CN103105611A - 一种分布式多传感器智能信息融合方法 - Google Patents
一种分布式多传感器智能信息融合方法 Download PDFInfo
- Publication number
- CN103105611A CN103105611A CN2013100156320A CN201310015632A CN103105611A CN 103105611 A CN103105611 A CN 103105611A CN 2013100156320 A CN2013100156320 A CN 2013100156320A CN 201310015632 A CN201310015632 A CN 201310015632A CN 103105611 A CN103105611 A CN 103105611A
- Authority
- CN
- China
- Prior art keywords
- sensor
- distributed
- interpolation
- fusion method
- fusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明是一种分布式多传感器智能信息融合方法。包括如下步聚:1)直接从分布式超声波接收器采集信号到控制中心,采用分布卡尔曼滤波进行滤波处理;2)分布式信号滤波处理后,时间、空间对准以及航迹相关后,使得统一采样频率,在每一个采样时刻各个测量***都有当前时刻的测量数据,统一空间、时间坐标系;3)通过轨迹相关方法,采用预测点与观测点的偏差来作为误差评判标准;4)采用最优融合估计的融合方法,将各相关的航迹拟合成一条新的航迹。本发明一种按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法,有效的实现超声波的高精度室内定位。
Description
技术领域
本发明是一种分布式多传感器智能信息融合方法,属于分布式多传感器智能信息融合方法的改造技术。
背景技术
目前,多传感器数据融合是当前研究热点,学者们针对特定应用领域内的问题来展开(根据问题种类)。学者们从不同的角度提出了多传感器信息融合***的一般功能模型:JDL模型、瀑布模型、智能模型、Boyd模型、Omnibus模型等。但是,JDL模型没有指明在整个***中的信息流向;瀑布模型决策后的新信息不能有效地运用于其它环节;智能循环模型没有考虑知识库和***数据的管理需求;Boyd模型和智能循环分别通过“行动”和“传播”模块对信息实现了闭环流动控制,但对融合过程的划分则相对粗糙;Ominibus模型恰恰没有考虑到知识库和***数据的管理需求,实用性不强。随着信息处理技术的发展,新设备、新方法的不断涌现,协同开发、数据共享、资源管理等新方法、新概念的提出,给融合***的设计模型提出了新的挑战。传统信息融合JDL、WFFP、智能模型融合、Boyd模型、Omnibus功能模型,需要进行修正,主要包括功能层次划分的修正和功能层次定义的修正。为了达到航向的目标跟踪,实现多传感器数据融合的方法也有多种,例如卡尔曼滤波、最小二乘法、 滤波、滤波等。目前,众所周知,目标跟踪两个最主要的挑战是测量源不确定和目标运动不确定。针对测量源不确定,孙书利等人提出一系列的方法,针对测量源确定,Roecker提出向量状态和测量融合。
分布式多传感器数据融合技术(Distributed multi-sensor data fusion,DMSDF),利用传感器的共同的特征进行解决多种多样的问题。虽然许多的问题得到解决,但是,许多新的挑战性问题随着多传感器数据融合技术以及科技的发展而产生,例如数据协同、数据共享、数据融合管理、传感器不确定性、数据交通、噪声滤波、决定预测技术、动态***模型等。这些新的挑战主要来源传感器测量精度不高和信息源受到外界环境的干扰。近年来,学者们把研究重心转到分布式多传感器数据源融合方面的应用,基于场景分布式***的设计、高维信息融合、目标跟踪、传感器信息分类器的设计以及态势评估等是现阶段研究的热点问题。由于分布式多传感器融合能够处理一些不确定性因素,它有效的提高目标跟踪和***检测的性能。更加重要的是它可以融合多个传感器的数据,融合处理后的数据的精度比单个传感器采集数据的精度高。
发明内容
本发明的目的在于考虑上述问题而提供一种能有效的实现室内定位,按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法。
本发明的技术方案是:本发明的分布式多传感器智能信息融合方法,包括如下步聚:
1)直接从分布式超声波接收器采集信号到控制中心,采用分布卡尔曼滤波进行滤波处理;
2)分布式信号滤波处理后,时间、空间对准以及航迹相关后,使得统一采样频率,在每一个采样时刻各个测量***都有当前时刻的测量数据,统一空间、时间坐标系;
3)通过轨迹相关方法,采用预测点与观测点的偏差来作为误差评判标准;
4)采用最优融合估计的融合方法,将各相关的航迹拟合成一条新的航迹。
上述步骤2)在时间对准部分采用插值方法进行时间配准时,为使插值误差尽可能小,插值节点的选取原则是插值节点应尽可能位于插值区间中部,完成频率统一。
上述插值方法采用拉格朗日3点插值法。
上述步骤4)采用最优融合准则,将各相关的轨迹融合成一条新的轨迹。
本发明一种按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法,有效的实现超声波的高精度室内定位。
