基于融合反馈的多传感器空间偏差配准方法

利用多传感器的目标状态融合估计和融合估计误差协方差作为反馈信息,提出了带反馈机制的多传感器空间偏差配准方法.对二阶段Kalman滤波偏差配准方法进行扩展和改进,在不同噪声条件下对目标状态融合和偏差进行估计.仿真结果表明,带反馈信息的偏差配准方法可有效改善目标的状态估计和传感器的偏差配准,Crmaer-Rao下界分析说明了该算法的有效性.     

基于高精度导航设备的海上多传感器配准算法

对海上多平台多传感器误差配准问题,利用平台的高精度导航信息将各传感器的量测数据转换到地心坐标系下,构建关于传感器偏差和舰艇姿态误差的伪测量模型,采用卡尔曼滤波对配准误差进行在线估计和补偿.算法较好地解决了传统的基于球极投影误差配准技术受地球曲率影响的不足,并突破了离线配准算法假定配准误差恒定的限制.仿真实验结果验证了算法的正确性和有效性.     

多无源传感器的在线配准

为估计无源传感器的角度偏差,在只有角度测量信息的前提下,提出了多无源传感器的在线配准方法.该方法运用几何知识,由传感器测量的多个角度数据得到目标的估计距离,通过估计距离进行在线滤波器的初始化,进而实时估计传感器的角度偏差;并给出了配准模型的Cramer-Rao下限(CRLB).Monte-Carlo仿真表明:该方法能有效地估计无源传感器的角度偏差,同时得到目标航迹.     

分布式伪线性卡尔曼滤波纯方位跟踪北大核心CSCD

针对纯方位跟踪(BOT)的非线性滤波和距离可观测性较差问题,提出了一种新的分布式多传感器辅助变量伪线性卡尔曼滤波器(DM-IVPLKF)。该滤波器利用辅助变量伪线性卡尔曼滤波器(IVPLKF)独立处理目标测量值,通过偏差补偿伪线性卡尔曼滤波器(偏差补偿PLKF)解决由于量测向量与伪线性噪声相关而产生的偏差,将递归辅助变量估计方法嵌入偏差补偿PLKF中,对目标状态估计和协方差进行修正。所提算法利用多传感器最优信息融合准则,对目标状态进行融合估计。然后,推导了多传感器BOT的克拉默-拉奥下界(CRLB)。通过仿真实验,将所提算法与传统算法进行对比,仿真结果证明了所提算法具有较高的跟踪精度。     

基于序贯最小二乘的多传感器误差配准方法

为实时估计多传感器系统偏差,针对广义最小二乘(GLS)配准方法不能实时估计传感器偏差的问题,提出了基于序贯最小二乘的多传感器误差估计方法,该方法在GLS配准模型基础上,采用最小二乘的序贯方法来估计系统偏差,不必存储过去的测量数据,能够实时估计系统偏差。仿真结果表明了该方法的有效性。     

适用于户外增强现实系统的混合跟踪定位算法

单一传感器无法解决户外增强现实系统中的跟踪定位问题.为了提高视觉跟踪定位算法的精度和鲁棒性,提出一种基于惯性跟踪器与视觉测量相结合的混合跟踪定位算法.该算法在扩展卡尔曼滤波框架下,通过融合来自视觉与惯性传感器的信息进行摄像机运动轨迹估计,并利用视觉测量信息对惯性传感器的零点偏差进行实时校正;同时采用SCAAT方法解决惯性传感器与视觉测量间的时间采样不同步问题.实验结果表明,该算法能够有效地提高运动估计的精度和稳定性.     

一种带渐消因子的偏差配准和目标跟踪算法

在多平台多传感器跟踪系统中,提出一种带渐消因子的偏差配准和目标跟踪算法,结合配准偏差和目标状态形成扩维状态变量以构造新的偏差配准模型,在跟踪过程中引入渐消因子对突变的目标状态变量进行快速响应。仿真结果表明,该算法能使系统偏差估计迅速收敛到真实值附近,在偏差发生突变时,具有较好的自适应性,并且可以提高系统的整体跟踪精度。     

空基多平台多传感器时间空间数据配准与目标跟踪

研究多个空中移动平台的时间空间数据配准与目标跟踪问题.首先给出空中移动平台传感器数据空间配准几何坐标转换算法;然后采用最小二乘法对多传感器异步测量数据进行时间配准;最后将目标的运动模型和传感器配准误差模型组合在同一个状态方程中,利用扩展Kalman滤波方程进行估计.Monte-Carlo仿真表明,该方法能同时有效地估计目标运动状态和传感器配准误差,比传统配准方法具有更快的收敛速度和更高的精度.     

