CN115342814B 一种基于多传感器数据融合的无人船定位方法 （江苏科技大学）

KR20120089977A,2012.08.16KR20130024077A,2013.0WO2020237693A1,2020.12一种基于多传感器数据融合的无人船定位本发明公开了一种基于多传感器数据融合信距离检验来对无人船多传感器的定位数据进法对无人船多传感器的定位数据进行融合滤波输出处理，获得精确的无人船航行轨迹定位信2(1)对无人船多传感器定位系统所采集的无人船定位数据进行预处理，其具体内容和(A)根据定位系统传感器所采集的无人船航行轨迹经纬度信息，对其进行时空基准统人船上盲节点处于4个发射信号强度和位置坐标已知的信号接收节点网络内，以此计算采(3)依据对多传感器数据进行一致性检验，来对定位系统所采集的不一致故障数据进(5)通过构造高斯混合模型，并设置自适应门限及与置信因子相关联的分层采样比例步骤(2)所述根据多传感器所采集数据进行置信度判定和置信因子赋值的具体内容和方法i分别按下式计算：i为第i个传感器的测量值，μ为测量特征的真值，θi为第i个传感器信息测量精i为第i个传感器信息测量误差；2)依据高斯概率模型将步骤1)所得di，改写为传感器测量数据间概率意义上的度量pr4)构建k时刻多传感器所采集测量信息的动态支持度因子βi(k)与高斯概率测量模型pi36)设系统测量误差wi的方差为同,利用来对测量数据赋予相应的置信因子s,i所述置步骤(3)所述依据对多传感器数据进行一致性检验，来对定位系统所采集的不一致故障数(III)设定系统要求误差，当传感器测量数据算术平均值与定位系统后续采样值差值感器定位系统在同一空间的不同位置对无人船航行轨迹进行测量时，第i个传感器系统的(V)依据无人船多传感器定位系统对无人船进行m次测量所记录的数据集，记第i个传4(i)建立无人船多传感器定位系统的基本粒子滤波模型，将经一致性检验及方差加权(ii)粒子集合样本初始化，从先验密度p(x0)中随机采样生成初始化粒子集，(vii)状态输出，得到无人船多传感器定位系统所采集的测量信息经滤波后的局部估(a)提取经基本粒子滤波算法处理后的多传感器数据集，并计算Sigma点集所述5(c)利用步骤(b)所获得的多传感器定位系统状态和协方差构造更接近目标概率函数的建议分布N(F,),并从所构造的建议分布中采样；ki(e)将由步骤(c)所采样的离散采样点及其所对应权重t,oi,融入步骤(d)高斯混合分量组件单元中，并利用构造好的连续后验概率密度函数p(xk|z1:k)对离散粒子进行重采x为粒子分布维数；(f)采用聚类分析来对步骤(e)连续后验概率密度函数p(xk|z1:k)中高斯混合相似单元6步骤(5)所述置信因子相关联与分层采样比例容量，进而对无人船航行轨迹定位数据进行bc；bc层中权值小于均值的粒子进行权值优化组合，获得优化后粒子权值y",7(u)安置在河道边的PC端协调器节点通过与无人船盲节点进行组网，来实时获取步骤8[0001]本发明属于定位航行技术领域，涉及一种基于多传感器信息采集的融合处理技9于无人船上盲节点处于4个发射信号强度和位置坐标已知的信号接收节点网络内，以此计[0022]1)依据无人船定位系统测量数据的测量模型pi(x)，计算传感器i的计算公式如下：量方差均值相对应，其用来表示所采集的无人船多传感器定位系统的测量数据落入区间[0031]进一步，步骤2所述数据置信度判定赋值中所述数据置信因子赋值的具体内容和[0032](A)构建k时刻多传感器所采集测量信息的动态支持度因子βi(k)与高斯概率测量[0038](C)设系统测量误差wi的方差为利用来对测量信息赋予相应的置信因子所述置信因子si的计算公式如下：[0041]依据计算所得无人船多传感器测量数据的可信度大小，[0042]进一步，步骤3所述数据故障检验补偿，包括依据对多传感器数据进行一致性检[0046](2)利用步骤(1)所求的传感器测量数据算术平均值与定位系统后续采样值xh作[0047](3)设定系统要求误差，若传感器测量数据算术平均值与定位系统后续采样值差[0048]进一步，步骤3所述数据故障检验补偿中所述不一致故障数据进行加权补偿处理人船多传感器定位系统在同一空间的不同位置对无人船航行轨迹进行测量时，第i个传感器系统的信息测量方差0"。所述0"的计算公式如下：[0050]of"=D(x,-F)[0054](III)根据步骤(II))所计算的无人船多传感器定位系统所采集的位置信息数据满足基本粒子滤波处理要求的传感器测量数据[0059](i)建立无人船多传感器定位系统的基本粒子滤波模型，将经一致性检验及方差[0062](ii)粒子集合样本初始化，从先验密度p(x0)中随机采样生成初始化粒子集，eff的计算公式如下：[0070](vii)状态输出，得到无人船多传感器定位系统所采集的测量信息经滤波后的局[0075](a)提取经基本粒子滤波算法处理后的多传感器数据集，并计算Sigma点集[0082](c)利用步骤(b)所获得的无人船多传感器定位系统状态接近目标概率函数的建议分布并从所构造的建议[0086](e)将由步骤(c)所采样的离散采样点及其所对应权重融入步骤(d)高斯混合分量组件单元中，并利用构造好的连续后验概率密度函数p(xk|z1:k)对离散粒子进行[0093](f)采用聚类分析来对步骤(e)连续后验概率密度函数p(xk|z1:k)中高斯混合相似[0096]a)选取重要性采样过程后，离散粒子样本集中权值最大的粒子Xc作为聚类中心，c。