CN104614751A - 基于约束信息的目标定位方法 - Google Patents
基于约束信息的目标定位方法 Download PDFInfo
- Publication number
- CN104614751A CN104614751A CN201510049788.XA CN201510049788A CN104614751A CN 104614751 A CN104614751 A CN 104614751A CN 201510049788 A CN201510049788 A CN 201510049788A CN 104614751 A CN104614751 A CN 104614751A
- Authority
- CN
- China
- Prior art keywords
- overbar
- value
- constraint
- new variables
- constraint information
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
Abstract
本发明公开了一种基于约束信息的目标定位方法,用于对机动目标实时跟踪定位,包括以下步骤:首先进行约束模型建模;接着进行系统降维和关联测量值与新变量;其次,获取测量信息,并设计递归滤波器;然后重构状态值和误差协方差的当前估计值;重复上述步骤对机动目标进行实时跟踪定位。本发明通过系统降维和关联测量值与新变量,简化了原始数学模型和计算复杂度,降低计算量,利于得到更优的估计效果,提高了定位精度;通过设计递归滤波器,根据新变量和误差协方差上一时刻的估计值以及测量值的当前值,求出新变量和误差协方差的当前估计值,有效实现对机动目标的实时跟踪定位,且无需保留更前面的测量值与约束信息,节省了存储空间。
Description
技术领域
本发明涉及目标跟踪技术领域,具体涉及一种基于约束信息的目标定位方法。
背景技术
机动目标跟踪是一门涉及多学科交叉的技术,目标定位是指利用来自若干个传感器的目标观测数据集,对目标的运行状态进行估计和预测的过程。随着科技的不断进步,机动目标的类型越来越多,运行速度越来越快,而仅凭传感器的输出很难实现快速跟踪与精准定位,因此必须充分利用一切有用信息以提高目标定位的精度。
事实上,通过分析目标所处的环境及运行的轨迹往往可挖掘出有用的先验信息,将先验信息进行合理利用可达到提高估计精度的目的。如,当车辆沿直线运动时,车辆的运行轨迹与道路的走向保持一致,若道路的走向已预先获知,则可间接得到有关状态的先验信息;目标在做匀速圆周运动时,满足速度与加速度点乘为零的约束关系,利用该约束关系可以得到比直线运动时更好的跟踪结果;在组合导航定位系统中,通过在不同的位置分别安装GPS,惯性测量单元(IMU)和CCD相机等传感器进行距离测量,并根据各个传感器之间的相对位置以精确定位。以上这些均称为约束条件,合理利用约束条件蕴含的约束信息,并结合传感器的输出,可有效的提高状态的估计精度,实现对机动目标的精准定位。
近年来,国内外基于约束条件的状态估计与目标定位方法的研究有很多,且取得了一些研究成果。C.Rao等人在《Constrained linear state estimation―amoving horizon approach》(Automatica,2001,37,pp1619–1628)一文中以恒速运行的机动目标为对象,提取出目标速度与加速度向量始终保持正交这一关系作为已知的先验信息,同时结合卡尔曼滤波的计算过程,提出了更优的滤波算法,并论证了滤波器的渐进无偏收敛性,然而该方法不具有递归功能,不适合对机动目标的跟踪定位。之后,D.Simon等人在《Kalman filtering with state equalityconstraints》(Trans.AES,2002,38,pp.128-136)一文中提出了基于投影(PJ)的方法,通过将卡尔曼滤波结果与约束空间相结合得到新的约束估计,具体表现为解一个拉格朗日方程实现目标定位,然而该方法的定位精度仍然有待提高。Ko等人在《State estimation for linear systems with state equality constraints》(Automatica,2007,43:1363–1368)一文中对约束系统的一些参数做了假设,并在此基础上推导出一个约束预测器,验证了该预测器比投影方法具有更精确的估计结果,为舰船定位和导航提供了可靠的辅助监控数据,然而该方法中所做的几个假设条件限制了该方法的应用范围。之后,Hewett等人在《A robust null spacemethod for linear equality constrained state estimation》(Trans.SP 2010,58,3961–3971)一文中提出了基于零空间分解(NS)的定位方法,认为系统的状态向量由固定部分和随机部分共同构成,首先分别得到二者的估计值,接着通过重构得到原约束系统状态的估计值,然而该方法在降阶的过程中损失了部分信息,导致估计精度不高,无法实现目标的精准定位。