基于扩展Kalman滤波的空基多平台多传感器数据配准和目标跟踪算法

本文研究基于扩展Kalman滤波和多个空中移动平台的多传感器数据配准与目标跟踪问题.文中首先给出了空中移动平台传感器数据配准几何坐标转换算法;接着将目标运动模型和传感器配准误差模型组合在同一个状态方程中,然后利用扩展Kalman滤波方程进行估计.Monte-Carlo仿真表明,该方法能同时有效地估计目标运动状态和传感器配准误差.     

基于扩展KalIan滤波的空基多平台多传感器数据配准和目标跟踪算法

本文研究基于扩展Kalman滤波和多个空中移动平台的多传感器数据配准与目标跟踪问题.文中首先给出了空中移动平台传感器数据配准几何坐标转换算法;接着将目标运动模型和传感器配准误差模型组合在同一个状态方程中,然后利用扩展Kalman滤波方程进行估计.Monte-Carlo仿真表明,该方法能同时有效地估计目标运动状态和传感器配准误差.     

舰载机多雷达传感器任务分配与采样间隔融合优化算法

针对舰载机协同探测中多雷达传感器资源配置问题,提出一种多目标跟踪场景下的多传感器数据率管理与任务分配融合优化算法.在基于协方差控制的多传感器分配模型基础上,加以目标优先级和传感器效能条件约束,建立一种多传感器数据率管理与任务分配融合优化模型.将驻留时间改进因子引入序贯卡尔曼滤波算法,计算不同采样间隔下传感器组合状态估计融合协方差,求解最优采样间隔与传感器组合.仿真结果表明,所提出的融合优化算法能自适应优化数据率和雷达分配组合,提高多传感器的多目标跟踪能力,可有效节省雷达资源,与其他方法相比具有较快的收敛速度和更好的稳态精度.     

通信受限下网络化多传感器系统的Kalman融合估计

研究了一类通信受限下网络化多传感器系统的 Kalman 融合估计问题, 其中通信受限 是指系统在一个采样周期内只允许有限个传感器与融合中心通信. 首先, 提出了一种周期性分组传输的通信策略, 并将每组传感器所对应的局部估计系统描述成一个离散周期子系统模型. 其次, 每个子系统根据最新测量信息的更新时刻, 选择相应的 Kalman 估计器 (滤波器或预报器), 从而得到各子系统在每一时刻的一个局部最优估计, 再通过矩阵加权线性最小方差最优融合准则得到最优融合估计,并给出了Kalman融合估计器的设计方法. 最后, 通过一个目标跟踪例子验证所提方法的有效性.     

基于DSmT与粒子滤波的多传感器融合

为实现多传感器对机动目标状态的跟踪,提出一种基于DSmT与粒子滤波的多传感器融合算法。在各传感器利用粒子滤波方法处理观测数据的基础上,运用DSmT作为融合工具,将观测数据转化为辨识框架内的元素及其mass值,得到最终融合结果。实验结果表明,该方法可减小距离误差,提高跟踪精度,且运算复杂度能满足在线实时融合的要求。     

Random weighting estimation for fusion of multi-dimensional position data

This paper adopts the concept of random weighting estimation to multi-sensor data fusion. It presents a new random weighting estimation methodology for optimal fusion of multi-dimensional position data. A multi-sensor observation model is constructed for multi-dimensional position. Based on this observation model, a random weighting estimation algorithm is developed for estimation of position data from single sensors. Using the random weighting estimations from each single sensor, an optimization theory is established for optimal fusion of multi-sensor position data. Experimental results demonstrate that the proposed methodology can effectively fuse multi-sensor dimensional position data, and the fusion accuracy is much higher than that of the Kalman fusion method.     

