[发明专利]一种基于随机集理论的多传感器分布式高效融合方法

说明书

本发明公开了一种基于随机集理论的多传感器分布式高效融合方法，包括以下步骤：S1、初始化系统参数；S2、初始化传感器的多目标基数化概率假设密度分布；S3、接收第一帧扫描数据，计算本地后验基数化概率假设密度分布；S4、将本地后验基数化概率假设密度分布与临近节点交换；S5、并行地在每一联合分组内将传感器a与传感器b的基数化概率假设密度分布进行融合；S6、通过最大后验估计准则计算目标个数，估计目标状态；S7、接收下一帧扫描数据，得到传感器新的基数化概率假设密度分布，然后采用步骤S4～步骤S6相同的方法处理；S8、采用步骤S4～S7相同的方法处理余下的k帧扫描数据。本发明具有计算复杂度低，近似误差小等优点。

技术领域

本发明属于多传感器融合领域，特别涉及一种基于随机集理论的多传感器分布式高效融合方法。

背景技术

快速发展的传感器网络融合技术利用多个传感器之间的协作，获得比单传感器更佳的性能。多传感器融合于20世纪70年代首次提出，军事应用是该技术诞生的起因，经过几十年的研究与发展，多传感器融合技术目前已广泛应用于水下监视预警、空对空或地对空防御系统、火力控制等军事领域，以及图像融合、工业智能机器人、遥感、刑侦、故障诊断等民用领域。相比于集中式融合架构，分布式融合架构具有通信代价低，容错率高等优点，具有更高的研究与实用价值。在分布式多传感器多目标跟踪问题中，由于传感器间存在的未知水平相关性，应考虑避免公共信息的重复计算，以达到一致性估计。基于广义协方差交集的融合方法正是为相关性未知的情况所设计，近年来得到越来越广泛的关注。

尽管多传感器融合技术应用已经十分广泛，目前的多传感器多目标跟踪技术仍然存在一些问题：1)假设各个传感器节点相互独立，然而在现实中这一假设往往不成立，各传感器节点间存在未知水平的相关性；2)数据关联问题广泛存在，需要解决单传感器时间域上的关联问题，以及多传感器空间上的关联问题，占据大量的计算资源，且现行的数据关联方法多为直观方法，缺乏完备的理论支撑，在目标临近、高杂波等复杂场景下表现欠佳；3)传统的基于向量的建模方式，难以描述目标出生、衍生、死亡等复杂场景，估计误差无法用统一的标准评价，而如果估计误差无法评价，估计结果的意义也无从谈起。多传感器多目标跟踪的最近趋势是随机集理论，随机集理论是点过程理论的一种应用，也是对传统概率理论的扩充和广义化。该方法将目标状态和传感器量测分别建模为集合的形式，利用集合元素互异、无序、确定的三个基本特性，以集合为单位，建立从目标状态空间到量测空间的集合映射，并在贝叶斯框架下迭代处理，不考虑集合内元素之间的关系，可以避免繁琐的数据关联过程。与传统的向量建模方式相比，基于随机集的方法具有完备的理论支撑，是一种自顶而下的设计，也更加贴近于现实中多目标运动的情况。此外，集合间的距离是完整统一的数学概念，在数学上可以建立统一的估计误差评价标准。

1994年，美国Lockheed Martin MS2Tactical Systems(LMMTS)的Mahler系统地提出有限集合统计学理论，作为随机集理论的一种特例。在有限集合统计学理论下，基于广义协方差交集准则的概率假设密度滤波器、基数化概率假设密度滤波器、伯努利滤波器融合闭合解表达式已经得到，且分别在2013、2013、2014年实现。其中，基数化概率假设密度滤波器是一种在计算效率和跟踪性能上的折中方法，具有较强的实用价值。但是基于广义协方差交集的基数化概率假设密度滤波器融合的计算复杂度随着传感器数量呈指数增长，随着目标数量呈高阶多项式增长，难以得到计算高效的基数化概率假设密度滤波器融合表达式，阻碍了基于广义协方差交集的基数化概率假设密度滤波器融合在实际应用与推广。

发明内容

本发明的目的在于克服现有技术现有的基于广义协方差交集的基数化概率假设密度融合技术中存在的计算复杂问题，提供一种计算复杂度低，近似误差小的基于随机集理论的多传感器分布式高效融合方法。

本发明的目的是通过以下技术方案来实现的：一种基于随机集理论的多传感器分布式高效融合方法，包括以下步骤：

S1、初始化系统参数，并选定传感器融合准则；