基于卡尔曼滤波的多传感器数据融合装置的制作方法

1.本发明涉及电子设备的数据处理技术领域，具体地，涉及一种基于卡尔曼滤波的多传感器数据融合装置。


背景技术：

2.随着物联网技术的发展,物联网的种类和数量不断增加,与之相对应的，需要分析的数据量也呈指数增长。同时,物联网本身的特征就是异构网络和多个系统之间的数据融合也存在各种问题,及时挖掘出隐藏信息和有效数据的问题,给数据处理带来了巨大的挑战。目前为了减少单个物联网传感器测量误差的问题，一般采用多传感器测量，然后取平均值的形式降低测量误差。但是，简单取平均的方式仅仅对都符合随机误差的各类传感器是有效果，对于系统性误差的抑制效果有限。
3.公开号为cn109655825b的专利文献公开了一种多传感器融合的数据处理方法、装置与多传感器融合方法，包括：获取目标对象的图像数据与至少一组探测数据组；所述图像数据是图像采集传感器探测到的，所述探测数据组是其他传感器探测到的；所述其他传感器为以下至少之一：微波雷达、超声波雷达、激光雷达、红外传感器，以及太赫兹成像传感器；所述图像数据用于利用至少一个像素数据矩阵表征所述图像采集传感器采集到的目标图像；不同探测数据组为不同探测维度的探测数据；形成多维矩阵结构；其中：所述多维矩阵结构包括纵向分布的多个矩阵层，所述多个矩阵层包括至少一层像素矩阵层与至少一层传感矩阵层，每个像素矩阵层对应用于表征一个像素数据矩阵，每个所述传感矩阵层用于表征一组探测数据组，所述探测数据组中的探测数据元素纵向对应于所述像素矩阵层中的像素元素；所述探测数据元素的数值均是根据探测数据赋值确定的。但是该专利文献仍然存在对系统性误差的抑制效果有限的缺陷。


技术实现要素：

4.针对现有技术中的缺陷，本发明的目的是提供一种基于卡尔曼滤波的多传感器数据融合装置。
5.根据本发明提供的一种基于卡尔曼滤波的多传感器数据融合装置，包括：数据采集系统、边缘数据处理系统、网络传输系统以及上层应用系统；
6.所述数据采集系统的输入端连接多传感器，所述数据采集系统的输出端连接所述边缘数据处理系统的输入端，所述边缘数据处理系统的输出端连接所述网络传输系统的输入端，所述网络传输系统的输出端连接所述上层应用系统的输入端。
7.优选的，所述数据采集系统包括数据暂存模块、数据放大器模块、a/d模块、第一电源模块以及通信模块；
8.所述数据暂存模块的输入端连接所述多传感器，所述数据暂存模块的输出端连接所述数据放大器模块的输入端，所述数据放大器模块的输出端连接所述a/d模块的第一输入端，所述第一电源模块连接所述a/d模块的第二输入端，所述a/d模块的输出端连接所述
通信模块，所述通信模块的输出端连接所述边缘数据处理系统的输入端。
9.优选的，所述多传感器采集环境同一变量信息，并传输至所述数据暂存模块，并通过网格的形式对不同传感器信号分别进行存储。
10.优选的，所述数据暂存模块能够进行时序数据流存储，将不同传感器的上传数据值按照时间戳进行排列并存储；
11.所述数据暂存模块的暂存时间大于等于上传信号的最大上传时间间隔。
12.优选的，所述数据放大器模块是将暂存器中的数据进行模拟信号的方案处理，其流程是暂存器中的模拟信号按照时间戳顺序依次读取到数据放大器模块放大模拟信号。
13.优选的，所述边缘数据处理系统包括第二电源模块、本地服务器以及本地路由；
14.所述本地服务器的输入端连接所述通信模块的输出端，所述第二电源模块的输出端连接所述本地服务器的输入端，所述本地服务器的输出端连接所述本地路由的输入端，所述本地路由的输出端连接所述网传传输系统的输入端。
15.优选的，所述网络传输系统包括用于数据传输的wifi模块、lora模块、zigbee模块以及5g模块；
16.所述本地路由通过所述wifi模块、所述lora模块、所述zigbee模块以及所述5g模块将所述物联网多传感器数据按照时间序列传输至上层应用系统。
