多传感器协同跟踪下远期调度
发布时间：2021-09-24 22:56
随着探测传感器资源日益多样化,将多传感器量测有效融合,可以获得更好的探测跟踪性能。为了保持目标的连续可观测性,优化调度传感器资源对目标进行探测尤其重要。随着传感器从地基平台拓展到空中平台,移动传感器的调度问题越来越受到重视。目标跟踪下移动传感器调度问题可以通过对移动传感器平台运动的有效控制,使传感器时刻保持对目标良好的观测性,从而获得更好的量测数据以提高目标的跟踪性能,其本质是非线性优化决策问题。本文研究多传感器协同跟踪下传感器远期调度,借鉴预测控制中滚动时域优化的思想提出了基于单步决策的远期调度和基于多步决策的远期调度,文主要工作如下:1.研究了多测角传感器协同跟踪下传感器远期调度策略。首先基于目标状态的多步预测估计了局部调度决策对目标跟踪误差长期影响,建立了基于单步决策的测角传感器远期调度模型。然后考虑目标运动过程和传感器量测的不确定性,建立了基于多步决策的测角传感器远期调度模型。采用滚动时域优化方法求解获得多测角传感器的运动轨迹。最后,仿真测试比较了不同调度决策下目标跟踪性能、分析了不同预测步长和决策步长参数下目标跟踪性能和避障能力。2.研究了机载双基外辐射源协同跟踪下传感器远期...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
二维转弯模型原理图
杭州电子科技大学硕士学位论文11,22jijijiijtrtrtrtrijrtrjiijtrtrrxxxxyyyydxxyy(2.15)其中，yx),(为目标的速度，),(ttyx为发射站的速度，),(rryx为接收站的速度。目标运动方程和传感器量测方程的离散时间系统可以通过图2.2来表示：图2.2目标运动方程和观测方程离散时间系统2.2.3典型非线性滤波跟踪算法目标跟踪中滤波主要是用来估计不同时刻目标的运动状态，卡尔曼滤波是在在线性高斯情况下通过最小均方误差准则来获得目标的状态估计。但在实际系统中，许多情景下的目标状态方程和雷达观测方程是非线性的。因此需要采用非线性滤波算法对目标状态进行估计。以下介绍两种最常用的非线性滤波算法，扩展卡尔曼滤波[57]（ExtendedKalmanFilter,EKF）以及无迹卡尔曼滤波[57]（UnscentedKalmanFilter,UKF）。（1）扩展卡尔曼滤波标准卡尔曼滤波是对具有高斯噪声的线性系统的最优估计，但由于雷达观测方程一般是非线性的，所以卡尔曼滤波并不能满足实际需求。EKF算法的基本思想是通过对非线性函数进行一阶泰勒展开，将非线性问题转换为线性问题，然后通过线性估计的各种方法得到原非线性问题的次优滤波算法。如果真实系统模型近似线性，且滤波器的采样时间间隔比较小，EKF能表现出良好的滤波性能。假设目标运动模型和观测模型表达式分别如下()((1))(1)()(())()kfkwkkhkvkXXZX(2.16)其中，f()是目标状态转移函数，h()是目标量测函数，w(k)和v(k)分别是目运动时的过程噪声和量测噪声，其相互独立，协方差分别为Q(k)和R(k)。可以得到目标状态预测X(k1|k)f(X(k|k))(2.17)目标协方差预测)())|(()|())|(()|1(kkkkkkkkkTQXFPXFP(2.18)其中，F(X(k|k))为))|((Xkkf在)|(Xkk处的一阶泰勒展开
杭州电子科技大学硕士学位论文14对传感器运行参数和工作方式协同控制以使系统性能最优，通过各传感器之间的协同控制完成监视区域内的目标跟踪任务。目标跟踪中基于信息反馈的多传感器调度框架如图2.3所示：图2.3多传感器协同调度框架对于每一个自主可控的传感器，控制它的运行参数来对传感器进行有效的调度会响到目标跟踪的性能，而控制它运动轨迹的主要目的是依据某种评价准则，通过对传感器运行参数的控制以使多目标跟踪系统整体跟踪性能达到最优。协同跟踪是面向目标跟踪的传感器调度方法，多传感器协同跟踪建立在各传感器独立运动和感知融合基础之上，在系统的跟踪反馈信息上进行资源动态优化。通常情况下，传感器调度对象包括改变传感器平台的位置、方向、内部参数或工作方式等，最终使得传感器系统性能（例如多目标跟踪性能）达到最优。目标跟踪中多传感器调度的优化模型如图2.4所示。图2.4多传感器资源优化控制模型如图所示，在协同跟踪中，我们首先必须设计出有效的跟踪性能度量指标来指导传感器合理有效的运行。传感器调度可以看作是协同跟踪的一个优化过程，根据目标特性和周围环境实时、动态的控制传感器的工作方式和运行参数，其实质就是一个带约束的非线性优化问题，其数学模型可以抽象描述为
