本发明涉及数据处理，特别是指一种基于ds证据理论的多传感器数据融合方法及系统。
背景技术：
1、多传感器数据融合(multi-sensor fusion,msf)技术已经广泛应用于智能驾驶、定位导航和环境监测等领域，有效推动了这些领域的智能化发展，实现自动化和智能化。多传感器数据融合指对不同传感器获得的量测数据按照某种规则进行结合并利用相关方法进行数据分析，通过互补融合消除传感器之间的误差。
2、移动打印设备的定位过程是一种非线性系统，在工作过程中，打印位置的准确定位能够提高打印质量，当移动打印设备出现相对于打印介质位置偏差时及时反馈并修正其位置，实现高质量的移动打印工作。在定位过程中，虽然轮式里程计可以通过编码器准确获得移动设备的步进角从而求出移动距离，但是车轮和打印介质之间的打滑偏转会影响数据的准确性，惯性导航包含加速度计和角速度计，可以测量移动打印设备高频的加速度和角速度，然而陀螺仪的累积误差会随着移动距离的增大而增大，导致最终位置跟踪失败，相机可以对所需要的内容拍照采集，通过图像处理得到设备准确的位置信息，但受限于其帧率问题，相机无法快速跟踪设备的位置并及时反馈、
3、目前对于非线性系统中各个传感器数据的融合方法普遍采用扩展卡尔曼滤波算法，扩展卡尔曼滤波通过使用泰勒分解来将非线性模型近似为线性模型，以此来适应卡尔曼滤波的框架，这种线性化处理使得扩展卡尔曼滤波能在处理非线性系统时仍然使用卡尔曼滤波的结构，但是泰勒分解仅为非线性系统的近似表示，因此会引入线性误差，导致数据融合结果偏差较大，准确率不足，进而导致移动打印设备的定位准确度低，影响打印质量。
技术实现思路
1、为了解决现有技术存在的非线性系统中各个传感器数据的融合方法普遍采用扩展卡尔曼滤波算法，扩展卡尔曼滤波通过使用泰勒分解来将非线性模型近似为线性模型，以此来适应卡尔曼滤波的框架，这种线性化处理使得扩展卡尔曼滤波能在处理非线性系统时仍然使用卡尔曼滤波的结构，但是泰勒分解仅为非线性系统的近似表示，因此会引入线性误差，导致数据融合结果偏差较大，准确率不足，进而导致移动打印设备的定位准确度低，影响打印质量的技术问题，本发明提供了一种基于ds证据理论的多传感器数据融合方法及系统。
2、本发明实施例提供的技术方案如下：
3、第一方面
4、本发明实施例提供的一种基于ds证据理论的多传感器数据融合方法，应用于移动打印设备，其中，移动打印设备包括陀螺仪传感器、相机传感器和里程计；方法包括：
5、s1：通过陀螺仪传感器获取惯性导航量测信息，通过相机传感器获取视觉量测信息；
6、s2：对惯性导航量测信息和视觉量测信息进行包括时间配准和空间配准的预处理；
7、s3：结合里程计和陀螺仪传感器计算移动打印设备下一时刻的姿态信息，其中，姿态信息包括移动打印设备的运动状态和姿态四元数；
8、s4：结合姿态信息，通过相机传感器和里程计计算移动打印设备在下一时刻的位置信息；
9、s5：根据位置信息，基于扩展卡尔曼滤波算法建立移动打印设备的线性滤波模型；
10、s6：基于ds证据理论分别对惯性导航量测信息和视觉量测信息进行权重值分配；
11、s7：结合分配的权重值，对预处理后的惯性导航量测信息和视觉量测信息进行数据融合，输出融合序列；
12、s8：通过线性滤波模型对融合序列进行滤波，输出滤波后的融合序列。
13、第二方面
14、本发明实施例提供的一种基于ds证据理论的多传感器数据融合系统，包括：
15、处理器；
16、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于ds证据理论的多传感器数据融合方法。
17、第三方面
18、本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于ds证据理论的多传感器数据融合方法。
19、本发明实施例提供的技术方案带来的有益效果至少包括：
20、在本发明中，首先对获取到的多传感器信息进行配准式的预处理，之后结合里程计和陀螺仪传感器计算移动打印设备下一时刻的姿态信息，之后结合相机传感器确定出位置信息，然后引入扩展卡尔曼滤波算法构建线性滤波模型，将移动打印设备的非线性系统转换为线性系统，在利用该线性系统对多传感器信息即惯性导航量测信息和视觉量测信息融合之前，通过ds证据理论分别对所述惯性导航量测信息和所述视觉量测信息进行权重值分配，之后再进行滤波，得到的融合序列考虑了不同传感器量测数据的重要性程度，弥补线性化过程中产生的线性误差，降低融合结果与实际值的偏差值，提升融合结果准确性，进而提升打印质量。
1.一种基于ds证据理论的多传感器数据融合方法，其特征在于，应用于移动打印设备，其中，所述移动打印设备包括陀螺仪传感器、相机传感器和里程计，所述方法包括：
2.根据权利要求1所述的基于ds证据理论的多传感器数据融合方法，其特征在于，所述s2具体包括：
3.根据权利要求1所述的基于ds证据理论的多传感器数据融合方法，其特征在于，所述运动状态的计算方式为：
4.根据权利要求1所述的基于ds证据理论的多传感器数据融合方法，其特征在于，下一时刻即k+1时刻的位置信息的计算方式具体为：
5.根据权利要求1所述基于ds证据理论的多传感器数据融合方法，其特征在于，所述线性滤波模型包括状态方程和观测方程；
6.根据权利要求1所述的基于ds证据理论的多传感器数据融合方法，其特征在于，所述s6具体包括：
7.根据权利要求1所述的基于ds证据理论的多传感器数据融合方法，其特征在于，所述s7具体包括：
8.根据权利要求1所述的基于ds证据理论的多传感器数据融合方法，其特征在于，在所述s8之后还包括：
9.一种基于ds证据理论的多传感器数据融合系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8中任一项所述的基于ds证据理论的多传感器数据融合方法。
