一种无人水面艇航迹融合方法及装置与流程

1.本发明涉及无人水面艇技术领域，尤其涉及一种无人水面艇航迹融合方法和装置。


背景技术：

2.usv(unmanned surface vehicle)无人水面艇具有智能性、先进性等特点，近年来被广泛应用到水上搜救、水文气象检测等诸多领域，无人水面艇在海上航行过程中对周围海上航行目标进行实时感知成为确保usv安全航行的重要条件。
3.但是，无人水面艇存在设备本身盲区、设备数据预处理、数据格式统一、数据融合权重分配等问题，使得usv航行过程中数据来源、数据预处理及数据融合模型方面仍没有最优解决方式，为提高usv海上航行作业目标感知效果，以现有usv普遍装配的gps和雷达数据为数据源，在经过数据预处理、数据校正、航迹关联、数据融合等阶段处理后，达到对usv及周围航行目标高精度感知目的。


技术实现要素：

4.为了解决现有技术中的问题，本发明提供了一种无人水面艇航迹融合方法和装置，以达到对usv及周围航行目标高精度感知目的，具体是：
5.第一方面，本技术提供了一种无人水面艇航迹融合方法，所述方法包括：
6.获取无人水面艇感知信息，所述感知信息包括gps数据信息和雷达数据信息；
7.对所述雷达数据信息进行数据预处理，得到目标雷达信息；
8.构建航迹关联模型，利用所述航迹关联模型将所述gps数据信息与所述目标雷达信息进行航迹关联；
9.构建融合数据权重分配模型，利用所述融合数据权重分配模型所述gps数据信息与其关联的目标雷达信息进行航迹融合。
10.第二方面，本技术提供了一种无人水面艇航迹融合装置，所述装置包括：
11.信息获取模块，用于获取无人水面艇感知信息，所述感知信息包括gps数据信息和雷达数据信息；
12.数据预处理模块，用于对所述雷达数据信息进行数据预处理，得到目标雷达信息；
13.航迹关联模块，用于构建航迹关联模型，利用所述航迹关联模型将所述gps数据信息与所述目标雷达信息进行航迹关联；
14.航迹融合模块，用于构建融合数据权重分配模型，利用所述融合数据权重分配模型将所述gps数据信息与其关联的目标雷达信息进行航迹融合。
15.本发明提供的无人水面艇航迹融合方法及装置具有的有益效果是：
16.(1)基于gps和雷达数据融合，解决了gps数据存在传输频率不固定、回传延迟等问题，雷达数据存在海杂波干扰、扫描距离较近等问题，通过gps数据与雷达数据的关联和融合达到对海上目标感知优势互补的目的。
17.(2)构建航迹关联数学模型，通过粗关联结合细关联，并具体应用多因素欧式距离及马氏距离关联算法对目标航迹进行关联的方式，使得本技术能够为识别同一目标航迹提供多种渠道，提高匹配计算速度、节约计算资源。
18.(3)构建基于层次分析法和熵权赋值法的融合数据权重分配模型，避免单一权重方法存在的问题，兼顾层次分析法和熵值法的优点，具有更高的可信性。
附图说明
19.为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
20.图1是一种无人水面艇航迹融合方法的流程图；
21.图2是一种构建航迹关联模型中的航迹粗相关流程图；
22.图3是一种构建航迹关联模型中的航迹细相关流程图；
23.图4是一种无人水面艇定位数据融合框架设计思路示意图；
24.图5是一种无人水面艇航迹融合装置的组成框图；
25.图6是实验得到的雷达目标航迹、gps目标航迹、融合目标航迹和理想目标航迹的对比图。
具体实施方式
26.下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.本实施提供了一种无人水面艇航迹融合方法，如图1所示，所述方法包括：
28.s102.获取无人水面艇感知信息，所述感知信息包括gps数据信息和雷达数据信息；
29.在实际应用中，具体可以是：
30.步骤1.1通过串口接收gps、雷达数据信息，得到数据串；
31.步骤1.2根据传感器通讯协议，对接收到的数据串进行检验、解码，获得无人水面艇的当前航速v，经纬度l，航向角w等运动状态信息。
32.s104.对所述雷达数据信息进行数据预处理，得到目标雷达信息；
33.进一步地，步骤s104中的对所述雷达数据信息进行数据预处理，得到目标雷达信息，包括：
34.s1042.对雷达数据信息进行数据提取，得到中间数据集的一种可行方式可以是：
35.雷达目标位置极坐标通过三角函数转换到笛卡尔坐标，在图像坐标转换以像素坐标为转换基准，通过式(1)完成坐标转换。
36.37.式(1)中，xr、yr代表笛卡尔系下的横纵坐标；r代表极径，为雷达探测最大范围；θ代表极角。