附图说明
图1为本发明的分布多传感器数据融合的流程图;
图2为本发明的实验测试方案图;
图3为卡尔曼滤波、最小二乘法、测量数据对比图;
图4为本发明的坐标转换图;
图5为本发明的最优融合轨迹图;
图6为最优融合方法、文献值、真实值对比图。
具体实施方式
实施例:
本发明的流程图如图1所示,本发明的分布式多传感器智能信息融合方法,包括如下步聚:
1)直接从分布式超声波接收器采集信号到控制中心,采用分布卡尔曼滤波进行滤波处理;
2)分布式信号滤波处理后,时间、空间对准以及航迹相关后,使得统一采样频率,在每一个采样时刻各个测量***都有当前时刻的测量数据,统一空间、时间坐标系;
3)通过轨迹相关方法,采用预测点与观测点的偏差来作为误差评判标准;
4)采用最优融合估计的融合方法,将各相关的航迹拟合成一条新的航迹。
上述步骤2)在时间对准部分采用插值方法进行时间配准时,为使插值误差尽可能小,插值节点的选取原则是插值节点应尽可能位于插值区间中部,完成频率统一。
上述插值方法采用拉格朗日3点插值法。
上述步骤4)采用最优融合准则,将各相关的轨迹融合成一条新的轨迹。
本实施例中,本发明为了有效的实现室内定位,针对船舶运动轨迹不确定,提出一种加权平均的融合方法以及一种新颖的模型,按照最小方差原则来实现N个估计值的最优融合。
分布式多传感器信息融合结构
分布式多传感器信息融合实际上是一个分布式多传感器目标跟踪***对目标追踪的过程,可由下图1所示。
DMSDF模型实现分布多传感器并行数据融合处理,它分成信号预处理和数据融合处理两层,信号预处理主要包括信号采集、野值剔除、滤波、平滑、时间对准、空间对准等。数据融合层主要实现多传感器并行融合处理。
(1). 单站超声波对不同目标航迹的提取
每个超声波传感器都对本地信号进行处理以形成局部航迹,对于局部航迹的估计,采用分布式卡尔曼进行滤波处理,目标的运动方程为:
(2) 时间对准
由于多传感器不同位置参考***的采样频率不一定相同,在某一时刻可能一个***有测量值而另外一个***的测量值还没有发送过来,因此需要通过一定的方法设定一个统一的采样频率,在每一个采样时刻各个测量***都有当前时刻的测量数据。针对时间对准主要解决以下两个方面问题:
为了达到最终多传感器融合的目的,融合中心必须对多个传感器送来的同一目标的每一点数据进行实时时间对准。多传感器数据融合中的时间对准是数据融合时要解决的关键问题之一。
多传感器时间对准就是将关于同一目标的各传感器不同步、不同频率的测量信息同步到同一时刻。如果使用未经时间配准的多传感器信息进行数据融合可能会导致比单独使用某一传感器数据进行融合时的性能还差的结果。因此,为了最有效地、最大限度地发挥多传感器数据融合***的优越性,对多传感器数据进行时间配准是并行数据融合的前提,时间配准方法的优劣直接关系到数据融合效果的好坏。目前,许多学者对此提出了很多不同的时间对准方法,其中应用比较广泛的内插外推法和数据拟合方法。
本发明采用插值方法进行时间配准时,为使插值误差尽可能小,插值节点的选取原则是插值节点应尽可能位于插值区间中部。根据拉格朗日 3点插值法原则,假设配准时间点位于区间中部,且区间内的3点估计值为 、、。由于目标在相邻扫描间隔中移动距离的差值一般不大,将3个时刻、、分成是等间隔的(间隔为),又假设插值点时间为t,利用文献的拉格朗日 3点插值法,计算出t时刻的测量值为:
时间配准相应方法:
取其中一条轨迹作为时间轴基准进行时间配准。其它各个轨迹通过拉格朗日三点插值法在相对应的时刻上进行插值。
(3) 航迹相关
时间、空间对准之后,得到相同时间段以及采样间隔相同的轨迹群。这时采用最近领域航迹关联方法进行航迹相关。该方法先确定目标航迹跟踪波门的大小,初步确定参与航迹相关的观测。当跟踪波门确定之后,将计算航迹与落入波门的每一个观测点的接近度,接近度是一个统计距离, 计算每条航迹与所有观测的统计距离,最终生成一个M行N列的统计矩阵,M为所有航迹的数目,N为所有观测的数目。
(4) 超声波观察精度估计
由于超声波传感器自身固有的***误差和噪声引起的探测误差,使得超声波一次扫描所获得的位置误差较大,所以就必须对连续多次扫描的结果进行优化处理,即鲁棒性估计以减小一次测量的误差。
1) 基于整体数据的精度估计
计算各观测值与均值得距离:
2) 基于预测值与估计轨迹的插值的精度估计
由于超声波观测精度的影响也将导致预测值产生偏差,这就会使得预测点与观测点之间的误差变得更小,通过计算预测点与实际观测点的偏差也可以作为衡量超声波精度的标准。
得到的值即可作为超声波精度的估计。通过对4个超声波的数据进行上述2种方法计算,得到每个超声波对应的方差估计,由于后一种方法得到的数据相对稳定,认为用该方法判定超声波精度更为适合。
(5) 多传感器空间对准
由于多传感器所属于不同位置参考***,对每个测量***所采用的不同参考坐标系进行空间坐标转换,可以将每个位置参考***的测量坐标值都转换到北东坐标系下,其中北东坐标系原点选定海上某一基准点。目前,工程上常用的数据空间对准的方法有:直接坐标平移法、三角变换法和基于导航数据的地心转换法。其中前两种方法是,假设***监视区域内地球表面近似平坦,忽略地球的曲率的变化,因此有偏坐标转换方法,且转换误差随目标距离的增大而增大,难以达到工程应用的需求。而基于导航数据的地心转换法考虑到地球表面曲率的影响,以地心坐标作为中介,达到数据配准的目标,且要求采用高精度导航设备提供经纬度。
