具有形状信息的多传感器群目标跟踪算法

针对多传感器环境下具有形状信息的扩展/群目标跟踪问题,提出了两种融合算法,即高斯逆韦氏并行PHD滤波算法和高斯逆韦氏序贯PHD滤波算法。新算法分别结合并行滤波和序贯滤波算法思想,能够对扩展/群目标的质心状态进行跟踪,对形状进行有效估计。高斯逆韦氏并行PHD滤波算法将各个传感器产生的量测集合并到一个量测集中,统一对量测集进行划分。在滤波更新阶段,对划分后的量测集进行扩维,从而在形式上将多传感器环境下的跟踪问题转化为单传感器环境下的跟踪问题。高斯逆韦氏序贯PHD滤波算法则先对各个传感器产生的量测集依次进行划分,再依次对每一个划分后的量测集进行滤波,从而达到融合多个传感器量测的目的。仿真结果表明该算法的可行性和有效性。     

欠观测条件下的高斯和增量卡尔曼滤波算法

欠观测条件下的增量卡尔曼滤波算法能够消除未知的量测系统误差,提高滤波精度。当系统的过程噪声和量测噪声为非高斯分布时,该算法不能直接使用。针对该问题,结合高斯和滤波算法,提出一种欠观测条件下的高斯和增量卡尔曼滤波算法。该算法将初始状态、过程噪声和量测噪声近似为高斯和的形式,然后按照增量卡尔曼滤波的思想对每个高斯项进行预测和更新,最后以累加和的形式对状态向量进行近似。仿真结果表明,该算法在非高斯噪声分布的情况下,既能成功地消除量测系统误差,又能有效地提高滤波估计的准确度和可靠性。     

基于多传感器的序贯式融合有限域H∞滤波方法

与集中式和分布式融合滤波器相比, 序贯式融合滤波器不仅保证了估计精度相同, 而且在对测量值即到达即滤波、部分测量值缺失等方面都具有灵活性、自适应性和实时性等特点. 为此, 本文针对一类噪声能量有界的多传感器动态系统, 给出了一种序贯式融合有限域H∞滤波器. 首先, 利用测量值扩维的方法, 给出一种集中式融合有限域H∞ 滤波器; 然后, 利用H∞滤波的性能指标与二次型不等式之间、以及Hilbert空间二次型的稳定点与Krein空间正交投影之间等的对应关系, 构造出一种序贯式融合有限域H∞ 滤波器; 最后, 从理论与数值仿真两方面验证了新滤波器与集中式融合有限域H∞滤波器的性能等价性.     

分布式多传感器融合数据关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法.为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合.序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量.仿真实验结果说明了本文方法的有效性.     

基于异类传感器观测信息融合的UKF算法

针对传统的目标跟踪无迹卡尔曼滤波(UKF)滤波算法中,多传感器信息融合的前提是所有的传感器观测信息及维数相同,不适用于由多异类传感器组成的观测系统,提出一种改进的UKF滤波算法,以多异类传感器观测量扩展融合后的融合信息为新观测量建立混合坐标系下的非线性测量方程。通过仿真验证,提出的算法可以有效降低目标定位误差。     

一种基于树形结构融合的目标跟踪算法

针对空中机动目标,利用目标多普勒信息和红外辐射信息建立具有树形结构的红外雷达跟踪系统状态估计模型.基于无迹卡尔曼滤波方法,提出一种自适应双波段红外并行融合算法,并基于红外融合结果,采用序贯滤波融合方法,与雷达传感器实现深层交互多模型融合估计.通过仿真表明了所提出的方法具有更小的距离跟踪误差和良好的跟踪精度.     

一种基于点迹重构的异步序贯航迹融合算法

针对异步航迹融合问题,提出了一种基于伪点迹异步序贯航迹融合算法,伪点迹由局部估计结果重构形成,从而无需对局部估计间的相关误差进行处理。同时,对重构的异步伪量测数据情况采用序贯处理方式,这种串行合并式数据处理过程,不但避免了对异步数据进行时间校正的麻烦,反而利用了异步数据增加了多传感器系统的总体数据率,提高了多传感器系统对目标的跟踪精度。并用仿真结果证明了该算法的有效性。     

基于无迹卡尔曼滤波的被动多传感器融合跟踪

针对被动传感器观测的非线性问题,将无迹变换引入卡尔曼滤波算法中.进一步,针对其弱可观测性,采用多个被动传感器集中式融合跟踪策略,提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法.以3个被动站跟踪为例进行仿真研究,结果表明所提出的算法可达到比经典的扩展卡尔曼滤波算法更高阶的跟踪精度.     

