[发明专利]基于QKF‑MMF的多传感器量化融合方法

摘要

本发明涉及一种基于QKF‑MMF的多传感器量化融合方法，本发明包括该发明包括系统建模；计算基于强跟踪量化卡尔曼滤波和基于变分贝叶斯自适应量化卡尔曼滤波的局部量化估计误差协方差和估计误差互协方差；通过基于多方法融合的量化卡尔曼滤波方法计算量化融合估计误差互协方差；采用贯序融合方法计算最终融合估计和相应的估计误差协方差。该发明不仅具有强跟踪和动态估计观测噪声未知方差的能力，还能够有效地融合多个传感器的局部量化估计值，提高了信息的估计精确度，同时具有较好的计算性和扩展性。因此，通过该方法可以准确地估计出任意时刻的目标运动状态，以实现目标跟踪。

主权项

基于QKF‑MMF的多传感器量化融合方法，其特征在于该方法包括以下步骤：步骤1.系统建模：考虑二维平面目标的跟踪问题，假设目标为匀速运动模型，给出跟踪目标的系统模型如下：xk=φk,k-1xk-1+wk,k-1zl,k=Hl,kxk+vl,k,l=1,2,...,N;]]>式中，该系统是由N个传感器构成的线性多传感器网络系统，k是时间指数，xk是系统状态向量，分别由运动状态的距离和速度组成；φk,k‑1是相应的从k‑1到k时刻系统状态转移矩阵；zl,k是第l个传感器观测值，即表示由雷达所测得的距离；Hl,k是相关观测矩阵；wk,k‑1和vl,k分别为均值为零方差为Qk,k‑1和Rl,k的高斯白噪声；假设初始状态为x0，其中均值和方差分别是和P0|0，并且与wk,k‑1和vl,k不相关；步骤2.分别计算基于强跟踪量化卡尔曼滤波和变分贝叶斯自适应量化卡尔曼滤波的局部量化估计误差协方差以及互协方差和q＝1,2：令其中1≤l1,l2≤N，l1≠l2，那么Pq,l1l2,k|k=[I-Kq,l1,kHl1,k]×(φk,k-1Pq,l1l2,k-1|k-1φk,k-1T+Qk,k-1)×[I-Kq,l2,kHl2,k]T;]]>P12,l1l2,k|k=[I-K1,l1,kHl1,k]×(φk,k-1P12,l1l2,k-1|k-1φk,k-1T+Qk,k-1)×[I-K2,l2,kHl2,k]T;]]>P21,l1l2,k|k=[I-K2,l1,kHl1,k]×(φk,k-1P21,l1l2,k-1|k-1φk,k-1T+Qk,k-1)×[I-K1,l2,kHl2,k]T;]]>式中表示基于强跟踪量化卡尔曼滤波和变分贝叶斯自适应量化卡尔曼滤波的增益矩阵；步骤3.计算基于量化卡尔曼滤波的量化融合估计误差互协方差Pf,l1l2,k|k=A1,l1,kPq,l1l2,k|kA1,l2,kT+A2,l1,kP12,l1l2,k|kA2,l2,kT+A1,l1,kP12,l1l2,k|kA2,l2,kT+A2,l1,kP21,l1l2,k|kA1,l2,kT;]]>式中表示最优量化加权矩阵；步骤4.采用贯序融合方法计算最终融合估计和相应的估计误差协方差x^f,k|k=BkN-1x^f,k|kN-1+BN,kx^f,N,k|k;]]>Pf,k|k=Pf,k|kN-1-BN,k(Pf,k|kN-1-ΣN-1T);]]>其中，ΣN-1=ΣN-1N-1=(I-BN-1,k)ΣN-1N-2+BN-1,kPf,(N-1)N,k|k;]]>式中，和BN,k表示最优状态矩阵；和分别表示通过贯序融合方法融合了l个传感器的融合状态估计及其相应的估计误差协方差；其中式可通过迭代算得。