跟踪传感器

2024-08-03

跟踪传感器（共8篇）

跟踪传感器篇1

作为防空系统的组成部分, 快速红外搜索跟踪侦察传感器可以探测多种空中目标, 如直升机、巡航导弹和无人航空器.它作为被动传感器系统, 难以被敌方雷达发现.系统主要包括传感器头和与显示控制单元相连的信号处理单元.全部图像数据由信号处理单元进行分析.在进行数据处理的同时, 软件系统仍可以自主探测飞行目标.如果被探测目标的光谱处于威胁光谱范围, 系统会自动生成告警, 并将数据发送给网络系统.系统具有极好的分辨率, 探测距离远, 设计小巧轻便.该系统还可作为告警传感器以保护民用目标.

跟踪传感器篇2

题目基于无线传感器网络的公园游客跟踪系统设计

报告人

指导老师

二○一六年十二月基于无线传感器网络的公园游客跟踪系统设计

摘要：利用无线传感器网络对具有声音特性的公园游客进行跟踪的特点，研究了基于时延估[1][2][3]计的声源定位方法。选择广义互相关法作为时延估计算法，并改进球形插值法用于声源定位，从而减小了算法复杂度；设计了一个面向目标跟踪的声学无线传感器网络原型系统。利用所设计的原型系统能实现对移动的游客进行跟踪，而且跟踪精度较高。

关键词：声源定位；目标跟踪；时延估计；无线传感网络

1．课程设计任务

本文拟采用基于时延估计的声源定位方法，设计了一个游客定位与跟踪系统。把在公园三个角作为基站，同时也作为参考节点。首先利用广义互相关法，计算出目标到各个节点与参考节点之间的时延；然后根据时延，采用改进的球形插值法得出目标的方位；最后将该系统应用到一个移动的公园游客跟踪实验中。

1.1 课程设计题目

本课程设计关于游客跟踪，拟采取配备声音传感器的传感器网络，对声源进行定位及跟踪。由于声音传感器具有体积小、成本低的优点，配备了声音传感器的传感器网络可以对跟踪，尤其适合对处于电磁干扰区的低空或地面目标的定位[4]。并且目前，利用声音传感器网络进行目标的定位与跟踪是目前的一个研究热点。在每一个节点上配置一个声音传感器，一个节点对可以计算出声源的方位角，利用2个或多个节点对，根据三角法计算目标的位置；然后利用卡尔曼滤波估计声源的运动趋势，而选择合适的节点集合计算声源位置。但该方法计算声源方位角时，需假设声源符合远场条件[5]。

1.2 设计的要求

为满足对公园游客安全实施监控要求，防止游客（尤其是小孩子）丢失，所以设计一个基于无线传感器网络的公园游客跟踪系统。在每一个进园游客身上佩戴一个传感器，能够根据环境自主完成目标监测、发现、识别、定位与跟踪等任务。无线传感器网络(wireless sensor networks，WSN)是由大量具有感知、计算和无线通信能力的传感器节点通过自组织方式构成的网络。由于WSN具有随机布设、自组织和隐蔽性强等特点，目前能够广泛应用于军事、工业和商业等领域[6]。2．关键技术及总体方案

2.1 无线传感器网络目标定位跟踪原理

基于无线传感器网络的目标跟踪通常包括侦测、定位和通知三个阶段。1）侦测阶段。在一个配备了声音传感器的无线传感器网络监测区域中，传感器节点对声音信息进行周期的采集。当游客进入某个区域时，某个传感器节点发现声音强度超过阈值，则唤醒其他节点处理突发事件，启动目标定位与跟踪任务。

2）定位阶段。目标附近的节点被唤醒。被唤醒的节点利用基于声音传感器阵列的声源定位技术对目标进行定位。

3）通知阶段。当计算出目标位置之后，需唤醒其他节点，使其加入到跟踪行李额。同时需把目标的位置信息发送到汇聚节点，汇聚节点对数据进行进一步的融合处理后将数据发送到指挥中心。就可以实时对游客的位置进行定位。

2.2 声源定位于跟踪方法研究

基于时延估计的声源定位方法因其定位精度相对较高、实时性较强而成为近年来的研究热点，而得到了广泛的应用[7]。该方法主要分为时延估计和目标定位两个主要步骤，如图1所示。

传感器节点接收声源信号估计各节点与参考节点之间的声源信号到达时间延迟利用时延数据进行声源定位

图1 基于时延估计的声源定位方法示意图

1）时延估计方法的研究

假设两个声音传感器接收信号的离散事件信号模型为：

（1）式中，为声源信号；和为互不相关的高斯白噪声；和、也互不相关；和为声波的衰减系数；和分别为声波从生源到声音传感器1和声音传感器2的传播时间，为两个声音传感器间的时延。时延估计算法主要包括基本互相关法、广义互相关法和最小均方差法（LMS）等[8]。

基本互相关法的主要特点是方法简单，但该方法嘉定信号与噪声及噪声与噪声之间均互不相关，这在某些情况下不一定能得到满足，而且时延估计的精度较低。广义互相关法在功率谱域对信号进行加权，突出相关的信号部分而抑制受噪声干扰的部分，以便使相关函数在时延处的峰值更为明显，从而在一定程度上提高了时延估计精度[9]。LMS法用一个通道的信号去逼近另一个，使系统的均方差达到最小，在收敛的情况下给出时延估计，它不需要输入信噪比等先验知识；但是LMS法是一个迭代学习过程，运算量要大于广义互相关法，其估计精度随滤波器长度增加而提高，及核算复杂度也随之迅速增长，不适合跟踪快速移动的声源和对实时性要求较高的场合。

本文考虑到传感器节点的性能，采用广义互相关法。两信号之间的广义互相关法（GCC）函数为：

（2）

式中，为广义互相关法加权函数；为接收信号、为互功率谱。

本文选择的互功率谱相位（CSP）加权函数为广义互相关加权函数。所加噪声是均值为0的高斯白噪声，采样频率为16KHz。

2.3 具体设计实施方案(基于时延估计的声源定位方法)由广义互相关法求得时延后，根据估计的时延值对生源进行定位。定位主要有目标函数空间搜索定位法和几何定位法。目标函数空间搜索法计算量较大，实时性差，容易出现局部极值点，不适合应用于传感器节点。几何定位法分为线性插值法和球形插值法。线性插值法对声音传感器的摆放位置没有严格的要求，但其计算量稍大。由于传感器节点是素及分布的，因此，本文利用球形插值法进行目标定位，并在球形插值法的基础上，对其进行改造，减少其运算量，降低算法复杂度[10]。球形插值法首先设定一个参考节点，求得其他节点相对参考节点的时延，然后根据时延和各节点的矢量位置得到一个误差方程组，求其最小二乘解[11]。