分布式多传感器最优融合规则
时间配准和航迹相关后将得到几组相关(判定为表示同一目标)的航迹数据,这时就得考虑用什么融合准则进行目标航迹的融合。本发明采用加权平均的方法,按照最小方差原则来实现N个估计值的最优融合。
其中,是目标真实位置值,是无偏估计值,N代表超声波传感器个数。
定理1 在定义1以及最优融合准则条件下,N个超声波传感器的信号进行轨迹融合,可以得到如下:
(10)
证明:(1)当K=2时,即只有两个超声波传感器信号进行融合的情况。由式(9)可得:
把式(14)和式(12)代入式(11)得
(16)
(2)当K=N-1时(即N-1个信号的航迹融合),假设式(10)成立,那么可得
同理,用数学归纳法将该方法推广到N个信号的航迹融合:
(20)
(23)
由(1)、(2),证明式(10)成立。证毕
多传感器目标追踪***相比于单传感器目标追踪***具有可视范围广、相互之间测量信息互补性强的特点,因而具有更好的目标跟踪性能。如何对传感器观测的信号数据进行处理融合已成为当今世界科研人员研究的热点。随着硬件、方法及计算机性能等方面的巨大进步,信号处理能力更上一个台阶,从而也刺激了多传感器数据处理技术的发展。超声波数据处理作为现代超声波***中的重要组成部分,对于它的研究也是极为有意义。
分布式多传感器智能信息融合实现
由于红外线传感器设计和开发复杂、功耗比较大、价格高、实用性较差、测量距离比较短,超声波传感器恰好克服它的缺点,所以采用自主研发超声波接/收器进行船舶室内跟踪实验。在实际的测量中,超声波接收器接收到的声波并没有经过放大,但为了便于观察,在靠近换能器的位置增加了两级放大和一个带通滤波器,总共放大50倍来观察接收到的声波波形。
根据超声波测距是利用回波测距原理,通过测量换能器发射和接收声波的时间,计算出换能器到船舶中心的距离。但是,在高温、高湿度、大量粉尘、蒸汽等环境不可用。(1) 当室内温度28℃以上,***的误差是往负方向偏离,而在20℃以下,***的误差是往正方向偏离。为了提高超声波传感器检测的精度,在室温为26°C的实验环境内采用自主设计的超声波室内定位***做了大量的实验,有效地减少由温度引起的误差。(2) 经过大量的实验,发现当湿度在50%-60%时,超声波测距的精度相对较高。
为了有效的实现船舶室内定位,本实验自主研究一套控制版、螺旋桨以及自主设计了2.8m船模,船宽0.76m,船模高1m。为了有效的模拟船舶在海上航行环境,使用多种传感器:风向风速仪测量风向、风速、电罗经(艏向传感器)测量船舶的指向,电罗经的寿命长,在海上的使用经验也很丰富,完全适用于近海钻探船的动力定位***;MRU传感器是运动传感器,它能测量船舶的动态直线运动和姿态,且能够测得船舶作业过程中的横摇、纵摇、艏摇和垂荡,并且具有较高的精度;超声波用来室内检测距离,求得船舶实际位置,达到室内定位的目的;上位计算机实现船舶实时3D模拟,主控制器主要实现数据收集、处理,以及控制方法的实现等;手柄操作台实现活动操作台,可以实时搬动。
为了有效的模拟船舶在海上航行的环境,实现船舶实时定位,利用实验环境,经过多次实验发现采用多个超声波接收器可以有效的提高定位精度。但是,如果超声波接收器的个数太多,会导致成本太高。因此,在水池的每一个角度安装一个接收器,高度1米。测试方案如图2所示。
从图2,实验室水池长11m,宽6m,船舶上有一个超声波发送器,水池的四角分别有一个接收器,超声波接收板通过RFID将测量数据传输到船上超声波发射板进行处理,处理后的数据通过RS-422传输到船舶上的主控制器,主控制器对采集的数据实时预处理,融合处理。实验时采用分布式卡尔曼滤波,滤波后的结果如图3所示。
从图3,由于传感器故障或数据记录、判读等过程异常,周围环境的突发性变化和干扰,以及操作人员的过失等,导致采集到的数据带有误差偏大的反常值,卡尔曼滤波可以有效的实现动态的数据实时滤波、平滑处理,最小二乘也可以有效的滤波,但是实时性能很差。
经过预处理后的数据,采用拉格朗日 3点插值法进行时间对准,时间对准后数据仍然是发射中心到接收器的4点的距离,因此,必须进行空间转换,把4点的距离转换成Cartesian坐标,具体空间转换图如4所示。
1) 由b、d、AB三边组成的三角形
(25)
3) 由c、d、CD三边组成的三角形
(29)
经过时间对准和坐标转换,可以得到一组坐标值。采样时间为1秒,采样次数为300秒,那么可以得到4条实时跟踪轨迹。
当船舶静止在水池里,没有受到风、浪、流影响时,采用手持式激光测距仪进行测量距离(精度小于1mm之内),这样测量得到的值称为真实值。但是,当船舶受到风、浪、流等环境的影响下,激光测距仪精度受到严重的影响,激光测距仪利用精密测距需要全反射棱镜配合,而室内测用的测距仪,直接以光滑的墙面反射测量,由于距离比较近,光反射回来的信号强度较大,同时,一定要垂直,否则返回信号过于微弱将无法得到精确距离。由图6可以看出利用本节的MSCD方法融合后的值更加接近真实值。MSCD方法融合后的值与真实值的相对误差的最大值是1.32cm,而使用文献中方法融合后的值与真实值的相对误差的最大值是5.78cm,因此MSCD融合方法可以有效的提高数据的精确度。
实验表明DMSDF方法有效的提高目标跟踪的性能,达到工程应用的要求,并把这种方法应用于船舶动力定位。
Claims (4)
1.一种分布式多传感器智能信息融合方法,其特征在于包括如下步聚:
1)直接从分布式超声波接收器采集信号到控制中心,采用分布卡尔曼滤波进行滤波处理;