通信受限下网络化多传感器系统序贯卡尔曼滤波加权融合

针对通信受限下网络化多传感器系统难以实时滤波的问题,提出实时序贯滤波融合方法和故障诊断方法.首先基于周期性分组传输通信策略,采用序贯卡尔曼滤波方法,对当前时刻访问融合中心的传感器组进行局部滤波,并导出剩余传感器组的最优局部估计,进而得到线性最小方差意义下的最优融合估计.利用残差加权平方和方法对发生故障的传感器进行定位,仿真结果验证了所提出算法的有效性.     

一般相关噪声下多传感器平滑融合算法

针对单目标跟踪中多传感器平滑融合算法估计精度问题, 提出了具有一般相关过程噪声与量测噪声时的离散线性系统新的平滑融合估计算法. 该算法通过将给定区间内全部量测进行集中式扩维, 并对误差传递进行分析, 从而精确地给出误差间的相关性, 在线性无偏最小方差意义下对系统状态进行递推估计. 与不考虑相关性以及仅考虑部分相关性的卡尔曼平滑融合算法相比, 新的固定区间平滑融合算法在噪声的高斯分布假设下具有明显的优越性, 且其跟踪性能随噪声相关性增强而优越性明显, 而固定延迟平滑融合算法是次优的. 仿真实验进一步验证了本文算法在一般相关噪声环境下的优越性.     

标量及对角阵加权的序贯估计融合算法研究

针对多传感器分布式估计融合系统,在最小化估计误差的协方差矩阵迹的准则下,采用标量加权及对角阵加权融合方法,提出了估计误差相关条件下的序贯处理式最优估计融合Kalman滤波器。该融合滤波器以两传感器估计融合算法为基础,对传感器采集信息依次进行融合计算,得到多传感器融合结果。比较两种算法与局部滤波器的估计精度,并进行了仿真。仿真结果表明了基于加权估计融合的序贯处理算法的可行性和有效性。     

基于EKF的集中式融合估计研究

以一类非线性多传感器动态系统为对象, 基于扩展Kalman滤波器(Extend Kalman filter, EKF)介绍三种典型非线性集中式融合算法, 并以此为基础研究部分线性动态系统融合理论在非线性系统中的推广与完善. 首先,利用EKF的一种信息滤波器形式(Extend information filter, EIF)给出测量值扩维融合、测量值加权融合和顺序滤波融合算法公式, 进而研究三种非线性融合算法的估计性能比较以及测量值融合更新次序是否满足可交换性. 结果表明: 当各传感器的测量特性相同时, 集中式测量值扩维和测量值加权融合算法的估计精度功能等价;非线性顺序滤波融合与其他两种融合算法之间不再具备线性多传感器系统中估计功能的完全等价特性;在融合精度不变前提下非线性顺序滤波融合中, 各传感器观测更新次序不再完全满足可交换性. 4个基于纯方位目标跟踪的数值仿真被用来验证文中所得结论的有效性和正确性.     

基于旋转矩阵KF的低成本MEMS姿态解算

针对低成本MEMS器件组合的姿态检测系统在运动加速度干扰下姿态估计精度较差等问题,提出了一种基于旋转矩阵卡尔曼滤波器(KF)的姿态解算方法.为了克服四元数法观测方程为非线性的缺点,该方法以旋转矩阵部分元素建立状态方程,并对量测加速度采用状态反馈估计的运动加速度进行补偿,减小了外部加速度的干扰,然后通过构造水平观测向量降低了计算复杂度,并给出了量测噪声协方差的推导.最后设计了卡尔曼滤波器对量测信息实现融合.动静态测试表明,该方法消除了累计误差,与无迹卡尔曼滤波(UKF)相比,提高了在运动加速度干扰下的姿态估计精度.     

相关观测融合Kalman估值器及其全局最优性

对于带相关观测噪声和带不同观测阵的多传感器线性离散时变随机控制系统, 用加权最小二乘法(WLS)提出了两种加权观测融合Kalman估值器, 它们包括状态滤波、状态预报和状态平滑. 基于信息滤波器形式下的Kalman滤波器, 证明了在相同初值下, 它们在数值上恒等于相应的集中式观测融合Kalman估值器, 因而具有全局最优性. 但是它们可明显减轻计算负担. 数值仿真例子验证了它们在功能上等价于集中式观测融合Kalman估值器.     

