一种基于异步数据融合的传感器管理方法

信号/数据处理一种基于异步数据融合的传感器管理方法3田康生a,高　岚b(空军雷达学院　a.信息与指挥自动化系;　b.研究生管理大队,　武汉430019)【摘要】　针对多传感器系统存在观测数据过多,数据融合中心处理负担过重的问题,在引入一种基于传感器观测数据序贯处理的最优异步融合算法的基础上,提出一种基于目标协方差控制的传感器选择算法对异步观测数据进行优化组合,从而实现以最小的计算量达到所要求的目标状态估计精度。

最后的仿真结果证明了该算法的有效性和可行性。

【关键词】　多传感器;异步数据融合;卡尔曼滤波;传感器管理中图分类号:T N957 文献标识码:AAn Appr oa ch of Sen sor M anage m en t Ba sed o n A synchr onous Da ta Fus i onTI AN K ang2sheng a,G A O Lan b(a.Depart m ent of Co mm and Aut om ati on Engineering;)(b.Depart m ent of Gr adua te Manage m ent,AFRA,　W uhan430019,China)【Ab stra ct】　Because cu rrentm ultisens or fusi on tracking system s can be easily ov e r whel m ed by inco m ing data,e s pecia lly as the numbe r of t a rgets and sens ors increases,sens or management schemes have been p r oposed t o reduce the co mputati onal l oad of these syst em s while m ini m izing the l oss of tracking perf o r mance.T he case whe re a ll t he sens ors ope rate s ynch r onously ha s already been in depth studied.In p rac tice the assu mp tion of s ynchr onous s ens o rs a re vi ola t ed,sens ors may operate a t different data ra tes and have di ffe rent co mm unicati on delays.S o a sensor management based on a s ynchron ous data fusi on is p ro posed.According t o thea l gorith m,when one step of Kal man filter is done,t he sens or choice of the next step is made at the same ti me.The purpos e of thisa l gorith m is t o achieve ex pected resultsw ith less calculati on.The si mula ti on re s ults sho w the efficiency and superi o rity of t he p r o2posed a lg orith m.【Key word s】m ultiple s ensors;asynchronous da t a fusion;Kal man filter;sens o r manag em ent0　引　言传感器管理的目的就是使数据融合的结果达到最优,因此传感器管理的方法和手段依赖于具体的数据融合方法[1]。

Nash最早提出传感器管理的概念[2],他采用标准卡尔曼滤波方法进行目标跟踪,并选用卡尔曼滤波误差协方差矩阵的迹作为目标函数的代价系数,运用线性规划确定目标跟踪中传感器对目标的分配。

Manyika和W hyte提出了针对分布式数据融合系统的传感器管理方法[3]。

Sch m aedeke和Kaste lla研究了基于I M MKF(I nterac tingMultiple Model K a l m an F il2 ter)的传感器管理算法[4],K a landr os和Pao则讨论了基于P DAF(P r obability Da ta A ss ociation Filter)和J P2 DAF(Joint Probability Data A ssociation Filter)的传感器管理问题[5-6]。

上述研究都是假定多个传感器对目标的观测是同步的。

然而,对于一个实际的多传感器系统,如雷达组网探测系统,由于各雷达具有不同的采样周期、不同的固有延迟和通信延迟,组网信息中心(融合中心)得到的观测数据往往不是同步的[7],这就需要用到多传感器异步融合技术。

现有异步融合算法大都利用所有传感器观测数据以提高其跟踪性能[8],这使得融合中心的负担加重,系统的实时性变差。

如何在他们之间进行有效的平衡是传感器管理要解决的关键问题。

1　多传感器最优异步融合算法异步数据融合一般可分为2类,即时序测量异步融合(I S M)和非时序测量异步融合(O O S M)。

两者的区别在于测量数据到达融合中心的时间顺序是否与各传感器获得测量数据的时间顺序相同。

下面仅考虑I S M异步融合。

1.1　问题提出对于一个线性随机系统,它的随机变量由一个离24第30卷　第7期　2008年7月现代雷达Modern Rada r Vol.30　No.7July2008 3收稿日期2325 修订日期252:200800:2008020散时间微分方程控制x k+1=Φk+1,k x k +ωk(1)式中:x k ∈R k是t =kT 时刻的系统状态;T 为融合中心的抽样周期;Φ()为系统状态转移矩阵;ωk (系统噪声)为零均值,协方差为Q k 的高斯白噪声过程。

