基于Fisher信息的传感器航迹自适应滤波算法

doi:10.7527/S1000-6893.2024.29825

航空计算与仿真技术专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于Fisher信息的传感器航迹自适应滤波算法

胡玉梅¹, 潘泉²^,³, 邓豹¹()

^1.航空工业西安航空技术计算所，西安 710065
^2.西北工业大学自动化学院，西安 710072
^3.西北工业大学信息融合教育部重点实验室，西安 710072

收稿日期:2023-11-02 修回日期:2023-11-28 接受日期:2024-02-19 出版日期:2024-03-12 发布日期:2024-03-11
通讯作者: 邓豹 E-mail:dengbao15@sina.com
基金资助:
国家自然科学基金(61976080)

A Fisher information based adaptive filtering algorithm for sensor trajectory planning

Yumei HU¹, Quan PAN²^,³, Bao DENG¹()

^1.AVIC Xi’an Aeronautics Computing Technique Research Institute，Xi’an 710065，China
^2.School of Automation，Northwestern Polytechnical University，Xi’an 710072，China
^3.Key Laboratory of Information Fusion Technology，Ministry of Education，Northwestern Polytechnical University，Xi’an 710072，China

Received:2023-11-02 Revised:2023-11-28 Accepted:2024-02-19 Online:2024-03-12 Published:2024-03-11
Contact: Bao DENG E-mail:dengbao15@sina.com
Supported by:
National Natural Science Foundation of China(61976080)

摘要/Abstract

摘要：

针对单传感纯角度被动跟踪系统的不完全可观问题，结合变分置信下界最大化提出一种基于Fisher信息累积的传感器航迹自适应估计算法。首先，建立以传感器航向角、目标状态估计及其估计误差协方差为参数的变分贝叶斯迭代联合优化框架；在此基础上，推导给出变分置信下界关于航向角的Fisher信息矩阵，并将其最大化以获得传感器航向角的最优解，从而实现传感器平台轨迹自适应优化；同时，考虑纯角度跟踪的鲁棒性，结合正则化方法以相邻迭代变分分布之间的加权Kullback-Leibler散度为惩罚项，构建以状态估计及其估计误差协方差为超参数的优化函数；继而，通过线性化方法给出优化函数的二阶近似，并计算其关于超参数的偏导数，获得状态估计及其估计误差协方差的迭代更新解析表达式；最后，通过被动传感器纯角度跟踪系统仿真实验，验证所提算法能够通过改变传感器航向角有效提高信息的累积量，实现较高精度的目标跟踪。

关键词: 传感器航迹规划, 变分贝叶斯推断, 非线性滤波, 自适应滤波, Fisher信息矩阵

Abstract:

To address the problem of incomplete observability of the bearing-only tracking system with single sensor， an optimal motion trajectory of the sensor is presented under the condition of maximizing variational evidence lower bound to accumulate more information from measurement. Firstly， assuming that sensor’s speed is a constant， a joint optimization framework with the super-parameters of sensor’s heading， state estimation and its estimation error covariance is established by using variational Bayesian inference on this basis， the Fisher information matrix with respect to sensor’s heading is derived by maximizing the evidence lower bound， so that the optimal heading can be computed at the point of Fisher information accumulation maximization. Meanwhile， considering the robustness of estimated system， a weighted Kullback-Leibler divergence between variational distribution and the posteriori is taken as a regularization to constructed an optimization function， in which state estimation and the associated error covariance are set as variational super-parameters. Furthermore， the partial derivatives of optimization function with respect to state estimation and the associated error covariance are presented to compute estimation update. Simulations of bearing-only tracking system are presented showing that the proposed algorithm can accumulate information from measurement effectively and achieve a higher estimation performance of accuracy by changing sensor’s heading.

Key words: sensor trajectory planning, variational Bayesian inference, nonlinear filtering, adaptive filtering, Fisher information matrix

中图分类号:

V247

胡玉梅, 潘泉, 邓豹. 基于Fisher信息的传感器航迹自适应滤波算法[J]. 航空学报, 2024, 45(20): 629825.

Yumei HU, Quan PAN, Bao DENG. A Fisher information based adaptive filtering algorithm for sensor trajectory planning[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(20): 629825.

