多传感器目标跟踪中的数据融合技术研究

【摘要】： 多传感器目标跟踪是信息融合技术在目标跟踪领域的应用范例，它将多个传感器信息有机合成，估计目标的运动状态，产生比单一传感器更优越的跟踪性能。 多传感器目标跟踪是一门多学科交叉技术。近年来，随着传感器技术、计算机技术、通信技术和信息处理技术的发展，特别是军事上的迫切需求，多传感器目标跟踪技术的研究内容日益深入和广泛。军事上主要应用于指挥、控制、通信和情报系统，同时在机器人、民航航管等领域也有重要的应用价值。但多传感器融合跟踪理论与技术的深入研究还是近几年的事情，许多内容还需进一步探索和深化，以满足实际应用需要。 论文以多传感器目标跟踪系统为背景，针对目标定位测速技术、基于参数建模技术的目标航迹平滑、滤波和外推、非线性测量系统的目标跟踪、基于实时数据融合模型的野值剔除和分布式系统误差估计等方面进行了深入研究。作者完成的工作和取得的创新成果如下： 为了实现多传感器目标跟踪系统中，可用测元不确定条件下目标运动状态的精确估计，作者提出了定位与测速数据的序贯融合方法，对有效测元进行逐个融合计算，它是一种递推式计算方法，物理含义显著，精度高，便于工程实现。 基于参数建模技术的目标航迹平滑、滤波和外推技术在航天测控中得到了广泛的应用。作者在文中重点讨论了用于多传感器目标跟踪系统的多项式最小二乘平滑、滤波和外推技术。在多传感器目标跟踪系统中，不仅同样面临着目标机动、弹道变化剧烈时多项式滤波的截断误差较大的问题，而且需要考虑测速数据和位置观测数据的有效融合。为此作者基于函数逼近论中的样条函数表示理论，给出了自由节点的样条多项式最小二乘滤波算法，从而既保持对随机误差的抑制又减小截断误差；结合目标运动参数的匹配原则，即目标的位置和速度参数呈求导匹配关系，给出了匹配的多项式最小二乘滤波算法和融合距离变化率的多项式最小二乘平滑求速算法，使待估计的运动参数个数显著减少，大大提高了目标的运动参数估计精度。 在非线性量测的情况下，EKF和CMKF得到了广泛的应用。论文第四章分析了EKF和CMKF在某些情况下跟踪性能不理想的原因：EKF需要对量测方程进行线性近似，CMKF在计算转换测量值误差的均值和方差时同样要进行线性近似，因此无法避免线性化误差。因此在非线性程度较高时，必须考虑减少线性近似误差。作者推导了有测速数据时的去偏转换卡尔曼滤波算法。此算法估计精度和计算效率比以前的方法有较大改善，对测量方程不做近似处理。 第五章给出了在多传感器目标跟踪条件下，综合利用多传感器数据形成的对目标状态参数的正确描述和测量数据集合主体的变化趋势，实时、准确、高效地识别测量数据中的野值点的方法。考虑了传感器测量有系统误差时的多传感器分布式航迹融合问题。实现了状态向量和系统误差的解耦、系统误差的分布式估计与分布式航迹融合。 第六章针对多台光学设备分段跟踪同一弹道的数据融合问题进行建模，建立了弹道及测量数据的节省参数模型。利用不等距节点的样条函数对弹道真实参数建模，通过物理分析得到系统误差模型，并分析了随机误差的时序相关性。该方法能解算出完整的、高精度的、连 国防科学技术大学研究生院学位论文 续的弹道，并能给出主要系统误差的估计，提高弹道跟踪数据跟踪精度.