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。     

引入测频信息进行无源被动定位的方法研究

无源被动定位技术中一个重要问题，是如何使定位的约束条件尽可能地少，即尽可能地提高方法的可操作性。只利用测角信息（ＤＯＡ）的定位方法，由于可观测性的要求，在单观测平台对运动目标定位时，常常需要观测平台作特殊的机动运动，这种约束给实际操作带来很大不便。本文提出了一种引入测频信息对运动目标进行定位的定位方法，并给出了可观测性分析。运用该定位法定位，观测平台的运动形式可以任意，特别有意义的是，在满足某些条件情况下观测平台还可以完全静止不动。     

多站纯方位定位系统的可观测性条件

对多运动站纯方位目标定位系统的可观测性问题进行了研究.通过运动等效,将多运动站纯方位定位系统等效成一个特殊的单运动站定位问题.利用拟线性估计方程,导出了系统不完全可观测的一些条件,分析中还发现了系统不完全可观测的新情形.     

多传感器系统纯方位定位与可观测性分析

对多静止测向站系统的可观测性、定位方法进行了分析和研究。通过运动等效,将多静止站系统转化成一个特殊的单运动测向站问题。采用拟线性方法,建立了纯方位多传感器系统目标定位问题的数学描述,并分析了系统的可观测性条件。提出了两种目标被动定位的融合递推算法,它们可以以标量的形态递推计算,具有实时性高、可计算性好的优点。     

基于GM-PHD的低可观测编队目标跟踪方法

考虑到多编队在低可观测情况下存在的目标跟踪问题,提出了一种基于高斯混合概率假设密度(GM-PHD)滤波算法的编队目标跟踪方法.该方法是在修剪融合过程中,先保留剪掉的高斯分量,再对这些分量进行状态外推,利用JS(Jensen-Shannon)散度判断下一时刻状态估计值与外推状态值是否相似,以判断结果体现目标丢失情况,使得真实目标不丢失,解决了低可观测情况下目标易漏检带来的跟踪性能下降问题.然后,利用编队目标的特点,结合密度聚类方法估计出编队整体的状态,避免因状态估计集合中状态值过多影响算法性能.最终,仿真实验结果表明,该方法可以在低可观测情况下有效跟踪编队目标,具有较好的跟踪性能.     

纯方位角目标运动分析的可观测性研究

纯方位角目标运动分析的可观测性是纯方位角观测系统中的一个基本问题.只有解决了系统的可观测性,才能进行有效的目标定位及跟踪.从随机系统的角度分析了纯方位角观测系统的可观测性,引入状态参量的Fisher信息矩阵作为判断系统可观测性的依据,提出了完全不同于判定确定性系统可观测性的随机观测系统可观测性的判定方法.最后给出了一个静止目标纯方位角观测系统的实例,说明了该方法的有效性.     

杂波环境下机动目标跟踪算法研究

杂波环境下的机动目标跟踪问题具有非线性、非高斯、不完全观测的特点,其难点在于观测值与目标的对应关系及每一时刻的运动模式均呈现高度不确定性。文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的杂波环境下机动目标跟踪算法——多模型辅助粒子滤波算法(MMAPF)。仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在相同的情况下,具有更高的滤波精度和较好总体性能。     

用多维数据互联的有效多传感器融合

本文介绍多目标跟踪的用多维数据互联的多传感器融合算法的发展。这项工作是受大规模监视问题的推动,在这种监视问题中,来自具有不同采样间隔(电子扫描阵(ESA)雷达)的异步传感器观察值用于集中式融合。用多维分配的多传感器融合的综合,对于由分配算法处理的S个表,除了“传感器宽度”外,还要使“时间层次”最大化。在有S个传感器的情况下,将来自最近到达的S-1个帧的量测值与已经建立的航迹互联的标准方法可能有零时间层次。对于S维数据互联(S≥3),所介绍的新技术保证最大效率,即对于没有损失融合重叠传感器的每一个传感器,保证最大时间层次(S-1)。使用滑窗(长度为S)技术,在每一个量测帧之后更新估计。对于使用具有多维分配数据互联的多传感器融合,该算法提供多目标跟踪的自动航迹形成、保持和结束的系统方法。对于一个大规模空对地目标跟踪问题,介绍了使用模拟数据的估计结果。     

纯方位定位中的“Legs”机动方式与系统的可观测性

由多个等速直线运动段组成的观察站运动方式,称为“Ｌｅｇｓ”机动方式,所谓的纯方位系统是可观测的,是指系统在纯方位观察条件下,能唯一地求解出目标的运动参数。讨论了“Ｌｅｇｓ”机动方式,对纯方位目标定位系统可观测性的影响,建立了该模式下系统可观测的必要条件。     

等速运动观测站纯方位系统的可观测性

对等速直线运动单观测站纯方位目标运动分析问题进行了讨论。尽管系统是不完全可观测的,却证明了目标部分运动参数是可估计的,即目标与观察者的相对航向Kr、相对速度与初距离之比Vr/Do是可以解算的;并对可估计参数的有解条件进行了分析。     

一种单站无源定位方法及其可观测性分析

利用非线性系统可观测性定理分析了径向加速度信息在目标运动分析(TMA)中的可观测性问题,得到径向加速度观测所能确定的目标状态参数及其需要满足的观测条件,从而证明一种联合径向加速度和角度信息的单站无源定位方法的可行性,并分析其可观测条件和可观测度。通过计算机仿真验证了讨论的结果。     

