CN110221263B - 多传感器***的误差估计方法和*** - Google Patents

多传感器***的误差估计方法和*** Download PDF

Info

Publication number
CN110221263B
CN110221263B CN201910592494.XA CN201910592494A CN110221263B CN 110221263 B CN110221263 B CN 110221263B CN 201910592494 A CN201910592494 A CN 201910592494A CN 110221263 B CN110221263 B CN 110221263B
Authority
CN
China
Prior art keywords
estimation
estimation period
preset
period
value
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.)
Active
Application number
CN201910592494.XA
Other languages
English (en)
Other versions
CN110221263A (zh
Inventor
张慧荣
孙博文
李喆
刘娟娟
徐大专
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Electronic System Engineering
Original Assignee
Beijing Institute of Electronic System Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Electronic System Engineering filed Critical Beijing Institute of Electronic System Engineering
Priority to CN201910592494.XA priority Critical patent/CN110221263B/zh
Publication of CN110221263A publication Critical patent/CN110221263A/zh
Application granted granted Critical
Publication of CN110221263B publication Critical patent/CN110221263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开一种多传感器***的误差估计方法和***，该方法的一个具体实施方式包括：按照预设估计周期采集参与***误差估计的量测数据；通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据量测数据相关量获取当前预设估计周期的迭代参数；根据当前预设估计周期的***误差估计值和迭代参数以及下一个预设估计周期的量测数据获取下一个预设估计周期的***误差估计值和迭代参数。该实施方式提出间隔采样的方法，再通过迭代修正方法计算***误差估计值，能够提升计算效率并保证***误差估计的精度及整体跟踪***的融合精度。

