一種多傳感器多目標(biāo)跟蹤偏差估計(jì)方法
【專利摘要】本發(fā)明公開(kāi)了一種多傳感器多目標(biāo)跟蹤偏差估計(jì)方法，包括：還原步驟，還原本地傳感器量測(cè)值us(k|k)及其協(xié)方差矩陣Us(k|k)；卡爾曼增益獲取步驟，利用所獲得的本地傳感器量測(cè)值協(xié)方差矩陣獲得卡爾曼增益Ws,k；偏差虛擬量測(cè)獲取步驟，利用卡爾曼增益，獲取偏差向量的虛擬量測(cè)融合偏差向量虛擬量測(cè)獲得步驟，根據(jù)偏差向量的虛擬量測(cè)，獲得融合偏差向量虛擬量測(cè)；偏差估計(jì)向量與偏差估計(jì)協(xié)方差矩陣獲取步驟，根據(jù)偏差向量的虛擬量測(cè)融合偏差向量虛擬量測(cè)以及上一時(shí)刻的偏差估計(jì)向量及偏差估計(jì)協(xié)方差矩陣，獲得偏差估計(jì)向量與偏差估計(jì)協(xié)方差矩陣。使用本發(fā)明的方法可以實(shí)現(xiàn)對(duì)偏差的有效估計(jì)。
【專利說(shuō)明】
-種多傳感器多目標(biāo)跟蹤偏差估計(jì)方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明設(shè)及一種目標(biāo)跟蹤偏差估計(jì)方法，尤其設(shè)及一種多傳感器多目標(biāo)跟蹤偏差 估計(jì)方法。
【背景技術(shù)】
[0002] -般來(lái)說(shuō)，由于有偏傳感器不能自己配準(zhǔn)自身偏差，需要一個(gè)比照的對(duì)象，所W傳 感器的配準(zhǔn)都需要兩個(gè)或兩個(gè)W上傳感器來(lái)進(jìn)行。
[0003] 在Friedland B.Treatment of bias in recursive fiI tering[J]. IEEE Transactions on Automatic Conhol, 1969,14(4): 359-367.中將偏差配準(zhǔn)問(wèn)題視為一個(gè) 兩傳感器問(wèn)題并用未知偏差量擴(kuò)展?fàn)顟B(tài)向量，運(yùn)種方法的弊端是在擴(kuò)維向量維數(shù)增加時(shí)計(jì) 算量也將明顯增大。如化baa N,Bishop R H.Solution to a multisensor tracking problem with sensor registration errors[J]. IEEE Transactions on Aerospacefe Electronic Systems, 1999,35(I): 354-363.中所述，大多數(shù)偏差估計(jì)算法直接作用于量測(cè) 值并需要本地傳感器的卡爾曼增益來(lái)進(jìn)行偏差的估計(jì)。然而在實(shí)際系統(tǒng)中，傳感器可能只 向融合中屯、提供濾波航跡。所W，雖然偏差估計(jì)與補(bǔ)償?shù)姆椒ê芏?，仍需要一種只需要濾波 狀態(tài)及其協(xié)方差矩陣的偏差估計(jì)算法。
[0004] 多傳感器信息融合(Multi-sensor Information Fusion,MSIF)，就是利用計(jì)算機(jī) 技術(shù)將來(lái)自多傳感器或多源的信息和數(shù)據(jù)，在一定的準(zhǔn)則下加 W自動(dòng)分析和綜合，W完成 所需要的決策和估計(jì)而進(jìn)行的信息處理過(guò)程。在多傳感器信息融合系統(tǒng)中，就位置(空間） 級(jí)融合系統(tǒng)的結(jié)構(gòu)而論，有集中式、分布式結(jié)構(gòu)。目前針對(duì)融合中屯、無(wú)本地傳感器卡爾曼增 益的情況，欠缺有效估計(jì)傳感器偏差的方法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明鑒于【背景技術(shù)】的W上問(wèn)題提出，用于解決【背景技術(shù)】中存在的問(wèn)題，至少是 提供一種有益的選擇。