图/表 14

图 1

图 2

图 3

图 4

表1

VBAKF-KLD中涉及的矩阵运算项计算复杂度

运算项	乘运算	加运算	其他
$f k x k - 1$	$m 2$	$m m - 1$
$h k x k$	$m n$	$n m - 1$
$F k Τ$			$O m 2$
$S k$			$O n 3$
$R k - 1$			$O n 3$
$H k = ∂ h k x k ∂ x k$			$O n m 3$
$F k P k \| k - 1 F k Τ$	$2 m 2$	$2 m 2 m - 1$	$O m 2$
$H k T R k - 1 H k$	$n m 2 + n 2 m$	$m m + n n - 1$	$O m n + O n 3 + 2 O n m 3$
$H k T R k - 1 z k - h k x k$	$2 m n + m n 2$	$m n 2 + n - 1$	$O m n + O n 3 + O n m 3$
$z k - h k x k T S - 1 z k - h k x k$	$2 m n + 2 n 2$	$2 m n - 1 + 2 n 2$	$O n + O n 3$
$K k \| k T P k \| k - 1 K k$	$n m 2 + n 2 m$	$m + n m - 1 n$	$O m n + O m 3$

表1

表2

VBAKF-KLD各步骤复杂度分析

算法步骤	乘运算	加运算	其他
3	$3 m 2$	$2 m 3 - m$	$O m 2$
6	$m 2 n + 2 m n + 2 m n 2 + n 2$	$m 2 n - m 2 + 2 m n 2 - m$	$3 O m 3 n + 2 O m n + 2 O n 3$
7	$2 m n + 2 n 2$	$2 m n - 2 m + 2 n 2$	$2 O n 3 + O n$
8	$7 m 2$	$6 m 2 - m$	$8 O m 3$
9	$2 m 2 + m 2 n + m n 2$	$m 2 n + 1 - m n + m n 2$	$O m 3 + O m n + O m + O n 3$
10			$3 O m 3$

