CN103017771A - 一种静止传感器平台的多目标联合分配与跟踪方法 - Google Patents
一种静止传感器平台的多目标联合分配与跟踪方法 Download PDFInfo
- Publication number
- CN103017771A CN103017771A CN2012105817819A CN201210581781A CN103017771A CN 103017771 A CN103017771 A CN 103017771A CN 2012105817819 A CN2012105817819 A CN 2012105817819A CN 201210581781 A CN201210581781 A CN 201210581781A CN 103017771 A CN103017771 A CN 103017771A
- Authority
- CN
- China
- Prior art keywords
- mergeformat
- sensor
- target
- measurement
- multisensor
- 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
Links
Images
Abstract
本发明涉及一种静止传感器平台的多目标联合分配与跟踪方法,针对传感器组网多目标跟踪过程中存在传感器配置选择与跟踪问题,本发明提出采用以多传感器最小费用函数的目标函数为优化对象,通过引入传感器功耗来综合描述传感器量测目标距离和费用,使多传感器功耗最小化,首先完成传感器选择,其次依据传感器网络约束分配算法条件建立传感器与目标之间的关联关系并给出了多传感器MHT概率计算公式,以此为基础获取目标量测,估计目标状态。
Description
技术领域
本发明属于多传感器多目标跟踪领域,特别涉及一种基于静止传感器平台的多传感器多目标联合分配与跟踪方法。
背景技术
高超音速飞行器指的是飞行速度在5Ma以上,飞行高度在20Km-120Km的空天过渡区域,该区域属于稀薄大气层,由于受到大气层的影响相对较小,有利于目标的高速飞行;高超因素飞行器主要依靠速度突防,可以进行大范围的机动运行。这些特点决定了高超音速飞行器的预警和跟踪不可能依靠单个传感器来完成,而必须依靠传感器网络来尽可能增加预警时间,进行大范围的组网跟踪,这也是本发明的现实依据。此外,在战场环境多传感器感知时,分配那些传感器跟踪捕获目标,也需要多传感器的联合分配与跟踪方法。对于多传感器组网跟踪而言,首先需要解决的问题是传感器配置选择,其次是量测关联问题。考虑到高超飞行器的机动属于大范围机动,而非通常意义下的强机动飞行动作,因此,本发明重点是多传感器配置选择和量测关联问题。
发明内容
本发明针对现有技术的不足,提供了一种静止传感器平台的多传感器多目标联合分配与跟踪方法。其具体内容如下:
1. 系统建模
1.1本发明给出线性多传感器多目标系统,如下
其中,是目标状态向量,,分别为时刻目标在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴上的坐标, \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻目标在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴方向上的速度, \* MERGEFORMAT 是目标状态转移矩阵, \* MERGEFORMAT 是噪声矩阵, \* MERGEFORMAT 是系统量测, \* MERGEFORMAT 是观测矩阵; \* MERGEFORMAT 分别为过程噪声和量测噪声,服从标准的高斯分布; \* MERGEFORMAT 是选择传感器编号的参数,取值范围为 \* MERGEFORMAT ,表示总的传感器个数。 \* MERGEFORMAT 表示传感器 \* MERGEFORMAT 的运动状态, \* MERGEFORMAT , \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴上的坐标, \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴方向上的速度。
1.2确定给定传感器的线性误差模型为:
其中, \* MERGEFORMAT 表示目标 \* MERGEFORMAT 与传感器 \* MERGEFORMAT 之间的距离, \* MERGEFORMAT 是一个距离常数, \* MERGEFORMAT 是一个常协方差阵, \* MERGEFORMAT 采用目标的预测状态和传感器状态之间的距离,即
其中, \* MERGEFORMAT 为传感器 \* MERGEFORMAT 观测目标 \* MERGEFORMAT 的使用功耗,包括两部分:估计误差协方差矩阵迹 \* MERGEFORMAT 和传感器 \* MERGEFORMAT 的使用费用 \* MERGEFORMAT 。 \* MERGEFORMAT 为折算系数, \* MERGEFORMAT 为重要性系数。