设系统由N+1个配备了声音传感器的节点组成，分别位于处。不失一般性，设参考节点位于坐标原点，其位置矢量处。不失一般性，设参考节点位于坐标原点，其位置矢量，声源位置矢量，各节点、声源到源点的距离分别为和，各节点与参考节点到声源的距离差用表示[12]。节点与声源的几何关系如图2所示。由图可知，节点与参考节点到声源S的距离差为[13]：

（3）可得：

（4）即：

（5）

Z声源sRs参考节点m0yRiRs+di节点mix

图2传感器节点-声源几何模型

由于是由延时估计得到的，所以存在一定的误差，因此（5）式不为0，应为[14]：（6）（7）其中：

（8）

为减少一般球形插值法的运算量，将（7）式改写为：

（9）其中：

（10）（11）当：

（12）

式（8）的均方差最小，即：

（13）

根据逆矩阵的定义，由式（10）可得：

（14）声源的位置为：

（15）

式(9)中ATA始终是一个4×4的矩阵，整个式子求解所需的乘法和加法的数量不大，运算复杂度仅为O(N)，而一般球形插值法的运算复杂度为O()。当节点数量较多时，改进的球形插值法的运算复杂度将显著小于球形插值法[15]。

3．总结

目标定位与跟踪是无线传感器网络的重要应用之一。本文在每个游客身上配置一个声音传感器，分析了无线传感器网络的目标定位和跟踪原理，讨论了时延估计方法和声源定位方法。根据相关算法的性能，选择CSP广义互相关法作为时延估计算法，并改进了球形插值法用于声源定位。利用公园的三点确立连接点，搭建了目标跟踪原型系统，来对园区内的游客进行实时的定位和监控。实验结果表明，利用广义互相关法和改进的球形插值法进行目标跟踪的精度较高。

4．主要参考文献

[1] YICK J, MUKHERJEE B, GHOSAL D.Wireless sensor network survey [J].Computer Networks, 2008, 52(12): 2292-2330.572 电子科技大学学报第 40 卷

[2] AKYILDIZ L F, SU W, SANKARASUBRAMANIAM Y, et al.Wireless sensor networks: a survey [J].Computer Networks, 2002, 38(4): 393-422.[3] SHENG X, YU H.Sequential acoustic energy based source localization using particle filter in a distributed sensor network[C]//IEEE International Conference on Acoustics , Speech , and Signal Processing.United States: IEEE Press, 2004: 961-972.[4] 李石坚, 廖备水, 吴健.面向目标跟踪的传感器网络设计、实现和布局优化[J].传感技术学报, 2007, 20(12):2622-2630.LI Shi-jian, LIAO Bei-shui, WU Jian.Sensor network designing、implementing and optimal deploying for target tracking[J].Chinese Journal of Sensors and Actuators, 2007, 20(12): 2622-2630.[5] CHEN W, HOU J C, SHA L.Dynamic clustering for acoustic target tracking in wireless sensor networks [J].IEEE Transactions on Mobile Computing, 2004, 3(3): 258-271.[6] ZHANG J, WALPOLA M, ROELANT D, et al.Self-organization of unattended wireless acoustic sensor networks for ground target tracking [J].Pervasive and Mobile Computing, 2009, 5(2): 148-164.[7] PRIYANTHA N B, CHAKRABORTY A, BALAKRISHNAN H.The cricket location-support system[C]//ACM International Conference on Mobile Computing and Networking.New York: ACM Press, 2000: 32-43.[8] KIM D H, LEE S H, PARK K S, et al.Development of an AOA location method using covariance estimation[C]// Proceedings of Communication Systems and Networks.Anaheim, CA USA: ACTA Press, 2007: 14-18.[9] 陈积明, 张艳平, 曹向辉, 等.基于声强的无线传感器网络目标跟踪方法研究[J].电子与信息学报, 2009, 31(11): 2791-2794.CHEN Ji-ming, ZHANG Yan-ping, CAO Xiang-hui, et al.Acoustic energy based scheme for target tracking in wireless sensor networks [J].Journal of Electronics and Information Technology, 2009, 31(11): 2791-2794.[10] 孙立民, 李建中, 陈渝, 等.无线传感器网络[M].北京:清华大学出版社, 2005.SUN Li-min, LI Jian-zhong, CHEN Yu, et al.Wireless sensor networks [M].Beijing: Tsinghua University Press, 2005.[11] OMOLOGO M, SVAIZER P.Acoustic source location in noisy and reverberant environment using CSP analysis[C]// International Conference on Acoustics, Speech, and Signal Processing.[S.l.]: IEEE, 1996: 921-924.[12] 王宏禹，邱天爽.自适应噪声抵消和时间延迟估计[M].大连: 大连理工大学出版社, 1999.WANG H Y, QIU T S.Adaptive noise offset and time delay estimation [M].Dalian : Dalian University of Technology Press, 1999.[13] YOUN D H, N.A, CARTER G C.On using the LMS algorithm for time delay estimation [J].IEEE Transactions on Acoustics, Speech and Signal Processing, 1992, 30(5): 798-801.[14] 陈宗海.系统仿真技术及其应用[M].合肥：中国科技大学出版社, 2010: 24-28.CHEN Zong-hai.System simulation technology and application [M].Hefei: University of Science and Technology of China Press, 2010: 24-28.[15] SCHAU H C, ROBINSON A Z.Passive source localization employing intersecting spherical surfaces from time-of-arrival differences [J].IEEE Transactions on Acoustics, Speech and Signal Processing, 1987, 35(8): 1223-1225.Design of park visitor tracking system based on

一种低精度传感器跟踪算法篇3

在雷达数据处理中, 关联和滤波是跟踪的2大难点。而要做好跟踪首先要建立一个符合真实情况的系统模型。跟踪的算法和理论非常多, 如卡尔曼滤波[1]等, 但在实际应用中, 需要考虑模型的失配问题。当模型和实际不匹配时, 跟踪的性能就会不断下降, 以致丢失目标。本文将要介绍一种低精度传感器的目标特点以及针对该目标特性的系统模型[2,3]。实践证明, 该模型很好地近似目标的真实情况。

1 系统描述

在所研究的系统中, 数据采样为1.5 s一次。目标做曲率较小的曲线平稳飞行, 局部可以认为做匀速直线飞行。由于目标采样率高, 再加上噪声起伏大, 所有前后帧目标位置变化的随机性非常大, 回跳、方位偏离等现象处处皆是, 很难看出目标在做什么曲线飞行。

由于目标在直角坐标系线性特性没有在该系统下得到很好的体现, 并且观测噪声不是高斯分布的, 所以采用直角坐标处理这种特性的雷达目标数据将十分困难。采用极坐标下的运动模型刻画该系统的目标特性。以局部线性化来建立系统运动状态方程[4,5]。假定系统矩阵是四维矩阵, 即距离、方位角及其变化率, 它们分别由r, $\dot{r}$ , θ和 $\dot{θ}$ 表示, 距离方向上的加速度和角度方向的加速度分别由ur (k) 和uθ (k) 表示。状态方程[6]为:

