一種多系統(tǒng)多模型混合交互式信息融合定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及導(dǎo)航與制導(dǎo)技術(shù)領(lǐng)域，尤其涉及一種基于貝葉斯理論的多系統(tǒng)多模型 混合交互式信息融合定位方法。
【背景技術(shù)】
[0002] 傳統(tǒng)的導(dǎo)航定位算法主要通過建立機動目標(biāo)的運動狀態(tài)模型和外界系統(tǒng)對目標(biāo) 的觀測模型來進行濾波，獲得機動目標(biāo)的準(zhǔn)確定位信息。但是一般情況下，機動目標(biāo)的運 動方式存在隨機性，基本很難通過一種特定的模型完成對機動目標(biāo)的運動進行建模描述。 此外單一的定位系統(tǒng)對目標(biāo)進行觀測時，起作用范圍有限，比如GNSS衛(wèi)星導(dǎo)航在城市高樓 間、樹蔭下、峽谷中等復(fù)雜環(huán)境下，定位性能受限。
[0003] 針對機動目標(biāo)運動狀態(tài)多變而無法準(zhǔn)確建模的問題，研宄人員提出了交互式多模 型（interacting multiple model，IMM)的算法，通過用多個模型同時對機動目標(biāo)的運動狀 態(tài)進行建模描述，濾波前先將各模型前一采樣時刻的狀態(tài)向量根據(jù)貝葉斯理論進行混合， 然后對各模型進行并行濾波，并根據(jù)濾波產(chǎn)生的新息計算各模型的概率，將各模型的濾波 結(jié)果按照模型概率進行融合，融合結(jié)果做為最終的定位結(jié)果進行輸出。與傳統(tǒng)的單模型濾 波相比，IMM算法能夠有效提尚運動狀態(tài)多變的機動目標(biāo)的定位性能。
[0004] 針對機動目標(biāo)運動中環(huán)境不斷變化情況引起的單系統(tǒng)定位范圍、性能受限問題， 各種非GNSS導(dǎo)航定位方法被廣泛研宄，如：基于Wifi網(wǎng)絡(luò)、視覺、RFID的導(dǎo)航定位等。將 各種導(dǎo)航定位手段的信息進行融合的算法也研宄較多，如基于貝葉斯網(wǎng)絡(luò)的融合算法、基 于DS證據(jù)理論的融合算法、基于聯(lián)邦結(jié)構(gòu)的融合算法等。其中聯(lián)邦結(jié)構(gòu)的融合算法研宄 較多，并且已經(jīng)在工程中獲得應(yīng)用。其基本原理是先將各種系統(tǒng)的導(dǎo)航定位信息進行分布 式濾波，然后將分布式濾波結(jié)果根據(jù)定位誤差進行加權(quán)融合，獲得較高精度的定位結(jié)果。
[0005] 盡管針對機動目標(biāo)定位的狀態(tài)模型和系統(tǒng)模型兩個方面的研宄都有不少，但是還 沒有一種方案將兩方面的問題綜合考慮，觀測系統(tǒng)的模型和運動狀態(tài)模型的匹配直接決定 著機動目標(biāo)的導(dǎo)航定位濾波的效果。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明提供了一種多系統(tǒng)多模型混合交互式信息融合定位方法，能夠 通過多觀測系統(tǒng)協(xié)同定位實現(xiàn)多個運動模型下的機動目標(biāo)導(dǎo)航定位。
[0007] 本發(fā)明的一種多系統(tǒng)多模型混合交互式信息融合定位方法，包括如下步驟：
[0008] 步驟1、在導(dǎo)航定位過程中，針對待定位的目標(biāo)，采用該目標(biāo)可能的運動模型描述 其運動狀態(tài)，確定該目標(biāo)的狀態(tài)向量；同時，采用多個可用的觀測系統(tǒng)對目標(biāo)進行觀測，確 定觀測系統(tǒng)獲得的觀測信息與目標(biāo)的狀態(tài)向量之間的函數(shù)關(guān)系；其中，運動模型的個數(shù)設(shè) 為N個，觀測系統(tǒng)的個數(shù)設(shè)為M個；
