[发明专利]一种车载传感器系统的闭环协同调度框架的协同调度方法

权利要求书

1.一种车载传感器系统的闭环协同调度框架的协同调度方法，其特征在于，所述闭环协同调度框架包括传感器集合层、决策层和融合层；传感器集合层表示异构的传感器资源集合，传感器包括雷达、红外传感器和成像传感器；雷达、红外传感器和成像传感器执行决策层的命令，并产生观测数据；

车载传感器系统在工作环境中运作，工作环境包括被跟踪目标本身及影响其行为、表现和结果的环境因素；融合层结合环境因素以及传感器的观测数据，对目标进行状态估计以及下一个时刻的状态预测，并生成相应的目标态势图像；决策层利用融合层提供的数据信息以及目标态势图像，进行平台路径规划，产生的环境观测需求传递给车载传感器系统；决策层根据平台路径规划结果产生传感器的调度命令，指导传感器集合进行动作更新，实现复杂多变的环境下多传感器的精确探测和追踪；

协同调度方法步骤如下：

第一步：平台路径规划

步骤1：融合层计算时刻k传感器观测前的期望Fisher信息矩阵

时刻k观测前的Fisher信息矩阵需要根据时刻k-1的目标状态进行预测，如式(2)所示：

其中π_j(k)表示时刻k轨道j的观测概率，P_j(k|k-1)表示轨道协方差；

对于真实轨道，π_j(k)和P_j(k|k-1)由融合层的MHT直接给出；

对于伪轨道，π_j(k)计算公式如式(1)所示；P_j(k|k-1)通过人为输入得到，使得其3-σ误差椭圆处于预期的搜索单元内；σ为标准差常数；

其中π_D(k,s,j)是传感器s在时刻k处检测伪轨道j的概率；

步骤2：融合层计算时刻k传感器观测之后得到的期望更新Fisher信息矩阵

其中π_j(k)表示时刻k轨道j的观测概率，π_D(k,s,j)是传感器s在时刻k处检测伪轨道j的概率，H(k,s,j)表示传感器s在时刻k处观测轨道j的观测矩阵，H(k,s,j)^T为观测矩阵的转置矩阵，R^-1(k,s,j)表示传感器s在时刻k处观测轨道j的观测噪声协方差矩阵的逆矩阵；

步骤3：融合层计算时刻k由于传感器观测产生的信息增益

步骤4：融合层计算时刻k+1的预测期望Fisher信息矩阵

其中F(k)表示基于目标运动模型的状态转移矩阵，表示时刻k观测后期望更新的Fisher信息矩阵的逆矩阵，F(k)^T表示状态转移矩阵的转置矩阵，Q(k)表示过程噪声的协方差矩阵；

步骤5：融合层计算时刻k+1的预测期望更新Fisher信息矩阵

其中π_j(k)表示时刻k轨道j的观测概率，π_D(k+1,s,j)是传感器s在时刻k+1处检测伪轨道j的概率，H(k+1,s,j)表示传感器s在时刻k+1处观测轨道j的观测矩阵，H(k+1,s,j)^T为观测矩阵的转置矩阵；R^-1(k+1,s,j)表示传感器s在时刻k+1处观测轨道j的观测噪声协方差矩阵的逆矩阵；

步骤6：融合层计算时刻k+1的信息增益

步骤7：决策层递归地计算N个时间步长传感器观测的累积信息增益J(k)计算时刻k由于传感器观测产生的未来N步累计信息增益，根据目标优先级以及折扣因子进行缩放；

其中γ是奖励折扣因子，α_j是目标优先级，根据目标威胁程度进行判定；

是到达时刻l处的期望Fisher信息矩阵，是所有传感器组件在时刻l处观测之后的期望更新的Fisher信息矩阵；

第二步：传感器调度

步骤1：计算成本函数C_o

其中C_o(x,y；x′,y′)指的是决策(x′,y′)产生的成本，x′指的目标的观测运动状态信息，y′为基于x′做出的目标类型判断，cyy与cy′y由步骤1.1定义的成本矩阵得到，ε(y′)由步骤1.2定义的ε向量矩阵得到；

步骤1.1：定义成本矩阵C

成本矩阵定义如下：

其中，M表示视野中目标的个数，K表示识别的种类，M和K基于平台路径规划结果得到；c_MK表示将目标M识别为类别K产生的成本；

步骤1.2：定义ε向量矩阵E

E＝(ε(1)...ε(K)) (11)

ε向量的元素为主观定义的，代表操作者对每个类别的不正确的运动状态估计产生的相对影响的判断，K表示识别的种类；

将式(10)和式(11)带入式(9)，得到传感器调度决策的成本函数；

步骤2：定义传感器调度的决策风险R(x′,y′)

其中C_o(x,y；x′,y′)指的是决策(x′,y′)产生的成本，p_XY(x,y)指的是实际状态(x,y)的概率密度函数；

步骤3：决策层计算传感器观测后的状态概率密度函数p^+′_XY(x,y)

利用观测(z,w)进行更新之后的概率密度函数通过贝叶斯更新进行计算；

其中z表示观测向量，z∈R^M，M为目标个数，R为实数集合，w表示对数据进行处理得到的离散类别信息，w∈{1...K}，K为目标识别的种类，θ表示传感器的动作参数；

p_ZW(z,w|x,y；θ)表示在状态(x,y)下采用传感器动作θ得到的观测(z,w)的概率，p_XY⁺(x,y)指的是观测时间处状态的预测概率密度函数，p_ZW(z,w；θ)表示测量似然函数；

步骤4：决策层计算理论观测风险R⁺(z,w；θ)

步骤4.1：理论观测风险R⁺(z,w；θ)

步骤4.2：计算理论观测风险R⁺(z,w；θ)

将更新后状态的概率密度函数p^+′_XY(x,y)代入公式(14)：

步骤5：决策层计算预测的风险值R⁺(θ)

将公式(15)的代入公式(16)，p_ZW(z,w；θ)项消去，得到

步骤6：决策层计算传感器决策后的风险减少量J(θ)

J(θ)＝R⁺-R⁺(θ) (18)

其中R⁺是在没有测量时的决策风险：

步骤7：传感器集合层选择风险最小的传感器动作θ

根据决策层产生的调度结果，传感器集合层产生新的环境观测结果，开始新一轮传感器调度的闭环决策。