异类传感器时间配准技术研究_师嘉辰.pdf

2023.4电脑编程技巧与维护图1信息融合的处理过程1概述多传感器信息融合的功能和原理是将接收的多个传感器的信息进行融合处理，通过多源信息获得对目标全面、精确的描述1。在多传感器信息融合系统中，异类传感器之间由于异步采样及数据传输延迟等，传感器信息之间存在时间不匹配的问题。由于多传感器信息融合系统的任务要求和性能指标不同，各传感器自身的特性存在差异，并且异类传感器之间的起始采样时间和采样频率也不一样，导致信息融合系统无法获得某一具体时刻所有传感器的信息。时间配准即把异类传感器不同步的测量信息同步到某一时刻，是信息融合前的数据预处理步骤之一。信息融合的处理过程如图1所示2。只有经过时间配准后的采样数据，才能更好地实现多传感器信息融合。2研究现状Blair等3提出使用最小二乘法实现时间配准的方法，将传感器釆集的量测值的有效信息全部利用起来。通过最小二乘准则，使得量测值与估计值的差值平方和达到最小值，产生最佳拟合效果，并用最优估计值替换原有的测量值，对集合在同一周期内的多个可信度更高的信息估计值进行配准，以解决时间不匹配的问题，提高多传感器信息融合系统的精确度，改善融合效果。王宝树等4提出内插外推的时间配准方法，使用插值的方式构造逼近函数，将采样频率高的传感器数据向采样频率低的传感器数据拟合，实现时间配准，其相比于最小二乘法拟合精度更高。该算法第一步要选择配准区间段，根据目标运动模型进行时间切片；第二步把多传感器传送到时间配准处理环节的测量数据按从低到高的次序进行排列，利用插值法获得一个合适的逼近函数，计算配准时刻的估计值。最小二乘法和内插外推法作为时间配准问题的经典算法，都是通过已有的传感器数据预测非采样时刻的数据5。梁凯等6提出通过使用曲线拟合的方法预测对准时刻的采样数据，提高了时间配准的精度。基于以上经典算法，在此将卡尔曼滤波引入时间配准，实现对数据的滤波和预测，并将插值法与卡尔曼滤波相结合，提出一种改进的时间配准算法。3卡尔曼滤波的引入在多传感器信息融合系统中，时间配准的精度不高的原因有很多，一方面是时间配准算法自身存在的不足；另一方面是传送到时间配准单元的多传感器数据存在较大的测量误差或噪声干扰。因此为了有效提高时间配准精度，需要在时间配准处理环节的最前端加一个数据滤波的步骤，使数据本身的误差降到最低，为使用时间配准的算法打下坚实基础。卡尔曼滤波的引入不仅能去除系统噪声、降低观测误差，还能精准地预测、修正效果7。对多传感器的测量信息进行滤波处理，去除其噪声影响。滤波周期就是传感器的采样周期。判断时需要改变滤波周期，判断依据为下一采样周期内是否有需要配准的时刻。如果有，则把卡尔曼滤波的滤波周期改为该异类传感器时间配准技术研究师嘉辰，索晓杰，马诗洋（中国航空工业集团公司西安航空计算技术研究所，西安710000）摘要：在多传感器信息融合系统中，异类传感器之间由于异步采样及传输延迟，数据之间存在时间不匹配的问题。时间配准是把关于同一个目标的各传感器的不同步测量信息同步到某一时刻，是信息融合前的数据预处理步骤之一。如果不经过时间配准这一步骤，那么信息融合会产生较大误差，甚至无法有效进行，因此，时间配准是多传感器信息融合中不可或缺的部分。针对异步采样这一时间配准的问题来源，通过 Matlab 验证了最小二乘法和内插外推法两种经典算法的有效性，并将卡尔曼（Kalman）滤波引入时间配准，将插值法与卡尔曼滤波相结合，提出了一种改进的时间配准算法，提高了信息融合的精度。关键词：多传感器信息融合；时间配准；卡尔曼滤波传感器1传感器2传感器N时间配准空间配准数据关联融合决策响应决策先验模型22DOI:10.16184/prg.2023.04.0282023.4电脑编程技巧与维护图2内插外推法时间配准效果时刻与最后状态估计值所对应时刻之间的时间差；如果没有，则继续以采样周期作为滤波周期对采样数据进行滤波，最后把数据传到融合中心8。