38.通过对比目标模板图像与整体图像子图差别大小来判定匹配程度，差别最小的即为最优匹配；
39.通过目标模板图像在整体图上遍历，对比计算目标模板图和整体图中子图的绝对差，绝对差最小值为最优匹配位置；
40.最小误差法计算模型可表示为式(2)。
[0041][0042]
在式(2)中，e(i,j)为绝对差，取最小值时为最优匹配位置；目标模板图t的大小为m
×
n；s为整体图，s
i,j
为子图。
[0043]
将雷达笛卡尔坐标图像数据转换成二值化矩阵，根据专家经验定义目标模板图t的二值化矩阵为式(3)。
[0044][0045]
利用模板图矩阵t进行整体图上的误差计算，定位到目标最优匹配位置并记录，在整体图数据中标识，得到笛卡尔坐标下目标坐标。利用雷达所在位置的经纬度坐标、扫描半径，通过坐标转换、等比例计算方法，得到目标经纬度坐标、方位、距离等航行数据。
[0046]
s1044.对所述中间数据集进行数据剔除，得到目标雷达信息；
[0047]
详细地，得到目标雷达信息，在实际应用中，具体可以为：
[0048]
由目标上一时刻点经纬度位置、最新时刻点经纬度位置计算经纬度距离d1。如式(4)、(5)所示为通过经纬度计算的两点距离。
[0049]
c＝sin(lata)*sin(latb)*cos(lona-lonb) cos(lata)*cos(latb)(4)
[0050][0051]
式中，c代表两目标点到地心连线夹角；lona、lata、lonb、latb分别代表目标在a点经纬度、b点经纬度，b点为该目标航行轨迹上后一时间位置点；r代表赤道平均距离6371.004km；π代表圆周率；d代表计算得到两点距离。
[0052]
由上一时段平均速度及两目标点间相差时间计算出距离d2。设定误差阈值，判别d1、d2差值是否在阈值范围内，不在阈值范围内的则将最新时刻点判定为坏值，予以剔除。
[0053]
s1046.将所述目标雷达信息中的数据与gps数据信息，进行时空统一。
[0054]
考虑到雷达数据更新周期较短，航线和工况不易发生突变，每两个点可以近似看成匀速直线运动，线性内插法对gps数据进行插值具有良好适用性。
[0055]
设在t1，t2两个时刻，gps目标位置信息分别为(β1，γ1)、(β2，γ2)，当t∈(t1，t2)时，t时刻位置信息可用式(6)进行计算。
[0056][0057][0058]
雷达与gps数据在空间及坐标系上存在不统一问题。雷达数据主要是基于电磁波反射原理，数据以极坐标方式呈现，极坐标原点为基站位置。gps位置信息为经纬度信息，为wgs84坐标系。因此，将gps目标与雷达目标坐标转化到同一个坐标系下。雷达基站与gps基站在同一位置，将两坐标转换到以基站为原点的笛卡尔坐标系。
[0059]
采用高斯-克吕格投影将经纬度坐标转换到笛卡尔坐标，取中央子午线与赤道交线投影为原点，如式(8)所示。
[0060][0061]
式中，β、γ分别代表wgs84坐标系下经度、纬度；x、y分别代表笛卡尔坐标系下横纵坐标。
[0062]
s106.构建航迹关联模型，利用所述航迹关联模型将所述gps数据信息与所述目标雷达信息进行航迹关联；
[0063]
一种可行的实施方式中，构建航迹关联模型，利用所述航迹关联模型将所述gps数据信息与所述目标雷达信息进行航迹关联，包括：
[0064]
s1062.利用粗关联模型，将所述gps数据信息与所述目标雷达信息进行粗关联，得到粗关联数据库；
[0065]
具体地，航迹粗相关可以是：
[0066]
遍历某时刻gps经纬度数据与雷达解析经纬度数据进行逐一距离计算，设置距离阈值用于判断两点位粗关联是否成功。
[0067]
计算距离大于阈值被判断为不可能被关联点位，距离小于阈值被判定为粗关联成功点位，将已经建立粗关联关系的定位记录到粗关联数据库中供后续航迹细关联使用。航迹相关流程图如图2所示。
[0068]
s1064.利用细关联模型，将所述粗关联数据库中的gps数据信息与所述目标雷达信息进行细关联，获取gps数据信息与其对应的目标雷达信息。
[0069]
进一步地，利用所述细关联模型，将所述粗关联数据库中的gps数据信息与所述目标雷达信息进行细关联，包括：
[0070]
采用所述多维欧式距离和多维马氏距离计算方式，将所述粗关联数据库中的gps数据信息与所述目标雷达信息进行处理。
[0071]
如图3所示，航迹细相关可以是：
[0072]
细关联阶段考虑使用基于统计学理论的欧式距离和马氏距离计算作为航迹相似度的度量依据，利用距离关联算法对目标航行前后各类数据进行距离计算与比对。
