量测提升卡尔曼滤波

滤波器设计是系统辨识和状态估计的重要基础.卡尔曼滤波通过状态预测和量测更新的实现框架,在最小方差准则下实现对目标状态的最优估计,但在单传感器量测环境中其滤波精度易受量测噪声随机性的影响.本文提出一种基于量测提升策略的卡尔曼滤波算法实现框架,新方法依据当前时刻量测和量测噪声先验统计信息构建虚拟量测,并通过对虚拟量测采样以及融合提升系统量测信息可靠性,进而改善状态估计精度.同时,针对算法在工程应用中实时性、准确性以及鲁棒性等需求,设计了分布式加权融合和集中式一致性融合的两种实现结构.理论分析和仿真实验结果验证了算法的可行性和有效性.     

基于红外和雷达数据融合的机动目标跟踪方法

文章基于并行多传感器联合概率数据关联算法,提出了一种杂波环境下的多传感器多机动目标跟踪算法,首先使用融合算法将红外和雷达的量测进行异步和同步融合,然后应用融合后的量测,采用IMM算法实现对机动目标的跟踪.在仿真实验中分别跟踪单个和多个目标,结果表明该算法可以解决两种传感器的量测不同步问题,同时可以消除漏检现象对目标跟踪的影响,并能保证一定的跟踪精度.     

一种基于异步数据融合的传感器管理方法

针对多传感器系统存在观测数据过多,数据融合中心处理负担过重的问题,在引入一种基于传感器观测数据序贯处理的最优异步融合算法的基础上,提出一种基于目标协方差控制的传感器选择算法对异步观测数据进行优化组合,从而实现以最小的计算量达到所要求的目标状态估计精度。最后的仿真结果证明了该算法的有效性和可行性。     

多传感器网络系统基于无序估计的分布式信息融合

无线传感器网络的局部节点往融合中心传输信息时,不确定的随机延迟易使得信息无序现象频繁发生,从而导致传统信息融合方法的应用面临诸多难题和挑战。该文以带有任意随机延迟的多传感器同步采样系统为对象,研究无序估计(“Out-Of-Sequence” Estimate, OOSE)信息系统的最优分布式融合问题,最终建立一种新型的通用最优OOSE融合算法。与现有基于集中式框架的无序量测融合方法相比,新算法在融合精度和算法复杂度上均具有显著优势。算法分析和计算机仿真验证了新算法的有效性和优越性。     

基于极大似然的联合多传感器配准与融合

传感器配准和多源融合是多传感器多目标跟踪系统中面临的两个重要问题。多传感器融合的精度一定程度上与传感器固有系统误差相关,为提高融合精度,需要进行多传感器配准。在多传感器多目标跟踪场景下,文中根据传感器量测噪声特性,通过公式推导实现了一种基于极大似然的联合多传感器配准与融合算法。该算法可同时在采样时刻间对传感器系统偏差和目标融合位置进行估计,并对传感器系统误差进行时间递推。仿真结果表明,文中算法具有较高的估计精度,可同时解决多传感器的配准与融合问题。     

一种基于多传感器的复合量测IMM-EKF数据融合算法

为了提高多传感器系统的目标跟踪精度,且解决传感器数量多导致的耗时长的问题,提出了一种复合量测IMM-EKF（Interacting Multiple Model-Extended Kalman Filter）融合算法.该算法根据各传感器的测量精度,对各传感器关于同一目标的量测点迹进行加权融合,再将融合后的点迹进行IMM-EKF滤波处理.通过仿真及实验数据处理,将复合量测IMM-EKF融合算法与加权IMM-EKF融合算法、扩维IMM-EKF融合算法进行了对比分析,比较了三种算法的跟踪精度及耗时长度.结果表明,扩维IMM-EKF融合算法具有最优的跟踪精度,复合量测IMM-EKF融合算实时性最好.最后分别给出了三种算法的适用场合.     

基于DP-TBD 的不同分辨率传感器集中式异步融合算法

主要运用检测前跟踪动态规划(DP-TBD)算法解决不同分辨率的多传感器多目标融合问题,提出了一种基于DP-TBD的不同分辨率的传感器集中式异步融合算法。该算法分为两步:第一步将不同分辨率的传感器取得的回波数据统一对齐到相同单元格尺寸的量测空间;第二步将具有不同采样间隔的传感器得到的量测数据按照时间顺序传送至融合中心进行集中式融合。接着,用动态规划检测前跟踪算法来处理所得到的数据,并且进行航迹恢复。同时,为了提高异步融合的有效性,文中还提出了一种基于变转移状态数的算法。仿真结果说明基于DP-TBD的集中式异步融合算法的有效性,并且和单个传感器的性能比较,该算法大大改善了目标跟踪的性能。     

