CN102338874A - 用于被动式多传感器目标跟踪的全局概率数据关联方法 - Google Patents

用于被动式多传感器目标跟踪的全局概率数据关联方法 Download PDF

Info

Publication number
CN102338874A
CN102338874A CN2011101720260A CN201110172026A CN102338874A CN 102338874 A CN102338874 A CN 102338874A CN 2011101720260 A CN2011101720260 A CN 2011101720260A CN 201110172026 A CN201110172026 A CN 201110172026A CN 102338874 A CN102338874 A CN 102338874A
Authority
CN
China
Prior art keywords
sensor
target
measurement
probability
tracking
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2011101720260A
Other languages
English (en)
Other versions
CN102338874B (zh
Inventor
王智
李元实
卓书果
周良毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN 201110172026 priority Critical patent/CN102338874B/zh
Publication of CN102338874A publication Critical patent/CN102338874A/zh
Application granted granted Critical
Publication of CN102338874B publication Critical patent/CN102338874B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开用于被动式多传感器目标跟踪的全局概率数据关联方法，该方法能够有效的克服原有方法非线性部分局部线性化造成的误差以及由于量测不完全可观性导致的数据关联中的概率分布不完全，原方法中有偏的概率分布估计也导致了其跟踪门设置的不合理，在本方法中也得到了更正。此外本方法中还提出了一种多传感器顺序处理排序的机制，能够有效的提高目标跟踪效果。本方法尤其适用于量测原始数据可靠性不高的被动式无线传感器网络目标跟踪系统中。

Description

用于被动式多传感器目标跟踪的全局概率数据关联方法
技术领域
本发明涉及用于被动式多传感器目标跟踪的全局概率数据关联方法，尤其涉及一种适用于量测原始数据可靠性不高的被动式无线传感器网络目标跟踪系统中的基于目标位置预测的全局概率数据关联方法。
背景技术
目标跟踪理论和技术在民用和军事领域都有重要的应用价值，该领域一直是学术界、工业界乃至军方重点发展的方向。传统的主动式目标跟踪系统，如雷达，通过发射雷达波并接收反射回波来获得目标方位角和距离的量测，容易被敌方轻易侦测到跟踪系统的位置，进而遭到敌方摧毁。因此，在该应用场景中，被动式传感器体现了很大的优势。但被动式传感器仅能得到目标方位角，而不能有效的获得目标距离的量测，因此单个传感器不能提供足够的量测信息来保证目标位置的可观性，需要多传感器进行协同工作。本发明针对的即是被动式多传感器的目标跟踪系统，尤其适用于被动式无线传感器网络目标跟踪系统。
在目标跟踪系统中，由于跟踪环境的干扰以及传感器自身性能的限制，在测量过程中不可避免的引入量测噪声和杂波干扰，即使目标只有一个，有效量测可能有多个。需要运用数据关联技术来建立目标源和量测的对应关系，并在正确的数据关联前提下进行目标跟踪过程。适用于主动式传感器目标跟踪系统的数据关联方法已趋于成熟，其中概率数据关联方法在杂波环境的单目标跟踪问题中具有很好的理论基础和实用效果。目前并没有专门针对被动式传感器目标跟踪的数据关联方法，现有的方法是针对被动式传感器的量测特点，利用观测方程中量测与目标状态的关系将目标状态协方差矩阵转化为量测协方差矩阵，再将方位角的量测直接作为被关联对象，并沿用原有主动式传感器目标跟踪的概率数据关联方法，实现被动式传感器目标跟踪的数据关联。
现有的用于被动式传感器的概率数据关联的基本方法的主要步骤如下：
1．根据被动传感器的量测方程，结合传感器的位置与目标当前预测状态（包含目标位置），得到目标状态                                                
Figure 2011101720260100002DEST_PATH_IMAGE001
和传感器量测的线性化关系式：，其中H为线性化的观测矩阵。
2．根据先验的目标状态协方差矩阵和估计的传感器量测误差协方差
Figure 2011101720260100002DEST_PATH_IMAGE005
，利用公式
Figure 304807DEST_PATH_IMAGE006
计算量测残差协方差
Figure 2011101720260100002DEST_PATH_IMAGE007
，再由公式
Figure 823644DEST_PATH_IMAGE008
计算残差向量范数
Figure 2011101720260100002DEST_PATH_IMAGE009
，并根据跟踪门技术接受满足条件的量测进行后续步骤。
3．分别计算上步得到的有效量测集合
Figure 34176DEST_PATH_IMAGE010
中各量测对应的关联概率
Figure 2011101720260100002DEST_PATH_IMAGE011
，其中
Figure 638464DEST_PATH_IMAGE012
表示第i个量测来源于目标的概率，
Figure 2011101720260100002DEST_PATH_IMAGE013
表示没有量测来源目标的概率，具体的计算公式如下：
      
