[发明专利]一种鲁棒在线多传感器融合的目标跟踪方法

说明书

本发明公开了一种鲁棒在线多传感器融合的目标跟踪方法，包括如下十个步骤：1、建立多传感器系统融合模型，2、初始化目标的状态及分布参数，3、融合多传感器采集的量测数据，4、预测目标的状态分布，5、初始化变分参数及迭代次数，6、计算目标状态xsubgt;k/subgt;的变分后验分布，7、计算噪声参数∑subgt;k/subgt;的变分后验分布，8、计算噪声参数rsubgt;k/subgt;的变分后验分布，9、判定迭代次数l是否大于最大迭代次数N，10、判定是否存在下一时刻，有益效果：本发明能在噪声为非高斯噪声且噪声协方差未知的复杂情况下，通过有效融合多个传感器的量测，实时准确估计目标状态和噪声分布的未知参数，提高了多传感器融合目标跟踪的精确度，且算法复杂度较小，易于实现。

技术领域

本发明涉及一种目标跟踪方法，特别涉及一种基于拉普拉斯分布和变分贝叶斯的鲁棒在线多传感器融合的目标跟踪方法，属于多传感器信息融合技术领域。

背景技术

多传感器融合是传感器网络执行检测和感知的重要组成部分。它将来自多个传感器的信号整合到一起。随着传感器技术的发展，多传感器融合已广泛用于各种应用中，例如机器人导航、遥感、自动驾驶汽车和智能交通系统。

传感器融合可以分为集中融合和分散融合。集中式融合在融合中心执行大多数处理过程，而分散式架构则在本地执行大多数处理，例如在本地传感器执行目标检测和跟踪，然后在融合中心执行决策或特征级融合。通常，集中式融合会更准确，但是通信量和计算量会增加。

目前常见的卡尔曼滤波器是在测量和特征级别融合中广泛使用的目标跟踪算法。对于测量融合，将多个传感器测量结合起来估计系统整体状态。卡尔曼滤波器给出了在噪声先验特性为协方差已知的高斯白噪声情况下的最佳状态估计。但实际上，测量噪声可能不会遵循高斯分布。例如，对雷达目标跟踪，闪烁噪声中观察到了重尾的非高斯分布。在这些情况下直接应用卡尔曼滤波器会导致性能下降。

目前，已经提出了一些算法来解决非高斯量测噪声问题，这类方法一般联合估计目标状态和噪声分布参数。按照实时性，可以分为在线方法和离线方法。离线方法通常融合效果更优，但是计算代价更高，而且更重要的是，无法应用于需要实时处理数据的场景，如目标的实时跟踪。一类典型的方法是基于Student t分布，但这类方法涉及较多参数，不仅算法复杂，而且在实时应用中可能由于有限的量测数据，难以得到准确的参数估计。

发明内容

发明目的：本发明针对现有技术中无法应用于实时数据的处理或者算法复杂等不足，提供了一种基于拉普拉斯分布和变分贝叶斯的鲁棒在线多传感器融合的目标跟踪方法。

本发明使用拉普拉斯(Laplace)分布近似数据融合过程中未知的非高斯测量噪声，在概率模型中联合估计目标状态和噪声分布的后验分布；由于联合后验分布不存在解析解，应用近似后验分布逼近真实后验分布，并应用变分贝叶斯框架迭代最小化两者之间的相对熵(KL散度)，实现有效的参数迭代更新。

技术方案：一种鲁棒在线多传感器融合的目标跟踪方法，包括如下步骤：

步骤1：建立多传感器系统融合模型，设置目标状态转移矩阵F，过程噪声协方差矩阵Q，传感器s的量测矩阵H^s，其中1≤s≤N_s，N_s为传感器总数，将传感器的量测矩阵组成融合的量测矩阵

步骤2：初始化目标的状态及分布参数，在k＝0时刻，初始化目标状态分布为其中表示高斯分布，初始化均值和协方差矩阵P_0|0；

步骤3：融合多传感器采集的量测数据，在k时刻(k≥1)，将多个传感器的测量组成融合测量其中表示传感器s在k时刻采集的目标量测信息，1≤s≤N_s，z_k＝Hx_k+v_k，v_k为未知且随时间变化的非高斯分布测量噪声；