CN115930949A - 一种多传感器分布式协同探测方法、***及电子设备 - Google Patents
一种多传感器分布式协同探测方法、***及电子设备 Download PDFInfo
- Publication number
- CN115930949A CN115930949A CN202211660047.1A CN202211660047A CN115930949A CN 115930949 A CN115930949 A CN 115930949A CN 202211660047 A CN202211660047 A CN 202211660047A CN 115930949 A CN115930949 A CN 115930949A
- Authority
- CN
- China
- Prior art keywords
- target
- sensor
- representing
- state
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供了一种多传感器分布式协同探测方法、***及电子设备,涉及探测技术领域,方法包括构建目标运动模型和观测模型;获取观测模型中每个传感器对目标运动模型的观测值;利用伪卡尔曼滤波算法分别对多个观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值;构建权重矩阵;根据权重矩阵、多个传感器的状态估计值和协方差估计值,确定目标状态。本发明基于伪卡尔曼滤波算法,利用多个传感器进行分布式协同无源探测,进而提高目标探测精度。
Description
技术领域
本发明涉及设局探测技术领域,特别是涉及一种多传感器分布式协同探测方法、***及电子设备。
背景技术
多传感器目标探测技术以其高精度、互补性强和容错性好的特点,在电子战航空、航天和航海领域中占有重要地位,受到研究人员的广泛关注。传统的有源传感器探测技术具有定位精度高、全天候的优点,但需要由自身发射大功率信号,因此易暴露,具有一定的局限性。作为有源探测技术的有益补充,无源探测技术在无需对目标发射电磁波的情况下,仅通过采集目标的反射、辐射、散射波即可确定目标的位置,具有隐蔽性好、抗干扰能力强的优点。
但是,无源探测只通过测得的目标角度信息进行定位跟踪,存在非线性估计问题。针对无源探测技术的非线性估计问题,一般可采用如下两类思路对其进行处理:第一,将非线性***进行线性化处理后再进行滤波估计,如工程上广泛应用的扩展卡尔曼滤波算法,但该算法对滤波初值的选取非常敏感,并且存在发散问题;第二,采用一些数学工具对***的非线性特性进行数值近似,利用数值近似结果进行估计,如采用U-T变换的无迹卡尔曼滤波,利用蒙特卡洛采样方法的粒子滤波,这类方法计算量过大,并不适用于实际工程。
发明内容
本发明的目的是提供一种多传感器分布式协同探测方法、***及电子设备,能够基于多个传感器进行分布式协同无源探测,进而提高目标探测精度。
为实现上述目的,本发明提供了如下方案:
一种多传感器分布式协同探测方法,包括:
构建目标运动模型和观测模型;
获取所述观测模型中每个传感器对所述目标运动模型的观测值;
利用伪卡尔曼滤波算法分别对多个所述观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值;
构建权重矩阵;
根据所述权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态。
可选的,所述目标运动模型为:Xk+1=ΦXk+Uk;
其中,Xk+1表示目标在k+1时刻的状态;Φ表示状态转移矩阵;T表示采样间隔;Xk表示目标在k时刻的状态;Xx(k)表示k时刻目标在X轴上的位置;Vx(k)表示k时刻目标在X轴上的速度;Xy(k)表示k时刻目标在Y轴上的位置;Vy(k)表示k时刻目标在Y轴上的速度;Xz(k)表示k时刻目标在Z轴上的位置;Vz(k)表示k时刻目标在Z轴上的速度;Uk表示输入的白噪声。
可选的,所述利用伪卡尔曼滤波算法分别对多个所述观测值进行处理,得到每个传感器对应的状态估计值和协方差估计值,包括:
确定任一观测值为当前观测值;
确定所述当前观测值对应的传感器为当前传感器;
将当前观测值进行线性化处理,确定当前传感器的伪量测量;
确定当前传感器的状态一步预测值和协方差一步预测值;
根据所述状态协方差一步预测值,确定滤波增益;
根据所述伪量测量、所述状态一步预测值和所述滤波增益,确定当前传感器对目标的状态估计值;
根据所述滤波增益,确定当前传感器对目标的协方差估计值。
可选的,所述权重矩阵满足以下条件:
其中,Wij表示对多传感器进行分布式融合时的权重矩阵中第i行j列的元素;Νi表示第i个节点的内邻居节点集合,所述节点为传感器;|Νi|表示第i个节点的内邻居节点集合Νi中节点个数;Νj表示第j个节点的内邻居节点集合;|Νj|表示第i个节点的内邻居节点集合Νj中节点个数;Wii表示权重矩阵中第i行i列的元素。
可选的,所述根据所述权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态,包括:
根据所述权重矩阵对多个所述状态估计值进行融合,得到当前时刻每个传感器的融合状态估计值;
根据所述权重矩阵对多个所述协方差估计值进行融合,得到当前时刻每个传感器的融合协方差估计值;
判断迭代次数是否达到预设迭代次数,得到判断结果;
若所述判断结果为否,则将当前时刻的融合状态估计值作为下一次迭代的融合状态估计值,将当前时刻的融合协方差估计值作为下一次迭代的融合协方差估计值,令迭代次数增加1,并返回步骤“根据所述权重矩阵对多个所述状态估计值进行融合,得到当前时刻每个传感器的融合状态估计值”;
