多平台多传感器配准算法研究

论文摘要

在多平台多传感器系统中,各传感器是互相独立工作的,其采样率也不全相同;测量数据的预处理是在各个传感器的局部坐标系里进行的。信息融合并不是多个传感器数据的简单的叠加,为了达到信息融合的目的,在数据相关之前需要进行时间和空间的配准,以形成时间和空间上统一的观测信息。传感器配准是信息融合的先决条件,也是提高系统整体性能的关键技术之一,它在武器系统、遥感、导航、智能交通、机器人和安全检查等军事领域和民用领域有着广泛的应用。本论文针对多平台多传感器配准算法的基础问题进行了深入、系统的研究。研究围绕着解决同类/异类传感器配准、动态偏差估计和异步传感器配准问题展开。主要研究成果如下:1.提出了高斯均值移动算法及其收敛的充分条件。首先研究了由核密度估计器推导均值移动算法的过程,以及均值移动算法的收敛性和轨迹平滑性。在此理论基础上,由极大似然概率密度函数推导出了高斯均值移动算法,给出并证明了高斯均值移动算法的收敛定理,该定理将当前的均值移动算法的收敛条件从一个凸核函数扩展为分段的凸核函数与凹核函数,拓宽了高斯均值移动算法的应用领域和应用空间,为后续提出的高斯均值移动传感器配准算法提供了理论基础。2.提出了基于信息融合的修正极大似然配准算法。针对传统双站被动定位系统的空间配准问题,分析了双站被动交叉定位法在有配准偏差的情况下存在导致盲区内目标不可观测的原因,结合多平台多传感器的项目背景与信息融合技术,提出了冗余信息补偿原理,用于修正极大似然配准算法。该算法利用系统中多站冗余信息,通过对盲区内的距离信息进行更新补偿,重新建立多站偏差补偿的配准模型,信息补偿后的目标位置被用于估计传感器偏差,实现了多平台被动传感器偏差补偿和目标定位。仿真结果表明,与现有方法相比,该算法可以有效提高无源定位系统的配准偏差的估计精度和系统的跟踪性能。3.提出了异类传感器的均值移动配准算法。针对多平台多传感器信息融合系统中的异类传感器配准问题,将极大似然法与均值移动法结合,提出了一种新的均值移动配准算法,并分析了算法的计算复杂度。该算法利用极大似然法估计目标状态,再将均值移动算法估计异类传感器的偏差。均值移动配准算法避免了极大似然配准算法中矩阵复杂的相乘和逆运算,减少了算法的计算量,且仿真结果显示,该算法较现有方法的偏差估计精度还略有提高。4.提出了用于动态偏差估计的高斯均值移动配准算法。现有的动态偏差配准方法是一种基于多帧多目标的方法,不能处理单一目标情况下的配准问题。针对多平台多传感器系统中动态变化的配准偏差问题,在高斯均值移动算法的理论研究的基础上,假设测量噪声服从高斯分布,推导出用于动态偏差估计的高斯均值移动配准算法。该算法的基本思想是首先利用扩展卡尔曼滤波器实时地估计目标状态,再利用高斯均值移动算法估计传感器的动态偏差。随后,又分析了该算法的计算复杂度,分析结果表明所提出的算法比现有方法的计算量小。利用该算法可以得到较好的配准效果,尤其是对于目标数较少的情况下,其配准效果较现有方法更加明显。5.提出了异步传感器的偏差估计算法。首先利用目标在同一时刻的真实目标状态对不同传输速率的传感器的测量值进行描述,再对不同传感器的测量值进行线性组合,目的是消除目标状态、构造关于传感器偏差的伪测量线性方程。然后,根据偏差的动态方程推导出了关于偏差的等效状态方程,最后利用卡尔曼滤波器对偏差进行估计。该算法可以有效地对异步传感器进行配准,与现有方法相比,它不受传输速率和传感器数量的限制,而且在偏差伪测量方程中没有引入自相关测量噪声。仿真结果表明,该算法与现有方法相比,不仅减小了计算量,而且提高了系统对偏差的估计精度。

论文目录

• 中文摘要
• 英文摘要
• 目录
• 第一章 绪论
• 1.1 课题背景及研究意义
• 1.1.1 课题背景
• 1.1.2 研究意义
• 1.2 传感器配准技术的概述
• 1.3 传感器配准算法的国内外研究现状
• 1.3.1 时间配准算法
• 1.3.2 空间配准算法
• 1.4 传感器配准算法研究存在的问题
• 1.5 本论文的工作及各章内容安排
• 1.5.1 论文的创新点
• 1.5.2 论文的结构安排
• 第二章 非参数估计的均值移动方法
• 2.1 引言
• 2.2 基础知识
• 2.3 均值移动算法
• 2.3.1 核密度估计器
• 2.3.2 核密度的梯度估计
• 2.3.3 收敛的充分条件
• 2.3.4 轨迹平滑属性
• 2.4 高斯均值移动算法
• 2.4.1 算法推导
• 2.4.2 算法的收敛定理
• 2.4.3 算法的收敛性判别
• 2.4.4 算法的轨迹平滑性
• 2.5 本章小结
• 第三章 基于信息融合的修正极大似然配准算法
• 3.1 引言
• 3.2 冗余信息补偿原理
• 3.3 配准模型更新
• 3.4 修正极大似然配准算法
• 3.4.1 目标状态估计
• 3.4.2 传感器偏差估计
• 3.4.3 算法流程图
• 3.5 算法性能评价指标
• 3.6 仿真结果与分析
• 3.7 本章小结
• 第四章 异类传感器均值移动配准算法
• 4.1 引言
• 4.2 极大似然状态估计器
• 4.3 均值移动偏差估计器
• 4.4 算法流程图
• 4.5 算法的计算复杂度
• 4.6 仿真结果与分析
• 4.6.1 仿真结果
• 4.6.2 计算量比较
• 4.7 本章小结
• 第五章 动态偏差的高斯均值移动配准算法
• 5.1 引言
• 5.2 高斯均值移动算法
• 5.3 扩展卡尔曼滤波器
• 5.4 动态偏差估计
• 5.5 算法流程图
• 5.6 仿真结果与分析
• 5.6.1 仿真结果
• 5.6.2 计算复杂度
• 5.7 本章小结
• 第六章 异步传感器的偏差估计算法
• 6.1 引言
• 6.2 异步传感器的数据融合问题
• 6.3 异步传感器的有偏测量模型
• 6.4 异步传感器的动态偏差估计
• 6.4.1 伪测量偏差方程
• 6.4.2 动态偏差模型
• 6.4.3 动态偏差的等效模型
• 6.4.4 卡尔曼滤波器
• 6.5 仿真结果与分析
• 6.5.1 仿真1：多个异步传感器
• 6.5.2 仿真2：两种方法比较
• 6.6 本章小结
• 第七章 总结与展望
• 7.1 论文工作总结
• 7.2 研究展望
• 参考文献
• 附录A
• 致谢
• 攻读博士学位期间发表和完成的学术论文
• 攻读博士学位期间申请的国家发明专利
• 攻读博士学位期间参与的主要科研项目
• 攻读博士学位期间撰写的技术报告