2)分布式信号滤波处理后,时间、空间对准以及航迹相关后,使得统一采样频率,在每一个采样时刻各个测量***都有当前时刻的测量数据,统一空间、时间坐标系;
3)通过轨迹相关方法,采用预测点与观测点的偏差来作为误差评判标准;
4)采用最优融合估计的融合方法,将各相关的航迹拟合成一条新的航迹。
2.根据权利要求1所述的分布式多传感器智能信息融合方法,其特征在于上述步骤2)在时间对准部分采用插值方法进行时间配准时,为使插值误差尽可能小,插值节点的选取原则是插值节点应尽可能位于插值区间中部,完成频率统一。
3.根据权利要求2所述的分布式多传感器智能信息融合方法,其特征在于上述插值方法采用拉格朗日3点插值法。
4.根据权利要求1所述的分布式多传感器智能信息融合方法,其特征在于上述步骤4)采用最优融合准则,将各相关的轨迹融合成一条新的轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310015632.0A CN103105611B (zh) | 2013-01-16 | 2013-01-16 | 一种分布式多传感器智能信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310015632.0A CN103105611B (zh) | 2013-01-16 | 2013-01-16 | 一种分布式多传感器智能信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103105611A true CN103105611A (zh) | 2013-05-15 |
CN103105611B CN103105611B (zh) | 2016-01-20 |
Family
ID=48313608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310015632.0A Expired - Fee Related CN103105611B (zh) | 2013-01-16 | 2013-01-16 | 一种分布式多传感器智能信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103105611B (zh) |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472452A (zh) * | 2013-09-24 | 2013-12-25 | 重庆邮电大学 | 一种多通道超声波传感器***快速检测方法及*** |
CN104198348A (zh) * | 2014-09-16 | 2014-12-10 | 北京交通大学 | 基于光电融合的pm2.5浓度检测***及检测方法 |
CN104268422A (zh) * | 2014-10-10 | 2015-01-07 | 浪潮集团有限公司 | 一种采用最近邻算法的超声波距离传感器阵列误差修正方法 |
CN104602365A (zh) * | 2013-10-31 | 2015-05-06 | 镇江华扬信息科技有限公司 | 基于无线传感网络技术的消防救灾环境监测*** |
CN105116392A (zh) * | 2015-09-09 | 2015-12-02 | 电子科技大学 | 一种针对ais与主动雷达航迹融合及识别的方法 |
CN105608317A (zh) * | 2015-12-18 | 2016-05-25 | 上海集成电路研发中心有限公司 | 一种基于线性***的数字滤波装置及方法 |
CN106973364A (zh) * | 2017-05-09 | 2017-07-21 | 电子科技大学 | 一种多项式参数化似然函数的分布式批估计数据融合方法 |
CN107330468A (zh) * | 2017-07-04 | 2017-11-07 | 电子科技大学 | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 |
CN108573271A (zh) * | 2017-12-15 | 2018-09-25 | 蔚来汽车有限公司 | 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质 |
CN108762245A (zh) * | 2018-03-20 | 2018-11-06 | 华为技术有限公司 | 数据融合方法以及相关设备 |
CN108828527A (zh) * | 2018-06-19 | 2018-11-16 | 驭势(上海)汽车科技有限公司 | 一种多传感器数据融合方法、装置、车载设备及存储介质 |
CN109238358A (zh) * | 2018-09-12 | 2019-01-18 | 国网福建省电力有限公司 | 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 |
WO2019057173A1 (zh) * | 2017-09-22 | 2019-03-28 | 华为技术有限公司 | 传感器数据处理的方法及装置 |
CN109996205A (zh) * | 2019-04-12 | 2019-07-09 | 成都工业学院 | 传感器数据融合方法、装置、电子设备及存储介质 |
