基于学习策略的多速率多传感器融合定位方法

　　摘要：本文考虑了一类目标运动模型未知且多传感器异步采样情况下的移动目标定位跟踪问题，提出了一种仅依赖于测量信息的数据驱动目标跟踪定位方法。为了解决运动模型未知的问题，依据测量模型及量测范围设计分布式神经网络结构，进而基于神经网络建立量测数据至状态变量的映射关系。在此基础上，针对多速率多传感器数据的异步问题，引入了一种基于上一量测更新时刻的数据补偿策略，构建以时间差为输入特征的权值网络模型，进而提出一种利用迭代学习逼近真实目标位置的目标定位算法。最后，通过实验对所提出方法的优越性和有效性进行了验证。

　　关键词：目标跟踪;多传感器融合估计;神经网络;多速率采样;数据驱动

　　近年来，目标跟踪作为多传感器融合技术的重要应用，其不仅受到军事和航空航天领域的关注，如空空导弹跟踪、无源被动定位及机动目标跟踪等，而且在民用领域中也得到了很大的发展，如智能交通系统、应急定位和移动基站定位等。随着传感器技术与计算机能力的快速发展，目标跟踪技术可通过各类传感器采集运动目标的相关数据，进而设计算法对数据进行处理和优化，以此得到目标的实时位置。

　　传统的定位方法中，有基于时间的到达时间TOA和到达时间差TDOA方法，基于角度的到达角度AOA方法，以及基于信号的接收信号强度RSSI定位方法;此外，仍存在一些基于滤波估计的定位方法10。值得注意的是，传统的大多数跟踪算法都依赖于目标运动模型，精确的目标运动模型结合精确的传感器测量数据可以准确获得目标的位置。然而，对于未知的移动目标，其运动模型很难准确获得。特别是在航空军事领域中，针对未知机动目标的定位跟踪，难以通过运动模型实现精确定位，但这类应用却又需要基于定位结果完成上层决策任务，只有定位精确才能保证判断决策的准确性13。

　　因此，本文将研究一种仅依赖于传感器量测信息的目标跟踪定位方法。事实上，针对运动模型可靠性对估计精度影响情况的研究中，文献指出在运动模型不精确情况下，滤波算法的估计精度比直接根据量测数据得到的定位精度更差。这表明虽然通过引入精确的目标运动模型执行滤波算法可以提高估计精度，但若是不精确的模型反而会使估计精度下降。特别地，传统卡尔曼滤波算法及其优化改进算法通过迭代计算的方式进行状态估计，若目标的状态模型存在误差，那么误差将会随迭代过程不断传递并且难以消除，使得估计误差越来越大，从而进一步造成估计精度降低。

　　因此，目标运动模型的引入并不能一定保证估计精度的提高，而且实际中精确的数学模型很难准确获得，从而导致基于运动模型的算法在这种情况下并不可靠。为了克服这一缺陷，一些目标跟踪定位工作仅基于传感器测量数据设计跟踪算法。通常情况下，测量模型的建立较为简单，且模型具体形式主要取决于传感器的类型，因此模型中的参数也都能被准确地获取。

　　特别地，文献20在不依赖于状态模型的基础上，分别使用极大似然估计和将测量数据投影至状态空间的方式，由观测数据直接进行状态估计，同样能够达到较高的估计精度。文献则是将原有定位问题转化为非线性最小二乘优化问题，最后利用高斯牛顿优化的方式求解定位结果。此类算法虽然不依赖运动模型，但要求测量模型不能过于复杂，若涉及非线性模型便无法直接求解，仅能通过优化算法解决，而优化算法则会产生额外的计算复杂度，导致难以实际应用。另一方面，基于单传感器数据的跟踪定位精度已不能满足日益增长的实际需求，为了提高精度，利用多传感器信息融合技术可以获得更准确的估计结果。

　　但无论是同构或是异构传感器，在数据采集的过程中不可避免出现采样异步的情况，进而导致融合中心无法在同一时刻处理所有量测信息。为了解决这种多传感器多速率系统的状态估计问题，目前大多数研究方法主要分为两类，一是基于多尺度系统理论，使用小波分解以及重构的方式对仅有部分测量信息进行估计或补充，从而完成融合估计算法;另一类则是对传统滤波方法进行改进，如增强状态提升方法，通过状态增广的方式处理多速率系统估计问题，但是这种方法需要在接收到所有传感器采样周期最小公倍数的时间间隔内的量测信息再进行状态估计。此外，状态迭代方法通过建立观测采样时刻和状态更新时刻的状态空间模型，然后设计相应的状态估计器。虽然避免了时间上的等待，但仍需要基于多传感器多速率系统更复杂的状态空间模型。

　　与此同时，在实际中针对特定目标建立其运动模型需要耗费大量资源，并且难以保证模型的可靠性。因此，考虑到节约成本和传感器能量，本文将研究仅基于量测信息的多速率采样下的状态估计问题，从而实现基于量测数据的目标跟踪定位方法。根据前文分析，本文针对运动模型未知的目标跟踪问题，基于异步多速率量测信息，提出了一种基于学习策略的多速率融合定位方法。本文的主要创新点如下：

　　1)提出一种基于量测信息的目标跟踪定位方法，利用神经网络学习量测数据至目标位置状态的映射关系，从而能够直接依据量测信息实现精准定位;2)针对多传感器异步采样问题，设计了一种量测信息补偿策略，在传感器量测缺失时刻将前次量测更新时的数据作为补偿，并依据数据源时刻距缺失时刻的时间差大小评判补偿数据可靠性，将时间差一同作为神经网络的输入，从而实现基于多速率测量数据的移动目标位置状态估计;搭建目标跟踪定位平台，通过实验对所提方法进行验证，结果表明基于所提出的方法能够较好地对移动目标进行实时跟踪定位。