以两类传感器为例，说明基于卡尔曼滤波的时间配准算法。设有两类传感器分别为A和B，对目标距离进行观测，如果目标仅在一维做匀加速运动，那么速度和加速度受到噪声干扰。把速度和加速度受到的扰动作为卡尔曼滤波的误差。状态方程的状态变量如公式（1）所示：（1）状态方程如公式（2）所示：（2）其中，uvxn为速度扰动，uaxn为加速度扰动。假设其不相关，且设方差分别为vx2、ax2，那么驱动噪声，如公式（3）所示：（3）观测方程，如公式（4）所示：（4）其中，uxn为观测噪声，观测矩阵，如公式（5）所示：（5）设uxn的方差为x2，如公式（6）所示：C=x2（6）利用卡尔曼递推公式可以对采样数据进行滤波。4改进的时间配准算法内插外推法即两点插值法，其假设目标运动模型为匀速运动。但该模型设定过于简单，有时难以适应实际应用9。高次插值法计算更为复杂，增加了算法的复杂度。在实际解决问题过程中，运用较多的是三点插值法。该方法假设目标做匀加速直线运动，如公式（7）公式（9）所示：（7）（8）（9）三点插值法良好的拟合效果满足了工程应用的精度要求，并且它的计算也不复杂，但是根据实际应用可知，三点插值法受到噪声的影响比较大，可能使精度下降严重10，在此提出一种插值法与卡尔曼滤波相结合的时间配准算法，其过程如下。（1）对传感器传回的数据中需要配准的序列进行滤波预处理，根据经验、传感器性能及目标运动实际情况，对卡尔曼滤波增益结合误差矩阵赋初值。（2）与基于卡尔曼滤波的算法不同，该算法不需要在滤波过程中改变滤波周期，但每次需要配准，用滤波后的估计值数据代替本身量测值，作为三点插值公式的出入计算逼近函数，进而得到配准时刻的估计值，实现时间配准。5仿真实验与分析仿真1：内插外推法有效性验证。假设无人机搭载两个不同的位置传感器传感器1和传感器2，其中传感器1的周期为2s，开机时长为1s；传感器2的周期为5s，开机时长为3s。无人机初始位置（0，0），初速度1m/s，方向为正东，加速度为2m/s2，观察时间为40s。假设不存在观测误差和系统误差，采用内插外推法，由传感器1向传感器2配准内插外推法时间配准效果如图2所示。从图2可以看出，两个传感器由于开机时刻和采样周期不同，各自的20个量测值在时间序列上不同步。通过基于内插外推的时间配准算法，对采样频率较高的传感器1的量测值进行处理后，得到了在配准时刻即传感器2各采样时刻，传感器1的估计值，实现了时间配准。仿真2：最小二乘法法有效性验证。假设无人机搭载两个不同的位置传感器传感器1和传感器2，其中传感器1的周期为2s，开机时长为1s，传感器2的周X/m时间配准前40003500300025002000150010005000配准前传感器1的测量值传感器2的测量值仿真次数051015208007006005004003002001000X/m0246810仿真次数时间配准后配准后传感器1的测量值传感器2的测量值232023.4电脑编程技巧与维护时间配准前配准前传感器1的测量值传感器2的测量值仿真次数1400120010008006004002000X/m0246810仿真次数时间配准后配准后传感器1的测量值传感器2的测量值X/m600050004000300020001000005101520期为5s，开机时长为3s。无人机初始位置为（0，0），初速度为1m/s，方向正东，加速度为2m/s2，观察时间为40s。假设不存在观测误差和系统误差，采用最小二乘法，由传感器1向传感器2配准。最小二乘法时间配准效果如图3所示。从图3可以看出，由于两个传感器的开机时刻和采样周期都不同，各自的20个量测值在时间序列上不同步。