[0073]
欧式距离多维计算如式(9)。
[0074][0075]
式(9)中x，y分别表示gps和雷达目标航迹平均速度、位置距离、航向等参数组成的向量，xi，yi表示不同航迹同一属性数据。
[0076]
马氏距离多维计算如式(10)。
[0077][0078]
式(10)中表示为样本向量x到μ的马氏距离，其中有n个样本向量x1～xn，s为其协方差矩阵，μ为其均值向量。
[0079]
向量xi和xj之间的马氏距离可以表示为式(11)。
[0080][0081]
在马氏距离计算过程中需要满足两个条件：总体样本数大于样本维数；协方差矩阵的逆矩阵存在。
[0082]
因此在航迹细关联阶段对马氏距离需要满足的条件进行优先判断，不满足马氏距离关联算法情况下采用欧式距离关联算法作为替补计算方案。
[0083]
s108.构建融合数据权重分配模型，利用所述融合数据权重分配模型所述gps数据信息与其关联的目标雷达信息进行航迹融合。
[0084]
在实际应用中，分别应用层次分析法(ahp)和熵值赋权法对同一目标航迹影响因素评估指标权重进行求解；
[0085]
一级评估指标分为gps和雷达可靠性；二级评估指标分为gps描述同一目标航迹的航速v1，经纬度l1，航向c1数据值和雷达描述同一目标航迹的航速v2，经纬度l2，航向c2数据值。
[0086]
具体地，构建融合数据权重分配模型，利用所述融合数据权重分配模型将所述gps数据信息与其关联的目标雷达信息进行航迹融合，包括：
[0087]
s1082.根据层次分析法确定航迹影响因素评估指标权重，得到第一权重；
[0088]
进一步地，得到第一权重向量，一种可行的处理方式是：
[0089]
ahp确定u(v)、u(l)、u(c)权重步骤如下：
[0090]
(1)构造判断矩阵。以u(v)、u(l)、u(c)作为判断矩阵准则，在不同决策者主观印象中不同准则具备不同权重占比。由u
ij
组成a-u判断矩阵p。
[0091][0092]
(2)计算重要性排序。根据判断矩阵，求出其最大特征根λ
max
所对应的特征向量w。方程如下:
[0093]
pw＝λ
max
w(13)
[0094]
所求特征向量w经归一化得w＝(w1,w2,w3)，w即为各评价因素重要性排序，也就是权重分配。
[0095]
(3)为了验证得到的权重分配是否合理，还需要对判断矩阵进行一致性检验。检验使用公式:
[0096]
cr＝ci/ri(14)
[0097]
式中，cr为判断矩阵的随机一致性比率；ci为判断矩阵的一般一致性指标。由下式给出：
[0098]
ci＝(λ
max-n)/(n-1)(15)
[0099]
ri为判断矩阵平均随机一致性指标，n为判断矩阵p的阶数。
[0100]
当判断矩阵p的cr＜0.1时或λ
max
时，认为p具有满意一致性，否则需调整p中元素以使其具有满意一致性。
[0101]
得到具有满意一致性的矩阵式p后，w＝(w1,w2,w3)的各个分量即层次分析法获得的权重值。
[0102]
s1084.根据熵权赋值法确定航迹影响因素评估指标权重，得到第二权重；
[0103]
进一步地，得到第二权重向量，在实际应用中，可以是：
[0104]
熵值赋权法确定u(v)、u(l)、u(c)权重步骤如下：
[0105]
(1)构造数值矩阵。以u(v)、u(l)、u(c)作为数值矩阵准则。由x
ij
组成a-x数值矩阵w。
[0106][0107]
选取每个传感器的n个样本，m个指标，则x
ij
为第i个样本的第j个指标的数值(i＝1，2
…
，n；j＝1，2，
…
，m)；
[0108]
(2)指标归一化处理：异质指标同质化。其具体方法如下:
[0109]
正向指标：
[0110][0111]
负向指标：
[0112][0113]
其中，minxj是第j个指标的最小值，maxxj是第j个指标的最大值。
[0114]
(3)计算第j项指标的第i组数据的特征比重
[0115][0116]
其中i＝1，
…
，n；j＝1，
…
，m
[0117]
(4)计算第j项的熵值
[0118][0119]
其中，k＝1/ln(n)＞0，如果x
ij
的值为0，在计算中以0.00001替代，计算ln(0.00001)的值即可。满足ej≥0。
[0120]
(5)归一化确定各个指标权重
[0121][0122]
其中m为ej的个数，w＝(w1,w2,w3)的各个分量即为熵值赋权法获得的权重值。
[0123]
s1086.将第一权重与第二权重进行组合，得到组合权重；
[0124]
