航迹关联；
31.步骤3、重复步骤1和步骤2的过程，分别对每两个传感器进行航迹关联后，得到每个目标在各传感器观测数据中所对应的航迹；
32.步骤4、数据清洗
33.分别对每个目标所对应的航迹中的离群点进行剔除，获得每个目标的有效航迹；
34.步骤5、根据获得的有效航迹分别对每个目标进行状态估计融合，得到每个目标的航迹融合结果。
35.目标运动模型为：
36.x(k 1)＝f(k)x(k) g(k)u(k) v(k)
37.其中，x(k)为k时刻的状态向量，x(k 1)为k 1时刻的状态向量，f(k)为状态转移矩阵，g(k)为输入控制矩阵，u(k)为加速度输入矩阵，v(k)为离散时间白噪声序列；
38.传感器i的测量方程为：
39.z
i
(k)＝h(k)x(k) w
i
(k)
40.其中，z
i
(k)为传感器i在k时刻的测量值，h(k)为观测矩阵，w
i
(k)为零均值、方差为r
i
(k)的高斯观测噪声。
41.所述离散时间白噪声序列v(k)满足：e(v(k))＝0且e(v(k)v(k)
t
)＝q(k)，e(v(k))代表v(k)的均值，t代表转置，q(k)是具有零均值的高斯过程噪声正定协方差矩阵。
42.具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤1中，根据航迹的状态向量构造传感器s和传感器l的距离图，其具体过程为：
43.步骤1.1、传感器s的第i条航迹在k时刻的状态向量为：x
s,i
(k)＝[r
s,i1
(k),r
s,i2
(k),...,r
s,in
(k)]
t
，i＝1,2,
…
,t0，r
s,i1
(k),r
s,i2
(k),...,r
s,in
(k)分别表示传感器s的第i条航迹在k时刻的第1个位置特征，第2个位置特征，
…
，第n个位置特征，n表示特征的个数；传感器l的第j条航迹在k时刻的状态向量为：x
l,j
(k)＝[r
l,j1
(k),r
l,j2
(k),...,r
l,jn
(k)]
t
，j＝1,2,
…
,t0，r
l,j1
(k),r
l,j2
(k),...,r
l,jn
(k)分别表示传感器l的第j条航迹在k时刻的第1个位置特征，第2个位置特征，
…
，第n个位置特征；则航迹i和航迹j在k时刻的距离d(x
s,i
(k),x
l,j
(k))为：
[0044]
[0045]
其中，t代表转置；
[0046]
步骤1.2、构造一个t0×
t0的矩阵，且矩阵中第i行第j列的元素满足：
[0047][0048]
其中，d0为距离阈值，中间变量δ＝[δ1,δ2,...,δ
n
]
t
，δ1为r
s,i1
(k)的分辨率，δ2为r
s,i2
(k)的分辨率，δ
n
为r
s,in
(k)的分辨率；
[0049]
再基于构造的矩阵，构造传感器s和传感器l在k时刻的初始距离图，初始距离图中每一个节点代表一条航迹，若d(x
s,i
(k),x
l,j
(k))＜d0，则在航迹i和航迹j所对应的节点之间添加一条边，且边的权值w
ij
(k)为d(x
s,i
(k),x
l,j
(k))；
[0050]
步骤1.3、当传感器s和传感器l在k时刻的初始距离图中存在度大于1的节点时，则对初始距离图进行剪枝，剪枝时采用保留具有最小权值的边的原则，即保留权值为w＝minw
ij
(k)的边，剪枝后获得最终的距离图。
[0051]
其它步骤及参数与具体实施方式一相同。
[0052]
具体实施方式三：本实施方式与具体实施方式一或二之一不同的是，所述步骤2中，基于构造的n个距离图，对传感器s和传感器l进行航迹关联；其具体过程为：
[0053]
步骤2.1、在传感器s和传感器l的各时刻的距离图中，若节点i和节点j之间存在边，则节点i和节点j所对应的航迹是点迹关联的；
[0054]
步骤2.2、计算节点i和节点j的关联质量q
ij
：
[0055][0056]
其中：n
′
代表在构造的传感器s和传感器l的全部n个距离图中，节点i和节点j所对应的航迹点迹关联的次数；
[0057]
若关联质量q
ij
大于等于阈值q，则节点i和节点j所对应的航迹是航迹关联的，否则节点i和节点j所对应的航迹不是航迹关联的。
