黃細(xì)鳳，吳欽章

(1．中國科學(xué)院光電技術(shù)研究所，成都610209;2．中國科學(xué)院研究生院，北京100049)

在集中式融合目標(biāo)跟蹤系統(tǒng)中，所有傳感器量測通過網(wǎng)絡(luò)傳輸?shù)饺诤现行?，進(jìn)行綜合處理。處理中心和各傳感器由各自的時統(tǒng)設(shè)備獲得標(biāo)準(zhǔn)時間，各傳感器對目標(biāo)軌跡進(jìn)行采樣得到量測信息，并給每個量測加上一個“時戳”表示采樣時刻。由于各傳感器采樣頻率和量測預(yù)處理時間的不同，尤其是網(wǎng)絡(luò)通信延遲的差異，使得多傳感器量測傳輸?shù)饺诤现行臅r，常會發(fā)生來自同一目標(biāo)的較早的量測在較晚的量測之后到達(dá)的情況［1］，即無序量測 OOSM(Out-Of-Sequence Measurement)現(xiàn)象。由于Kalman濾波算法只適于處理順序量測ISM(In Sequence Measurement)，因此基于Kalman濾波框架的量測融合算法不能直接處理狀態(tài)估計的負(fù)時間更新問題，即用OOSM(量測時間為td)更新當(dāng)前時刻tk(td＜tk)的狀態(tài)估計。

目前針對OOSM的濾波方法主要有4類:丟棄延遲量測法、重新濾波法、數(shù)據(jù)緩存法和直接更新法。丟棄延遲量測法采用丟棄OOSM的策略，它會造成大量信息丟失，導(dǎo)致目標(biāo)跟蹤精度下降甚至丟失目標(biāo)。重新濾波法要求濾波器存儲過去一段時間的量測數(shù)據(jù)和部分中間結(jié)果，從產(chǎn)生OOSM的時刻起重新濾波，它能得到與有序量測順序處理時相同的結(jié)果，但其所需存儲量和計算量會隨傳感器數(shù)目、目標(biāo)數(shù)目及延遲時間的增長而顯著增加。數(shù)據(jù)緩存法把過去一段時間的量測緩存起來，按探測時間排序，然后進(jìn)行濾波，它也可以獲得與有序量測順序處理時相同的結(jié)果，但是需要較大的存儲空間而且輸出嚴(yán)重滯后。直接更新法［2－10］既不丟棄 OOSM，又不緩存歷史數(shù)據(jù)，而是直接使用OOSM更新當(dāng)前時刻的狀態(tài)估計，使其能達(dá)到或逼近將量測順序處理時的濾波精度。由于直接更新法存儲量和計算量小，濾波輸出沒有滯后，又有高精度的濾波性能，因此是國內(nèi)外學(xué)者的研究重點。

對于單個OOSM的一步延遲問題，Bar-Shalom提出了A1算法［2］，同時命名Hilton等提出的次優(yōu)算法為 B1算法［3］。周文輝等［4］指出:A1算法僅在過程噪聲連續(xù)離散化模型下最優(yōu)，同時提出一種與過程噪聲離散化模型無關(guān)的最優(yōu)OOSM濾波算法。對于單個OOSM的多步延遲問題，Mallick M等［5］提出了Bl算法，Bar-Shalom等［6］提出了 Al1和Bl1算法，用量測等效法將多步延遲問題等效為單步延遲問題，再使用A1和B1算法進(jìn)行處理。在預(yù)先知道最大延遲的前提下，Zhang K S和Li X Rong提出了全局最優(yōu)的 Zl算法［7－8］。隨后又有多種方法被提出［9－13］處理單個 OOSM 的一步和多步延遲問題。對于多 OOSM 問題，目前研究成果還較少［1，14－16］

本文對于解決單個OOSM問題借用重新濾波法的思想，提出了一種基于等價量測的順序更新式算法來處理單OOSM的多延遲問題。

1OOSM問題描述

假定對一目標(biāo)進(jìn)行跟蹤，相應(yīng)的運(yùn)動方程和量測方程為:

假定在tk時刻，已有狀態(tài)估計

在式(3)的狀態(tài)估計已經(jīng)計算出來以后到達(dá)處理中心。然后要用較早的量測式(4)來更新tk時刻的估計，即計算

一般來說，量測時刻 td可能 l步延遲，即為最大滯后步數(shù)。當(dāng) l=1時，為一步滯后 OOSM，當(dāng) l＞1時，即為多步滯后OOSM。解決多步滯后OOSM問題時，為了減小存儲量和計算量，一般采用一步解算法處理［6－13］。

2 基于等價量測的順序更新式算法

基于等價量測的順序更新算法的基本思想是:當(dāng)接收到滯后到達(dá)的量測即無序量測時，將濾波過程返回至該無序量測的探測時刻，重新濾波;但是在重新濾波時，探測時刻晚于該無序量測的所有量測用一個等價量測來代替，而不存儲這段時間的量測數(shù)據(jù)和中間結(jié)果。因此，關(guān)鍵步驟是求這個等價量測。