发明内容
本发明为了克服以上不足,提供了一种不仅能实现机动目标实时跟踪定位,且可以有效提高定位精度的基于约束信息的目标定位方法。
为了解决上述技术问题,本发明的技术方案是:一种基于约束信息的目标定位方法,用于对机动目标实时跟踪定位,包括以下步骤:
S1:约束模型建模,分别建立状态值xk、测量值zk以及约束方程的数学表达式;
S2:系统降维,根据约束方程,寻找一个新变量用以表示其他变量,得到关于新变量的降维方程,对状态值xk的表达式进行降维;
S3:关联测量值zk与新变量,建立测量值zk与新变量的表达关系;
S4:获取测量信息,通过传感器实时获取机动目标的状态信息的测量值zk;
S5:设计递归滤波器,根据新变量和误差协方差上一时刻的估计值以及测量值zk的当前值,设计递归滤波器,求出新变量和误差协方差的当前估计值;
S6:重构状态值xk和误差协方差的当前估计值,根据新变量的当前值求出原始状态值xk和误差协方差的当前估计值;
S7:重复步骤S2-S6,对机动目标进行实时跟踪定位。
进一步的,所述步骤S1中,状态值xk和测量值zk满足数学表达式:
xk=Akxk-1+Γkuk-1+wk-1
zk=Hkxk+vk
约束方程:Dkxk=dk
其中,k为采样时刻值;状态值 包含四个状态元素;uk-1为已知输入项;过程噪声wk和vk为均值为零的高斯白噪声;wk和vk的协方差分别为Uk和Rk;Ak是n×n的状态转移矩阵,Γk是n×p的输入矩阵,Hk是m×n的测量矩阵,Dk是s×n的行满秩约束矩阵,dk是s×1的约束向量,m、n、p、s均为正整数,且s<n。
进一步的,所述步骤S2具体包括以下步骤:
S21:将约束矩阵Dk进行分解,表示成 其中Ek为可逆矩阵,为由Dk的其中s列构成的满秩方阵,Dk(·,kj)表示矩阵Dk的第kj列,j=1,2,…,s;为Dk余下的n-s列;
S22:寻找新变量y2,k,对状态值xk的数学表达式进行降维,令对应Dk的分块将yk进行分块表示成 并根据约束方程用y2,k表示y1,k,得到关于新变量y2,k的降维方程。
进一步的,所述降维方程为:
其中,
进一步的,所述步骤S3中,测量值zk与新变量y2,k的表达关系为:
其中,
进一步的,所述步骤S5具体包括以下步骤:
S51:获得k-1时刻,即上一时刻y2,k-1的估计值与误差协方差的估计值P2,k-1|k-1;
S52:根据最小二乘算法获得y2,k k时刻,即当前时刻的预测值与误差协方差当前时刻的预测值P2,k|k-1;
S53:结合当前时刻的测量值zk,得到y2,k的当前估计值和误差协方差的当前估计值P2,k|k。
进一步的,所述步骤S52中根据最小二乘算法获得的和P2,k|k-1分别为:
其中,
进一步的,所述步骤S53中和P2,k|k分别为:
其中,
进一步的,所述步骤S6具体包括:
S61:重构得到yk的当前估计值和误差协方差的当前估计值
S62:根据和得到原始状态值xk的当前估计值和原始误差协方差的当前估计值Pk|k。
进一步的,所述步骤S61中和分别为:
本发明提供的基于约束信息的目标定位方法,通过系统降维和关联测量值zk与新变量,利用约束方程消去了状态值xk和测量值zk中的部分变量,简化了原始数学模型和计算复杂度,降低计算量,利于得到更优的估计效果,提高了定位精度;通过设计递归滤波器,根据新变量和误差协方差上一时刻的估计值以及测量值zk的当前值,递归求出新变量和误差协方差的当前估计值,有效实现对机动目标的实时跟踪定位,且无需保留更前面的测量值与约束信息,节省了存储空间;此外本发明最大程度上利用了约束信息,且估计过程中未损失约束信息,进一步提高了定位精度。
附图说明
图1是本发明基于约束信息的目标定位方法的流程图;
图2是本发明机动目标的运动模拟图;
图3是本发明与现有三种方法针对正北方向位移进行估计的均方根误差比较图;
图4是本发明与现有三种方法针对正北方向速度进行估计的均方根误差比较图。