17.优选的，所述上层应用系统包括为电脑、平板以及手机。
18.优选的，所述本地服务器预加载卡尔曼滤波算法，对所述多传感器的数据进行卡尔曼滤波处理，并将结果数据一部分进行本地存储。
19.优选的，所述卡尔曼滤波器算法为：
20.第一步，建立系统离散状态方程，由k-1时刻到k时刻，系统状态预测方程为
21.xk＝ax
k-1
buk wk22.系统状态观测方程为：
23.zk＝hxk vk24.其中，a为状态转移矩阵；uk为系统输入向量；b为输入增益矩阵；wk为服从正态分布的过程噪声，均值为0，协方差矩阵为q；h为测量矩阵；vk服从正态分布的测量噪声，均值为0，协方差矩阵为o；
25.第二步，预测阶段，卡尔曼滤波器使用上一状态的估计，做出对当前状态的预测：
[0026][0027]
p'k＝ap
k-1at
q
[0028]
其中，为预测值，为卡尔曼估计值，p'k为预测误差协方差矩阵，pk为卡尔曼估计误差协方差矩阵；
[0029]
第三步，校正阶段，卡尔曼滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值：
[0030][0031]kk
＝pk'h
t
(hp
kht
o)-1
[0032][0033]
其中，为测量余量，kk为卡尔曼增益；
[0034]
第四步，更新协方差估计：
[0035]
pk＝(1-kkh)pk'。
[0036]
与现有技术相比，本发明具有如下的有益效果：
[0037]
1、本发明有效避免了多传感器数据存在系统性误差测量值失真的问题，方便地实现多传感器数据融合，能够更加客观反映实体空间的状态指数，同时当某一传感器失效，数据异常时，保证系统正常工作，增加物联网监测系统鲁棒性；
[0038]
2、本发明融化的环境真实数据一方面可以帮助客户实时了解真实环境情况，另一方面也可以帮助金融机构获取风险信息；
[0039]
3、本发明通过所设计的算法及装置可以实现多数据传感器的数据融合，从而更加精确的实现对被测物理环境的实时信息监测，避免了单传感器造成的数据失真，以及降低系统测量误差。
附图说明
[0040]
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0041]
图1为本发明的基于卡尔曼滤波的多传感器数据融合装置的结构示意图。
具体实施方式
[0042]
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
[0043]
实施例1：
[0044]
如图1所示，本实施例提供一种基于卡尔曼滤波的多传感器数据融合装置，包括：数据采集系统、边缘数据处理系统、网络传输系统以及上层应用系统，数据采集系统的输入端连接多传感器，数据采集系统的输出端连接边缘数据处理系统的输入端，边缘数据处理系统的输出端连接网络传输系统的输入端，网络传输系统的输出端连接上层应用系统的输入端。
[0045]
边缘数据处理系统包括第二电源模块、本地服务器以及本地路由，本地服务器的输入端连接通信模块的输出端，第二电源模块的输出端连接本地服务器的输入端，本地服务器的输出端连接本地路由的输入端，本地路由的输出端连接网传传输系统的输入端。
[0046]
本地服务器预加载卡尔曼滤波算法，对多传感器的数据进行卡尔曼滤波处理，并将结果数据一部分进行本地存储，卡尔曼滤波器算法为：
[0047]
第一步，建立系统离散状态方程，由k-1时刻到k时刻，系统状态预测方程为
[0048]
xk＝ax
k-1
buk wk[0049]
系统状态观测方程为：
[0050]
zk＝hxk vk[0051]
其中，a为状态转移矩阵；uk为系统输入向量；b为输入增益矩阵；wk为服从正态分布的过程噪声，均值为0，协方差矩阵为q；h为测量矩阵；vk服从正态分布的测量噪声，均值为
0，协方差矩阵为o；
[0052]