基于最小二乘法的时间配准算法，将传感器2釆集的n个量测值中有效信息全部利用，通过最小二乘法，使量测值与估计值的差值平方和最小，达到最佳拟合效果，并用最优估计值替换原有的测量值，作为集合了同一周期内多个可信度更高的信息的估计值与传感器1进行配准。仿真3：插值法与卡尔曼滤波相结合的时间配准算法。假设无人机搭载两个不同的位置传感器传感器1和传感器2，其中传感器1的周期为2s，开机时长为1s，传感器2的周期为5s，开机时长为3s。无人机初始位置为（0，0），初速度为1m/s，方向为正东，加速度为2m/s2，观察时间为40s。分别使用内插外推法和改进的时间配准算法进行时间配准。改进的时间配准算法配准效果如图4所示。改进的时间配准算法的处理仍然按照传统思路，处理高频率传感器的采样值，使其对准低频率传感器的采样时刻，并将此时刻作为配准时刻输出。该算法分别采用内插外推法和改进的时间配准算法，向低频传感器对准，将计算配准后的数据与目标真实数据的协方差作为衡量配准的评价标准。从仿真结果可以看出，改进后的时间配准算法能很好地完成时间配准任务，比改进前的内插外推法在配准精度上有明显的提高，体现了算法的有效性和优越性。6结语研究了异类传感器时间配准技术，通过引入卡尔曼滤波，提出一种插值法与卡尔曼滤波相结合的改进的时间配准算法。首先，通过仿真实验，验证了内插外推法和最小二乘法这两种经典算法的有效性。其次，通过将内插外推法和改进后的算法进行对比，验证了改进后的时间配准算法提高了时间配准的精度。改进的时间配准算法既拥有卡尔曼滤波良好的滤波降噪效果，又拥有插值法计算简单、应用限制少的优点，在保证数据精度的前提下，简化了算法，提升了配准效果，在工程应用中有一定的参考性，是一种很好的改进思路。参考文献1Helmick R.E,Rice T.R.removal of alignment errors inanintegratedsystemoftwo3Dsensors J.IEEE Trans-actions on Aerospace and Electronics Systems.1993,29(4):1333-1343.2王伟,赵洪宇,史伟.基于非合作目标的误差配准算法J.电光与控制,2014,21(1):38-41.3Blair W D,Rice T R,ALOLLANI A T,et al.A syn-chronous data fusion for target tracking with a multi-tasking radar and option sensor C/Proceedings ofSPIE.The International Sociely for Optial Engineering.Washington:SPIE,1991,234-245.4王宝树,李芳社.基于数据融合技术的多目标跟踪算 法 研 究J.西 安 电 子 科 技 大 学 学 报,1998(3):269-272.5彭焱,徐毓,金宏斌.多传感器数据融合系统中时间配准算法分析J.雷达与对抗,2005(2):16-19.6梁凯,潘泉,宋国明,等.多传感器时间对准方法的研究J.陕西科技大学学报,2006(6):111-114.7黄小平.卡尔曼滤波原理及应用M.北京:电子工业出版社,2015.8李学永,周俊.实时时间配准仿真研究J.电子工程师,2007(11):1-4.9施立涛.多传感器信息融合中的时间配准技术研究D.长沙:国防科学技术大学,2010.10何玉晶,杨力.基于拉格朗日插值方法的GPS IGS精密星历插值分析J.测绘工程,2011,20(5):60-62.图3最小二乘法时间配准效果图图4改进的时间配准算法配准效果改进的时间配准算法内插外推法改进的时间配准算法配准均方误差21.81.61.41.210.80.60.40.2仿真次数0246810121416182024