具体实施方式
下面结合附图对本发明作详细描述:
如图1所示,本发明提供一种基于约束信息的目标定位方法,用于对机动目标实时跟踪定位,包括以下步骤:
S1:约束模型建模,分别建立状态值xk、测量值zk以及约束方程的数学表达式;具体的,状态值xk和测量值zk分别满足数学表达式(1)和(2):
xk=Akxk-1+Γkuk-1+wk-1 (1)
zk=Hkxk+vk (2)
约束方程:Dkxk=dk (3)
其中,k为采样时刻值;状态值 包含四个状态元素;uk-1为已知输入项;过程噪声wk和vk为均值为零的高斯白噪声;wk和vk的协方差分别为Uk和Rk;Ak是n×n的状态转移矩阵,Γk是n×p的输入矩阵,Hk是m×n的测量矩阵,Dk是s×n的行满秩约束矩阵,dk是s×1的约束向量,m、n、p、s均为正整数,且s<n。
S2:系统降维,根据约束方程,寻找一个新变量用以表示其他变量,得到关于新变量的降维方程,对状态值xk的表达式进行降维;具体包括以下步骤:
S21:将约束矩阵Dk进行分解,表示成 其中Ek为可逆矩阵,为由Dk的其中s列构成的满秩方阵,Dk(·,kj)表示矩阵Dk的第kj列,j=1,2,…,s;为Dk余下的n-s列,需要说明的是,由于Dk行满秩,则必然存在其中的s列可构成一个满秩方阵由于矩阵 可以由Dk经过最多s次初等变换得到,则必然可找到一个可逆矩阵Ek使得 成立。
S22:寻找新变量y2,k,对状态值xk的数学表达式进行降维,令对应Dk的分块将yk进行分块表示成 并根据约束方程用y2,k表示y1,k,得到关于新变量y2,k的降维方程。具体的,约束方程(3)可写成:
其中即为新的状态值。
与Dk的分块相对应,将yk进行分块表示成 其中y1,k由yk的前s个元素组成,y2,k由yk的后n-s个元素组成,则约束方程(3)可表示为:
将(1)式左右两端同时左乘矩阵可得
其中
由于可逆,根据(5)式和 可将y1,k和yk分别表示成y2,k的关系式:
其中
结合方程(4)可得(1)式的降维方程为:
其中
S3:关联测量值zk与新变量,建立测量值zk与新变量y2,k的表达关系,具体的,根据(3)式、(8)式以及可得到测量值zk与新变量y2,k的表达关系如下:
其中
S4:获取测量信息,通过传感器实时获取机动目标的状态信息的测量值zk,根据式(2)可知,该传感器的测量值zk除了包含机动目标当前的状态信息外,还不可避免的受环境等噪声的污染,这里假设噪声vk的统计特性已知。
S5:设计递归滤波器,根据新变量和误差协方差上一时刻的估计值以及测量值zk的当前值,设计递归滤波器,求出新变量和误差协方差的当前估计值;具体包括以下步骤:
S51:获得k-1时刻,即上一时刻y2,k-1的估计值与误差协方差的估计值P2,k-1|k-1;
S52:根据最小二乘算法获得y2,k k时刻即当前时刻的预测值与误差协方差当前时刻的预测值P2,k|k-1,具体的,根据最小二乘算法获得的和P2,k|k-1分别为:
其中,
S53:结合当前时刻的测量值zk,得到y2,k的当前估计值和误差协方差的当前估计值P2,k|k分别为:
其中,
S6:重构状态值xk和误差协方差的当前估计值,根据新变量的当前值求出原始状态值xk和误差协方差的当前估计值,具体包括:
S61:重构得到yk的当前估计值和误差协方差的当前估计值分别满足:
S62:根据和得到原始状态值xk的当前估计值和原始误差协方差的当前估计值Pk|k分别为:
其中
S7:重复步骤S2-S6,对机动目标进行实时跟踪定位,即估计出目标的运行状态,从而实现目标的定位,其中,估计误差协方差代表定位的精准度。
为了说明本发明基于约束信息的目标定位方法想比现有定位方法的优势,通过实验对其进行比较:
如图2所示,假设机动目标沿笔直马路运行的车辆,设 其中四个变量分别表示正北方向位移、正北方向速度、正东方向位移和正东方向速度。输入 采样时间T=1秒,移动方向为东偏北θ=30°。系统噪声wk的协方差 测量噪声vk的协方差 初值 P0=diag{2 1 2 0.5}。取 则 状态值xk分块为
如图3、4所示,分别为本发明基于约束信息的目标定位方法,与无约束滤波方法(UK)、投影方法(PJ,其中加权矩阵Wk分别取Wk=I和 为基于无约束滤波方法的误差协方差)和零空间方法(NS)针对正北方向位移和正北方向速度进行估计的均方根误差比较图,其中均方根误差的计算公式为:
其中k为采样时刻值;i=1、2、3、4分别代表正北方向位移、正北方向速度、正东方向位移和正东方向速度四个状态元素;M为正整数,代表采用同一种方法对同一个时间点的状态值xk进行估计的次数,为k时刻第j次估计时对应的真实值,为k时刻第j次估计的估计值。
