史岳鵬， 車 蕾， 周溪召

(1. 上海海事大學, 上海 201306; 2. 河南牧業(yè)經(jīng)濟學院, 鄭州 450011; 3. 北京信息科技大學, 北京 100192)

基于自適應UPF的目標跟蹤融合算法

史岳鵬1,2， 車 蕾3， 周溪召1

(1. 上海海事大學, 上海 201306; 2. 河南牧業(yè)經(jīng)濟學院, 鄭州 450011; 3. 北京信息科技大學, 北京 100192)

以近海船舶航行動態(tài)監(jiān)控跟蹤網(wǎng)絡系統(tǒng)為對象，針對現(xiàn)有船舶航行跟蹤方法欠于考慮網(wǎng)絡數(shù)據(jù)傳輸影響的現(xiàn)狀，基于自適應比特位量化技術，研究用于跟蹤海上移動船舶的自適應無跡粒子濾波融合方法。首先，應用自適應比特位量化技術獲取各跟蹤節(jié)點對移動船舶狀態(tài)的隨機量化觀測值，并將其量化后送往網(wǎng)絡監(jiān)控中心; 其次，用帶有隨機噪聲的一階Markov模型對過程進行建模，研究量化誤差的演變規(guī)律，并將該量化誤差作為系統(tǒng)被估計狀態(tài)的一個分量，建立一個部分過程噪聲分量方差未知的目標跟蹤模型; 隨后，以自適應無跡粒子濾波為基本濾波器，采用Sage-Husa估計器對未知噪聲的統(tǒng)計特性進行實時估計和修正; 最后，推導出一種面向近海船舶跟蹤的多傳感器集中式自適應無跡粒子濾波融合方法。仿真結果表明，該算法能有效改善量化濾波器的融合估計精度。

船舶工程； 海上智能交通系統(tǒng)；目標跟蹤；無線傳感器網(wǎng)絡；自適應量化；無跡粒子濾波；信息融合

目前，我國沿海各大港口區(qū)域均已完成或正在建設基于自動識別系統(tǒng)(Automatic Identification System, AIS)的港口船舶航行安全監(jiān)控系統(tǒng)。該系統(tǒng)的主要功能是通過無線網(wǎng)絡自動向岸臺、其他船舶和航空器提供信息，包括船舶識別、位置、航向、航速、航行狀態(tài)及其他與安全有關的信息；同時，可與船舶和岸基設施進行信息交換?；贏IS 的船舶安全監(jiān)控系統(tǒng)是由交管指揮中心(融合中心)、衛(wèi)星、船舶、岸基雷達和AIS 基站、海事飛機以及大量裝備小型船位報告系統(tǒng)的漁船等組成的，若將這些元素看作系統(tǒng)中的各個節(jié)點，則該系統(tǒng)就是一個大型無線監(jiān)控網(wǎng)絡系統(tǒng)。因此，系統(tǒng)內(nèi)的各種傳感器設備可獲得相關目標船航行的動態(tài)信息，并可通過無線網(wǎng)絡將其傳輸?shù)奖O(jiān)控中心；中心對這些信息進行融合處理后，可實現(xiàn)對管轄區(qū)域內(nèi)各船舶的航行狀態(tài)的實時監(jiān)控。[1]

受無線網(wǎng)絡傳輸帶寬的限制，各節(jié)點的觀測數(shù)據(jù)需經(jīng)過量化處理后才能上傳給融合中心。LUO[2]針對基于無線傳感器網(wǎng)絡的標量參數(shù)估計問題，提出一種自適應的量化策略，并在此基礎上設計了通用的分布式估計方法;文獻[3]將自適應量化策略與Kalman濾波相結合，解決了一般線性系統(tǒng)的狀態(tài)估計問題，但在處理量化噪聲時進行了近似高斯假設處理；GE等[4]對量化噪聲與狀態(tài)向量進行了擴維，并利用強跟蹤濾波設計了估計算法，不足之處是該基礎算法假設每個時刻的量化噪聲是時不變的。