Figure 589715DEST_PATH_IMAGE014
      
Figure 2011101720260100002DEST_PATH_IMAGE015
其中，
Figure 900742DEST_PATH_IMAGE016
，
Figure 2011101720260100002DEST_PATH_IMAGE017
，这里
Figure 282176DEST_PATH_IMAGE018
，
Figure 2011101720260100002DEST_PATH_IMAGE019
分别为传感器的检测概率和门限大小。
4．根据上步得到的关联概率，应用全期望公式，对目标状态和估计协方差矩阵进行更新：
Figure 373760DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
其中，
Figure 128702DEST_PATH_IMAGE022
为Kalman增益，
Figure DEST_PATH_IMAGE023
为量测i的残差：
Figure 356552DEST_PATH_IMAGE024
，
Figure DEST_PATH_IMAGE025
和
Figure 236783DEST_PATH_IMAGE026
分别用以下公式计算：
Figure DEST_PATH_IMAGE027
5．以上为单传感器数据关联过程，再利用顺序处理结构序贯处理多传感器量测，即得到多传感器下目标跟踪的结果。
现有的用于被动式传感器的概率数据关联的方法虽然能实现目标跟踪功能，但由于被动式传感器的量测对目标状态不完全可观的缺陷，直接沿用传统概率数据关联的方法存在一些问题：首先，被动式传感器的量测与目标状态的对应关系存在的非线性，局部线性化仅是一种近似的逼近，因此量测残差协方差
Figure 780821DEST_PATH_IMAGE007
的计算存在一定的误差；其次，由于被动式传感器的量测仅是1维信号，比2维的目标位置缺失了一部分信息，且量测残差协方差的分布一般并不关于预测量测方向角对称，现有方法中隐含假设了该条件，在跟踪门设置以及关联概率计算时造成了一定的偏差；此外，针对多传感器的应用，顺序处理结构的序贯处理方法需要按照合理的次序对各传感器量测进行处理，若采用随机确定传感器量测的处理顺序，则忽略了顺序处理方法中处理次序对结果的影响，显然效果不理想，若按照传感器量测误差协方差排序，则忽略了被动式传感器量测的不完全性，这种不完全的观测可能会导致对目标状态的更新所作的贡献变得很小，因此该排序方法也不是全局最优的。
发明内容
本发明的目的在于针对现有技术的不足，提供用于被动式多传感器目标跟踪的全局概率数据关联方法。
为了实现上述目的，本发明采取如下技术方案：用于被动式多传感器目标跟踪的全局概率数据关联方法，包括以下步骤：
（1）随机部署若干个被动式传感器，并确定各传感器的位置以及量测误差协方差。
（2）根据各传感器位置和传感器量测误差协方差，并结合设定的椭圆跟踪门区域，量化各传感器量测对目标跟踪更新的贡献程度，并由此对传感器量测的处理顺序进行排序。
（3）根据先验预测的目标位置和对应的误差协方差矩阵，得到跟踪门内目标位置的相对概率分布。
（4）根据当前处理的传感器位置和待关联的量测，得到观测射线方程，并计算观测射线与跟踪门边界的交点，由此判决是否接受量测。
（5）根据得到的目标位置的相对概率分布函数和临界交点，得到跟踪门内量测方向上各点的概率积分，并进一步得到量测源自目标的概率。
（6）根据上步得到的关联概率，应用全期望公式，对目标状态和估计协方差矩阵进行更新。
（7）重复步骤（3）~（6），完成顺序结构的被动式多传感器目标跟踪，得到目标实时位置信息。
本发明的有益效果是，本发明很好地克服了原有直接沿用传统概率数据关联的被动式多传感器目标跟踪方法中的不足；首先，由于直接考察目标位置误差协方差矩阵，避免了原方法中非线性近似的误差；其次，本方法中应用了量测对应的全局先验概率，使得关联概率的计算是无偏的，同时更正了原有方法跟踪门判决规则在该应用场景中存在的偏差；此外，本方法提出的量化被动式传感器对目标跟踪更新贡献程度的方法充分考虑了传感器量测特性以及被动式传感器不完全观测性质，能够有效的对处理顺序进行排序，以得到全局最优的估计结果。
