CN110987068B - 一种多传感器综合控制***数据融合方法 - Google Patents
一种多传感器综合控制***数据融合方法 Download PDFInfo
- Publication number
- CN110987068B CN110987068B CN201911192957.XA CN201911192957A CN110987068B CN 110987068 B CN110987068 B CN 110987068B CN 201911192957 A CN201911192957 A CN 201911192957A CN 110987068 B CN110987068 B CN 110987068B
- Authority
- CN
- China
- Prior art keywords
- time
- data
- fusion
- sensor
- measurement
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000026676 system process Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种多传感器综合控制***数据融合方法,该方法首先通过插值法对不同传感器的测量数据进行时间对准,其次构造不同传感器测量精度实时估计模型并依据实时测量精度进行不同传感器同一时刻测量数据的最优加权融合且估计出融合精度,最后以实时的最优加权融合数据作为观测值进行多传感器综合控制***融合数据的实时卡尔曼滤波。该数据融合方法计算过程简单,能够克服需要传感器先验测量精度的缺点,增强数据融合过程中的抗干扰性,提高数据实时输出精度,满足多传感器综合控制***数据融合过程中鲁棒性和实时性的要求。
Description
技术领域
本发明属于信息融合技术领域,具体涉及一种多传感器综合控制***数据融合方法。
背景技术
由多个异质或者同质传感器构成的综合控制***能够敏感更多的环境信息,从而提高综合控制***的抗干扰能力和动作可靠度。各个传感器工作机理可以相同或不同,分别敏感环境信息,通过数据处理,各个传感器将所感知到的环境信息转换为***的控制信息。不同传感器给出的控制信息具有互补性和容错性。因此,多传感器综合控制***是一个具有多信息源的数据融合***。***控制设备对各个传感器给出的控制信息进行综合处理后,给出最终的动作信号。但是受工作环境或时间的限制,不同传感器的测量精度不是恒定不变的。因此,不能直接利用传感器标称的测量精度进行***数据的融合处理。而目前现有的数据融合算法难以确定各传感器测量数据的统计特性,鲁棒性较差,融合精度不高,同时运算量较大,无法满足***高实时性的要求。
发明内容
(一)要解决的技术问题
本发明提出一种多传感器综合控制***数据融合方法,以解决如何满足多传感器综合控制***对数据融合高实时性和强鲁棒性要求的技术问题。
(二)技术方案
为了解决上述技术问题,本发明提出一种多传感器综合控制***数据融合方法,该数据融合方法包括如下步骤:
S1、利用插值法对不同传感器的测量数据进行时间对准;
S2、构造不同传感器测量精度实时估计模型,依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度;
S3、以实时的最优加权融合数据作为观测值进行多传感器综合控制***融合数据的实时卡尔曼滤波。
进一步地,该数据融合方法具体包括如下步骤:
S1、利用插值法对不同传感器的测量数据进行时间对准
多传感器综合控制***中有n部相互独立的同质或异质传感器对待测参数进行测量,其中n≥3;根据公式(1),对不同传感器的测量数据在时间上进行插值处理:
其中,xi(a)为第i部传感器a时刻的测量值;xi(b)为待求的第i部传感器b时刻的测量值;xi(c)为第i部传感器c时刻的测量值;
S2、构造不同传感器测量精度实时估计模型,依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度
根据公式(2)构造不同传感器测量精度实时估计模型:
其中,为第i部传感器m时刻的测量精度,即从0时刻到m时刻测量值与真实值的统计标准差;B为的矩阵,且矩阵B中每一行只有两个1,其余全为0,即B中某一行第i列与第j列为1,这两个1分别对应和γij与B中某行第i列与第j列的1以及和相对应,且其与第i部传感器、第j部传感器从0时刻到m时刻所有时间对准后的数据之间存在如公式(3)所示的关系:
S3、以实时的最优加权融合数据作为观测值进行多传感器综合控制***融合数据的实时卡尔曼滤波
在获取到m时刻n部传感器数据融合值r(m)之后,其中m>1,将该融合值r(m)作为观测值进行卡尔曼滤波。
进一步地,在步骤S3中,***状态方程和观测方程如公式(6)所示:
其中,F(m)和G(m)是***参数;u(m)是m时刻该***的控制变量;v(m)是m时刻的***过程噪声,且E(v(m)v(k)T)=Γ(m);H(m)是测量***参数;r(m)是m时刻的***观测值,即m时刻n部传感器最优加权数据融合值;η(m)是m时刻的***测量噪声,且
在对该***进行初始化之后,按照公式(7)对该***进行卡尔曼滤波:
其中,z(m+1,m)是根据m时刻的最优估计预测的m+1时刻的结果,z(m+1)是m+1时刻的最优估计,P(m+1,m)是根据m时刻计算m+1时刻的先验估计方差,P(m+1)是m+1时刻的后验估计方差,K(m+1)是m+1时刻的卡尔曼增益。
(三)有益效果