2. 功耗及其参数计算
2.1 估计精度计算
其中, \* MERGEFORMAT 为矩阵的迹, \* MERGEFORMAT 为采用第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的误差协方差阵,求法如下:
\* MERGEFORMAT
其中, \* MERGEFORMAT 是 \* MERGEFORMAT 时刻选择传感器 \* MERGEFORMAT 后的误差协方差阵, \* MERGEFORMAT 是 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 被选择后的一步预测误差协方差阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的滤波增益矩阵, \* MERGEFORMAT 是对应的单位矩阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的测量残余协方差阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻的过程噪声协方差阵。
2.2 功耗系数和传感器费用选择
3. 问题优化
3.1 在获得性能指标之后,接下来就是考虑哪些传感器观测目标,并进一步获取目标量测。为此,本发明给出如下传感器选择优化问题
其中 \* MERGEFORMAT 表示多传感器多目标系统总的目标费用, \* MERGEFORMAT 表示选择变量,表示选择传感器 \* MERGEFORMAT 观测目标,采用匈牙利方法可以解决该分配问题。
4. 量测关联过程
依据如上优化问题获取目标量测之后,接下来需要考虑量测关联问题,本发明采用多传感器-多假设跟踪方法关联目标,这里主要计算多传感器-假设概率。
4.1 多传感器-多目标系统
在多传感器条件下,本发明引入多传感器量测分配集:
其中。
多传感器MHT假设概率公式为
其中,其中是第条假设,是累计量测,每个时刻量测包含目标量测和杂波量测,是第步的第条假设。假设新出现的目标量测和杂波量测分别服从强度为和的泊松分布,假设概率与量测分配集没有关系,是由于假设集和传感器选择之间是独立的。
4.2 多传感器多假设概率计算。
根据多传感器目标量测和杂波量测的泊松分布假设,多传感器MHT概率公式如下:
其中,其中分别是新目标(航迹),杂波量测个数。表示事件量测来自于目标,表示检测到目标航迹,表示目标航迹被删除,分别是目标的检测概率和终止概率。表示第个目标的目标传感器量测的目标强度,表示第个量测对应的传感器量测的杂波强度,同MHT方法类似,选择多传感器假设概率最大的量测假设估计各个目标的状态。
本发明的有益效果:
本发明给出了一种静止传感器平台的多传感器多目标联合分配与跟踪方法,通过引入传感器功耗来综合描述传感器量测目标距离和费用,并使多传感器功耗最小化。首先完成传感器选择,其次给出了多传感器MHT概率计算公式,以此为基础获取目标量测,估计目标状态。
附图说明
图1.多传感器多目标跟踪方法流程;
图2.两个目标的跟踪过程;
图3.传感器配置选择过程;
图4.目标状态RMSE。
具体实施方式
以下结合附图对本发明作进一步说明。
本发明提出了一种静止传感器平台的多传感器多目标联合分配与跟踪方法,其具体实施方式如下:
1. 系统建模
1.1本发明给出线性多传感器多目标系统,如下
其中, \* MERGEFORMAT 是目标状态向量, \* MERGEFORMAT , \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻目标在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴上的坐标, \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻目标在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴方向上的速度, \* MERGEFORMAT 是目标状态转移矩阵, \* MERGEFORMAT 是噪声矩阵, \* MERGEFORMAT 是系统量测, \* MERGEFORMAT 是观测矩阵; \* MERGEFORMAT 分别为过程噪声和量测噪声,服从标准的高斯分布; \* MERGEFORMAT 是选择传感器编号的参数,取值范围为 \* MERGEFORMAT ,表示总的传感器个数。 \* MERGEFORMAT 表示传感器 \* MERGEFORMAT 的运动状态, \* MERGEFORMAT , \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴上的坐标, \* MERGEFORMAT 分别为 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴方向上的速度。
1.2确定给定传感器的线性误差模型为:
其中, \* MERGEFORMAT 表示目标 \* MERGEFORMAT 与传感器 \* MERGEFORMAT 之间的距离, \* MERGEFORMAT 是一个距离常数, \* MERGEFORMAT 是一个常协方差阵, \* MERGEFORMAT 采用目标的预测状态和传感器状态之间的距离,即:
\* MERGEFORMAT
其中, \* MERGEFORMAT 为传感器 \* MERGEFORMAT 观测目标 \* MERGEFORMAT 的使用功耗,包括两部分:估计误差协方差矩阵迹 \* MERGEFORMAT 和传感器 \* MERGEFORMAT 的使用费用 \* MERGEFORMAT 。 \* MERGEFORMAT 为折算系数, \* MERGEFORMAT 为重要性系数。
2. 功耗及其参数计算
2.1 估计精度计算
针对使用功耗中的第一项 \* MERGEFORMAT ,本发明给定如下
其中, \* MERGEFORMAT 为矩阵的迹, \* MERGEFORMAT 为采用第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的误差协方差阵,求法如下:
\* MERGEFORMAT
其中, \* MERGEFORMAT 是 \* MERGEFORMAT 时刻选择传感器 \* MERGEFORMAT 后的误差协方差阵, \* MERGEFORMAT 是 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 被选择后的一步预测误差协方差阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的滤波增益矩阵, \* MERGEFORMAT 是对应的单位矩阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的测量残余协方差阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻的过程噪声协方差阵。
如图1所示,其给出了在3个目标、4个传感器情景下的算法流程,和传统的单传感器多目标跟踪算法比较,在预测步之后,考虑了传感器选择问题,然后再依据相应的传感器量测更新目标状态,因此,本发明中目标跟踪过程是一个混合多量测的目标跟踪过程。
2.2 功耗系数和传感器费用选择
3. 问题优化
3.1 在获得性能指标之后,接下来就是考虑哪些传感器观测目标,并进一步获取目标量测。为此,本发明给出如下传感器选择优化问题
\* MERGEFORMAT
其中 \* MERGEFORMAT 表示多传感器多目标系统总的目标费用, \* MERGEFORMAT 表示选择变量,表示选择传感器 \* MERGEFORMAT 观测目标,采用匈牙利方法可以解决该分配问题。
4. 量测关联过程
依据如上优化问题获取目标量测之后,接下来需要考虑量测关联问题,本发明采用多传感器-多假设跟踪方法关联目标,这里主要计算多传感器-假设概率。
4.1 多传感器-多目标系统
在多传感器条件下,本发明引入多传感器量测分配集:
\* MERGEFORMAT
其中。
多传感器MHT假设概率公式为
其中,其中是第条假设,是累计量测,每个时刻量测包含目标量测和杂波量测,是第步的第条假设。假设新出现的目标量测和杂波量测分别服从强度为和的泊松分布,假设概率与量测分配集没有关系,是由于假设集和传感器选择之间是独立的。
4.2 多传感器多假设概率计算。
根据多传感器目标量测和杂波量测的泊松分布假设,多传感器MHT概率公式如下:
其中,其中分别是新目标(航迹),杂波量测个数。表示事件量测来自于目标,表示检测到目标航迹,表示目标航迹被删除, 分别是目标的检测概率和终止概率。表示第个目标的目标传感器量测的目标强度,表示第个量测对应的传感器量测的杂波强度,同MHT方法类似,选择多传感器假设概率最大的量测假设估计各个目标的状态。
方法验证
两个目标的初始状态分别为:
图2给出的是折算系数下的2个CV运动目标,4个传感器的场景,两个目标分别从左上角和左下角两个位置,进入四个传感器的观测视场,每个目标由1个传感器负责观测,而1个传感器可以观测多个目标。图中的轨迹给出了估计位置,其中目标的真实轨迹已被覆盖。从整个的跟踪过程来看,估计精度比较好。
图3给出的是折算系数下,即只考虑精度问题,而不考虑费用问题,时间在0-200s内的传感器分配过程,为了清楚期间,图中用细线给出了每隔5s传感器和观测目标之间的相应分配关系。传感器精度和距离之间是线性关系,由图可以看出,目标根据估计精度最高原则选择传感器,而距离最近的传感器往往具有最好的精度,需要说明的是,即使在相同的距离条件下,不同的传感器具有不同的精度,因此,不能单纯采用距离来选择传感器,而应该选择估计精度作为功耗指标。