[0006] 為了實(shí)現(xiàn)W上目的，本發(fā)明公開(kāi)了一種多傳感器多目標(biāo)跟蹤偏差估計(jì)方法，包括 W下步驟:還原步驟，還原本地傳感器量測(cè)值Us化I k)及本地傳感器量測(cè)值協(xié)方差矩陣Us化 k);卡爾曼增益獲取步驟，利用所述還原步驟獲得的本地傳感器量測(cè)值協(xié)方差矩陣獲得卡 爾曼增益Ws,k;虛擬量測(cè)獲取步驟，利用所述卡爾曼增益Ws,k，獲取偏差向量的虛擬量測(cè) 二;.，作）；融合偏差向量虛擬量測(cè)獲得步驟，根據(jù)所獲得的偏差向量的虛擬量測(cè)，獲得融合偏 差向量虛擬量測(cè)為,/巧);偏差估計(jì)向量bs化)與偏差估計(jì)協(xié)方差矩陣獲取步驟，根據(jù)所述偏 差向量的虛擬量測(cè)冷巧擬及所述融合偏差向量虛擬量測(cè)與,,(0獲得偏差估計(jì)向量bs化)與 偏差估計(jì)協(xié)方差矩陣S s(k)。
[0007] 根據(jù)本發(fā)明的一種實(shí)施方式，所述還原步驟利用逆卡爾曼濾波還原本地傳感器量 測(cè)值及其協(xié)方差矩陣。
[000引根據(jù)本發(fā)明的一種實(shí)施方式，在所述卡爾曼增益獲取步驟中，利用Ws,k = Ps化|k'） H化)T陽(yáng)化化化|k'）H化)T+Rs,k]-1與Rs,k = mk)Us化|k)H化)T求卡爾曼增益Ws,k，其中Ps化 k'）為傳感器S的狀態(tài)協(xié)方差矩陣預(yù)測(cè)值，H化)為量測(cè)矩陣，Rs,k為量測(cè)協(xié)方差矩陣，上標(biāo)T表 示轉(zhuǎn)移矩陣。
[0009] 根據(jù)本發(fā)明的一種實(shí)施方式，在所述虛擬量測(cè)獲取步驟中，利用
農(nóng)偏差向量的虛擬量測(cè)成換)，其中F 化，k'）為狀態(tài)轉(zhuǎn)移矩陣，出化)是第S個(gè)傳感器的量測(cè)矩陣，^(A|A-)為本地傳感器濾波狀態(tài) 向量A例Al巧本地傳感器上一時(shí)刻的濾波狀態(tài)向量。
[0010] 根據(jù)本發(fā)明的一種實(shí)施方式，在所述融合偏差向量虛擬量測(cè)獲得步驟中，利用Wf,k =Pf化|k'化化)T陽(yáng)化)Pf化|k'化化)T+Rf,k]-i獲得融合卡爾曼增益，并利用W下公式獲 得融合偏差向量虛擬量測(cè)
[0011]
[0012] 其中上標(biāo)S表示傳感器的編號(hào)，下標(biāo)f表示融合。
[0013] 根據(jù)本發(fā)明的一種實(shí)施方式，采用遞歸最小均方偏差估計(jì)算法，利用上一時(shí)刻的 偏差估計(jì)向量及上一時(shí)刻的偏差估計(jì)協(xié)方差矩陣，獲得當(dāng)前時(shí)刻的偏差估計(jì)向量bs化)與 偏差估計(jì)協(xié)方差矩陣S s(k)。
[0014] 根據(jù)本發(fā)明的一種實(shí)施方式，所述采用遞歸最小均方偏差估計(jì)算法，獲得偏差估 計(jì)向量bs化)與偏差估計(jì)協(xié)方差矩陣Ss化)的步驟包括針對(duì)第S個(gè)傳感器的W下步驟：
