目标跟踪的多传感器数据融合译文.docx
《目标跟踪的多传感器数据融合译文.docx》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.docx(42页珍藏版)》请在冰豆网上搜索。
目标跟踪的多传感器数据融合译文
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(MultiSensorDataFusion,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(NetworkCentricWarfare,NCW)[6,12]或者网络使用能力(NetworkEnabledCapability,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。
[16]
3.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Kalman[19]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。
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(AmericanJointDirectorsofLaboratoriesDataFusionSubpanel)[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。
2JDL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(JointProbabilisticDataAssociation,JPDA)
Bar-Shalom等建立了两个相关滤波器。
第一个是概率数据关联(ProbabilisticDataAssociation,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JPDA[30],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Blom[32]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(ExactNearest-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(CoupledPDA,CPDA)[33]。
在目标处于低速下,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(MultisensorJPDA,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Favier[38]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(FuzzyDataFusion,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。
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(ElectronicSupportMeasures,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(TargetMotionAnalysis,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(KalmanFilter,KF)[43]在60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(ExtendedKalmanFilter,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(InformationFilter,IF)或者是转置协方差滤波器是估计状态向量的KF。
信息状态向量由y=P-1x定义,其中x是传统的状态向量,P是其协方差。
信息状态向量的协方差是状态向量的协方差的转置,也是我们所知的Fisher信息矩阵或者信息矩阵。
以这种方式,滤波器直接估计信息矩阵。
该形式的滤波器尤其在状态向量比度量向量大的时候显示出优势。
另外,没有物体被跟踪的先验知识的情况,可以由把信息矩阵初始化零[29]的表示方式解决。
用KF/EKF做需要把协方差矩阵的元素设置为无限,事实是不可能的。
在度量模型高度非线性化的情况,甚至EKF有可能出现分歧。
在这种情形下,算法的Sigma点卡尔曼滤波(SigmaPointKalmanFilter,SPKF)族可以使用[50]。
SPKF不是循环算法的期望,而是在平均值附近的精确选择出来的点循环聚集。
用一些点,非线性可以更加精确的建模。
一些点的使用可以使之变得与粒子滤波(见2.3.4节)相似;然而,SPKF需要一个较少点的幅值的顺序,所以计算开销大大降低。
SPKF包括Unscented卡尔曼滤波(UKF)[51]。
VanderMerwe等[52]发现,甚至UKF都仍然局限于高斯分布。