CN110058605A (zh) * | 2019-03-22 | 2019-07-26 | 广州中科云图智能科技有限公司 | 无人机电力巡线控制方法 |
US10419540B2 (en) | 2015-10-05 | 2019-09-17 | Microsoft Technology Licensing, Llc | Architecture for internet of things |
CN110647518A (zh) * | 2019-11-28 | 2020-01-03 | 成都四方伟业软件股份有限公司 | 一种数据源融合计算方法、组件及装置 |
CN110913338A (zh) * | 2019-12-17 | 2020-03-24 | 深圳奇迹智慧网络有限公司 | 定位轨迹纠正方法、装置、计算机设备和存储介质 |
CN110987875A (zh) * | 2019-12-24 | 2020-04-10 | 上海蓝长自动化科技有限公司 | 一种基于支持度和信任度进行空间融合的水质浊度检测方法 |
CN110987068A (zh) * | 2019-11-28 | 2020-04-10 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器综合控制***数据融合方法 |
CN110996192A (zh) * | 2019-12-26 | 2020-04-10 | 中国人民解放军海军航空大学青岛校区 | 多来源采集数据基于关键参数的时间对准方法 |
CN111044033A (zh) * | 2019-12-02 | 2020-04-21 | 上海交通大学 | 基于视频和微蜂窝网络的融合位置路径拟合方法及*** |
CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
CN111220145A (zh) * | 2019-11-28 | 2020-06-02 | 湖南率为控制科技有限公司 | 用于自动驾驶汽车的多采样率下导航数据的融合方法 |
CN111652914A (zh) * | 2019-02-15 | 2020-09-11 | 初速度(苏州)科技有限公司 | 一种多传感器目标融合、追踪方法及*** |
CN111696367A (zh) * | 2020-06-11 | 2020-09-22 | 西安电子科技大学 | 多地磁传感器测速***及其测速方法 |
CN111898755A (zh) * | 2020-08-11 | 2020-11-06 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN112130223A (zh) * | 2020-08-29 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式光控阵列协同处理*** |
CN112363113A (zh) * | 2020-11-09 | 2021-02-12 | 黄河三角洲建设工程有限公司 | 一种新型船模轨迹追踪***及方法 |
CN112711055A (zh) * | 2020-12-08 | 2021-04-27 | 重庆邮电大学 | 一种基于边缘计算的室内外无缝定位***及方法 |
CN113313191A (zh) * | 2021-06-13 | 2021-08-27 | 西北工业大学 | 一种基于无监督学习的分布式孔径交互智能评估方法 |
CN114216458A (zh) * | 2021-12-07 | 2022-03-22 | 北京工业大学 | 基于多传感器融合的智能推料机器人组合导航***及方法 |
CN114323115A (zh) * | 2021-11-12 | 2022-04-12 | 北京市燃气集团有限责任公司 | 一种多传感器数据融合方法及装置 |
CN116155433A (zh) * | 2023-02-23 | 2023-05-23 | 西南交通大学 | 一种多域跨尺度数据采集校对时方法 |
CN116541663A (zh) * | 2023-06-21 | 2023-08-04 | 四川信息职业技术学院 | 一种基于卡尔曼滤波提高双套站传感器数据质量的方法 |
CN117034201A (zh) * | 2023-10-08 | 2023-11-10 | 东营航空产业技术研究院 | 一种多源实时数据融合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000199787A (ja) * | 1999-01-05 | 2000-07-18 | Mitsubishi Electric Corp | 追尾装置 |
CN101179707A (zh) * | 2007-09-21 | 2008-05-14 | 清华大学 | 无线网络视频图像多视角协作目标跟踪测量方法 |
CN101393025A (zh) * | 2008-11-06 | 2009-03-25 | 哈尔滨工程大学 | Auv组合导航***无迹切换方法 |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
-
2013