附图说明
图1是被动式多传感器目标跟踪场景示意图；
图2是本发明中量化被动式传感器量测贡献方法示意图；
图3是本发明中跟踪门判决方法示意图；
图4是本发明中量测的先验概率分布和原方法的对比图；
图5是本发明的跟踪效果和原有方法的对比图。
具体实施方式
本发明专利在原有概率数据关联方法的基础上，通过分析被动式传感器的量测特性以及目标跟踪的应用场景，实现了适用于被动式多传感器目标跟踪的全局概率数据关联方法，并能够扩展为多目标跟踪情形。本方法的原理是通过直接分析目标位置的相关信息来实现全局的概率数据关联，克服了原有方法计算关联概率的有偏性，尤其适用于量测原始数据可靠性不高的被动式无线传感器网络目标跟踪系统中。
本发明用于被动式多传感器目标跟踪的全局概率数据关联方法，包括以下步骤：
1、随机部署若干个被动式传感器，并确定各传感器的位置以及量测误差协方差。
在监控区域内随机均匀的部署多个被动式传感器，确定各传感器的位置以及量测误差协方差，记第i个传感器的位置为，传感器的量测误差协方差为
Figure 128756DEST_PATH_IMAGE005
。
2、根据各传感器位置和传感器量测误差协方差，并结合设定的椭圆跟踪门区域，量化各传感器量测对目标跟踪更新的贡献程度，由此对传感器量测的处理顺序进行排序。
设先验预测的目标位置为
Figure 38944DEST_PATH_IMAGE030
和对应的误差协方差矩阵
Figure 777224DEST_PATH_IMAGE004
，则椭圆跟踪门边界方程
Figure DEST_PATH_IMAGE031
为：
Figure 939215DEST_PATH_IMAGE032
，其中
Figure DEST_PATH_IMAGE033
为设定的椭圆跟踪门门限，可用如下公式计算：，其中
Figure DEST_PATH_IMAGE035
为回波密度即目标量测与杂波量测的比值，
Figure 111494DEST_PATH_IMAGE018
为检测概率。
如附图2所示，构造量化直线
Figure 586337DEST_PATH_IMAGE036
，斜率k为
Figure DEST_PATH_IMAGE037
，其中经过
Figure 34243DEST_PATH_IMAGE038
为传感器i预测的量测角，可以利用如下公式求得：
Figure DEST_PATH_IMAGE039
，并经过点
Figure 91192DEST_PATH_IMAGE030
。由此可以求得直线在椭圆
Figure 321633DEST_PATH_IMAGE031
内的线段长度，记为
Figure 950060DEST_PATH_IMAGE040
。同时传感器i的量测误差的标准差
Figure DEST_PATH_IMAGE041
，取2倍标准差范围扫过直线
Figure 861516DEST_PATH_IMAGE036
的部分，计算该线段长度：
Figure 321226DEST_PATH_IMAGE042
，其中为传感器到目标预测位置的距离，可通过公式计算如下：
Figure 583711DEST_PATH_IMAGE044
。
将各传感器的量测贡献程度用来量化，公式如下：
Figure 563300DEST_PATH_IMAGE046
，其中量化值越大越优先处理。
3、根据先验预测的目标位置和对应的误差协方差矩阵，得到跟踪门内目标位置的相对概率分布。
根据先验的目标位置预测
Figure 781792DEST_PATH_IMAGE030
和对应的误差协方差矩阵，得到目标位置的相对概率分布：
Figure 873168DEST_PATH_IMAGE048
。这里考虑到各传感器的误差协方差，需要更新误差协方差阵
Figure 108977DEST_PATH_IMAGE004
：
Figure DEST_PATH_IMAGE049
，其中
Figure 995025DEST_PATH_IMAGE050
，用 代替概率分布函数中的计算 
Figure 934479DEST_PATH_IMAGE052
，同理得到更新的跟踪门边界椭圆方程。
4、根据当前处理的传感器位置和待关联的量测，得到观测射线方程，并计算观测射线与跟踪门边界的交点，由此判决是否接受量测。