${\begin{cases} r (k + 1) = r (k) + Τ \dot{r} (k) \\ \dot{r} (k + 1) = \dot{r} (k) + Τ u_{r} (k) \\ θ (k + 1) = θ (k) + Τ \dot{θ} (k) \\ \dot{θ} (k + 1) = \dot{θ} (k) + Τ u_{θ} (k) \end{cases} (1)$

也即:

$X (k + 1) = A X (k) + W (k) (2)$

其中:

$\begin{array}{l} X (k) = [\begin{array}{l} x_{1} (k) \\ x_{2} (k) \\ x_{3} (k) \\ x_{4} (k) \end{array}] = [\begin{array}{l} r (k) \\ \dot{r} (k) \\ θ (k) \\ \dot{θ} (k) \end{array}]; A = [\begin{matrix} 1 & Τ & 0 & 0 \\ 0 & 1 & 0 & 0 \\ 0 & 0 & 1 & Τ \\ 0 & 0 & 0 & 1 \end{matrix}] \\ W = (\begin{matrix} 0 \\ u_{1} (k) \\ 0 \\ u_{2} (k) \end{matrix}] = [\begin{matrix} Τ u_{r} (k) \\ 0 \\ Τ u_{θ} (k) \\ 0 \end{matrix}] \end{array}$

由于是两维探测, 观测矩阵只有距离和方位2个, 分别用z1和z2来表示。它们由状态方程和噪声组成, 且测量噪声是相互独立的零均值的白噪声。

测量方程:

${\begin{cases} z_{1} (k) = r (k) + v_{1} (k) \\ z_{2} (k) = θ (k) + v_{2} (k) \end{cases} (3)$

也即:

$Ζ (k) = C X (k) + V (k) (4)$

其中:

$Ζ (k) = [\begin{array}{l} z_{1} \\ z_{2} \end{array}]; C = [\begin{matrix} 1 & 0 & 0 & 0 \\ 0 & 0 & 1 & 0 \end{matrix}]; V (k) = [\begin{array}{l} v_{1} (k) \\ v_{2} (k) \end{array}]$

在目标探测精度低的情况下, 这种局部线性化的模型是比较贴近目标运动状况的。考虑到方位和距离观测噪声的相互独立, 所以噪声的协方差矩阵[7]为:

$\begin{array}{l} R (k) = [\begin{matrix} E [v_{1}^{2} (k)] & E [v_{1} (k) v_{2} (k)] \\ E [v_{2} (k) v_{1} (k)] & E [v_{2}^{2} (k)] \end{matrix}] = \\ [\begin{matrix} σ_{r}^{2} (k) & 0 \\ 0 & σ_{θ}^{2} (k) \end{matrix}] (5) \end{array}$

2 关联方法

目标的关联方法多种多样[8], 在所研究系统中通过前面的讨论, 可以看出目标速度的随机误差已经远远大于目标速度的真实值。实际上即使积累相当长的一段时间, 目标速度的计算也存在相当大的误差。速度计算存在较大误差, 那么加速度的计算就更不精确。所以速度和加速都不能作为相关的有效因子。这里采用了距离, 方位和多普勒三维动态多因子相关算法。设目标隶属度函数[9]为:

$ψ = ρ_{1} R_{1} + ρ_{2} A_{1} + ρ_{3} D_{1} (6)$

式中:R1、A1和D1分别为表示当帧目标距离, 方位和多普勒的隶属度因子函数;ρ1、ρ2和ρ3分别表示距离、方位和多普勒相关因子的权重。并且:

$ρ_{1} + ρ_{2} + ρ_{3} = 1 (7)$

隶属度因子函数R1、A1和D1表示如下:

$\begin{array}{l} R_{1} = {\begin{cases} 1 ‚ Δ r < Δ r_{1} \\ 1 - \frac{(Δ r - Δ r_{1})}{(Δ r_{2} - Δ r_{1})} ‚ Δ r_{1} < Δ r < Δ r_{2} \\ 0, Δ r > Δ r_{2} \end{cases} \\ A_{1} = {\begin{cases} 1, Δ θ < Δ θ_{1} \\ 1 - \frac{(Δ θ - Δ θ_{1})}{(Δ θ_{2} - Δ θ_{1})} ‚ Δ θ_{1} < Δ θ < Δ θ_{2} \\ 0, Δ θ > Δ θ_{2} \end{cases} \\ D_{1} = {\begin{cases} 1, Δ d < Δ d_{1} \\ 1 - \frac{(Δ d - Δ d_{1})}{(Δ d_{2} - Δ d_{1})} ‚ Δ d_{1} < Δ d < Δ d_{2} \\ 0, Δ d > Δ d_{2} \end{cases} \end{array}$

这里Δr、Δθ和Δd分别表示当帧距离、方位和多普勒的残差;Δr1、Δθ1和Δd1表示当帧距离、方位和多普勒精相关门限;Δr2、Δθ2和Δd2表示当帧距离、方位和多普勒粗相关门限。精相关门限在2δ内取值, 粗相关门限在 (3δ, 4δ) 内取值, 可以根据实际的系统状态和跟踪质量调整这两个门限。

根据每个观测点和目标隶属度函数来判断观测点与目标的符合情况。实际上在空间上, 采用了极坐标下的相关已经将相关波门范围控制了不少[10], 但是由于观测噪声太大, 仍有不少的杂波和虚警进入相关门内。增加了多普勒相关因子后, 极大的提高了相关的准确性。多普勒是最稳定的, 所以在相关过程中, ρ3的权重始终是最大的, ρ3∈ (0.4, 0.6) , 可以根据实际的跟踪质量进行调整。

3 自适应α-β滤波

3.1 航迹起始中的应用

采用了距离-方位-多普勒3维的动态多因子关联方法, 大大提高了相关的准确性。但是在航迹起始时会遇到困难, 尤其是在杂波区, 常常会起始一些假目标。实际上, 考虑到多普勒对目标运动速度和航向依赖性比较大, 在进行相关处理时, 不能简单将多普勒门限d1和d2设成非常小的值。否则目标在机动时或丢点后就很难再进行后续跟踪。

经过统计分析发现, 杂波区起始的虚假目标和真实目标的点非常类似, 如果不对多普勒进行进一步的分析, 很可能会认为起始就是真实目标。

但是从多普勒帧间变化率来看, 很容易判断出目标是一个虚假目标。真实目标的多普勒帧间变化是非常平稳的, 虽然偶尔会出现几个野值, 但是频繁出现的机率比较少。在进行划窗m/n准则进行起始时, 要加一个附加条件, 即多普勒概率准则。设:

Nd (m) ={i|m个依次观测点中, 满足

|d (nk) -d (nk-1) |<δd观测点的个数} (8)

式中:k=2, 3, …, m;δd表示多普勒帧间变化率门限。

假设系统的发现概率为Pd, 那么目标航迹起始的准则如下:

(1) n次探测中至少有m次发现目标 (m/n划窗准则) ;

