(九)信息融合方式简介

目录

前言

一、什么是信息融合?

二、集中式信息融合与分布式信息融合

(一)集中式融合

(二)分布式融合

1.简单信息融合

2.CI(协方差交叉)信息融合

3.无反馈的最优分布式融合

4.有反馈的最优分布式融合

三、仿真验证

(一)仿真设置

(二)仿真结果

总结


前言

        信息融合实质就是估计融合,即如何利用多个传感器的测量值所包含的信息,实现最优的状态估计。本文中的应用场景主要针对于多传感器目标跟踪中的航迹融合,融合结构可以分为集中式、分布式以及混合式。此处重点介绍集中式和分布式融合的概念,并且解释了跟踪过程中多传感器局部状态估计误差相关的原因。同时针对带反馈和不带反馈的分布式融合结构进行了仿真,实验结果证明两种结构形式下均能实现信息的有效融合,提升目标跟踪精度。(不同结构、不同滤波方式的信息融合代码均可以在资源中找到!)


一、什么是信息融合?

        信息融合就是利用多个传感器的信息提升状态估计精度的一种融合方式,其根本目的是减少冗余数据,提升数据的精度。目标跟踪过程中,主要是将来自不同传感器的航迹进行融合估计,以得到跟踪目标的实际运动状态。

        信息融合中误差相关的原因:

        1.共同的过程噪声:状态估计过程中信息来自于同一目标,虽然传感器的量测序列是独立的,但是由于目标的运动模型相同,具有共同的过程噪声Q,所以目标状态估计协方差是相关的。

        2.共同的先验信息:如果不同传感器滤波过程中有共同的先验信息,则传感器之间的局部误差是相关的。

二、集中式信息融合与分布式信息融合

        集中式信息融合和分布式信息融合的区别主要在于融合中心获取的信息形式不同。集中式融合中心接收到的信息是不同传感器传送的原始量测信息;分布式融合中心接收到的信息是不同传感器的状态估计值以及协方差矩阵,下文针对不同形式的信息融合方式进行详细的介绍。

(一)集中式融合

        集中式信息融合为数据层的融合,就是将所有传感器的量测信息传送到融合中心进行数据处理,也称为“中心融合”或者“量测融合”。集中式信息融合可以利用所有传感器的原始测量信息进行融合,没有信息损失,得到的融合结果是最优的。但是这种结构需要很宽的数据链路来进行数据的传递,在工程上不容易实现。

(二)分布式融合

        分布式信息融合为状态层的融合,每个传感器独立对量测信息进行预处理,得到相应的状态估计值和局部协方差矩阵之后,再将信息传送到融合中心进行处理,得到全局状态估计值和全局协方差。这种方法也被称为“传感器级融合”或者“自主融合”,目标跟踪过程中也可称为“航迹融合”。由于此结构对于数据传输要求低,工程上容易实现,因此成为了信息融合领域的研究重点。针对分布式融合方式,仅介绍几种常用的融合方式。对其他结构感兴趣的同学可以自行翻找其他资料进行查阅。(具体的理论教材可以联系博主获取)

1.简单信息融合

        假设存在n个传感器。每个传感器的状态估计值为\widehat{x}_{i},误差协方差矩阵为\widehat{P}_{i},则对应的状态估计值和系统误差为:

        系统误差: P_{sf} = (P_{1}^{-1}+P_{2}^{-1}+\cdots +P_{n}^{-1})^{-1} = (\sum_{i=1}^{n}P_{i}^{-1})^{-1}

        状态估计值:\widehat{x}_{sf} =P_{sf} (P_{1}^{-1}\widehat{x}_{1}+P_{2}^{-1}\widehat{x}_{2}+\cdots +P_{n}^{-1}\widehat{x}_{n}) =P_{sf} (\sum_{i=1}^{n}P_{i}^{-1}\widehat{x}_{i})

2.CI(协方差交叉)信息融合

        假设存在n个传感器。每个传感器的状态估计值为\widehat{x}_{i},误差协方差矩阵为\widehat{P}_{i},则对应的状态估计值和系统误差为:

        系统误差: P_{sf}^{-1}=\omega _{1}P^{-1}_{1}+\omega _{2}P^{-1}_{2}+\cdot \cdot \cdot +\omega _{n}P^{-1}_{n}

        状态估计值:\widehat{x}_{sf} = P_{sf}\left (\omega _{1}P^{-1}_{1}\widehat{x}_{1} +\omega _{2}P^{-1}_{2}\widehat{x}_{2}+ \cdot \cdot \cdot +\omega _{n}P^{-1}_{n}\widehat{x}_{n}\right )

