《目标跟踪的多传感器数据融合(译文)》由会员分享，可在线阅读，更多相关《目标跟踪的多传感器数据融合(译文)（27页珍藏版）》请在金锄头文库上搜索。
1、目标跟踪中的多传感器的数据融合：综述摘要用分布的多传感器进行目标跟踪在自动机器人、军事应用和通信系统等领域中是非常重要的一项工作。在这篇综述里，我们回顾了一些通过传感器的数据融合形成的鲁棒性跟踪的智能计算的方法。本文讨论了多个算法在JDL模型的不同层次的应用，并且强调了在不同应用环境中的缺点和优点。关键词分布式传感器，跟踪，信息融合，数据融合1 引言把多传感器的结果结合起来，相比单个传感器1，2而言，其可以产生更为精确的信息；这可以从现有的传感器或者小的或者是便宜的传感器中提高性能。本文补充了陆标3主题的综述，增加了最近10年的一些值得注意的突破，比如传感器管理和分布感应。多传感器数据融合（M
2、ulti Sensor Data Fusion ，MSDF）尽管大多数文献提到了军事目标跟踪4或者自动机器人这两领域，但是其可以应用到很多领域。军事分布的数据融合使得网络中心战（Network Centric Warfare ，NCW）6，12或者网络使用能力（Network Enabled Capability ，NEC) 7变得方便。如果诸如战争和航天飞机之类的平台能通过网络互连并且进行数据共享，那么可能会收集到比他们各自的传感器得到的数据更为精确的数据。一个NEC系统包括三个主要成分8：1用一个传感器的集合生成观测值2产生一个自动把数据转换成信息和知识的处理系统3一个高速通信网络传感器可
3、以聚集在一起，比如在一个潜艇上，甲板上有一些声波探测器，或者这些探测器分别由士兵随身携带9。所以，单词“平台”用来描述任何携带传感器的物体。在融合过程的结点中，数据可以来自于三个源中的一个10（见图1）：1数据类型1：平台自身的传感器的数据，称作“器官数据”2数据类型2：网络连接到其他平台的数据3先前的数据库中的数据 图1 一个网络使能的潜艇的三个可能的数据源传统上讲，军事数据融合的体系结构是集中式的或层次化的1。然而分散结构却有着许多优点，包括进程负担轻，没有单个集中式的数据库的需求，通信开销小，数据流瓶颈的可能性降低以及由于单个结点的故障的高存活力。为了使集中式的数据融合变得容易，需要考虑
4、三个主要问题：1体系结构如何使结点连接和共享信息。如要详细了解MSDF的方面，文12 13和14用了一个军事的观点，文15讨论了一个自动系统。2传感器管理不同的战术目的，如何放置传感器最大化区域的覆盖范围。163算法如何处理这些过程。尽管本文主要讨论了MSDF的军事应用，也很容易将其运动到机器人学习中。机器人在未知的环境中需要移动。由于诸如花费、可靠性和方便使用之类的因素，这种机器人身上最普通的两个传感器是超声波探测器和数字视频摄像机17，18。MSDF要求把数据结合起来并处理。传统可用一些Kalman19和贝叶斯滤波器进行处理；然而，最近几年，有朝着模糊逻辑和人工神经网络20的趋势方向发展。
5、尽管已经提出了多于30个的融合结构21，最被广泛应用的数据融合模型是由美国库数据融合联合局子委员会（American Joint Directors of Laboratories Data Fusion Subpanel）22。它把数据融合过程分成四层，从而建立一个过程层次。尽管这是数据融合的仅有层次，并且主要集中研究军事应用，但是却提供了一个有用的分类融合算法的结构。第2，3，4和5节是JDL模型的四个层次，用来对相似算法进行比较。2 JDL第一层“对象提炼”对象提炼通常分成数据注册、数据关联、位置属性估计和鉴定23。这四类和对应算法分别在2.1,2.2,2.3和2.4节讲到。一些算法并不