2．1 等價量測

等價量測的概念在解決l＞1步延遲的OOSM問題上應(yīng)用普遍，Bar-Shalom Y教授等人在A1，B1算法的基礎(chǔ)上提出的Al1，Bl1算法［6］就是基于等價量測進(jìn)行的。

首先定義tk時刻的等價量測

由式(9)、式(10)，我們得到等價量測的濾波增益為

由式(8)、式(10)，我們得到等價量測為

由式(7)、式(10)、式(11)，我們得到等價量測噪聲協(xié)方差陣

式(7)～式(13)中

在式(10)的條件下，我們求得了等價量測，如果實際觀測矩陣為，則實際的等價量測，實際的等價量測噪聲協(xié)方差陣。

2．2 順序更新

用zd進(jìn)行更新，有:

其中，有

表征該量測噪聲與其他各量測噪聲之間的相關(guān)性。下標(biāo)中的Tk表示該融合周期的融合時刻，且Tk≥tk。

其中有:

3 算法分析

3．1 數(shù)據(jù)存儲量

本文算法可處理多步延遲OOSM問題，所以與數(shù)據(jù)存儲量較小的Al1，Bl1算法來比較。對于l步OOSM問題，在未收到OOSM之前，l未知，為討論方便，假定最大延遲步數(shù)s是固定的。新算法需要存儲:，n 個標(biāo)量，③個標(biāo)量，n為目標(biāo)狀態(tài)向量的維數(shù)，因而所需額外存儲量為［(n2+3n+2)s］/2。由文獻(xiàn)［6］知，Al1和Bl1算法額外存儲量分別為［(n2+3n+2)s］/2 和［(n2+n+2)s］/2，因此本文算法的額外存儲量與Al1算法相當(dāng)。

3．2 最優(yōu)性分析

4 仿真分析

假定有5個傳感器對同一目標(biāo)進(jìn)行跟蹤，各傳感器的量測，測得噪聲為零均值的高斯白噪聲，方差分別為5、10、15、20、25。該目標(biāo)沿 x 軸做勻加速運(yùn)動，目標(biāo)運(yùn)動方程和量測方程分別為式(1)和式(2)。

式(1)中目標(biāo)狀態(tài)向量為

目標(biāo)狀態(tài)轉(zhuǎn)移矩陣為

累積過程噪聲的協(xié)方差為

其中，Δt為探測時間間隔;q為連續(xù)時間過程噪聲的功率譜密度，q=1 m2/s2。

式(2)中目標(biāo)量測矩陣為

量測噪聲的協(xié)方差為

4．1 仿真1

設(shè)在t0=50 s時，已獲得狀態(tài)估計和協(xié)方差，在Toosm=［t0，t1］，t1=51 s的時間間隔內(nèi)，接收到的傳感器2的量測是無序量測，它的探測時刻為50．3 s。假定對應(yīng)于延遲步數(shù)l=1，2，3，在Toosm內(nèi)相應(yīng)的各傳感器探測時刻如表1所示。

表1 仿真1 Toosm內(nèi)相應(yīng)的各傳感器探測時刻

我們對本文的算法，Al1算法以及數(shù)據(jù)緩存法，在延遲步數(shù)l=1，2，3的OOSM情形下進(jìn)行處理，將所得的用無序量測進(jìn)行更新后的最新時刻的協(xié)方差矩陣的跡和位置均方根誤差做出比較，比較結(jié)果顯示在表2中，表中的數(shù)據(jù)是通過100次的Monte Carlo仿真得到的平均值。表中括號內(nèi)求的是相對數(shù)據(jù)緩存法的結(jié)果的偏差，偏差越小，效果越好。

表2 仿真1的各算法的結(jié)果比較

4．2 仿真2

假設(shè)處理中心每個融合周期內(nèi)接收到的傳感器2的量測數(shù)據(jù)都是無序量測，對應(yīng)于延遲步數(shù)l=1，3，參照表1。同樣用本文的算法，Al1算法以及數(shù)據(jù)緩存法進(jìn)行處理，將所得的用無序量測進(jìn)行更新后的最新時刻的協(xié)方差矩陣的跡和位置均方根誤差做出比較，比較結(jié)果如圖1，圖中的數(shù)據(jù)是通過100次的Monte Carlo仿真得到的平均值。