        权值:\left \{ w_{i},i=1\cdot \cdot \cdot N \right \}=arg\: mintr\left ( \left ( \sum w_{i}P^{-1}_{i} \right ) ^{-1}\right )

3.无反馈的最优分布式融合

       假设存在n个传感器。每个传感器的状态估计值为\widehat{x}_{i},误差协方差矩阵为\widehat{P}_{i},则对应的状态估计值和系统误差为:

        全局和部分预测状态估计值和协方差为:

P_{sf}\left (k\mid k-1 \right )=F*P_{sf}\left ( k-1 \right )*F^{\top }+Q\widehat{x}_{sf}\left (k\mid k-1 \right )=F*\widehat{x}_{sf}\left ( k-1 \right )

P_{i}\left (k\mid k-1 \right )=F*P_{i}\left ( k-1 \right )*F^{\top }+Q\widehat{x}_{i}\left (k\mid k-1 \right )=F*\widehat{x}_{i}\left ( k-1 \right )

        

        系统误差: P_{sf}^{-1}(k)= P_{sf}^{-1}(k\mid k-1)+\sum_{i =1}^{n}\left [ P_{i}^{-1}(k)-P_{i}^{-1}(k\mid k-1)\right ]

        状态估计值:\widehat{x}_{sf}(k) = P_{sf}(k)\left [ P_{sf}^{-1}(k\mid k-1) \widehat{x}_{sf}(k\mid k-1) +\sum_{i =1}^{n}\left [ P_{i}^{-1}(k)\widehat{x}_{i}(k) -P_{i}^{-1}(k\mid k-1)\widehat{x}_{i}(k\mid k-1) \right ] \right ]

4.有反馈的最优分布式融合

         假设存在n个传感器。每个传感器的状态估计值为\widehat{x}_{i},误差协方差矩阵为\widehat{P}_{i},则对应的状态估计值和系统误差为: 

        反馈结构下满足以下条件:P_{i}\left ( k-1 \right )=P_{sf}\left ( k-1 \right )\widehat{x}_{i}\left ( k-1 \right )=\widehat{x}_{sf}\left ( k-1 \right )

        系统误差:   P_{sf}^{-1}(k)= \sum_{i =1}^{n}\left [ P_{i}^{-1}(k)\right ]-(n-1)P_{sf}^{-1}(k\mid k-1)

        状态估计值:                \widehat{x}_{sf}(k) = P_{sf}(k)\left [ \sum_{i =1}^{n}\left [ P_{i}^{-1}(k)\widehat{x}_{i}(k)\right ]-(n-1)P_{sf}^{-1}(k\mid k-1)\widehat{x}_{sf}(k\mid k-1) \right ]

三、仿真验证

(一)仿真设置

        假设在线性滤波条件下(非线性条件下需要计算雅可比行列式),雷达数量为n=2;目标运动模型为CV模型;量测模型为线性;仿真步长为200帧;蒙特卡洛实验实验仿真次数为150次,具体参数设置见以下程序:

%参数设定
nd = 2;%2表示x和y这个二维平面;3表示x和y这个二维平面
np = 2;%2表示cv模型,有位置和速度两个量,3表示ca模型,有位置、速度和加速度三个量
nx = nd*np; %状态模型维数
nf = 0.1;%噪声强度
nz = 2;%测量维数
N_Q=1;%目标个数(简化目标产生函数)
N_R=2;%雷达个数
Ts = 1;
N_step = 200; %仿真时长
N_sim = 150;

radar_location=[-3e5 0;
                0 -3e5];

H = [1 0 0 0
     0 0 1 0];

ini_state(:,1) = [2000, 300, 1000, 100 ]';

R_base = [1000 0;
          0  1000]; %对应100000米时候的误差

        针对有反馈和无反馈结构的信息融合方式,其融合部分的代码结构不同。无反馈的信息融合部分代码为:

P_F_inv = 0;
X_f = 0;
X_1 = F*X_CI(:,i-1);
P_1 = F*P_CI{i-1}*F'+Q;
for j = 1:N_R
      P_F_inv = (eye(nx)/P{j,i}-(eye(nx)/(F*P{j,i-1}*F'+Q))) + P_F_inv ;
      X_f = ((eye(nx)/P{j,i}*x_filter{j,i})-(eye(nx)/(F*P{j,i-1}*F'+Q)*(F*x_filter{j,i-1}))) + X_f;
end

