两传感器分布式kalman滤波融合算法及其仿真研究

1、两传感器分布式kalman滤波融合算法及其仿真分析 摘要：讨论了基于两传感器 kalman滤波的数据融合算法，对 FAFSS算法机理进行了描述并融合算 法进行了仿真，分析了融合结果。 关键字：kalman滤波；分布式传感器信息融合；分布式滤波数据融合算法FAFSS） Algorithm and simulation analysis for kalman filtering fusion based on distribute two-sensor SHEN Zhe nYANG Fan (Research Institute of Electronic Science and Technolo

2、gy of UESTC, Chengdu, 611731 Abstract: In this paper six kinds of fusion algorithm based on two-translator using Kalman filter were discussed.Accord ing to the FAFSS fusi on algorithm, the fusi on tracks and square error were an alysed through simulatio n. Key words: Kalma n filteri ng ； distribute-

3、tra nslator in formatio n fusi on algorithm ； fusi on algorithm of filtering step by stepFAFSS) 的最优融合算法， 从结构上来看，最优融合 位置融合级系统）算法 主要有集中式、分布式、混合式和多级式。集中 式结构因数据互联较困难，并且要求系统必须具 备大容量的处理能力，计算负担重系统的生存能 力也相对较差等缺点。混合式体系结构是集 中式和分布式两种形式的结合，这种结构比较复 杂一般用于大型融合系统 。工程上多采用分布 式结构，分布式滤波数据融合算法FAFSS ）就 是一种经典的分布式 Kalman滤波

4、融合算法。 2系统描述 为了讨论方便，我们在此只讨论过程与测量噪 声是相互独立，系统中不含控制项，且各传感器 位于同一地理位置的情况。 考虑一类多传感器动态系统 0为离散时间变量， I = I为状态向量，I I 是系统 矩阵；系统过程噪声为高斯白噪声 序列，具有如下的统计特性 3) 中 WJ 是第i个传感器对 目标状态叵J的观测值，一1 是测量 矩阵，测量噪声匚三I 是高斯白噪声 序 列，具有如下的统计特性 I5) _1 6 ) 上式中刁为正定矩阵。 息的融合估计值。算法步骤: 凹和凹计算出一步预测值 和预测误差协方差上J 8) 3分布式数据融合算法 2、用Z1(k+1低精 度传感器的量测)对

5、 ri进行更新，得到状态X(k+1基于习和 观测信息Z1(k+1的估计值和相应的估计误差协 方差阵 在进行时间，空间对准和航迹相关以后，另 一个重要的问题便是如何利用已有的局部航迹进 行组合。建立分布式系统的融合航迹，其目的是 为了利用各单站丰富的信息，提高航迹的精度。 各雷达利用kalman滤波技术给出不同精度的局部 航迹。分布式雷达的系统中心将对局部航迹进行 处理，建立系统级的融合航迹。 假设分布式多传感器信息融合系统由两个传 感器LP1和LP2组成的，二|和冋 是传 感器LP1关于k时刻的目标状态最小均方误差估 计和误差协方差矩阵，丨和 |是传感 器LP2关于时刻k的目标状态最小均方误差

6、估计 和误差协方差矩阵。则分布式航迹融合的目的就 是依据上述条件获得优化的全局航迹估计和状态 估计协方差。 融合算法有很多种，滤波协方差阵|表征 了不同雷达航迹数据精度的差别，我们可以用 作为加权因子，对航迹进行融合，根据 互协方差矩阵 凹是否为零我们有简单融合 算法和加权协方差航迹融合算法。从最佳组合的 角度根据线性估计论可以得到线性融合算法。分 层融合是指各传感器在每一步都基于自己的数据 维持自己的航迹，而后各个传感器的航迹传 输到一个中心处理器在此处融合生成一个精确的 全局航迹文件，他是由kalman滤波的角度出发得 到的，还有矩阵加权航迹融合算法可基于kalman 滤波的分布式滤波数据

7、融合算法FAFSS )。 分布式滤波数据融合算法的思想，在由多传 感器组成的分布式动态系统中，当对目标状态的所 有观测值到来时，首先基于系统先前信息对该时 刻目标状态进行预测估计，利用Kalman滤波器 和各局部观测值依次对该时刻目标状态的估计值 进行更新，从而得到该时刻目标状态基于全局信 9) 10) 其中 11) 13) 3、用Z2(k+1高精 度传感器对目 标的量 测)对 =I 进行更新，得到状态 X(k+1基于和观测信息 Z1(k+1、Z2(k+1的 估计值和相应的估计误差协方差阵 14) 采用两传感器融合时，得到的k+1时刻的融 (20 4仿真结果 图4.1 FAFSS(分布式滤波数

8、据融合 算法仿真 16) 17) 上述分步式滤波过程由图3.1(a 表示，其中虚线框内的分步更新过程由图3.1(b给出。 刃(k|k)J *(k +1|k) H 分步更新 i 1_N 乂(k|k*1) r P(k|k) q/ P(kT|k) Pk+k+1) L (a) 3 Xk+1k) 1 P(k+1|k) l-一 P(k+1k 州)L :Z2(k+1) I W(k+l厂 (b) 图3.1分步滤波过程示意图 仿真中假设有两个传感器同时跟踪一个目 标，系统采用分布式融合结构，LP1的测距和测 角误差分别为 ,: I ，观测噪声标准差delta仁5m，采 样时间t1=0.5S;传感器LP2的测距和

9、测角误差 分别为巨3,I， =I，观测噪声标准差delta仁3m，采 样时间t2=0.5S。基于FAFSS的仿真结果如下 4何友.多传感器信息融合及应用电子工业出 版社.2007.12. 韩崇昭，朱洪艳等.多源信息融合.清华大学出 版社.2006 6 何子述，夏威.现代数字信号处理及其应用 清华大学出版社.2009 7 王欣，朱奇丹，孙书利.基于NETDDE的网络 式多传感器信息融合 Kalman滤波器.科学技术与 工程.Vol.8 2008.12. 8 程铮，王兴.分布式多传感器航迹融合算法与 仿真分析.中国自控网. 9 贾海涛，张伟.数据融合综述.综合电子系统 技术教育部重点实验室2009

10、年会会议论文集 合结果通过图 4.2可以看出，信号均方误差与量 测均方误差比值小于1 ,且渐渐趋于稳定， FAFSS融合算法确实起到了对航迹优化的目的。 5结论 本文对多传感器系统的数据融合方法进行了 深入研究，运用一种基于分步式滤波的多传感器 系统数据融合算法，并给出了算法的理论推导过 程和计算机仿真结果。 在融合过程中，不同的融合算法所需的初值 条件及对初值的依赖不同，尤其是分层融合算 法，如果初值选择不当，滤波效果会很不理想甚 至会发散，而在 FAFSS算法中，一般是把精度高 的传感器作为传感器 2做二次的纠正，这样可以 得到比较理想的滤波效果。而在实际应用中在系 统处理器的允许下，主要从精度考虑，选择不同 的融合算法。 参考文献 1 Y . Bar-Shalom. T. E. Fortman. Tracking and Data Associatio n. Academic press, 1988. 2 M.F. Hassa n, et al.,A dece nt