第5章 多传感器系统融合估计理论基础.docx

多传感器融合估计理论基础引言考虑这样的问题，我们使用了30个传感器的测量来估计海水浓度，这30个传感器被分成10组，每组3个，考虑第1章提到的分布式方法，我们如何构建融合节点和融合中心，来充分地使用这些数据得到好的估计结果呢？我们可以这样来考虑，假设海水的浓度不变，也就是说待估计量是一个不变量，在已知测量方程的情况下，我们可以使用第3章的最小二乘方法来估计。当然，我们也可以使用第4章的Kalman滤波器来估计，因为不变待估计量可以看做是第4章研究的随着时间变换的量的特殊情况。而如果海水的浓度是随着时间做含有噪声的变化时，我们当然可以使用Kalman滤波器来估计了，因此在以后我们利用测量数据对某未知量进行估计时，不失一般性，我们就使用Kalman进行估计。总结一下，一个动态目标被N个分散的传感器跟踪，每个传感器都有不同的测量动态和噪声特性。我们如何融合多传感器测量数据获得比单个传感器估计更好的融合状态向量估计？有多种传感器数据融合方法可以解决这个问题，Kalman滤波是最重要方法的之一，我们将其称为融合估计问题。融合估计的目的是利用多个传感器的测量值对待估计量进行估计，得到更为准确的结果。本章主要介绍在多传感器系统中广泛应用的基于Kalman滤波器的状态融合估计理论，这是多传感器系统状态融合估计的基本要素。下面我们先给出离散系统的过程状态方程如下： (5.1.1)其中是时刻系统状态，为状态转移矩阵，是过程噪声分布矩阵，是过程噪声向量。设系统共有N个传感器，测量方程为：(5.1.2)其中，，是第个传感器的测量向量，是相应的测量矩阵，为测量噪声。所谓多传感器系统状态融合估计问题，是指在假设：（1）和为零均值高斯白噪声且互不相关，即(5.1.3)其中，对称半正定矩阵为的方差阵，对称正定矩阵为的方差阵，是Kronecker -函数。（2）初始状态x(0)是具有某一已知概率分布的高斯随机向量，其均值及方差已知，分别为（3）和均与初始状态独立，即有相互独立(5.1.4)的情况下,由观测系统(5.1.2)提供的观测数据，求系统的状态矢量在k时刻的最佳估计的问题。融合算法基于Kalman滤波数据融合方法包括状态向量融合和测量融合，已经被广泛研究和使用。如图5.1所示，状态向量融合方法用一组Kalman滤波器获得每个传感器状态估计而后融合得到改进的融合状态估计。而测量融合方法如图5.2所示，是直接融合传感器测量以获得加权或者合并的测量接下来用一个单一Kalman滤波器获得基于融合观测的最终状态估计。测量融合方法通常提供更好的整体估计性能。状态向量融合计算和通讯量比较小，有并行应用和容错的优势。也有人指出，只有在那些Kalman滤波器符合某种关系时，状态向量融合才是有效的，这限制了状态向量融合的实际应用。在许多实际应用中如导航，目标跟踪，潜在的过程往往是非线性的，导致基于线性过程模型（Jacobian线性化）的Kalman滤波由于线性过程模型误差，通常是不一致的。因此，基于Kalman滤波的多传感器信息融合在实际中的应用，测量融合优于状态向量融合。从系统结构上看，多传感器系统的状态融合估计方法主要有分布式融合估计和集中式融合估计，如图5.1和 5.2所示，有些实际多传感器系统是多级式的，如图5.2及图5.4、图5.5。图5. 1分布式状态融合估计算法示意图图5. 2集中式状态融合估计算法示意图图5. 3多级式集—集式状态融合估计算法示意图图5. 4多级式分—分式状态融合估计算法示意图图5. 5多级式集—分式状态融合估计算法示意图测量融合算法(1) 测量融合方法I 此类融合算法形式十分直观，直接把测量方程列写成如下的向量形式，然后利用Kalman滤波进行估计。(5.2.1) (5.2.2) (5.2.3)（2）测量融合方法II该方法融合中心的融合规则基于线性估计原理，现将N个测量进行融合，得到融合后的测量后在利用Kalman进行估计。首先，将来自各个传感器的测量向量用线性均方估计进行融合： (5.2.4)(5.2.5)(5.2.6)从上述融合规则可知，若及的矩阵行数、列数不同，该融合规则无法实现，所以该算法不适合及的矩阵行数、列数不同的异类传感器系统。两种测量融合方法的性能分析通过（5.2.1）-（5.2.3）和（5.2.4）-（5.2.6）比较，我们注意到，在两个测量融合方法的处理方法是完全不同的。但是，我们发现两种方法之间存在某种形式的功能等价，下面的定理就说明了这种等价关系的条件。定理5.1当信息融合的N个不同的噪声特性独立的传感器有相同的测量矩阵则测量融合方法I和测量融合方法II功能等价。证明已知下列矩阵求逆关系其中和如下多项式矩阵求逆关系为了说明两种测量融合方法的功能等价，根据Kalman滤波器的推导公式，我们只需要检查方法I的和