运动目标状态估计及融合方法研究

论文摘要

运动目标状态估计及融合方法是信息融合领域的关键技术,长期以来都是人们关注的焦点。在军事领域,借助红外、雷达等传感器,利用该技术可以及时发现可疑目标并对可疑目标进行精确跟踪。在民用领域,该技术也获得了广泛应用,例如:空中交通管制、机器人、视频监控、以及存在于制造业中的工件定位等。本文针对被动目标定位算法、具有状态约束的滤波算法、自适应滤波算法、单步滞后无序量测算法、网络环境下的估计融合算法等内容做了深入系统的研究,在现有算法的基础上,提出了一系列新算法。主要工作概括如下:（1）提出了一种被动定位算法。该算法借助传感器各自的坐标位置及其三角函数关系,推导出各传感器之间测量值的约束关系式。然后将传感器测量误差作为变量构造目标函数,通过拉格朗日-牛顿最优化方法最小化测量误差。使用这些误差修正测量值,取得了较好的目标定位结果。该算法不需要设置目标位置初值,具有较高的定位精度。（2）提出了两种具有状态约束的粒子滤波算法。由于在一些状态估计问题中,状态向量之间存在某种约束关系。将这些状态约束关系有效地施加到滤波过程中,能够提高滤波精度。针对具有等式状态约束的非线性高斯系统滤波问题,在粒子滤波过程中,通过投影方法将状态向量投影到状态约束子空间,利用拉格朗日乘子法求解修正后的状态向量。根据状态向量修正的时机,对应了两种算法。新算法与常规粒子滤波算法相比滤波精度提高。（3）研究了具有非线性状态约束的滤波问题。一般情况下,该问题可以通过泰勒级数展开法进行线性化处理。然而该方法在非线性约束函数的雅可比矩阵不存在时失效,而使用水平滑动估计算法所需要的计算量很大。为此,采用基于UT变换的最佳测量方法解决该问题。此外,为了降低UT变换过程中基点误差对估计性能带来的影响,将非线性约束看作具有多个大小不等的噪声方差的测量值,在测量更新阶段逐步收缩噪声方差,从而不断增强约束条件。经过多次迭代,改善了状态估计的误差性能。该算法在保证较高的滤波精度的情况下,运算复杂度较低。（4）提出了一种新的自适应卡尔曼滤波算法。该算法假设系统过程噪声方差和量测噪声方差之间存在的函数关系已知,但两种噪声方差随着时间变化且均未知。首先令当前时刻的过程噪声方差等于前一时刻的过程噪声方差,通过变分贝叶斯近似的方法,在卡尔曼滤波框架下迭代求解当前时刻的量测噪声方差和状态估计,然后利用假设中的函数关系获得新的过程噪声方差。对上述过程进行迭代,获得状态估计及协方差。该算法具有较高的滤波精度,在假设条件不确知的情况下仍具有较强的鲁棒性。（5）在变分贝叶斯自适应卡尔曼滤波算法（VBAKF）的基础上,结合扩维集中式融合和序贯集中式融合方法,提出了两种新的多传感器数据融合算法,即基于VBAKF的扩维集中式融合算法和基于VBAKF的序贯集中式融合算法。新算法在传感器量测噪声全部或部分未知情况下,仍能获得精确的融合结果。（6）针对无序量测（OOSM）情况下的单步滞后滤波问题,在现有算法的基础上,推导非线性单步滞后无序量测更新方程。提出用UT变换来计算其中涉及到的状态向量以及相关量测之间的协方差,有效解决了状态转移方程为线性而量测方程为非线性的非线性高斯系统的单步滞后无序量测问题。然后,针对多传感器单步滞后无序量测情况,给出了基于UT变换的单步滞后无序量测融合方法。新算法具有如下特点:可以适用于非线性量测方程的雅可比矩阵或海森矩阵不存在的情况;具有较好的滤波性能;时间复杂度与EKF A1算法处于同一数量级。（7）针对凸组合航迹融合算法在过程噪声不为零的情况下性能下降的问题,引入RTS平滑算法来提高融合性能。由于传统的RTS平滑算法是在收到全部滤波结果之后才执行逆向平滑过程,造成输出延迟,为此,提出了分段RTS平滑算法,一方面可以提高航迹融合性能,另一方面能够保证融合过程中的实时性。在融合过程中,针对局部节点有无额外计算能力的不同情况,结合实施平滑步骤的时机,提出了基于分段RTS平滑的先平滑再融合和先融合再平滑两种改进的凸组合航迹融合算法。这两种算法在不同过程噪声水平下,误差性能均优于凸组合融合算法和最优融合算法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• §1.1 研究背景和意义
• §1.2 状态估计和融合方法的研究进展及现状
• 1.2.1 信息融合技术
• 1.2.2 目标跟踪技术
• 1.2.3 状态估计技术
• 1.2.4 估计融合技术
• 1.2.5 状态估计及融合技术亟待解决的问题
• §1.3 本文的研究内容及章节安排
• 本章参考文献
• 第二章 基于最小化量测误差的被动定位方法
• §2.1 引言
• §2.2 二维空间中的MinME 算法
• §2.3 三维空间中的MinME 算法
• §2.4 仿真实验及结果分析
• §2.5 本章小结
• 本章参考文献
• 第三章 等式状态约束下的滤波方法
• §3.1 引言
• §3.2 线性等式状态约束下的粒子滤波算法
• 3.2.1 问题描述
• 3.2.2 线性等式状态约束下的粒子滤波
• 3.2.3 仿真实验及结果分析
• §3.3 非线性等式状态约束下的滤波算法
• 3.3.1 问题描述
• 3.3.2 基于UT 变换的迭代收缩非线性状态约束滤波
• 3.3.3 仿真实验及结果分析
• §3.4 本章小结
• 本章参考文献
• 第四章 无序量测条件下的滤波方法
• §4.1 引言
• §4.2 问题描述
• §4.3 EKF A1 算法
• §4.4 基于UT 变换的单步滞后无序量测算法
• 4.4.1 用UT 变换解决单步滞后OOSM
• 4.4.2 单步滞后OOSM 多传感器量测融合方法
• §4.5 仿真实验及结果分析
• 4.5.1 实验模型
• 4.5.2 仿真结果及分析
• §4.6 本章小结
• 本章参考文献
• 第五章 双重迭代变分自适应卡尔曼滤波及融合方法
• §5.1 引言
• AKF'>§5.2 VB_AKF
• 5.2.1 问题描述
• 5.2.2 基于变分贝叶斯近似的自适应卡尔曼滤波
• AKF 算法'>§5.3 双重迭代的VB_AKF 算法
• 5.3.1 算法过程
• 5.3.2 仿真实验及结果分析
• AKF 的集中式融合方法'>§5.4 基于VB_AKF 的集中式融合方法
• AKF 的扩维集中式融合算法'>5.4.1 基于VB_AKF 的扩维集中式融合算法
• AKF 的序贯集中式融合算法'>5.4.2 基于VB_AKF 的序贯集中式融合算法
• 5.4.3 对一些参数初始化的讨论
• 5.4.4 仿真实验及结果分析
• §5.5 本章小结
• 本章参考文献
• 第六章 基于分段RTS 平滑的凸组合估计融合方法
• §6.1 引言
• §6.2 RTS 平滑算法与航迹融合算法
• §6.3 基于分段RTS 平滑的凸组合航迹融合算法
• §6.4 仿真实验及结果分析
• §6.5 本章小结
• 本章参考文献
• 第七章 总结与展望
• §7.1 总结
• §7.2 展望
• 致谢
• 攻读博士学位期间的科研成果
• 攻读博士学位期间参与的科研项目