基于Bayes估计的离散Kalman滤波相关观测融合

针对带相关观测噪声和带不同 未知观测函数的多传感器离散系统,在已有的融合算法基础上提出了基于Bayes估计的加权最小二乘(Bayes estimation weighted least squares,BYEWLS)分布式融合Kalman滤波算法。该方法充分利用未知参数的验前信息,以风险函数为评价指标,证明了BYEWLS融合算法优于WLS融合算法,针对YEWLS融合算法是有偏估计,提出了在线消除偏差的方法。分布式融合算法减少了计算负担,提高了融合精度,便于实时应用。最后通过仿真例子验证了该方 法的有效性和理论分析的正确性。     

一种优化的贝叶斯估计多传感器数据融合方法

由于来自多个传感器的测量数据总是有一定程度的不确定性和不一致性,采用多传感器数据融合算法将多个节点的测量数据进行数据融合,利用数据的冗余度来减小这种不确定性,得到高可靠性的数据信息。提出了一种优化的贝叶斯估计多传感器数据融合方法,将贝叶斯估计和卡尔曼滤波器结合起来,应用于无线传感网络数据融合中。根据滤波器应用到传感数据、融合数据或者两者的方式,提出3种不同的技术,即:前向滤波法、后向滤波法和前后向滤波法。通过一个实例研究估计移动机器人的位置,验证算法的有效性。实验表明,在集中式和分布式两个方面数据融合体系结构,结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。     

两种最优观测融合方法的功能等价性

对于基于K alm an滤波的多传感器数据融合,有两种最优观测融合方法:第一种是集中式观测融合方法,它是通过增加观测向量的维数合并多传感器数据,而第二种是分布式观测融合方法,它是在线性最小方差准则下,通过加权合并多传感器数据,但观测向量维数不变.在数据融合所用的传感器带有相同观测阵的情形下,本文用K alm an证明了两种观测融合方法是完全功能等价的,即用两种方法得到的K alm an估值器(滤波器,预报器,平滑器),信号估值器和白噪声估值器分别在数值上是相等的.在这种情形下,第二种方法不仅可给出像第一种方法一样的全局最优融合估计,而且可明显减小计算负担,便于实时应用.一个数值例子说明了其正确性.     

多传感器噪声方差未知情况下的异步航迹融合

针对分布式多传感器数据融合系统,提出了一种多传感器异步航迹融合算法。现有的多传感器信息融合算法大都基于Kalman滤波器,要求噪声方差已知,并且假定各传感器同步采样,不考虑通信延迟。本文在分布式处理的模式下,基于各传感器在扩展记忆因子递推最小平方(EFRLS)估计形成本地航迹的基础上,提出了一种融合误差均方差矩阵的迹最小意义下的异步目标航迹融合算法。仿真实验结果表明,这种融合算法是有效的,算法接近集中式融合算法的精度。     

相关观测融合稳态Kalman滤波器及其最优性

对于带相关观测噪声和带不同观测阵的多传感器系统, 用加权最小二乘 (Weighted least squares, WLS) 法提出了两种相关观测融合稳态Kalman滤波算法. 其原理是用加权局部观测方程得到一个融合观测方程, 它伴随状态方程实现观测融合稳态Kalman滤波. 用信息滤波器证明了它们功能等价于集中式融合稳态Kalman滤波算法, 因而具有渐近全局最优性, 且可减少计算负担. 它们可应用于多通道自回归滑动平均 (Autoregressive moving average, ARMA) 信号观测融合滤波和反卷积. 两个数值仿真例子验证了它们的功能等价性.     

噪声方差未知情况下多传感器航迹融合

在多传感器信息融合中,已有的航迹融合算法都是在噪声方差已知情况下基于最优的卡尔曼滤波算法的,而实际应用中噪声方差往往是未知的.针对上述问题,基于扩展记忆因子递推最小平方(EFRLS)估计的滤波方程,研究了噪声方差未知情况下集中式、分布式、混合式多传感器航迹融合方法.并对三种航迹融合算法的跟踪性能和卡尔曼滤波融合算法的性能进行了仿真比较.由于多级式多传感器的航迹融合方法可由本文的方法直接推广,所以只需研究两级的情况就可.