从图3和图4中可以看出,不论针对正北方向的位移还是速度,采用本发明基于约束信息的目标定位方法的估计误差都明显低于其他三类方法,由于正北向和正东向的位移与速度满足约束关系,故采用以上几类方法对正东方向位移和正东方向速度的估计误差分别与针对正北向位移和正北方向速度的估计误差相似。
综上所述,本发明提供的基于约束信息的目标定位方法,通过系统降维和关联测量值zk与新变量,利用约束方程消去了状态值xk和测量值zk中的部分变量,简化了原始数学模型和计算复杂度,降低计算量,利于得到更优的估计效果,提高了定位精度;通过设计递归滤波器,根据新变量和误差协方差上一时刻的估计值以及测量值zk的当前值,设计递归滤波器,求出新变量和误差协方差的当前估计值,有效实现对机动目标实时跟踪定位,且无需保留更前面的测量值与约束信息,节省了存储空间;此外本发明最大程度上利用了约束信息,且估计过程中未损失约束信息,进一步提高了定位精度。
虽然说明书中对本发明的实施方式进行了说明,但这些实施方式只是作为提示,不应限定本发明的保护范围。在不脱离本发明宗旨的范围内进行各种省略、置换和变更均应包含在本发明的保护范围内。
Claims (10)
1.一种基于约束信息的目标定位方法,用于对机动目标实时跟踪定位,其特征在于,包括以下步骤:
S1:约束模型建模,分别建立状态值xk、测量值zk以及约束方程的数学表达式;
S2:系统降维,根据约束方程,寻找一个新变量用以表示其他变量,得到关于新变量的降维方程,对状态值xk的表达式进行降维;
S3:关联测量值zk与新变量,建立测量值zk与新变量的表达关系;
S4:获取测量信息,通过传感器实时获取机动目标的状态信息的测量值zk;
S5:设计递归滤波器,根据新变量和误差协方差上一时刻的估计值以及测量值zk的当前值,设计递归滤波器,求出新变量和误差协方差的当前估计值;
S6:重构状态值xk和误差协方差的当前估计值,根据新变量的当前值求出原始状态值xk和误差协方差的当前估计值;
S7:重复步骤S2-S6,对机动目标进行实时跟踪定位。
2.根据权利要求1所述的基于约束信息的目标定位方法,其特征在于,所述步骤S1中,状态值xk和测量值zk满足数学表达式:
xk=Akxk-1+Γkuk-1+wk-1
zk=Hkxk+vk
约束方程:Dkxk=dk
其中,k为采样时刻值;状态值 包含四个状态元素;uk-1为已知输入项;过程噪声wk和vk为均值为零的高斯白噪声;wk和vk的协方差分别为Uk和Rk;Ak是n×n的状态转移矩阵,Γk是n×p的输入矩阵,Hk是m×n的测量矩阵,Dk是s×n的行满秩约束矩阵,dk是s×1的约束向量,m、n、p、s均为正整数,且s<n。
3.根据权利要求2所述的基于约束信息的目标定位方法,其特征在于,所述步骤S2具体包括以下步骤:
S21:将约束矩阵Dk进行分解,表示成 其中Ek为可逆矩阵,为由Dk的其中s列构成的满秩方阵,Dk(·,kj)表示矩阵Dk的第kj列,j=1,2,…,s;为Dk余下的n-s列;
S22:寻找新变量y2,k,对状态值xk的数学表达式进行降维,令对应Dk的分块将yk进行分块表示成 并根据约束方程用y2,k表示y1,k,得到关于新变量y2,k的降维方程。
4.根据权利要求3所述的基于约束信息的目标定位方法,其特征在于,所述降维方程为:
其中,
5.根据权利要求4所述的基于约束信息的目标定位方法,其特征在于,所述步骤S3中,测量值zk与新变量y2,k的表达关系为:
其中,
6.根据权利要求5所述的基于约束信息的目标定位方法,其特征在于,所述步骤S5具体包括以下步骤:
S51:获得k-1时刻,即上一时刻y2,k-1的估计值与误差协方差的估计值P2,k-1|k-1;
S52:根据最小二乘算法获得y2,kk时刻,即当前时刻的预测值与误差协方差当前时刻的预测值P2,k|k-1;
S53:结合当前时刻的测量值zk,得到y2,k的当前估计值和误差协方差的当前估计值P2,k|k。
7.根据权利要求6所述的基于约束信息的目标定位方法,其特征在于,所述步骤S52中根据最小二乘算法获得的和P2,k|k-1分别为:
其中,
8.根据权利要求7所述的基于约束信息的目标定位方法,其特征在于,所述步骤S53中和P2,k|k分别为:
其中,
9.根据权利要求7所述的基于约束信息的目标定位方法,其特征在于,所述步骤S6具体包括:
S61:重构得到yk的当前估计值和误差协方差的当前估计值
