[发明专利]一种分布式多传感器智能信息融合方法

说明书

技术领域

本发明是一种分布式多传感器智能信息融合方法，属于分布式多传感器智能信息融合方法的改造技术。

背景技术

目前，多传感器数据融合是当前研究热点，学者们针对特定应用领域内的问题来展开（根据问题种类）。学者们从不同的角度提出了多传感器信息融合系统的一般功能模型：JDL模型、瀑布模型、智能模型、Boyd模型、Omnibus模型等。但是，JDL模型没有指明在整个系统中的信息流向；瀑布模型决策后的新信息不能有效地运用于其它环节；智能循环模型没有考虑知识库和系统数据的管理需求；Boyd模型和智能循环分别通过“行动”和“传播”模块对信息实现了闭环流动控制，但对融合过程的划分则相对粗糙；Ominibus模型恰恰没有考虑到知识库和系统数据的管理需求，实用性不强。随着信息处理技术的发展，新设备、新方法的不断涌现，协同开发、数据共享、资源管理等新方法、新概念的提出，给融合系统的设计模型提出了新的挑战。传统信息融合JDL、WFFP、智能模型融合、Boyd模型、Omnibus功能模型，需要进行修正，主要包括功能层次划分的修正和功能层次定义的修正。为了达到航向的目标跟踪，实现多传感器数据融合的方法也有多种，例如卡尔曼滤波、最小二乘法、                                                滤波、滤波等。目前，众所周知，目标跟踪两个最主要的挑战是测量源不确定和目标运动不确定。针对测量源不确定，孙书利等人提出一系列的方法，针对测量源确定，Roecker提出向量状态和测量融合。

分布式多传感器数据融合技术（Distributed multi-sensor data fusion,DMSDF），利用传感器的共同的特征进行解决多种多样的问题。虽然许多的问题得到解决，但是，许多新的挑战性问题随着多传感器数据融合技术以及科技的发展而产生，例如数据协同、数据共享、数据融合管理、传感器不确定性、数据交通、噪声滤波、决定预测技术、动态系统模型等。这些新的挑战主要来源传感器测量精度不高和信息源受到外界环境的干扰。近年来，学者们把研究重心转到分布式多传感器数据源融合方面的应用，基于场景分布式系统的设计、高维信息融合、目标跟踪、传感器信息分类器的设计以及态势评估等是现阶段研究的热点问题。由于分布式多传感器融合能够处理一些不确定性因素，它有效的提高目标跟踪和系统检测的性能。更加重要的是它可以融合多个传感器的数据，融合处理后的数据的精度比单个传感器采集数据的精度高。

发明内容

本发明的目的在于考虑上述问题而提供一种能有效的实现室内定位，按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法。

本发明的技术方案是：本发明的分布式多传感器智能信息融合方法，包括如下步聚：

1）直接从分布式超声波接收器采集信号到控制中心，采用分布卡尔曼滤波进行滤波处理； 

2）分布式信号滤波处理后，时间、空间对准以及航迹相关后，使得统一采样频率，在每一个采样时刻各个测量系统都有当前时刻的测量数据，统一空间、时间坐标系；

3）通过轨迹相关方法，采用预测点与观测点的偏差来作为误差评判标准；

4）采用最优融合估计的融合方法，将各相关的航迹拟合成一条新的航迹。

上述步骤2）在时间对准部分采用插值方法进行时间配准时，为使插值误差尽可能小，插值节点的选取原则是插值节点应尽可能位于插值区间中部，完成频率统一。

上述插值方法采用拉格朗日3点插值法。 

上述步骤4）采用最优融合准则，将各相关的轨迹融合成一条新的轨迹。

本发明一种按照最小方差原则来实现N个估计值的最优融合的分布式多传感器智能信息融合方法，有效的实现超声波的高精度室内定位。

附图说明

图1为本发明的分布多传感器数据融合的流程图；

图2为本发明的实验测试方案图；

图3为卡尔曼滤波、最小二乘法、测量数据对比图；

图4为本发明的坐标转换图；

图5为本发明的最优融合轨迹图；

图6为最优融合方法、文献值、真实值对比图。

具体实施方式

实施例：

本发明的流程图如图1所示，本发明的分布式多传感器智能信息融合方法，包括如下步聚：

1）直接从分布式超声波接收器采集信号到控制中心，采用分布卡尔曼滤波进行滤波处理；