第二步，预测阶段，卡尔曼滤波器使用上一状态的估计，做出对当前状态的预测：
[0053][0054]
p'k＝ap
k-1at
q
[0055]
其中，为预测值，为卡尔曼估计值，p'k为预测误差协方差矩阵，pk为卡尔曼估计误差协方差矩阵；
[0056]
第三步，校正阶段，卡尔曼滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值：
[0057][0058]kk
＝pk'h
t
(hp
kht
o)-1
[0059][0060]
其中，为测量余量，kk为卡尔曼增益；
[0061]
第四步，更新协方差估计：
[0062]
pk＝(1-kkh)pk'。
[0063]
数据采集系统包括数据暂存模块、数据放大器模块、a/d模块、第一电源模块以及通信模块，数据暂存模块的输入端连接多传感器，数据暂存模块的输出端连接数据放大器模块的输入端，数据放大器模块的输出端连接a/d模块的第一输入端，第一电源模块连接a/d模块的第二输入端，a/d模块的输出端连接通信模块，通信模块的输出端连接边缘数据处理系统的输入端。
[0064]
多传感器采集环境同一变量信息，并传输至数据暂存模块，并通过网格的形式对不同传感器信号分别进行存储。数据暂存模块能够进行时序数据流存储，将不同传感器的上传数据值按照时间戳进行排列并存储，数据暂存模块的暂存时间大于等于上传信号的最大上传时间间隔。数据放大器模块是将暂存器中的数据进行模拟信号的方案处理，其流程是暂存器中的模拟信号按照时间戳顺序依次读取到数据放大器模块放大模拟信号。
[0065]
网络传输系统包括用于数据传输的wifi模块、lora模块、zigbee模块以及5g模块，本地路由通过wifi模块、lora模块、zigbee模块以及5g模块将物联网多传感器数据按照时间序列传输至上层应用系统。上层应用系统包括为电脑、平板以及手机。
[0066]
实施例2：
[0067]
本领域技术人员可以将本实施例理解为实施例1的更为具体的说明。
[0068]
如图1所示，本实施例提供一种基于卡尔曼滤波的多传感器数据融合方法及装置，通过所设计的算法及装置可以实现多数据传感器的数据融合，从而更加精确的实现对被测物理环境的实时信息监测，避免了单传感器造成的数据失真，以及降低系统测量误差。
[0069]
本实施例提供的一种基于卡尔曼滤波的多传感器数据融合方法及装置，包括：数据采集系统、边缘数据处理系统、网络传输系统、上层应用系统三部分，数据采集系统是通过多传感器对周围环境数据进行采集,通信系统是将多传感器采集到的数据通过lora、wifi、zigbee等网络传输到应用层，应用系统通过构建基于卡尔曼滤波的多传感器数据融合算法对原始数据进行滤波融合，并进行存储，方便后续应用场景侧的数据使用。该方案主要包括以下步骤：
[0070]
所述数据采集系统包括多传感器数据暂存模块、数据放大器模块、a/d模块、电源模块、通信模块。
[0071]
进一步的，电源模块是系统的供电模块,为其他各模块及主控芯片提供所需的电能,该模块采用了w800电源芯片,其优点是功耗低，多种模式可以自有切换，在待机状态下其功耗仅为10μa，并且还具有电流斜坡补偿、欠压和过压保护功能。该电源模块相比于其他线性稳压电源具有更高电能利用率,从而提升整体的传感器设备续航能力。
[0072]
所述多传感器采集环境同一变量信息，并传输至数据暂存模块，并通过网格的形式对不同传感器信号分别进行存储。
[0073]
进一步的，该暂存器具有时序数据流存储能力，将不同传感器上传数据值按照时间戳进行排列并存储，并且该模块的暂存时间需满足上传信号的最大上传时间间隔。
[0074]
所述数据放大器模块是将暂存器中的数据进行模拟信号的方案处理，其流程是暂存器中的模拟信号按照时间戳顺序依次读取到数据放大器模块放大模拟信号。
[0075]
所述a/d模块是数模转换器，其作用是所有传感器中的模拟数据依次通过时间戳转换为数字信号。
