一种基于多传感器数据融合的无人船定位方法

技术特征：
1.一种基于多传感器数据融合的无人船定位方法，其特征在于，包括如下步骤：(1)对无人船多传感器定位系统所采集的无人船定位数据进行预处理，其具体内容和方法步骤是：(a)根据定位系统传感器所采集的无人船航行轨迹经纬度信息，对其进行时空基准统一；(b)依据无人船航行河道，构建满足定位系统多节点有效连接的通讯环境，使得位于无人船上盲节点处于4个发射信号强度和位置坐标已知的信号接收节点网络内，以此计算采集无人船在河道航行时位置坐标；(c)根据高斯-克吕格投影原理，对多传感器定位系统坐标进行转换统一；(2)根据多传感器所采集数据进行置信度判定和置信因子赋值；(3)依据对多传感器数据进行一致性检验，来对定位系统所采集的不一致故障数据进行加权补偿处理；(4)基于基本粒子滤波算法，分别对经预处理及检验、补偿后的多传感器数据进行滤波处理；(5)通过构造高斯混合模型，并设置自适应门限及与置信因子相关联的分层采样比例容量，来设计出新的门限分层粒子滤波算法，进而对无人船航行轨迹定位数据进行融合滤波，输出无人船航行轨迹定位信息。2.根据权利要求1所述的一种基于多传感器数据融合的无人船定位方法，其特征在于，步骤(2)所述根据多传感器所采集数据进行置信度判定和置信因子赋值的具体内容和方法步骤是：1)依据定位系统所采集的测量数据，构建多传感器测量模型p
i
(x)，并计算传感器数据间的置信距离d
i
；所述p
i
(x)、d
i
分别按下式计算：式中，x
i
为第i个传感器的测量值，μ为测量特征的真值，θ
i
为第i个传感器信息测量精度，σ
i
为第i个传感器信息测量误差；式中，x
′
i
、x
″
i
分别为多传感器i时刻所采集测量值，τ
′
i
、τ
″
i
为相应传感器测量方差，为测量方差均值，z为服从标准正态分布的随机变量，i＝1,2,
…
,n；2)依据高斯概率模型将步骤1)所得d
i
，改写为传感器测量数据间概率意义上的度量p
r
(z
i
)，并设定传感器支持度置信水平，以此来判别不同传感器信息的可信度；所述p
r
(z
i
)按下式计算：式中，z
i
为多传感器的测量数据，ε为置信水平，k为采样样本概率区间变量系数；
3)依据传感器置信距离判别多传感器所采集的位置信息可信度大小，并根据信息可信度大小将定位数据划分入不同置信区间；4)构建k时刻多传感器所采集测量信息的动态支持度因子β
i
(k)与高斯概率测量模型p
i
(x)的范数方程；所述β
i
(k)按下式计算：式中，||.||
f
为frobenius范数，k＝1,2,
…
,t，i＝1,2,
…
,n；5)根据步骤4)所得多传感器的动态支持度因子β
i
(k)，计算系统测量误差w
i
；所述w
i
按下式计算：w
i
＝z
i-aβ
i
(k)式中，a为状态转移矩阵，z
i
为无人船多传感器定位系统测量值，i＝1,2,
…
,n；6)设系统测量误差w
i
的方差为利用来对测量数据赋予相应的置信因子所述置信因子按下式计算：式中，为传感器测量数据的置信因子，i＝1,2,
…
,n。3.根据权利要求1所述的一种基于多传感器数据融合的无人船定位方法，其特征在于，步骤(3)所述依据对多传感器数据进行一致性检验，来对定位系统所采集的不一致故障数据进行加权补偿处理的具体内容和方法步骤是：(i)将无人船定位系统所获得的传感器测量数据做算术平均，求出算术平均值所述按下式计算:式中，x
i
为传感器测量信息，i＝1,2,
…
,n；(ii)利用步骤(i)所求的传感器测量数据算术平均值与定位系统后续采样值x
h
