机载多传感器管理与信息融合技术笔记

绪论

本章主要内容：对多传感器信息融合（Multi-sensor Information Fusion）、机载多传感器信息融合技术及多传感器管理进行综述。

信息融合定义：利用计算机技术对按时序获得的多源的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。

• 多传感器系统 $\to$ 硬件基础
• 多源信息 $\to$ 加工对象
• 协调优化和综合处理 $\to$ 核心

融合都是将来自多传感器或多源的信息和数据进行综合处理，从而得出更为准确可信的结论。

信息融合的目标是基于各传感器分离观测信息，通过对信息的优化组合导出更多的有效信息。这是最佳协同作用的结果它的最终目的是利用多个传感器共同或联合操作的优势，来提高整个传感器系统的有效性。

多源信息：

• 传感器：探测或测量物理现象的设备，按不同的方式可分为物理接触传感器和非物理接触传感器;
• 源数据：源数据是经过人工处理过的预知数据，它常被看作是情报信息，主要包括人工情报、通信情报和我军计划等。源数据中的元素通常在态势和威胁级进行融合，因此，它们不直接与传感器数据组合，并常常将它们的输入与传感器数据分开。（决策时进行融合）
• 通信链：从传感器或源数据到数据融合处理节点的通信连接，用以传输来自远方的数据。

信息抽象层次（后二个主要用于军事）：

• 检测层 $\to$ 检测级融合：直接在多传感器分布检测系统中检测判决或信号层上进行的融合。

• 位置层 $\to$ 位置级融合：直接在传感器的观测报告或测量点迹和传感器的状态估计上进行的融合，包括时间和空间上的融合，是跟踪级的融合，属于中间层次，也是最重要的融合。**PS：检测级融合关注目标的存在与否以及与目标相关的属性信息，而位置级融合关注目标的空间位置和相关的空间信息。

  多传感器跟踪系统：

  • 集中式：首先按对目标观测的时间先后对测量点迹进行时间融合，然后对各个传感器在同一时刻对同一目标的观测进行空间融合，它包括了多传感器综合跟踪与状态估计的全过程。
    

集中式融合

• 分布式（航迹融合）：各传感器首先完成单传感器的多目标跟踪与状态估计，也就是完成时间上的信息融合，接下来各传感器把获得的目标航迹信息送入融合节点，并在融合节点完成坐标变换、时间校正或对准，然后基于这些传感器的目标状态估计进行航迹关联(相关) 处理，最后对来自同一目标的航迹估计进行航迹融合，即实现目标航迹估计间的空间融合。PS：集中式系统适合需要全局优化和集中管理的应用，但可能更容易受到单点故障的影响。分布式系统更适合需要高度鲁棒性和可扩展性的应用，但需要更复杂的通信和协作机制。
  

  分布式融合

• 混合式：集中式和分布式多传感器系统相组合的混合结构。

• 多级式：它主要根据来自下一层融合中心的航迹估计信息，通过坐标变换、时间对准和航迹关联后，完成高层次空间融合，即航迹间的状态融合。

混合式融合与多级式融合

• 属性层 $\to$ 属性级融合：亦称目标识别或身份估计。在军事上，信息融合的目的是对观测实体进
  行定位、表征和识别。
• 态势层 $\to$ 态势评估（态势分析）：对战场上战斗力量分配情况的评价过程。
• 威胁层 $\to$ 威胁估计：通过将敌方的威胁能力，以及敌人的企图进行量化来实现。

信息抽象层次（简化）

• 像素级信息融合 = 检测层+位置层：是最低层的融合，是在对传感器原始信息未经或经过很小处理的基础上进行的，它要求各个融合的传感器信息间具有精确到一个象素的配准精度的任何抽象层次的融合。典型应用：卡尔曼滤波
• 特征级融合 = 属性层：
• 决策级融合 = 态势层 + 威胁层

$ C^3I$：指挥自动化技术系统

机载多传感器信息融合技术

• 单平台信息融合

  • 雷达、前视红外探测系统、激光测距/ 目标指示装置、雷达告警接收机、导
    弹逼近告警、激光告警等不同类型传感器的信息融合
  • 双色/多色红外搜索和跟踪系统

• 多平台传感器信息融合：多平台装备不同类型传感器，通过借助日益发展成熟的数据链技术和航空航天卫星通信技术，能够
  显著扩大传感器的空域覆盖、频率覆盖和时间覆盖能力。下图是上世纪 90 年代典型的空空战斗机的航空电子系统软件和人机接口示意图。首先，各载机平台对各自传感器数据进行融合，形成各自独立的目标跟踪文件;机间飞行数据链将不同平台传感器数据传输到融合中心站，建立互连跟踪文件包; 每个平台用自己的目标测量和目标识别等数据适时更新互联跟踪文件包。

