CN112489075B - 基于特征函数的序惯式多传感器融合滤波方法 - Google Patents

基于特征函数的序惯式多传感器融合滤波方法 Download PDF

Info

Publication number
CN112489075B
CN112489075B CN202011396814.3A CN202011396814A CN112489075B CN 112489075 B CN112489075 B CN 112489075B CN 202011396814 A CN202011396814 A CN 202011396814A CN 112489075 B CN112489075 B CN 112489075B
Authority
CN
China
Prior art keywords
state
sensor
fusion center
calculating
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.)
Active
Application number
CN202011396814.3A
Other languages
English (en)
Other versions
CN112489075A (zh
Inventor
袁洢苒
李明媚
胡尘
徐晓滨
文成林
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011396814.3A priority Critical patent/CN112489075B/zh
Publication of CN112489075A publication Critical patent/CN112489075A/zh
Application granted granted Critical
Publication of CN112489075B publication Critical patent/CN112489075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种基于特征函数的序惯式多传感器融合滤波方法，本发明通过对多个传感器采用序惯式的设计方式，将上一时刻到达融合中心的传感器的状态估计值，作为下一时刻到达融合中心的传感器的状态预测值，对传来的信息，来一组数据就处理一组数据，先到先融合，并充分考虑到信息的丢包现象，时间成本较低。通过序惯式融合方式，可以在很大程度减少因丢包现象而导致的滤波估计误差，序惯式设计考虑到了信息的实时更新和继承的特性，能够得到较高的估计精度，能在非线性***甚至强非线性***中得到很好的应用。