- 2013-01-16 CN CN201310015632.0A patent/CN103105611B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000199787A (ja) * | 1999-01-05 | 2000-07-18 | Mitsubishi Electric Corp | 追尾装置 |
CN101179707A (zh) * | 2007-09-21 | 2008-05-14 | 清华大学 | 无线网络视频图像多视角协作目标跟踪测量方法 |
CN101393025A (zh) * | 2008-11-06 | 2009-03-25 | 哈尔滨工程大学 | Auv组合导航***无迹切换方法 |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472452A (zh) * | 2013-09-24 | 2013-12-25 | 重庆邮电大学 | 一种多通道超声波传感器***快速检测方法及*** |
CN103472452B (zh) * | 2013-09-24 | 2016-03-23 | 重庆邮电大学 | 一种多通道超声波传感器***快速检测方法及*** |
CN104602365A (zh) * | 2013-10-31 | 2015-05-06 | 镇江华扬信息科技有限公司 | 基于无线传感网络技术的消防救灾环境监测*** |
CN104198348A (zh) * | 2014-09-16 | 2014-12-10 | 北京交通大学 | 基于光电融合的pm2.5浓度检测***及检测方法 |
CN104268422A (zh) * | 2014-10-10 | 2015-01-07 | 浪潮集团有限公司 | 一种采用最近邻算法的超声波距离传感器阵列误差修正方法 |
CN105116392A (zh) * | 2015-09-09 | 2015-12-02 | 电子科技大学 | 一种针对ais与主动雷达航迹融合及识别的方法 |
US10419540B2 (en) | 2015-10-05 | 2019-09-17 | Microsoft Technology Licensing, Llc | Architecture for internet of things |
CN105608317A (zh) * | 2015-12-18 | 2016-05-25 | 上海集成电路研发中心有限公司 | 一种基于线性***的数字滤波装置及方法 |
CN105608317B (zh) * | 2015-12-18 | 2018-06-26 | 上海集成电路研发中心有限公司 | 一种基于线性***的数字滤波装置及方法 |
CN106973364A (zh) * | 2017-05-09 | 2017-07-21 | 电子科技大学 | 一种多项式参数化似然函数的分布式批估计数据融合方法 |
CN107330468A (zh) * | 2017-07-04 | 2017-11-07 | 电子科技大学 | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 |
CN107330468B (zh) * | 2017-07-04 | 2021-02-19 | 电子科技大学 | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 |
WO2019057173A1 (zh) * | 2017-09-22 | 2019-03-28 | 华为技术有限公司 | 传感器数据处理的方法及装置 |
US11379698B2 (en) | 2017-09-22 | 2022-07-05 | Huawei Technologies Co., Ltd. | Sensor data processing method and apparatus |
CN108573271A (zh) * | 2017-12-15 | 2018-09-25 | 蔚来汽车有限公司 | 多传感器目标信息融合的优化方法及装置、计算机设备和记录介质 |
US11987250B2 (en) | 2018-03-20 | 2024-05-21 | Huawei Technologies Co., Ltd. | Data fusion method and related device |
CN108762245A (zh) * | 2018-03-20 | 2018-11-06 | 华为技术有限公司 | 数据融合方法以及相关设备 |
CN108762245B (zh) * | 2018-03-20 | 2022-03-25 | 华为技术有限公司 | 数据融合方法以及相关设备 |
CN108828527A (zh) * | 2018-06-19 | 2018-11-16 | 驭势(上海)汽车科技有限公司 | 一种多传感器数据融合方法、装置、车载设备及存储介质 |
CN109238358A (zh) * | 2018-09-12 | 2019-01-18 | 国网福建省电力有限公司 | 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 |
CN111652914B (zh) * | 2019-02-15 | 2022-06-24 | 魔门塔(苏州)科技有限公司 | 一种多传感器目标融合、追踪方法及*** |