本发明提出一种多传感器综合控制***数据融合方法,该方法首先通过插值法对不同传感器的测量数据进行时间对准,其次构造不同传感器测量精度实时估计模型并依据实时测量精度进行不同传感器同一时刻测量数据的最优加权融合且估计出融合精度,最后以实时的最优加权融合数据作为观测值进行多传感器综合控制***融合数据的实时卡尔曼滤波。该数据融合方法计算过程简单,能够克服需要传感器先验测量精度的缺点,增强数据融合过程中的抗干扰性,提高数据实时输出精度,满足多传感器综合控制***数据融合过程中鲁棒性和实时性的要求。
附图说明
图1为本发明实施例的多传感器综合控制***数据融合方法流程图。
具体实施方式
为使本发明的目的、内容和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
本实施例提出一种多传感器综合控制***数据融合方法,其流程如图1所示,具体包括如下步骤:
S1、利用插值法对不同传感器的测量数据进行时间对准,包括:
多传感器综合控制***中有n(n≥3)部相互独立的异质传感器对某待测参数进行测量,根据公式(1),对不同传感器的测量数据在时间上进行插值处理:
其中,xi(a)为第i部传感器a时刻的测量值;xi(b)为待求的第i部传感器b时刻的测量值;xi(c)为第i部传感器c时刻的测量值。
S2、构造不同传感器测量精度实时估计模型,依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度,包括:
对于n(n≥3)部传感器中的第i部传感器a时刻的测量值,以公式(2)作为其量测方程:
根据式(2)可得k(k≥1)时刻第i部与第j(j≠i)部传感器对待测参数的测量值存在以下关系,如公式(3)所示:
xi(k)-δi(k)=xj(k)-δj(k) (3)
对公式(3)进行变换可得公式(4):
xi(k)-xj(k)=δi(k)-δj(k) (4)
对于传感器数据插值处理后的第m(m≥k)时刻,包含m>1和m=1两种情况:
(1)当m>1时
对公式(5)中等式左侧求方差得到公式(6):
对公式(5)中等式右侧求方差得到公式(7):
由公式(6)及公式(7)得到公式(8):
A·Y=γij (9)
同理,n部传感器中任意两部传感器对待测参数的测量方程满足式(9)的关系,所有方程用矩阵表示为公式(10):
(2)当m=1时
S3、以实时的最优加权融合数据作为观测值进行多传感器综合控制***融合数据的实时卡尔曼滤波,包括:
在获取到m(m>1)时刻n部传感器数据融合值r(m)之后,将该融合值作为观测值进行卡尔曼滤波。
该***状态方程和观测方程如公式(13):
其中,F(m)和G(m)是***参数,u(m)是m时刻该***的控制变量,v(m)是m时刻的***过程噪声,且E(v(m)v(k)T)=Γ(m),H(m)是测量***参数,r(m)是m时刻的***测量值,η(m)是m时刻的***测量噪声,且
在对该***进行初始化之后,该***的卡尔曼滤波方程如公式(14):
其中,z(m+1,m)是根据m时刻的最优估计预测的m+1时刻的结果,z(m+1)是m+1时刻的最优估计,P(m+1,m)是根据m时刻计算m+1时刻的先验估计方差,P(m+1)是m+1时刻的后验估计方差,K(m+1)是m+1时刻的卡尔曼增益。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (1)
1.一种多传感器综合控制***数据融合方法,其特征在于,所述数据融合方法包括如下步骤:
S1.利用插值法对不同传感器的测量数据进行时间对准
多传感器综合控制***中有n部相互独立的同质或异质传感器对待测参数进行测量,其中n≥3;根据公式(1),对不同传感器的测量数据在时间上进行插值处理:
其中,xi(a)为第i部传感器a时刻的测量值;xi(b)为待求的第i部传感器b时刻的测量值;xi(c)为第i部传感器c时刻的测量值;
S2.构造不同传感器测量精度实时估计模型,依据实时测量精度对不同传感器同一时刻测量数据进行最优加权融合且估计融合精度
根据公式(2)构造不同传感器测量精度实时估计模型:
其中,为第i部传感器m时刻的测量精度,即从0时刻到m时刻测量值与真实值的统计标准差;B为的矩阵,且矩阵B中每一行只有两个1,其余全为0,即B中某一行第i列与第j列为1,这两个1分别对应和γij与B中某行第i列与第j列的1以及和相对应,且其与第i部传感器、第j部传感器从0时刻到m时刻所有时间对准后的数据之间存在如公式(3)所示的关系:
S3.以实时的最优加权融合数据作为观测值进行多传感器综合控制***融合数据的实时卡尔曼滤波
在获取到m时刻n部传感器数据融合值r(m)之后,其中m>1,将该融合值r(m)作为观测值进行卡尔曼滤波;
***状态方程和观测方程如公式(6)所示:
其中,F(m)和G(m)是***参数;u(m)是m时刻该***的控制变量;v(m)是m时刻的***过程噪声,且E(v(m)v(k)T)=Γ(m);H(m)是测量***参数;r(m)是m时刻的***观测值,即m时刻n部传感器最优加权数据融合值;η(m)是m时刻的***测量噪声,且
在对该***进行初始化之后,按照公式(7)对该***进行卡尔曼滤波:
