一种基于CKF的非线性异步多传感器信息融合方法

摘要

本发明公开了一种基于CKF的非线性异步多传感器信息融合方法。分别对各个传感器分别利用CKF估计出各自的状态变量，然后采用细分时间片方法将信息融合中心的时间间隔设定为各传感器间最高精度时间单位，在相应时刻对异步多传感器的估计结果进行判断和融合，得到更加精确的状态变量估计结果。本发明可以增强对异步多传感器信息的利用率，大幅提高多传感器系统中状态变量的估计精度，增强系统的生存能力。

主权项

1.一种基于CKF的非线性异步多传感器信息融合新方法，其特征是：(1)对多传感器系统进行预热，并采集各个传感器的量测信息；(2)建立非线性异步多传感器系统的非线性状态方程和量测方程；(3)采用细分时间片方法，将融合中心的采样间隔设定为各传感器间最高精度时间单位，即取能同时被各传感器采样间隔整除的最大数为融合中心的采样间隔；设任意两传感器的采样时间分别为T_i，T_j(i，j＝1，2，…，N，且i≠j)，N为传感器的总个数；且有：则融合中心的采样间隔为：$\mathrm{\Delta T}=\min \{{\mathrm{\Delta T}}_i=\frac{T_i}{N_i}|i=\mathrm{1,2},···,N\}$(4)根据异步多传感器系统融合中心的采样时刻，在融合中心对各传感器的估计状态进行判断融合：a)k时刻，仅有一个传感器S有量测信息时，利用CKF对该传感器进行状态估计，得到该传感器的状态变量估计值和协方差阵P_S(k)，则系统的最优状态估计即为该传感器的状态变量估计值：$\hat{x}\left(k\right)={\hat{x}}_S\left(k\right)---\left(1\right)$b)k时刻，有m(m∈{2，3，…，N}，其中N为传感器的个数)个传感器S₁，S₂，…，S_m有量测信息时，利用CKF对这些传感器分别进行滤波估计，得到各传感器的状态变量估计值和协方差阵P₁(k)，P₂(k)，…，P_m(k)；然后对各个传感器的估计值进行加权处理，融合后系统的状态变量估计值为：$\hat{x}\left(k\right)=D_1{\hat{x}}_1\left(k\right)+D_2{\hat{x}}_2\left(k\right)+···+D_m{\hat{x}}_m\left(k\right)---\left(2\right)$其中，D₁，D₂，…，D_m为相应传感器状态变量估计的权值。D₁，D₂，…，D_m可由式(3)～(5)获得：$\left\{\begin{array}{c}{D}_1=S_1\Phi (k+1,k)\\ D_2=S_2\Phi (k+1,k)\\ .\\ .\\ .\\ D_m=S_m\Phi (k+1,k)\end{array}\right.---\left(3\right)$$\left\{\begin{array}{c}{S}_1={(I+\underset{i=2}{\overset{m-1}{\Sigma }}\left(A_1{A}_i^{-1}\right)+A_1{A}_m^{-1})}^{-1}\\ S_2=S_1{A}_1{A}_2^{-1}\\ .\\ .\\ .\\ S_m=S_1{A}_1{A}_m^{-1}\end{array}\right.---\left(4\right)$$\left\{\begin{array}{c}{A}_1=P_1\left(k\right)+P_1^T\left(k\right)\\ A_2=P_2\left(k\right)+P_2^T\left(k\right)\\ .\\ .\\ .\\ A_m=P_m\left(k\right)+P_m^T\left(k\right)\end{array}\right.---\left(5\right)$其中，Φ(k+1，k)为异步多传感器系统中k时刻的状态转移矩阵，P_m(k)为异步多传感器系统中第m个传感器在k时刻的方差阵的估计值；c)k时刻，各传感器均没有量测信息时，便利用前一时刻的估计值进行时间更新；$\hat{x}\left(k\right)=\hat{x}\left(k\right|k-1)---\left(6\right).$