本發(fā)明涉及多傳感器非線性系統(tǒng)信息融合狀態(tài)估計，特別涉及一種多傳感器非線性系統(tǒng)觀測數(shù)據(jù)融合的狀態(tài)估計方法。

背景技術：

1、目前，濾波算法在目標跟蹤、定位和機器人等高科技領域發(fā)揮著重要作用。在實際應用中，對于多傳感器非線性系統(tǒng)的狀態(tài)估計，多傳感器的觀測數(shù)據(jù)通常需要同時到達融合中心才能進行集中式融合處理，再通過濾波算法進行狀態(tài)估計。集中式融合處理導致大量等待時間的浪費。此外，多傳感器的觀測數(shù)據(jù)增廣后的觀測方程維數(shù)通常較大，增加了計算負擔，這在自動駕駛、室內(nèi)定位、組合導航等領域經(jīng)常成為需要解決的關鍵問題。

2、為了解決非線性系統(tǒng)高維觀測導致的計算負擔大且保持估計全局最優(yōu)性的問題，目前有批處理加權觀測融合狀態(tài)估計方法。然而，這種方法仍然需要觀測數(shù)據(jù)都到達融合中心之后才能融合，并進行后續(xù)的濾波狀態(tài)估計，從而浪費了大量等待時間，導致多傳感器非線性系統(tǒng)的狀態(tài)估計效率較低。

技術實現(xiàn)思路

1、基于此，有必要針對上述技術問題，提供一種多傳感器非線性系統(tǒng)觀測數(shù)據(jù)融合的狀態(tài)估計方法。

2、本發(fā)明采用下述技術方案：

3、本發(fā)明提供了一種多傳感器非線性系統(tǒng)觀測數(shù)據(jù)融合的狀態(tài)估計方法，包括：

4、獲取多傳感器非線性系統(tǒng)中各傳感器在當前時刻對觀測目標采集的原始觀測數(shù)據(jù)；

5、根據(jù)每個傳感器的非線性觀測方程對觀測目標的狀態(tài)進行二階泰勒展開近似，以對每個傳感器的非線性觀測方程進行線性化，確定每個傳感器的近似觀測方程；

6、根據(jù)獲取各傳感器原始觀測數(shù)據(jù)的先后次序，基于各傳感器的近似觀測方程通過加權最小二乘法依次對各傳感器的原始觀測數(shù)據(jù)兩兩進行壓縮，得到壓縮后的近似觀測方程；

7、根據(jù)觀測目標的狀態(tài)方程，確定觀測目標下一時刻的預測狀態(tài)；并根據(jù)壓縮后的近似觀測方程，通過二階擴展卡爾曼濾波算法對預測狀態(tài)進行修正，以對觀測目標下一時刻狀態(tài)進行估計。

8、可選地，所述根據(jù)每個傳感器的非線性觀測方程對觀測目標的狀態(tài)進行二階泰勒展開近似，以對每個傳感器的非線性觀測方程進行線性化，確定每個傳感器的近似的觀測方程，具體包括：

9、通過下式根據(jù)每個傳感器的非線性觀測方程對觀測目標的狀態(tài)進行二階泰勒展開近似，確定每個傳感器的近似的觀測方程：

10、

11、其中，zj(k)∈為k時刻第j個傳感器的原始觀測數(shù)據(jù)，,為k時刻狀態(tài)預報估值，hj()為第j個傳感器的非線性觀測函數(shù)，hj(k)＝為第j個傳感器的觀測矩陣，uj(k)為二階展開項，p(k|k-1)為多傳感器非線性系統(tǒng)狀態(tài)預報誤差方差矩陣，x(k)為多傳感器非線性系統(tǒng)k時刻的狀態(tài)向量，vj(k)為第j個傳感器的觀測噪聲，tr[]為矩陣的跡，為hj(x(k),k)的第i個分量在,的二階展開項的系數(shù)矩陣，為hj(x(k),k)的第i個分量，是一個mj×1的列向量，其第i個元素為1，其余元素為0，mj為第j個傳感器觀測數(shù)據(jù)的維數(shù)。

12、可選地，所述通過加權最小二乘法依次對傳感器的觀測方程進行壓縮，得到壓縮后的觀測方程，具體包括：

13、令虛擬觀測數(shù)據(jù)為得到虛擬觀測方程yj(k)＝hj(k)x(k)+vj(k)；

14、針對每次壓縮，將上次壓縮的虛擬觀測數(shù)據(jù)與最近獲取到的傳感器的虛擬觀測數(shù)據(jù)進行擴維得到增廣的虛擬觀測方程；

15、對增廣的虛擬觀測方程中增廣的觀測矩陣進行滿秩分解，得到對應的列滿秩矩陣和行滿秩矩陣；

16、通過下式應用加權最小二乘法對第j次壓縮之前擴維的虛擬觀測數(shù)據(jù)進行加權觀測融合壓縮降維：

17、

18、通過多輪加權觀測融合壓縮降維，得到最后壓縮后的虛擬觀測方程，并進行逆變換，得到壓縮后的近似觀測方程；

19、式中，為第j次壓縮后的虛擬觀測數(shù)據(jù)，為第j次壓縮后的原始觀測數(shù)據(jù)，為第j次壓縮后的傳感器的非線性觀測函數(shù)，第j次壓縮后的二階展開項，＝為第j次壓縮后的觀測噪聲，為第j次壓縮后的觀測噪聲方差矩陣，為第j次壓縮后的觀測矩陣，為第j次壓縮前擴維得到增廣的原始觀測數(shù)據(jù)，第j次壓縮前擴維得到增廣的觀測矩陣的列滿秩矩陣，rj+1(k)為第j+1個傳感器的觀測噪聲方差矩陣，為第j次壓縮前擴維得到增廣的傳感器的非線性觀測函數(shù)，為第j次壓縮前擴維得到增廣的二階展開項，為第j次壓縮前擴維得到增廣的觀測噪聲，為第j次壓縮前擴維得到增廣的虛擬觀測數(shù)據(jù)，角標“t”表示對矩陣進行轉置。