CN111652914A (zh) * | 2019-02-15 | 2020-09-11 | 初速度(苏州)科技有限公司 | 一种多传感器目标融合、追踪方法及*** |
CN110058605A (zh) * | 2019-03-22 | 2019-07-26 | 广州中科云图智能科技有限公司 | 无人机电力巡线控制方法 |
CN109996205A (zh) * | 2019-04-12 | 2019-07-09 | 成都工业学院 | 传感器数据融合方法、装置、电子设备及存储介质 |
CN109996205B (zh) * | 2019-04-12 | 2021-12-07 | 成都工业学院 | 传感器数据融合方法、装置、电子设备及存储介质 |
CN110647518A (zh) * | 2019-11-28 | 2020-01-03 | 成都四方伟业软件股份有限公司 | 一种数据源融合计算方法、组件及装置 |
CN111220145A (zh) * | 2019-11-28 | 2020-06-02 | 湖南率为控制科技有限公司 | 用于自动驾驶汽车的多采样率下导航数据的融合方法 |
CN110987068B (zh) * | 2019-11-28 | 2021-11-30 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器综合控制***数据融合方法 |
CN110987068A (zh) * | 2019-11-28 | 2020-04-10 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器综合控制***数据融合方法 |
CN111044033B (zh) * | 2019-12-02 | 2023-08-08 | 上海交通大学 | 基于视频和微蜂窝网络的融合位置路径拟合方法及*** |
CN111044033A (zh) * | 2019-12-02 | 2020-04-21 | 上海交通大学 | 基于视频和微蜂窝网络的融合位置路径拟合方法及*** |
CN110913338A (zh) * | 2019-12-17 | 2020-03-24 | 深圳奇迹智慧网络有限公司 | 定位轨迹纠正方法、装置、计算机设备和存储介质 |
CN110913338B (zh) * | 2019-12-17 | 2021-06-04 | 深圳奇迹智慧网络有限公司 | 定位轨迹纠正方法、装置、计算机设备和存储介质 |
CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
CN110987875B (zh) * | 2019-12-24 | 2022-08-12 | 上海蓝长自动化科技有限公司 | 一种基于支持度和信任度进行空间融合的水质浊度检测方法 |
CN110987875A (zh) * | 2019-12-24 | 2020-04-10 | 上海蓝长自动化科技有限公司 | 一种基于支持度和信任度进行空间融合的水质浊度检测方法 |
CN110996192A (zh) * | 2019-12-26 | 2020-04-10 | 中国人民解放军海军航空大学青岛校区 | 多来源采集数据基于关键参数的时间对准方法 |
CN111696367A (zh) * | 2020-06-11 | 2020-09-22 | 西安电子科技大学 | 多地磁传感器测速***及其测速方法 |
CN111898755A (zh) * | 2020-08-11 | 2020-11-06 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN111898755B (zh) * | 2020-08-11 | 2023-09-12 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN112130223A (zh) * | 2020-08-29 | 2020-12-25 | 扬州船用电子仪器研究所(中国船舶重工集团公司第七二三研究所) | 一种分布式光控阵列协同处理*** |
CN112363113A (zh) * | 2020-11-09 | 2021-02-12 | 黄河三角洲建设工程有限公司 | 一种新型船模轨迹追踪***及方法 |
CN112711055B (zh) * | 2020-12-08 | 2024-03-19 | 重庆邮电大学 | 一种基于边缘计算的室内外无缝定位***及方法 |
CN112711055A (zh) * | 2020-12-08 | 2021-04-27 | 重庆邮电大学 | 一种基于边缘计算的室内外无缝定位***及方法 |
CN113313191A (zh) * | 2021-06-13 | 2021-08-27 | 西北工业大学 | 一种基于无监督学习的分布式孔径交互智能评估方法 |
CN114323115A (zh) * | 2021-11-12 | 2022-04-12 | 北京市燃气集团有限责任公司 | 一种多传感器数据融合方法及装置 |
CN114216458A (zh) * | 2021-12-07 | 2022-03-22 | 北京工业大学 | 基于多传感器融合的智能推料机器人组合导航***及方法 |
CN116155433A (zh) * | 2023-02-23 | 2023-05-23 | 西南交通大学 | 一种多域跨尺度数据采集校对时方法 |