[001引當(dāng)N時(shí)，利巧
獲得虛擬量測(cè)Zb,t化），其
中t是目標(biāo)的序號(hào);計(jì)算偏差更新的增益Gt化）=Xt-I化)Ht化)T陽(yáng)t化）Xt-I化)Ht化)TRt化） Tl與殘差 ；更新偏差估計(jì)與偏差估計(jì)協(xié)方差矩陣：
[0016]
[0017] 5：*化）=5：*-1化）-5：*-1化化*化川出化）5：*_1化化*化）了+把化）]-1出化）5：*_1化）。
[0018] 根據(jù)本發(fā)明的一種實(shí)施方式，利用序貫融合算法，使用融合狀態(tài)向量.與傳融 合狀態(tài)協(xié)方差矩陣
獲得融合卡爾曼增益W/,t，并獲得融合偏 差向量虛擬量測(cè)。
[0019] 根據(jù)本發(fā)明的一種實(shí)施方式，還包括融合軌跡獲得步驟，利用還原出的本地傳感 器量測(cè)值山化I k)及本地傳感器量測(cè)值協(xié)方差矩陣IUk I k)來(lái)獲得融合軌跡。
[0020] 使用本發(fā)明的方法可W實(shí)現(xiàn)對(duì)偏差的有效估計(jì)。
【附圖說(shuō)明】
[0021 ]結(jié)合附圖，可W更好地理解本發(fā)明，但是附圖僅僅是示例性的，不是對(duì)本發(fā)明的限 制。
[0022] 圖1示出了根據(jù)本發(fā)明的一種實(shí)施方式的多傳感器多目標(biāo)跟蹤偏差估計(jì)方法的流 程圖。
[0023] 圖2示出了根據(jù)本發(fā)明方法對(duì)角度維乘性偏差在單次仿真中的估計(jì)情況；
[0024] 圖3示出了根據(jù)本發(fā)明方法對(duì)角度維加性偏差在單次仿真中的估計(jì)情況；
[0025] 圖4示出了根據(jù)本發(fā)明方法對(duì)距離維乘性偏差在單次仿真中的估計(jì)情況；
[0026] 圖5示出了根據(jù)本發(fā)明方法對(duì)距離維加性偏差在單次仿真中的估計(jì)情況；
[0027] 圖6示出了根據(jù)本發(fā)明方法對(duì)角度維乘性偏差利用蒙特卡洛方法計(jì)算的均方根誤 差；
[0028] 圖7示出了根據(jù)本發(fā)明方法對(duì)角度維加性偏差利用蒙特卡洛方法計(jì)算的均方根誤 差；
[0029] 圖8示出了根據(jù)本發(fā)明方法對(duì)距離維乘性偏差利用蒙特卡洛方法計(jì)算的均方根誤 差；
[0030] 圖9示出了根據(jù)本發(fā)明方法對(duì)距離維加性偏差利用蒙特卡洛方法計(jì)算的均方根誤 差。
【具體實(shí)施方式】
[0031] 下面結(jié)合附圖具體說(shuō)明本發(fā)明的實(shí)施方式。所說(shuō)明的實(shí)施方式僅是示例性的，不 是對(duì)本發(fā)明的限制。在所做的說(shuō)明中，各實(shí)施方式可W互相參照。
[0032] 圖1示出了根據(jù)本發(fā)明的一種實(shí)施方式的多傳感器多目標(biāo)跟蹤偏差估計(jì)方法的流 程圖。如圖1所示，根據(jù)本發(fā)明的一種實(shí)施方式，利用多傳感器多目標(biāo)偏差估計(jì)方法實(shí)現(xiàn)k = 1，2，L時(shí)刻偏差估計(jì)的具體步驟為：
[0033] 首先在第一步步驟SlOl，利用逆卡爾曼濾波還原本地傳感器量測(cè)值Us化Ik)及其 協(xié)方差矩陣IUk I k)，具體公式如下：
[0034] ( 1 )
[003引 （2)
[0036] (3)
[0037]
[00；3 引
[0039] (:6.)