图4(a)给出的是4个传感器观测时的估计RMSE误差(),通过200次蒙特卡洛(MC)实验,可以看出,由于传感器的观测误差与距离成线性关系,在多传感器视场中,RMSE呈现类似正弦曲线形式的波动过程。最大的波动误差与传感器布置的位置和传感器多少有很大的关系,但总体都在0.5km左右波动。为了进行对比,假设只采用传感器1和2进行观测时,从图4(b)可以看出,在100s,图4(a)和图4(b)的RMSE误差很相似,这主要是由于在该时间段内,传感器负责观测。但是图4(b)在100s以后的时间段内,估计误差呈不断上升的趋势,而图4(a)由于传感器3和4可以分配,观测误差可以有效降低,估计误差也进一步降低。
最后说明,以上描述仅用以说明本发明的技术方案而非限制其所包含范围,即对本发明的技术方案进行修改或者等同替换,而并未脱离其目的和范围的,均应涵盖于本发明的权利要求范围当中。
Claims (1)
1.一种静止传感器平台的多目标联合分配与跟踪方法,其特征在于该方法包括以下步骤:
步骤1. 系统建模;
步骤1.1给出线性多传感器多目标系统,如下:
其中,是目标状态向量,,分别为时刻目标在直角坐标平面上的轴和轴上的坐标,分别为时刻目标在直角坐标平面上的轴和轴方向上的速度,是目标状态转移矩阵,是噪声矩阵,是系统量测,是观测矩阵;分别为过程噪声和量测噪声,服从标准的高斯分布;是选择传感器编号的参数,取值范围为,表示总的传感器个数;表示传感器的运动状态,,分别为时刻传感器在直角坐标平面上的轴和轴上的坐标,分别为时刻传感器在直角坐标平面上的 \* MERGEFORMAT 轴和 \* MERGEFORMAT 轴方向上的速度;
步骤1.2确定给定传感器的线性误差模型为:
其中, \* MERGEFORMAT 表示目标 \* MERGEFORMAT 与传感器 \* MERGEFORMAT 之间的距离, \* MERGEFORMAT 是一个距离常数, \* MERGEFORMAT 是一个常协方差阵, \* MERGEFORMAT 采用目标的预测状态和传感器状态之间的距离,即
\* MERGEFORMAT
步骤1.3引入一个传感器功耗 \* MERGEFORMAT 性能指标来综合描述精度和使用费用,如下所示:
其中, \* MERGEFORMAT 为传感器 \* MERGEFORMAT 观测目标 \* MERGEFORMAT 的使用功耗,包括两部分:估计误差协方差矩阵迹 \* MERGEFORMAT 和传感器 \* MERGEFORMAT 的使用费用 \* MERGEFORMAT ; \* MERGEFORMAT 为折算系数, \* MERGEFORMAT 为重要性系数;
步骤2. 功耗及其参数计算;
步骤2.1 估计精度计算;
其中, \* MERGEFORMAT 为矩阵的迹, \* MERGEFORMAT 为采用第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的误差协方差阵,求法如下:
其中, \* MERGEFORMAT 是 \* MERGEFORMAT 时刻选择传感器 \* MERGEFORMAT 后的误差协方差阵, \* MERGEFORMAT 是 \* MERGEFORMAT 时刻传感器 \* MERGEFORMAT 被选择后的一步预测误差协方差阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的滤波增益矩阵, \* MERGEFORMAT 是对应的单位矩阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻第 \* MERGEFORMAT 个传感器观测第 \* MERGEFORMAT 个目标时的测量残余协方差阵, \* MERGEFORMAT 为 \* MERGEFORMAT 时刻的过程噪声协方差阵;
步骤2.2 功耗系数和传感器费用选择;
步骤3. 问题优化;
步骤3.1 在获得性能指标之后,接下来就是考虑哪些传感器观测目标,并进一步获取目标量测;为此,给出如下传感器选择优化问题
其中 \* MERGEFORMAT 表示多传感器多目标系统总的目标费用, \* MERGEFORMAT 表示选择变量,表示选择传感器 \* MERGEFORMAT 观测目标,采用匈牙利方法可以解决该分配问题;
步骤4. 量测关联过程;
依据如上优化问题获取目标量测之后,接下来需要考虑量测关联问题,采用多传感器-多假设跟踪方法关联目标,这里主要计算多传感器-假设概率;
步骤4.1 多传感器-多目标系统;
在多传感器条件下,引入多传感器量测分配集:
多传感器MHT假设概率公式为:
其中,其中是第条假设,是累计量测,每个时刻量测包含目标量测和杂波量测,是第步的第条假设;假设新出现的目标量测和杂波量测分别服从强度为和的泊松分布,假设概率与量测分配集没有关系,是由于假设集和传感器选择之间是独立的;
步骤4.2 多传感器多假设概率计算;