(2) 当Nd (m) /m<Pd/2时, 不起始, 否则起始 (多普勒概率准则) 。

有了准则 (2) 后, 虚假目标起始率大大下降, 以下2个图是真实数据 (同一次探测) 在加了准则 (2) 和未加准则 (2) 的起始效果图。如果只用准则 (1) 进行起始, 将会起始12批航迹, 其中至少7批是假目标, 如图1所示;如果采用准则 (1) 和准则 (2) 起始, 将会起始4批航迹, 全都是真目标, 如图2所示。

3.2 在机动跟踪的应用

如果只从目标的观测值位置信息出发, 那么目标实时在做强机动飞行。但是实际上目标在做较平稳的曲线飞行 (局部可以认为做直线飞行) 。这样, 也就不能简单地从目标几何位置变化来判断目标是否在做机动。先根据多普勒几何图来讨论一下目标的多普勒速度和哪些因素有关, 如图3所示。

这里发射站和接收站都是静止的, 所以VT=0, VR=0, 目标在接收站的双基地多普勒频移为:

$f_{r} = (2 V / λ) \cos δ \cos (β / 2) (9)$

可见目标的多普勒频移大小, 与收发站的位置、辐射源的频率、目标位置、目标速度和航向都有关系。实际上多普勒是一个非常敏感的因子, 尤其是目标发生机动时。图4中描述的是一个机动目标的点航对比图, 可以很清楚的看到, 机动时并没有出现航迹偏离轨迹的现象。

通过几何关系很难判断目标什么时候发生机动如图5所示。但是多普勒却能清晰给我们反映目标机动位置和特性如图6所示。只要能提前预判目标的机动及时调整滤波器的增益, 就能避免丢失目标和偏离航线的现象发生。

类似3.1节中的式 (8) , 定义:

$\begin{array}{l} Ν_{a} (m) = {i | m 个依次观测点中 ‚ \\ 满足 | d (k) - d (k - 1) | < δ_{a} 观测点的个数} (10) \end{array}$

式中:k=2, 3, …, m;δa为多普勒机动门限。

当1-Na (m) /m>Pd/3, 认为目标机动发生, 机动的大小可由最近m次探测的多普勒帧间均方变化率εd表示。然后根据εd大小来实时调整滤波器的增益, 完成机动阶段的跟踪。

4 结语

相关问题是跟踪一个重点, 也是一个难点, 可以说做好了相关, 就做好了跟踪的一大半。数据关联的关键是要找到系统探测的规律, 并将目标的运动模型和系统的探测模型统一起来。本文就是从一个实际工程入手, 探寻一种低精度传感器的相关算法。通过对目标特性进行分析, 得出多普勒变化规律, 并将其用到航迹的起始, 相关和机动跟踪中去, 取到了比较好的效果。

参考文献

[1]腾云龙, 陈小平, 唐应辉.提高GPS定位精度的改进卡尔曼滤波算法研究[J].现代电子技术, 2008, 31 (3) :12-14.

[2]冯玮.无源定位目标跟踪雷达系统数据融合方法研究[J].现代电子技术, 2008, 31 (15) :11-14.

[3]郭福成, 孙仲康.三维机动辐射源的单站无源跟踪方法[J].现代雷达, 2005, 27 (3) :5-8.

[4]孙仲康, 周一宇, 何黎星.单多基地有源无源定位技术.北京:国防工业出版社, 1996.

[5]杨万海.多传感器数据融合及其应用[M].西安:西安电子科技大学出版社, 2004.

[6]文成林.多尺度动态建模理论及其应用[M].北京:科学出版社, 2008.

[7]韩崇昭, 朱洪艳, 段战胜, 等.多源信息融合[M].北京:清华大学出版社, 2006.

[8]颜坤玉, 王杰贵.基于灰关联无源多目标跟踪系统航迹关联算法[J].现代雷达, 2010 (1) :15-17.

[9]方青.数据融合处理中的数据关联技术[J].现代电子, 2001 (1) :3-8.

跟踪传感器篇4

随着电梯系统的普及,电梯的监测[1,2,3,4]、数据管理、分析、故障报警以及电梯运行状态的统计显得非常重要。日本东芝电梯公司开发的基于神经网络的电梯群控装置[5]EJ-1000FM,其结构庞大,算法复杂,不能提供一个明确用于网络知识表达的框架。电梯核心控制系统通讯方式向网络化控制系统发展,中国建筑科学院机械化研究院研发凯博电梯远程监控系统[6],该系统由电梯机房的信号采集与处理器模块、负责信号调制与传输的调制解调器模块和经由电话网络向操作员提供监控界面的服务中心计算机模块3部分组成。但利用专线搭建监测管理系统的费用比较昂贵。为了更好地解决这些问题,需要研制和开发一套运行高效、成本低廉、通用性较强的新型的网络电梯监测系统。而利用无线传感网络可以在短时间掌握电梯故障情况,及时准确了解电梯故障的原因,进行抢修,更好地服务于用户,代表了新一代监测系统的发展趋势。

本研究提出一种基于无线传感网格的新电梯跟踪系统。

1 节点硬件平台

目前,无线传感器网络的研究主要基于Mica系列和Telos系列两种典型的传感器节点,其采用Micaz和Telsob节点,它们都是采用频率为2.4 GHz的IEEE802.15.4协议的Mote模块,并都支持目前最主流的嵌入式操作系统TinyOS[7]进行应用开发。Micaz 节点可扩展连接带有二维ADXL202JE加速度传感器的开发板MTS310CA。该加速度传感器的测试范围在±2 g之间,精度为2 mg,主要用于测试电梯在运行过程的加速度变化。而Telsob节点自带光传感器、湿度传感器和热传感器等,通过合理设置电梯里Telsob节点的发射能量值,用于跟踪电梯的整体运行情况。

每个传感器节点[8]由数据采集和A/D转化模块、数据控制模块、无线通信模块和能量供应模块等组成。传感器节点具有可快速部署、可自组织和高容错性的能力,可以形成具有一定拓扑结构的网络。无线传感器网络[9]节点分为两类:一类是传感器节点,它的作用是借助传感器来测量检测区域内的温度、湿度、压力、噪声、光照、声音、土壤成分、速度等模拟物理量,各个传感器节点协同处理,通过无线射频模块把处理后的消息发送到汇聚节点;另一类是汇聚节点,它连接传感器网络和外部网络,实现两种协议栈之间的通信协议转换,并把收集的数据发送到外部网络上位机中显示结果。其中,能量供应模块[10]器节点提供电源;数据控制模块负责控制整个节点系统操作,存储与处理本地节点采集信息以及其他传感器节点发来信息;数据采集和A/D转化模块负责实时监测、感知和采集网络分布区域内的各种环境或监测对象的模拟信息和对被感知的模拟信息进行A/D转换;无线通信模块将本地节点处理后的信息以无线传输方式发送到基站,或者负责与其他传感器节点通信、交换控制消息和收发采集数据。