其中,z(m+1,m)是根据m时刻的最优估计预测的m+1时刻的结果,z(m+1)是m+1时刻的最优估计,P(m+1,m)是根据m时刻计算m+1时刻的先验估计方差,P(m+1)是m+1时刻的后验估计方差,K(m+1)是m+1时刻的卡尔曼增益。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192957.XA CN110987068B (zh) | 2019-11-28 | 2019-11-28 | 一种多传感器综合控制***数据融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911192957.XA CN110987068B (zh) | 2019-11-28 | 2019-11-28 | 一种多传感器综合控制***数据融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110987068A CN110987068A (zh) | 2020-04-10 |
CN110987068B true CN110987068B (zh) | 2021-11-30 |
Family
ID=70087830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911192957.XA Active CN110987068B (zh) | 2019-11-28 | 2019-11-28 | 一种多传感器综合控制***数据融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110987068B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111645699B (zh) * | 2020-06-10 | 2021-08-31 | 北京理工大学 | 基于多传感器信息融合的模型自适应侧向速度估计方法 |
CN112185090A (zh) * | 2020-08-31 | 2021-01-05 | 江苏大学 | 一种基于NB-IoT的农业大棚远程监测***及方法 |
CN112200240B (zh) * | 2020-09-30 | 2024-05-31 | 重庆长安汽车股份有限公司 | 一种多传感器目标数据融合方法、***及计算机可读存储介质 |
CN113219347A (zh) * | 2021-04-27 | 2021-08-06 | 东软睿驰汽车技术(沈阳)有限公司 | 一种电池参数测量方法及装置 |
CN116707746B (zh) * | 2023-08-07 | 2024-03-22 | 长春航盛艾思科电子有限公司 | 一种阵列传感器的测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630445A (zh) * | 2009-06-10 | 2010-01-20 | 民航数据通信有限责任公司 | 基于噪声误差的异步多传感器数据处理方法和*** |
CN102393881A (zh) * | 2011-09-08 | 2012-03-28 | 杭州微松环境科技有限公司 | 一种实时多传感温度数据融合的高精度检测方法 |
CN103105611A (zh) * | 2013-01-16 | 2013-05-15 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN105390029A (zh) * | 2015-11-06 | 2016-03-09 | 武汉理工大学 | 基于航迹融合和航迹预测的船舶避碰辅助决策方法及*** |
CN106680806A (zh) * | 2016-11-24 | 2017-05-17 | 清华大学 | 一种多雷达点迹融合方法 |
CN107067019A (zh) * | 2016-12-16 | 2017-08-18 | 上海交通大学 | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103743435A (zh) * | 2013-12-23 | 2014-04-23 | 广西科技大学 | 一种多传感器数据融合方法 |
CN105823856A (zh) * | 2016-05-03 | 2016-08-03 | 北京英视睿达科技有限公司 | 一种基于多传感器融合的空气质量监测方法 |
US10370962B2 (en) * | 2016-12-08 | 2019-08-06 | Exxonmobile Research And Engineering Company | Systems and methods for real-time monitoring of a line |
US20190204433A1 (en) * | 2017-12-29 | 2019-07-04 | Viettel Group | Method of tracking target by using 2d radar with sensor |
CN108228535A (zh) * | 2018-01-02 | 2018-06-29 | 佛山科学技术学院 | 一种不等精度测量数据融合的最优加权参数估算方法 |
CN108985373B (zh) * | 2018-07-12 | 2021-09-14 | 中国人民解放军陆军炮兵防空兵学院郑州校区 | 一种多传感器数据加权融合方法 |
-
2019
- 2019-11-28 CN CN201911192957.XA patent/CN110987068B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630445A (zh) * | 2009-06-10 | 2010-01-20 | 民航数据通信有限责任公司 | 基于噪声误差的异步多传感器数据处理方法和*** |