圖1 仿真二的各算法的結(jié)果比較

4．3 結(jié)果分析

由于仿真中設(shè)置了算法的模型與目標(biāo)的運(yùn)動較匹配，因此過程噪聲的影響較小，從仿真結(jié)果中可以看出:OOSM 延遲時間較短(Δt=0．2 s，0．4 s，0．6 s)時，能滿足該算法的最優(yōu)性條件。從誤差協(xié)方差矩陣的跡的比較可知，新算法的誤差協(xié)方差矩陣的跡的偏差略大于Al1和數(shù)據(jù)緩存法，且隨延遲步數(shù)增加而偏差略有增加，這是由于求解等價量測時忽略過程噪聲相關(guān)性所引起的;同時從表2中也可以看到，隨著延遲步數(shù)增加，以最優(yōu)的數(shù)據(jù)緩存法作為基準(zhǔn)，性能下降是非常小的，有時甚至并不一定會下降。從位置均方根誤差的比較可知，新算法與數(shù)據(jù)緩存法和Al1算法有著相同的濾波精度。

5 結(jié)論

本文針對無序量測處理問題，結(jié)合等價量測與重新濾波法，提出了一種基于等價量測的順序更新式處理算法。該算法用等價量測代替重新濾波法中需要緩存的量測序列和中間結(jié)果，然后從無序量測處開始用無序量測和等價量測進(jìn)行順序式的更新。該算法有較小的額外存儲量;對于一步延遲來說是最優(yōu)的，對于多步延遲來說，當(dāng)過程噪聲很小且無序量測延遲時間較短時，接近最優(yōu)且性能下降非常小。本文算法處理的只是單個OOSM的情況，對于多OOSM問題還有待進(jìn)一步研究。

［1］ 韓崇昭，朱洪艷，段戰(zhàn)勝，等．多源信息融合(第二版)［M］．北京:清華大學(xué)出版社，2010．

［2］ Bar-Shalom Y．Update with Out-of-Sequence Measurements in Tracking:Exact Solution［J］．IEEE Transactions on Aerospace E-lectronic Systems，2002，38(3):769－778．

［3］ Hilton R D，Martin D A，Blair W D．Tracking with Time Delayed Data in Multi-Sensor Systems［R］．Technical Report NSWCDD/TR－93/351，AD－A355269，Dahlgren，VA，August 1993．

［4］ 周文輝，李琳，陳國海，等．單步延遲無序量測濾波算法的最優(yōu)性分析［J］．中國科學(xué) E 輯:信息科學(xué)，2007，37(4):564－580．

［5］ Mallick M，Coraluppi S，Carth el C．Advances in Asynchronous and Decentralized Estimation［C］//Proc．of the IE EE Aerospace Conference，2001，4:1873－1888．

［6］ Bar-Shalom Y，Chen H M，Mallick M．One-Step Solution for the Multi-Step out of Sequence Measurement Problem in Tracking［J］．IEEE Transactions on Aerospace Electronic Systems，2004，40(1):27－37．

［7］ Zhang K S，Li X R，Zhu Y M．Optimal Update with Out-of-Sequence Measurements for Distributed Filtering［C］//Proceedings of the Fifth International Conference on Information Fusion，Annapolis，MD，2002，7:1519－1526．

［8］ Zhang K S，Li X Rong，Chen H，et al．Multi-Sensor Multi-Target Tracking with Out-of-Sequence Measurements［C］//Proc．Of the 6th International Conference on Information Fusion．USA:IEEE．2003．:672－679．

［9］ Yu Anxi，Liang Dian nong，Hu Weidong，et al．A Unified Out-of-Sequence Measurements Filter［C］//IEEE International Radar Conference，2005:453－458．

［10］高蕊，秦超英，張希彬．無序量測的狀態(tài)更新估計算法［J］．傳感器技術(shù)學(xué)報，2006，19(2):501－503．

［11］何雅晶，徐毓．單個非順序量測的異步航跡融合算法［J］．火力指揮控制，2007，32(7):47－50．

［12］王煒，黃心漢，徐忠昌，等．一種新的無序量測處理算法［J］．電子與信息學(xué)報，2009，31(8):1996－2000．

［13］王煒，黃心漢，王公寶．一種最佳多延遲無序量測處理算法［J］．系統(tǒng)工程與電子技術(shù)，2009，31(11):2592－2596．

［14］高蕊，秦超英，張希彬．無序量測的狀態(tài)更新估計算法［J］．傳感技術(shù)學(xué)報，2006，19(2):501－503．

［15］ Xiaojing Shen，Zhu Yunmin，Song Enbin．Optimal Centralized Update with Mutiple Local Out-of-Sequence-Measurements［J］．IEEE Transaction on Signal Processing，2009，57(4):1551－1562．

［16］ Xiaojing Shen，Yunmin Zhu，Enbin Song．Globally Optimal Distributed Kalman Fusion with Local Out-of-Sequence-Measurements Updates［J］．IEEE Transaction on Automatic Control，2009，54(8):1928－1934．

［17］葛泉波，文成林．基于狀態(tài)轉(zhuǎn)換的順序式異步數(shù)據(jù)融合算法［J］．系統(tǒng)工程與電子技術(shù)，2008，30(12):2322－2328．