[0076]
进一步的，数模传感器采用tlc0831逐次比较型a/d，其内部有采样数据比较器负责将输入的模拟信号进行微分处理比较后转换为数字信号。并且其模拟电压的差分输入方式有利于抑制共模信号和减少或消除转换的偏移误差，通过电压基准输入可调的方式，使小范围模拟电压信号以更高分辨率转化为数字信号。
[0077]
所述的通信模块是将转换后的物联网多传感器数字信号转发至边缘数据处理系统。
[0078]
所述的边缘处理系统包括：电源模块、本地服务器、本地路由。
[0079]
进一步的，边缘处理系统电源模块采用pc/104power，该模块具有体积小、可靠性高、输入电压适应范围宽的特点，适合物联网应用场景。
[0080]
进一步的，本地服务器采用pmc-1618，该服务器使用cortex a53四核处理器、1.5ghz主频、内存128g，可以满足物联网多传感器数据在本次进行实时接入和处理，其内置docker环境，使软件与硬件开发完全解耦，有利于后面进行卡尔曼滤波算法的开发和加载。
[0081]
所述的本地服务器将按照时间序列接收数据采集系统传过来的多传感器采集数据。
[0082]
所述的本地服务器预加载卡尔曼滤波算法，对多传感器数据进行卡尔曼滤波处理，并将结果数据一部分进行本地存储，存储时间设置7天，以备数据传输丢失或后期数据再次调用。
[0083]
进一步的，卡尔曼滤波器算法设计如下：
[0084]
第一步，建立系统离散状态方程，由k-1时刻到k时刻，系统状态预测方程为
[0085]
xk＝ax
k-1
buk wkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0086]
系统状态观测方程，
[0087]
zk＝hxk vkꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0088]
其中，a为状态转移矩阵，uk为系统输入向量，b为输入增益矩阵，wk为服从正态分布的过程噪声(均值为0，协方差矩阵为q)，h为测量矩阵，vk服从正态分布的测量噪声(均值为0，协方差矩阵为o)。
[0089]
第二步，预测阶段，即卡尔曼滤波器使用上一状态的估计，做出对当前状态的预测。
[0090][0091]
p'k＝ap
k-1at
q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0092]
其中，为预测值，为卡尔曼估计值，p'k为预测误差协方差矩阵，pk为卡尔曼估计误差协方差矩阵。
[0093]
第三步，校正阶段，卡尔曼滤波器利用对当前状态的观测值修正在预测阶段获得的预测值，以获得一个更接进真实值的新估计值。
[0094][0095]kk
＝p'
kht
(hp
kht
o)-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0096][0097]
其中，为测量余量，kk为卡尔曼增益。
[0098]
第四步，更新协方差估计
[0099]
pk＝(1-kkh)pk'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0100]
所述物联网多传感器数据经过加载在本地服务器上的卡尔曼滤波融合处理后的一部分转发到本地存储，一部分转发到本地路由为后续数据上送做准备。
[0101]
所述本地路由终端通过wifi、5g、lora等无线网络将处理后的物联网多传感器数据按照时间序列传输至平台层进行数据应用分析和数据查询。
[0102]
本发明能够有效避免多传感器数据存在系统性误差测量值失真的问题，方便地实现多传感器数据融合。
[0103]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本技术的实施例和实施例中的特征可以任意相互组合。