若所述判断结果为是,则确定当前时刻的融合状态估计值和当前时刻的融合协方差估计值为所述目标状态。
一种多传感器分布式协同探测***,包括:
观测值确定模块,用于获取所述观测模型中每个传感器对所述目标运动模型的观测值;
滤波模块,用于利用伪卡尔曼滤波算法分别对多个所述观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值;
权重矩阵构建模块,用于构建权重矩阵;
目标状态确定模块,用于根据所述权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的一种多传感器分布式协同探测方法。
可选的,所述存储器为可读存储介质。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的多传感器分布式协同探测方法、***及电子设备,构建目标运动模型和观测模型;获取观测模型中每个传感器对目标运动模型的观测值;利用伪卡尔曼滤波算法分别对多个观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值;构建权重矩阵;根据权重矩阵、多个传感器的状态估计值和协方差估计值,确定目标状态。本发明基于伪卡尔曼滤波算法,利用多个传感器进行分布式协同无源探测,能够提高目标探测精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1中多传感器分布式协同探测方法流程图;
图2为本发明实施例1中观测器与目标空间相对几何关系示意图;
图3为本发明实施例1中传感器和目标的状态示意图;
图4为本发明实施例1中目标速度示意图;
图5为本发明实施例1中目标加速度示意图;
图6为本发明实施例1中目标X方向位置真实状态和位置状态估计值示意图;
图7为本发明实施例1中目标Y方向位置真实状态和位置状态估计值示意图;
图8为本发明实施例1中目标X方向速度真实状态和速度状态估计值示意图;
图9为本发明实施例1中目标Y方向速度真实状态和速度状态估计值示意图;
图10为本发明实施例1中估计平均均方误差示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种多传感器分布式协同探测方法、***及电子设备,能够基于伪卡尔曼滤波算法,利用多个传感器进行分布式协同无源探测,进而提高目标探测精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供的一种多传感器分布式协同探测方法,包括:
步骤101:构建目标运动模型和观测模型。
定义全连通的传感器网络的通信拓扑为G=(V,E),其中,V={1,2,...,N}是传感器节点的集合,是传感器边集。若两个相邻节点互相之间存在边(i,j)∈E,则i可以将数据传递给j。定义A为一个由ai,j组成的邻接矩阵,当且仅当(i,j)∈E,ai,j=1;否则,ai,j=0。
目标运动模型为:Xk+1=ΦXk+Uk;
其中,Xk+1表示目标在k+1时刻的状态;Φ表示状态转移矩阵;T表示采样间隔;Xk表示目标在k时刻的状态;Xx(k)表示k时刻目标在X轴上的位置;Vx(k)表示k时刻目标在X轴上的速度;Xy(k)表示k时刻目标在Y轴上的位置;Vy(k)表示k时刻目标在Y轴上的速度;Xz(k)表示k时刻目标在Z轴上的位置;Vz(k)表示k时刻目标在Z轴上的速度;Uk表示输入的白噪声。其中,[ax(k)ay(k)az(k)]代表k时刻目标在三个轴上的加速度,相对加速度信息等效为***过程噪声,并假设Uk~N(0,Q)。为第i个传感器在X,Y,Z三轴上的位置。
三维情况下目标与***的相对几何关系如图2所示,其中,αi(k),βi(k)分别为k时刻目标位置和***位置的连线在XOZ和XOY平面上的投影与X轴的夹角,和分别为k时刻目标位置和***i位置的连线在XOZ和XOY平面上的投影的长度。为k时刻目标与第i个传感器的相对位置,其中
步骤102:获取观测模型中每个传感器对目标运动模型的观测值。
步骤103:利用伪卡尔曼滤波算法分别对多个观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值。
例如,步骤103包括:
步骤1031:确定任一观测值为当前观测值。
步骤1032:确定当前观测值对应的传感器为当前传感器。
步骤1033:将当前观测值进行线性化处理,确定当前传感器的伪量测量。
步骤1034:确定当前传感器的状态一步预测值和协方差一步预测值。
步骤1035:根据协方差一步预测值,确定滤波增益。
步骤1036:根据伪量测量、状态一步预测值和滤波增益,确定当前传感器对目标的状态估计值。
步骤1037:根据滤波增益,确定当前传感器对目标的协方差估计值。
步骤104:构建权重矩阵。
权重矩阵满足以下条件:
Wij表示对多传感器进行分布式融合时的权重矩阵中第i行j列的元素;Νi表示第i个节点的内邻居节点集合,所述节点为传感器;|Νi|表示第i个节点的内邻居节点集合Νi中节点个数;Νj表示第j个节点的内邻居节点集合;|Νj|表示第i个节点的内邻居节点集合Νj中节点个数;Wii表示权重矩阵中第i行i列的元素。
步骤105:根据权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态。
例如步骤105包括:
步骤1051:根据权重矩阵对多个状态估计值进行融合,得到当前时刻每个传感器的融合状态估计值.