Description

多传感器***的误差估计方法和***
技术领域
本发明涉及***误差估计技术领域。更具体地，涉及一种多传感器***的误差估计方法和***。
背景技术
多雷达组网数据处理中，对于传感器平台固定且不考虑区域气候、地形等因素时传感器***误差可认为固定误差的情况下，现有的***误差估计方法可以在保证估计精度的前提下，解决基于传统广义最小二乘(GLS)的估计算法需批处理，计算量较大，实时性较差等问题。但是对于速率不太大的目标，当传感器对目标连续观测多个时刻，基于相应的位置量测值组成的序列进行误差估计时，由于相邻时刻位置点间隔较近，***误差与量测数据的离散化关系模型中的系数矩阵会导致***误差估计问题收敛较慢，甚至呈现病态性，出现性能严重退化的状况。
因此，需要提供一种多传感器***的误差估计方法和***，实现解决上述问题并能优化计算效率的同时，保证基于速率不太大的目标进行误差校准时的估计精度及整体跟踪***的融合精度。
发明内容
本发明的目的在于提供一种多传感器***的误差估计方法和***，以解决现有技术存在的问题中的至少一个。
为达到上述目的，本发明采用下述技术方案：
本发明的第一方面提供了一种多传感器***的误差估计方法，包括以下步骤：按照预设估计周期采集参与***误差估计的量测数据；通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据所述量测数据相关量获取所述当前预设估计周期的迭代参数；根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数。
可选的，所述按照预设估计周期采集参与***误差估计的量测数据包括：每间隔所述预设估计周期采集一个参与***误差估计的量测值；其中，所述预设估计周期根据下述公式进行计算：
T＝hTc，
其中，T表示所述预设估计周期，Tc表示连续观测的采样周期，
Figure BDA0002116551540000021
v表示目标速率，
Figure BDA0002116551540000022
表示向上取整。
可选的，所述离散化模型为：
Y(k)＝Gkδ(k)+V(k)，
其中，δ(k)表示第k个所述预设估计周期的***误差估计值，k为正整数，Y(k)和Gk分别表示第k个所述预设估计周期中的量测数据相关量，V(k)表示第k个所述预设估计周期采样的量测数据中随机噪声导致的误差。
可选的，在所述根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数之前包括：基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的***误差估计值δ(k)：
Figure BDA0002116551540000023
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的迭代参数Qk：
Figure BDA0002116551540000024
其中，k大于1，
Figure BDA0002116551540000025
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。
可选的，所述根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数包括：
根据下述公式计算所述下一个所述预设估计周期的***误差估计值δ(k+1、)：
Figure BDA0002116551540000026
Figure BDA0002116551540000027
其中，A(k+1)表示迭代过程中的中间参变量；
根据下述公式计算所述下一个所述预设估计周期的迭代参数Qk+1：
Figure BDA0002116551540000031
本发明的第二方面提供了一种多传感器***的误差估计***，包括：样本选取模块，被配置为按照预设估计周期采集参与***误差估计的量测数据；误差估计模块，被配置为通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据所述量测数据相关量获取所述当前预设估计周期的迭代参数；迭代递推模块，被配置为根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数。
可选的，所述样本选取模块还被配置为：每间隔所述预设估计周期采集一个参与***误差估计的量测值；其中，所述预设估计周期根据下述公式进行计算：
T＝hTc，
其中，T表示所述预设估计周期，Tc表示连续观测的采样周期，
Figure BDA0002116551540000032
v表示目标速率，
Figure BDA0002116551540000033
表示向上取整。
可选的，所述离散化模型为：
Y(k)＝Gkδ(k)+V(k)，
其中，δ(k)表示第k个所述预设估计周期的***误差估计值，k为正整数，Y(k)和Gk分别表示第k个所述预设估计周期中的量测数据相关量，V(k)表示第k个所述预设估计周期采样的量测数据中随机噪声导致的误差。
可选的，所述迭代递推模块还被配置为：基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的***误差估计值δ(k)：
Figure BDA0002116551540000034
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的迭代参数Qk：
Figure BDA0002116551540000035
其中，k大于1，
Figure BDA0002116551540000036
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。
可选的，所述迭代递推模块还被配置为：根据下述公式计算所述下一个所述预设估计周期的***误差估计值δ(k+1)：
Figure BDA0002116551540000037
Figure BDA0002116551540000038
其中，A(k+1)表示迭代过程中的中间参变量；
根据下述公式计算所述下一个所述预设估计周期的迭代参数Qk+1：
