异质多传感器异步量测融合算法研究与应用

"本文主要介绍了一种针对异质多传感器异步量测融合问题的算法，旨在通过在融合中心建立伪量测方程实现数据同步，以提高目标跟踪的精度。这种方法尤其适用于不同类型的传感器，如3D雷达、2D雷达、被动雷达、测高雷达和ESM等，它们各自提供不同维度的信息。文章引用了先前的研究，如基于IMM/PDAF的序贯滤波融合方法和虚拟融合法，同时指出这些方法对于传感器采样率的同步有一定的限制。本文提出的算法则旨在解决异步数据融合的问题，通过建立伪量测方程来处理不同步的数据，然后应用同步处理策略。文章还简述了系统模型，包含状态方程和测量方程，并提及了非线性测量方程的线性化方法，如泰勒级数展开，以适应融合算法的需求。" 详细说明： 1. **异质多传感器信息融合**：在多传感器跟踪系统中，使用不同类型的传感器（如3D雷达、2D雷达等）能够互补各个传感器的局限性，提高目标状态估计的准确性和完整性。异质传感器融合是数据融合领域的一个关键问题。 2. **异步量测融合**：在实际应用中，传感器的采样率可能不同步，这需要特殊的方法来处理。文献中的方法通过在融合中心创建伪量测方程来实现数据同步，以便进一步融合。 3. **伪量测方程**：这是一种在融合中心建立的数学工具，用于将异步的传感器数据转换为同步形式，从而能够统一处理来自不同传感器的数据。 4. **系统模型**：文章提出了一个离散时间线性系统模型，描述了目标状态随时间的转移以及包含过程噪声的动态。状态方程表示目标状态的更新，而测量方程描述传感器如何获取关于目标的信息。 5. **测量方程线性化**：由于非线性测量方程的存在，需要使用泰勒级数展开等技术将其近似为线性方程，以便应用线性滤波算法进行数据融合。 6. **计算机仿真验证**：为了证明算法的有效性，作者通过计算机仿真进行了验证，这是评估新算法性能的常用方法。 7. **比较与现有方法**：文中提到了其他研究，如IMM/PDAF和虚拟融合法，但指出这些方法在处理异步数据时有特定的限制，强调了所提出算法的创新性和适用性。 这篇文章详细介绍了一种创新的异步量测融合算法，特别适用于处理异质传感器的数据，它通过伪量测方程和同步处理策略提高了多传感器系统的跟踪性能。