自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统

1.本发明属于目标跟踪定位技术领域，具体涉及一种自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.在分布式多传感器目标追踪系统中进行传感器空间偏差估计和补偿是航迹融合前必不可少的步骤，需要对传感器的距离和方位角在测量中的缩放和偏移偏差等不确定性进行估计并对测量进行补偿，保证传感器在目标追踪中航迹的精度。
4.目前关于传感器空间偏差的研究方法，分为离线和在线方式两种。现有的离线方式有基于最小二乘(least square，ls)方法，将偏差补偿问题描述为一个最小二乘问题，估计传感器偏差。另有方法通过最大化观测数据的似然函数实现传感器偏差的估计的精确最大似然法(exact maximum likelihood，eml)。也另有方法提出了最大似然配准(maximum likelihood registration,mlr)方法解决多个异类传感器的偏差估计问题。但上述离线方法假设传感器的偏差是定值常数，未考虑偏差的时变问题，因此仅在传感器的空间偏差变化较小时偏差估计效果较好。考虑传感器偏差的时变或抖动性质，一些学者提出了采用滤波方法实现偏差的在线估计。现有技术提出了基于卡尔曼滤波(kalman filter,kf)对偏差进行估计，在传感器空间偏差及平台的姿态偏差不大的前提下，能较好的估计偏差。针对非线性场景，现有技术提出了两种分别基于扩展卡尔曼滤波(extended kalman filter,ekf)和无迹卡尔曼滤波(unscented kalman filter,ukf)的空时偏差估计方法，对多传感器观测向量进行扩维处理实现空时偏差和目标状态的同时估计,实现目标状态和空间偏差的联合估计。但该方法不适于分布式场景，同时随着传感器系统中传感器数量以及工作时间的增加，会造成计算复杂度的大幅度增加，造成空间偏差估计性能的降低。考虑到目标在区域内可能保持机动，现有技术提出根据目标运动状态进行测量方程的构造，以确保在目标采取机动运动的情况下也能准确估计偏差。但是该方法只能估计偏差，无法补偿偏差以实现机动目标状态的准确估计。
5.另外现有方法在空间偏差估计和补偿进行研究时，假定系统中的过程噪声和测量噪声均满足高斯白噪声条件，即不考虑其他噪声可能对系统造成的干扰，在实际场景中，可能会造成滤波发散，影响偏差估计的准确度，造成目标状态估计失准。


技术实现要素：

6.为了解决上述问题，本发明提出了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统，本发明考虑现有方法的局限性，提出基于平方根无迹卡尔曼滤波(square-root ukf，srukf)的滤波方式，进行自适应的空间偏差配准。针对非线性含有未知噪声干扰的系统进行讨论，考虑追踪过程中目标的机动性，实现传感器的偏差值的在线估计和补偿。
7.根据一些实施例，本发明的第一方案提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法，采用如下技术方案：
8.自适应平方根无迹卡尔曼滤波空间偏差配准方法，包括：
9.初始化待测目标传感器，构建传感器测量方程和目标状态方程；
10.自适应求取协方差矩阵的平方根，计算采样点和权值，自适应校准协方差矩阵；
11.利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；
12.根据系统当前时刻是否因噪声等干扰造成异常量测数据，自适应校准状态方程中的可调参数；
13.利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；
14.令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。
15.进一步地，所述初始化待测目标传感器，构建传感器量测方程和目标状态方程，具体为：
16.对分布式多传感器系统的各传感器进行量测的预处理；
17.考虑目标状态的非线性，构建目标状态方程和传感器量测方程。
18.进一步地，所述自适应求取协方差矩阵的平方根，计算采样点和权值，自适应校准协方差矩阵，具体为：
19.获取k-1时刻的协方差矩阵，矩阵运算计算协方差矩阵特征值；
20.判断协方差矩阵特征值的正负性，基于对角线因子调整协方差矩阵，使协方差矩阵的特征值保持非负，得到调整后的协方差矩阵，并进行cholesky分解；
21.自适应求取调整后的协方差矩阵的平方根，采用对称采样法生成采样点点集；
22.根据目标机动性与采样点之间的关联性，自适应更新采样点数量，并计算对应的权值。
23.进一步地，所述利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数，具体为：
24.基于k-1时刻状态均值，估计k时刻的状态；
25.基于k时刻的状态，更新估计k时刻的量测向量；
26.基于量测误差协方差矩阵的平方根以及目标状态和观测向量，确定k时刻的新息协方差矩阵、状态和观测之间的互协方差矩阵；
27.更新k时刻的滤波增益和状态估计。
28.进一步地，所述根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数，具体为：
29.利用矩阵迹运算求量测误差协方差矩阵与状态误差协方差矩阵的f-范数；
30.计算比例因子，利用比例因子更新协方差矩阵；