基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法

集合卡尔曼滤波是近年来发展起来的一种处理非线性系统估计的有效解决方法.针对标准集合卡尔曼滤波实现过程中,量测噪声不确定导致自举量测采样出现一致性偏差问题,提出了一种基于Metropolis-Hastings采样的多传感器集合卡尔曼滤波算法.首先,结合多传感器量测系统的物理特性和集合卡尔曼滤波中自举量测生成机理,构建多传感器条件下自举量测集合.其次,通过对多传感器自举量测似然度求解以及在量测接受概率函数合理设计基础上,利用Metropolis-Hastings采样策略实现有效量测的确认.新算法通过对多传感器量测中冗余和互补信息的提取与利用实现对一致性偏差的修正,进一步改善被估计系统状态的滤波精度.理论分析和仿真实验结果验证了算法的可行性和有效性.     

一种基于异步传感器网络的空间目标分布式跟踪方法

为解决传感器网络在空间目标分布式跟踪过程中的异步采样及通信延迟问题,该文提出一种异步分布式信息滤波算法(ADIF)。首先,局部传感器与相邻节点之间以一定的拓扑结构传递带采样时标的局部状态信息和量测信息,然后将收到的异步信息按时间排序,使用ADIF算法进行计算,分别对目标状态进行估计。该方法实现简单,传感器间通信的次数少,支持网络拓扑的实时变化,适用于空间目标监测中的多目标跟踪问题。该文分别对空间单目标、多目标跟踪进行了仿真,结果表明算法可以有效解决异步传感器滤波问题,分布式滤波精度一致逼近于集中式结果。     

非线性系统的异步多速率数据 融合估计算法研究

 研究了一类非线性时变动态系统的状态估计问题,在不同传感器以不同采样率异步对同一目标进行观测时,提出了一种有效的数据融合估计算法.通过建立多尺度模型,将异步多速率系统形式转化为同步多速率系统;在每一步分别进行状态的预测和更新.在状态和观测预测时,采用强跟踪滤波(STF)算法;在状态更新时,采用有反馈分布式结构,顺序的利用每一个传感器的观测信息去更新状态的估计;从而基于给定的非线性系统模型,得到融合所有异步、多速率传感器观测信息的状态估计结果.该方法不需要对状态或观测进行扩维,计算量适当,从而保证了算法的实时性.仿真结果验证了算法的有效性.     

基于有理数倍采样的异步数据融合算法研究

本文研究了一类具有不同采样率的分布式多传感器动态系统的数据融合问题,针对一类采样率呈有理数倍关系的动态系统,提出一种基于多源异步采样数据的新融合算法.新算法首先是将来自各个传感器的测量值在融合中心的坐标系中和时钟下进行映射统一;其次,以对目标状态下一时刻的预测值与目标在该时刻状态的估计值之差为基础,建立起描述该融合周期内各个观测点处的目标状态向量之间的动态模型;然后,以该时刻目标状态基于全局信息的估计值为条件,结合建立的新模型和传统的Kalman滤波器,利用本周期内按序到达的各传感器观测值,依次对各个观测点处目标的状态进行估计和更新;最后,在顺序得到本周期内各个观测点处目标估计值的同时,也将获得下一时刻目标状态基于全局信息的估计值或预测估计值.文中在给出新算法基本思想的同时,也较为详细地对融合算法进行了推导,并通过计算机仿真的方法,将新算法与基于时间校准的算法在估计精确度上进行了比较,从而验证了新算法的有效性.     

The research of gradation fusion algorithm based on multisensor asynchronous sampling system

This letter explores the distributed multisensor dynamic system, which has uniform sampling velocity and asynchronous sampling data for different sensors, and puts forward a new gradation fusion algorithm of multisensor dynamic system. As the total forecasted increment value between the two adjacent moments is the forecasted estimate value of the corresponding state increment in the fusion center, the new algorithm models the state and the forecasted estimate value of every moment. Kalman filter and all measurements arriving sequentially in the fusion period are employed to update the evaluation of target state step by step, on the condition that the system has obtained the target state evaluation that is based on the overall information in the previous fusion period. Accordingly, in the present period, the fusion evaluation of the target state at each sampling point on the basis of the overall information can be obtained. This letter elaborates the form of this new algorithm. Computer simulation demonstrates that this new algorithm owns greater precision in estimating target state than the present asynchronous fusion algorithm calibrated in time does.     