[0040] 由于本文設(shè)及一些公式，為了便于理解，概括將所設(shè)及的符號(hào)的含義說(shuō)明如下:本 文中b均指偏差向量，f是英文融合的Sion)的意思，t指目標(biāo)編號(hào)，S指?jìng)鞲衅骶幪?hào)，上方帶' 的為濾波值，上方帶~的為濾波值與真實(shí)值的偏差，括號(hào)中的化IkO指的是預(yù)測(cè)，k/可W是 k-1也可W是更靠前的步驟，只要依據(jù)運(yùn)個(gè)值調(diào)整濾波過(guò)程中的相關(guān)矩陣即可。
[0041] 在W上公式中，電保I*')為本地傳感器濾波狀態(tài)的預(yù)測(cè)值，鳥(niǎo)掙1巧為本地傳感器濾 波狀態(tài)向量，Ps化|k'）為本地傳感器濾波狀態(tài)協(xié)方差矩陣的預(yù)測(cè)值，Ps化Ik)為本地傳感器 濾波狀態(tài)協(xié)方差矩陣。
[0042] 在W上公式中，式(2)表明還原的量測(cè)值應(yīng)為真實(shí)狀態(tài)值與偏差值的和;式(3)表 明偏差值的期望為0。式4和式5中的As和Ds是算法中的中間變量。
[00創(chuàng)然后在第二步步驟S102,利用Ws,k = Ps化|k'化化)T陽(yáng)(k)Ps(klk'化化)T+Rs,k]-i與 Rs,k = H化)lUk|k)H化)T求卡爾曼增益Ws,k，其中Ps化|k'）為傳感器S的狀態(tài)協(xié)方差矩陣預(yù)測(cè) 值，H化)為量測(cè)矩陣，Rs,k為量測(cè)協(xié)方差矩陣;Rs,k可視為對(duì)化的維數(shù)變換。
[0044] 接著在第S巧巧驟S 1 0 3，值用S 1 0 2中所獲得的卡爾曼增益W S, k，利用
求偏差向量的虛擬量測(cè)與，(蛛，其中F 化，k'）為狀態(tài)轉(zhuǎn)移矩陣。
[0045] 偏差向量
其中K作)與磚巧)分別為距離和角 度的加性偏差，與作)與W分別為距離和角度的乘性偏差。
[0046] 隨著估計(jì)過(guò)程的進(jìn)行，被估計(jì)的偏差是隨算法進(jìn)行逐步變化的，第一個(gè)傳感器是 無(wú)偏的，之后逐個(gè)估計(jì)第二、=、四等等傳感器的偏差。
[0047] 之后，在第四步步驟S104,得到融合軌跡。在一種實(shí)施方式中，調(diào)用序貫融合算法 (SFA)，利用嗎稱倘馬腳巧來(lái)獲得融合軌跡。在最初，可W用偏差已配準(zhǔn)的第一個(gè)傳感器 滬的濾波值作為融合狀態(tài)向量的初始值4作' IW及融合狀態(tài)協(xié)方差矩陣巧作' I A')，隨著 配準(zhǔn)的一步步進(jìn)行可W用配準(zhǔn)后的還原量測(cè)值來(lái)利用序貫思想一步步更新量測(cè)值。一般來(lái) 說(shuō)目標(biāo)跟蹤的過(guò)程就是獲得目標(biāo)運(yùn)動(dòng)軌跡的過(guò)程，此算法在估計(jì)偏差的同時(shí)獲得了融合軌 跡，運(yùn)是此算法的一個(gè)亮點(diǎn)。偏差估計(jì)的本身是不需要獲得融合軌跡的。步驟S104也可W在 步驟S103之前進(jìn)行。
[004 引然后在第五步步驟 S105,利用 Wf,k = PKk|k'）Wk)TWk)PKk|k'）lKk)T+Rf,k]-^ 融合卡爾曼增益巧，可得融合偏差向量虛擬量測(cè)