表2

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

参考文献 32

1	潘泉. 多源信息融合理论及应用［M］. 北京：清华大学出版社， 2013.
	PAN Q. Multi-source information fusion theory and its applications［M］. Beijing： Tsinghua University Press， 2013 （in Chinese）.
2	WANG X Z， RISTIC B， HIMED B， et al. Trajectory optimisation for cooperative target tracking with passive mobile sensors［J］. Signals， 2021， 2（2）： 174-188.
3	潘泉，胡玉梅，兰华，等. 信息融合理论研究进展：基于变分贝叶斯的联合优化［J］. 自动化学报， 2019， 45（7）： 1207-1223.
	PAN Q， HU Y M， LAN H， et al. Information fusion progress： joint optimization based on variational Bayesian theory［J］. Acta Automatica Sinica， 2019， 45（7）： 1207-1223 （in Chinese）.
4	BAR-SHALOM Y， LI X R， KIRUBARAJAN T. Estimation with Applications to Tracking and Navigation［M］. Hoboken： Wiley， 2002.
5	胡玉梅，潘泉，胡振涛，等. 基于自然梯度的噪声自适应变分贝叶斯滤波算法［J］. 自动化学报，49（10）： 1001-1015， 2023.
	HU Y M， PAN Q， HU Z T， et al. A novel noise adaptive variational Bayesian filter using natural gradient［J］. Acta Automatica Sinica， 49（10）： 1001-1015， 2023 （in Chinese）.
6	ZHU W L， XU Z P， LI B， et al. Research on the observability of bearings-only target tracking based on multiple sonar sensors［C］∥2012 Second International Conference on Instrumentation， Measurement， Computer， Communication and Control. Piscataway： IEEE Press， 2012： 631-634.
7	HANSELMANN T， MORELANDE M， MORAN B， et al. Sensor scheduling for multiple target tracking and detection using passive measurements［C］∥2008 11th International Conference on Information Fusion. Piscataway： IEEE Press， 2008： 1-8.
8	PASSERIEUX J M， VAN CAPPEL D. Optimal observer maneuver for bearings-only tracking［J］. IEEE Transactions on Aerospace and Electronic Systems， 1998， 34（3）： 777-788.
9	ZHANG L， LIANG Y， WANG S H， et al. Observable degree analysis for the bearing only tracking system with bounded unknown input［C］∥2020 Chinese Automation Congress （CAC）. Piscataway： IEEE Press， 2020： 4553-4559.
10	NARDONE S C， AIDALA V J. Observability criteria for bearings-only target motion analysis［J］. IEEE Transactions on Aerospace and Electronic Systems， 1981， 17（2）： 162-166.
11	JAUFFRET C， PILLON D. Observability in passive target motion analysis［J］. IEEE Transactions on Aerospace and Electronic Systems， 1996， 32（4）： 1290-1300.
12	TAHK M J， RYU H， SONG E J. Observability characteristics of angle-only measurement under proportional navigation［C］∥Proceedings of the 34th SICE Annual Conference. International Session Papers. Piscataway： IEEE Press， 1995： 1509-1514.
13	FOGEL E， GAVISH M. Nth-order dynamics target observability from angle measurements［J］. IEEE Transactions on Aerospace and Electronic Systems， 1988， 24（3）： 305-308.
14	WOFFINDEN D C， GELLER D K. Observability criteria for angles-only navigation［J］. IEEE Transactions on Aerospace and Electronic Systems， 2009， 45（3）： 1194-1208.
15	GRZYMISCH J， FICHTER W. Observability criteria and unobservable maneuvers for In-orbit bearings-only navigation［J］. Journal of Guidance Control Dynamics， 2014， 37（4）： 1250-1259.
16	SONG T L. Observability of target tracking with bearings-only measurements［J］. IEEE Transactions on Aerospace and Electronic Systems， 1996， 32（4）： 1468-1472.
17	ANJALY P， RATNOO A. Observability enhancement of maneuvering target with bearings-only information［J］. Journal of Guidance， Control， and Dynamics， 2018， 41（1）： 184-198.
18	WANG X Z， MORELANDE M， MORAN B. Sensor scheduling for bearings-only tracking with a single sensor［C］∥2009 International Conference on Intelligent Sensors， Sensor Networks and Information Processing （ISSNIP）. Piscataway： IEEE Press， 2009： 67-72.
19	HANSELMANN T， MORELANDE M， MORAN B， et al. Sensor scheduling for multiple target tracking and detection using passive measurements［C］∥2008 11th International Conference on Information Fusion. Piscataway： IEEE Press， 2008： 1-8.