[0009] 步驟2、對目標(biāo)的N個運動模型進行混合，具體為：
[0010] 將第η個運動模型的狀態(tài)向量與其它各運動模型進行混合：針對第η個運動模型， 將第η個運動模型與其它各運動模型之間的條件概率作為加權(quán)因子，將t-1時刻的各運動 模型對應(yīng)的狀態(tài)向量進行加權(quán)求和處理，得到第η個運動模型的混合后的t-Ι時刻的狀態(tài) 向量；其中，η = 1，2，"·Ν ;
[0011] 將第η個運動模型的狀態(tài)誤差與N個運動模型中其它各運動模型進行混合：先計 算在該運動模型η下，運動模型η'在t時刻的狀態(tài)誤差初值，即：將運動模型η'的t-Ι時 刻狀態(tài)向量與運動模型η在t時刻狀態(tài)向量之間的誤差方差加上運動模型η'在t-Ι時刻 狀態(tài)誤差而得到的和值；其中，η' = 1，2,…N ;分別將運動模型η與所述N個運動模型之 間的條件概率作為加權(quán)因子，對得到的運動模型η下各個運動模型對應(yīng)的狀態(tài)誤差初值進 行加權(quán)求和，則得到第η個運動模型混合后的t-Ι時刻狀態(tài)誤差；
[0012] 步驟3、基于步驟1中建立的所述函數(shù)關(guān)系，采用M個觀測系統(tǒng)的觀測信息分別對 第η個運動模型對應(yīng)的混合后的t-Ι時刻狀態(tài)向量和狀態(tài)誤差進行濾波，獲得t時刻第η 個模型在各觀測系統(tǒng)下的狀態(tài)向量和狀態(tài)誤差，以及獲得第η個運動模型下各觀測系統(tǒng)對 應(yīng)的新息和新息方差；
[0013] 步驟4、針對步驟3獲得的第η個運動模型對應(yīng)的所有觀測系統(tǒng)的新息和新息方 差，通過貝葉斯全概率公式，計算第η個模型下各觀測系統(tǒng)的概率；以各觀測系統(tǒng)概率為加 權(quán)因子，將步驟3獲得的第η個模型在各觀測系統(tǒng)下的狀態(tài)向量進行加權(quán)求和，獲得t時刻 多系統(tǒng)融合后運動模型η的狀態(tài)向量；
[0014] 同理，以觀測系統(tǒng)概率為加權(quán)因子，對步驟3獲得的第η個模型在各觀測系統(tǒng)下的 狀態(tài)誤差進行加權(quán)求和，獲得t時刻多系統(tǒng)融合后運動模型η的狀態(tài)誤差；
[0015] 步驟5、將各個運動模型的后驗概率作為加權(quán)因子，將步驟4獲得的多系統(tǒng)融合后 各運動模型的狀態(tài)向量進行加權(quán)求和，得到t時刻多系統(tǒng)多模型融合后的狀態(tài)向量；
[0016] 將各個運動模型的后驗概率作為加權(quán)因子，將步驟4獲得的多系統(tǒng)融合后各運動 模型的狀態(tài)誤差進行加權(quán)求和，得到t時刻多系統(tǒng)多模型融合后的狀態(tài)誤差；
[0017] 所述t時刻多系統(tǒng)多模型融合后的狀態(tài)向量和狀態(tài)誤差之和即為當(dāng)前t時刻的定 位信息。
[0018] 本發(fā)明具有如下有益效果：
[0019] (1)本發(fā)明針對導(dǎo)航定位過程中單一觀測系統(tǒng)定位范圍有限，單一運動模型描述 運動狀態(tài)不準(zhǔn)確的問題，提出了從運動模型、觀測系統(tǒng)兩個維度，采用多模型多系統(tǒng)對目標(biāo) 進行跟蹤定位的方法。該方法將多模型和多系統(tǒng)的定位結(jié)果按照模型概率、系統(tǒng)概率進行 加權(quán)融合，很好的發(fā)揮了多系統(tǒng)共同定位和多模型并行建模定位的性能優(yōu)勢。