[0049]
[0化日]接著在第六步步驟S106,調(diào)用遞歸最小均方偏差估計(jì)(RLS邸)算法，輸入為每,快）， 哉/(A W及上一時(shí)刻對(duì)所有傳感器更新的偏差估計(jì)及偏差估計(jì)的協(xié)方差矩陣，返回偏差估 計(jì)向量bs化)與偏差估計(jì)協(xié)方差矩陣XsA);
[0051] 之后重復(fù)W上的步驟，處理下一時(shí)刻數(shù)據(jù)。
[0052] 其中序貫融合算法(SFA)具體流程如下：
[0053] 第一步:根據(jù)動(dòng)態(tài)模型利用融合狀態(tài)向量xKk' |k'）與融合狀態(tài)協(xié)方差矩陣PKk' k'）計(jì)算融合狀態(tài)向量估計(jì)值Xf化I k'）與融合狀態(tài)協(xié)方差矩陣估計(jì)值Pf化I k'）；
[0化4]第二步：記Xtemp = Xf 化 I k'），Ptemp = Pf 化 I k'）；
[00對(duì)第立步：當(dāng)S=1，...，M時(shí)，利用還原出的量測(cè)值Us(k|k)及其協(xié)方差矩陣Us(k|k)更 0fxtemp,SPtemp ；
[0化6] 第四步：返回Xf化I k) =Xtemp，Pf(k I k) =Ptemp;轉(zhuǎn)第一步等待處理下一時(shí)刻的雷達(dá) 觀測(cè)數(shù)據(jù)。
[0057]其中遞歸最小均方偏差估計(jì)(RLSBE)算法流程如下。針對(duì)第S個(gè)傳感器：
[005引第一步：當(dāng)t=l，. . .，N時(shí)，利用
悚虛擬量測(cè)Zb,t 化)；
[0059] 上標(biāo)的1代表的是第一個(gè)傳感器，結(jié)合本文整體過(guò)程代表的是無(wú)偏的傳感器的融 合結(jié)果;上標(biāo)的2代表的是第二個(gè)傳感器，結(jié)合本文整體過(guò)程代表的是有偏的待估計(jì)的那個(gè) 傳感器。
[0060] 計(jì)算偏差更新的增益Gt化）=X t-1化)Ht化)T陽(yáng)t化）X t-1化)Ht化)TRt化）]-1與殘差
[0061] 更新偏差估計(jì)與協(xié)方差
[0062]
[00 創(chuàng) Xt(k)=5：t-Kk)-Zt-Kk)HtA)T[Ht(k)5：t-Kk)HtA)T+Rt(k)]-iHt(k)5：t-Kk)，
[0064]在此處，用t個(gè)目標(biāo)的相關(guān)值來(lái)序貫地更新S傳感器的偏差估計(jì)向量，當(dāng)對(duì)t個(gè)目標(biāo) 都更新一次就可獲得能獲取的最精確的S傳感器的偏差估計(jì)。運(yùn)t次運(yùn)算構(gòu)成一個(gè)完整地對(duì) S傳感器的偏差估計(jì)，每個(gè)傳感器都有運(yùn)t步。
[00化]第二步：返回偏差估計(jì)向量
偏差估計(jì)協(xié)方差矩陣So化+1) =Sn 化）；轉(zhuǎn)第一步等待處理下一時(shí)刻的雷達(dá)觀測(cè)數(shù)據(jù)。
[0066] 本發(fā)明提出了一種只需本地傳感器狀態(tài)濾波值及其協(xié)方差矩陣的偏差估計(jì)算法， 運(yùn)種算法解決了先前算法需要使用擴(kuò)維矩陣所造成的計(jì)算量增大問(wèn)題，并且在偏差估計(jì)過(guò) 程沒(méi)有使用本地傳感器的卡爾曼增益，實(shí)現(xiàn)了對(duì)偏差的有效估計(jì)。