20、可選地，所述根據(jù)壓縮后的近似觀測方程，通過二階擴展卡爾曼濾波算法對預測狀態(tài)進行修正，以對觀測目標下一時刻狀態(tài)進行估計，具體包括：

21、根據(jù)壓縮最終得到的壓縮后的近似觀測方程，通過下式重新構建多傳感器非線性系統(tǒng)：

22、

23、通過卡爾曼濾波一步預報器基于下式進行狀態(tài)預測，得到預測狀態(tài)：

24、p(k+1|k)＝f(k)p(k|k)ft(k)+q(k)；

25、通過卡爾曼濾波器以壓縮后的原始觀測數(shù)據(jù)對預測狀態(tài)進行修正以對觀測目標進行狀態(tài)估計：

26、

27、其中，n為傳感器的數(shù)量，fi(x(k),k)為f(x(k),k)的第i個分量，是n×1的列向量，其中第i個元素為1，其余全為0，為狀態(tài)濾波估值，p(k|k)為濾波誤差的方差矩陣，為對觀測目標的狀態(tài)估計結果，為對觀測目標的預測狀態(tài)，k(k+1)為對預測狀態(tài)進行修正的卡爾曼濾波增益矩陣，p(k+1|k+1)＝為卡爾曼濾波的誤差協(xié)方差矩陣。

28、本發(fā)明提供了一種多傳感器非線性系統(tǒng)觀測數(shù)據(jù)融合的狀態(tài)估計裝置，包括：

29、獲取模塊，用于獲取多傳感器非線性系統(tǒng)中各傳感器在當前時刻對觀測目標采集的原始觀測數(shù)據(jù)；

30、近似觀測方程確定模塊，用于根據(jù)每個傳感器的非線性觀測方程對觀測目標的狀態(tài)進行二階泰勒展開近似，以對每個傳感器的非線性觀測方程進行線性化，確定每個傳感器的近似觀測方程；

31、壓縮模塊，用于根據(jù)獲取各傳感器原始觀測數(shù)據(jù)的先后次序，基于各傳感器的近似觀測方程通過加權最小二乘法依次對各傳感器的原始觀測數(shù)據(jù)兩兩進行壓縮，得到壓縮后的近似觀測方程；

32、狀態(tài)估計模塊，用于根據(jù)觀測目標的狀態(tài)方程，確定觀測目標下一時刻的預測狀態(tài)；并根據(jù)壓縮后的近似觀測方程，通過二階擴展卡爾曼濾波算法對預測狀態(tài)進行修正，以對觀測目標下一時刻狀態(tài)進行估計。

33、本發(fā)明提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述多傳感器非線性系統(tǒng)觀測數(shù)據(jù)融合的狀態(tài)估計方法。

34、本發(fā)明提供了一種計算機設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述程序時實現(xiàn)上述多傳感器非線性系統(tǒng)觀測數(shù)據(jù)融合的狀態(tài)估計方法。

35、本發(fā)明采用的上述至少一個技術方案能夠達到以下有益效果：

36、本發(fā)明先獲取多傳感器非線性系統(tǒng)中各傳感器在當前時刻對觀測目標采集的原始觀測數(shù)據(jù)，然后根據(jù)每個傳感器的非線性觀測方程對觀測目標的狀態(tài)進行二階泰勒展開近似，以對每個傳感器的非線性觀測方程進行線性化，確定每個傳感器的近似觀測方程，再根據(jù)獲取各傳感器原始觀測數(shù)據(jù)的先后次序，基于各傳感器的近似觀測方程通過加權最小二乘法依次對各傳感器的原始觀測數(shù)據(jù)兩兩進行壓縮，得到壓縮后的近似觀測方程，最后根據(jù)觀測目標的狀態(tài)方程，確定觀測目標下一時刻的預測狀態(tài)，并通過二階擴展卡爾曼濾波算法對預測狀態(tài)進行修正，以對觀測目標下一時刻狀態(tài)進行估計。

37、本發(fā)明通過序貫加權最小二乘法對多傳感器非線性系統(tǒng)中各傳感器的原始觀測數(shù)據(jù)進行融合處理，從而在各傳感器的原始觀測數(shù)據(jù)的傳輸過程中，根據(jù)實時已經(jīng)傳輸?shù)饺诤现行牡脑加^測數(shù)據(jù)的先后順序進行序貫加權兩兩融合，從而無需等待所有原始觀測數(shù)據(jù)都到達再進行融合，節(jié)省了等待時間，提高了融合效率，同時有效地減少了觀測方程的維數(shù)，顯著降低了計算量，進一步減小了后繼非線性系統(tǒng)二階擴展卡爾曼濾波的計算復雜度，從而提高了多傳感器非線性系統(tǒng)的狀態(tài)估計效率。