亚洲控制学报论文【DOC精选】.docVIP

基于线性最小方差(LMV)意义估计器的多传感器航迹间融合 冯立威 摘要 当几个传感器在一块特定区域上执行监视时，一种包含了基于传感器的滤波算法，局部处理器和全局处理器的集成方法被用来描述分布式融合问题。对于传感器追踪系统，在直角坐标系中采用的每一种滤波算法被提出用于目标追踪，使用球面坐标系(SCS)中的雷达测量范围，方位和仰角这些参数。对于局部处理器，每一种航迹融合算法用来合并代表相同目标的两条航迹。带N个不同传感器的集合中两两传感器的组合被认为是中央航迹融合。对于全局处理器，数据融合算法，基于线性最小方差(LMV)估计融合理论的简化最大似然估计(SML)器和协方差匹配法(CMM),都被提出以用于中央航迹间融合情况。由此产生的全局融合器能在并行结构中实现以方便计算估计融合。仿真结果表明推荐的SML估计器比CMM和LMV估计器在改进追踪精确度方面有更健壮的鲁棒性。 Ⅰ 引言 现代工程应用采用种类繁多的传感器来监视和控制动态系统以获得特定过程的满意的控制效果。因此，人们需要监视和控制系统的适当方法。其中一种方法是使用多传感器数据融合算法，以产生关于一个实体，活动或事件的最具体和详细的统一数据，这种算法被定义为来自多个源的信息整合过程。多传感器融合算法已被应用于追踪多个目标的环境下，例如空中交通管制，战术防御，机器人，电脑预测，工业和其他系统，在这些系统中来自多个传感器的测定结果被用来估计多个目标的状态(位置，速度和加速度)。现代检测系统能利用分布式传感器网络来探测，跟踪并识别指定目标，分布式传感器网络可以将多传感器数据融合成为单一的集成图像。当前，有两种常用的架构用于基于卡尔曼滤波器的多传感器数据融合，即测量融合(被称集中式架构)和状态向量融合(被称为分布式架构)。测量融合方法直接融合融合传感器测量结果以得到一个加权或复合的测量结果，然后使用单一卡尔曼滤波器以获得基于融合观测的最终状态估计。状态向量融合方法使用一组卡尔曼滤波器以获得独立的基于传感器的状态估计，这些估计值会被融合到一起以得到一个改进的联合状态估计值。在状态向量融合方法中引入的点有较低的计算量以及伴随并行实施和容错的通信负载。 当几个传感器在一片特定的区域执行监视时，分布式融合问题就产生了，他比集中式融合问题更加复杂。在分布式处理架构中，传感器发送线性或非线性的处理过的数据到一组靠通信网络连接的局部处理器，在这个通信网络中，局部节点/处理器进行局部传感器数据处理后将本地处理器的输出航迹与一个全局处理器通信，该全局处理器会计算出将被追踪的目标的全局估计。尽管由一个传感器产生的测量误差独立于由其他传感器产生的误差，但是与由多个不同的局部处理器计算产生的给定目标对应的航迹估计之间是相关联的，这是由于影响目标动态的常见过程噪声造成的。由于互协方差是在航迹融合后升级这个事实，在处理中要考虑到上述关联性。航迹间融合是一个多传感器数据融合中的重要课题，且在20多年中被广泛研究。在分布式多传感器环境下，在数据融合追踪算法研究中仍然有几个值得注意的问题。 A.如何优化组合来自多个局部追踪器的状态估计，即如何以任意数量的传感器实现航迹间融合。 B.如何为实时应用快速寻找融合权重以产生最优或接近最优的估计性能。 上面的工作介绍了一种以任意数量的传感器实现航迹间融合的方法。然而，这些最优线性估计融合方法，如最大似然和线性最小方差估计器的缺点是它们使用批处理形式以融合局部状态估计值。这种方法给实时应用产生了问题，即是在最大似然和线性最小方差估计器的实现中主要的计算负荷涉及到协方差矩阵逆的计算。我们需要使计算量进一步减少。 这项工作的主要贡献是为带有具体处理架构(如图1所示)的多传感器系统执行最优化航迹融合，这种处理架构是为与单一移动目标对比的航迹形成而构建的。在分布式融合架构中， 每个传感器处理其局部观察结果以产生传感器航迹，然后传达这个信息至分配好的局部处理器。局部处理器接着关联并计算航迹间估计值再将结果送入全局处理器，全局处理器将局部估计值融合以给出一个来自改进的联合状态估计结果的单个全局估计值。一种集成方法由基于传感器的多种滤波算法，若干局部处理器和一个全局处理器组成。对于传感器追踪系统，当雷达测量距离、方位和仰角等球面坐标系中的参数时，在笛卡尔直角坐标系中采用的每一种滤波算法被提交用于目标追踪。对于局部处理器，巴-沙洛姆航迹间融合算法应用于每个局部处理器以融合代表相同目标的两条航迹。局部处理器的数目由带有N个不同的传感器追踪器的集合中两两组合数目决定的。这是一个重要的过程，被称为解耦过程，用于构建中央航迹融合算法的并行计算结构。对于全局处理器来讲，数据融合算法，即基于LMV估计融合理论的SML估计器和CMM，被提出运用于集中式航迹间融合情况。然而，LMV估计器的协方差矩阵满