根据多传感器目标量测和杂波量测的泊松分布假设,多传感器MHT概率公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210581781.9A CN103017771B (zh) | 2012-12-27 | 2012-12-27 | 一种静止传感器平台的多目标联合分配与跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210581781.9A CN103017771B (zh) | 2012-12-27 | 2012-12-27 | 一种静止传感器平台的多目标联合分配与跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103017771A true CN103017771A (zh) | 2013-04-03 |
CN103017771B CN103017771B (zh) | 2015-06-17 |
Family
ID=47966646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210581781.9A Expired - Fee Related CN103017771B (zh) | 2012-12-27 | 2012-12-27 | 一种静止传感器平台的多目标联合分配与跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103017771B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471591A (zh) * | 2013-04-15 | 2013-12-25 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联算法 |
CN103869279A (zh) * | 2014-02-27 | 2014-06-18 | 杭州电子科技大学 | 一种多传感器平台的多目标定位跟踪方法 |
CN103940430A (zh) * | 2014-03-14 | 2014-07-23 | 杭州电子科技大学 | 一种状态受限移动多传感器配置及多目标跟踪方法 |
CN104156619A (zh) * | 2014-08-23 | 2014-11-19 | 电子科技大学 | 协同探测中传感器分配方法 |
CN105159314A (zh) * | 2015-07-09 | 2015-12-16 | 杭州电子科技大学 | 一种自由运动移动多传感器配置及多目标跟踪算法 |
CN106789740A (zh) * | 2016-11-11 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 按任务优先级序贯拍卖的多平台传感器协同管理方法 |
CN109269499A (zh) * | 2018-09-07 | 2019-01-25 | 东南大学 | 一种基于相对导航的目标联合组网定位方法 |
CN112362042A (zh) * | 2020-10-30 | 2021-02-12 | 智慧航海(青岛)科技有限公司 | 一种基于智能船舶多传感设备的航迹关联判断方法 |
CN113392882A (zh) * | 2021-05-28 | 2021-09-14 | 中国人民解放军海军工程大学 | 一种主被动传感器抗差数据关联方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389710A (zh) * | 2002-07-18 | 2003-01-08 | 上海交通大学 | 多传感器多目标信息融合方法 |
CN101173987A (zh) * | 2007-10-31 | 2008-05-07 | 北京航空航天大学 | 多模多目标精密跟踪装置和方法 |
CN101676744A (zh) * | 2007-10-31 | 2010-03-24 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
US7705780B1 (en) * | 2007-12-20 | 2010-04-27 | The United States Of America As Represented By The Secretary Of The Navy | Electronic support measures (ESM) tracking system and method |
US7884754B1 (en) * | 2006-04-28 | 2011-02-08 | The United States Of America As Represented By The Secretary Of The Navy | Method of distributed estimation using multiple asynchronous sensors |
CN102147468A (zh) * | 2011-01-07 | 2011-08-10 | 西安电子科技大学 | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 |
US20110208685A1 (en) * | 2010-02-25 | 2011-08-25 | Hariraam Varun Ganapathi | Motion Capture Using Intelligent Part Identification |