基于DP-TBD的分布式异步迭代滤波融合算法研究

该文主要运用检测前跟踪动态规划(Dynamic Programming-Track Before Detect)算法解决目标跟踪问题。动态规划(Dynamic Programming, DP)是一种通过对量测空间栅格化处理,然后对离散的量测空间中所有可能的物理路径进行遍历的算法。然而,该算法提供的是一种未经滤波和平滑的点迹序列。随着实际战争环境日益复杂,基于单雷达的DP-TBD算法在信噪比(SNR)较低时跟踪效果不佳。此外,由于DP-TBD算法没有状态误差协方差矩阵,因此无法将不同雷达的点迹序列进行融合。而且由于通信时延和不同的采样周期,不同雷达的数据往往是异步的。为了解决以上问题,该文提出了一种基于DP-TBD的分布式异步迭代滤波融合算法(DynamicProgramming?Fuison, DPF)。该算法分为两步,第1步提出了一种迭代滤波方法对DP点迹进行处理;第2步将不同雷达获得的异步状态估计转化为同步的,接着利用几种分布式的融合方法来获取融合之后的状态估计。仿真结果说明,和单雷达相比,该融合算法可以有效提升目标跟踪的性能,同时,该算法也可以降低航迹丢失率和计算量。      

带有信息反馈的最优异步递推航迹融合算法

现有的异步航迹融合算法大都采用无全局信息反馈的设计框架,并且忽略各异步传感器局部预测航迹误差间的相关性,加之考虑上述相关性的最优整体航迹融合算法的实时性难以被保证,从而导致局部传感器估计精度低、稳定性差、全局估计的最优性丧失和差的应用性等不足。为此,本文在引入全局信息反馈的基础上,同时考虑各局部预测航迹误差相关性,在融合估计误差协方差矩阵迹最小意义下,建立一种带有全局反馈机制的最优异步递推航迹融合算法。文中不仅对各种算法的次优或最优原理及性能进行了详细的分析与讨论,理论证明和仿真结果也表明了该文算法的有效性和优越性。     

多光电跟踪设备异步序贯分布式目标跟踪算法

针对多光电跟踪设备组网后出现的异步测量问题，提出了一种异步分布式序贯目标跟踪算法。该算法由局部滤波器和融合滤波器构成，先利用状态转换方法，将多光电跟踪设备节点及其邻节点的异步测量对齐到融合时刻，得到拟测量方程。随后，利用射影原理对拟测量方程和目标运动状态方程构成的目标跟踪系统，提出异步序贯局部滤波器来计算较为精确的局部滤波值。再以协方差交叉算法为基础，提出基于扩散策略的融合滤波器，对局部估计值进行融合计算，来提高目标跟踪精度，并降低组网后各光电跟踪设备节点融合估计值的差异程度。最后对所提出的算法进行了仿真实验，以验证其有效性。     

异步多基地雷达分布式批估计方法研究

在实际应用中,由于初始偏差、采样速率不同等原因,系统量测一般也非同步。多基地雷达数据通常面临异步数据融合问题。为了解决该问题,该文按照批处理的思路,联合一段时间内的多个异步数据对同一目标状态进行估计,并基于最优贝叶斯估计原理,提出了一种新的批估计数据融合准则;然后,依据该准则推导出了一种解析的分布式批估计方法;最后,针对非线性非高斯场景,提出了一套完备的粒子滤波实现方案。仿真结果表明,文中提出的方法相比现有方法具有跟踪精度高,计算量小等优点。     

机载有源无源雷达联合探测数据融合研究

针对机载有源无源雷达量测数据不同步、不同维的特点,提出了基于自适应变维非线性量测最优线性无偏滤波(BLUF)有源无源数据融合方法。首先将三维的非线性量测的最优线性无偏滤波推广到六维的情况,然后针对融合中心收到的量测数据的类型采用不同维的最优线性无偏滤波。该融合方法不但有效地解决了机载有源无源雷达数据的不同步、不同维给融合带来的困难,还大大提高了融合的精度。通过仿真证明了自适应变维的有源无源数据融合方法的有效性。     

一种基于分步式滤波的数据融合算法

本文提出了一种基于分步式滤波的多传感器动态系统数据融合算法.在由多传感器组成的分布式动态系统中,当对目标状态的所有观测值到来时,首先基于系统先前信息对该时刻目标状态进行预测估计,利用Kalman滤波器和各局部观测值依次对该时刻目标状态的估计值进行更新,从而得到该时刻目标状态基于全局信息的融合估计值.文中详细推证了融合算法的具体形式,并与传统的集中式数据融合算法在计算复杂度上进行了比较,计算机仿真表明该算法与传统的集中式算法对目标状态具有相同的估计精确度.