[0067] 為了驗(yàn)證本發(fā)明的實(shí)施方式的效果，根據(jù)目標(biāo)的運(yùn)動(dòng)方程和雷達(dá)量測(cè)方程，人為 構(gòu)造出一組仿真數(shù)據(jù)，并利用運(yùn)組仿真數(shù)據(jù)進(jìn)行實(shí)驗(yàn)來(lái)證實(shí)算法的性能。圖2示出了根據(jù)本 發(fā)明方法對(duì)角度維乘性偏差在單次仿真中的估計(jì)情況，圖3示出了根據(jù)本發(fā)明方法對(duì)角度 維加性偏差在單次仿真中的估計(jì)情況，圖4示出了根據(jù)本發(fā)明方法對(duì)距離維乘性偏差在單 次仿真中的估計(jì)情況，圖5示出了根據(jù)本發(fā)明方法對(duì)距離維加性偏差在單次仿真中的估計(jì) 情況。從圖2到圖5可W看出偏差的估計(jì)值始終向真實(shí)值收斂，證實(shí)了本方法在單次仿真中 的有效性。
[0068] 圖6示出了根據(jù)本發(fā)明方法對(duì)角度維乘性偏差利用蒙特卡洛方法計(jì)算的均方根誤 差，圖7示出了根據(jù)本發(fā)明方法對(duì)角度維加性偏差利用蒙特卡洛方法計(jì)算的均方根誤差，圖 8示出了根據(jù)本發(fā)明方法對(duì)距離維乘性偏差利用蒙特卡洛方法計(jì)算的均方根誤差，圖9示出 了根據(jù)本發(fā)明方法對(duì)距離維加性偏差利用蒙特卡洛方法計(jì)算的均方根誤差。從圖6到圖9可 W看出偏差估計(jì)的均方根誤差均在向0收斂，證實(shí)了本方法的統(tǒng)計(jì)有效性，實(shí)現(xiàn)了對(duì)傳感器 偏差的有效估計(jì)。
【主權(quán)項(xiàng)】
1. 一種多傳感器多目標(biāo)跟蹤偏差估計(jì)方法，包括以下步驟： 還原步驟，還原本地傳感器量測(cè)值Us(k I k)及本地傳感器量測(cè)值協(xié)方差矩陣Us(k I k); 卡爾曼增益獲取步驟，利用所述還原步驟獲得的本地傳感器量測(cè)值協(xié)方差矩陣獲得卡 爾曼增益Ws,k; 偏差虛擬量測(cè)獲取步驟，利用所述卡爾曼增益Ws,k，獲取偏差向量的虛擬量測(cè)4,0); 融合偏差向量虛擬量測(cè)獲得步驟，根據(jù)所獲得的偏差向量的虛擬量測(cè)，獲得融合偏差 向量虛擬量測(cè)</1(々）； 偏差估計(jì)向量bs(k)與偏差估計(jì)協(xié)方差矩陣獲取步驟，根據(jù)所述偏差向量的虛擬量測(cè) 以及所述融合偏差向量虛擬量測(cè)％.，/(&)獲得偏差估計(jì)向量bs (k)與偏差估計(jì)協(xié)方差矩 陣藝"1〇〇2. 依據(jù)權(quán)利要求1所述的方法，其特征在于，所述還原步驟利用逆卡爾曼濾波還原本地 傳感器量測(cè)值及其協(xié)方差矩陣。3. 依據(jù)權(quán)利要求2所述的方法，其特征在于，在所述卡爾曼增益獲取步驟中，利用Ws,k = Ps(k|k'）H(k)T[H(k)Ps(k|k'）H(k)T+R s,k]-1 與 Rs,k = H(k)Us(k|k)H(k)T 求卡爾曼增益 Ws,k，其 中Ps(k|k'）為傳感器s的狀態(tài)協(xié)方差矩陣預(yù)測(cè)值，H(k)為量測(cè)矩陣，R s,k為量測(cè)協(xié)方差矩陣， 上標(biāo)T表示轉(zhuǎn)移矩陣。