[0125](1)本发明利用无人船多传感器所采集的定位数据进行信息互补，有效克服了因[0126](2)本发明通过对多传感器定位系统所采集的无人船位置信息进行一致性检验，[0127](3)依据基本粒子滤波所采用的蒙特卡罗方法来求解贝叶斯估计中的积分运算，[0128](4)本发明在数据融合算法的重要性采样过程中将当前量测信息融入粒子集合建[0129](5)本发明对所构造的加权点集连续概率密度函数的采样样本进行分层，并设置lb[0143]为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例的附[0151]如图2所示，所述对无人船多传感器定位系统所采集的无人船定位数据进行预处[0152](A)根据定位系统传感器所采集的无人船航行轨迹经纬度信息，对其进行时空基于无人船上盲节点处于4个发射信号强度和位置坐标已知的信号接收节点网络内，以此计[0156]如图3所示，所述根据多传感器所采集数据进行置信度判定并进行置信因子赋值i计算如下：[0166]4)构建k时刻多传感器所采集测量信息的动态支持度因子βi(k)与高斯概率测量wi计算如下：[0172]6)设系统测量误差wi的方差为同,利用来对测量信息赋予相应的置信因子s,s所述置信因子si计算如下：方差均值相对应，其用来表示所采集的无人船多传感器定位系统的测量数据落入区间[0180](II)利用步骤(I)所求的传感器测量数据算术平均值与定位系统后续采样值xh作[0181](III)设定系统要求误差，若传感器测量数据算术平均值与定位系统后续采样值多传感器定位系统在同一空间的不同位置对无人船航行轨迹进行测量时，第i个传感器系统的信息测量方差o,":所述0"计算如[0183]of"=D(x;-)[0184](V)依据无人船多传感器定位系统对无人船进行m次测量所记录的数据集，记第i量所获得的数据集信息方差":所述计算如下：[0187](VI)根据步骤(V)所计算的多传感器所采集的位置信息数据集方差，来定义步骤[0193](i)建立无人船多传感器定位系统的基本粒子滤波模型，将经一致性检验及方差[0196](ii)粒子集合样本初始化，从先验密度p(x0)中随机采样生成初始化粒子集，[0204](vii)状态输出，得到无人船多传感器定位系统所采集的测量信息经滤波后的局部估计及协方差阵R。所述计算如下：[0209](a)提取经基本粒子滤波算法处理后的多传感器数据集，并计算Sigma点集[0216](c)利用步骤(b)所获得的多传感器定位系统状态标概率函数的建议分布N(F,P:),并从所构造的建议分布中采样；[0220](e)将由步骤(c)所采样的离散采样点及其所对应权重融入步骤(d)高斯混合分量组件单元中，并利用构造好的连续后验概率密度函数p(xk|z1:k)对离散粒子进行[0227](f)采用聚类分析来对步骤(e)连续后验概率密度函数p(xk|z1:k)中高斯混合相似[0228]在新的门限分层粒子滤波算法的重要性采样过程中将当前量测信息融入粒子集件单元所构成的加权点集混合高斯分布逼近后验概率密度函数，并且函数峰值分布集中，[0230]a)选取重要性采样过程后，离散粒子样本集中权值最大的粒子Xc作为聚类中心，[0243]g)依据聚类后的组件单元，代入所构造的粒子c。[0253]m)将步骤(l)所获得的数据融合采样结果，以日志文件的形式从无人船所搭载的卡尔曼滤波(ExtendedKalmanFilter,EKF)[1]、无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)[2]、无迹粒子滤波(UnscentedParticleFilter,UPF)[3]和基本粒子滤波BPF[0260][1]贺军义,李男男,安葳鹏.改进的扩展卡尔曼滤波算法研究[J].测控技术,2018,37(12):102_106.[0261][2]李兴佳,李建芬,朱敏,等.基于无迹卡尔曼滤波的定位融合与校验算法研究[0262][3]武斌,田清.改进无迹粒子滤波的室内移动目标定位算法[J].传感器与微系170_174.一些地方严重偏离了无人船所航行的真实路径，且在路径转弯处定位结果易发生较大跳精度，这主要由于本发明首先通过一致性检验对无人船多传感器测量数据进行故障检验，合算法平均定位误差下降了47充分保