根据当前传感器位置
Figure 386637DEST_PATH_IMAGE029
和待关联量测
Figure DEST_PATH_IMAGE053
，得到观测射线方程
Figure 397931DEST_PATH_IMAGE054
，如附图3所示，并得到观测射线
Figure 794408DEST_PATH_IMAGE054
与椭圆方程
Figure 106441DEST_PATH_IMAGE031
的交点。若有两个交点，则判决量测在跟踪门内，接受量测；若只有一个交点或是没有交点，则判决量测在跟踪门外，拒绝量测。易得出以下结论：在被动式传感器中，接受的量测并不是关于预测中心量测对称的，这和原方法是不同的，显然本方法的跟踪门设定规则对于位置估计是全局最优的。
5、根据得到的目标位置的相对概率分布函数和临界交点，得到跟踪门内量测方向上各点的概率积分，并进一步得到量测源自目标的概率。
根据上步得到的接受的量测集合
Figure DEST_PATH_IMAGE055
，其中
Figure 967081DEST_PATH_IMAGE056
为确认量测数目，分别计算量测对应的所有跟踪门内目标位置的先验概率积分
Figure DEST_PATH_IMAGE057
，并利用经过预测位置的量测概率积分对结果进行归一化，可表示为
Figure 962325DEST_PATH_IMAGE058
，其中和分别是
Figure 24139DEST_PATH_IMAGE054
与椭圆方程
Figure 676969DEST_PATH_IMAGE031
两交点的横坐标。图4显示了在某一相同参数条件下，原方法和本方法得到的量测的先验概率。
这里考虑到积分运算的算法复杂度较高，给出一种近似的最大似然的估计方法：根据上步得到的
Figure 219945DEST_PATH_IMAGE054
与椭圆方程
Figure 325436DEST_PATH_IMAGE031
两交点，计算两点的平均值，易证明该点也落在量测射线方程上且是射线方程上先验概率最大值点，并取该值作为量测的先验概率。
再根据概率数据关联算法中的相关推导得到量测源自目标的概率
Figure 54970DEST_PATH_IMAGE011
：
，
Figure 338501DEST_PATH_IMAGE015
；
其中，
Figure DEST_PATH_IMAGE061
，
Figure 259183DEST_PATH_IMAGE017
，这里
Figure 467442DEST_PATH_IMAGE062
可用如下公式计算：，其中
Figure 888671DEST_PATH_IMAGE064
为跟踪门内的角度范围。
6、根据上步得到的关联概率，应用全期望公式，对目标状态和估计协方差矩阵进行更新。
利用如下方程计算：
Figure 39030DEST_PATH_IMAGE020
，
Figure 306063DEST_PATH_IMAGE021
；
其中，
Figure 52433DEST_PATH_IMAGE022
为Kalman增益，
Figure 783629DEST_PATH_IMAGE023
为量测i的残差：
Figure 855621DEST_PATH_IMAGE024
，
Figure 406689DEST_PATH_IMAGE025
和
Figure 222329DEST_PATH_IMAGE026
分别用以下公式计算：
Figure 808031DEST_PATH_IMAGE027
，
。
7、重复步骤（3）~（6），完成顺序结构的被动式多传感器目标跟踪，到目标实时位置信息。
本发明考虑到被动式传感器目标跟踪的具体应用场景，采用了一种新型的全局概率数据关联方法，无偏地得到了量测对应的先验概率分布，并提出了一种有效的传感器处理顺序排序方法，进一步提高估计精度。本发明的有益之处在于避免了原数据关联方法中线性化误差以及有偏的概率分布估计，同时发现并改进了原方法简单的对称跟踪门规则的不足，从而得到更为可信的数据关联结果，使得目标跟踪效果提高，图5给出了20次相同参数设置下，原有方法和本方法的跟踪误差比较，可以看出本方法具有一定的性能优势，跟踪误差较为平稳且处于较低范围。