Description

基于特征函数的序惯式多传感器融合滤波方法
技术领域
本发明属于非线性动态***的空间目标跟踪领域，特别涉及一类状态模型为线性，测量模型为强非线性***的空间目标跟踪领域，可用于在空间目标跟踪过程中，对目标的实时位置和速度的优化处理。
背景技术
滤波方法是状态估计中的重要方法，状态估计在故障诊断、目标跟踪、信号处理、计算机视觉、通信、导航等领域有着非常广泛的应用。
传统的卡尔曼滤波只适用于状态模型和测量模型都为线性，且噪声为高斯白噪声的***。当***的噪声不再为高斯白噪声或者***不再为线性***时，传统的卡尔曼滤波方法将不再适用。在实际应用***中，绝大部分***模型都是非线性或者非高斯的，因此，针对非线性***或者噪声为非高斯的***，为了实现其状态估计，在卡尔曼滤波器的基础上，延伸出了多种滤波器。如扩展卡尔曼滤波器(EKF)，但其最多只能达到二阶近似，舍弃掉的高阶项的信息会给滤波结果带来一定的误差；无迹卡尔曼滤波器(UKF)和容积卡尔曼滤波器(CKF)都是通过取点近似，对于非线性高斯***，虽然EKF、UKF及CKF的应用都较为广泛，但其非线性近似都会造成一定误差，并且无法将这三种滤波器应用到非高斯***，局限性较大。后来发展的粒子滤波器(PF)，对于非线性非高斯***，虽然在理论上得到了较好的解决，但其实现依赖于大量的粒子采样，使得计算复杂度非常高，重采样过程中粒子的退化现象，会降低滤波的速度和精度，影响了实际应用。
对于大量存在的强非线性观测***，现有滤波方法仍难以很好解决。近期发展起来的特征函数滤波(CFF)，只针对状态模型为线性的***，对其测量模型无要求，对噪声为高斯或者非高斯也无要求，因此CFF有望解决测量模型为强非线性的***。
虽然特征函数滤波在理论上要优于其他任何一种非线性滤波方法，但其实现都是仅仅针对一个滤波器来说的。在实际使用中只能尽可能降低误差，也不能完全消除误差。造成特征函数滤波精度不高最主要的原因往往来自于四个部分，第一，数据收集不准确。对于空间中运动的目标，其x、y、z轴三个方向上的位置和速度都是实时变化的，如果仅仅只用一个传感器去对目标进行测量，无法全面准确的捕获目标的变化情况。第二，随机噪声设定不准确。在对***进行建模时，噪声的随机设定也过于理想化，而在实际的空间动态***中，随着速度的增加，目标受外界环境以及一些随机因素的影响较大，会造成实际的误差与***设定的随机误差存在较大的偏差。第三，***模型的复杂度较高。对于空间运动的目标，状态包含x、y、z轴方向上位置和速度六个状态变量，相较于常见的模型，复杂度过高。在实际滤波过程中，每一个状态在更新的时候都会产生一定的误差，综合考虑六个状态模型，误差可能会更大。第四，传感器自身的性能发生变化。由于传感器内部的零件老化或参数因使用年限而发生变化或因受潮而损坏等原因，会造成测量结果的不准确。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种将多个传感器融合起来的序惯式滤波方法。
本发明通过将多个传感器分布在空间中的不同位置，从不同方位来对空间目标进行测量，并且采用序惯式的设计，对传输到融合中心的数据来一组就处理一组，先到先融合，以实现对目标位置和速度的实时跟踪。这种多个传感器融合的滤波方法不仅能在很大程度上提高估计精度，还能降低时间复杂度，节约通信成本。
为了实现上述目的，本发明采用的技术方案是：
本发明包括如下步骤：
(1)设计状态空间目标跟踪模型，目标在空间中做匀速直线运动的模型如下：
其中，x(k)为***状态向量，yi(k)为第i组传感器的输出向量；w(k)和vi(k+1)分别是特征函数已知的过程噪声和测量噪声向量，其分布为Fw(x)、Fv(x)；
A(k+1,k)是已知的状态转移矩阵，G(k+1,k)为已知的过程驱动矩阵，hi(·)是连续光滑的非线性函数，设置j组传感器来进行测量。
(2)在CFF框架下，计算出在k+1时刻，第i个到达融合中心的传感器j的状态估计值
(2a)根据目标跟踪模型，计算k到k+1时刻目标状态的预测值
(2b)根据(2a)，计算k到k+1时刻，第i个到达融合中心的传感器j的测量预测值
(2c)根据测量方程和(2b)计算残差信息
(2d)根据运动学公式，计算状态转移矩阵A(k+1,k)；
(2e)计算初始状态估计值
(2f)根据状态方程和(2e)计算状态误差方程eji(k)；
(2g)根据(2f)计算状态误差递推方程eji(k+1)；
(2h)对(2g)方程两边同时求取特征函数；
(2i)建立已知的目标特征函数
(2j)建立滤波器的权重函数矩阵U(t)；
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J0(k+1)；
(2l)根据(2k)建立滤波器性能指标函数Jji(k+1)；
(2m)简化(2l)中的参数；
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标J'ji(k+1)；
(2o)建立待估计的滤波增益矩阵Kji(k+1)；
(2p)根据(2n)对Kji(k+1)求一阶偏导；
(2q)根据(2n)对Kji(k+1)求二阶偏导；
(2r)根据(2o)、(2p)、(2q)求出滤波增益矩阵Kji(k+1)；
(2s)根据(2a)、(2c)、(2r)计算状态估计值
(3)在CFF框架下，得到第一个到达融合中心的传感器的状态估计值将其作为初始遍历条件，通过不断将前一个到达融合中心的传感器的状态估计值，作为下一个到达融合中心的传感器的状态预测值，对/>不断更新，得到最优状态估计值/>
(3a)得到第一个到达融合中心的传感器的状态预测值
(3b)根据(2n),利用不动点算法，求解第一个到达融合中心的传感器的滤波增益矩阵Kj1(k+1)；
(3c)计算第一个到达融合中心的传感器的状态估计值
(3d)根据(3c)，将第一个到达融合中心的传感器的状态估计值当作第二个到达融合中心的传感器的状态预测值/>
(3e)根据(3a)、(3b)、(3c)可得到第二个到达融合中心的传感器的状态估计值
(3f)在考虑丢包和延时情况下，设置将信息传输到融合中心的传感器数量L；
(3g)重复(3a)-(3e)步骤，直到L(L≤N)组传感器全部到达融合中心，结束迭代。此时得到的估计值就是序惯式多传感器融合滤波的最优估计值。
至此，基于特征函数的序惯式多传感器融合滤波方法设计全部完成。
与现有技术相比，本发明具有以下优点：
(1)本发明创建了一种将多个传感器融合起来的算法，从不同位置对目标的状态进行测量，相比于仅仅使用一个传感器得到的估计值更精确。