2 软件设计

2.1 Telsob节点软件设计

操作平台使用TinyOS2.x平台,它是由加州大学伯克利分校开发的开放源代码操作系统,它是一款开源的基于组件的操作系统和平台,主要针对无线传感器网络研究与开发。该实验在电梯内放置一个Telsob节点和一个Micaz节点。Telsob节点的ID为0,该节点每500 ms发送一次数据包,相应发送功率为-25 dbm,由于发送包能量有限,电梯每楼层外面布置的节点只有在电梯打开时,节点才能接收到电梯内部0号节点发送的数据包,沿着其他转发[11]节点逐跳传输,向汇聚节点传送数据包,最后汇聚节点向PC机发送数据包,并在上位机显示部分有用数据包,以实时监控电梯的运行情况,具体软件流程如图1所示。同时Micaz节点采集电梯加速度值也通过转发节点发送给汇聚节点[12,13]。

2.2 上位机显示界面软件设计

上位机显示界面采用C++编写,演示电梯具体运行情况。本研究通过读取PC机接收的数据包,然后进行数据包解析。如果是能量信号,本研究读取数据包中的ID号,定位电梯当前位置CURR1,通过与前一个楼层值BEF1比较,如两个值不相等,移动电梯到当前楼层。如果都不是,本研究继续读取汇聚节点接收到的数据包。具体流程图如图2所示。

3 实验测试及分析

3.1 实验环境

在电梯跟踪实验中,本研究分别在电梯第0～6楼层外面布置1个Telsob节点,ID分别为20、21、22、23、24、25、26,电梯内部布置1个ID为0的Telsob节点和1个Micaz节点,并在第0层和第1层间布置ID号为27 的Telsob节点,用来保持无线传感网络的连通性,在走廊布置的两个转发节点ID分别为28和29,路由转发数据包到汇聚节点(即目的节点)。节点路由示意图如图3所示。该路由协议采用基于地理位置路由协议,唤醒距离目标节点(即源节点)最近的传感器节点,得到更精确的电梯位置信息,然后通过转发节点,将位置信息传送到目的节点。

3.2 结果与分析

PC机显示监测环境中各个Telsob节点情况。汇聚节点数据包接收结果如图4、图5所示。

本研究采用C++设计的可视化上位机界面显示电梯运行情况,如图6所示。

图4、图5中每行代表一个数据包中信息:数据包第1列是节点ID号,第2列为计数器,第3列为接收信号强度,第4列为链路质量,倒数第2列为实时运行时间。由图4可以得到电梯直接从第0层运行到第3楼;由图5可以得到电梯先从第0层运行到第5层,经过打开关闭操作,再运行到6楼,最后打开。电梯整个详细运行过程如图6所示。从以上实验结果看出,基于无线传感网络的电梯跟踪系统能够及时、有效判断电梯运行的状况,因为电梯内节点发包周期为500 ms,可以推出该系统跟踪精度小于500 ms。

电梯从底楼运行到第1层停止后继续运行到第5楼的整个过程如图7所示。可以看出,电梯刚开始处于静止状态,5 s后电梯开始运动,正向加速度越来越大,达到最大值,接着加速度越来越小,直到匀速状态。10 s左右后反向加速度的绝对值越来越大,达到最大值,然后加速度的绝对值越来越小,直到电梯停止,此时的加速度大小为0。其中在匀速过程中,电梯的加速度突然间起伏,说明电梯在匀速过程出现震荡现象。

4 结束语

跟踪在无线传感网络应用中具有非常重要的作用。本研究由多个Telsob节点和一个Micaz节点组成的无线传感器网络实时判断电梯整体运行情况和加速度的变化,只需合理设置电梯内节点的发射能量大小,不需要复杂的跟踪算法。该系统简单、可扩展性强、精度相对较高,可以通过增大电梯内节点发包频率,更加准确地测出电梯在每层的停留时间以及电梯运行状况。但是该系统中电梯内部节点周期性发包,消耗能量相对较大,需要更换节点。该研究满足实时性跟踪的要求,可为无线传感网络在电梯跟踪中的进一步研究和系统优化设计提供参考。

跟踪传感器篇5

无线传感器网络 (WSN: Wireless Sensor Network) 是一种由大量的微型传感器节点组成的数据网络系统,主要用于在网络覆盖范围内进行信息的采集、分析和处理,并将数据返回到控制中心。无线传感器网络中的每个传感器节点通常是由低功耗微控制器,无线电收发器和用于监测的传感器组成。

本实验平台中,共有9个micaz节点组成,每个节点间隔2m,占面积4m*4m。每个节点上有六组srf08超声传感器用来测量距离,声纳探测距离为4M,探测角度范围为0° ~360°。SRF08超声波测距仪利用回声探测,计算目标到SRF08之间的距离。射频信号来传送位置信息,射频信号传输距离100M.。传感器节点上的6个SRF08测距仪轮循检测目标,如果检测到目标,通过I2C总线把将数据上传到Micaz,进行数据处理。否则认为目标不在其检测范围内。

1节点的硬件设计

1.1Micaz处理器射频板

处理器芯片采用Atmel公司的AVR系列,无线电收发模块采用使用Chipcon公司的CC2420(2400兆赫至2483.5兆赫频段),符合IEEE 802.15.4标准,微控制器由Atme128集成。它有51引脚的I / O连接,串行闪存。

1.2SRF08超声波测距仪

探测距离为3cm至6m,发射频率40khz,发射强度固定,增益在94到1025范围内可调,采样频率可自由设定。SRF08和micaz的通信通过I2C总线实现。

1.3MDA100CA数据采集板

连接micaz和SRF08的中间设备。

1.4MIB520编程板

下载程序和传输数据到主机,作为基站来用。

2系统软件设计

2.1 Tiny OS嵌入式系统

它是基于一种组件的构架方式,使其能够快速实现各种应用。Tiny OS的程序采用模块化设计 , 在构建无线传感器网络时 , 会有一个基地控制台 , 主要用来控制各个传感器子节点 , 并聚集和处理它们所采集到的信息。

2.2实现目标跟踪的算法

采用EKF跟踪算法,实现对目标状态的估计预报。目标运动的状态方程和传感器节点i的测量方程分别为(1),(2)

系统状态为 :运动目标和传感器节点i之间的实际距离为 :假设k时刻移动目标的状态为X(k) ,,对状态的估计为,最优滤波估计协方差阵假设在k+1时刻,第j个节点对目标进行测距,则对第j个节点的预测状态为, 根据EKF滤波递推方程可以如下计算 :

第k+1个时刻Kalman滤波器输出为 :

预测估计误差协方差阵 :

第j个节点的预测测量值 :

新息序列为在k时刻,第j个节点的测量值与对第j节点的预测测量值之差 :

新息序列的协方差 :

扩展卡尔曼滤波增益矩阵方程 :

状态估计更新 :