作差；(iii)设定系统要求误差，当传感器测量数据算术平均值与定位系统后续采样值差值小于系统要求误差，则判定多传感器定位系统所采集的无人船位置数据具有一致性，为可信数据；当差值大于系统要求误差，则需对采样数据进行方差加权补偿，以此满足基本粒子滤波对数据样本的采样需求；(iv)取多传感器测量数据算术平均值作为真值的无偏估计值，来表示无人船多传感器定位系统在同一空间的不同位置对无人船航行轨迹进行测量时，第i个传感器系统的信息测量方差所述按下式计算：
(v)依据无人船多传感器定位系统对无人船进行m次测量所记录的数据集，记第i个传感器的第j次测量数据为x
ij
，将x
ij
替换步骤(iv)中感器测量信息x
i
，以此获得经多次测量所获得的数据集信息方差所述按下式计算：式中，i＝1，2，
…
，n，j＝1,2,
…
,m；(vi)根据步骤(v)所计算的多传感器所采集的位置信息数据集方差，来定义步骤(iii)中不一致故障数据的融合权值κ
i
；所述κ
i
按下式计算：(vii)根据所求的融合权值κ
i
，对不一致数据进行加权补偿，以此获得满足基本粒子滤波处理要求的传感器测量数据所述按下式计算：4.根据权利要求1所述的一种基于多传感器数据融合的无人船定位方法，其特征在于，步骤(4)所述基于基本粒子滤波算法，分别对经预处理及检验、补偿后的多传感器数据进行滤波处理的具体内容和方法步骤是：(i)建立无人船多传感器定位系统的基本粒子滤波模型，将经一致性检验及方差加权后的无人船位置信息代入系统模型；传感器系统的状态和测量模型由下式概述：式中，x
k
为传感器系统k时刻的位置预测值，x
h
为传感器后续采样值，方差加权后的传感器测量值，z
k
为k时刻的无人船位置测量值，λ
k
为估计噪声，ν
k
为测量噪声；(ii)粒子集合样本初始化，从先验密度p(x0)中随机采样生成初始化粒子集，所有粒子权值为1/n，(iii)从重要性密度函数中随机抽取n个粒子样本；(iv)计算采样粒子的权值并更新；所述按下式计算：式中，ω
ik
为采样粒子权值，i＝1,2,
…
n；(v)归一化重要性权重；(vi)计算基本粒子滤波算法中有效粒子数n
eff
，并与阈值n
th
比较，若n
eff
<n
th
则进行重采样；所述n
eff
按下式计算：
(vii)状态输出，得到无人船多传感器定位系统所采集的测量信息经滤波后的局部估计及协方差阵所述分别按下式计算：分别按下式计算：5.根据权利要求1所述的一种基于多传感器数据融合的无人船定位方法，其特征在于，步骤(5)所述构造高斯混合模型的具体内容和方法步骤是：(a)提取经基本粒子滤波算法处理后的多传感器数据集，并计算sigma点集所述按下式计算：式中，为无迹变换后的sigma点集，n
a
为sigma点的维数，λ为尺度参数；(b)在所获得的sigma采样点集中融入最新的量测信息，并对系统状态和协方差进行更新；所述分别按下式计算：分别按下式计算：式中，k
k
为卡尔曼增益，z
k
为量测信息，为加权sigma点集量测的协方差；(c)利用步骤(b)所获得的多传感器定位系统状态和协方差构造更接近目标概率函数的建议分布并从所构造的建议分布中采样；(d)依据高斯混合模型，生成时间步长为k的后验概率密度函数p(x
k
|z
1:k
)；所述p(x
k
|z
1:k
)表示如下：式中，n(x
k
|m
i
,v
i
)为混合高斯模型中的第i个分量，c(k)为离散样本的组件单元数量，ξ为离散点组件权重；(e)将由步骤(c)所采样的离散采样点及其所对应权重融入步骤(d)高斯混合分量组件单元中，并利用构造好的连续后验概率密度函数p(x
k
|z
1:k
)对离散粒子进行重采样；所述p(x
k
|z
1:k
)表示如下：