State estimation and multi-sensor data fusion using data-based neurofuzzy local linearisation process models

Modelling unknown non-linear dynamic processes is an essential prerequisite for model-based state estimation and fusion. Fuzzy local linearisation (FLL) is a useful divide-and-conquer method for coping with complex problems such as data-based non-linear process modelling. In this paper, a hybrid learning scheme which combines a modified adaptive spline modelling (MASMOD) algorithm and the expectation-maximisation (EM) algorithm is developed for FLL modelling, based on which Kalman filter type algorithms for state estimation and multi-sensor data fusion are investigated. Two commonly used measurement fusion methods are analytically compared. A hierarchical multi-sensor data fusion architecture is proposed, with an example of non-linear trajectory estimation to validate the proposed method, which integrates the techniques for FLL modelling, neurofuzzy state estimation and multi-sensor data fusion. Whilst this paper mainly focuses on state estimation and data fusion for unknown non-linear dynamic processes, maneuvering targets are also briefly considered.     

基于预测误差格型滤波器的航迹关联算法研究

在K近邻域(K-NN)航迹关联算法的基础上,提出一种基于预测误差格型滤波器的关联算法,当融合中心仅获得状态估计值,而没有状态估计协方差矩阵时,将状态估计值通过格型滤波器,利用得到的预测误差代替协方差,为判决门限的选择提供依据,仿真结果表明,这种算法是有效的.     

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.     

一种面向互联概率加权的JPDA多传感器数据融合方法

针对单传感器联合概率数据互联(Joint Probabilistic Data Association, JPDA)在复杂环境下难以跟踪多个目标的问题,提出一种基于JPDA量测目标互联概率统计加权并行式和序贯式多传感器数据融合方法。首先,给出单传感器JPDA算法。然后,介绍多传感器JPDA数学模型,基于这一模型,使用互联概率加权,推导并行式和序贯式多传感器数据融合公式,这对多传感器数据融合有一定指导意义。最后,对单传感器JPDA方法在不同杂波密度、不同过程和不同观测噪声下目标跟踪的距离RMSE进行仿真,结果表明,随着这3项指标皆增大,目标距离RMSE增大;同时,对本文的2类多传感器JPDA方法与其他几类跟踪方法在数据集PETS2009下有关行人跟踪性能进行仿真,结果表明,本文并行式和序贯式多传感器JPDA方法相较于其他方法在跟踪准确性、跟踪位置准确性、航迹维持以及航迹遗失上皆为最优,而且序贯式融合略优于并行式多传感器JPDA。     

光学头部姿态跟踪的多传感器数据融合研究

精确的头部姿态跟踪是室内增强现实系统实现高精度注册的关键技术之一. 本文介绍了使用传感器数据融合原理实现高精度的光学头部姿态跟踪的新方法. 该方法使用多传感器数据融合中的扩展卡尔曼滤波器和融合滤波器, 将两个互补的单摄像机Inside-out跟踪和双摄像机Outside-in跟踪的头部姿态进行数据融合, 以减小光学跟踪传感器的姿态误差. 设计了一个典型实验装置验证所提出的算法, 实验结果显示, 在静态测试下的姿态输出误差与使用误差协方差传播法则计算得到的结果是一致的; 在动态跟踪条件下, 与单个Inside-out或Outside-in跟踪相比, 所提出的光学头部姿态数据融合算法能够使跟踪器获得精度更高、更稳定的位置和方向信息.     

带未知通信干扰和丢包补偿的多传感器网络化不确定系统的分布式融合滤波

研究了带有未知通信干扰、观测丢失和乘性噪声不确定性的多传感器网络化系统的状态估计问题.通过白色乘性噪声描述系统状态和观测中的随机不确定性,采用一组服从Bernoulli分布的随机变量描述网络传输过程中存在的观测丢失现象,且数据传输中存在未知的网络通信干扰.当发生丢包时,以当前丢失观测的预报值进行补偿.对每个单传感器子系统,应用线性无偏最小方差估计准则设计了不依赖于未知通信干扰的最优线性滤波器.推导了任两个局部滤波误差之间的互协方差阵.进而,应用矩阵加权融合估计算法给出了分布式融合状态滤波器.仿真例子验证了算法的有效性.