實際的網(wǎng)絡目標跟蹤系統(tǒng)具有較強的非線性特性，在量化噪聲高斯假設的情形下，利用無跡Kalman濾波器 (UKF)可解決這一問題。[5-7]然而，量化操作是一個非線性過程，這勢必導致量化后的狀態(tài)空間模型是一個強非線性—非高斯系統(tǒng)模型。粒子濾波器是一種基于蒙特卡洛采樣的處理非線性和非高斯動態(tài)系統(tǒng)狀態(tài)估計的有效儀器，目前已被國內(nèi)外學者應用到網(wǎng)絡目標跟蹤領域中。[8-10]但基本粒子濾波算法存在計算量大和權值退化問題，易導致濾波發(fā)散。為此，文章以無跡粒子濾波(Unscented Particle Filter, UPF)[11]作為融合算的基礎濾波器，即利用UKF產(chǎn)生粒子濾波的建議分布，以有效改善濾波性能。

鑒于此，針對一類帶寬有限的無線網(wǎng)絡船舶跟蹤系統(tǒng)，建立基于量化測量值的非線性融合跟蹤估計算法。

1. 融合中心接收各個節(jié)點上傳的量化消息，并在集中式框架下利用一階Markov模型對量化噪聲進行建模。

2. 利用狀態(tài)向量擴維方法構建量化后的狀態(tài)空間模型。

3. 結合Sage-Husa估計器與UPF推導出一種自適應狀態(tài)估計算法，以在估計目標狀態(tài)的同時實時估算新狀態(tài)方程中的過程噪聲統(tǒng)計特性。

4. 通過仿真驗證驗證新方法的有效性。

2 系統(tǒng)描述

通常，船舶航行狀態(tài)的離散動態(tài)模型可表示成非線性系統(tǒng)為

x(k+1)=φ(x(k))+w(k)

(1)

式(1)中：x(k)為目標狀態(tài)；φ(·)為非線性狀態(tài)演化過程函數(shù)；過程噪聲w(k)是均值為零且方差為Q(k)的高斯白噪聲序列。

假設有N個跟蹤節(jié)點組成的無線網(wǎng)絡對式(1)所述的目標船進行觀測，其觀測方程為

zi(k)=gi(x(k))+vi(k)i=1,2,…,N

(2)

式(2)中：zi(k)為第i個傳感器節(jié)點的測量值；gi(·)為相應的非線性測量映射；vi(k)是均值為零且方差為Ri(k)的高斯白噪聲。

假設系統(tǒng)模型中噪聲均不相關，且被跟蹤目標的初始狀態(tài)x(0)獨立于w(k)和vi(k)(i=1,2,…,N)。

3 算法介紹

3.1量化模型

受傳感器網(wǎng)絡帶寬的限制，各個導航傳感器節(jié)點需要將各自獲得的觀測值zi(k)量化為消息yi(k)后再上傳到融合中心。此處選取文獻[3]中的自適應的測量值量化策略，則融合中心收到的量化消息為

y(k)=z(k)+n(k)

(3)

量化噪聲n(k)的均值為零，其方差具有上界。與文獻[4]中假設隨機量化誤差在不同時刻相等(即n(k)=n(k-1))不同，此處用一階Markov模型來描述量化誤差的演變過程，即

n(k)=n(k-1)+η(k-1)

(4)

式(4)中：η(k)是均值為零的高斯白噪聲，與過程噪聲w(k)和vi(k)均不相關。為進一步減小量化噪聲對濾波性能的影響，將量化噪聲視為被估計系統(tǒng)狀態(tài)向量的一部分，即采用狀態(tài)向量擴增的方法。令x*(k)=[xT(k),nT(k)]T和w*(k)=[wT(k),ηT(k)]T，并結合式(1)～式(4)，可得

x*(k)=f(x*(k-1))+w*(k)

(5)

y(k)=h(x*(k))+v(k)

(6)

式(5)～式(6)中：

(7)

F(k)P(k-1|k-1)FT(k)]

(8)