[0058]
本实施方式可以将传感器s和传感器l所观测的航迹一一对应地关联起来。
[0059]
其它步骤及参数与具体实施方式一或二相同。
[0060]
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤4的具体过程为：
[0061]
设x
i
′
,t
(k)是k时刻传感器i
′
观测到目标t航迹的状态向量，i
′
＝1,2，
…
，m，则在k时刻m个传感器对目标t的关联航迹的期望为：
[0062][0063]
x
i
′
,t
(k)的平均方差为：
[0064][0065]
将x
i
′
,t
(k)按由小到大的顺序排列成顺序统计量x
1'
(k)≤x
2'
(k)≤
…
≤x
m'
(k)，x
1'
(k)，x
2'
(k)，
…
，x
m'
(k)分别是顺序统计量中的第1个，第2个，
…
，第m个状态向量，并利用x
m'
(k)计算格拉布斯系数g
m'
(k)：
[0066][0067]
若则x
i
′
,t
(k)在置信限内，否则，则x
i
′
,t
(k)为可疑航迹的状态向量，予以剔除；
[0068]
将可疑航迹的状态向量剔除后，再对余下的航迹状态向量重新进行计算，直至余下的全部航迹状态向量都在置信限内时为止，获得k时刻目标t的全部有效航迹状态向量；
[0069]
同理，获得其它各时刻目标t的全部有效航迹状态向量以及其它目标在各时刻的全部有效航迹状态向量。
[0070]
其它步骤及参数与具体实施方式一至三之一相同。
[0071]
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤5中，根据获得的有效航迹分别对每个目标进行状态估计融合，其具体过程为：
[0072]
步骤5.1、若k时刻目标t的全部有效航迹状态向量中包括两个传感器观测航迹的状态向量，则执行步骤5.2；否则，若k时刻目标t的全部有效航迹状态向量中包括大于两个传感器观测航迹的状态向量，则执行步骤5.3；
[0073]
步骤5.2、k时刻目标t的全局状态估计为：
[0074][0075]
其中，x
i
″
,t
(k)是k时刻传感器i
″
观测到目标t航迹的状态向量，x
j
″
,t
(k)是k时刻传感器j
″
观测到目标t航迹的状态向量，i
″
和j
″
是k时刻目标t的全部有效航迹状态向量所对应的传感器，p
i
″
(k)是k时刻传感器i
″
的局部误差协方差，p
j
″
(k)是k时刻传感器j
″
的局部误差协方差；
[0076]
k时刻目标t的全局误差协方差p
dctf
(k)为：
[0077]
p
dctf
(k)＝p
i
″
(k)[p
i
″
(k) p
j
″
(k)]
‑1p
j
″
(k)
[0078]
步骤5.3、计算k时刻目标t的全局状态估计和k时刻目标t的全局误差协方差；其具体过程如下：
[0079]
步骤5.3.1、对于k时刻目标t的有效航迹状态向量所对应的任意两个传感器，记为i
″
和j
″
，对k时刻传感器i
″
观测到的目标t航迹的状态向量和k时刻传感器j
″
观测到的目标t航迹的状态向量进行融合；
[0080][0081]
其中，x
i
″
,t
(k)是k时刻传感器i
″
观测到目标t航迹的状态向量，x
j
″
,t
(k)是k时刻传感器j
″
观测到目标t航迹的状态向量，p
i
″
(k)是k时刻传感器i
″
的局部误差协方差，p
j
″
(k)是k时刻传感器j
″
的局部误差协方差，为x
i
″
,t
(k)和x
j
″
,t
(k)的融合结果；
[0082]
步骤5.3.2、将赋值给x
i
″
,t
(k)，对于k时刻目标t的有效航迹状态向量所对应的其它任一个传感器(除i
″
和j
″
外的其它任一传感器)，将该传感器在k时刻观测到的目标t航迹的状态向量赋值给x
j
″
,t
(k)；
[0083]
步骤5.3.3、赋值后，重复执行步骤5.3.1和步骤5.3.2的过程，直至全部传感器在k时刻对目标t观测的有效航迹的状态向量被融合，将最终的状态向量融合结果作为k时刻目