步骤1052:根据权重矩阵对多个协方差估计值进行融合,得到当前时刻每个传感器的融合协方差估计值。
步骤1053:判断迭代次数是否达到预设迭代次数,得到判断结果;若判断结果为否,则执行步骤1054;若判断结果为是,则执行步骤1055。
步骤1054:将当前时刻的融合状态估计值作为下一次迭代的融合状态估计值,将当前时刻的融合状态协方差估计值作为下一次迭代的融合协方差估计值,令迭代次数增加1,并返回步骤1051。
步骤1055:确定当前时刻的融合状态估计值和当前时刻的融合协方差估计值为目标状态。
为了对伪线性卡尔曼滤波(Pseudo Linear Kalman Filter,PLKF)算法的有效性进行说明,在Intel处理器的MATLAB仿真环境下,设置了如下的数值仿真。设定传感器和目标的状态如图3-图5所示,传感器对高低角和方位角的观测标准差均为0.01°,采样间隔为1s,仿真时长100s。对PLKF算法有效性进行仿真验证,目标真实状态和传感器状态估计值如图6-图9所示,距离平均均方误差RMSE如图10所示。在滤波初值不存在误差的情况下,PLKF、扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)三种滤波算法进行仿真。以运算时间作为性能指标,进一步对三者的运算复杂度进行分析,如果算法计算复杂小,那么相对应的运算时间也较快。通过仿真对三种算法执行一次目标跟踪算法所需要运行时间进行对比,结果如表1所示:
表1三种算法运行时间比较结果对比表
由表1知,PLKF算法具有最短的运行时长,说明PLKF算法的运算复杂度最低。综合上述仿真结果,说明相比较于EKF和UKF算法,利用PLKF可以在保证目标状态估计精度的前提下,缩短运算时间1秒~2秒,降低运算复杂度。
实施例2
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种多传感器分布式协同探测***,该***包括:
模型构建模块,用于构建目标运动模型和观测模型。
观测值确定模块,用于获取观测模型中每个传感器对目标运动模型的观测值。
滤波模块,用于利用伪卡尔曼滤波算法分别对多个观测值进行处理,得到每个传感器对应的状态估计值和协方差估计值。
权重矩阵构建模块,用于构建权重矩阵。
目标状态确定模块,用于根据权重矩阵、多个状态估计值和多个协方差估计值,确定目标状态。
实施例3
本实施例提供了一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1所述的一种多传感器分布式协同探测方法。其中,存储器为可读存储介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种多传感器分布式协同探测方法,其特征在于,包括:
构建目标运动模型和观测模型;
获取所述观测模型中每个传感器对所述目标运动模型的观测值;
利用伪卡尔曼滤波算法分别对多个所述观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值;
构建权重矩阵;
根据所述权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态。
3.根据权利要求1所述的一种多传感器分布式协同探测方法,其特征在于,所述利用伪卡尔曼滤波算法分别对多个所述观测值进行处理,得到每个传感器对应的状态估计值和协方差估计值,包括:
确定任一个观测值为当前观测值;
确定所述当前观测值对应的传感器为当前传感器;
将当前观测值进行线性化处理,确定当前传感器的伪量测量;
确定当前传感器的状态一步预测值和协方差一步预测值;
根据所述协方差一步预测值,确定滤波增益;
根据所述伪量测量、所述状态一步预测值和所述滤波增益,确定当前传感器对目标的状态估计值;
根据所述滤波增益,确定当前传感器对目标的协方差估计值。
4.根据权利要求3所述的一种多传感器分布式协同探测方法,其特征在于,
6.根据权利要求5所述的一种多传感器分布式协同探测方法,其特征在于,所述根据所述权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态,包括:
根据所述权重矩阵对多个所述状态估计值进行融合,得到当前时刻每个传感器的融合状态估计值;
根据所述权重矩阵对多个所述协方差估计值进行融合,得到当前时刻每个传感器的融合协方差估计值;
判断迭代次数是否达到预设迭代次数,得到判断结果;
若所述判断结果为否,则将当前时刻的融合状态估计值作为下一次迭代的融合状态估计值,将当前时刻的融合协方差估计值作为下一次迭代的融合协方差估计值,令迭代次数增加1,并返回步骤“根据所述权重矩阵对多个所述状态估计值进行融合,得到当前时刻每个传感器的融合状态估计值”;
若所述判断结果为是,则确定当前时刻的融合状态估计值和当前时刻的融合协方差估计值为所述目标状态。
8.一种多传感器分布式协同探测***,其特征在于,包括:
模型构建模块,用于构建目标运动模型和观测模型;
观测值确定模块,用于获取所述观测模型中每个传感器对所述目标运动模型的观测值;
滤波模块,用于利用伪卡尔曼滤波算法分别对多个所述观测值进行处理,得到每个传感器对目标的状态估计值和协方差估计值;
权重矩阵构建模块,用于构建权重矩阵;
目标状态确定模块,用于根据所述权重矩阵、多个所述状态估计值和多个所述协方差估计值,确定目标状态。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的一种多传感器分布式协同探测方法。
10.根据权利要求9所述的一种电子设备,其特征在于,所述存储器为可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660047.1A CN115930949A (zh) | 2022-12-23 | 2022-12-23 | 一种多传感器分布式协同探测方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660047.1A CN115930949A (zh) | 2022-12-23 | 2022-12-23 | 一种多传感器分布式协同探测方法、***及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115930949A true CN115930949A (zh) | 2023-04-07 |