空空攻击管理航空电子系统

机载多传感器资源管理

管理范围：

1. 空间管理
2. 模式管理
3. 时间管理

涉及技术：

1. 基于数学规划和优化技术的方法：线性规划、非线性规划和动态规划等。
2. 基于模糊推理和神经网络的方法
3. 基于信息论的方法
4. 基于知识或专家系统的方法

机载多传感器信息融合系统的 Petri 网建模

Petri网适合对存在并发、并行的事件的离散事件系统进行建模。一般用位置( place )表示条件，用变迁表示事件。

引入模糊技术来应对传感器探测到的信息的不确定性或模糊性。

Petri网的缺陷

1.Petri 网没有数据的概念，因为所有的数据控制必须转化为网上的结构(如位置或转移) ，故经常导致模型非常庞大。

2.Petri 网没有层次的概念，因而不能通过一系列具有良好界面的子模型来建立一个复杂的大模型。

使用着色Petri 网（也称 CP一 网或 CPN）来解决以上两个问题。CPN 可以在不影响原始 Petri 网的情况下，把数据结构和层次分解很好地结合起来。

机载多传感器资源分配线性规划模型

机载多传感器目标融合识别

属性融合层的主要任务是目标识别。

在 D-S 证据理论基本概念的基础上,将证据理论应用于多传感器多测量周期的机载雷达用途识别。当目标属性信息相关时，利用加权的方式来对其进行融合识别。

对于融合过程的总结：

1. 时域融合：单传感器多测量周期的信息融合。
2. 空域融合：多传感器信息融合。

机载多传感器目标跟踪

对概率数据互联算法进行修正，修正的 PDAF 可在对目标进行状态估计的同时，以历次扫描所得杂波数为先验信息对杂波密度进行估计，由此得出与实际情况较为接近的参数值，从而得到对目标较为准确的状态估计。

$角度融合跟踪算法$

集中式融合的状态估计
PS：根据这篇论文的分类分为集中式与分布式等，但是我觉得把他叫做串行和并行更合适。
对机载双传感器测得的角度信息进行融合，将测量向量扩维，由融合中心进行状态估计。设$P_1$、$P_2$是两个传感器的位置，为研究的方便，取$P_1$的位置为坐标原点。
目标动态模型为：

$$X(k+1)=\Phi X(k)+GV(k)$$

其中

$$X={\left[\begin{array}{llllll}x& y& z& \dot{x}& \dot{y}& \dot{z}\end{array}\right]}^{\prime }$$

$$\Phi =\left[\begin{array}{llllll}1& 0& 0& T& 0& 0\\ 0& 1& 0& 0& T& 0\\ 0& 0& 1& 0& 0& T\\ 0& 0& 0& 1& 0& 0\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}\right]$$

$$G=\left[\begin{array}{ccc}{T}^2/2& 0& 0\\ 0& T^2/2& 0\\ 0& 0& T^2/2\\ T& 0& 0\\ 0& T& 0\\ 0& 0& T\end{array}\right]$$

过程噪声为三维零均值高斯噪声向量，其协方差阵为$Q=q{I}_{3\times 3}$，$I_{3\times 3}$为 $3\times 3$ 的单位阵，于是

$$GE\left[V(k)V^{\prime }(k)\right]G^{\prime }=GQ{G}^{\prime }=\left[\begin{array}{ll}\frac{T^4}{4}q{I}_{3\times 3}& \frac{T^3}{2}q{I}_{3\times 3}\\ \frac{T^3}{4}q{I}_{3\times 3}& T^{2}q{I}_{3\times 3}\end{array}\right]$$

测量方程为非线性的，因为只能测得方位角和俯仰角，两个传感器分别为：

$$Z_1(k)=h_1[X(k)]+W_1(k),Z_2(k)=h_2[X(k)]+W_2(k)$$

扩维后的广义测量方程：

$$\begin{array}{rl}& Z(k)={\left[\begin{array}{llll}{\theta }_1(k)& {\phi }_1(k)& {\theta }_2(k)& {\phi }_2(k)\end{array}\right]}^{\prime }+W(k)=h(X(k))+W(k)=\\ & \left[\begin{array}{c}\arctan [y(k)/x(k)]\\ \arctan \left[z(k)/\sqrt{x^2(k)+y^2(k)}\right]\\ \arctan \left[\left(y(k)-y_2(k)\right)/\left(x(k)-x_2(k)\right)\right]\\ \arctan \left[\left(z(k)-z_2(k)\right)/\sqrt{{\left[x(k)-x_2(k)\right]}^2+{\left[y(k)-y_2(k)\right]}^2}\right]\end{array}\right]+\left[\begin{array}{l}{W}_1(k)\\ W_2(k)\end{array}\right]\end{array}$$

