CN110738275A - 基于ut-phd的多传感器序贯融合跟踪方法 - Google Patents

Abstract

本发明公开了基于UT‑PHD的多传感器序贯融合跟踪方法，属于信息融合领域，适应于多传感器对多目标的融合跟踪。基于各自滤波再航迹关联和融合的方法存在量测信息利用不充分，统一坐标系时量测转换误差较大以及需要进行航迹关联等问题。本发明提出的基于UT‑PHD的多传感器序贯融合跟踪方法立足于解决此类问题。本发明通过不敏变换(UT)将各传感器量测转到ECEF坐标系，再利用PHD滤波器对各传感器量测进行序贯滤波，同时克服了各自滤波再航迹关联和融合的方法信息利用不充分、量测转换误差大以及需要进行航迹关联等局限性，因此具有较强的工程应用价值和推广前景。

Description

基于UT-PHD的多传感器序贯融合跟踪方法

技术领域

本发明涉及一种目标跟踪方法，特别是涉及一种多传感器多目标的融合跟踪方法，属于信息融合领域，适应于多传感器对多目标的融合跟踪。

背景技术

随着现代科技的迅猛发展，军事技术的日新月异，现代战争日益复杂，战场范围不断扩大，已经发展到陆、海、空、天、电磁五维空间。与此同时，传感器技术也得到了飞速发展，各种面向复杂应用背景的多传感器***大量涌现。综合利用各类传感器***，可以克服单一传感器由于各种电子对抗、空中复杂环境及随机噪声等因素导致测量到的目标信息存在较大随机误差的问题，同时也可以获取到更多的单一传感器所不能提供的目标其他信息。因此，利用多传感器对目标进行联合探测是当前目标跟踪领域的发展趋势。目前的多传感器目标跟踪方法主要通过各自滤波再航迹关联和融合的方法实现，该方法主要包括以下步骤：

(1)各传感器获取量测数据；

(2)对各传感器的量测数据进行滤波，得到各传感器各自坐标系下的目标航迹和跟踪精度；

(3)将各传感器滤波得到的目标航迹转换到统一坐标系，并通过线性化的方法估计统一坐标系各航迹点对应的跟踪精度；

(4)在统一坐标系下进行航迹的关联，并利用转换后的跟踪精度进行航迹的加权融合。

各自滤波再航迹关联和融合的多传感器目标跟踪方法具有以下两个缺陷：(1)在各传感器下先滤波再关联融合，每个传感器在滤波的过程都可能造成部分量测信息的损失，量测信息并未得到充分的利用；(2)当坐标转换方程具有较强的非线性时，利用线性化的方法估计目标跟踪精度将带来较大的误差，进而严重影响后续航迹融合的精度；(3)需进行航迹关联。

发明内容

本发明的目的是提出一种基于UT-PHD的多传感器序贯融合跟踪方法，解决基于各自滤波再航迹关联和融合的多传感器目标融合跟踪方法不能充分利用量测信息和线性化估计目标跟踪精度误差大的缺陷。