31.利用更新后的协方差矩阵进行下一时刻的滤波运算。
32.进一步地，更新后的协方差矩阵，具体为：
33.s
new,k
＝βk·sm,k|k-1
+(1-βk)
·sz,k|k-1
；
34.其中，β∈(0,1)是比例因子，状态误差协方差矩阵s
m,k|k-1
和量测误差协方差矩阵s
z,k|k-1
。
35.进一步地，所述利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪量测方程，对偏差值进行估计和补偿，具体为：
36.基于距离的聚类算法进行初始聚类，根据传感器与集群中心的接近程度进行传感器分组；
37.利用自适应平方根无迹卡尔曼滤波算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程；
38.基于偏差伪量测方程估计簇内偏差值；
39.将各簇内的偏差估计进行组合，得到全局偏差估计值；
40.基于全局偏差估计值对k时刻的量测值进行补偿配准。
41.根据一些实施例，本发明的第二方案提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准系统，采用如下技术方案：
42.自适应平方根无迹卡尔曼滤波空间偏差配准系统，包括：
43.初始化单元，被配置为初始化待测目标传感器，构建传感器量测方程和目标状态方程；
44.采样点数据计算单元，被配置为自适应求取协方差矩阵的平方根，计算采样点和权值；
45.一级滤波单元，被配置为利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；
46.修正单元，被配置为根据系统当前时刻是否因噪声等干扰造成异常量测数据，自适应校准状态方程中的可调参数；
47.二级滤波单元，被配置为利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；
48.迭代单元，被配置为令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。
49.根据一些实施例，本发明的第三方案提供了一种计算机可读存储介质。
50.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法中的步骤。
51.根据一些实施例，本发明的第四方案提供了一种计算机设备。
52.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法中的步骤。
53.与现有技术相比，本发明的有益效果为：
54.本发明基于自适应平方根无迹卡尔曼滤波算法进行传感器空间空间偏差的估计，考虑传感器实际应用场景中环境造成的数据的突变以及传感器在目标追踪时距离、方位角
等系统偏差的缓慢时变造成量测数据存在误差，通过自适应滤波方法进行目标状态及量测数据的估计，实现系统中异步传感器的偏差估计和补偿，减少由于未知干扰引起的量测数据突变情况，显著减少量测在距离和方向角估计中的误差。根据系统场景自适应的调整滤波参数，可以有效增加系统稳定性，减少因测量噪声和其他不确定性噪声对系统造成的影响，提高了导航和目标跟踪系统的准确性。
附图说明
55.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
56.图1是本发明实施例中自适应平方根无迹卡尔曼滤波空间偏差配准方法的流程图；
57.图2是本发明实施例中自适应平方根无迹卡尔曼滤波空间偏差配准方法的流程框图；
58.图3是本发明实施例中自适应平方根无迹卡尔曼滤波空间偏差配准系统的结构图。
具体实施方式
59.下面结合附图与实施例对本发明作进一步说明。
60.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
61.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
62.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
63.实施例一
64.如图1所示，本实施例提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和系统，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务cdn、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本技术在此不做限制。本实施例中，该方法包括以下步骤：
65.初始化待测目标传感器，构建传感器量测方程和目标状态方程；
66.自适应求取协方差矩阵的平方根，计算采样点和权值；
67.利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估
计k时刻的状态、量测与其他滤波中间参数；
68.根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数；
69.利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；
70.令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。
71.如图1和图2所示，分布式多传感器系统中，由于传感器在采样时间、传输速率等方面存在的差异，因此量测数据存在异步性，本发明基于平方根无迹卡尔曼滤波(srukf)滤波和序贯滤波算法进行设计，对传感器空间偏差进行估计和补偿，步骤如下：