S62:根据和得到原始状态值xk的当前估计值和原始误差协方差的当前估计值Pk|k。
10.根据权利要求9所述的基于约束信息的目标定位方法,其特征在于,所述步骤S61中和分别为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049788.XA CN104614751B (zh) | 2015-01-30 | 2015-01-30 | 基于约束信息的目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510049788.XA CN104614751B (zh) | 2015-01-30 | 2015-01-30 | 基于约束信息的目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104614751A true CN104614751A (zh) | 2015-05-13 |
CN104614751B CN104614751B (zh) | 2017-06-09 |
Family
ID=53149284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510049788.XA Expired - Fee Related CN104614751B (zh) | 2015-01-30 | 2015-01-30 | 基于约束信息的目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104614751B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871365A (zh) * | 2018-07-06 | 2018-11-23 | 哈尔滨工业大学 | 一种航向约束下的状态估计方法及系统 |
CN109581356A (zh) * | 2019-01-04 | 2019-04-05 | 北京理工大学 | 一种常值机动空间目标的约束滤波追踪方法 |
CN110466790A (zh) * | 2019-08-30 | 2019-11-19 | 上海电机学院 | 一种基于机器视觉的无人机目标跟踪系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673403A (zh) * | 2009-10-10 | 2010-03-17 | 安防制造(中国)有限公司 | 复杂干扰场景下的目标跟踪方法 |
CN103020348A (zh) * | 2012-12-07 | 2013-04-03 | 上海电机学院 | 利用多个传感器对动态系统进行跟踪的方法及装置 |
CN103513250A (zh) * | 2012-06-20 | 2014-01-15 | 中国科学院声学研究所 | 一种基于鲁棒自适应波束形成原理的模基定位方法及系统 |
-
2015
- 2015-01-30 CN CN201510049788.XA patent/CN104614751B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101673403A (zh) * | 2009-10-10 | 2010-03-17 | 安防制造(中国)有限公司 | 复杂干扰场景下的目标跟踪方法 |
CN103513250A (zh) * | 2012-06-20 | 2014-01-15 | 中国科学院声学研究所 | 一种基于鲁棒自适应波束形成原理的模基定位方法及系统 |
CN103020348A (zh) * | 2012-12-07 | 2013-04-03 | 上海电机学院 | 利用多个传感器对动态系统进行跟踪的方法及装置 |
Non-Patent Citations (2)
Title |
---|
文传博 等: "一类带有等式约束的不确定系统的滤波方法", 《上海电机学院学报》 * |
文传博 等: "一类带有等式约束的动态系统的滤波方法", 《电子学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108871365A (zh) * | 2018-07-06 | 2018-11-23 | 哈尔滨工业大学 | 一种航向约束下的状态估计方法及系统 |
CN108871365B (zh) * | 2018-07-06 | 2020-10-20 | 哈尔滨工业大学 | 一种航向约束下的状态估计方法及系统 |