Figure BDA0002116551540000041
本发明的有益效果如下：
本发明所述技术方案针对速率相对较小目标的连续观测值进行误差校准情形，提出间隔采样的方法，基于工程实践经验设置样本间隔周期以选择恰当的局部样本，再通过迭代修正方法计算***误差估计值。由此，解决直接基于连续量测值进行误差估计导致问题收敛较慢，甚至呈现病态性，性能严重退化等问题的同时，能够提升计算效率并保证***误差估计的精度及整体跟踪***的融合精度。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明；
图1示出本发明的一个实施例的多传感器***的误差估计方法的流程图；
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本发明的目的在于提供一种多传感器***的误差估计方法。通过***误差的估计与补偿，提高组网雷达***航迹关联正确率。
如图1所示，本发明的一个实施例提供了一种多传感器***的误差估计方法，包括以下步骤：
按照预设估计周期采集参与***误差估计的量测数据；
通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据所述量测数据相关量获取所述当前预设估计周期的迭代参数；
根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数。
作为一种可选的实施方式，按照预设估计周期采集参与***误差估计的量测数据包括：
每间隔所述预设估计周期采集一个参与***误差估计的量测值；其中，
预设的采样周期根据如下公式进行计算：
T＝hTc，
其中，T表示预设的采样周期，Tc表示连续观测的采样周期，
Figure BDA0002116551540000051
Figure BDA0002116551540000052
v表示目标速率，
Figure BDA0002116551540000053
表示向上取整。
在本申请中，预设估计周期和采样周期表示相同意义上的周期，仅仅是表述不同。
基于速率相对较小目标的连续观测值进行误差校准前，预设适当的误差估计采样周期，以选取参与***误差估计的样本量测数据，选取连续观测值的局部样本进行***误差估计。
设连续观测的采样周期为Tc，设置参与误差估计的样本采样周期为T＝hTc，根据工程经验，选取
Figure BDA0002116551540000054
为宜，也即每间隔周期T采样一个量测数据，进行该时刻***误差估计值的迭代修正。其中，v表示目标速率，符号
Figure BDA0002116551540000055
表示向上取整。
地理坐标系的转换。
将第k个预设估计周期的采样点在雷达为基准点的局部笛卡尔坐标下量测目标位置转换到地心为原点的ECEF坐标系下，
Figure BDA0002116551540000056
Figure BDA0002116551540000057
式中：[xi′s yi′s zi′s]T为第i′(其中i′属于正整数)雷达的ECEF坐标；[xi′k yi′kzi′k]T为目标的第k个采样点在第i′雷达的局部笛卡尔坐标系下的坐标位置，[xt yt zt]T表示该局部量测值的ECEF坐标，Ti′表示第i′雷达站的地理坐标[Bi′s Li′s Si′s]T向ECEF坐标系转换的旋转矩阵，这里Bi′s表示大地纬度，Li′s表示大地经度，Si′s表示基于参考椭球体的高度。
作为一种可选的实施方式，第k(其中k为正整数)个预设估计周期的离散化模型为：
Y(k)＝Gkδ(k)+V(k) (3)
其中，δ＝[δ1 δ2]＝[Δr1 Δε1 Δβ1 Δr2 Δε2 Δβ2]，表示第一雷达和第二雷达的斜距、方位角和俯仰角三个分量的***误差估计值，δ(k)表示在第k个预设估计周期的***误差估计值，Y(k)和Gk分别表示第k个预设估计周期中的量测数据相关量，V(k)表示第k个预设估计周期采样的量测数据中随机噪声导致的误差。
计算第k个估计周期采样点对应的离散化模型中与量测有关的矩阵参数：
Figure BDA0002116551540000061
Figure BDA0002116551540000062
其中，
Figure BDA0002116551540000063
Figure BDA0002116551540000064
其中，ri′(k)、εi′(k)、βi′(k)分别为第i′雷达在第k个估计周期采样点的斜距、方位角、俯仰角。
计算第k个估计周期采样点对应的离散关系模型方程中与量测数据有关的向量参数：
Y(k)＝Xt2(k)-Xt1(k) (8)
Figure BDA0002116551540000065
其中，Xti′(k)表示按照计算公式(1)计算的第i′雷达的第k估计周期采样点局部量测值的ECEF坐标，
Figure BDA0002116551540000066
表示以两部雷达的斜距、方位角、俯仰角随机误差方差为对角元的对角矩阵，Ck表示第k估计周期采样的量测值随机误差向量V(k)的协方差矩阵，故
Figure BDA0002116551540000067
Figure BDA0002116551540000068
作为一种可选的实施方式，在所述根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数之前包括：基于多个所述预设估计周期的量测数据通过广义最小二乘算法(Generalized least squares estimation，简称GLS)获取起始估计周期的***误差估计值δ(k)：
Figure BDA0002116551540000071
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的迭代参数Qk：
Figure BDA0002116551540000072
其中，k大于1，
Figure BDA0002116551540000073
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。
基于GLS方法计算起始估计周期求解离散化模型方程(3)中的起始***误差估计值和迭代参数，具体包括：