假设动态目标的状态由N 个独立的传感器进行观测,T i 为第i 个传感器的采样周期。

假设在一个采样周期〔(k -1)T,kT 〕内N 个传感器获得的观测数据总数为N k ,并且在此周期内,每个传感器可提供一个或多个测量值,也可能不提供测量值。

令n i k 表示传感器i 在周期〔(k -1)T,kT 〕内提供的测量值个数,则N k =ΣNi=1n ik(2)如果传感器i 在此周期内未提供测量值,则n i k 值为0。

在此周期内各传感器的测量值是任意分布的。

令λik 表示测量值i (i =1,2,…,N k )获得的时间距kT 的时间间隔。

在时间间隔〔(k -1)T,kT 〕内,所有的测量数据均被送至融合中心,融合中心根据测量值的时间标记(λ1k ,λ2k ,…,λNkk )对其排序,如图1所示。

图1　融合中心一个抽样周期内获得的测量值分布则测量值i 可表示为y ik-λi k =H ik -λi k x ik -λi k +v ik-λi k(3)式中:Hik -λik为提供测量值i 的传感器测量矩阵。

观测噪声v ik -λi k假定相互独立,均值为零,协方差为R ik -λi k。

定义在时间间隔((l -1)T,lT 〕的测量集合为y l ={y il -λi l }Nl i =1,则时刻kT 以前的测量集合可表示为y k={y l }kl =0。

假设在时刻(k -1)T ,x ^k -1|k -1=E 〔x k -1|y k -1〕与P k -1|k -1=cov 〔x ^k -1|k -1|yk -1〕在融合中心已经获得。

因此异步融合问题可描述为:在kT 时刻,当融合中心获得新测量数据后,如何得到状态更新x ^k|k =E〔x k |y k 〕及相应的协方差更新P k|k =cov 〔x ^k|k |y k〕。

1.2　算法描述根据式(1),x k 可以表示为x k =Φk ,k-λi k x k-λi k +ωk-λik (4)则x λ=Φ,λ(x ωλ)(5)把式(5)代入式(3)中,并定义H ik =H ik -λi kΦ-1k ,k -λi k(6)ηi k =v i k -λik-H i k ωk-λi k(7)y i k =y ik -λik (8)得y ik =H ik x k +ηik(9)由于测量噪声v i k 与过程噪声ωk 为相互独立的高斯白噪声,ηik 服从高斯分布,其均值为0,协方差为R ik =R ik-λi k +H ik Q k-λi k (H ik )T可证明kT 时刻系统状态概率密度函数服从高斯分布,则其均值与方差已知[9]。

这样异步观测数据融合问题转化为一个标准的卡尔曼滤波问题。

预测x ^k |k -1=Φk ,k -1x ^k-1|k-1(10)P k|k-1=Φk,k-1P k-1|k-1ΦTk ,k -1+Γk -1Q k -1ΓTk -1(11)更新P k|k =P-1k|k-1+ΣN ki =1(H i K )T (R i k )-1H i k-1(12)x ^k|k =P k|k P-1k|k -1x ^k |k -1+ΣN ki=1(H ik )T (R ik )-1y ik(13)卡尔曼滤波的误差协方差矩阵通常用来表示目标状态估计的误差,式(12)中ΣN ki =1(H i k )T (R i k )-1H i k 反映了最新测量集合对目标状态估计误差的改善程度,称为传感器信息增益,它是对传感器进行管理的依据。

定义N =Σi ∈Φjn ik(14)对于N 个独立传感器,其组合有2N-1个。

记Φj 为第j 个传感器组合,则N k 表示其在((k -1)T,kT 〕时间间隔内的测量值数目。

Φj 对应的传感器信息增益为J j =ΣN ki =1(H ik )T({R ik )-1H i k ,　j =1,2,…,2N-1(15)对应的协方差矩阵为j (|)=|+ΣN =()T (R )(6)34第7期田康生,等:一种基于异步数据融合的传感器管理方法k-i k -1k k -ik k -k-i kP k k P-1k k -1ki 1H i k i k -1H i k-112　基于协方差控制的传感器管理从式(16)可以看出,对于不同的传感器组合,kT 时刻的实际协方差矩阵P j (k |k )的值会不同,这里采用P j (k |k )的迹来度量其大小,它实质上代表目标状态估计的均方误差。