72.步骤1：初始化待测目标，构建目标状态、量测方程；
73.步骤2：改进滤波算法，自适应求取协方差矩阵的平方根，计算sigma(采样)点和权值；
74.步骤3：利用自适应滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；
75.步骤4：自适应校准状态方程中的可调参数；
76.步骤5：利用滤波算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，更新偏差估计值，补偿有偏的量测信息；
77.步骤6：令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算。
78.分布式多传感器系统中，各传感器通过内部计算单元进行量测的预处理，传输局部量测进行后续偏差处理。
79.所述步骤1中，考虑目标状态的非线性，基于srukf滤波算法的目标状态方程和测量方程的标准形式分别为：
80.αk＝f(α
k-1
)+ω
k-1
81.zk＝h(αk)+νk82.其中，f(
·
)、h(
·
)分别表示系统状态转移函数、量测函数，过程噪声ω
k-1
、观测噪声νk均为高斯白噪声且相互独立，qk表示的目标状态方程中过程噪声的协方差矩阵，rk表示量测方程中的量测噪声的协方差矩阵，αk是当前时刻状态。
83.因目标追踪实际场景中，系统误差、外界干扰等会影响传感器量测值，因此为测量方程添加偏差项b
k-1
，测量方程改写为：
84.zk＝h(αk)+b
k-1
+νk。
85.所述步骤2中，srukf滤波算法在滤波过程中使用协方差矩阵的平方根计算sigma点，实现比标准ukf更高的数值精度。
86.因此进行平方根的计算时需要选择适当的分解算法，cholesky分解算法需要协方差矩阵保持非负定性，提出了自适应改进cholesky分解算法，动态调整协方差矩阵的对角线元素使矩阵非负定性。
87.自适应cholesky分解算法的步骤如下：
88.得到k-1时刻的协方差矩阵p
k-1
，矩阵运算计算矩阵特征值；
89.判断协方差矩阵特征值正负性，设置相应的对角线因子，添加相应的对角线因子到协方差矩阵的对角线元素中，使协方差矩阵的特征值保持非负，确保协方差矩阵正定性或半正定性，得到调整后的协方差矩阵p
′
k-1
；
90.对调整后的协方差矩阵p
′
k-1
进行cholesky分解，
91.s
k-1
＝chol(p'
k-1
)＝l
·
l
*
；
92.其中，chol表示cholesky分解，l和l
*
分别表示对角元素为正数的下三角矩阵及其共轭转置矩阵。
93.随后利用k-1时刻的协方差矩阵的平方根s
k-1
构造sigma点，采用对称采样方法生成sigma点集{xi}。sigma点数量根据状态量x内维度进行确定，若x＝n，则点集{xi}中包含2n+1个点。
94.考虑目标追踪场景中目标运动状态的多变性，提出根据目标机动性与采样点之间的关联性，自适应更新sigma数量，提升计算效率。sigma点的自适应更新遵循下面的规则，当系统的不确定性较低，即目标机动性较低，做匀速或近似匀速运动时，则可以利用较少的sigma点；而当系统不确定性较高，即目标机动性高，做变速或转弯运动时，则可以利用较多的sigma点数。sigma点自适应更新公式为：
[0095][0096]
其中，φ是一个调整因子，用于控制sigma点数的变化率，tr(
·
)表示矩阵的求迹运算，sk是k时刻(也就是当前时刻)的协方差矩阵的平方根。
[0097]
sigma点和权值表示为：
[0098][0099]
式中，α
i,k-1
表示k-1时刻的第i个采样点，对应的权值为wi，和s
k-1
分别表示k-1时刻状态的均值和协方差矩阵的平方根，λ为尺度参数，用于确定sigma点距离均值点的距离，n是在使用对称方法求sigma点时的表示。
[0100]
所述步骤3中，利用asrukf滤波算法，根据k-1时刻状态向量和误差协方差矩阵，计算k时刻的状态、量测与其他滤波中间值，具体步骤如下：
[0101]
基于k-1时刻状态均值，估计k时刻的状态，也就是说，更新k时刻的状态及其误差协方差矩阵的先验估计，计算公式为：
[0102]
α
i,k|k-1
＝f(α
i,k-1
,ω
k-1
)
[0103][0104]
[0105]
其中，为k时刻的预测状态，s
m,k|k-1
表示误差协方差矩阵先验估计的平方根，chol'(
·
)表示自适应cholesky分解算法，α
i,k|k-1
表示k时刻的第i个采样点的先验估计值，2n+1表示采样点集的个数，α
i,k-1
表示k-1时刻的第i个采样点的值。
[0106]
基于k时刻的状态，更新估计k时刻的量测向量；
[0107]
更新k时刻的量测向量计算公式为：
[0108]
ζ
i,k|k-1
＝h(α
i,k|k-1
)+ν
k-1
[0109][0110]
其中，h(
·
)是量测转移矩阵，ζ
i,k|k-1
是根据采样点得到的其对应的测量值。
[0111]
基于量测误差协方差矩阵的平方根以及目标状态和观测向量，确定k时刻的新息协方差矩阵、状态和观测之间的互协方差矩阵；
[0112]
计算k时刻的新息协方差矩阵、状态和观测之间的互协方差矩阵的公式为：
[0113][0114][0115]
其中，s
z,k|k-1
为量测误差协方差矩阵的平方根，s
m,z(k|k-1)
为目标状态和观测之间的互协方差矩阵的平方根，t表示矩阵的转置。