3.2自適應UPF算法

基于UPF的自適應船舶跟蹤算法實現(xiàn)步驟如下。

3.2.1初始化

3.2.2利用UKF算法更新粒子

3.2.3重要性采樣

(9)

3.2.4計算粒子的權值

ωj(k)=ωj(k-1)×

(10)

歸一化權值

(11)

3.2.5重采樣

3.2.6狀態(tài)更新

(12)

3.2.7估計過程噪聲統(tǒng)計特性

4 計算機仿真及結果分析

通過一個仿真例子對文中提出的算法(記為算法A)與不考慮狀態(tài)擴增的UPF算法(記為算法B，改算法也無需進行噪聲統(tǒng)計特性的在線估計)進行比較，并作簡要分析。

船舶狀態(tài)選用的二維勻速運動模型為

(13)

(14)

圖1 自適應UPF算法執(zhí)行流程圖

由3個測距傳感器組成監(jiān)控網(wǎng)絡對目標船舶狀態(tài)進行跟蹤觀測，各個傳感器的測量方程為

(15)

式(15)中：各個傳感器的測距誤差分別為10 m，5 m和5 m；初始狀態(tài)x0=[100，4，120，5]T；相應的誤差協(xié)方差陣為P0=diag[144,1.44,196,2.25]。

帶寬限制為9比特；量化閾值的上下限分別選取為仿真過程中測量值的最大值加10和最小值減10。假設采樣周期為1 s，整個仿真步長設為50步。仿真結果由圖2～圖6給出，兩種算法的絕對誤差均值由表1給出。

從圖1～圖5和表1可以看出，基于算法A的估計精度明顯優(yōu)于算法B。與算法B相比，算法A在X軸方向上的位置和速度的估計精度分別提高了26.73%和23.43%；而在Y軸方向上，這兩項指標也分別提高了39.75%和27.08%。這是由于算法B直接將量化噪聲近似為方差恒定(仿真中去其上界)的高斯白噪聲，引入了建模誤差；而算法A對量化噪聲進行了二次建模，并利用狀態(tài)擴增和噪聲在線估計方法減小模型誤差對濾波性能的影響。以上分析說明，將算法A用于網(wǎng)絡船舶目標跟蹤系統(tǒng)具有一定的實用性。

表1 算法的絕對誤差均值 m

圖2 兩種算法的跟蹤曲線

圖3 X軸方向的位置估計誤差曲線

圖4 Y軸方向的位置估計誤差曲線

5 結 語

針對網(wǎng)絡帶寬有限的傳感器網(wǎng)絡船舶目標跟蹤系統(tǒng)，設計一種基于自適應UPF的網(wǎng)絡跟蹤融合算法。為降低量化噪聲模型不準對濾波性能的影響，對系統(tǒng)狀態(tài)進行了擴維處理，但因此引入了新過程噪聲統(tǒng)計信息不確定的問題。為此，在UPF的基礎上，采用Sage-Husa估計器對未知噪聲的統(tǒng)計特性進行實時估計，提高融合估計精度，仿真結果也進一步驗證了所提方法的有效性。實際上，該算法也可應用于智能交通系統(tǒng)中的車輛跟蹤和其他相似應用場景中。此外，本文提出的算法是在噪聲不相關的基礎上建立的，下一步還可以將其擴展到噪聲相關或有色噪聲的情形中，以使研究結果更具一般性。

圖5 X軸方向的速度估計誤差曲線

圖6 Y軸方向的速度估計誤差曲線

[1] 葛泉波，管冰雷，文成林，等. 網(wǎng)絡數(shù)據(jù)融合技術在MITS中的應用研究[J]. 中國航海, 2007(4): 37-43.

[2] LUO Zhiquan. Universal Decentralized Estimation in a Bandwidth Constrained Sensor Network [J]. IEEE Transactions on Information Theory, 2005, 51(6): 2210-2219.

[3] WEN Chenglin, GE Quanbo, TANG Xianfeng. Kalman Filtering in a Bandwidth Constrained Sensor Network [J]. Chinese Journal of Electronics, 2009, 17(4): 713-718.