6、直接归属于某一单个类；例如，文24，25和26都建立了把从两个或多个传感器中融合信息看作两个额外过程，建立了估计属性和鉴定的算法。关联和状态估计也作为一个单独的步骤27来提高性能。2.1 数据注册数据注册功能把数据指定到一个公共的参考框架中去。这经常从自我中心的Cartesian坐标系改变到纬度，经度和海平面的高度。2.2 数据关联关联这步是比较度量，并且尝试收集出自相同现实世界的度量使之为单个轨迹。难点在于区分目标，如果有可能则区分每个度量的源泉。这主要由度量跟踪联合处理的。在分布式系统中，关联也可以作为比较不同的进程结点的行踪的一步，把估计同一个现实世界目标状态的跟踪结合起来。这就是度量跟
7、踪联合。2.2.1，2.2.2，2.2.3，2.2.4和2.2.5描述了数据联合的多种方法。2.2.1 近邻近邻是联合的最简单形式。在该算法中，最近的度量确保此轨迹接近于更新轨迹。该算法非常简单，能够通过很小的计算代价寻找一个可行的解决方案。然而，在密集的环境中，可能导致许多对之间有着相似概率，所以错误会很大28。另一种相关的技术是“所有的邻居”：在门限范围里的所有度量包括在轨迹之内28。2.2.2 联合概率数据关联（Joint Probabilistic Data Association, JPDA）Bar-Shalom等建立了两个相关滤波器。第一个是概率数据关联（Probabilistic
8、 Data Association, PDA）29。其只对单个目标的情况工作。所有的在门限范围的轨迹附近的度量假定作为轨迹的更新。对每个有效的度量计算其关联的后验概率。这些概率值用来作为权重以计算带有权值的平均度量更新，并把它加到轨迹上去。第二个滤波器是JPDA30，它是PDA在多目标情况的扩展。在所有的目标之间计算度量到目标的概率值。对JPDA工作来说，每一个度量必须假定落入有效区域内以保证所有错误度量的概率密度函数是一样的31。Bloem和Blom32发现了对于轨迹建立没有明确的办法，但是他们假设轨迹已经存在。如果不提供具体的推理，当新的目标出现，他们就会被理解为旧的轨迹，而不是建立他们自
9、己的新的轨迹。另一个问题是，所有的度量更新所有的目标，意思是如果一个轨迹被噪声初始化，它将会被更新，并且它附近其他的轨迹使之一直保持更新。由于没有固定的方法解决过期轨迹，因而加重了该问题的严重性。PDA和JPDA的计算复杂度都是指数型的。由于这些问题，文32提出了一个新奇的基于最近邻居的方法严格的最近邻居PDA(Exact Nearest-Neighbor, NNPDA)，并且发现其在没有聚集的情况下比JPDA计算更高效、更精确。JPDA处理聚集的能力与ENNPDA避免轨迹同化的能力结合在一起，也就是我们知道的轨迹联合来建立双PDA(Coupled PDA, CPDA)33。在目标处于低速下，
10、算法性能远远超过标准的JPDA；在高速情况下，这三个算法的性能是收敛的34。JPDA也已经扩展为多传感器PDA（Multisensor JPDA, MSJPDA）。它的性能比最近邻居算法的多传感器JPDA和单传感器JPDA都要好。2.2.3 拉格朗日松弛由于多传感器跟踪多目标，数据关联问题看作是NP难题。文37的证据表明，在所有的可能下，NP难题在计算高效下不能解决。但是许多近似算法可以找到近最优解。拉格朗日松弛就是这样一类技术。Pattipatti等36首先把这种方法应用到数据关联问题中去。他们的解决保证多项式时间性能，并且内存需求只是O(n3)。该算法由两阶段组成：首先是把代价指定到所有可