本发明提出的基于UT-PHD的多传感器序贯融合跟踪方法的技术方案包括以下步骤：

步骤1：变量初始化

(1)e为地球偏心率，a为地球短半轴长度，b为地球长半轴长度；

(2)M为多传感器的个数，其中T为传感器采样周期，P_m,z为传感器m的量测误差协方差，为传感器m的地理坐标，m＝1,2,...,M；

(3)函数diag(B)表示以向量B构建对角线矩阵，函数round(x)表示取与x最接近的整数；

(4)D₀为目标出现的初始分布，γ_k为平均目标出现概率，P_D为目标检测概率；λ_k为平均每帧的杂波个数，

为k时刻估计的目标个数，Q_k为过程噪声协方差；

步骤2：根据已知条件完成PHD滤波器的初始化工作；

步骤3：令k＝k+1，获得k时刻多传感器的量测数据

对任意m∈{1,2,...,M}，将传感器m接收到的信号进行A/D变换，获得k时刻传感器m的量测数据集

并将其送融合中心数据处理计算机，其中

表示k时刻传感器m的第n个量测，包含距离量测

方位量测和俯仰量测而M_m,k则表示k时刻传感器m的量测个数；

步骤4：基于UT的多传感器量测坐标系转换和量测误差估计

利用UT变换将各传感器NED坐标系下的量测和量测误差协方差转换成ECEF坐标系下的量测和量测误差协方差；

步骤5：PHD滤波器预测；

步骤6：基于序贯滤波的PHD滤波器更新

利用各传感器ECEF坐标系下的量测和量测误差协方差依次进行PHD滤波器更新，并估计目标数量和目标状态；

步骤7：重复步骤3～步骤7，直至多传感器***关机。

具体的，所述步骤4具体为：

(1)对任意m∈{1,2,...,M}和n∈{1,2,…,M_m,k}，令

w_q＝1/(2N_z+1),q＝0,1,…,2N_z

其中

表示矩阵N_zR_m,z平方根的第p个行向量或列向量，R_m,z为传感器m的量测误差协方差，N_z为量测的维数；

a.对任意q∈{0,1,…,2N_z}，令

其中f(·)表示NED坐标到ECEF坐标的转换公式

b.令

和

得到ECEF坐标系下的传感器量测及对应的量测误差协方差

(2)令

和得到ECEF坐标系下的传感器m的量测集和对应的量测误差协方差集。

具体的，所述步骤6具体为：

(1)令m＝1；

(2)利用量测集Y_m,k和量测误差协方差集P_m,k对k时刻的PHD滤波器进行更新；

(3)令m＝m+1，若m≤M，滤波器重置，转回(2)，否则执行(4)；

(4)估计目标数量和目标状态。

和背景技术相比，本发明的有益效果说明：

(1)本发明提出的基于UT-PHD的多传感器序贯融合跟踪方法，在统一坐标系下进行序贯滤波和融合跟踪，解决了背景技术在各自坐标系下进行滤波造成量测信息损失的问题；

(2)本发明通过UT变换估计各传感器量测数据在统一坐标下的量测误差，估计精度精确到2阶，解决了背景技术线性化估计目标跟踪精度误差大的问题；

(3)本发明通过PHD滤波得以实现，在对多目标进行跟踪的同时有效避免了多传感器航迹关联的问题。

附图说明

附图1是本发明的基于UT-PHD的多传感器序贯融合跟踪方法的整体流程图。

具体实施方式

不失一般性，假设PHD滤波器通过粒子滤波实现，多传感器***包含2部传感器，传感器采样周期T＝1s，其地理坐标分别为(36.5,120,100)和(36,120,100)，其距离和角度误差均分别为100m和0.5°，地球短半轴长度a＝6356752.3m，长半轴长度b＝6378137.0m。代表1个目标粒子数L₀＝4000，搜索新目标粒子数J_k＝3000，目标出现初始分布D₀＝0.2N(x|x₀,Q_b)，其中N(·|x₀,Q_b)表示均值为x₀，协方差为Q_b的正态分布，取

x₀＝[30km,0.2km/s,30km,0.3km/s,30km，0.4km/s]^T

Q_b＝diag([1km，0.5km/s，1km，0.5km/s,1km，0.5km/s])

目标出现概率γ_k＝0.2，目标检测概率P_D＝0.95；平均每帧的杂波个数λ_k＝10，目标各方向的过程噪声q_x,k＝q_y,k＝q_z,k＝10m/s²。

下面结合附图，对本发明的基于UT-PHD的多传感器序贯融合跟踪方法进行详细描述。步骤1：按发明内容部分步骤1所述的方法进行变量初始化

(1)多传感器个数M＝2，地球偏心率

(2)两传感器的量测误差协方差分别为

其地理坐标分别为

和

(3)函数diag(B)表示以向量B构建对角线矩阵，函数round(x)表示取与x最接近的整数；

(4)目标出现的初始分布D₀＝0.2N(x|x₀,Q_b)，其中N(·|x₀,Q_b)表示均值为x₀，协方差为Q_b的正态分布

x₀＝[30km,0.2km/s,30km,0.3km/s,30km，0.4km/s]^T

Q_b＝diag([1km，0.5km/s，1km，0.5km/s,1km，0.5km/s])