CN102338874A (zh) * | 2011-06-24 | 2012-02-01 | 浙江大学 | 用于被动式多传感器目标跟踪的全局概率数据关联方法 |
CN102411371A (zh) * | 2011-11-18 | 2012-04-11 | 浙江大学 | 一种基于多传感器服务机器人跟随系统和方法 |
CN102798867A (zh) * | 2012-09-10 | 2012-11-28 | 电子科技大学 | 一种机载雷达与红外传感器航迹关联方法 |
-
2012
- 2012-12-27 CN CN201210581781.9A patent/CN103017771B/zh not_active Expired - Fee Related
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1389710A (zh) * | 2002-07-18 | 2003-01-08 | 上海交通大学 | 多传感器多目标信息融合方法 |
US7884754B1 (en) * | 2006-04-28 | 2011-02-08 | The United States Of America As Represented By The Secretary Of The Navy | Method of distributed estimation using multiple asynchronous sensors |
CN101173987A (zh) * | 2007-10-31 | 2008-05-07 | 北京航空航天大学 | 多模多目标精密跟踪装置和方法 |
CN101676744A (zh) * | 2007-10-31 | 2010-03-24 | 北京航空航天大学 | 一种复杂背景低信噪比下弱小目标高精度跟踪方法 |
US7705780B1 (en) * | 2007-12-20 | 2010-04-27 | The United States Of America As Represented By The Secretary Of The Navy | Electronic support measures (ESM) tracking system and method |
US20110208685A1 (en) * | 2010-02-25 | 2011-08-25 | Hariraam Varun Ganapathi | Motion Capture Using Intelligent Part Identification |
CN102147468A (zh) * | 2011-01-07 | 2011-08-10 | 西安电子科技大学 | 基于贝叶斯理论的多传感器检测跟踪联合处理方法 |
CN102338874A (zh) * | 2011-06-24 | 2012-02-01 | 浙江大学 | 用于被动式多传感器目标跟踪的全局概率数据关联方法 |
CN102411371A (zh) * | 2011-11-18 | 2012-04-11 | 浙江大学 | 一种基于多传感器服务机器人跟随系统和方法 |
CN102798867A (zh) * | 2012-09-10 | 2012-11-28 | 电子科技大学 | 一种机载雷达与红外传感器航迹关联方法 |
Non-Patent Citations (3)
Title |
---|
万琴等: "改进联合概率数据关联的视频多目标快速跟踪", 《控制理论与应用》 * |
童俊: "面向任务的多传感器资源预分配建模与求解", 《系统工程与电子技术》 * |
童俊等: "基于Cramer-Rao下限的多传感器跟踪资源协同分配", 《宇航学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471591B (zh) * | 2013-04-15 | 2017-06-06 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联方法 |
CN103471591A (zh) * | 2013-04-15 | 2013-12-25 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联算法 |
CN103869279A (zh) * | 2014-02-27 | 2014-06-18 | 杭州电子科技大学 | 一种多传感器平台的多目标定位跟踪方法 |
CN103940430A (zh) * | 2014-03-14 | 2014-07-23 | 杭州电子科技大学 | 一种状态受限移动多传感器配置及多目标跟踪方法 |
CN104156619A (zh) * | 2014-08-23 | 2014-11-19 | 电子科技大学 | 协同探测中传感器分配方法 |
