基于交互式联邦多模型的多传感器融合算法.pdf

第5期
宁る臂完
Vol 8 No
2013年10月
Journal of CAEIT
Oct.2013
ーンーーとーーー
工程与应用
doi:10.3969/j.issn.1673-5692.2013.05.012
eっとっっとっとっ
基于交互式联邦多模型的多传感器融合算法
刘春旭,张永利
(中国电子科学研究院,北京100041)
摘要:针对多传感器机动目标跟踪过程中的航迹滤波发散问题,提出了一种将联邦滤波器与交互
式多模型潓波算法(IMM)相结合的交互式联邦多模型融合算法IFMM。在IFMM算法中各传感器
均具有相同的滤波模型集合,各传感器在同一模型下所产生的滤波结果先采用联邦滤波算法进行
融合,然后采用IM算法对各模型融合结果进行综合,产生目标状态的全局估计。仿真结果表明,
IFMM有效提高了机动目标运动状态估计的精确度和稳定性。
关键词:机动目标跟踪;多传感器;联邦滤波器;交互式多模型;估计融合
中图分类号:TP273文献标识码:A文章编号:1673-5692(2013)05-49605
Multi-sensor Fused Algorithm Based on Interacting Federated
Multi-model
LIU Chun-xu, ZHANG Yong-li
(China Academy of Electronics and Information Technology, Beijing 100041, China)
Abstract: In order to solve the filtering divergence problem in the maneuvering targets tracking of the
multi-sensor, the interacting federated multi-model( IFMM)algorithm which combines the federated filter
with interacting multi-model( IMM)is proposed. All sensors in IFMM maintain the same set of filtering
models, and the filtering results from the same model of all sensors are fused by using the federated filter,
afterwards the overall estimation of target is produced by integrating the local estimations of every model
through the MM al or hm The simulat on results show that the IFMM al ori hm efficiently enhances the
accuracy and stability of the maneuvering targets state estimation
Key words Maneuvering targets tracking; Multi-sensor; Federated Filter; Interacting Multiple Model
Estimation Fusion
(UKF)等算法进行状态估计,但是实际情况中目
标机动的不规则特性及各类噪声的非高斯特性常常
造成滤波发散。而基于混合系统的多模型估计是
近年来随着空中目标机动性能的进一步提高,种有效的自适应估计方法,尤其适用于运动状态和
对机动目标跟踪算法的精确性和容错性提出了参数不断发生变化的机动目标跟踪场景。其中交互
更高的要求。对于机动目标的非线性运动模型,通式多模型算法(IMM, interacting multi- model):是引
常采用扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波入了输入交互的动态多模型算法,在所有实际可行
收稿日期:2013-0706修订日期:2013-08-21
基金项目:预研项目(51307020103)
方方数据
2013年第5期
刘春旭等:基于交互式联邦多模型的多传感器融合算法
497
的非线性次优滤波算法中被认为是最有效的算法之变子滤波器算法形式的前提下保持各个手滤波器之
已被成功地应用于实际机动目标跟踪
间的相互独立。
此外采用多传感器数据融合是解决机动目
标跟踪问题的另一种有效途径,对来自多个信息源
公共参考系统
,A21主滤波器
的探测数据进行估计融合,可以提高机动目标的跟
时间更新
传感器?
子滤波器1
踪范围和状态估计精度。那么多个传感器分别采用
IMM算法进行航迹滤波,然后对局部航迹进行融合传感器?
子滤波器2定,P。「R.P
处理就自然而然地成为解决机动目标跟踪问题的一
ag, A F
个有效方法。
传器みし?子泷波器P最优融合
目前多传感器信息融合主要包括集中式和分布
图1联邦滤波器结构
式两种融合结构?。集中式融合结构的估计精度
比分布式结构高,但是存在容错性差、计算负担重、
联邦滤波器的工作流程首先从信息分配开始,
通信开销高等缺点。而分布式融合结构对信道容量系统的过程信息Q(k-1)和P(k-1)'按照以
要求低,工程上易于实现但是在实际应用中各传感下信息分配原则在主滤波器和各子滤波器之间分配
器的局部估计误差往往是相关的,并且不可避免的
Q(k-1)=BQ(k-1)
存在过程噪声,从而造成融合估计误差。因此多个
P(k-1)=B"P2(kー
传感器在采用传统分布式融合算法进行估计融合的
情况下,会在目标运动状态发生急剧变化时产生式中,N为子滤波器数量:B;和B。是各子滤波器及
滤波发散问题。
主滤波器信息分配系数
为了解决这一问题,提出了一种将联邦滤波
器( Federated Filter)与IMM算法相结合的交互
B,>0,∑B+Bn=1
式联邦多模型融合算法(IFMM, interacting federated
假设传感器i在k时刻的量测为x1(k),噪声协
muli- model)。在IFM算法中各传感器均具有相方差阵为R,(ん),量测矩阵为H(k),各子滤波器和
同的滤波模型集合,各传感器在同一模型下所产生主滤波器的状态转移矩阵均为F(k)。时间更新过
的滤波结果先采用联邦滤波算法进行融合,产生局程在各子滤波器和主滤波器之间独立进行,各滤波
部融合估计和相应的模型匹配概率,然后根据IMM器的状态预测什计为
算法对各模型局部融合估计进行概率加权融合得出
元,(kk-1)=F(k-1)x(ん-1)
在当前时刻目标状态的全局估计。仿真结果表明P(Ak-1)=F(k-)P(k-1)F(k-1)+(3)
IFMM算法可以有效降低目标机动状态下估计误
差,提高目标估计的精度和容错性。
各子滤波器分别产生局部状态估计
:(k)=[P(klk
H(k)R、(k)H(k)
1联邦滤波器
x(ん)=P、(h)「P2(kIh-1)え(kIk-1)+
联邦滤波器是一种由 Calson提出的分散式滤
H(k)R(ん)z(