[發明專利]一種基于FBPF-EIKF-FastSLAM的分布式多源融合定位方法

在審

• 申請號: 202110327231.3
• 申請日: 2021-03-26
• 公開（公告）號: CN113077055A
• 公開（公告）日: 2021-07-06
• 發明（設計）人: 胡燕祝;王松;賀琬婧
• 申請（專利權）人: 北京郵電大學
• 主分類號: G06N20/00
• 分類號: G06N20/00;G01C21/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及基于FBPF?EIKF?FastSLAM的分布式多源融合定位方法，是一種對分布式自適應多源信息進行融合定位的方法，屬于定位定向與機器學習領域，其特征在于采用如下步驟：(1)確定相鄰極值點的平均值和包絡估計值；(2)確定剩余信號；(3))確定調頻信號和包絡信號；(4)進行LMD分解，確定第一個PF分量；(5)建立ICA數學模型；(6)構建PNN神經網絡；(7)確定輸出變量的判別函數。本發明有效的解決了復雜環境背景噪聲對于定位準確度的影響，提高了濾波效率，有效的改善了系統運行效率，降低了系統響應時間，提高了系統運行速度，加快了對于目標定位更新頻率。

技術領域

本發明涉及定位定向與機器學習領域，主要是一種對分布式自適應多源信息進行融合定位的方法。

背景技術

目前對于目標在復雜環境中的定位，主要是基于多傳感器形成多數據源，通過算法融合，精確目標位置信息。傳統的多源融合算法通常是采用高階修正CKF多元融合方法和NLOS算法。對于高階修正CKF多元融合算法，由于其采用的是根據定位誤差對對自適應高階修正函數的階數動態調整，所以對于誤差的提取與判別有著嚴格的要求，同時環境背景的噪聲不易去除嗎，容易產生干擾源。對于NLOS算法，由于其根據結果結算殘差矩陣來動態調整融合濾波器的測量噪聲，所以對特征點深度和協方差矩陣的初始值依賴較大，如果設置欠妥，或導致估計值不一致，從而產生偏差。環境背景的復雜性，目標位置的連續變換導致上述技術在實際的應用中，存在較大錯誤偏差概率。

對于目標在復雜環境中的定位，關鍵點在于對于環境背景噪聲的去除和定位的高效、穩定。因此對于復雜環境目標定位提出了更高的要求。針對以上問題，提出了一種分布式自適應多源融合的定位方法，通過采用區間分析運算，得到包含精確解的嚴格區間界限，可以在不受系統模型約束的前提下，實現對環境背景噪音的濾除。同時充分利用箱粒子濾波所需粒子數少、運行速度快的性能優勢，綜合螢火蟲算法，結合擴展區間卡爾曼濾波，提高了系統定位信息的刷新速度，增加了對目標定位準確度和魯棒性。

發明內容

針對上述現有技術中存在的問題，本發明要解決的技術問題是提供一種基于FBPF-EIKF-FastSLAM的分布式多源融合定位方法，其具體流程如圖1所示。

技術方案實施步驟如下：

(1)確定均勻PDF的加權和p(x)：

式中，x表示隨機變量，i表示計數單位，N表示混合均勻PDF的數目，w_i表示第i個箱粒子對應的概率密度，[x]表示箱粒子，U_[x]表示以箱粒子為支持集的PDF，[xⁱ]表示第i個箱粒子，

(2)預測k+1時刻的概率密度p(x_k+1|z_1,k)：

在k時刻，假設x_k狀態下的PDF表示為：

根據時間更新步驟，對k+1時刻的概率密度：

式中，k表示為時刻，x_k為系統狀態向量，z_k為觀測向量，為第i個箱粒子在k時刻的概率密度，為第i個箱粒子在k時刻的狀態向量，為第i個箱粒子在k時刻為支持集的PDF，表示支撐集箱粒子為的均勻PDF，[f]為包含函數，[V_k]為k+1時刻的狀態轉移噪聲對應的箱粒子，[U_k]為控制輸入箱粒子。

(3)確定狀態后驗PDFp(x_k+1|z_1,k+1)：