(2)本发明使用序惯式融合的方法，对来到的信息采取先到先融合，时间效率高。
(3)通过本发明的方法可以大幅度提升空间运动目标的跟踪精度。
附图说明
图1为x轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图；
图2为y轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图；
图3为z轴方向上目标位置的单个传感器与多个传感器融合滤波的误差图；
图4为x轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图；
图5为y轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图；
图6为z轴方向上目标速度的单个传感器与多个传感器融合滤波的误差图。
具体实施方式
下面结合附图1-6和实例详细说明本发明的实施方式。
本发明首先将空间目标速度跟踪模型应用到特征函数滤波方法中，通过将上一时刻到达融合中心的传感器的状态估计值，作为下一时刻到达融合中心的传感器的状态预测值，通过不断更新目标与融合中心之间的径向距离和方向角，来对目标的位置和速度实时更新。
本发明是一种应用于空间目标跟踪***的基于特征函数的序惯式多传感器融合滤波方法，包括如下步骤：
步骤1设置***模型，目标在空间中做匀速直线运动的模型如下：
***状态方程：
x(k+1)＝A(k+1,k)x(k)+G(k+1,k)w(k) (1)
观测方程：
yi(k+1)＝hi(x(k+1))+vi(k+1) (2)
上式中，x(k)为***状态向量，yi(k)为第i组传感器的输出向量；w(k)和vi(k+1)分别是特征函数已知的过程噪声和测量噪声向量，其分布为Fw(x)、Fv(x)；A(k+1,k)是已知的状态转移矩阵，G(k+1,k)为已知的过程驱动矩阵，hi(·)是连续光滑的非线性函数，设置j组传感器来进行测量。
步骤2在CFF框架下，计算出k+1时刻，第i个到达融合中心的传感器的状态估计值
该步骤的具体实施过程如下：
(2a)根据目标跟踪模型，计算k到k+1时刻目标状态的预测值
上式中，为目标在k时刻的状态估计值。
(2b)根据(2a)，计算k到k+1时刻，第i个到达融合中心的传感器j的测量预测值
(2c)根据测量方程和(2b)计算残差信息
(2d)根据运动学公式，计算状态转移矩阵A(k+1,k)
(2e)计算初始状态估计误差
(2f)计算状态误差方程eji(k)
(2g)根据(2f)计算状态误差递推方程eji(k+1)
(2h)对(2g)方程两边同时求取特征函数
(2i)建立已知的目标特征函数
(2j)建立滤波器的权重函数矩阵
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J0(k+1)
(2l)根据(2k)建立滤波器性能指标函数
(2m)简化(2l)，令
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标
(2o)建立待估计的滤波增益矩阵
(2p)根据(2n)对求一阶偏导
(2q)根据(2n)对求二阶偏导
(2r)根据(2o)、(2q)求出增益矩阵
(2s)根据(2a)、(2c)、(2r)计算状态估计值
步骤3在CFF框架下，得到的第一个到达融合中心的传感器的状态估计值作为初始遍历条件，通过不断将前一个到达融合中心的传感器的状态估计值，作为下一个到达融合中心的传感器的状态预测值，对/>不断更新，得到最优状态估计值/>
(3a)得到第一个到达融合中心的传感器的状态预测值
(3b)根据(2n),利用不动点算法求解第一个到达融合中心的传感器的滤波增益
(3c)计算第一个到达融合中心的传感器的状态估计值
(3d)根据(3c)，将第一个到达融合中心的传感器的状态估计值当作第二个到达融合中心的传感器的状态预测值，即
(3e)根据(3a)、(3b)、(3c)可得到第二个到达融合中心的传感器的状态估计值，记为
(3f)在考虑丢包和延时情况下，设置将信息传输到融合中心的传感器数量L
N＝1,2,…L
(3g)重复(3a)-(3e)步骤，直到L(L≤N)组传感器全部到达融合中心，结束迭代。此时得到的估计值就是序惯式多传感器融合滤波的最优估计值，即
至此，基于特征函数的序惯式多传感器融合滤波方法设计全部完成。
本发明的效果可以通过以下仿真结果和现场测试进一步说明：
空间运动目标的目标跟踪模型如下：
***状态方程为：
观测方程为：
x1、x2、x3、x4、x5、x6分别表示x、y、z轴上的位置和速度，y1、y2、y3分别表示目标与融合中心的径向距离以及两个方向角。过程噪声和测量噪声的特征函数为I为单位阵。
滤波器的权重函数其中μ＝[0.0001,0.0001，0.00015]T，M1＝0.0005I，M2＝0.0004I，M3＝0.0003I；权重矩阵R(k)＝diag([6×10-5,5×10-5,4×10-5,3×10-5,2×10-5,2×10-5])，初始条件为x(0)＝[20,5,12,5,8,10]T，过程噪声方差Qw＝diag([0.004,0.003,0.003,0.002,0.002,0.001])。
本发明仿真部分采用三个传感器来进行实验，三个传感器的测量噪声方差分别为Qv1＝diag([0.004,0.004,0.004]),Qv2＝diag([0.003,0.003,0.004]),Qv3＝diag([0.002,0.002,0.003])。在本发明中，用三个传感器精度从低到高的顺序，来模拟传感器将信息传输到融合中心的顺序。
实验结果分析
图1到图6分别给出了x、y、z轴方向上目标位置和速度的单个传感器与多个传感器融合滤波的误差图；
记录数据如下：
状态值 单个传感器 序惯式多传感器融合
x1 0.04892 0.04271
x2 0.05691 0.04352
x3 0.06618 0.04782
x4 0.07436 0.06509
x5 0.09174 0.08504
x6 0.10972 0.08612
通过实验数据和仿真结果，可以看到，在基于特征函数滤波的基础上，使用多个传感器序惯式融合的方法要比仅使用一个传感器的滤波精度更高。这是因为多个传感器从不同的位置对空间运动目标的位置和速度进行测量，并对得到的数据实时更新，减少外界环境、噪声以及一些不可控因素等对实验结果的干扰，并充分考虑到信息传输的丢包现象，从而能够达到更精确的滤波结果，算法效率也较高。因此，上述实验表明本发明方法的有效性。