[0116]
更新k时刻的滤波增益和状态估计，具体为：
[0117]
更新k时刻的滤波增益，公式为：
[0118]
更新状态估计，公式为：
[0119]
所述步骤4中，传感器实际工作场景中未知噪声会对量测值造成干扰，设计了自适应校准方法，根据噪声水平进行噪声协方差矩阵的自适应调整，减轻噪声引起的异常量测数据对系统准确性的干扰。
[0120]
存在未知噪声干扰的情况下，利用状态误差协方差矩阵s
m,k|k-1
和量测误差方差矩阵s
z,k|k-1
进行协方差矩阵的自适应校准。
[0121]
首先利用矩阵迹运算tr(
·
)求量测误差协方差矩阵与状态误差协方差矩阵的f-范数，计算比例因子β∈(0,1)；
[0122]
随后按照s
new,k
＝βk·sm,k|k-1
+(1-βk)
·sz,k|k-1
更新协方差矩阵，利用更新后的协方差矩阵s
new,k
进行下一时刻的滤波运算。
[0123]
即步骤5中，asrukf滤波与序贯算法相结合进行多传感器偏差值的顺序滤波配准。在目标追踪系统中传感器数量会由于目标的不同会出现波动，提出将自适应聚类算法与偏差配准滤波算法进行结合，提高目标追踪的效率。
[0124]
传感器自适应聚类算法，即按照传感器与目标的接近程度对传感器进行聚类，确保每个簇中的传感器仍然靠近目标，并通过定期重新计算集群并根据目标的位置和速度调整集群相关阈值，动态调整集群的大小和形状，保证簇的有效性。
[0125]
所述步骤5，具体为：
[0126]
基于距离的聚类算法进行初始聚类，根据传感器与集群中心的接近程度进行传感器分组；
[0127]
利用自适应无迹卡尔曼滤波算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程；
[0128]
基于偏差伪量测方程估计簇内偏差值；
[0129]
将各簇内的偏差估计进行组合，得到全局偏差估计值；
[0130]
基于全局偏差估计值对k时刻的量测值进行补偿配准。
[0131]
也就是说，进行偏差估计时，首先基于距离的聚类算法进行初始聚类，根据传感器与集群中心的接近程度进行传感器分组，利用滤波算法估计簇内偏差值。各簇并行进行偏差值的估计合中，簇内偏差估计值(伪测量方程)表示如下：
[0132][0133]
其中，b
j,k-1
表示k-1时刻簇内的偏差值，s
j,b,k-1
表示偏差的协方差矩阵平方根，表示偏差值的残差，t表示簇j内的第t个传感器。
[0134]
在融合中心组合各簇内的偏差估计得到全局偏差估计值随后对k时刻的量测值进行配准，经校准后的传感器量测将用于后续的航迹融合，估计目标状态。
[0135]
步骤6用于重复上述步骤2至步骤5，直至完成k时刻系统中所有传感器的配准。
[0136]
实施例二
[0137]
如图3所示，本实施例提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准系统，包括：
[0138]
初始化单元，被配置为初始化待测目标传感器，构建传感器量测方程和目标状态方程；
[0139]
采样点数据计算单元，被配置为自适应求取协方差矩阵的平方根，计算采样点和权值；
[0140]
一级滤波单元，被配置为利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；
[0141]
修正单元，被配置为根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数；
[0142]
二级滤波单元，被配置为利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；
[0143]
读取单元，被配置为从k时刻的估计状态中读取目标状态和空间偏差估计等值；
[0144]
迭代单元，被配置为令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。
[0145]
上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0146]
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以
参见其他实施例的相关描述。
[0147]
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
[0148]
实施例三
[0149]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法中的步骤。
[0150]
实施例四
[0151]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法中的步骤。
[0152]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0153]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0154]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0155]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0156]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0157]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

