[发明专利]基于多模型航迹质量的异步融合方法

说明书

技术领域

本发明属于信号处理技术领域，具体涉及一种应用于传感器采样周期随机变化场景中的基于多模型航迹质量的异步融合方法。

背景技术

由于多传感器的采样速率各异、通信延迟以及目标时而离开传感器观测区域，观测数据的时间间隔无规律变化，此类观测数据不同步问题大大降低了多传感器系统的跟踪精度，因此，研究多传感器异步融合比研究同步数据融合更具实际意义。

通常，异步航迹融合问题主要分为两大类，第一类是各传感器具有不同且固定的采样周期；第二类是各传感器提供目标信息的时间间隔无规律变化，即传感器没有固定的采样间隔。由于传感器自身的局限性，目标信息的起始时刻可能不同，使得第一类问题又可分为不同采样周期下起始时刻相同和不同采样周期下起始时刻不同两种情况。这两种情况均可通过航迹预处理实现传感器目标信息的同步，然后利用同步航迹融合算法进行跟踪。然而，预处理过程会导致误差增大，使得融合后数据可靠性降低。因此如何直接对多传感器异步情况下提供的信息进行融合处理，完成多传感器异步航迹融合，是实际工程中亟待解决的问题。

为此现有技术提出了一系列异步航迹融合算法。一些异步融合算法将常用的数据配准方法引入到融合算法中实现融合前异步数据的同步化，如最小二乘、内插、外推等，还有一部分算法则将接收到的异步数据按时间先后顺序依次处理并选择一定的融合处理方式进行异步数据融合，如误差协方差矩阵迹最小原则下的融合算法、基于信息矩阵的异步航迹融合算法、基于等价伪测量的异步融合算法、最优顺序融合算法和异步多传感器系统的分步式预测融合(Step by Step Prediction Fusion based on Asynchronous Multi-sensor System，SSPFA)算法等。但上述这些算法基本上都能够解决第一类异步问题，对于第二类问题的解决存在一定的局限性。

其中，SSPFA算法主要利用多传感器在某一融合周期内的所有观测信息进行滤波估计，以便求得各传感器在融合周期内最后一个观测时刻的局部状态估计及相应的误差协方差，然后立即进行该时刻到融合时刻处的状态预测，并最终根据各个传感器预测值获取的先后顺序，依据融合误差协方差矩阵迹最小的原则进行传感器预测信息的顺序加权，最终实现多传感器的异步融合。

基于分步式预测的异步多传感器航迹融合(Track-to-Track Fusion for Asynchronous Multi-sensor based on Step by Step Prediction，TFASP)算法利用多传感器的局部状态估计，对融合周期内的采样值一步预测到融合时刻，然后对同一传感器在融合时刻的预测值进行加权融合，将融合值作为该融合时刻传感器的等效观测信息，最后利用分步式滤波融合实现异步多传感器的全局融合。局部传感器加权融合作为分步式滤波融合的输入值，决定了算法的跟踪性能，然而局部传感器加权融合的权值决定于传感器的观测精度及预测误差，和采样时刻与融合时刻的时间差并无直接关系。TFAFP算法由采样时刻与融合时刻的时间差决定权值的大小，局部传感器状态估计误差较大，从而降低整个系统的跟踪精度，并且整个系统没有反馈机制，这两方面的问题使TFASP算法存在一些不足。

发明内容

本发明的目的是为了解决现有的异步航迹融合算法存在的上述问题，提出了一种基于多模型航迹质量的异步融合方法。

本发明的技术方案为：一种基于多模型航迹质量的异步融合方法，具体包括如下步骤：