其中：其中：其中：式中，p(k)为离散粒子滤波分布的协方差，为离散粒子滤波分布的均值，h为标准化常量，n
x
为粒子分布维数；(f)采用聚类分析来对步骤(e)连续后验概率密度函数p(x
k
|z
1:k
)中高斯混合相似单元进行合并处理。6.根据权利要求1所述的一种基于多传感器数据融合的无人船定位方法，其特征在于，步骤(5)所述设置自适应门限的具体内容和方法步骤是：(g)选取重要性采样过程后，离散粒子样本集中权值最大的粒子x
c
作为聚类中心，并计算其它粒子i与其之间的马氏距离d
i
；所述d
i
表示如下：式中，i＝1,2,
…
,n，为粒子i概率密度，s为协方差矩阵；(h)计算聚类单元中有效粒子样本数n
e
；所述n
e
按下式计算：式中，n为粒子样本数量，为粒子概率密度协方差；(i)构造门限t；所述t表示如下：式中，t0为门限初值，k
e
为比例系数，r为分类次数；(j)将步骤(h)所得有效粒子样本数n
e
代入门限t中，构建自适应门限t
c
；所述t
c
表示如下：(k)将d
i
与自适应门限t
c
进行比较，当d
i
小于t
c
，则将粒子归入与其概率质量相关的组件单元中；当d
i
大于t
c
，则跳过该粒子，对其他粒子进行聚类；(m)从剩余粒子样本中选取权值最大粒子作为聚类中心，重复执行步骤(k)，直至聚类
结束；(n)依据聚类后的组件单元，代入所构造的粒子集合连续概率密度函数所述表示如下：式中，β
i
为相似组件单元分量i的概率质量，γ
i
为组件单元分量i的均值，p
i
为组件单元分量i的协方差，i＝1,2,
…
,n。7.根据权利要求1所述的一种基于多传感器数据融合的无人船定位方法，其特征在于，步骤(5)所述置信因子相关联与分层采样比例容量，进而对无人船航行轨迹定位数据进行融合滤波，输出无人船航行轨迹定位信息的具体内容和方法步骤是：(o)根据分层理论，将连续概率密度函数分为l层，每一层的概率密度函数为p(x)，并依据其概率质量大小将组层分为一组权值优势层和两组劣势层，且分别定义为l
a
，l
b
,，l
c
；(p)分别设置l
a
，l
b
，l
c
层粒子数的比例容量为：n/4、n/3、n/3；(q)将置信因子代入权值优化组合计算；(r)对l
b
，l
c
层中权值小于均值的粒子进行权值优化组合，获得优化后粒子权值并对样本数据进行分层采样；所述分别按下式计算：分别按下式计算：(s)获取步骤(r)所获得的多传感器数据融合采样结果；(t)将步骤(s)所获得的数据融合采样结果，以日志文件的形式从无人船所搭载的盲节点上输出；(u)安置在河道边的pc端协调器节点通过与无人船盲节点进行组网，来实时获取步骤(u)盲节点所输出的无人船位置信息，从而实现对无人船航行轨迹的定位。

技术总结
本发明公开了一种基于多传感器数据融合的无人船定位方法。步骤是：先对无人船多传感器定位系统所采集数据进行预处理；然后通过置信距离检验来对无人船多传感器的定位数据进行置信度判定，并对所检验的定位数据赋予相应置信因子；利用一致性检验及方差加权对故障数据进行检验补偿；接着基于基本粒子滤波对经检验、加权后的各传感器定位数据进行滤波处理实现数据增强；最后利用新的门限分层粒子滤波算法对无人船多传感器的定位数据进行融合滤波输出处理，获得精确的无人船航行轨迹定位信息。本发明的方法，提高了无人船多传感器定位系统的容错性能及算法关联度，保证了传感器定位数据的可靠性，实现对无人船航行轨迹精确定位的目的。位的目的。位的目的。


技术研发人员：袁明新 赵泽钰 王舜 薛文博 张亮 申燚 王雨欣 吕增城 王以龙 刘维
受保护的技术使用者：江苏科技大学
技术研发日：2022.07.26
技术公布日：2022/11/15