Claims (5)

1.一种用于被动式多传感器目标跟踪的全局概率数据关联方法，其特征在于，包括以下步骤：
（1）随机部署若干个被动式传感器，并确定各传感器的位置以及量测误差协方差；
（2）根据各传感器位置和传感器量测误差协方差，并结合设定的椭圆跟踪门区域，量化各传感器量测对目标跟踪更新的贡献程度，由此对传感器量测的处理顺序进行排序；
（3）根据先验预测的目标位置和对应的误差协方差矩阵，得到跟踪门内目标位置的相对概率分布；
（4）根据当前处理的传感器位置和待关联的量测，得到观测射线方程，并计算观测射线与跟踪门边界的交点，由此判决是否接受量测；
（5）根据得到的目标位置的相对概率分布函数和临界交点，得到跟踪门内量测方向上各点的概率积分，并进一步得到量测源自目标的概率；
（6）根据上步得到的关联概率，应用全期望公式，对目标状态和估计协方差矩阵进行更新；
（7）重复步骤（3）~（6），完成顺序结构的被动式多传感器目标跟踪，得到目标实时位置信息。
2.根据权利要求1所述用于被动式多传感器目标跟踪的全局概率数据关联方法，其特征在于，所述步骤（2）具体为，设第i个传感器的位置为                                                
Figure 195751DEST_PATH_IMAGE001
和该传感器的量测误差
Figure 217934DEST_PATH_IMAGE002
，同时设先验预测的目标位置为
Figure 869495DEST_PATH_IMAGE003
和对应的误差协方差矩阵
Figure 459352DEST_PATH_IMAGE004
，则椭圆跟踪门边界方程
Figure 916878DEST_PATH_IMAGE005
为：
Figure 544300DEST_PATH_IMAGE006
，其中
Figure 179811DEST_PATH_IMAGE007
为设定的椭圆跟踪门门限，可用如下公式计算
Figure 256964DEST_PATH_IMAGE008
，其中为回波密度即目标量测与杂波量测的比值，
Figure 62426DEST_PATH_IMAGE010
为检测概率；构造量化直线
Figure 868839DEST_PATH_IMAGE011
，斜率k为
Figure 685486DEST_PATH_IMAGE012
，其中经过
Figure 563443DEST_PATH_IMAGE013
为传感器i预测的量测角，可以利用如下公式求得：
Figure 959265DEST_PATH_IMAGE014
，并经过点
Figure 936579DEST_PATH_IMAGE003
；由此可以求得直线在椭圆
Figure 469640DEST_PATH_IMAGE005
内的线段长度，记为，同时传感器i的量测误差的标准差
Figure 320714DEST_PATH_IMAGE016
，取2倍标准差范围扫过直线
Figure 659422DEST_PATH_IMAGE011
的部分，计算该线段长度：
Figure 66133DEST_PATH_IMAGE017
，其中为传感器到目标预测位置的距离，可通过公式计算如下：
Figure 820910DEST_PATH_IMAGE019
；将各传感器的量测贡献程度用
Figure 581668DEST_PATH_IMAGE020
来量化，公式如下：，其中量化值越大越优先处理。