技术特征：
1.自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，包括：初始化待测目标传感器，构建传感器量测方程和目标状态方程；自适应求取协方差矩阵的平方根，计算采样点和权值；利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数；利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。2.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述初始化待测目标传感器，构建传感器量测方程和目标状态方程，具体为：对分布式多传感器系统的各传感器进行量测的预处理；考虑目标状态的非线性，构建目标状态方程和传感器量测方程。3.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述自适应求取协方差矩阵的平方根，计算采样点和权值，具体为：获取k-1时刻的协方差矩阵，矩阵运算计算协方差矩阵特征值；判断协方差矩阵特征值的正负性，基于对角线因子调整协方差矩阵，使协方差矩阵的特征值保持非负，得到调整后的协方差矩阵，并进行cholesky分解；自适应求取调整后的协方差矩阵的平方根，采用对称采样法生成采样点点集；根据目标机动性与采样点之间的关联性，自适应更新采样点数量，并计算对应的权值。4.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数，具体为：基于k-1时刻状态均值，估计k时刻的状态；基于k时刻的状态，更新估计k时刻的量测向量；基于量测误差协方差矩阵的平方根以及目标状态和观测向量，确定k时刻的新息协方差矩阵、状态和观测之间的互协方差矩阵；更新k时刻的滤波增益和状态估计。5.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数，具体为：利用矩阵迹运算求量测误差协方差矩阵与状态误差协方差矩阵的f-范数；计算比例因子，利用比例因子更新协方差矩阵；利用更新后的协方差矩阵进行下一时刻的滤波运算。6.如权利要求5所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，更新后的协方差矩阵，具体为：
s
new,k
＝β
k
·
s
m,k|k-1
+(1-β
k
)
·
s
z,k|k-1
；其中，β∈(0,1)是比例因子，状态误差协方差矩阵s
m,k|k-1
和量测误差协方差矩阵s
z,k|k-1
。7.如权利要求1所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法，其特征在于，所述利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪量测方程，对偏差值进行估计和补偿，具体为：基于距离的聚类算法进行初始聚类，根据传感器与集群中心的接近程度进行传感器分组；利用自适应平方根无迹卡尔曼滤波算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪量测方程；基于偏差伪量测方程估计簇内偏差值；将各簇内的偏差估计进行组合，得到全局偏差估计值；基于全局偏差估计值对k时刻的量测值进行补偿配准。8.自适应平方根无迹卡尔曼滤波空间偏差配准系统，其特征在于，包括：初始化单元，被配置为初始化待测目标传感器，构建传感器量测方程和目标状态方程；采样点数据计算单元，被配置为自适应求取协方差矩阵的平方根，计算采样点和权值；一级滤波单元，被配置为利用自适应平方根无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；修正单元，被配置为根据系统当前时刻是否因噪声干扰造成异常量测数据，自适应校准状态方程中的可调参数；二级滤波单元，被配置为利用自适应平方根无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；迭代单元，被配置为令k＝k+1，重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法中的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的自适应平方根无迹卡尔曼滤波空间偏差配准方法中的步骤。

技术总结
本发明属于目标跟踪定位领域，提供了一种自适应平方根无迹卡尔曼滤波空间偏差配准方法和系统，初始化待测目标传感器，构建传感器量测方程和目标状态方程；自适应求取协方差矩阵的平方根，计算采样点和权值；利用自适应无迹卡尔曼滤波算法，基于k-1时刻状态均值和协方差矩阵，估计k时刻的状态、量测与其他滤波中间参数；根据系统当前时刻是否因噪声等干扰造成异常量测数据，自适应校准状态方程中的可调参数；利用自适应无迹卡尔曼滤波算法和自适应聚类算法，根据k-1时刻的偏差估计值及其误差协方差矩阵与预测的量测数据，构造偏差伪测量方程，对偏差值进行估计和补偿；重复上述步骤，形成闭环循环操作，进行迭代运算，直至完成所有传感器的配准。有传感器的配准。有传感器的配准。


技术研发人员：汪付强 徐歌星 吴晓明 张鹏 金星 张旭 马晓凤 张建强 郝秋赟
受保护的技术使用者：齐鲁工业大学（山东省科学院）
技术研发日：2023.06.13
技术公布日：2023/10/8