计算第k估计周期***误差估计值δ(k)以及误差估计的迭代公式涉及到的迭代参数Qk；
当k＝1时，***误差估计值
Figure BDA0002116551540000074
记
Figure BDA0002116551540000075
表示Gi的转置，
Figure BDA0002116551540000076
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。优选的，在工程应用中，***误差在起始周期的估计值基于多个量测(k＞1)来计算，具体为：
Figure BDA0002116551540000077
设置第(k+1)个估计周期的采样时刻为
T(k+1)＝(k+1)·hTc (10)
作为一种可选的实施方式，根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数包括：
根据下述公式计算所述下一个所述预设估计周期的***误差估计值δ(k+1)：
Figure BDA0002116551540000078
Figure BDA0002116551540000079
其中，A(k+1)表示迭代过程中的中间参变量；
根据下述公式计算所述下一个所述预设估计周期的迭代参数Qk+1：
Figure BDA00021165515400000710
基于第(k+1)个估计周期的样本量测数据，更新第(k+1)个估计周期的***误差估计值及相关迭代参数，具体包括如下子步骤：
根据上述方法计算第(k+1)个估计周期的量测数据对应变量Ck+1，Gk+1，
Figure BDA0002116551540000081
Y(k+1)；
基于矩阵逆的低秩修正方法，利用第k估计周期时***误差估计值δ(k)、迭代参数Qk和第(k+1)个估计周期的参数Ck+1，Gk+1，
Figure BDA0002116551540000082
Y(k+1)采用如下递推模型迭代更新第(k+1)个预设估计周期***误差估计值和迭代参数：
Figure BDA0002116551540000083
Figure BDA0002116551540000084
Figure BDA0002116551540000085
当***误差估计值达到精度要求时，迭代结束，至此完成了多传感器***误差估计。
本发明所述技术方案针对速率相对较小目标的连续观测值进行误差校准情形，提出间隔采样的方法，基于工程实践经验设置样本间隔周期以选择恰当的局部样本，再通过迭代修正方法计算***误差估计值。由此，解决上述问题的同时，能够提升计算效率并保证***误差估计的精度及整体跟踪***的融合精度。
本发明的另一个实施例提供一种多传感器***的误差估计***，包括：
样本选取模块，被配置为按照预设估计周期采集参与***误差估计的量测数据；
误差估计模块，被配置为通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据所述量测数据相关量获取所述当前预设估计周期的迭代参数；
迭代递推模块，被配置为根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数。
作为一种可选的实施方式，所述样本选取模块还被配置为：每间隔所述预设估计周期采集一个参与***误差估计的量测值；其中，所述预设估计周期根据下述公式进行计算：
T＝hTc，
其中，T表示所述预设估计周期，Tc表示连续观测的采样周期，
Figure BDA0002116551540000091
v表示目标速率，
Figure BDA0002116551540000092
表示向上取整。
作为一种可选的实施方式，所述离散化模型为：
Y(k)＝Gkδ(k)+V(k)，
其中，δ＝[δ1 δ2]＝[Δr1 Δε1 Δβ1 Δr2 Δε2 Δβ2]，表示所述第一雷达和第二雷达的斜距、方位角和俯仰角三个分量的***误差估计值，δ(k)表示第k(其中k为正整数)个所述预设估计周期的***误差估计值，Y(k)和Gk分别表示第k个所述预设估计周期中的量测数据相关量，V(k)表示第k个所述预设估计周期采样的量测数据中随机噪声导致的误差。
作为一种可选的实施方式，所述迭代递推模块还被配置为：基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的***误差估计值δ(k)：
Figure BDA0002116551540000093
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的迭代参数Qk：
Figure BDA0002116551540000094
其中，k大于1，
Figure BDA0002116551540000095
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。
作为一种可选的实施方式，所述迭代递推模块还被配置为：根据下述公式计算所述下一个所述预设估计周期的***误差估计值δ(k+1)：
Figure BDA0002116551540000096
Figure BDA0002116551540000097
其中，A(k+1)表示迭代过程中的中间参变量；
根据下述公式计算所述下一个所述预设估计周期的迭代参数Qk+1：
Figure BDA0002116551540000098
为了保证方法的计算效率并减少数据等待时间，本发明将历史的误差估计值与实时新测量值结合，在不存储历史测量值的情况下，基于ECEF统一坐标系，利用GLS方法和矩阵逆低秩修正方法实现对***误差估计的实时递推修正。由此解决了传统的误差估计方法中，等待数据累积，计算量较大，实时性较差以及存在重复性工作等问题，同时可以保证估计方法的收敛速度和模型参数的鲁棒性。而且本发明校准方法是一种递推形式，便于计算机实现。本发明已经在仿真和试验中得到验证，具有很好的工程化应用和推广价值。
还需要说明的是，在本发明的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于本领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种多传感器***的误差估计方法，其特征在于，包括以下步骤：