3.根据权利要求1所述用于被动式多传感器目标跟踪的全局概率数据关联方法，其特征在于，所述步骤（3）中，根据先验的目标位置预测
Figure 692024DEST_PATH_IMAGE003
和误差协方差矩阵，得到目标位置
Figure 10190DEST_PATH_IMAGE022
的相对概率分布：
Figure 509435DEST_PATH_IMAGE023
；考虑到各传感器的误差协方差，需要更新误差协方差阵
Figure 778743DEST_PATH_IMAGE024
，其中
Figure 725749DEST_PATH_IMAGE025
，用 
Figure 713297DEST_PATH_IMAGE026
代替概率分布函数中的
Figure 750654DEST_PATH_IMAGE004
计算 
Figure 953097DEST_PATH_IMAGE027
，同理得到更新的跟踪门边界椭圆方程。
4.根据权利要求1所述用于被动式多传感器目标跟踪的全局概率数据关联方法，其特征在于，所述步骤（4）中：根据当前传感器位置
Figure 446712DEST_PATH_IMAGE001
和待关联量测
Figure 287760DEST_PATH_IMAGE028
，得到观测射线方程
Figure 341779DEST_PATH_IMAGE029
，并得到观测射线
Figure 859348DEST_PATH_IMAGE029
与椭圆方程
Figure 306641DEST_PATH_IMAGE005
的交点；若有两个交点，则判决量测在跟踪门内，接受量测；若只有一个交点或是没有交点，则判决量测在跟踪门外，拒绝量测。
5.根据权利要求1所述用于被动式多传感器目标跟踪的全局概率数据关联方法，其特征在于，所述步骤（5）具体为：根据上步得到的接受的量测集合
Figure 748118DEST_PATH_IMAGE030
，其中
Figure 112103DEST_PATH_IMAGE031
为确认量测数目，分别计算量测对应的所有跟踪门内目标位置的先验概率积分，并利用经过预测位置的量测概率积分对结果进行归一化，可表示为
Figure 545282DEST_PATH_IMAGE033
，其中
Figure 977401DEST_PATH_IMAGE034
和
Figure 946625DEST_PATH_IMAGE035
分别是
Figure 805996DEST_PATH_IMAGE029
与椭圆方程
Figure 227881DEST_PATH_IMAGE005
两交点的横坐标；再根据概率数据关联算法中的相关推导得到量测源自目标的概率
Figure 11161DEST_PATH_IMAGE036
。
CN 201110172026 2011-06-24 2011-06-24 用于被动式多传感器目标跟踪的全局概率数据关联方法 Expired - Fee Related CN102338874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 201110172026 CN102338874B (zh) 2011-06-24 2011-06-24 用于被动式多传感器目标跟踪的全局概率数据关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 201110172026 CN102338874B (zh) 2011-06-24 2011-06-24 用于被动式多传感器目标跟踪的全局概率数据关联方法

