移动平台下的多传感器联合配准及融合

摘要

随着多传感器信息融合技术的发展，传感器网络在目标跟踪、交通管理、军事监控、网络控制和远程监控等领域得到了广泛的应用。然而，在将传感器网络的测量数据传送到融合中心的过程中，由于网络通道的多变性和不可靠性，数据会产生时滞和丢包，进而影响系统性能。特别是在战场环境中，电磁干扰的存在使数据更易产生时滞和丢包。另外，传感器量测系统误差的存在使得传感器测量精度下降，如果系统误差过大，会使系统性能严重退化，甚至使系统不稳定。为解决这些问题，本文提出了移动平台下的多传感器联合配准与融合算法，主要研究内容如下:
　　提出并推导了移动平台下多传感器非机动目标跟踪联合配准及融合算法。将多个移动平台下的传感器构成网络对目标进行跟踪，并将传感器的测量数据通过网络通道传输到地面融合中心。为了建立量测模型，用两个服从伯努利分布的随机变量描述量测数据到达融合中心时可能产生时滞和丢包的情况。应用状态增广方法重新选取状态变量，将原有存在时滞和丢包的非线性系统转化为含有服从伯努利分布的随机变量的增广系统。针对此增广系统，提出了基于含随机参数扩展卡尔曼平滑器的最大期望(EM-pEKS)算法用以实现对系统状态和传感器系统误差的同时估计。应用射影理论，给出了含随机参数的扩展卡尔曼滤波(pEKF)算法，该算法可实现线性最小方差系统滤波估计。应用极大似然估计方法，给出了含随机参数的扩展卡尔曼平滑器(pEKS)，用以减小滤波误差。
　　提出并推导了移动平台下多传感器机动目标跟踪联合配准及融合算法。首先建立了量测数据存在一步随机时滞和多丢包的机动目标跟踪模型，然后基于状态增广方法将该模型转换为含随机参数的增广系统。为了实现机动目标跟踪系统中移动平台下的多传感器联合配准及融合，提出了基于含随机参数交互多模型平滑器的最大期望(EM-pSIMM)算法，实现了对系统状态和传感器量测系统偏差的联合估计。应用射影理论，给出了用于机动目标状态估计的含随机参数交互多模型滤波(pIMM)算法。应用极大似然估计方法，给出了含随机参数交互多模型平滑(pSIMM)算法。
　　为了评估本文所提出的应用于含一步随机时滞和多丢包非线性系统的移动多传感器联合配准及融合算法，分别推导了适用于非机动目标跟踪系统和机动目标跟踪系统的理想后验Cramer-Rao界(PCRB)。并通过计算机仿真，验证了本文所提出的移动平台下的多传感器联合配准及融合算法的可行性。

目录

声明

摘要

第1章 绪论

1．1 课题的研究背景及意义

1．2 课题的国内外研究现状

1．2．1 传感器配准的研究现状

1．2．2 多传感器信息融合的研究现状

1．2．3 存在时滞和丢包系统信息融合估计问题的研究现状

1．3 本文研究的基本内容及章节安排

第2章 状态估计及传感器配准理论基础

2．1 引言

2．2 射影理论

2．3 极大似然估计

2．4 最大期望算法

2．5 概率知识

2．6 目标运动模型

2．7 Monte Carlo仿真和系统性能分析

2．7．1 Monte Carlo仿真

2．7．2 跟踪精度统计指标

2．8 本章小结

第3章 移动平台下多传感器非机动目标跟踪联合配准及融合算法

3．1 引言

3．2 问题描述

3．3 模型转化

3．4 基于含随机参数扩展卡尔曼平滑器的最大期望算法

3．5 本章小结

第4章 含随机参数扩展卡尔曼滤波及平滑算法

4．1 引言

4．2 含随机参数扩展卡尔曼滤波算法

4．3 含随机参数扩展卡尔曼平滑算法

4．4 后验Cramer-Rao界推导

4．5 仿真分析

4．6 本章小结

第5章 移动平台下多传感器机动目标跟踪联合配准及融合算法

5．1 引言

5．2 问题描述

5．3 模型转化

5．4 基于含随机参数交互多模型平滑器的最大期望算法

5．5 含随机参数交互多模型滤波算法

5．6 含随机参数交互多模型平滑算法

5．7 后验Cramer-Rao界推导

5．8 仿真分析

5．9 本章小结

第6章 结论

附录

参考文献

致谢

攻读硕士学位期间的研究成果