4. 依據(jù)權(quán)利要求3所述的方法，其特征在于，在所述虛擬量測(cè)獲取步驟中，利用 4,⑷(J-Wa足⑷)求偏差向量的虛擬量測(cè)<#)，其中F(k， k'）為狀態(tài)轉(zhuǎn)移矩陣，Hs(k)是第s個(gè)傳感器的量測(cè)矩陣，為本地傳感器濾波狀態(tài)向 量，I (AU')為本地傳感器上一時(shí)刻的濾波狀態(tài)向量。5. 依據(jù)權(quán)利要求4所述的方法，其特征在于，在所述融合偏差向量虛擬量測(cè)獲得步驟 中，利用軋1{=嘆1^'）!1(1〇仙(1〇&(1^'）!1(1^+1^]- 1獲得融合卡爾曼增益^^，并利用 以下公式獲得融合偏差向量虛擬量測(cè) -/；., (k)=( W7；,;)1 [-V； (k I k) -U- WIk Il, {k))F(k.,k')：x\ (k'\k')] 其中上標(biāo)s表示傳感器的編號(hào)，下標(biāo)f表示融合。6. 依據(jù)權(quán)利要求5所述的方法，其特征在于，采用遞歸最小均方偏差估計(jì)算法，利用上 一時(shí)刻的偏差估計(jì)向量及上一時(shí)刻的偏差估計(jì)協(xié)方差矩陣，獲得當(dāng)前時(shí)刻的偏差估計(jì)向量 bs(k)與偏差估計(jì)協(xié)方差矩陣Σ s(k)。7. 依據(jù)權(quán)利要求6所述的方法，其特征在于，所述采用遞歸最小均方偏差估計(jì)算法，獲 得偏差估計(jì)向量匕(1〇與偏差估計(jì)協(xié)方差矩陣2 3(1〇的步驟包括針對(duì)第s個(gè)傳感器的以下步 驟： 當(dāng)t = l，...，N時(shí)，利用2/,,⑷= <(幻-//,(々)//]⑷4⑷獲得虛擬量測(cè)Zb,t(k)，其中t是 目標(biāo)的序號(hào)； 計(jì)算偏差更新的增益Gt(k)= Σ*-KlOMlOlMk) Σ*-KlOMk/RtU)]-1與殘差 / (A ) = γ. {(k)； 更新偏差估計(jì)與偏差估計(jì)協(xié)方差矩陣： O1 (k)=·- b: ,(k) 4- G1 {k)r\k) Xt(k)=Xt-ΚΙΟ-Σ*-KlOHtUHiMlOXt-丄⑴出⑴丁+心⑴]-1H t(Ic)Xt-Kk)。8. 依據(jù)權(quán)利要求7所述的方法，其特征在于，利用序貫融合算法，使用融合狀態(tài)向量 <、融合狀態(tài)協(xié)方差矩陣尸；^I幻，t/# I幻;獲得融合卡爾曼增益， 并獲得融合偏差向量虛擬量測(cè)。9. 依據(jù)權(quán)利要求8所述的方法，其特征在于，還包括融合軌跡獲得步驟，利用還原出的 本地傳感器量測(cè)值us(k |k)及本地傳感器量測(cè)值協(xié)方差矩陣Us(k |k)來(lái)獲得融合軌跡。
【文檔編號(hào)】G06F17/16GK106021194SQ201610339299
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月19日
【發(fā)明人】周共健, 謝青青
【申請(qǐng)人】哈爾濱工業(yè)大學(xué)