平均目标出现概率γ_k＝0.2，目标检测概率P_D＝0.95，平均每帧的杂波个数λ_k＝10，

为k时刻估计的目标个数，过程噪声协方差

步骤2：按发明内容部分步骤2所述的方法完成PHD滤波器初始化工作

(1)代表1个目标粒子数L₀＝4000，搜索新目标粒子数J_k＝3000；

(2)令k＝0和

对任意p∈{1,2,…,L₀}，从初始分布D₀中采样粒子其中

表示粒子代表的目标状态，包含了目标的位置

和速度

信息，并赋予该粒子权重

步骤3：按发明内容部分步骤3所述的方法进行多传感器量测获取

令k＝k+1，对任意m∈{1,2,...,M}，将传感器m接收到的信号进行A/D变换，获得k时刻传感器m的量测数据集并将其送融合中心数据处理计算机，其中

表示k时刻传感器m的第n个量测，包含距离量测方位量测

和俯仰量测而M_m,k则表示k时刻传感器m的量测个数；

步骤4：按发明内容部分步骤4所述的方法进行基于UT的多传感器量测坐标系转换和量测误差估计

(1)对任意m∈{1,2,...,M}和n∈{1,2,…,M_m,k}，令

w_q＝1/(2N_z+1),q＝0,1,…,2N_z

其中

表示矩阵N_zR_m,z平方根的第p个行向量或列向量，R_m,z为传感器m的量测误差协方差，N_z为量测

的维数；

a.对任意q∈{0,1,…,2N_z}，令

其中f(·)表示NED坐标到ECEF坐标的转换公式

b.令

和

得到ECEF坐标系下的传感器量测

及对应的量测误差协方差

(2)令

和得到ECEF坐标系下的传感器m的量测集和对应的量测误差协方差集。

步骤5：按发明内容部分步骤5所述的方法进行PHD滤波器预测

(1)对任意p∈{1,2,…,L_k-1}，对粒子

的状态进行一步预测

其中

和

得到粒子并赋予该粒子权重

其中randn(3,1)表示根据标准正态分布随机产生一个3×1的向量；

(2)对任意p∈{L_k-1+1,L_k-1+2,…,L_k-1+J_k}，根据初始分布D₀采样“新生”粒子

并赋予该粒子权重

步骤6：按发明内容部分步骤6所述的方法进行基于序贯滤波的PHD滤波器更新

(1)令m＝1；

(2)利用量测集Y_m,k和量测误差协方差集P_m,k对k时刻的滤波器进行更新

a.对任意p∈{1,2,…,L_k-1+J_k}，令

得到预测量测

b.对任意p∈{1,2,…,L_k-1+J_k}和任意n∈{1,2,…,M_m,k}，计算新息

并计算

c.对任意n∈{1,2,…,M_m,k}，计算

d.对任意p∈{1,2,…,L_k-1+J_k}，计算粒子权重

(3)令m＝m+1，若m≤M，对任意p∈{1,2,…,L_k-1+J_k}，令

转回(2)，否则执行(4)；

(4)估计目标数量和目标状态。

a.计算所有粒子的权重和

对粒子集

进行重采样，得到新的粒子集

其中

b.采用聚类分析的方法将粒子集

划分为

个类，第n个类的中心即为第n个目标的状态估计

步骤7：循环执行发明内容部分步骤3～步骤7，直至多传感器***关机。

实施例条件中，本发明提出的基于UT-PHD的多传感器序贯融合跟踪方法，在ECEF坐标系下进行序贯滤波和融合跟踪，避免了各自滤波带来的有用量测信息损失的问题；本发明方法通过UT变换将各传感器量测数据从各自的NED坐标系转换到ECEF坐标，并估计ECEF坐标下各自的量测误差，估计精度可精确到二阶，解决了背景技术线性化估计目标跟踪精度误差大的问题；从该发明专利的所有步骤来可看出，本发明方法无需进行数据关联。

Claims (3)

1.基于UT-PHD的多传感器序贯融合跟踪方法，其特征包括以下步骤：

步骤1：变量初始化

(1)e为地球偏心率，a为地球短半轴长度，b为地球长半轴长度；

(2)M为多传感器的个数，其中T为传感器采样周期，P_m,z为传感器m的量测误差协方差，

为传感器m的地理坐标，m＝1,2,...,M；

(3)函数diag(B)表示以向量B构建对角线矩阵，函数round(x)表示取与x最接近的整数；

(4)D₀为目标出现的初始分布，γ_k为平均目标出现概率，P_D为目标检测概率；λ_k为平均每帧的杂波个数，

为k时刻估计的目标个数，Q_k为过程噪声协方差；

步骤2：根据已知条件完成PHD滤波器的初始化工作；

步骤3：令k＝k+1，获得k时刻多传感器的量测数据

对任意m∈{1,2,...,M}，将传感器m接收到的信号进行A/D变换，获得k时刻传感器m的量测数据集

并将其送融合中心数据处理计算机，其中表示k时刻传感器m的第n个量测，包含距离量测

方位量测

和俯仰量测而M_m,k则表示k时刻传感器m的量测个数；

步骤4：基于UT的多传感器量测坐标系转换和量测误差估计

利用UT变换将各传感器NED坐标系下的量测和量测误差协方差转换成ECEF坐标系下的量测和量测误差协方差；

步骤5：PHD滤波器预测；

步骤6：基于序贯滤波的PHD滤波器更新

利用各传感器ECEF坐标系下的量测和量测误差协方差依次进行PHD滤波器更新，并估计目标数量和目标状态；

步骤7：重复步骤3～步骤7，直至多传感器***关机。

2.权利要求1所述的基于UT-PHD的多传感器序贯融合跟踪方法，其特征在于，所述步骤4具体为：

(1)对任意m∈{1,2,...,M}和n∈{1,2,…,M_m,k}，令

w_q＝1/(2N_z+1),q＝0,1,…,2N_z

其中

表示矩阵N_zR_m,z平方根的第p个行向量或列向量，R_m,z为传感器m的量测误差协方差，N_z为量测

的维数；

a.对任意q∈{0,1,…,2N_z}，令

其中f(·)表示NED坐标到ECEF坐标的转换公式

b.令

和

得到ECEF坐标系下的传感器量测

及对应的量测误差协方差

(2)令

和

得到ECEF坐标系下的传感器m的量测集和对应的量测误差协方差集。

3.利要求1所述的基于UT-PHD的多传感器序贯融合跟踪方法，其特征在于，所述步骤6具体为：

(1)令m＝1；

(2)利用量测集Y_m,k和量测误差协方差集P_m,k对k时刻的PHD滤波器进行更新；

(3)令m＝m+1，若m≤M，滤波器重置，转回(2)，否则执行(4)；

(4)估计目标数量和目标状态。