P_F_inv = P_F_inv+(eye(nx)/P_1);
P_CI{i} = eye(nx)/P_F_inv;
X_CI(:,i) =P_CI{i}*(eye(nx)/P_1*X_1+X_f);
RMSE_CI(1,i) = (X_CI(1,i)-X_real{1}(1,i))^2 + (X_CI(3,i)-X_real{1}(3,i))^2;

        有反馈的信息融合部分代码为:

P_F_inv = 0;    
X_f = 0;
X_1 = F*X_CI(:,i-1);
P_1 = F*P_CI{i-1}*F'+Q;

for j = 1:N_R
      P_F_inv = (eye(nx)/P{j,i}) + P_F_inv ;
      X_f = (eye(nx)/P{j,i})*(x_filter{j,i}-X_1) + X_f;
end

P_F_inv = P_F_inv-((N_R-1)*(eye(nx)/P_1));
P_CI{i} = eye(nx)/P_F_inv;
X_CI(:,i) = X_1 + P_CI{i}*X_f;
RMSE_CI(1,i) = (X_CI(1,i)-X_real{1}(1,i))^2 + (X_CI(3,i)-X_real{1}(3,i))^2;

(二)仿真结果

        上述两幅图为无反馈结构和反馈结构下的信息融合仿真结果图。第一幅图为无反馈条件下的信息融合仿真结果,从图中可以看出,信息融合方式有效提升了全局滤波精度,但是没有提升单个滤波器的跟踪精度。第二幅图为有反馈条件下的信息融合仿真结果,从图中可以看出,有无反馈的全局滤波精度相近,但是有反馈条件下的信息融合方式可以有效提升局部滤波的精度,并且便于滤波器的重新启动。


总结

        以上就是今天要讲的内容,本文简单介绍了现有的各种信息综合方式,给出了简单信息融合、CI信息融合、无反馈的最优分布式融合、有反馈的最优分布式融合的融合公式,同时针对线性量测、卡尔曼滤波、有无反馈条件下的分布式融合方法进行了仿真,仿真结果验证了信息融合方式可以有效提升滤波精度、并且反馈结构的信息融合方式可以提升局部滤波精度。(更多仿真见资源界面)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/505424.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

反应式编程(一)什么是反应式编程

目录 一、背景二、反应式编程简介2.1 定义2.2 反应式编程的优势2.3 命令式编程 & 反应式编程 三、Reactor 入门3.1 Reactor 的核心类3.2 Reactor 中主要的方法1)创建型方法2)转化型方法3)其他类型方法4)举个例子 四、Reactor …

论文笔记:GPT-4 Is Too Smart To Be Safe: Stealthy Chat with LLMs via Cipher

ICLR 2024 reviewer评分 5688 1 论文思路 输入转换为密码,同时附上提示,将加密输入喂给LLMLLM输出加密的输出加密的输出通过解密器解密 ——>这样的步骤成功地绕过了GPT-4的安全对齐【可以回答一些反人类的问题,这些问题如果明文问的话&…

【C++】set和map

set和map就是我们上篇博客说的key模型和keyvalue模型。它们属于是关联式容器,我们之前说过普通容器和容器适配器,这里的关联式容器就是元素之间是有关联的,通过上篇博客的讲解我们也对它们直接的关系有了一定的了解,那么下面我们先…

蓝桥杯-python-常用库归纳

目录 日期和时间 datetime模块 date日期类,time时间类,datetime日期时间类 定义date(年,月,日) data之间的减法 定义时间(时,分,秒) 定义datetime&#xf…

42.HarmonyOS鸿蒙系统 App(ArkUI)实现横屏竖屏自适应

HarmonyOS鸿蒙系统 App(ArkUI)实现横屏竖屏自适应 媒体查询作为响应式设计的核心,在移动设备上应用十分广泛。媒体查询可根据不同设备类型或同设备不同状态修改应用的样式。媒体查询常用于下面两种场景: 针对设备和应用的属性信息(比如显示…

【Linux】进程实践项目 —— 自主shell编写

送给大家一句话: 不管前方的路有多苦,只要走的方向正确,不管多么崎岖不平,都比站在原地更接近幸福。 —— 宫崎骏《千与千寻》 自主shell命令编写 1 前言2 项目实现2.1 创建命令行2.2 获取命令2.3 分割命令2.4 运行命令 3 源代码…

计算机服务器中了rmallox勒索病毒怎么办?rmallox勒索病毒解密数据恢复

网络技术的不断发展与应用,大大提高了企业的生产运营效率,越来越多的企业开始网络开展各项工作业务,网络在为人们提供便利的同时,也会存在潜在威胁。近日,云天数据恢复中心接到多家企业的求助,企业的计算机…

Python内置函数enumerate()