CN116155433B (zh) * | 2023-02-23 | 2023-10-13 | 西南交通大学 | 一种多域跨尺度数据采集校时方法 |
CN116541663B (zh) * | 2023-06-21 | 2023-09-19 | 四川信息职业技术学院 | 一种基于卡尔曼滤波提高双套站传感器数据质量的方法 |
CN116541663A (zh) * | 2023-06-21 | 2023-08-04 | 四川信息职业技术学院 | 一种基于卡尔曼滤波提高双套站传感器数据质量的方法 |
CN117034201A (zh) * | 2023-10-08 | 2023-11-10 | 东营航空产业技术研究院 | 一种多源实时数据融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103105611B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103105611B (zh) | 一种分布式多传感器智能信息融合方法 | |
CA3067573A1 (en) | Target tracking systems and methods for uuv | |
CN102707276B (zh) | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 | |
CN111273298B (zh) | 基于波浪滑翔器组网技术的水下声学目标定位与跟踪方法 | |
CN105182311B (zh) | 全向雷达数据处理方法及*** | |
Xiong et al. | A scheme on indoor tracking of ship dynamic positioning based on distributed multi-sensor data fusion | |
CN102802260A (zh) | 基于矩阵相关的wlan室内定位方法 | |
CN101762273A (zh) | 一种深空探测器软着陆自主光学导航方法 | |
Ma et al. | Target tracking system for multi-sensor data fusion | |
CN105676181A (zh) | 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法 | |
CN103047982B (zh) | 基于角度信息的目标自适应跟踪方法 | |
CN105204026A (zh) | 一种基于声场干涉条纹的单水平阵被动测速和测距装置及其方法 | |
CN109357677B (zh) | 一种应用于水下单信标导航的航路规划方法 | |
Tian et al. | HiQuadLoc: A RSS fingerprinting based indoor localization system for quadrotors | |
CN105787962A (zh) | 一种基于uuv水下回收的单目视觉跟踪方法 | |
Zhou et al. | Time series prediction methods for depth-averaged current velocities of underwater gliders | |
CN109975813A (zh) | 一种基于水下滑翔机平台的十字阵线谱目标被动探测方法 | |
Du et al. | Configuration analysis method and geometric interpretation of UUVs cooperative localization based on error ellipse | |
Zhang et al. | Fast and accurate underwater acoustic horizontal ranging algorithm for an arbitrary sound-speed profile in the deep sea | |
CN105445732A (zh) | 在密集杂波条件下利用多径观测的目标航迹初始化方法 | |
CN103476110A (zh) | 节点自定位与目标跟踪同时进行的分布式算法 | |
CN110458089A (zh) | 一种基于高低轨光学卫星观测的海上目标关联***及方法 | |
CN102830391B (zh) | 一种红外搜索与跟踪***准确性指标计算方法 | |
US20230314144A1 (en) | System and method for estimating drift path of marine floating body | |
Han et al. | Centralized underwater node localization using range based multilateral accumulation method (RBMAM) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 Termination date: 20220116 |
|
CF01 | Termination of patent right due to non-payment of annual fee |