传感与控制-基于多传感器的航迹自动判别算法

2010-05 兵工自动化 29(5) Ordnance Industry Automation ·77· doi: 10.3969/j.issn.1006-1576.2010.05.025 基于多传感器的航迹自动判别算法 王钤，张云龙，王伟，严发宝 （中国兵器工业第五八研究所 军品部，四川 绵阳 621000） 摘要：为解决多传感器系统在目标跟踪时由于某个传感器不能正常工作而影响目标航迹精度的问题，采用基于最小二乘曲线拟合和kalman一步预测的判别算法，自动识别暂时失效的传感器并抛弃其受到污染的数据，以提高系统输出数据的精确性和整个系统的健壮性。并采用交互多模型（Interacting multiple model，IMM）进行仿真实验。实验结果表明，该算法实现简单，且有良好的效果。具有很好的工程应用前景。 关键词：多传感器；自识别；航迹融合 中图分类号：TP306; TP212.9 文献标识码：A Auto-Identify Tracking Algorithm Based on Multi-Sensor WANG Qian, ZHANG Yun-long, WANG Wei, YAN Fa-bao (Dept. of Armament Products, No. 58 Research Institute of China Ordnance Industries, Mianyang 621000, China) Abstract: A certain sensor error in multi-sensor target tracking may influence the target track precision. In order to solve this problem, adopt least squares curve fitting and kalman one-step prediction, sensor which temporarily without auto-identity function will not use the polluted data to make the output data more precocious and system stronger. Then, adopt interacting multiple model (IMM) to carry out simulation test. The test result shows that the algorithm is simple, efficient and with good prospect of engineering application. Keywords: Multi-sensor; Auto-identify; Track fusion 0 引言 光电跟踪系统多用于对目标位置坐标点的量测，将所得到的量测点连接起来便形成了目标的航迹。在不同的坐标系下，目标的位置坐标点有不同的表示方式，如在球面坐标系中一般用方位角β，高低角ε，和距离r来表示目标的三维坐标，各维坐标之间相互，通过先单独处理各一维坐标，再合并起来的方式，实现对目标三维坐标的处理。 因为多传感器具有可视范围广、相互之间的量测信息互补性强等特点，故目前的光电跟踪系统中一般采用多传感器，如CCD摄像机、红外热像仪、激光测距等。多传感器同时工作在正常状态的情况下，通过数据融合技术可以大大提高对目标的量测精度，即使其中某个传感器工作在非正常状态下（如云层遮挡，飞鸟干扰等），仍然可以通过对航迹的处理提高量测的可靠性与实用性。故以两传感器为例进行讨论，以实现在航迹关联失败后对传感器信息的处理。 相对于传统的用图像处理的方法来判别传感器是否正常工作，利用航迹进行识别计算要简单得多，更容易满足实时性的要求。 1 自动识别原理 首先，判断自动识别传感器是否工作在正常状态，若均工作在正常状态，则进行融合，若其中某各传感器工作在非正常状态，则采用来自正常工作的传感器的数据，并在下一数据采样时刻重新进行关联。自动识别的逻辑框图如图1。 图1 自动识别的逻辑框图 2 航迹关联后的数据处理 2.1 关联正确后的数据融合 采用序贯航迹关联算法来进行不同传感器间的航迹关联[1]。当航迹关联正确后，按下式进行融合： 状态融合： 收稿日期：2009-12-24；修回日期：2010-02-11 作者简介：王钤（1984-），男，河南人，在读硕士研究生，主要从事多源信息处理的研究。 ·78· 兵工自动化 第29卷 xˆ(k)=P(1)(k)*(P(1)(k)+P(2)(k))*xˆ(2)(k)+P(2)(k)*(P(1)(k)+ (1) P(2)(k))*xˆ(1)(k)其中：xˆ(k)为融合后的状态估计。P(i)(k),i=1,2为第i个传感器的估计误差，xˆ(i)(k),i=1,2为第i个传感器的状态估计。 2.2 关联失败后的数据处理 航迹关联失败说明其中有一个传感器工作在非正常状态。利用自动判别算法判别出暂时失效的传感器并抛弃其当前时刻的数据，使用正常工作状态下的传感器在当前时刻的数据，并重复此过程。 3 自动判别算法 将两传感器的量测值进行关联，两传感器之间的误差距离D服从自由度为nx（状态矢量的维数）的chi−square分布[1]： D∼χ2nx(1−α) (2) 给定α，当误差距离D大于阈值Dα时关联失败，表明两传感器的状态估计不为同一目标。转到自动判别过程。 3.1 基于最小二乘曲线拟合的识别算法 如果实际目标在运动过程中，在短时间内很难做大的机动，故采用该目标在前几个时刻的位置量测点，借助最小二乘法拟合出目标的局部航迹，并利用拟合出的航迹外推一点，然后利用两传感器对目标的位置估计与外推出的点差值的大小来判别非正常状态的传感器，如图2。 