神经网络补偿的多传感器航迹融合技术

"基于神经网络补偿的多传感器航迹融合技术是解决多传感器环境中目标跟踪问题的一种有效方法。此技术通过结合神经网络和线性卡尔曼滤波器，旨在提高航迹融合的精度，减少由共同过程噪声引起的误差。文中采用的神经网络结构为径向基函数(RBF)神经网络，并利用无痕卡尔曼滤波(UKF)优化网络权重，以适应过程噪声变化的情况。多传感器数据融合分为测量融合和航迹融合，后者在处理不同类型传感器数据和提高目标状态估计准确性方面更具优势。尽管已有如简单融合算法(SF)、加权方差融合(WCF)和自适应航迹融合等方法，但它们在处理过程噪声和计算复杂性上存在局限。文中提出的神经网络补偿方法在仿真中表现出对过程噪声目标跟踪的有效性，展示了其在实际应用中的潜力。" 本文详细探讨了多传感器航迹融合领域的一个关键问题，即如何有效地融合来自不同传感器的航迹信息以降低由共同过程噪声导致的估计误差。传统的融合算法如简单融合和加权方差融合在特定条件下性能受限。为解决这个问题，作者提出了一种创新的解决方案，即结合神经网络尤其是径向基函数神经网络(RBFNN)与无痕卡尔曼滤波器(UKF)。RBFNN以其强大的非线性映射能力，能够学习和补偿传感器测量中的不确定性，而UKF则用于优化神经网络的权重，确保其在过程噪声变化时仍能保持良好的性能。 多传感器融合通常分为测量融合和航迹融合。测量融合直接结合传感器测量值，但面临处理不同类型传感器数据的挑战以及集中式方法的鲁棒性问题。相比之下，航迹融合每个传感器独立估计目标状态，然后在融合中心进行关联和融合，能提供更准确的目标状态估计。然而，现有航迹融合算法如SF和WCF在处理共同过程噪声时效率不高，而自适应航迹融合虽有一定改善，但在多数情况下仍需计算交互协方差，增加了计算负担。 文中提出的神经网络补偿方法旨在简化这一过程，通过神经网络的自适应学习特性减少融合误差，同时利用UKF简化权值优化，提高了算法的适应性和计算效率。通过仿真验证，该方法在处理具有过程噪声的目标跟踪时表现优异，即便过程噪声变化也能保持稳定效果，因此在实际应用中具有广阔前景。 这篇论文聚焦于通过神经网络补偿技术改进多传感器航迹融合的精度和鲁棒性，对于理解和优化多传感器系统的目标跟踪性能提供了新的思路。