应用上述方程对生成的数据进行多次迭代处理 , 即可得到满意的滤波输出。

2.3跟踪原理

某一时刻只有一个节点的声纳进行测距,当目标进入WSN,唤醒在检测区域的节点,该节点将依次唤醒相邻节点。通过三角定位获得目标的初始值(x,y),工作节点测距、运行EKF、预测目标下一时刻位置并发送给基站。工作节点通过射频信号发送令牌唤醒下一节点作为工作节点。

3实验效果图

室内条件下声纳参数设置 :采样时间在70ms左右,可抗干扰。接受增益在100左右,需根据室内环境调整,电压在4.8V左右。Lab View界面是从基站获得目标的位置等信息,并实时显示跟踪效果。效果图1。

从实验来看,本系统已经达到对移动目标的较好的跟踪精度和较低的能耗。有较好的跟踪误差、低失跟率和高实时性。由于采用声纳测距,系统对环境要求较高。系统在切换任务节点时,尤其是在到正方形四个角的时候,短时间内有死区,效果不是太理想。

4结束语

跟踪传感器篇6

1.1 现阶段无线传感器网络

无线传感器的三个重要要素分别是:传感器、感知对象和观察者。通过无线通信方式形成的一个多跳的自组织的网络系统。

1.2 传感器网络的体系结构

大规模布放的无线传感器网络, 节点通过飞机撒播、机器投射等方式, 大规模的监测对象内部和周围的信息, 有着广阔的覆盖领域, 无线传感器网络的一个典型体系结构包括了传感器节点、汇聚节点、Internet或通信卫星、任务管理节点以及观察对象可以实现监测区域内任意地点、任意时间的信息采集、处理和分析, 最终通过Internet或者通过卫星讲这些传感器网络与任务管理节点通信, 对任意区域监测到的数据进行高效处理, 然后整合数据提供给使用者。

2 现代无线传感器网络的目标跟踪算法及原理

2.1 由于目前无线传感器网络跟踪的的算法有很多种, 暂时还没有统一的标准进行分类, 以下是简单的说吗现代跟踪算法的特点

(1) 集中式算法。集中算法是把所需的信息传送到处理中心, 由信息处理中心实现地位, 跟踪方式处理, 优点是全局统筹兼顾, 计算和处理量几乎没有限制, 并且有较好的追踪效果, 缺点是信息量过大, 汇集点很集中, 如果系统休克则网络不可用则无法实现定位。

(2) 传送树跟踪算法。由研究者提出的传送树算法是一种分布式算法, 与之前的大部分提出了一种传送树 (convey tree) 算法。这种算法是一种分布式算法, 而之前的大多数跟踪算法是以集中式为主的, 传送树结构是一种由移动目标附近的节点组成的动态树型结构, 并且会随着目标的移动动态地添加或者删除一些节点, 首先保证高效性而且可节省时间和开销。但是需要动态融合计算所以能量消耗比较大, 所以要选取合适的融合节点。

2.2 现代无线传感器目标追踪的原理和方法

(1) 在目标节点位置附近活动是, 可以通过多种方式获得节点和目标位置关系的信息, 有距离和方向等关系。测量距离的方法很多, 比如测量目标发出信号的能量强度, 信号之前传播的条件和外部环境都会有不同程度的影响着传播时间差等等。还可以通过几何位置得出。在获得节点的测量和通信是个向同性的, 这样可以通过目标的未知精确估计使得传感器有时候可以测出目标速度的信息。

(2) 但是在自然条件下误差的存在是不可避免的比如有噪声的状态下, 通常使用滤波算法对目标状态进行分析, 离目标节点越远, 测量的误差越大。

3 现代无线传感器网络目标跟踪关键技术

无线传感器网络是如今信息领域非常热门的研究热点, 而且是一种多门学科交叉的领域传统而又新兴的技术, 有着非常多的研究价值, 所以必须要了解关于技术性的研究以下就是研究内容:

3.1 目标定位算法、无线传感器网络目标定位可以分为以下三个过程

(1) 节点检测到目标到监测区域, 测量目标到节点的距离。

(2) 检测到目标的节点呼唤节点位置, 然后将信息发送到汇集节点。

(3) 若第一个点或者汇聚节点能够接受到多个节点发送的具体目标的位置, 就计算当前的目标的距离。根据定位方式, 要将现在又的无线传感器网络节点定位分为:基于测距的方法和不基于测距两种。

3.2 无线传感器网络测距的定位方法

基于现代测距的定位方式要求测量未知节点到标记点之间的距离和角度的信息, 使用三边测量法或者最大近似值法等方法计算未知点的位置, 这种定位机制需要两个点的具体位置和角度与距离等详细信息, 又通常采用以下的方法:

(1) 到达时间定位法。使用信号传播的到达时间来测量具体, 在此定位中, 假设电播波从锚节点到未知节点的传播时间为t, 速度是c, 所以锚点到位置点的距离是txc。到达时间通过测量信号传播的时间来测量距离。在TOA定位中, 假设电波从锚节点到未知节点的传播时间为t, 电波传播速度为c, 则锚节点到未知节的距离为t*c, 这种方法要求接收信号的锚节点或未知节点知道信号开始传输的时刻, 并要求节点有非常精确的时钟, 能够进行时间同步。GPS是此方法常用的方法。

(2) 时间差定位法。时间差 (TDOA) 定位与TDOA测距不同, TDOA测距用计算不同无线网络信号到未知节点的实际那差和速度, 计算未知点到锚点的距离, TDOA定位是计算两个锚点信号距通过多个锚点的距离差算出自身的未知。

(3) 到达角定位法。到达角 (AOA) 定位法是用阵列天线和多个接收器结合, 得到挨着节点发送信号的方向, 得到从接收机到发射机的指向线, 两条线的交点就是位置节点的未知了。

4 现代无线传感器网络的目标跟踪算法应用

基于现代无线传感器网络的目标跟踪算法的应用范围是非常广泛的, 包括了环境监控、军事应用、家庭休闲娱、数码科技等等。如:在军事上面无线传感网络对目标的追踪可以收获信息、了解和掌握敌人的行踪、战场上的监控。还有比如在地震多发的地方能用无线传感器追踪信号, 来预测地震发出预警警报或者地震后发出信号还有位置, 可以使救援区域能够很快划分, 节省救命时间。在医学上也有着广泛的应用, 植入病人体的传感器可以随时的检测病人的健康状态, 在危险的环境进行勘察的时候也能起到提前检测的作用。

5 结语

综合上述无线传感网络的目标跟踪算法的结构、原理、使用方法、应用和前景的了解, 得知无线传感网络的优点大概有:高效性、广泛性、可调整性和适应性。定量的分析节点数量和放置位置可以得出区域内的绝对坐标, 从而可以精确的测量出使用者需要的数据。我们希望它能发展的更好更具有实用性和经济性, 更低的耗能, 更加灵活的拓展性和组织性都是研究的目标。

参考文献

[1]孙亭, 杨永田, 李立红.无线传感器网络技术发展现状[M].电子应用技术, 2006.P58-64.

[2]沈笑慧, 张健, 何熊熊.基于接收信号强度指示加权融合的定位算法[J].华侨大学学报 (自然科学版) , 2012 (06) .