CN105159314A (zh) * | 2015-07-09 | 2015-12-16 | 杭州电子科技大学 | 一种自由运动移动多传感器配置及多目标跟踪算法 |
CN106789740A (zh) * | 2016-11-11 | 2017-05-31 | 中国人民解放军海军航空工程学院 | 按任务优先级序贯拍卖的多平台传感器协同管理方法 |
CN106789740B (zh) * | 2016-11-11 | 2019-12-10 | 中国人民解放军海军航空大学 | 按任务优先级序贯拍卖的多平台传感器协同管理方法 |
CN109269499A (zh) * | 2018-09-07 | 2019-01-25 | 东南大学 | 一种基于相对导航的目标联合组网定位方法 |
CN109269499B (zh) * | 2018-09-07 | 2022-06-17 | 东南大学 | 一种基于相对导航的目标联合组网定位方法 |
CN112362042A (zh) * | 2020-10-30 | 2021-02-12 | 智慧航海(青岛)科技有限公司 | 一种基于智能船舶多传感设备的航迹关联判断方法 |
CN112362042B (zh) * | 2020-10-30 | 2023-03-10 | 智慧航海(青岛)科技有限公司 | 一种基于智能船舶多传感设备的航迹关联判断方法 |
CN113392882A (zh) * | 2021-05-28 | 2021-09-14 | 中国人民解放军海军工程大学 | 一种主被动传感器抗差数据关联方法 |
CN113392882B (zh) * | 2021-05-28 | 2022-04-26 | 中国人民解放军海军工程大学 | 一种主被动传感器抗差数据关联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103017771B (zh) | 2015-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103017771A (zh) | 一种静止传感器平台的多目标联合分配与跟踪方法 | |
CN107239076B (zh) | 基于虚拟扫描与测距匹配的agv激光slam方法 | |
CN107728138B (zh) | 一种基于当前统计模型的机动目标跟踪方法 | |
CN103383261B (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN103729637B (zh) | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 | |
CN101980044B (zh) | 未知测量噪声分布下的多目标跟踪方法 | |
CN103759732B (zh) | 一种角度信息辅助的集中式多传感器多假设跟踪方法 | |
CN104199022B (zh) | 一种基于目标模态估计的临近空间高超声速目标跟踪方法 | |
CN104574439A (zh) | 一种融合卡尔曼滤波与tld算法的目标跟踪方法 | |
CN104166171B (zh) | 基于雷电定位系统的雷云覆盖面积的预测方法及系统 | |
CN105549005A (zh) | 一种基于网格划分的动态目标波达方向跟踪方法 | |
CN102608568A (zh) | 一种具有固定滑窗-ospa距离航迹关联方法 | |
CN104833949A (zh) | 一种基于改进距离参数化的多无人机协同无源定位方法 | |
CN110530424B (zh) | 一种基于目标威胁度的空中目标传感器管理方法 | |
CN104504728A (zh) | 多机动目标跟踪方法、系统及其广义联合概率数据关联器 | |
CN103678949A (zh) | 基于密度分析和谱聚类的多扩展目标跟踪量测集划分方法 | |
CN103869279A (zh) | 一种多传感器平台的多目标定位跟踪方法 | |
CN108615070A (zh) | 一种基于混沌粒子群算法的tdoa和aoa混合定位方法 | |
CN102163259B (zh) | 行人微观交通流仿真模型的系统评估方法 | |
CN104021285B (zh) | 一种具有最优运动模式切换参数的交互式多模型目标跟踪方法 | |
CN103889053A (zh) | 一种自生长式的指纹图自主建立方法 | |
CN109856622A (zh) | 一种约束条件下的单雷达直线航迹线目标状态估计方法 | |
CN109917372A (zh) | 基于目标预测的扩展目标量测集划分和跟踪方法 | |
CN109671096A (zh) | 一种时空近邻目标检测及网格聚类量测划分下的多扩展目标跟踪方法 | |
CN105116393A (zh) | 一种基于位置指纹的高空目标飞行高度和雷达截面积估计方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150617 Termination date: 20171227 |