使用EKF进行状态估计，则$h[X(k)]$的雅克比矩阵为

$$H(k)={\frac{\partial h}{\partial X}|}_{X=\hat{X}(k/k-1)}\left[\begin{array}{cccccc}\frac{-\hat{y}}{{\hat{r}}_{h_1}^2}& \frac{\hat{x}}{{\hat{r}}_{h_1}^2}& 0& 0& 0& 0\\ \frac{-\hat{x}\hat{z}}{{\hat{r}}_{h_1}{\hat{r}}_1^2}& \frac{-\hat{y}\hat{z}}{{\hat{r}}_{h_1}{\hat{r}}_1^2}& \frac{{\hat{r}}_{h_1}}{{\hat{r}}_1^2}& 0& 0& 0\\ \frac{-\left(\hat{y}-y_2\right)}{{\hat{r}}_{h_2}^2}& \frac{\hat{x}-x_2}{{\hat{r}}_{h_2}^2}& 0& 0& 0& 0\\ \frac{-\left(\hat{x}-x_2\right)\left(\hat{z}-z_2\right)}{{\hat{r}}_{h_2}{\hat{r}}_2^2}& \frac{-\left(\hat{y}-y_2\right)\left(\hat{z}-z_2\right)}{{\hat{r}}_{h_2}{\hat{r}}_2^2}& \frac{{\hat{r}}_{h_2}}{{\hat{r}}_2^2}& 0& 0& 0\end{array}\right]$$

其中$\hat{x}$、$\hat{y}$、$\hat{z}$均为预测值

$$\begin{array}{c}{\hat{r}}_{h_1}=\sqrt{[\hat{x}(k/k-1){]}^2+[\hat{y}(k/k-1){]}^2}\\ {\hat{r}}_1=\sqrt{{\hat{r}}_{h_1}^2+[\hat{z}(k/k-1){]}^2},{\hat{r}}_{n_2}=\sqrt{{\left(\hat{x}-x_2\right)}^2+{\left(\hat{y}-y_2\right)}^2}\\ {\hat{r}}_2=\sqrt{{\hat{r}}_{n_2}^2+{\left(\hat{z}-z_2\right)}^2}\end{array}$$

其中$x_2(k)$、$y_2(k)$、$z_2(k)$为传感器2的状态。PS：因为飞机的动作频繁，两个传感器运动状态不同，不能忽略不计。根据结果得到线性化量测矩阵$H(k)=\left[\begin{array}{l}{H}_1(k)\\ H_2(k)\end{array}\right]$之后，才能使用EKF得到状态估计。

点迹融合与多目标跟踪

多目标跟踪分系统由火控雷达和红外探测器及其相关的数据处理设备组成：

• 火控雷达：能直接测量目标的角度、距离和速度，在脉冲多普勒状态（脉冲多普勒雷达通过测量传入或反射的脉冲信号的频率变化来获得目标的速度信息）下有很好的测速性能，在单脉冲状态下有很好的测距性能。
• 红外探测器：只能测量目标的角度，但精度很高。

基于双探测器数据融合技术的机载多目标跟踪系统模型分为两级：数据融合级（点迹融合）、融合跟踪级（多目标跟踪算法）

• 点迹融合：使用极大似然进行机载双探测器的点迹融合（需要再看）

• 多目标跟踪：

  1. 坐标系转换：由机体坐标系转换至地理坐标系（地理坐标系的原点为载机质心，N 轴指向正北，E 轴指向正东，D 轴指向地面）
  2. 滤波处理：

     • 对距离进行$\alpha -\beta$滤波

     • 对角度信息进行变增益卡尔曼滤波。以某一方向余弦$\Lambda$为例，设目标状态向量为，其状态和量测方程分别为

       $$X={\left[\begin{array}{lll}\Lambda & \dot{\Lambda }& \ddot{\Lambda }\end{array}\right]}^T$$

       其状态和量测方程分别为

       $$\begin{array}{rl}& X(k+1)=FX(k)+Gq(k)\\ & \Lambda =HX(k)+\mu (k)\end{array}$$

       式中$q$为目标角加速度白噪声，其协方差阵为$Q$; $\mu$为角度量测噪声，其协方差阵为$S$,

       $$H={\left[\begin{array}{lll}1& 0& 0\end{array}\right]}^T,G={\left[\begin{array}{lll}0.5T^2& T& 1\end{array}\right]}^T,F=\left[\begin{array}{ccc}1& T& 0.5T^2\\ 0& 1& T\\ 0& 0& 1\end{array}\right]$$

       方向余弦的卡尔曼滤波为

       $$\begin{array}{rl}& K(k)=P(k/k-1)H^T{\left[HP(k/k-1)H^T+S(k)\right]}^{-1}\\ & P(k/k)=[1-K(k)H]P(k/k-1)\\ & P(k+1/k)=FP(k/k+1)F^T+Q(k)\\ & \hat{X}(k/k)=\hat{X}(k/k-1)+K(k)[\Lambda -\hat{\Lambda }(k/k-1)]\\ & \hat{X}(k+1/k)=F\hat{X}(k/k)\\ & \hat{\Lambda }(k+1)=H\hat{X}(k+1/k)\end{array}$$

     • 动态波门选通

     • 分块式航迹关联处理

     • 航迹建立与取消

传感器

• 机载雷达
• 红外探测器
• 光学侦察