一种有效的异质多传感器异步量测融合算法

　　1 引言

　　在多传感器目标跟踪系统中，由于异质传感器能实现优势互补，将其数据进行融合，可提高对空中目标的跟踪精度。异质传感器信息融合是数据融合实际应用中的一个重要内容，因为在实际的系统中，经常遇到利用3D雷达(测量值为距离、方位和俯仰)、2D雷达(距离和方位)、被动雷达(方位和俯仰)、测高雷达(俯仰)和ESM(方位)等传感器对目标进行跟踪，利用这些传感器进行融合可获得更精确、更完全的目标状态估计。

　　异质多传感器融合是数据融合中一个重要内容，文献[1]研究了利用2D主动雷达和红外传感器对高机动目标进行跟踪，提出基于IMM/PDAF的序贯滤波融合方法。文献[2-4]提出一种虚拟融合法，由于该算法首先是对采样率高的传感器数据进行最小二乘压缩，使之与另一个传感器的数据同步，该算法中各传感器采样率的比需满足一定的条件，文献[5]研究了一种并行滤波方法。由于该算法是一种同步融合算法，对于异步数据首先要进行同步化。

　　本文从建立伪量测方程的角度，提出了一种异质多传感器的异步量测融合算法，该算法是通过在融合中心建立伪量测方程使各传感器的数据同步，然后利用同步的思想进行处理，最后通过计算机仿真进行了验证。

　　2 系统模型

　　不失一般性，以在球面坐标系中运动的目标为例进行分析，则离散时间线性系统的状态方程为：

　　X(k+1)=F(k+1，k)X(k)+Γ(k+1，k)V(k) (1)

　　其中，X(k)为k时刻目标的状态向量;kF(k+1，k)为状态转移矩阵;Γ(k+1，k)为过程噪声转移矩阵;V(k)是零均值，高斯白噪声序列，其协方差阵为Q(k)。

　　在实际情况下，传感器得到的是三维球坐标系或二维极坐标系的目标量测，即包括斜距r、方位角a和俯仰角e。假设某一传感器的测量方程为：

　　Z(k)=h(X(k))+W(k) (2)

　　其中，W(k)是k时刻的测量高斯白噪声，其相互独立且协方差为R(k)，量测向量Z(k)包括斜距r(k)、方位角a(k)、俯仰角e(k)，坐标转换如图2所示，由其定义可得：

　　3 测量方程的线性化

　　由于测量方程(2)是一个非线性方程，可以利用泰勒级数展开，对其进行线性化，展开围绕者预测状态X(k/k-1)进行，表示如下：

　　其中观测斜距用的量测矩阵Hr(k)由下式表示为：

　　故状态方程(1)和测量方程(4)组成线性化目标运动模型。