　　1问题描述

　　在研究目标跟踪定位问题时，传统方法常考虑使用如下状态空间模型来描述目标的运动轨迹，多由系统本身特性所产生。注意到，实际的运动模型中大多存在非线性因素，而精确的模型参数难以获得，使得依赖状态空间模型的跟踪定位算法效果变差甚至失效。因此，除了目标本身的先验信息外，还需要通过传感器采集目标运动过程中的相关数据，如通过雷达、红外传感器和图像传感器等获取目标方位角、距离或速度信息。假设在起始时刻三个传感器均可采集数据，可以看出经过一个采样间隔后，只有基准传感器能够采集数据;再经过一个基准采样间隔，在时刻传感器一和二可得到测量数据。

　　这种情况下，测量数据的不完整可能导致较大的跟踪误差，若已知目标的运动模型，则可根据模型求解未知测量数据的预测值，然后将测量数据补充完整。但在未知运动模型的条件下，无法依赖于模型完成对测量数据的补充，获取目标运动信息的唯一来源便是残缺的测量数据，从而使得跟踪算法设计难度变得更大。为了解决跟踪算法对目标运动模型的依赖，本文致力于研究如何根据量测信息获取移动目标的位置状态估计;同时，针对采样频率不一致导致的测量数据缺失问题，基于学习策略挖掘多速率测量数据中的有效信息，实现对未知目标的跟踪和定位。

　　注1：传统目标跟踪算法主要依赖于状态模型，先根据状态模型对状态进行预测得到预测状态，之后再根据下一时刻的量测数据对预测值进行修正，从而得到更接近实际状态的结果。然而，未知移动目标的精确状态模型需要花费大量的资源去获取。同时，针对非合作目标，目标运动模型更是一无所知，从而导致跟踪难度骤升甚至无法跟踪。与状态模型不同，测量模型的获取难度较小，且模型中的参数也可由传感器获取。因此本文拟基于量测信息研究移动目标的跟踪定位问题。

　　2主要结果

　　针对无运动模型的目标跟踪问题时，移动目标的相关信息可通过传感器获取，而若所用传感器种类可以确定，则测量模型的具体形式便同样可以确定。

　　3实验验证

　　为验证本文所提方法的可行性，本文在搭建的目标跟踪定位平台上设计了基于多传感器多速率量测数据的移动目标定位实现。本实验使用五台urtle机器人，其中四台机器人的激光雷达被作为外部传感器。与此同时，机器人搭载OS操作系统，可通过外部控制移动方向及速度大小。在移动过程中通过顶端高精度相机采集图像，利用计算机视觉方法得到机器人的实时移动位置，以此作为移动目标的实际参考位置。其次，通过仿真获取所需的训练数据，设置与各个传感器位置相对应的测量范围，主要是上下、左右四个边界条件。

　　结论本文针对一类运动模型未知且传感器采样频率不一致情况下的移动目标跟踪问题，研究出一种基于学习策略的融合定位算法，其创新性体现于：

　　1)提出一种基于学习策略求解“观测数据——状态变量”映射关系的方法，抛弃了传统滤波算法需要目标先验模型信息已知的假设，不再依赖于目标运动模型，而仅基于传感器量测模型。2)为了解决多传感器采样频率不一致的问题，考虑将时间差数据作为量测信息特征添加至神经网络模型的输入，并设计了对应的神经网络内部结构，用于处理基于多速率测量数据的目标定位问题。最后，搭建目标跟踪定位平台，通过实验验证了本文所提算法的有效性和优越性。

　　事实上，目标定位跟踪技术在航空航天领域发挥着重要作用，而本文所设计的算法可以为目标跟踪技术在航空航天领域的应用提供一定理论基础。例如，在航天器自主对接任务中，期间可以仅通过设备中多个传感器的量测数据完成对目标航天器的精确定位以及位姿估计;针对太空中残留的失效卫星和航天抛弃物等非合作目标的回收抓捕任务，虽然此类目标运动参数信息存在不确定性甚至未知，但仍可以利用本文算法进行目标定位跟踪。

　　[参考文献]

　　OSHMAY,ARAD.nhncairtomissiletrackingusingargetorientationobservations[J].JournalofGuidanceControlandDynamics,200,27:596606

　　[2]张蛟刑士勇王建华.一种具有角速度量测的多站无源目标跟踪方法[J].兵工学报,2019,40):0714

　　HANGJ,XINSY,WANGJPassiveargetrackngofbservationtationswithngularelocityeasurement[J].ActaArmamentarii,2019,:10714(inChinese]

　　卢春光周中良刘宏强等.带异步相关噪声的战斗机蛇形机动跟踪算法[J].航空学报,20,):253266UC,ZHOU,LIU,etalAlgorithmfor ghtezigzagneuvertargettrackingwithcorrelatednoisesatoneepochapart[J].ActaAeronauticaETAstronauticaSinca,20,:25266(inChinese]

　　但雨芳马庆禄.RFIDGPS和GIS技术集成在交通智能监管系统中的应用研究[J].计算机应用研究,2009,2612):462830ANYF,LogistitransportationsystembasedonintegrationofRFID,GPSandGIStechnologJ].pplicationResearchofCoputers,2009,2612:4628630(inChinese]

　　甄杰吴建新刘纪平等.一种单基站高精度室内应急定位方法[J].武汉大学学报信息科学版2020,45):1146115

　　ZHENJWUX,LIU,etalAighccuracyositioningethodforingleasetationinndoormergencynvironment[J].omaticsandInformationScienceofWuhanUniversity,2020,45:114154(inhinese

　　作者：陈博，岳凯，王如生，胡明南