标t的全局状态估计；
[0084]
步骤5.3.4、对于k时刻目标t的有效航迹状态向量所对应的任意两个传感器，记为i
″
和j
″
，对k时刻传感器i
″
的局部误差协方差和k时刻传感器j
″
的局部误差协方差进行融合；
[0085]
p
dctf
(k)＝p
i
″
(k)[p
i
″
(k) p
j
″
(k)]
‑1p
j
″
(k)
[0086]
其中，p
i
″
(k)是k时刻传感器i
″
的局部误差协方差，p
j
″
(k)是k时刻传感器j
″
的局部误差协方差，p
dctf
(k)为p
i
″
(k)和p
j
″
(k)的融合结果；
[0087]
步骤5.3.5、将p
dctf
(k)赋值给p
i
″
(k)，对于k时刻目标t的有效航迹状态向量所对应的其它任一个传感器(除i
″
和j
″
外的其它任一传感器)，将该传感器在k时刻的局部误差协方差赋值给p
j
″
(k)；
[0088]
步骤5.3.6、赋值后，重复执行步骤5.3.4和步骤5.3.5的过程，直至全部传感器在k时刻的局部误差协方差被融合，将最终的局部误差协方差融合结果作为k时刻目标t的全局误差协方差。
[0089]
同理，分别对其它各时刻目标t的全部有效航迹状态向量进行融合，以及分别对其它目标在各时刻的全部有效航迹状态向量进行融合。特别地，若在某时刻某目标的有效航迹状态向量中仅包括一个传感器观测的航迹状态向量，那么不需要进行融合，直接得到该时刻该目标的航迹估计结果。
[0090]
根据以上方法，航迹融合中心通过对局部航迹融合中心进行基于距离图的航迹关联和基于数据清洗的状态估计融合，获得了系统航迹。
[0091]
图2展示了多平台雷达场景(multiplatform radar scenario)。设置多雷达探测系统中共设置6个传感器进行探测，其中2个机载平台，4个地面平台，将地面平台设置在相近位置。从图3俯视视角可明显区分。各雷达平台设置的方位角分辨率，高程分辨率，范围分辨率分别设置为1
°
，5
°
和30m以及对应的雷达方位角偏差分数，仰角偏差分数，范围偏差分数如表1所示。偏差分数表示为相应属性精度的下限，测量采样时间间隔设置为1s，持续采样时间为100s。目标1进行曲线运动，目标2进行匀速直线运动。
[0092]
表1雷达平台精度和偏差分数设置
[0093][0094]
图4与图5分别给出了采用相关序贯法(rs)、独立双门限法(idt)及距离图航迹关联法(dg)，仿真200次的平均正确关联率(p
c
)曲线和错误关联率(p
e
)曲线。
[0095]
表2统计了采用相关序贯法、独立双门限法及距离图航迹关联法，对各目标进行航迹关联仿真200次的平均关联时间。
[0096]
表2关联时间对比
[0097][0098]
从实验结果中，可以看出相关序贯法正确关联率最低，且速度很慢，该方法不适合处理激光三角测距传感器数据；独立双门限较之距离图航迹关联法，其正确关联率较低，关联时间也较长。因此本发明的距离图航迹关联法达到了较高的正确关联率。
[0099]
根据以上方法，航迹融合中心通过对传感器航迹进行基于距离图的航迹关联和基于数据清洗的状态估计融合，获得了精度较高的系统航迹。表3是本发明基于数据清洗的融合方法(dctf)与量测融合(mf)、初等融合(sf)、加权协方差融合(wcf)的平均误差对比。
[0100]
表3 dctf与mf、sf、wcf的平均误差对比
[0101][0102]
表4统计了采用mf方法、sf方法、wcf方法和本发明方法(dctf)，对所有目标进行航迹状态估计融合的平均计算时间。
[0103]
表4 dctf与mf、sf、wcf方法的融合时间对比
[0104][0105]
从表3和表4可以看出，本发明的航迹状态估计融合方法可以利用较少的融合时间，获得较高的融合精度。利用略高于sf方法的融合时间，获得了将近于wcf方法的融合精度。
[0106]
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明
的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。