跟踪传感器篇7

近几年, 无线传感器网络在军事和工业领域得到广泛应用。为了延长传感器在跟踪期间的寿命必须有效利用传感器。在能量和带宽等物理资源受限的无线传感器网络, 每个时刻选择一个传感器子集是尤为重要的。

在一个集中式传感器网络中, 仅有一个CFC, 需要一个传感器子集被选择。尽管这是选择传感器最优的方法, 但是这个方法由于计算和通信的约束并不总是可行的。因此在本文中我们使用分散式传感器网络, 它没有任何的CFC, 每个FC只与邻近的FC通信。

目前都假定FCs是固定不变的, 位置和FCs的数量是可以变化的, 然而这并不总是可行的, 因此, 本文的传感器网络中FCs其位置和数量是固定不变的, 由于FCs和传感器是固定的, 传感器和FC关系是永远固定的, 只有选择激活哪个传感器是随时间变化的。

一般来说, 传感器管理决策都是基于估计追踪器的性能。文献提出了条件后验克拉美-罗下界 (CPCRLB) 。本文运用分散式无线传感器网络的CPCRLB实现传感器选择, 有效实现了目标跟踪中的传感器选择。

1 问题描述

1.1网络模型

监测区域有一些FCs, 每个FC仅与它的邻近FC邻居通信 (如果FCs在另一个FC的通信范围内, 则FCs为FC的邻居) , 还有大量的传感器被部署, 传感器位置是固定和已知的。但是由于物理条件的限制, 在任何时刻每个FC仅能最多有nf个传感器被选择。如图1所示给出了其体系结构和示例场景。

1.1.1观测模型

我们用一个各项同性的信号强度衰减模型, 传感器l接受到的RSS量测为:

2 基于CPCRLB的分散跟踪

集中式体系结构中, 所有的传感器被连接通信到一个CFC来融合所有的量测和更新跟踪, 然而, 它具有繁重的通信和计算。这种结构在一个大的监测区域是不可用的。

分散式体系结构中有多个FCs没有CFC。每个FC从它通信范围内的一个或多个传感器得到量测, 并且用这些量测来更新轨迹。此外, 当一个FC从它的邻里得到额外的信息时跟踪也更新。在分散式跟踪中最大的挑战是决定FCs间如何通信以至于融合能够容易得到接近最佳结果。

在每个FC依CPCRLB准则选择传感器, 设目标状态Xk是维数为nx的不可观的一阶Markov过程, 其离散时间动态方程为:

其中:fk:Rnx×Rnu→Rnx并且uk是维数为nu的i.i.d噪声过程。传感器 (1≤l≤N) 量测方程为:

其中:g k:Rn x×Rnv→Rn z, Vk是Nv维i.i.d量测噪声, 量测Zk的维数为Nz, 设Vk独立Uk于和初始状态X0。

CPCRLB给出了在已知过去所有量测值z (1:k) 的条件下, 当获得新的量测z (k+1) 时, 估计目标状态x (k+1) 的均方误差 (MSE) 下界, 即:

其中:L (x (k+1) |z (1:k) ) 表示目标状态估计值的条件Fisher信息矩阵 (FIM) , 并且量测z (1:k) 是实际获得的真实量测而不是随机向量。

在分散式结构中全局FIM用下面递归循环来计算:

在分散无线传感器网络跟踪中, 每个FC依据传感器选择准则CPCRLB选择传感器子集进行目标跟踪, 每一个时刻它仅与其通信范围内的观测节点和邻里FC通信, 不同的时刻选择不同的传感器子集以实现最优目标跟踪。FCs仅与其邻里通信。

3 传感器选择实现步骤

在第一个FC上仅仅选择一个传感器使性能最佳

在第二个FC上选择一个传感器使性能最佳

继续在剩余的每一个FC上各选择一个传感器使性能最佳

按照上述方法在所有的FCs在每一个时刻继续依次选择传感器值到最大的限制传感器数选够为止。

在每一步, 一个完整的计算被完成为了决定哪一个传感器应该被选择。

4 仿真结果

所传感器网络包括N=144个传感器节点和F=9个FCs, 探测区域240m×240m。FCs的通信半径是100m, 每个FC被激活的最大传感器节点数nf=2。在RSS模型中, 目标信号衰减指数α=2, 目标辐射的信号能量在d0=1m处ϕ=300。假定所有传感器节点的量测噪声有相同的方差σv2=0.1。初始化各个参数。目标运动过程噪声参数q=1, 采样周期T=1s。

目标状态先验分布为高斯分布, 均值为x (0) =[30, 30, 10, 10]T, 协方差矩阵为diag{20, 20, 5, 5}, 状态方程为:

器选择方法在每个FC实现的传感器选择。图3是每个FC实现目标跟踪的位置均方根误差 (RMSE) , 用了本文介绍的CPCRLB, 并和最近邻方法对比, 表明在分散式无线传感器网络中实现目标跟踪的有效性, 也说明传感器选择方法CPCRLB优于最近邻方法。

5 总结

在本文中传感器选择应用在在分散式传感器网络结构中。与集中的传感器网络相比, 通信和计算量没那么繁重, 能最大程度优化跟踪性能和延长传感器寿命, 在每个FC选择一个传感器子集。因为在分散传感器网络中没有CFC, 仅有FCs, 考虑到在传感器网络中仅有FCs邻里, 我们运用了一种传感器选择算法, 仿真表明了该算法在分散传感器网络中有效性。

参考文献

[1]任丰原, 黄海宁, 林闯.无线传感器网络[J].软件学报, 2003年第7期:1282-1291.

[2]马丁E里根斯Ⅱ等.情报指挥控制系统与仿真技术, 1997年第6期.

[3]Howard, M., Payton, D., and Estkowski, R.Coalitions for distributed sensor fusion.In Proceedings of the Fifth International Conference on Information Fusion, vol.1, Annapolis, MD, July2002, 636—642.

[4].L.Zuo, R.Niu, and P.K.Varshney, “Conditional Posterior Cramer-Rao Lower Bounds for Nonlinear Sequential Bayesian Estimation, ”IEEE Tran.On Sig.Pro., vol.59, no.1, 2011.