Claims (1)

1.基于特征函数的序惯式多传感器融合滤波方法，应用于空间目标跟踪***，包括步骤如下：
(1)设计状态空间目标跟踪模型，目标在空间中做匀速直线运动的模型如下：
其中，x(k)为***状态向量，yi(k)为第i组传感器的输出向量；w(k)和vi(k+1)分别是特征函数已知的过程噪声和测量噪声向量，其分布为Fw(x)、Fv(x)；A(k+1,k)是已知的状态转移矩阵，G(k+1,k)为已知的过程驱动矩阵，hi(·)是连续光滑的非线性函数，设置j组传感器来进行测量；
(2)在CFF框架下，计算出在k+1时刻，第i个到达融合中心的传感器j的状态估计值
(2a)根据目标跟踪模型，计算k到k+1时刻目标状态的预测值
(2b)根据(2a)，计算k到k+1时刻，第i个到达融合中心的传感器j的测量预测值
(2c)根据测量方程和(2b)计算残差信息
(2d)根据运动学公式，计算状态转移矩阵A(k+1,k)；
(2e)计算初始状态估计值
(2f)根据状态方程和(2e)计算状态误差方程
(2g)根据(2f)计算状态误差递推方程
(2h)对(2g)方程两边同时求取特征函数；
(2i)建立已知的目标特征函数
(2j)建立滤波器的权重函数矩阵U(t)；
(2k)根据(2h)、(2i)、(2j)建立滤波器参数指标J0(k+1)；
(2l)根据(2k)建立滤波器性能指标函数
(2m)简化(2l)中的参数；
(2n)根据(2l)、(2m)得到简化后的滤波器性能指标
(2o)建立待估计的滤波增益矩阵
(2p)根据(2n)对求一阶偏导；
(2q)根据(2n)对求二阶偏导；
(2r)根据(2o)、(2p)、(2q)求出滤波增益矩阵
(2s)根据(2a)、(2c)、(2r)计算状态估计值
(3)在CFF框架下，得到第一个到达融合中心的传感器的状态估计值将其作为初始遍历条件，通过不断将前一个到达融合中心的传感器的状态估计值，作为下一个到达融合中心的传感器的状态预测值，对/>不断更新，得到最优状态估计值
(3a)得到第一个到达融合中心的传感器的状态预测值
(3b)根据(2n),利用不动点算法，求解第一个到达融合中心的传感器的滤波增益矩阵
(3c)计算第一个到达融合中心的传感器的状态估计值
(3d)根据(3c)，将第一个到达融合中心的传感器的状态估计值当作第二个到达融合中心的传感器的状态预测值/>
(3e)根据(3a)、(3b)、(3c)可得到第二个到达融合中心的传感器的状态估计值
(3f)在考虑丢包和延时情况下，设置将信息传输到融合中心的传感器数量L；
(3g)重复(3a)-(3e)步骤，直到L(L≤N)组传感器全部到达融合中心，结束迭代；此时得到的估计值就是序惯式多传感器融合滤波的最优估计值。
CN202011396814.3A 2020-12-03 2020-12-03 基于特征函数的序惯式多传感器融合滤波方法 Active CN112489075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011396814.3A CN112489075B (zh) 2020-12-03 2020-12-03 基于特征函数的序惯式多传感器融合滤波方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011396814.3A CN112489075B (zh) 2020-12-03 2020-12-03 基于特征函数的序惯式多传感器融合滤波方法