多平台纯方位信息融合结构及关联估计联合优化模型

在多平台纯方位信息融合中,存在多平台的方位关联和单平台的参数估计(或目标定位)困难,因为两者相互依赖和制约。造成相对不同平台的方位不能进行时间空间对准、虚假目标不能消除。为此,提出了一种分布式信息融合结构,并建立了相应的数据互联与参数估计联合优化模型。在这种结构和模型中,首先由各平台对本地传感器探测的纯方位信息完成融合并输出方位序列,然后在融合中心按分层节点对方位序列的数据互联与参数估计进行联合优化处理,每个融合节点仅处理两个平台信息,最后节点输出融合结果。仿真计算结果表明,这种优化模型是解决关联和估计问题的一个有效方法,可以提高多平台纯方位信息融合的性能。     

纯方位目标跟踪系统的可观测程度

首先建立了纯方位目标跟踪系统的动态模型和一个最小二乘估计器,分析了该系统的完全可观测性。在系统完全可观测的条件下,引入可观测程度这一概念。文中定义了两种描述系统可观测程度的方法。它们都很好地反映了系统可观测程度随跟踪时间的变化过程。研究发现,纯方位目标跟踪系统往往是弱可观测系统,这正是系统跟踪效果不佳的原因所在。然而,文中表明的系统可观测程度同跟踪几何态势关系密切这一事实,又使得从己艇机动入手解决跟踪效果差的问题成为可能,就是通过极大化系统的可观测程度优化己艇的机动策略。     

纯角度信息的舰载无人机目标运动分析算法

为解决依据舰载无人机观测数据对目标进行定位跟踪的问题,提出了基于纯角度信息对目标进行目标运动分析的算法。根据目标运动特性,建立算法运动模型,构建等式,对其可观测性进行分析,并且利用最小二乘法,对目标运动要素解算,通过算法分析和算例仿真表明:该算法可通过舰载无人机对目标的角度测量信息,对陆上、海上运动目标进行运动要素求解,精度满足舰载无人机对目标的定位跟踪要求。     

多传感器数据融合导论(续)

5 多传感器数据融合体系结构 在开发多传感器数据融合系统时,一个关键问题是在数据流程中实际组合式融合数据的地点问题。对第一级融合重点我们将放在两种情况上:(1)测定运动对象位置和速度的定位信息(如观察到的距离、方位角和高低角)的融合;(2)测定被观测对象身份的参数数据(如雷达截面积、红外谱等)的融合。尽管在一个实际的系统中,定位和参数身份信息的融合可以综合完成,我们还是分别讨论这两种情形。 在融合定位信息以测定对象的位置和速度时主要有三种方法供选择:(1)融合原始     

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     

基于相对观测量的多机器人定位

研究了多机器人队列利用相对观测信息在未知环境中进行同时定位的问题。当队列中某个机器人观测到另外一个或几个机器人时,利用这些信息来同时更新整个队列的位置及协方差矩阵,也即整个队列共享所获得的观测,来得到更精确的位置估计。每个机器人都携带内部及外部传感器,内部传感器感知机器人自身的运动,外部传感器能提供机器人之间的相对观测量,如相对距离和相对方位。利用扩展卡尔曼滤波(EKF)算法融合内部及外部传感器信息,对多机器人队列进行同时定位;并对不同的观测量及机器人个数进行了仿真分析,给出了不同情况下的滤波器结构,研究比较了它们的定位精度。仿真结果表明,利用机器人之间的相对观测信息,可以显著提高定位精度。     

基于粒子滤波的复杂背景下的红外运动目标跟踪

粒子滤波是一种处理非线性和非高斯动态系统状态估计的有效技术,针对目标被严重遮挡或有相似干扰等复杂背景情况下红外运动目标跟踪问题,提出了一种基于目标灰度与运动特征的粒子滤波算法。该算法将带有空间信息的灰度模型与带有灰度信息的运动模型进行融合,得到一个联合观测模型,并将其用于粒子滤波跟踪框架。与经典粒子滤波算法相比,文中算法效率略有降低,但跟踪的准确性和鲁棒性却大大增强。     

二维运动目标纯方位系统的部分可观测性

针对二维空间作匀加速运动的目标,对等速直线运动的单观测站纯方位目标运动分析问题进行了讨论.此时系统是不完全可观测的.本文证明了目标部分运动参数是可估计的,即目标与观察者的相对航向Kr,相对速度与初距离之比Vr/D0,加速度与初距离之比a/D0是可以解算的,并对可估计参数的有解条件进行了分析.     

用于舰艇的多传感器多目标数据融合(续)

3 贝叶斯滤波 我们现在回到状态估计问题上。接着上节中描述的分离原则,我们认为观测已被互联,也就是说,划分成子集,每个子集对应于一个目标。状态估计问题要采用已知集合中的观测来估计目标状态。我们希望在这一点上有所区别。我们把目标叫作我们正在估计其状态的实际对象。例如,在水面舰艇跟踪问题中,目标是舰艇。另一方面,在用互联算法进行分离的情况下,航迹是被联结为单个子集的观测集。区别是:目标是真实对象,航迹是由数据融合系统建立的结构。