Publications (2)

Publication Number Publication Date
CN102338874A true CN102338874A (zh) 2012-02-01
CN102338874B CN102338874B (zh) 2013-05-08

Family

ID=45514701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 201110172026 Expired - Fee Related CN102338874B (zh) 2011-06-24 2011-06-24 用于被动式多传感器目标跟踪的全局概率数据关联方法

Country Status (1)

Country Link
CN (1) CN102338874B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017771A (zh) * 2012-12-27 2013-04-03 杭州电子科技大学 一种静止传感器平台的多目标联合分配与跟踪方法
CN103096444A (zh) * 2013-01-29 2013-05-08 浙江大学 一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法
CN103576137A (zh) * 2013-09-27 2014-02-12 电子科技大学 一种基于成像策略的多传感器多目标定位方法
CN104155651A (zh) * 2014-08-30 2014-11-19 电子科技大学 一种用于极化雷达目标跟踪的概率数据关联方法
CN104237845A (zh) * 2014-09-19 2014-12-24 中国电子科技集团公司第二十八研究所 一种被动传感器目标位置估计误差均值方差分析方法
CN105137418A (zh) * 2015-07-28 2015-12-09 中国人民解放军海军航空工程学院 基于全邻模糊聚类的多目标跟踪与数据互联方法
CN108871416A (zh) * 2018-03-19 2018-11-23 西安电子科技大学 基于虚假点消除的角度冗余数据关联方法、被动定位系统
CN109298414A (zh) * 2018-09-29 2019-02-01 中国科学院电子学研究所 雷达多运动目标实时跟踪方法
CN109901152A (zh) * 2019-03-25 2019-06-18 西安电子科技大学 异步动平台多基地传感器系统目标检测跟踪联合估计方法
CN110542885A (zh) * 2019-08-13 2019-12-06 北京理工大学 一种复杂交通环境下的毫米波雷达目标跟踪方法
CN111488812A (zh) * 2020-04-01 2020-08-04 腾讯科技（深圳）有限公司 障碍物位置识别方法、装置、计算机设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234679A1 (en) * 2004-02-13 2005-10-20 Evolution Robotics, Inc. Sequential selective integration of sensor data
CN101770024A (zh) * 2010-01-25 2010-07-07 上海交通大学 多目标跟踪方法
CN101975575A (zh) * 2010-10-15 2011-02-16 西安电子科技大学 基于粒子滤波的被动传感器多目标跟踪方法
CN101984362A (zh) * 2010-08-12 2011-03-09 中国人民解放军海军航空工程学院 基于数据压缩的集中式多源广义相关跟踪器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234679A1 (en) * 2004-02-13 2005-10-20 Evolution Robotics, Inc. Sequential selective integration of sensor data
CN101770024A (zh) * 2010-01-25 2010-07-07 上海交通大学 多目标跟踪方法
CN101984362A (zh) * 2010-08-12 2011-03-09 中国人民解放军海军航空工程学院 基于数据压缩的集中式多源广义相关跟踪器
CN101975575A (zh) * 2010-10-15 2011-02-16 西安电子科技大学 基于粒子滤波的被动传感器多目标跟踪方法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103017771B (zh) * 2012-12-27 2015-06-17 杭州电子科技大学 一种静止传感器平台的多目标联合分配与跟踪方法
CN103017771A (zh) * 2012-12-27 2013-04-03 杭州电子科技大学 一种静止传感器平台的多目标联合分配与跟踪方法
CN103096444B (zh) * 2013-01-29 2016-08-10 浙江大学 一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法
CN103096444A (zh) * 2013-01-29 2013-05-08 浙江大学 一种基于传感器节点策略选择的水下无线传感器网络目标跟踪方法
CN103576137A (zh) * 2013-09-27 2014-02-12 电子科技大学 一种基于成像策略的多传感器多目标定位方法
CN104155651A (zh) * 2014-08-30 2014-11-19 电子科技大学 一种用于极化雷达目标跟踪的概率数据关联方法
CN104237845A (zh) * 2014-09-19 2014-12-24 中国电子科技集团公司第二十八研究所 一种被动传感器目标位置估计误差均值方差分析方法
CN105137418A (zh) * 2015-07-28 2015-12-09 中国人民解放军海军航空工程学院 基于全邻模糊聚类的多目标跟踪与数据互联方法
CN108871416A (zh) * 2018-03-19 2018-11-23 西安电子科技大学 基于虚假点消除的角度冗余数据关联方法、被动定位系统
CN109298414A (zh) * 2018-09-29 2019-02-01 中国科学院电子学研究所 雷达多运动目标实时跟踪方法
CN109901152A (zh) * 2019-03-25 2019-06-18 西安电子科技大学 异步动平台多基地传感器系统目标检测跟踪联合估计方法
CN110542885A (zh) * 2019-08-13 2019-12-06 北京理工大学 一种复杂交通环境下的毫米波雷达目标跟踪方法
CN110542885B (zh) * 2019-08-13 2021-09-21 北京理工大学 一种复杂交通环境下的毫米波雷达目标跟踪方法
CN111488812A (zh) * 2020-04-01 2020-08-04 腾讯科技（深圳）有限公司 障碍物位置识别方法、装置、计算机设备和存储介质
CN111488812B (zh) * 2020-04-01 2022-02-22 腾讯科技（深圳）有限公司 障碍物位置识别方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN102338874B (zh) 2013-05-08