Publications (2)

Publication Number Publication Date
CN112489075A CN112489075A (zh) 2021-03-12
CN112489075B true CN112489075B (zh) 2024-02-06

Family

ID=74939047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011396814.3A Active CN112489075B (zh) 2020-12-03 2020-12-03 基于特征函数的序惯式多传感器融合滤波方法

Country Status (1)

Country Link
CN (1) CN112489075B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114076942B (zh) * 2021-11-16 2022-09-27 苏州魔视智能科技有限公司 一种基于多传感器的目标跟踪方法、装置及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543143A (zh) * 2019-01-28 2019-03-29 杭州电子科技大学 非线性带偏差***的多传感器融合估计方法
CN110490273A (zh) * 2019-09-12 2019-11-22 河南牧业经济学院 噪声方差不精确建模的多传感器***融合滤波算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543143A (zh) * 2019-01-28 2019-03-29 杭州电子科技大学 非线性带偏差***的多传感器融合估计方法
CN110490273A (zh) * 2019-09-12 2019-11-22 河南牧业经济学院 噪声方差不精确建模的多传感器***融合滤波算法

Also Published As

Publication number Publication date
CN112489075A (zh) 2021-03-12

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
CN110602647B (zh) 基于扩展卡尔曼滤波和粒子滤波的室内融合定位方法
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN110289989B (zh) 一种基于容积卡尔曼滤波算法的分布式状态估计方法
CN101221238B (zh) 基于高斯均值移动配准的动态偏差估计方法
CN107084714A (zh) 一种基于RoboCup3D的多机器人协作目标定位方法
CN111913484B (zh) 一种变电站巡检机器人在未知环境下的路径规划方法
CN110941183A (zh) 一种基于神经网络的工业机器人动力学辨识方法
CN111444474B (zh) 一种基于乘性噪声相关自适应ckf的目标跟踪方法
CN112489075B (zh) 基于特征函数的序惯式多传感器融合滤波方法
CN113791240B (zh) 基于高阶滑膜跟踪微分器的加速度估计方法、***、设备和介质
CN111025280B (zh) 一种基于分布式最小总体误差熵的运动目标测速方法
CN113709662A (zh) 一种基于超宽带的自主式三维反演定位方法
CN111872933B (zh) 一种基于改进二次型迭代学习控制的scara机器人轨迹跟踪控制方法
CN112649804A (zh) 基于特征函数的集中式多传感器融合滤波方法
CN107966697B (zh) 一种基于渐进无迹卡尔曼的移动目标跟踪方法
CN113608442A (zh) 基于特征函数的非线性状态模型***的状态估计方法
CN114565020B (zh) 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法
CN114516050B (zh) 基于位形雅可比条件数优化的机器人外力估计方法及***
CN104320108A (zh) 基于ahcif的集中式测量值加权融合方法
CN104268597A (zh) 基于ahcif的集中式测量值扩维融合方法
CN112561834A (zh) 基于特征函数的并行式多传感器融合滤波方法
CN115114985A (zh) 一种基于集合理论的传感器***分布式融合方法
CN111216146B (zh) 一种适用于网络化机器人***的二部一致性量化控制方法
CN109474892B (zh) 基于信息形式的强鲁棒传感器网络目标跟踪方法

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