CN102393881A (zh) * | 2011-09-08 | 2012-03-28 | 杭州微松环境科技有限公司 | 一种实时多传感温度数据融合的高精度检测方法 |
CN103105611A (zh) * | 2013-01-16 | 2013-05-15 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN105390029A (zh) * | 2015-11-06 | 2016-03-09 | 武汉理工大学 | 基于航迹融合和航迹预测的船舶避碰辅助决策方法及*** |
CN106680806A (zh) * | 2016-11-24 | 2017-05-17 | 清华大学 | 一种多雷达点迹融合方法 |
CN107067019A (zh) * | 2016-12-16 | 2017-08-18 | 上海交通大学 | 基于变分贝叶斯估计下的ads‑b与tcas数据融合方法 |
Non-Patent Citations (4)
Title |
---|
A Congeneric Multi-Sensor Data Fusion Algorithm and Its Fault-Tolerance;Li Shu-qing等;《2010 International Conference on Computer Application and System Modeling (ICCASM 2010)》;20101231;第V1-339至V1-342页 * |
MULTI SENSOR DATA FUSION METHODS USING SENSOR DATA COMPRESSION AND ESTIMATED WEIGHTS;A. Anand Bardwaj等;《IEEE-International Conference on Signal processing, Communications and Networking Madras Institute of Technology》;20081231;第250-254页 * |
改进的扩展卡尔曼滤波算法研究;贺军义等;《测控技术》;20181231;第37卷(第12期);第102-106页 * |
面向数据融合的传感器精度自评估方法;谭秋玥等;《计算机与数字工程》;20161031;第44卷(第10期);第1921-1926页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110987068A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110987068B (zh) | 一种多传感器综合控制***数据融合方法 | |
CN110908364B (zh) | 一种基于鲁棒区间估计的故障检测方法 | |
CN109543143B (zh) | 非线性带偏差***的多传感器融合估计方法 | |
Wang et al. | Robust estimation using the Huber function with a data-dependent tuning constant | |
CN106662472B (zh) | 偏差估计装置和方法以及故障诊断装置和方法 | |
CN108959808B (zh) | 一种基于传感器网络的优化分布式状态估计方法 | |
CN103162678B (zh) | 批量mems陀螺信息融合方法 | |
CN105115573A (zh) | 一种洪水流量预报的校正方法和装置 | |
CN110572779B (zh) | 一种基于ToF模型的基站的***误差估计方法 | |
CN116088303B (zh) | 一种不确定复杂动态网络状态时变递推估计方法 | |
CN104298650B (zh) | 基于多方法融合的量化卡尔曼滤波方法 | |
CN112729344A (zh) | 无需参照物的传感器外参标定方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN114139109A (zh) | 一种目标跟踪方法、***、设备、介质及数据处理终端 | |
CN117370913A (zh) | 光伏***中异常数据的检测方法、装置以及设备 | |
CN115047505B (zh) | 基于载波相位差分辅助的gnss定位方法及导航方法 | |
CN116257736A (zh) | 一种卡尔曼滤波电流检测融合算法 | |
CN115906641A (zh) | 一种基于深度学习的imu陀螺仪随机误差补偿方法及装置 | |
CN112987054B (zh) | 标定sins/dvl组合导航***误差的方法和装置 | |
CN111444475B (zh) | 一种应用在飞行测试数据分析的容错ckf滤波融合方法 | |
CN110288724A (zh) | 一种基于小波函数主元分析的批次过程监测方法 | |
CN114266103B (zh) | 一种飞行器参数和噪声特性在线估计方法及存储介质 | |
CN112581616B (zh) | 基于序贯分块滤波的最近邻ukf-slam方法 | |
CN106788336B (zh) | 一种基于输出-反馈校正的线性***滤波估计方法 | |
Min et al. | A robust algorithm to repair the lost signal in dynamic observation |
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 |