图2 最小二乘曲线拟合判别示意图 采用直线拟合不能很好地反映出目标航迹的趋势，而采用三次以上的曲线拟合计算较为复杂，不易满足实时性的要求，采用二次曲线拟合的方法实现了以上2种情况的折中，既能很好地预测目标航迹的趋势，又不会因为计算量太大而使实时性恶化。 图2中，A、B两点分别为2个传感器的量测值，C点为利用拟合曲线外推一点得到的值，通过比较A、B两点与C点差值的绝对值的大小，就可以判别出非正常状态的传感器。假设A点为传感器1（CCD摄像机）测得的值，B点为传感器2（红外热像仪）测得的值。A点与C点的差值的绝对值较大，认为传感器1（CCD摄像机）工作在非正常状态。 当传感器数量由2个增加到N个时，当关联失败时，利用基于最小二乘曲线拟和的方法可以得到外推一点，然后找出与外推点的差值的绝对值最大的一个点，抛弃这个点并对其他点进行融合，这样就把两传感器的情况推广到了多传感器的情况。 3.2 基于kalman一步预测的判断 同样，利用目标不会在短时间内作很大的机动这一特点，利用kalman滤波中一步预测式预先判断当前时刻的下一步位置，公式如下： xˆ(n|zn−1)=F(n,n−1)*xˆ(n−1|z (3) n−1)∈CN*1式中，xˆ(n|Zn−1)为基于观测集合{z(1),z(2),⋯,z(n−1)}对状态z(n)的预测，F(n,n−1)为目标的状态转移矩阵，为基于观测集合{z(1),z(2),⋯,z(n−1)}对状态z(n−1)的估计。 图3 利用kalman一步预测判别示意图 利用A、B两点与C点差值的绝对值的大小就可以判别出非正常状态的传感器。假设A点为传感器1（CCD摄像机）测得的值，B点为传感器2（红外热像仪）测得的值。由图3可知：A点与C点的差值的绝对值较大，判别出传感器1（CCD摄像机）第5期 王钤，等：基于多传感器的航迹自动判别算法 ·79· 工作在非正常状态。 传感器数量由2个增加到N个的时候，与3.1节的推广方法相同。 4 仿真实验 使用的仿真模型为交互多模型（interacting multiple model，IMM）算法，IMM算法是一种有效的机动目标跟踪方法，其中用到了CV、CA和Jerk三个模型。 仿真实验模拟单个目标做一个类似正弦曲线的变加速运动，方位角传感器1在区间[100，200]之间时，由于不能分辨真实目标和干扰物而在目标与干扰物之间做随机采样，传感器1在此区间失效，方位角传感器2在区间[500，600]之间由于不能分辨真实目标和干扰物而在目标与干扰物之间做随机的采样，传感器2在此区间失效。其中： 状态方程为： x(n)=F(n,n−1)∗x(n−1)+Γ(n,n−1)∗v1(n−1) (4) 观测方程为： z(n)=C(n)*x(n)+v2(n) (5) 噪声方差为： E[v1(n)vH1(n)]=Q1(n)=52 (6) E[v2(n)vH2(n)]=Q2(n)=52 (7) 其中v1(n)为系统状态噪声，v2(n)为系统观测噪声。在观测中方位角传感器1中又加入σ21=25，在方位角传感器2中加入σ22=4的随机白噪声。采样周期T=1、Jerk模型中的目标机动频率f=0.01。 其中的估计误差为： P(n)=E[ε(n)εΗ(n)] (8) 上式中： ε(n)=x(n)−xˆ(n|Zn) (9) 在目标跟踪时，工程上常用状态向量估计初始化[4]。 分别使用基于最小二乘曲线拟合和基于kalman一步预测的判别方法，进行50次Monte Carlo仿真实验，结果如图4～图6。 仿真结果表明，两传感器关联后运用自动判别算法后所得航迹明显优于没有进行关联判断而直接进行融合的航迹。 图4 目标航迹与传感器测量值 图5 基于曲线拟合判别的比较 图6 基于kalman一步预测判别的比较 5 结束语 在总结前人工作的基础上提出了在多传感器系统中具有自动识别暂时工作在非正常状态的传感器的判别算法，对于系统中的某个传感器受到干扰而退化严重的情况有很好的处理效果。由仿真结果可以看出，加入自动判别算法后，处理效果明显。该·80· 兵工自动化 第29卷 算法实现简单，具有很好的工程应用前景。 该关联算法的关联正确率还有待于进一步提高，下一步的工作重点是更好地实现关联的正确率。反馈机制也是多传感器信息融合研究领域的一个重要方向，如何在多传感器航迹融合中引入反馈机制也是下一步迫切需要解决的问题。 [3] 杨露菁, 耿伯英 译. （美）霍尔（Hall,D.L.） 等 编著. 多传感器数据融合手册[M]. 北京: 电子工业出版社, 2008. [4] 何友, 修建娟, 张晶炜, 等. 雷达数据处理及应用[M].北京: 电子工业出版社, 2006. [5] Leigh A. Johnston and Vikram Krishnamurthy. An Improvement to the Interacting Multiple Model (IMM) Algorithm[J]. IEEE transactions on signal processing, 2001, 49(12): 2909-2923. 参考文献： [6] 郭治. 现代火控理论[M]. 北京: 国防工业出版社, [1] 韩红, 刘允才, 韩崇昭, 等. 多传感器融合多目标跟踪1996. 中序贯航迹关联算法[J]. 信号处理, 2004, 20(1): 30-34. [7] 乔向东, 李涛. 多传感器航迹融合综述[J]. 系统工程与[2] 何子述, 夏威. 现代数字信号处理及应用[M]. 北京: 电子技术, 2009, 31(2): 245-250.清华大学出版社, 2009. ********************************************************************************************************************************************************************************************************************