Similar Documents

Publication Publication Date Title
CN102338874A (zh) 用于被动式多传感器目标跟踪的全局概率数据关联方法
US10175348B2 (en) Use of range-rate measurements in a fusion tracking system via projections
CN110531357B (zh) 估计移动目标在水平面中速度大小的方法和雷达检测系统
CN109002835B (zh) 一种基于最大熵模糊聚类的粒子滤波数据关联方法
CN112230243B (zh) 一种移动机器人室内地图构建方法
CN110554388B (zh) 利用主车辆对目标的速度进行鲁棒估计的方法
US20200057090A1 (en) Method of determining an uncertainty estimate of an estimated velocity
CN106896363B (zh) 一种水下目标主动跟踪航迹起始方法
CN103616036A (zh) 一种基于合作目标的机载传感器系统误差估计与补偿方法
CN111487612B (zh) 基于cpd的异地配置雷达/esm航迹抗差关联方法
CN109507635A (zh) 利用两个未知方位辅助源的阵列幅相误差估算方法
RU2665032C2 (ru) Устройство распознавания воздушно-космических объектов в двухдиапазонных радиолокационных комплексах с активными фазированными антенными решетками (афар)
RU2562616C1 (ru) Способ получения радиотехнической информации и радиотехнический комплекс для его осуществления
KR20210011585A (ko) 확장 칼만필터를 이용한 차량 위치 추적 방법 및 장치
CN113702940A (zh) 基于多元特征信息分层融合空间集群目标分辨方法及应用
CN111624549B (zh) 非共视条件下无源滤波跟踪方法
Li et al. Improving PPP-RTK-based vehicle navigation in urban environments via multilayer perceptron-based NLOS signal detection
CN111487613A (zh) 基于分级聚类的雷达/esm航迹抗差关联方法
CN115356718A (zh) 一种基于交叉熵模糊聚类的多目标跟踪数据关联方法
CN108981707B (zh) 基于时差量测箱粒子phd的被动跟踪多目标方法
CN113866754A (zh) 基于高斯分布波门的运动目标航迹关联方法
RU2253126C1 (ru) Способ отождествления пеленгов источников радиоизлучений в угломерных двухпозиционных пассивных радиолокационных системах
CN110596691A (zh) 一种考虑地球曲率的双基站三维无源定位方法
CN104330772A (zh) 基于多向寻优的全跟踪式ukf滤波算法的双站定位方法
RU2776417C1 (ru) Комплексный обнаружитель криволинейных траекторий воздушных объектов с использованием параметрических преобразований

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20130508

Termination date: 20140624

EXPY Termination of patent right or utility model