CN109581356A (zh) * | 2019-01-04 | 2019-04-05 | 北京理工大学 | 一种常值机动空间目标的约束滤波追踪方法 |
CN109581356B (zh) * | 2019-01-04 | 2020-07-10 | 北京理工大学 | 一种常值机动空间目标的约束滤波追踪方法 |
CN110466790A (zh) * | 2019-08-30 | 2019-11-19 | 上海电机学院 | 一种基于机器视觉的无人机目标跟踪系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104614751B (zh) | 2017-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103278813B (zh) | 一种基于高阶无迹卡尔曼滤波的状态估计方法 | |
CN102622520B (zh) | 一种机动目标跟踪的分布式多模型估计融合方法 | |
CN104252178A (zh) | 一种基于强机动的目标跟踪方法 | |
CN104035083B (zh) | 一种基于量测转换的雷达目标跟踪方法 | |
CN106054170A (zh) | 一种约束条件下的机动目标跟踪方法 | |
CN106407677A (zh) | 一种测量数据丢失情况下的多目标跟踪方法 | |
Fernández-Prades et al. | Bayesian nonlinear filtering using quadrature and cubature rules applied to sensor data fusion for positioning | |
Thormann et al. | Extended target tracking using Gaussian processes with high-resolution automotive radar | |
CN103065037B (zh) | 非线性系统基于分散式容积信息滤波的目标跟踪方法 | |
CN104182609B (zh) | 基于去相关的无偏转换量测的三维目标跟踪方法 | |
CN108896986A (zh) | 一种基于预测值的量测转换序贯滤波机动目标跟踪方法 | |
CN105785358B (zh) | 一种方向余弦坐标系下带多普勒量测的雷达目标跟踪方法 | |
CN101701826A (zh) | 基于分层粒子滤波的被动多传感器目标跟踪方法 | |
CN105652250A (zh) | 一种基于双层期望最大化的机动目标跟踪技术 | |
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 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN105301584A (zh) | 同时解距离模糊的ipphdf机动多目标跟踪方法 | |
CN107015944A (zh) | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 | |
CN105954742A (zh) | 一种球坐标系下带多普勒观测的雷达目标跟踪方法 | |
CN104614751A (zh) | 基于约束信息的目标定位方法 | |
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 | |
CN105203108A (zh) | 基于动态威胁状态估计和威胁概率评估的auv在线航路规划方法 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
Yan et al. | A novel FastSLAM algorithm based on iterated unscented Kalman filter | |
CN104750998B (zh) | 基于强度滤波器的被动多传感器目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
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: 20170609 Termination date: 20200130 |