按照预设估计周期采集参与***误差估计的量测数据；
通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据所述量测数据相关量获取所述当前预设估计周期的迭代参数；
根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数；
所述按照预设估计周期采集参与***误差估计的量测数据包括：
每间隔所述预设估计周期采集一个参与***误差估计的量测值；其中，
所述预设估计周期根据下述公式进行计算：
T＝hTc，
其中，T表示所述预设估计周期，Tc表示连续观测的采样周期，
Figure FDA0003318777250000011
v表示目标速率，
Figure FDA0003318777250000012
表示向上取整。
2.根据权利要求1所述的方法，其特征在于，所述离散化模型为：
Y(k)＝Gkδ(k)+V(k)，
其中，δ(k)表示第k个所述预设估计周期的***误差估计值，k为正整数，Y(k)和Gk分别表示第k个所述预设估计周期中的量测数据相关量，V(k)表示第k个所述预设估计周期采样的量测数据中随机噪声导致的误差。
3.根据权利要求2所述的方法，其特征在于，在所述根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数之前包括：
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的***误差估计值δ(k)：
Figure FDA0003318777250000013
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的迭代参数Qk：
Figure FDA0003318777250000021
其中，k大于1，
Figure FDA0003318777250000022
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。
4.根据权利要求3所述的方法，其特征在于，所述根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数包括：
根据下述公式计算所述下一个所述预设估计周期的***误差估计值δ(k+1)：
Figure FDA0003318777250000023
Figure FDA0003318777250000024
其中，A(k+1)表示迭代过程中的中间参变量；
根据下述公式计算所述下一个所述预设估计周期的迭代参数Qk+1：
Figure FDA0003318777250000025
5.一种多传感器***的误差估计***，其特征在于，包括：
样本选取模块，被配置为按照预设估计周期采集参与***误差估计的量测数据；
误差估计模块，被配置为通过构建由第一雷达和第二雷达获取的相同时刻同一目标在地理坐标系下的位置差、***误差估计值和量测数据相关量的离散化模型获取当前预设估计周期的***误差估计值，并根据所述量测数据相关量获取所述当前预设估计周期的迭代参数；
迭代递推模块，被配置为根据所述当前预设估计周期的***误差估计值和迭代参数以及下一个所述预设估计周期的量测数据获取下一个所述预设估计周期的***误差估计值和迭代参数；
所述样本选取模块还被配置为：
每间隔所述预设估计周期采集一个参与***误差估计的量测值；其中，
所述预设估计周期根据下述公式进行计算：
T＝hTc，
其中，T表示所述预设估计周期，Tc表示连续观测的采样周期，
Figure FDA0003318777250000031
v表示目标速率，
Figure FDA0003318777250000032
表示向上取整。
6.根据权利要求5所述的***，其特征在于，所述离散化模型为：
Y(k)＝Gkδ(k)+V(k)，
其中，δ(k)表示第k个所述预设估计周期的***误差估计值，k为正整数，Y(k)和Gk分别表示第k个所述预设估计周期中的量测数据相关量，V(k)表示第k个所述预设估计周期采样的量测数据中随机噪声导致的误差。
7.根据权利要求6所述的***，其特征在于，所述迭代递推模块还被配置为：
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的***误差估计值δ(k)：
Figure FDA0003318777250000033
基于多个所述预设估计周期的量测数据通过广义最小二乘算法获取起始估计周期的迭代参数Qk：
Figure FDA0003318777250000034
其中，k大于1，
Figure FDA0003318777250000035
表示Ci的逆，Ci表示第i预设估计周期采样的量测数据中随机噪声导致的误差的向量V(k)的协方差矩阵。
8.根据权利要求7所述的***，其特征在于，所述迭代递推模块还被配置为：
根据下述公式计算所述下一个所述预设估计周期的***误差估计值δ(k+1)：
Figure FDA0003318777250000036
Figure FDA0003318777250000037
其中，A(k+1)表示迭代过程中的中间参变量；
根据下述公式计算所述下一个所述预设估计周期的迭代参数Qk+1：
Figure FDA0003318777250000038
CN201910592494.XA 2019-07-03 2019-07-03 多传感器***的误差估计方法和*** Active CN110221263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910592494.XA CN110221263B (zh) 2019-07-03 2019-07-03 多传感器***的误差估计方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910592494.XA CN110221263B (zh) 2019-07-03 2019-07-03 多传感器***的误差估计方法和***