20	WANG X Z， CHENG Y Q， MORELANDE M， et al. Bearings-only sensor trajectory scheduling using accumulative information［C］∥2011 12th International Radar Symposium （IRS）. Piscataway： IEEE Press， 2011： 682-688.
21	WANG X Z， RISTIC B， HIMED B， et al. Joint passive sensor scheduling for target tracking［C］∥2017 20th International Conference on Information Fusion （Fusion）. Piscataway： IEEE Press， 2017： 1-7.
22	HU Y M， WANG X Z， PAN Q， et al. Variational Bayesian Kalman filter using natural gradient［J］. Chinese Journal of Aeronautics， 2022， 35（5）： 1-10.
23	程永强. 雷达信号处理的信息理论与几何方法研究［D］. 长沙：国防科学技术大学， 2012.
	CHENG Y Q. Information theory and geometric methods of radar signal processing［D］.Changsha： National University of Defense Technology， 2012 （in Chinese）.
24	LOGOTHETIS A， ISAKSSON A， EVANS R J. Comparison of suboptimal strategies for optimal own-ship maneuvers in bearings-only tracking［C］∥Proceedings of the 1998 American Control Conference（ACC）. Piscataway： IEEE Press， 1998： 3334-3338.
25	OSHMAN Y， DAVIDSON P. Optimization of observer trajectories for bearings-only target localization［J］. IEEE Transactions on Aerospace and Electronic Systems， 1999， 35（3）： 892-902.
26	HU Y M， WANG X Z， LAN H， et al. An iterative nonlinear filter using variational Bayesian optimization［J］. Sensors， 2018， 18（12）： 4222.
27	FENG S， HU K L， FAN E， et al. Kalman filter for spatial-temporal regularized correlation filters［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society， 2021， 30： 3263-3278.
28	张宏伟. 约束非线性滤波及其在目标跟踪中的应用研究［D］. 深圳：深圳大学， 2019.
	ZHANG H W. Research on constrained nonlinear filtering and its application for target tracking［D］.Shenzhen： Shenzhen University， 2019 （in Chinese）.
29	GARCIA R V， SILVA W R， PARDAL P C P M， et al. Sequential nonlinear estimation： regularized particle filter applied to the attitude estimation problem with real data［J］. Computational and Applied Mathematics， 2018， 37（1）： 110-121.
30	TICHAVSKY P， MURAVCHIK C H， NEHORAI A. Posterior Cramer-Rao bounds for discrete-time nonlinear filtering［J］. IEEE Transactions on Signal Processing， 1998， 46（5）： 1386-1396.
31	KARLSSON R， SCHON T， GUSTAFSSON F. Complexity analysis of the marginalized particle filter［J］. IEEE Transactions on Signal Processing， 2005， 53（11）： 4408-4411.
32	ARULAMPALAM M S， RISTIC B， GORDON N， et al. Bearings-only tracking of manoeuvring targets using particle filters［J］. EURASIP Journal on Advances in Signal Processing， 2004（15）： 562960.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	孙洪驰, 穆荣军, 龙腾, 李寿鹏, 崔乃刚. 临近空间飞行器北斗/INS高动态深组合导航方法[J]. 航空学报, 2022, 43(9): 325672-325672.
[2]	方安然, 李旦, 张建秋. 异常值和未知观测噪声鲁棒的非线性滤波器[J]. 航空学报, 2021, 42(7): 324675-324675.
[3]	闫文旭, 兰华, 王增福, 金术玲, 潘泉. 基于变分贝叶斯的星载雷达非线性滤波[J]. 航空学报, 2020, 41(S2): 724395-724395.
[4]	赵耀, 熊智, 田世伟, 刘建业, 崔雨晨. 基于SAR图像匹配结果可信度评价的INS/SAR自适应Kalman滤波算法[J]. 航空学报, 2019, 40(8): 322850-322850.
[5]	李敏, 张迎春, 耿云海, 祝宝龙, 李化义. 鲁棒EKF在脉冲星导航系统中的应用[J]. 航空学报, 2016, 37(4): 1305-1315.
[6]	崔乃刚, 张龙, 王小刚, 杨峰, 卢宝刚. 自适应高阶容积卡尔曼滤波在目标跟踪中的应用[J]. 航空学报, 2015, 36(12): 3885-3895.
[7]	赵曦晶, 汪立新, 何志昆, 张博. 约简二次扩展平方根容积卡尔曼滤波及其应用[J]. 航空学报, 2014, 35(8): 2286-2298.
[8]	于浛, 魏喜庆, 宋申民, 刘铭. 基于自适应容积卡尔曼滤波的非合作航天器相对运动估计[J]. 航空学报, 2014, 35(8): 2251-2260.
[9]	李海君, 赵国荣, 黄婧丽, 周大旺. 一种基于NGA-QPF的航天器姿态估计方法[J]. 航空学报, 2014, 35(6): 1694-1702.
[10]	何志昆, 刘光斌, 赵曦晶, 刘冬, 张博. 基于GPR模型的自适应平方根容积卡尔曼滤波算法[J]. 航空学报, 2013, 34(9): 2202-2211.
[11]	吴楠, 陈磊. 高超声速滑翔再入飞行器弹道估计的自适应卡尔曼滤波[J]. 航空学报, 2013, 34(8): 1960-1971.
[12]	鲁峰, 黄金泉, 吕怡秋, 仇小杰. 基于非线性自适应滤波的发动机气路部件健康诊断方法[J]. 航空学报, 2013, 34(11): 2529-2538.
[13]	张智永, 周晓尧, 范大鹏. 稳定平台中陀螺漂移自适应实时估计算法[J]. 航空学报, 2012, (6): 1044-1051.
[14]	杨静, 冀红霞, 魏明坤. 一种非线性滤波器的误差分析及应用[J]. 航空学报, 2011, 32(8): 1469-1477.
[15]	姚彦鑫;杨东凯;张其善. GPS多径信号的自适应滤波估计方法[J]. 航空学报, 2010, 31(10): 2004-2009.

基于Fisher信息的传感器航迹自适应滤波算法

A Fisher information based adaptive filtering algorithm for sensor trajectory planning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 32

相关文章 15

编辑推荐

Metrics

本文评价