2.3.2多模式算法
自20世纪60年代人们开始提出了静态算法,尽管近年来还没有可用的可实施的算法。
如果用在滤波器中的模型不同于现实系统动力学,那么该滤波器将会出现差异。
如果系统有多种运作方式,那么上述这种情况可能发生。
而滤波器只能描述其中的一个。
由于目标通常沿着一条直线运动,目标跟踪将会落入此类情形;但是在演习部队改变方向或速度,目标可以有一个短暂时期。
[53]
伴随着Markov模型的转移是简单的,并且对有着变时参数的系统来说更为现实。
两种大多数普遍使用的模式是广义假贝叶斯(generalizedpseudo-Bayesian,GPB)[54],[55]和交互多模式(Interactingmultiplemodel,IMM)[56]。
两者都用了一组滤波器,尽管IMM可能需要的要相对少些。
这些方法的优点是模块性;使用的滤波器可以是KF或者是EKF甚至是PDA或者JPDA[57]。
IMM基线是混合系统的最简单形式。
每个滤波器都是一个标准的Kalman滤波器,其中每一个Kalman滤波器都表示了一个不同的模式,比如说停止或运动[58]。
IMM同时也用来作为静态平滑。
过滤只使用过去的度量,而固定间隙(lag)的平滑会延迟该进程通过固定数目——N个的更新。
由于这些延迟,经过一段时间可以上升到N个度量。
Chen和Tugnait[59]提出了基于IMM的固定间隙的平滑器,并说明了在平均平方误差情况下其精度可以成比例的增加到间隙。
任何形式的间隙平滑,不可避免的导致了接受度量和计算目标状态估计这两者之间的延迟。
度量的延迟也成比例的到间隙。
零间隙的平滑器所以是一个滤波器。
IMM通常用来和诸如JPDA的关联技术联合起来以形成一个多目标的跟踪系统。
如此算法可以用来跟踪接近的进行演习的目标[60],[61]或者聚类里的目标[62],[63]。
这都是把JPDA的数据融合的步骤和IMM的状态估计的能力结合起来。
Hwang等用了一个混合的IMMJPDA算法在航空交通控制中来跟踪飞机[64]。
2.3.3多分辨率滤波器
数据可以看作是其达到的粒度层,或者也可以简单的看作是用小波变换得到的低粒度层。
把不同数据粒度层结合对数据进行运做,我们称之为分辨率过滤器。
这类技术已经成功应用到图象处理中以提高性能。
但是,直接用该技术来对处理图象以得到目标跟踪进行是不可能的,因为图象处理必须作为一批处理方法进行的,而目标跟踪和信号处理必须在新数据到达时必须给出新的估计。
文[65],[66],[67]和[68]克服了这些难题,通过把数据划分成块以把MRF应用到目标跟踪和信号处理中。
这样把数据表示成一个树的结构,而最顶层表示最高的精确度,即原始数据[69]。
这样可以被描述成一个低通滤波器;由于数据从高层粒度到低层粒度传播,信号的高频率成分就被消除了。
所用的算法是IMM[70]的一种形式。
在任何多模式算法中,知道什么时候目标正在演习是重要的,所以该算法可以从一种模式转移到另外一种模式去。
任何跟踪算法可以用在每一层,近邻和JPDA两者都工作的很好[71]。
由于在最低层可获得的数据相当少,算法将会运行的比较快,而计算时间也增加了。
在不同层用不同算法可以显著降低计算时间。
如在最粗层发现了演习,则下一层检查是否演习可以被检测出来。
如果检测出来了,这样一个决策就被传播到下一层进行处理。
最好层可以精确的鉴定出什么时候演习发生。
把工作量分散在处理层之间,证明其相对IMM/KF滤波器,可以提高性能,尤其是在高背景噪音层的环境中[72]。
最初,分辨率只能通过的2的整数次方降低,即整个,1/2比率,1/4比率等等。
这种情况在文[73]得到了改变,可以把数据分解成任意分辨率。
Hong等[74]说明了相同的方法可以用来跟踪模糊的或者平静的目标,Fan等[75]进一步把该方法扩展成可以同时提高精确度和对多目标进行跟踪。
2.3.4粒子滤波
不幸的是,除了在模拟实验中,错误很少知道或者是高斯的,所以需要用任意概率密度函数的过滤器方法。
早期的方法试图提高EKF的结果,但是涉及到用IMM。
设置不同的模式以表示不同的高斯分布选择有权重的平均高斯结果,任意的分布都可以做为模式。
然而,这种方法并不能自动的应用[76]。
直接的办法就是对概率密度函数进行建模从而把搜索空间分解成网格,用网格空间来表示概率密度函数的点。
然而选择网格是一件重要的工作,尤其在多维空间中,许多网格点可能变得有必要。
粒子滤波器,或者是我们知道的Bootstrap,Condensation或者Monte-Carlo滤波器,都会遇到这个问题。
不是用一个固定的网格代表概率密度函数,而是用可动的“粒子”。
早期版本粒子过滤器使用固定数目的粒子,导致了粒子向单点崩溃,并且像KF用不当描述的高斯一样出现差异。
Cordon等[78]提出了一个“Bootstrap滤波器”或者顺序重要性重采样(SequentialImportanceResampling,SIR)。
这样就带来了采样步骤,以防止滤波器发散,在每一步消除最低权重的粒子,在最高权重的点建立新的粒子。
Bootstrap过滤器证明了在非线性度量的系统中跟踪其精确度比EKF要好,比如EKF只跟踪方位。
从那以后,提出了一些该方法的变体,比如多目标跟踪[79],[80]和用IMMPF方法的机动目标[81],[82]和[83]。