[4] GE Quanbo, XU Tingliang. Quantized State Estimation for Sensor Networks[C]. Proceedings of the Ninth International Conference on Machine Learning and Cybernetics, 2010.

[5] JULIER S J, UHLMANN J K, DURRANT-WHYTE H F. A New Method for Nonlinear Transformation of Means and Covariances in Filters and Estimators [J]. IEEE Transactions on Automatic Control, 2000, 45(3): 477-482.

[6] ZHOU Yan, LI Jianxun, WANG Dongli. Target Tracking in Wireless Sensor Networks Using Adaptive Measurement Quantization[J]. Science China Information Sciences, 2012, 55(4): 827-838.

[7] XU Jian, LI Jianxun, XU Sheng. Analysis of Quantization Noise and State Estimation with Quantized Measurements [J]. Journal of Control Theory and Applications, 2011, 9(1): 66-75.

[8] YANG Xiaojun, NIU Ruixin, MASAZADE Engin, et al. Channel-aware Tracking in Multi-hop Wireless Sensor Networks with Quantized Measurements [J]. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(4): 2353-2368.

[9] SUKHAVASI R, HASSIBI B. The Kalman-like Particle Filter: Optimal Estimation with Quantized Innovations/Measurements[J]. IEEE Transactions on Signal Processing, 2013, 61(1):131-136.

[10] READ J, ACHUTEGUI K, MGUEZ J. A Distributed Particle Filter for Nonlinear Tracking in Wireless Sensor Networks[J]. Signal Processing, 2014, 98: 121-134.

[11] RUDOLPH V M, DOUCET A, NARDO de F, et al. The Unscented Particle Filter, Technical Report CUED/F INFENG/ TR380[R]. England: Cambridge University Engineering Department, 2000.

[12] 石勇, 韓崇昭. 自適應UKF算法在目標跟蹤中的應用[J]. 自動化學報, 2011, 37( 6): 755-759.

[13] 王思思, 齊國清. 自適應SCKF在機動目標跟蹤中的應用[J]. 電光與控制, 2013, 20(8): 6-10.

[14] 韓崇昭, 朱洪艷, 段戰(zhàn)勝,等. 多源信息融合 [M]. 北京: 清華大學出版社, 2006.

[15] RUI Yong, CHEN Yunqiang. Better Proposal Distributions: Object Tracking Using Unscented Particle Filter[C]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001.

TargetTrackingFusionAlgorithmBasedonAdaptiveUnscentedParticleFilter

SHIYuepeng1,2,CHELei3,ZHOUXizhao1
(1. Shanghai Maritime University, Shanghai 201306, China; 2. Henan University of Animal Husbandry and Economy, Zhengzhou 450011, China; 3. Beijing Information Science amp; Technology University, Beijing 100192, China)

With the aim of eliminating the effects of data transmission in coastal ship monitoring systems with wireless sensor network, which is improperly neglected in normal tracking methods, the mobile ship tracking fusion is developed by adaptive quantization technique and adaptive unscented particle filter (UPF). The state variables of the mobile ship are tracked by some local monitoring nodes first. The random observations from each node is quantized by adaptive quantization technique and sent to the monitoring centre. The quantization error is described by a first-order Markov process with random noise. A new target tracking model with unknown part of process noise covariance is established, where the quantization error is considered as one of the state variables of the system. Subsequently, the statistical properties of the unknown quantized noise are estimated and corrected by the famous Sage-Husa estimator. Finally, the multi-sensor centralized fusion algorithm for tracking offshore ships is developed based on the adaptive UPF. The simulation results show that the proposed algorithm can effectively improve the fusion estimation accuracy.

ship engineering; maritime intelligent traffic system; target tracking; wireless sensor network; adaptive quantization; UPF; information fusion

2014-01-17

國家自然科學基金 (61273042)

史岳鵬(1978-),男,河南南陽人,講師,博士生,研究方向為智能信息處理和交通管理決策。E-mail：shiyuepeng1978@gmail.com.

1000-4653(2014)02-0005-05

TN911.72

A