一种以综合指标为优化方法、系统、设备和介质技术方案

本发明专利技术提供一种以综合指标为优化方法、系统、设备和介质，综合考虑跟踪精度、检测概率及传感器成本的优化，使得多目标多传感器跟踪更符合实际情况；结合考虑了在杂波环境多目标多传感器跟踪中，传感器和目标以及传感器相互之间的避碰问题；较高的跟踪精度势必要求传感器更加接近目标，将RFS空概率引入避碰模块，解决了传感器与目标之间以及传感器相互之间的因较高的跟踪精度要求传感器更加接近目标所面临的碰撞风险问题，仿真结果验证了所提RFS空概率避碰和综合优化函数对多传感器控制的有效性和安全性。效性和安全性。效性和安全性。

【技术实现步骤摘要】
一种以综合指标为优化方法、系统、设备和介质


[0001]本专利技术属于多目标跟踪
，特别涉及一种以综合指标为优化方法、系统、设备和介质

技术介绍

[0002]在实际的多目标跟踪中，环境通常十分复杂，含有大量干扰和噪声，多目标跨区域运动范围较大,而且受限于传感器的性能，单传感器控制系统往往无法满足多目标跟踪的要求。由于目标个数和状态的不确定性、测量噪声、漏检、杂波、非线性、实时性等因素的影响，使用多移动传感器来组成传感器网络去提升跟踪系统的稳定性、鲁棒性和跟踪精度是非常必要的。多传感器控制的核心是在控制命令集合中找到一个最优子集，因此，多传感器控制本质上则是一个高维优化问题，这使得多传感器控制策略的求解异常复杂。
[0003]现有技术中的分布式多传感器的控制策略考虑了将跟踪精度、检测概率及传感器成本综合约束作为多传感器控制策略，仿真结果表明了在不同权重系数下决策的有效和可靠，但跟踪精度部分仅将更新步的协方差阵作为指标，不能全面和深度的挖掘后验密度的信息，并且多传感器获得的量测没有进行融合。同时，现有技术中，采用散度作为优化指标引入传感器控制决策，但考虑的仅仅是无杂波环境，并且其中传感器是非实时运动的，而且是单传感器控制。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术提供一种以综合指标为优化方法、系统、设备和介质，可以解决实际多目标跟踪中的多指标优化问题以及传感器运行的安全问题。
[0005]本专利技术是通过以下技术方案来实现：
[0006]一种以综合指标为优化方法，其特征在于，包括以下步骤：
[0007]步骤S1：初始化多目标及传感器网络状态，采用标签多伯努利分布描述多目标状态；
[0008]步骤S2：预测多目标密度p
k|k
‑1(X)，得到预测状态及协方差；
[0009]步骤S3：传感器状态估计：由传感器自身观测方程选择模式有其中则得到传感器状态估计；
[0010]步骤S4：根据KL
‑
PaC准则选择最优控制决策；
[0011]步骤S5：求解传感器的RFS空概率；
[0012]步骤S6：进行传感器与目标之间的避碰以及传感器相互之间的避碰，从而确定最终控制指令，获取多目标量测；
[0013]步骤S7：多目标状态更新，后验融合；
[0014]步骤S8：多目标状态输出，生成航迹。
[0015]进一步，所述步骤S1中多目标转移矩阵为：
[0016][0017]其中，为传感器观测矩阵。
[0018]进一步，所述步骤S2中预测步骤的状态由标签多伯努利分布描述，其概率分布为：
[0019][0020]其中：
[0021][0022]∫p
(c)
(x，l)dx＝1；
[0023]c为所有关联图，即c＝(θ1，
…
θ
k
‑1)，θ
j
为j时刻目标标签集到量测集的一一映射；下标k为当前时刻不标注时间，
“‑”
下标为上一时刻，“+”下标为下一时刻，为离散索引空间，标签p
(c)
(
·
，l)表示被标记为l的目标的状态分布，ω
(c)
(
·
)为假设关联(I，ξ)的非负权重函数；
[0024]若当前时刻多目标先验分布符合广义标签多伯努利随机有限集的形式，那么预测得到的多目标GLMB分布为：
[0025][0026]其中：
[0027][0028][0029][0030][0031][0032][0033]进一步，所述步骤S3中传感器状态估计，由传感器自身观测方程选择模式有
其中则
[0034]进一步，所述步骤S4中选择最优控制决策的步骤为：
[0035]KL
‑
PaC准则为：
[0036][0037]其中为第j个传感器对第i个目标的状态估计，其成本为D
KL
(
·
||
·
)为两个分布之间的KL散度，为第j个传感器对i个目标的预测，是第j个传感器对第i个目标的KL
‑
PaC准则；α
k
，β
k
和γ
k
是相对权重系数，与普通权重的不同之处在于它可以是任意正数，三者之和可以不等于1，而普通权重系数在[0，1]之间，并且权重之和等于1。
[0038]进一步，所述步骤S5中传感器的RFS空概率计算过程为：