PF已经证明在分布式传感环境下特别有效的[84]。
可以在文[85]找到不同类型的PF的详细描述。
2.3.5人工智能法
用知道的统计学的传感器融合倚赖于Kalman滤波和Bayesian统计学众所周知的技术。
对不确定性没有具体的统计模型,其他方法,比如基于规则的传感器融合,模糊推理和神经网络可以代替。
基于规则。
多传感器数据融合的一种最简单方法是Flynn[86]提出的,他给出一个简单的启发式规则的集合,该集合常常用在自主移动机器人以融合两个并排的传感器数据,其中一个是超声波传感器,第二个是接近的红外传感器[87]。
虽然规则集很简单,但是往往很有效,通常以此作为基准来比较许多新的人工智能融合方法。
人工神经网络(ANN)。
许多作者[87],[88],[89],[90],[91],[92]已成功应用神经网络到传感器融合中去。
反向传播(BP)网络已经被用来作为航行能力,可以与尖端方法相媲美[93]。
多层网络需要非常长的训练时间,需要有替代方法来优化网络规模。
径向基函数网络(LRF)比BP训练快,因为只有一层权重需要改变。
ANN的一个问题是确定合适的隐藏单元。
Ash[95]提出动态结点生成(DynamicNodeCreation,DNC)系统,开始用一个小的网络,然后定时增加其大小,直至网络足够大可以处理任务了。
DNC后来被Ghosh和Holmberg[96]应用到数据融合中去。
他们发现给定许多大量的结点,反向传播网络通常有训练过度的倾向,而把LPF和DNC结合起来却不会有这样的问题,尽管输出编码网络是最有效的网络类型。
目标状态估计也可以利用神经网络。
比如,受大脑启发的接触估计(NeurallyInspiredContactEstimator,NICE)[97]是一种基于神经网络算法的目标运动分析(TMA)。
NICE算法与最大似然估计具有同等的精确度(MLE),但是其量级更快。
最近,遗传算法(GA)被用来设计神经网络以数据融合。
Abdel-Aty-Zohdy和Ewing[98]用这种技术开发了一个电子笔的数据融合系统。
模糊推理的自适应过滤器。
Kalman滤波器假定了过程和度量噪声协方差的先验知识。
由于在大多数实用系统中这种假设几乎很少满足,所以他们都是估算的。
这对过滤器的性能不利,甚至可能促进滤波器加快差异。
因此,如果能解决这些问题,自适应滤波器比标准Kalman滤波具有更好的性能。
Escamilla-Ambrosio和Mort[99]提出模糊推理的自适应的Kalman滤波(FL-AKF)。
这用模糊推理来调整Q和R的值,以使之更好适应他们方差的估计值。
这样在传感器故障诊断,异常排斥以及错误不时变动下工作得很好。
Sasiadek和Hartana[101]用三种新的技术来扩展这项工作:
基于模糊推理的自适应CKalman滤波(FL-ACKF),基于模糊推理的自适应DKalman滤波(FL-ADKF)和基于模糊推理的自适应FKalman滤波(FL-AFKF)。
所有这些都是基于FL-AKF的。
结果表明,这些方法在异构传感器下用不同的动力和噪音统计测量同一参数情况下很有效。
FL-AKF已经用在自主机器人融合从里程计得到的位置资料与从甲板上声纳得到的数据[101]。
测量机器人轮子已经转动过的次数的里程计很容易漂移。
声纳测量外部空间目标的距离,这将是准确的,但能间歇性的得到。
两个数据源的融合用来纠正里程计的飘逸。
通常,这种融合是用KF进行的,但是用FL-AKF可以表现出更为精确的结果[102]。
2.4鉴定
鉴定这一步是鉴定度量来源的物体。
由于本文的目的,它假定本地平台利用自身传感器数据来生成它自己最好的目标标志估计和另一个标志的置信度值。
一旦在本地鉴定后,必须融合远程估计以形成了全局的解决。
2.4.1贝叶斯推论
贝叶斯推论(BI)是用概率表示置信度的方法。
贝叶斯定理可以用来主观的信念估计。
Hall[23]定义了一系列贝叶斯推论的问题,其中包括:
1.定义先验似然的困难
2.当有许多潜在的假设和许多条件独立事件的复杂度
3.假设必须互斥
4.不能在决策中描述不确定性
2.4.2Dempster-Shafer(D-S)规则的结合
在一些环境下贝叶斯信念不再适用。
后来,Shafer和Dempster[104]推广了传统的贝叶斯信念模型,允许了不确定性的明确表示。
这样就要求了对一个分类算法对一个目标不能分类或者是不能彻底地列出它所属的所有的类别的情形进行建模。
然而,D-S不是没有问题。
如果一个分类算法以99%置信鉴定目标为类型a,而另一个分类算法以99%置信鉴定目标为类型b,但是两者都以1%的置信鉴定目标为类型c,那么D-S把这些结合起来用100%的概率输出一个分类C。
这是因为这是仅有的不冲突有的输出,但是结果却是反直观的。
Jiu等[105]认为相互冲突的总概率应该在所有的分类间作平均,这将导致一个更直观的例子,在上一段中,分类a和b每个都在低于50%的信念,而c略高于1%。
Yu和Yin[106]也找到了这一问题解决方法,他们把D-S合并到文[107]的并行决策结构中。
这也解决了上述问题。
D-S已用于各种融合环境,其中包括地雷探测[108],自主机器人[109]和医疗系统[110]。
全面列出的D-S和基于贝叶斯的算法,见文[111]。
2.