本文编号：3408592
【文章来源】：杭州电子科技大学浙江省
【文章页数】：85 页
【学位级别】：硕士
【部分图文】：
二维转弯模型原理图
杭州电子科技大学硕士学位论文11,22jijijiijtrtrtrtrijrtrjiijtrtrrxxxxyyyydxxyy(2.15)其中，yx),(为目标的速度，),(ttyx为发射站的速度，),(rryx为接收站的速度。目标运动方程和传感器量测方程的离散时间系统可以通过图2.2来表示：图2.2目标运动方程和观测方程离散时间系统2.2.3典型非线性滤波跟踪算法目标跟踪中滤波主要是用来估计不同时刻目标的运动状态，卡尔曼滤波是在在线性高斯情况下通过最小均方误差准则来获得目标的状态估计。但在实际系统中，许多情景下的目标状态方程和雷达观测方程是非线性的。因此需要采用非线性滤波算法对目标状态进行估计。以下介绍两种最常用的非线性滤波算法，扩展卡尔曼滤波[57]（ExtendedKalmanFilter,EKF）以及无迹卡尔曼滤波[57]（UnscentedKalmanFilter,UKF）。（1）扩展卡尔曼滤波标准卡尔曼滤波是对具有高斯噪声的线性系统的最优估计，但由于雷达观测方程一般是非线性的，所以卡尔曼滤波并不能满足实际需求。EKF算法的基本思想是通过对非线性函数进行一阶泰勒展开，将非线性问题转换为线性问题，然后通过线性估计的各种方法得到原非线性问题的次优滤波算法。如果真实系统模型近似线性，且滤波器的采样时间间隔比较小，EKF能表现出良好的滤波性能。假设目标运动模型和观测模型表达式分别如下()((1))(1)()(())()kfkwkkhkvkXXZX(2.16)其中，f()是目标状态转移函数，h()是目标量测函数，w(k)和v(k)分别是目运动时的过程噪声和量测噪声，其相互独立，协方差分别为Q(k)和R(k)。可以得到目标状态预测X(k1|k)f(X(k|k))(2.17)目标协方差预测)())|(()|())|(()|1(kkkkkkkkkTQXFPXFP(2.18)其中，F(X(k|k))为))|((Xkkf在)|(Xkk处的一阶泰勒展开
杭州电子科技大学硕士学位论文14对传感器运行参数和工作方式协同控制以使系统性能最优，通过各传感器之间的协同控制完成监视区域内的目标跟踪任务。目标跟踪中基于信息反馈的多传感器调度框架如图2.3所示：图2.3多传感器协同调度框架对于每一个自主可控的传感器，控制它的运行参数来对传感器进行有效的调度会响到目标跟踪的性能，而控制它运动轨迹的主要目的是依据某种评价准则，通过对传感器运行参数的控制以使多目标跟踪系统整体跟踪性能达到最优。协同跟踪是面向目标跟踪的传感器调度方法，多传感器协同跟踪建立在各传感器独立运动和感知融合基础之上，在系统的跟踪反馈信息上进行资源动态优化。通常情况下，传感器调度对象包括改变传感器平台的位置、方向、内部参数或工作方式等，最终使得传感器系统性能（例如多目标跟踪性能）达到最优。目标跟踪中多传感器调度的优化模型如图2.4所示。图2.4多传感器资源优化控制模型如图所示，在协同跟踪中，我们首先必须设计出有效的跟踪性能度量指标来指导传感器合理有效的运行。传感器调度可以看作是协同跟踪的一个优化过程，根据目标特性和周围环境实时、动态的控制传感器的工作方式和运行参数，其实质就是一个带约束的非线性优化问题，其数学模型可以抽象描述为
本文编号：3408592
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3408592.html