跟踪传感器篇8

随着信息技术的快速发展和现代军事及民用需求的不断提高,对目标跟踪的精度也相应地提出了更高的要求。在真实的目标跟踪系统中[1,2],目标的状态总是处在不断变化中,当目标真实运动模型与算法模型不匹配时,跟踪精度会明显下降,此时采用多模型(Multiple Model,MM)机动目标跟踪算法将会成为最佳选择。然而,当今的多模型目标跟踪方法[3]大都停留在理论层面,对于多模型的实际应用价值及各模型的应用场合都需要做进一步的研究。

本文选用当今最为流行、应用最广泛的雷达和红外作为传感器,在红外/雷达双模导引头[4]平台下开展对交互式多模型[5]机动目标跟踪算法的研究,并加入噪声干扰,更接近真实的军事与民用环境。首先搭建红外/雷达双模导引头仿真平台[6],进而设计基于多传感器[7,8]的多模型机动目标跟踪算法,采用扩展卡尔曼滤波[9],最终实现算法的软件仿真及跟踪性能评估[10],验证了所设计方法的有效性和实用性。

1 多传感器平台搭建

雷达和红外传感器是目前常用的两种目标探测和跟踪传感器,采用雷达为主、红外成像传感器探测为辅的信息融合系统进行目标跟踪能够使系统降低对敌方干扰的脆弱性,提高系统可靠性,现已广泛应用于各个领域。因此,本文选取雷达与红外双模导引头作为传感器,模拟生成多传感器的数据生成模块,为多模型机动目标跟踪算法提供良好的检测平台。

毫米波雷达导引头的观测数据包括观测系下的视线方位角、视线俯仰角、弹目距离、多普勒频率、雷达信噪比等信号。经过坐标转换,得到的参考系下的雷达观测数据,建立如下雷达观测方程:

式中:Z1(k)=[φR,θR,r]T,表示雷达导引头的观测向量;φR为雷达视线方位角,θR为雷达视线俯仰角,r为弹目距离。V1(k)是均值为零、协方差阵为R1(k)的白高斯噪声向量。

红外成像导引头的观测数据包括观测系下的视线方位角,视线俯仰角等信号。经坐标转换得到参考系下的红外观测数据,建立如下红外观测方程:

式中:Z2(k)=[φIR,θIR]T,表示红外导引头观测向量,φIR为红外视线方位角,θIR为红外视线俯仰角;V2(k)是均值为零、协方差阵为的白高斯噪声向量。

本文综合应用点迹合并方法和点迹串行处理方法,搭建毫米波雷达和红外数据融合的多传感器平台。假设雷达的扫描周期为5 ms,红外的扫描周期为10 ms,所以首先将雷达和红外点迹数据串行合并成为点迹数据流,进行点迹—航迹相关;对于在10 ms时刻,若雷达点迹和多个红外点迹均与航迹相关上,则对这些点迹进行点迹压缩合并,如图1所示。

2 多模型跟踪算法设计

本文选取目标跟踪中经常使用的几种目标运动模型组成模型集,然后根据模型间的配合规则设计多模型选取算法,如去掉不可能模型,合并相似模型,最可能模型选择算法以及基于期望最大算法的迭代策略等,进而对所得到的融合数据应用扩展卡尔曼滤波算法建立外推点迹,最终形成新航迹。设计框图如图2所示。

2.1 模型集的确定

大部分的跟踪算法都是基于模型的,因此目标运动模型设计是机动目标跟踪的基本要素之一,也是一个关键的问题。在建立机动目标模型时,一般的原则是所建立的模型既要符合实际机动模式,又要便于数据处理。本文选取目标跟踪中常用的几种运动模型组成模型集,包括CV模型、CA模型和当前统计模型。

2.2 配合规则

多模型算法按配合规则基本上可分为三代,静态多模型算法(SMM)、交互式多模型算法(IMM)、变结构多模型算法(FSMM)。以上三代多模型算法跟踪精度逐渐升高,同时算法的复杂度也依次升高、可实现性逐步变差。综合考虑算法的实用性和代价,IMM算法的交互方式更合理有效一些,是目前研究应用最多、被认为是最成功的一种算法。

因此,本文采用IMM算法作为模型之间的配合规则,完成多模型跟踪算法的设计。

2.3 滤波处理

本文选用扩展卡尔曼滤波方法对融合后的数据进行滤波处理。首先建立状态方程和观测方程,根据前一个估计值和最近一个观测数据来估计信号的当前值,并用状态方程和递推方法来进行估计,其解是以估计值形式给出的。由于滤波是采用递推算法,所以数据存储量少,运算量小,非常适合实时处理系统的应用。

3 跟踪效果仿真

选取扫描周期TIR=0.02s对目标进行跟踪模拟。目标初始位置为(1 000,1 000,1 000)m,初始运动速度为(300,300,300)m/s,初始加速度为(10,10,10)m/s2。

图3分别为x方向,y方向,z方向位置估计误差。

图4反映了位置估计误差的RMSE。

图5为目标运动轨迹和跟踪轨迹的三维仿真示意图。

仿真结果显示:在基于雷达/红外双模导引的多传感器仿真平台下,所设计的多模型机动目标跟踪算法跟踪精度相对较高,收敛较快,迟滞较小。

4 结语

本文主要研究基于多传感器的多模型机动目标跟踪算法,在更加接近真实环境的雷达红外双模导引模拟仿真平台下设计了多模型机动目标跟踪算法,并对其跟踪性能进行仿真验证,仿真结果证实了该算法的有效性和实用性。

摘要：多模型目标跟踪算法由于其独特的处理未知结构和可变参数的优点,已成为当前目标跟踪研究领域的一个重要方向。然而当今的多模型目标跟踪方法大都停留在理论层面,因此在实际应用层面上研究并设计多模型目标跟踪算法,并实现稳定、可靠而精确的目标跟踪意义重大。选用当今最为流行、应用最广泛的雷达和红外作为传感器,在红外/雷达双模导引头的多传感器平台下展开研究,设计并仿真实现了更接近真实的军事与民用环境的多模型机动目标跟踪算法。仿真结果验证了该算法跟踪性能的有效性。

关键词：目标跟踪,多模型算法,多传感器平台,数据融合

参考文献

[1]周宏任.机动目标跟踪[M].北京:国防工业出版社,1991.

[2]BAR SHALOM Y.Multitarget multisensor tracking[M].Bos ton:Artech House,1992.

[3]韩宏亮.基于IMM的雷达目标跟踪算法研究[D].南京:南京信息工程大学,2011.

[4]朱志宇.基于红外和雷达数据融合的机动目标跟踪方法[J].激光与红外,2007,37(2):170-174.

[5]BLOM H A P,BLOEM E A.Interacting multiple model jointprobabilistic data association avoiding track coalescence[C]//Proceedings of the 41st IEEE Conference on Decision and Control.Las Vegas,NV,USA:IEEE,2002:3408-3415.

[6]罗寰,于雷,陈中起,等.基于多模型交互的红外目标跟踪方法研究[J].激光与红外,2009,39(7):776-779.

[7]张红霞.基于多源传感器信息融合的目标跟踪算法研究[D].成都:电子科技大学,2011.

[8]潘丽娜.基于扩展卡尔曼滤波的多传感器目标跟踪[J].舰船电子工程,2010,30(12):71-73.

[9]苏峰,王国宏,何友.修正的逻辑航迹起始算法[J].现代防御技术,2004,32(5):66-68.

【跟踪传感器】推荐阅读：

利用无线传感器网络实现运动声源的定位与跟踪08-10

数据跟踪07-15

政策跟踪05-12

实时跟踪05-24

质量跟踪06-05

快速跟踪06-08

信息跟踪06-17