Publications (2)

Publication Number Publication Date
CN110221263A CN110221263A (zh) 2019-09-10
CN110221263B true CN110221263B (zh) 2021-12-14

Family

ID=67815693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910592494.XA Active CN110221263B (zh) 2019-07-03 2019-07-03 多传感器***的误差估计方法和***

Country Status (1)

Country Link
CN (1) CN110221263B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999010783A1 (en) * 1997-08-22 1999-03-04 Voyan Technology A method for real-time nonlinear system state estimation and control
WO2010012842A1 (fr) * 2008-08-01 2010-02-04 Thales Amelioration de la localisation d'aeronefs par un radar primaire par exploitation d'un radar secondaire en mode s
CN101984359A (zh) * 2010-04-27 2011-03-09 中国人民解放军海军航空工程学院 用于异类多传感器***的误差配准方法
CN104007426A (zh) * 2014-05-16 2014-08-27 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种基于lse（最小方差估计）的ads与雷达信息***误差配准算法
CN106443605A (zh) * 2016-10-14 2017-02-22 中国人民解放军海军航空工程学院 基于实时质量控制ecef‑gls***误差自适应配准方法
CN108319570A (zh) * 2018-01-31 2018-07-24 哈尔滨工业大学 一种异步多传感器空时偏差联合估计与补偿方法及装置
CN108645412A (zh) * 2018-05-31 2018-10-12 惠州华阳通用电子有限公司 一种多传感器自适应航迹起始方法
CN109343013A (zh) * 2018-11-20 2019-02-15 北京电子工程总体研究所 一种基于重启机制的空间配准方法和***
CN109782240A (zh) * 2019-01-25 2019-05-21 北京电子工程总体研究所 一种基于递推修正的多传感器***误差配准方法和***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU608253B2 (en) * 1986-12-01 1991-03-28 Woodward Governor Company Method and apparatus for iterated determinations of sensed speed and speed governing
US5828983A (en) * 1996-08-29 1998-10-27 Allen Bradley Company, Llc Method and apparatus for processing a sampled waveform
WO2005033872A2 (en) * 2003-09-29 2005-04-14 Multilogic Systems, Llc System and method for overcoming decision making and communicattons errors to produce expedited and accurate group choices
CN107015225B (zh) * 2017-03-22 2019-07-19 电子科技大学 一种基于自聚焦的sar平台初始高度误差估计方法
CN107883948B (zh) * 2017-10-23 2021-03-23 石家庄铁道大学 变步长iccp地磁匹配方法
CN109031212A (zh) * 2018-05-31 2018-12-18 西安电子科技大学 一种雷达跟踪状态下的工作频率优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999010783A1 (en) * 1997-08-22 1999-03-04 Voyan Technology A method for real-time nonlinear system state estimation and control
WO2010012842A1 (fr) * 2008-08-01 2010-02-04 Thales Amelioration de la localisation d'aeronefs par un radar primaire par exploitation d'un radar secondaire en mode s
CN101984359A (zh) * 2010-04-27 2011-03-09 中国人民解放军海军航空工程学院 用于异类多传感器***的误差配准方法
CN104007426A (zh) * 2014-05-16 2014-08-27 中国人民解放军空军装备研究院雷达与电子对抗研究所 一种基于lse（最小方差估计）的ads与雷达信息***误差配准算法
CN106443605A (zh) * 2016-10-14 2017-02-22 中国人民解放军海军航空工程学院 基于实时质量控制ecef‑gls***误差自适应配准方法
CN108319570A (zh) * 2018-01-31 2018-07-24 哈尔滨工业大学 一种异步多传感器空时偏差联合估计与补偿方法及装置
CN108645412A (zh) * 2018-05-31 2018-10-12 惠州华阳通用电子有限公司 一种多传感器自适应航迹起始方法
CN109343013A (zh) * 2018-11-20 2019-02-15 北京电子工程总体研究所 一种基于重启机制的空间配准方法和***
CN109782240A (zh) * 2019-01-25 2019-05-21 北京电子工程总体研究所 一种基于递推修正的多传感器***误差配准方法和***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于多传感器融合的目标定位***误差校正方法研究》;金圣闯;《中国优秀硕士学位论文全文数据库 信息科技辑》;20150115(第1期);I140-332 *
《目标跟踪与多传感器信息融合若干问题研究》;张高煜;《中国博士学位论文全文数据库 信息科技辑》;20070815(第2期);I140-16 *
《陆军野战防空网络化协同作战模式及战术运用研究》;李喆;《第三届中国指挥控制大会论文集（上册）》;20150707;80-84 *

Also Published As

Publication number Publication date
CN110221263A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN111985093B (zh) 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法
CN109782240B (zh) 一种基于递推修正的多传感器***误差配准方法和***
CN106443661B (zh) 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN104713560B (zh) 基于期望最大化的多源测距传感器空间配准方法
CN110058236A (zh) 一种面向三维地表形变估计的InSAR和GNSS定权方法
CN106772524B (zh) 一种基于秩滤波的农业机器人组合导航信息融合方法
CN110503071A (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN104020480B (zh) 一种带自适应因子的交互式多模型ukf的卫星导航方法
CN102221688B (zh) 一种雷达***误差估计方法
CN108318856A (zh) 一种异构网络下快速精准的目标定位与跟踪方法
CN106646453A (zh) 一种基于预测值量测转换的多普勒雷达目标跟踪方法
CN113375697B (zh) 基于最大后验估计的x射线脉冲星信号时延估计方法
CN104050686B (zh) 一种密集空间目标跟踪方法
CN110221263B (zh) 多传感器***的误差估计方法和***
CA2675310A1 (en) Method for evaluation of sensor measured values
CN114970222B (zh) 基于hasm的区域气候模式日平均气温偏差订正方法和***
CN109343013B (zh) 一种基于重启机制的空间配准方法和***
CN116437290A (zh) 一种基于csi指纹定位的模型融合方法
CN114814779B (zh) 浮标涌浪波高观测数据误差评估方法、***、设备及介质
CN110996248A (zh) 一种基于rss的凸优化无线传感器网络定位方法
CN115685128A (zh) 一种机动目标场景下的雷达目标跟踪算法及电子设备
CN107590346B (zh) 基于空间多重相关解集算法的降尺度校正模型
CN114004426B (zh) 一种短时暴雨预报释用模型的动态调整方法
CN110716219A (zh) 一种提高定位解算精度的方法
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant