异类传感器动态数据关联算法北大核心

数据关联是异类传感器系统中最核心且最重要的内容之一,典型的数据关联算法可以归结为特定的分配为问题,然而现有的S维分配算法只考虑同一时刻的每个传感器量测的互联。将此静态关联推广到动态关联中,提出了一种适用于异类传感器的(S+1)维动态数据关联算法。该算法首先将同一时刻各传感器的量测与目标轨迹的一步预测值合并,把问题转化为(S+1)维分配问题,然后将各传感器量测估计的位置信息与目标航迹的预测值的差值作为关联代价,并利用LP-SOLVE工具包解决多维分配问题,最后利用求得的全局最优关联解进行滤波和航迹的更新。仿真实验表明提出的关联代价能更精准地反映数据关联的可能性,能够对多目标进行稳定的跟踪。     

异类传感器动态数据关联算法

数据关联是异类传感器系统中最核心且最重要的内容之一,典型的数据关联算法可以归结为特定的分配为问题,然而现有的S维分配算法只考虑同一时刻的每个传感器量测的互联。将此静态关联推广到动态关联中,提出了一种适用于异类传感器的(S+1)维动态数据关联算法。该算法首先将同一时刻各传感器的量测与目标轨迹的一步预测值合并,把问题转化为(S+1)维分配问题,然后将各传感器量测估计的位置信息与目标航迹的预测值的差值作为关联代价,并利用LP-SOLVE工具包解决多维分配问题,最后利用求得的全局最优关联解进行滤波和航迹的更新。仿真实验表明提出的关联代价能更精准地反映数据关联的可能性,能够对多目标进行稳定的跟踪。     

使用多传感器的融合数据进行数据互联

数据互联利用融合的多传感器数据为基础,多传感器融合提供了一个简洁的图形,该图形由当前出现在监视区域中的目标的数字的和非数字的两种属性组成。数据互联技术包含两个过程。第一个过程是,活化的成群过程-在这个过程中,根据已有的航迹在预期的量测附近找到一个群,融合该群中的数据以获得组成群的目标的简洁的图形。第二个过程是,目标类型匹配过程-在该过程中,将已有航迹中包含的目标类型与包含在活化的群中的目标类型进行匹配。本文所提出的数据互联提供了一种手段,把量测得到的可信度值赋给每一条航迹(以接收的数据为基础),并以直接了当的方式推广到处理多目标跟踪数据互联。     

随机多假设跟踪的最大似然法

在多目标多量测环境中,量测-航迹分配的知识一般不适于跟踪算法。在本文中,对量测-航迹分配问题,采用了严格的概率方法。不象在传统多假设跟踪(MHT)算法那样,把量测分配给航迹;相反地,使用由期望最大化(EM)方法导出的最大似然(ML)算法估计每次量测属于每个航迹的概率。这些量测-航迹的概率估计对于调用随机多假设跟踪(PMHT)算法的多目标跟踪器是固有的。PMHT算法在计算上是切实可行的,因为它既不要求量测-航迹分配的计算,也不要求修剪。     

用于多目标跟踪的m-最佳S-D分配算法

本文描述了一种称为m-最佳S-D(即m—最佳S维)的新数据互联算法,这种算法在O(mSkn3)(m个分配,长度为n的S≥3个序列,k次松弛)时间内得到对于S维分配问题的(近似)m-最佳结果。m-最佳S维算法应用于以下的跟踪问题:要么传感器是同步的,要么传感器和/或目标运动非常缓慢。此项工作的意义在于m-最佳S-D分配算法(以滑窗模式)可以通过避免所需列举的令人不堪忍受的指数数目的联合假设,从而有效实现次优多假设跟踪(MHT)算法。本文首先描述了m-最佳S-D所应用的一般问题。特别是根据来自S个传感器的视线(LOS)(即不完全位置)量测,求取完全位置量测集合,即通过求解一个静态S-D分配问题可得到第1、第2、…、第m个最佳(在似然意义下)完全量测集合。使用用于得到m-最佳S-D分配解的联合似然函数,就可用类似JPDA(联合概率数据互联)技术来度量复合量测的正确概率。来自连续扫描的复合量测序列以及它们相应的概率,轮流用于一个动态2-D分配算法的状态估计器中,以估计随着时间变化的运动目标状态。基于一个似然函数获得动态分配权系数,此似然函数包含了从(静态)m-最佳S-D分配解中得到的“真实”复合量测概率。通过把m-最佳S-D分配的解法用于一个仿真的多目标被动传感器航迹起始与航迹维持问题,展示了m-最佳S-D分配解法的优点,其     

面向多目标跟踪的PHD滤波多传感器数据融合算法

针对密集杂波环境下单传感器应用高斯混合PHD算法进行多目标跟踪时性能下降的问题,提出一种面向多目标跟踪的PHD滤波多传感器数据融合算法。首先构建了基于高斯混合PHD滤波的多传感器数据融合系统框架,各传感器利用高斯混合PHD滤波算法进行局部状态估计,然后对各传感器的状态估计结果进行关联度计算,最后通过构建自适应混合参数,引入协方差交叉算法对关联状态进行融合。仿真实验表明,与单传感器高斯混合PHD多目标跟踪算法相比,所提算法有效提高了目标数量和状态的估计精度。     

自适应航迹融合算法及其仿真

在简单融合算法和协方差加权融合算法的基础上给出一种自适应航迹融合算法,并对这一算法进行了仿真.首先根据已关联的多个传感器的航迹状态估计计算得到第一个距离测度S1,并与门限T1比较.若S1小于门限T1则融合节点将选择本地航迹估计作为全局航迹估计;否则计算距离测度S2.这里S2也是局部航迹状态估计的函数.若S2小于门限T2则判决融合节点执行简单融合算法;否则判决融合节点执行协方差加权航迹融合算法.这里门限值T1,和T2代表了系统对融合航迹质量的要求以及系统可用资源对融合算法的综合影响.仿真结果表明自适应融合算法能够根据融合系统不同时刻对融合质量的不同要求以及系统资源的变化来自适应地选择满足要求的融合算法,从而降低航迹融合算法的计算复杂度.     

用IMMPDA固定延迟平滑算法对杂波环境下机动目标的多传感器跟踪

本文对于在杂波环境下用多个传感器跟踪一个高度机动目标提出了一个次优的固定延迟平滑算法。此固定延迟平滑算法是把基本的交互式多模型方法(IMM)和概率数据互联(PDA)技术应用到扩展状态系统上发展而来的。在过去这种方法只使用在确切考虑量测来源(即无杂波)的马尔科夫开关过程上。本文通过对一个高度机动目标跟踪的仿真例子来说明这个算法,其中仿真假设有两个传感器:一部雷达、一部红外,都作用在密集环境下。提出的平滑算法引进了在估计时刻与最新量测之间的一个短时延迟,使得在航迹估计精度上与已有的IMMPDA滤波算法相比,有了显著地提高。而且其计算量只是随着延迟时间线性增长。然而,在一些应用中跟踪的延迟可能导致在控制闭环中产生不希望有的影响。     

航迹与航迹的最优融合

在多传感器融合中,航迹与航迹融合占有重要的地位。人们在这方面做了大量工作,丛氏等人[5-7]给出了任意通信模式下的最优融合公式。对于确定性来说,该公式是最优的,这里指的确定性是:过程噪声为零或使用全速率通信(即两传感器每接到一次新数据就通信一次)。但在实际操作中,因目标机动而不能完全忽略过程噪声;或者为节约通信宽带,传感器间不采用全速率通信。这两种情况下,系统都存在公共过程噪声,因此两传感器的量测不是条件(给定目标预先状态)独立的,所得融合公式[7]只是近似最优。文献[1]中也谈到这种情况,作者推导出了一个公式来计算不同传感器的两条航迹估计的协方差、基于[1]的结果,文献[2]考虑了两个传感器航迹估计的相关性,并得到一个融合公式来组合局部估计。遗憾的是,文献[2]中进行贝叶斯推导时,所做的假设并不符合实际。本文中,我们指明[2]中结果潜在的近似性,并证明该结果只在ML{最大似然}意义下最优。然后,我们提出一种性能评估方法来研究各种航迹与航迹融合方法的性能。其结果给出各种操作条件下不同融合方法的性能范围。     

使用并行博尔兹曼机计算互联概率

在传统的估计理论中,确切地知道量测与哪些参数或者状态互联。但是,在多目标跟踪这样的问题中,事先不知道量测将与哪一个目标的状态矢量互联。因此,为了实现跟踪算法,必须得到量测源于给定目标的概率估计。当可以用序列算法精确求解这种数据互联问题时,对于大量的目标和杂波点,这种方法可能变得难以处理。本文介绍使用并行博尔兹曼(Boltzmann)机求解数据互联问题的新计算方法。该方法证明,如果能得到充分数量的并行博尔兹曼机,就可以用任意小的误差计算互联概率。第i个量测源于第j个目标的概率β~ji可通过观察神经元v(i,j)在两维网络各层中“激活”的相对频率简单地得到。本文还介绍一些简单的例子,以便对博尔兹曼算法和精确的数据互联解的性能进行比较,还与使用霍普菲尔德(Hopfield)神经网络的另一种并行方法的性能进行了比较。     

多传感器量测噪声对航迹融合性能影响分析

针对多传感器量测噪声相关性和量测噪声方差比值对航迹融合性能有影响的问题,分别采用凸组合航迹融合、最优航迹融合和小航迹融合算法进行融合,对融合性能和单个传感器滤波性能进行分析对比.仿真实验表明:(1)当量测噪声相关系数趋向-1时,融合性能良好;当量测噪声相关系数趋向1时,融合性能退化.(2)当量测噪声方差比值大致处于[0.1,10]时,融合性能良好;当量测噪声方差比值超出此范围时,融合性能退化.     

模糊技术分布式多传感器系统量测-航迹相关算法

给出了一个在分布式多传感器多目标跟踪系统中的新的全邻近模糊逻辑量测-航迹相关算法,该算法是基于FCM算法开发的。全邻近模糊逻辑数据相关算法在预测的目标状态的控制门内用合并所有观测来对状态估计进行修正。这里提出的全邻近模糊相关算法用可能性值对测量和航迹进行相关。可能性值作为隶属度通过FCM算法确定。     

无人机载多传感器集成与数据融合

介绍了无人机在情报、监视和侦察(ISR)领域的作用,分析研究了无人机(UAV)载传感器的种类、特点、集成特性及组合使用方式,说明了无人机载多传感器集成与数据融合的优点、功能组成.针对无人机载传感器的特点分析了多传感器组合、体系结构和特点,介绍了其主要算法,提出了发展趋势.     

多目标跟踪的数据互联——使用分层博尔兹曼机求解

数据互联是确定多目标跟踪算法中的量测源和分配概率β_i~t问题,其中β_i~t是表示第i个量测来自第t个目标这一事件的概率。本文介绍使用一个分层博尔兹曼机求解数据互联问题的新并行计算方法。研究证明,如果能得到充分多的二元神经元层数,就可以用任意小的误差计算互联概率。特别是,证明了概率β_i~j等于分层的两维网络中神经元v(i,j)激发的相对频率。文中还介绍一些简单的跟踪例子,这些例子将对用于精确的数据互联解的博尔兹曼算法的性能与使用Hopfield神经网络的另一种并行算法的性能进行比较。     

分布式多传感器多目标跟踪融合算法

在多传感器多目标跟踪系统中,通常采用分布式融合方法和集中式融合方法。分布式融合方法具有结构简单、计算量小等优点,采用分布式融合方法更为广泛。对分布式多传感多目标跟踪融合方法、关联和估计算法进行了分析和综述,并重点讨论了传统的关联算法和神经网络、模糊技术关联算法,指出了有待进一步研究的方向。     

多传感器航迹融合的有效算法

本文介绍了一种通过把不同传感器产生的航迹之间的互协方差结合在一起进行航迹对航迹融合的有效算法。若考虑跟踪同一目标的传感器之间的互相关,这个问题的解析解是很复杂的。根据某个积分推导出稳态的互协方差矩阵的显解。可以看出,这个积分的解包含着某矩阵的逆,其中的各个元素是每个跟踪器参数的函数。分析了这个矩阵的结构,得到了这个矩阵逆的有效解析解。对于相同传感器的数据融合,已证明,这个矩阵可简化为劳斯—霍尔维茨矩阵,它是在研究线性定态系统稳定性时提出的。通过考虑融合候选航迹之间互相关效果,本文还介绍了表明减少融合航迹协方差时的数字结果。     

用批递归估计器纯方位跟踪机动目标

本文介绍一种新的批递归估计器用杂波中的纯方位量测跟踪机动目标(即,低信噪比(SNR)目标)。标准的递归估计器跟广义卡尔曼滤波器(EKF)一样由于缺乏初始目标距离信息而造成粗劣收敛和不稳定状态。另一方面,批估计器不可以处理目标机动。为了纠正这些缺陷,本文用概率数据互联将批最大似然——概率数据互联估计器(ML-PDA)同递归交互多模型(IMM)估计器组合,在有杂波的条件下产生较好的航迹初值和航迹保持结果。还论证,批递归估计器可以用于基于目标状态估计的自适应己舰机动决策,以提高目标的可观测性。跟踪算法对有8dB信噪比的目标被证明是有效的。     

跟踪大量重叠目标的多分配算法

本文叙述用于跟踪大量密集(和重叠)物体的使用多分配的数据互连新技术。从促进该项工作的一个生物医学问题入手,即从一个图像序列跟踪一组纤维细胞(组织)单元来说明该算法。由于它们互相靠近以及难于从质量不好的图像序列精确地分割出图象,这些单元实际上是密集物体(CSO)。该算法介绍了一种新的二叉迭代多分配方法,它利用了带有修正成本的递减尺寸的逐个一对一分配。导出根据当前分配级“深度”和跟踪结果调整的成本函数。用所得到的分配来形成,保持和终止具有修正型概率数据互连(PDA)滤波器的航迹,除互连多个量测到单条航迹之外,它还可以处理多条航迹对单个量测的竞争。给出估计结果并与标准二维一对一分配算法的结果相比较。说明了迭代的多分配产生较好的量测到航迹互连。本文介绍的算法可用于其他一般的跟踪问题,包括密集空中交通警戒和控制。     

在分布式传感器网络中HMM的数据融合和跟踪

本文涉及多目标跟踪问题,由主动声呐(多静态网络)激活的被动声呐产生量测值。遇到的困难有两类:每个传感器不单独提供一个目标的完全可观察性,另一类是必须涉及到在干扰环境中运动的多个可能机动的目标。这里介绍的算法是基于目标时演变的离散马尔科夫建模方法。它从融合每个量测时间获得的探测值着手。由于动态规划(DF),下一步要完成跟踪和目标运动分析(TMA)。在几乎没有目标运动,例如回避使用确定性目标状态模型的情况下,用这种方法进行多个且机动的目标跟踪。本文介绍和讨论了仿真结果。     

基于多目标的雷达组网传感器资源管理算法

在雷达组网系统的多目标跟踪过程中,当目标数量过多时,由于传感器资源不足,无法使用传统传感器的管理方法进行资源分配,且运算时间过长,不满足工程实际需求。针对以上问题,提出了一种新的多传感器多目标跟踪任务快速分配算法,该算法将跟踪目标个数和跟踪目标精度作为优化目标,首先按照设定的分配准则对传感器进行一次分配,最大化跟踪目标个数;然后利用一种基于传感器排序的启发式传感器分配方法进行二次分配,通过控制跟踪目标的协方差水平,使目标的跟踪精度尽量接近期望值。仿真结果表明,该算法能够在较短的时间内对多传感器进行有效快速地分配,既跟踪了更多的目标,又达到了期望目标的跟踪精度,并且在一定程度上控制资源消耗,减少系统的总耗能。