Python的内置函数enumerate()。在学习过程中遇到了一点小问题。记录一下。 enumerate() 是 Python 中常用的内置函数之一,它可以用来同时遍历序列的索引和对应的值。具体来说,enumerate() 接受一个可迭代对象作为参数,返回一个包含索引和值的…

vuees6新语法

vue的学习网站: https://www.runoob.com/vue2/vue-tutorial.html1.Vue的介绍 学习目标 说出什么是Vue能够说出Vue的好处能够说出Vue的特点 内容讲解 【1】Vue介绍 1.vue属于一个前端框架,底层使用原生js编写的。主要用来进行前端和后台服务器之间的…

Holiday Notice

Holiday Notice 放假通知 要是每个公司都能放假放的多,把加班折算放假落实到位,还怕我们不努力干活,巴不得把全年都干完了,然后休息。

HCIP【GRE VPN配置】

目录 实验要求: 实验配置思路: 实验配置过程: 一、按照图式配置所有设备的IP地址 (1)首先配置每个接口的IP地址 (2)配置静态路由使公网可通 二、在公网的基础上创建GRE VPN隧道&#xff0…

HarmonyOS实战开发-如何实现一个简单的健康生活应用(上)

介绍 本篇Codelab介绍了如何实现一个简单的健康生活应用,主要功能包括: 用户可以创建最多6个健康生活任务(早起,喝水,吃苹果,每日微笑,刷牙,早睡),并设置任…

C++list的模拟实现

为了实现list&#xff0c;我们需要实现三个类 一、List的节点类 template<class T> struct ListNode {ListNode(const T& val T()):_pPre(nullptr),_pNext(nullptr),_val(val){}ListNode<T>* _pPre;ListNode<T>* _pNext;T _val; }; 二、List的迭代器…

2024年腾讯云服务器99元一年_老用户优惠续费不涨价

腾讯云99元一年服务器配置为轻量2核2G4M、50GB SSD盘、300GB月流量、4M带宽&#xff0c;新用户和老用户都可以购买&#xff0c;续费不涨价&#xff0c;续费价格也是99元一年。以往腾讯云优惠服务器都是新用户专享的&#xff0c;这款99元服务器老用户也可以购买&#xff0c;这是…

Spring Task 知识点详解、案例、源代码解析

简介&#xff1a;Spring Task 定时任务   所谓定时任务。就是依据我们设定的时间定时运行任务&#xff0c;就像定时发邮件一样&#xff0c;设定时间到了。邮件就会自己主动发送。 在Spring大行其道的今天&#xff0c;Spring也提供了其定时任务功能&#xff0c;Spring Task。同…

安装dalton过程中出现的pcre问题

在前面文章中&#xff0c;基于多种流量检测引擎识别pcap数据包中的威胁&#xff0c;并没有详细的说明dalton的安装。由于dalton提供了脚本./start-dalton.sh &#xff0c;执行之后会自动的安装各种依赖以及suricata&#xff0c;zeek&#xff0c;snort的容器环境。但是在实际执行…

编程新手必看!从零起步掌握Python的终极指南,Python简介(1)

1、Python语言的诞生 Python的作者&#xff0c;Guido von Rossum&#xff08;吉多范罗苏姆&#xff0c;中国Python程序员都叫他 龟叔&#xff09;&#xff0c;荷兰人。1982年&#xff0c;龟叔从阿姆斯特丹大学获得了数学和计算机硕士学位。然而&#xff0c;尽管他算得上是一位…

内存管理--柔性数组

本次讲的是&#xff0c;柔性数组&#xff0c;如果哪位小博客想要了解的更多&#xff0c;可以登录下面这个网站&#xff0c;了解详细内容 C语言结构体里的成员数组和指针 | 酷 壳 - CoolShellhttps://coolshell.cn/articles/11377.html 我们就听说过数组&#xff0c;听说过柔性数…

Excel求解二元一次方程

背景&#xff1a;如果想求解二元一次方程&#xff0c;常规方法就是联立方程求出一个未知数&#xff0c;然后带入任意一个等式。那么在excel里面应该怎么解决呢&#xff1f; 总所周知&#xff0c;大学里面会学矩阵行列式&#xff0c;二元一次方程其实就是一个简单的矩阵行列式。…

006 高并发内存池_PageCache设计

​&#x1f308;个人主页&#xff1a;Fan_558 &#x1f525; 系列专栏&#xff1a;高并发内存池 &#x1f339;关注我&#x1f4aa;&#x1f3fb;带你学更多知识 文章目录 前言文章重点一、回顾PageCache页缓存结构二、PageCache结构设计三、完善申请内存函数小结 前言 本文将…