【附圖說明】
[0020] 圖1為本發(fā)明中多模型融合的系統(tǒng)框圖。
[0021] 圖2為本發(fā)明中多模型融合的原理圖。
[0022] 圖3為本發(fā)明的定位方法的流程圖。
【具體實施方式】
[0023] 下面結(jié)合附圖并舉實施例，對本發(fā)明進行詳細描述。
[0024] 1、目標(biāo)定位的"多系統(tǒng)多模型"建模
[0025] -般情況下，對一個目標(biāo)進行導(dǎo)航定位（或者稱作跟蹤濾波），需要兩個方程一一 "運動模型"及"觀測模型"。
[0026] "運動模型"就是對目標(biāo)的運動過程的一種數(shù)學(xué)描述，比如一個正在進行勻速直 線運動的目標(biāo)可以描述為：x(t+At) = x(t)+vAt做勻加速直線運動的目標(biāo)可以描述為： , μ 4 1 … 十 Δ/) = ·χ(/) + νΔ/ +citsl。
[0027] "觀測模型"是目標(biāo)外的其他系統(tǒng)對目標(biāo)觀測的一種數(shù)學(xué)描述，即建立從目標(biāo)狀態(tài) 信息到觀測信息之間的一種函數(shù)關(guān)系，比如通過GPS衛(wèi)星觀測運動目標(biāo)可以建立衛(wèi)星觀測 信息"偽距"和目標(biāo)狀態(tài)信息"Χ，Υ，Ζ坐標(biāo)"之間的函數(shù)關(guān)系：z(t) = f(x(t)，v(t));再如通 過移動基站觀測運動目標(biāo)可以建立基站觀測信息"移動信號強度"和目標(biāo)狀態(tài)信息"X，Y，Z 坐標(biāo)"之間的函數(shù)關(guān)系。
[0028] 本發(fā)明所指"多模型"是說針對特定的運動目標(biāo)，一般很難用一種運動模型描述。 比如路面上的運動車輛在△ t時間內(nèi)，可能先做勻速直線運動，然后在路況較好的時候開 始加速，看到前方紅燈又進行減速運動，在十字路口進行了拐彎運動，整個過程中涉及到四 種運動。所以用單一的一個運動模型去描述已經(jīng)不夠。所以考慮采用多個運動模型對目標(biāo) 運動狀態(tài)進行描述，描述的狀態(tài)方程統(tǒng)一記為：
[0029] x(t) = Apxp(t-l)+GV(t)
[0030] 上標(biāo)p表示一個運動集合，針對上邊的例子這里p表示集合；
[0031] {勻速直線運動，勻加速直線運動，轉(zhuǎn)彎運動}
[0032] A表示t-Ι目標(biāo)狀態(tài)到t時刻目標(biāo)狀態(tài)函數(shù)關(guān)系（用矩陣表示）。例如當(dāng)p為勻
【主權(quán)項】
1. 一種多系統(tǒng)多模型混合交互式信息融合定位方法，其特征在于，包括如下步驟： 步驟1、在導(dǎo)航定位過程中，針對待定位的目標(biāo)，采用該目標(biāo)可能的運動模型描述其運 動狀態(tài)，確定該目標(biāo)的狀態(tài)向量；同時，采用多個可用的觀測系統(tǒng)對目標(biāo)進行觀測，確定觀 測系統(tǒng)獲得的觀測信息與目標(biāo)的狀態(tài)向量之間的函數(shù)關(guān)系；其中，運動模型的個數(shù)設(shè)為N 個，觀測系統(tǒng)的個數(shù)設(shè)為M個； 步驟2、對目標(biāo)的N個運動模型進行混合，具體為： 將第η個運動模型的狀態(tài)向量與其它各運動模型進行混合：針對第η個運動模型，將第 