Family
ID=86697728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660047.1A Pending CN115930949A (zh) | 2022-12-23 | 2022-12-23 | 一种多传感器分布式协同探测方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115930949A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295359A (zh) * | 2023-05-23 | 2023-06-23 | 中国科学院数学与***科学研究院 | 一种分布式自适应协同跟踪定位方法 |
CN117268381A (zh) * | 2023-11-17 | 2023-12-22 | 北京开运联合信息技术集团股份有限公司 | 一种航天器状态的判断方法 |
-
2022
- 2022-12-23 CN CN202211660047.1A patent/CN115930949A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116295359A (zh) * | 2023-05-23 | 2023-06-23 | 中国科学院数学与***科学研究院 | 一种分布式自适应协同跟踪定位方法 |
CN116295359B (zh) * | 2023-05-23 | 2023-08-15 | 中国科学院数学与***科学研究院 | 一种分布式自适应协同跟踪定位方法 |
CN117268381A (zh) * | 2023-11-17 | 2023-12-22 | 北京开运联合信息技术集团股份有限公司 | 一种航天器状态的判断方法 |
CN117268381B (zh) * | 2023-11-17 | 2024-02-02 | 北京开运联合信息技术集团股份有限公司 | 一种航天器状态的判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115930949A (zh) | 一种多传感器分布式协同探测方法、***及电子设备 | |
Ullah et al. | Extended Kalman filter-based localization algorithm by edge computing in wireless sensor networks | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN103116688A (zh) | 用于机载航电***的多源异类传感器目标航迹关联方法 | |
CN106443622A (zh) | 一种基于改进联合概率数据关联的分布式目标跟踪方法 | |
Xiong et al. | A scheme on indoor tracking of ship dynamic positioning based on distributed multi-sensor data fusion | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN113673565B (zh) | 多传感器gm-phd自适应序贯融合多目标跟踪方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN116186643B (zh) | 一种多传感器协同目标跟踪方法、***、设备及介质 | |
CN115204212A (zh) | 一种基于stm-pmbm滤波算法的多目标跟踪方法 | |
CN115508824A (zh) | 多目标大数据关联融合跟踪方法及*** | |
CN113189541B (zh) | 一种定位方法、装置及设备 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及*** | |
Liu et al. | Distributed state estimation for dynamic positioning systems with uncertain disturbances and transmission time delays | |
CN111883265A (zh) | 一种应用于火控***的目标状态估计方法 | |
CN115657045A (zh) | 基于方位信息多被动探测平台水下航行器数据的融合方法 | |
CN115114985A (zh) | 一种基于集合理论的传感器***分布式融合方法 | |
CN112285697A (zh) | 一种多传感器多目标空时偏差校准与融合方法 | |
Zhang et al. | Model‐switched Gaussian sum cubature Kalman filter for attitude angle‐aided three‐dimensional target tracking | |
Chen et al. | Multi-target Track-to-Track Association Based on Relative Coordinate Assignment Matrix | |
Fang et al. | Range-aided Localization in Noisy Wireless Sensor Networks | |
CN116738364A (zh) | 基于角度关联的多源传感器量测融合方法 | |
Yuan et al. | IMM-UKF based airborne radar and ESM data fusion for target tracking |
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 |