11、行的关联，同时在第二阶段，通过3维指派算法得到使得通用似然率最大化的可行解。2.2.4 人工神经网络跟踪数据关联选择基于多传感器的轨道，并且试图把与同一目标对应的轨道关联或成组。多于两个目标时，该问题就变成了NP难题，因此需要寻找近似的方法来解决。Winter和Favier38提出了一个用神经网络的方法来解决该问题。文38说明了该神经网络方法基于Hopfield的神经网络，总是找到17.4%时间的最优解，找到其余时间的近似正确解。2.2.5 模糊推理普遍使用的PDA和JPDA的缺点在于，随着目标数的增加，计算时间量指数增长。模糊推理算法用“常识”代替数学来寻找解决办法39。Hong等设计了一些
12、数据融合的模糊规则，并把数据转换成带有下列值的模糊集NL, NS, ZO, PS, PL（大负数，小负数，零，小正数，大正数）。这些结果40表明用模糊推断会导致相比较JPDA较低的平均RMS位置误差。模糊集越多，精确度越高。模糊多目标跟踪系统的计算代价比JPDA要低。尽管越多的模糊集意味着越高的精确率，但同时也增加了计算负担。所以，为达到所要求的精确度必须选择合适数量的模糊集。模糊数据融合算法（Fuzzy Data Fusion, FDA）41用类似于JPDA的方式处理数据关联，尽管输入和输出值在模糊集中被编码。对雷达进行红外线融合，我们发现对实验中模拟目标其比JPDA的RMS位置误差要小得多
13、。也证明了FDA的计算开销比JPDA低。在文42中，Wang等用传统的雷达来看待融合电子支援度量(Electronic Support Measures, ESM)这个问题。在水面之上，雷达是最重要的传感器，因为其能为传感器的方位和距离提供精确的目标定位信息。ESM是被动的，检测目标发射的雷达信息，所以只能产生角度量。由于目标可能有许多发射者，因而有可能用多ESM轨迹融合单个雷达轨迹。在此研究中，Wang等计算了一个模糊合成相似度，其是基于雷达度量预测的方位和实际用ESM传感器测出的方位两者之间的残留。通过计算两个阈值来建立模糊集描述ESM和雷达数据的相关性。对于其中的一对，有：1 稳定的相关
14、性，ESM信号和雷达轨迹吻合。2 暂时性的相关，ESM可能和雷达轨迹一致。3 暂时性的不相关，ESM可能和雷达轨迹不一致。这使得该算法能够确定哪些轨迹和哪些雷达轨迹融合。2.3 位置/属性估计位置和属性估计是选择关联度量和计算目标状态的过程。目标运动分析（Target Motion Analysis, TMA）的一个例子是被动雷达。被动雷达只能测出目标的方位，而不是距离。有必要运行TMA来计算目标的距离和速度。在2.3.1，2.3.2，2.3.3，2.3.4和2.3.5中，我们回顾了最通用的位置/属性估计的方法。2.3.1 卡尔曼滤波器卡尔曼滤波器(Kalman Filter, KF)43在6
15、0年代首先提出来，自此就成了目标跟踪和机器人导航中最常使用的方法。已经证明了基本的KF是贝叶斯滤波器44的一种形式，而贝叶斯滤波器是线性高斯系统的最优估计。假定有一系列的噪音度量，KF能够估计系统的状态。KF的扩展是扩展的KF(Extended Kalman Filter, EKF)45。这能确保诸如只有方位的被动雷达数据的数据在KF中使用。由于线性化的步骤，EKF是次最优的。EKF在移动机器人导航的传感器融合文献中是最流行的工具。KF和EKF两者原来都是用在单个传感器上。Willner等46首先提出了把位于集中融合结点上的本地传感器联合起来，以形成更为精确的全局估计。该算法的缺点是每一个本地传感器都需要全局估计，而全局估计需要双向通信并且否定了并行化的优点。文47已经证明了，当KF用在集中融合结点上以融合多个本地KF的结果。这些结果可以通过把全局估计反馈到本地滤波器以作为下一步迭代的先前状态来提高性能。由于本地滤波器的输出在时间上是相关的，如此一个系统的性能可以得到提升，只有通过把每一个的第n个度量输出到全局跟踪器来得到接近的最优性能48。KF和EKF的信息理论的观点在133中讨论。信息滤波器（Information Filter, IF）或者是转置协方差滤波器是估计