η個運動模型與其它各運動模型之間的條件概率作為加權(quán)因子，將t-Ι時刻的各運動模型 對應(yīng)的狀態(tài)向量進行加權(quán)求和處理，得到第η個運動模型的混合后的t-Ι時刻的狀態(tài)向量； 其中，η = 1，2，···Ν; 將第η個運動模型的狀態(tài)誤差與N個運動模型中其它各運動模型進行混合：先計算在 該運動模型η下，運動模型η'在t時刻的狀態(tài)誤差初值，即：將運動模型η'的t-Ι時刻狀 態(tài)向量與運動模型η在t時刻狀態(tài)向量之間的誤差方差加上運動模型η'在t-Ι時刻狀態(tài) 誤差而得到的和值；其中，η' = 1，2, ...N;分別將運動模型η與所述N個運動模型之間的 條件概率作為加權(quán)因子，對得到的運動模型η下各個運動模型對應(yīng)的狀態(tài)誤差初值進行加 權(quán)求和，則得到第η個運動模型混合后的t-Ι時刻狀態(tài)誤差； 步驟3、基于步驟1中建立的所述函數(shù)關(guān)系，采用M個觀測系統(tǒng)的觀測信息分別對第η 個運動模型對應(yīng)的混合后的t-Ι時刻狀態(tài)向量和狀態(tài)誤差進行濾波，獲得t時刻第η個模 型在各觀測系統(tǒng)下的狀態(tài)向量和狀態(tài)誤差，以及獲得第η個運動模型下各觀測系統(tǒng)對應(yīng)的 新息和新息方差； 步驟4、針對步驟3獲得的第η個運動模型對應(yīng)的所有觀測系統(tǒng)的新息和新息方差，通 過貝葉斯全概率公式，計算第η個模型下各觀測系統(tǒng)的概率；以各觀測系統(tǒng)概率為加權(quán)因 子，將步驟3獲得的第η個模型在各觀測系統(tǒng)下的狀態(tài)向量進行加權(quán)求和，獲得t時刻多系 統(tǒng)融合后運動模型η的狀態(tài)向量； 同理，以觀測系統(tǒng)概率為加權(quán)因子，對步驟3獲得的第η個模型在各觀測系統(tǒng)下的狀態(tài) 誤差進行加權(quán)求和，獲得t時刻多系統(tǒng)融合后運動模型η的狀態(tài)誤差； 步驟5、將各個運動模型的后驗概率作為加權(quán)因子，將步驟4獲得的多系統(tǒng)融合后各運 動模型的狀態(tài)向量進行加權(quán)求和，得到t時刻多系統(tǒng)多模型融合后的狀態(tài)向量； 將各個運動模型的后驗概率作為加權(quán)因子，將步驟4獲得的多系統(tǒng)融合后各運動模型 的狀態(tài)誤差進行加權(quán)求和，得到t時刻多系統(tǒng)多模型融合后的狀態(tài)誤差； 所述t時刻多系統(tǒng)多模型融合后的狀態(tài)向量和狀態(tài)誤差之和即為當(dāng)前t時刻的定位信 息。
【專利摘要】本發(fā)明公開了一種多系統(tǒng)多模型混合交互式信息融合定位方法，針對導(dǎo)航定位過程中單一觀測系統(tǒng)定位范圍有限，單一運動模型描述運動狀態(tài)不準(zhǔn)確的問題，提出了從運動模型、觀測系統(tǒng)兩個維度，采用多模型多系統(tǒng)對目標(biāo)進行跟蹤定位的方法；該方法將多模型和多系統(tǒng)的定位結(jié)果按照模型概率、系統(tǒng)概率進行加權(quán)融合，很好的發(fā)揮了多系統(tǒng)共同定位和多模型并行建模定位的性能優(yōu)勢。
【IPC分類】G01C21-20
【公開號】CN104833357
【申請?zhí)枴緾N201510181319
【發(fā)明人】張曉光, 魏東巖, 來奇峰, 公續(xù)平, 李祥紅, 李雯
【申請人】中國科學(xué)院光電研究院
【公開日】2015年8月12日
【申請日】2015年4月16日