[0039]广义标签多伯努利滤波器(GLMB)是一个标签RFS，在扩维空间上的置信密度由下式给出：
[0040][0041]由空概率泛函的定义可得：
[0042]Q
π
(s)＝∫
x
‑
s
π(X)δ(X)；
[0043][0044]由Δ(X)代替标签指示器则对于h：对于g：且方程在上是可积的；
[0045][0046]化简得到：
[0047][0048][0049]进一步，所述步骤S6中传感器与目标之间的避碰策略，在第k+1时刻，第j个传感器和第i个目标之间的避碰策略为：
[0050][0051][0052]其中，为第j个传感器在k+1时刻的控制输入集合U
j
下的KL
‑
PaC优化指标，即在输入集合中寻求优化指标最小的一组控制输入；为第j个传感器在控
制输入u
k+1|k
的空概率取值，P
λ
表示传感器安全半径内的空概率设定值：
[0053][0054][0055]其中为s属于随机有限集X的补集；为在控制输入u
k+1|k
下的随机有限集X的补集，即传感器的安全空间，进而建立为以安全距离为半径的空间球体；
[0056]传感器之间的主动避碰策略，两个使用成本不同的传感器之间的避碰，以使用成本较高的传感器保持静止，使用成本较低的传感器进行避碰；策略表述为：
[0057][0058]其中，j，z表示两个不同的传感器，U
j，z
表示两个传感器的所有控制集合；
[0059]所述步骤S7中更新得到的多目标GLMB分布为：
[0060][0061]其中，
[0062][0063][0064][0065][0066]所述步骤S8中，对表示多目标状态的标签多伯努利分布进行修剪与合并，并根据标签多伯努利后验密度进行多目标状态提取，并产生多目标航迹。
[0067]一种以综合指标为优化系统，其特征在于，包括
[0068]描述多目标状态模块，用于初始化多目标及传感器网络状态，采用标签多伯努利分布描述多目标状态；
[0069]预测状态及协方差模块，用于预测多目标密度p
k|k
‑1(X)，得到预测状态及协方差；
[0070]传感器状态估计模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种以综合指标为优化方法，其特征在于，包括以下步骤：步骤S1：初始化多目标及传感器网络状态，采用标签多伯努利分布描述多目标状态；步骤S2：预测多目标密度p
k|k
‑1(X)，得到预测状态及协方差；步骤S3：传感器状态估计：由传感器自身观测方程选择模式有其中则得到传感器状态估计；步骤S4：根据KL
‑
PaC准则选择最优控制决策；步骤S5：求解传感器的RFS空概率；步骤S6：进行传感器与目标之间的避碰以及传感器相互之间的避碰，从而确定最终控制指令，获取多目标量测；步骤S7：多目标状态更新，后验融合；步骤S8：多目标状态输出，生成航迹。2.根据权利要求1所述一种以综合指标为优化方法，其特征在于，所述步骤S1中多目标转移矩阵为：其中，为传感器观测矩阵。3.根据权利要求1所述一种以综合指标为优化方法，其特征在于，所述步骤S2中预测步骤的状态由标签多伯努利分布描述，其概率分布为：其中：∫p
(c)
(x，l)dx＝1；c为所有关联图，即c＝(θ1，
…
θ
k
‑1)，θ
j
为j时刻目标标签集到量测集的一一映射；下标k为当前时刻不标注时间，
“‑”
下标为上一时刻，“+”下标为下一时刻，为离散索引空间，标签p
(c)
(
·
，l)表示被标记为l的目标的状态分布，ω
(c)
(
·
)为假设关联(I，ξ)的非负权重函数；若当前时刻多目标先验分布符合广义标签多伯努利随机有限集的形式，那么预测得到的多目标GLMB分布为：其中：
4.根据权利要求1所述一种以综合指标为优化方法，其特征在于，所述步骤S3中传感器状态估计，由传感器自身观测方程选择模式有其中则5.根据权利要求1所述一种以综合指标为优化方法，其特征在于，所述步骤S4中选择最优控制决策的步骤为：KL
‑
PaC准则为：其中为第j个传感器对第i个目标的状态估计，其成本为D
KL
(
·
||
·
)为两个分布之间的KL散度，为第j个传感器对i个目标的预测，是第j个传感器对第i个目标的KL
‑
PaC准则；α
k
，β
k
和γ
k
是相对权重系数，与普通权重的不同之处在于它可以是任意正数，三者之和可以不等于1，而普通权重系数在[0，1]之间，并且权重之和等于1。6.根据权利要求1所述一种以综合指标为优化方法，其特征在于，所述步骤S5中传感器的RFS空概率计算过程为：广义标签多伯努利滤波器(GLMB)是一个标签RFS，...

【专利技术属性】
技术研发人员：刘伟峰，刘启亮，赵智，
申请(专利权)人：陕西科技大学，
类型：发明
国别省市：