上述步骤中ahp和熵值赋权法得到的特征向量w即为指标权重，将两者指标权重集分别设为和进行组合得到组合权重。
[0125]
层次分析法得到的指标权重向量为：
[0126]
熵值赋权法得到的指标权重向量为：
[0127]
其中，i为一级评估指标中的第i个指标，m为一级评估指标中第i个指标的下属二级评估指标数目，利用层次分析法和熵值赋权法计算组合权重值，待评估指标的综合权重通过下式计算：
[0128][0129]
其中，α为确定组合权重的系数，0≤α≤1，一般α取0.5。当α为1时，表示指标权重值由层次分析法确定；当α为0时，表示指标权重值由熵值赋权法确定，从而得到表1：
[0130][0131]
a＝(a1,a2,a3)的各个分量即可作为u
←
{u(v),u(l),u(c)}的权重系数，对各分量权重分配形成数据融合策略。
[0132]
s1088.利用所述组合权重，将述gps数据信息与其关联的目标雷达信息进行航迹融合。
[0133]
利用gps和雷达描述同一目标航迹的航速v，经纬度l，航向c数据值的向量矩阵与组合权重矩阵相乘后，计算得出融合x、y航迹值分别为s
ij
和s
′
ij
。式子如下：
[0134]sij
＝s
ix
s
jx
(22)
[0135]s′
ij
＝s
iy
s
jy
(23)
[0136]
其中i代表gps传感器测量航迹，j代表雷达测量航迹。
[0137]
本实施例针对gps和雷达数据特点，给出了一种usv无人水面艇定位数据融合框架设计思路，并给出图4：
[0138]
(1)在目标海域内，航行目标usv将自身gps数据信息传输至岸基端进而发送到usv接收端；雷达数据信息是通过usv舰载航海雷达数据链路获取得到；
[0139]
(2)在数据预处理阶段，对雷达数据信息，具体是雷达图像数据完成坐标转换、目
标匹配、距离和方位换算、经纬度转化等处理，对数据进一步完成数据剔除、时间统一、空间统一等处理操作；
[0140]
(3)构建航迹关联数学模型，应用多因素欧式距离及马氏距离关联算法对目标航迹进行关联；
[0141]
(4)基于层次分析法和熵权赋值法的加权数据融合算法对航行数据进行数据融合。
[0142]
本实施例提供了一种无人水面艇航迹融合装置，如图5所示，所述装置包括：
[0143]
信息获取模块502，用于获取无人水面艇感知信息，所述感知信息包括gps数据信息和雷达数据信息；
[0144]
数据预处理模块504，用于对所述雷达数据信息进行数据预处理，得到目标雷达信息；
[0145]
航迹关联模块506，用于构建航迹关联模型，利用所述航迹关联模型将所述gps数据信息与所述目标雷达信息进行航迹关联；
[0146]
航迹融合模块508，用于构建融合数据权重分配模型，利用所述融合数据权重分配模型将所述gps数据信息与其关联的目标雷达信息进行航迹融合。
[0147]
通过实验对本技术中的实施例给与说明的是：
[0148]
将实验测试获取到的原始数据进行数据处理，对目标gps航迹、雷达航迹和数据融合航迹进行对比分析，取正北向为y轴正方向，正东向为x轴正方向，得到如图6所示目标航行轨迹。
[0149]
图6中可看出雷达目标航迹波动较大；gps目标航迹较为稳定，但有时会出现数据短暂缺失情况；融合目标航迹稳定可信，与目标保速保向航迹基本一致，具有更高的可信性。
[0150]
本发明提供的无人水面艇航迹融合方法及装置具有的有益效果是：
[0151]
(1)基于gps和雷达数据融合，解决了gps数据存在传输频率不固定、回传延迟等问题，雷达数据存在海杂波干扰、扫描距离较近等问题，通过gps数据与雷达数据的关联和融合达到对海上目标感知优势互补的目的。
[0152]
(2)构建航迹关联数学模型，通过粗关联结合细关联，并具体应用多因素欧式距离及马氏距离关联算法对目标航迹进行关联的方式，使得本技术能够为识别同一目标航迹提供多种渠道，提高匹配计算速度、节约计算资源。
[0153]
(3)构建基于层次分析法和熵权赋值法的融合数据权重分配模型，避免单一权重方法存在的问题，兼顾层次分析法和熵值法的优点，具有更高的可信性。
[0154]
进一步补充说明的是，本发明中实施方式中的数据信息可以根据具体应用，为坐标信息，或者经纬度信息，或者速度、位置距离、航向角的组合信息，或者航速、经纬度、航向的组合信息，等等。
[0155]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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，也多个实施方式在满足可实施的情况下可以结合应用。