CN105424043B - 一种基于判断机动的运动状态估计方法 - Google Patents
一种基于判断机动的运动状态估计方法 Download PDFInfo
- Publication number
- CN105424043B CN105424043B CN201510732363.9A CN201510732363A CN105424043B CN 105424043 B CN105424043 B CN 105424043B CN 201510732363 A CN201510732363 A CN 201510732363A CN 105424043 B CN105424043 B CN 105424043B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- probability
- driven
- prediction
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出一种基于判断机动的运动状态估计方法,主要应用在民航空中交通管制系统和其他需要估计目标状态的系统,但是现有的状态估计方法,对于目标信息的短暂缺失,没有采取任何弥补措施,系统的抗干扰能力较差。为了弥补传统目标跟踪算法的不足,提出了一种基于判断机动的运动状态估计方法,其中机动判断机制,能够模拟实际运动状态,得到高精度的状态估计效果;另外概率预测验证机制,是通过过去时刻对未来时刻的目标状态进行预测,当环境比较复杂,传感器的数据误差较大时,可用预测值进行弥补,稳定性更高。
Description
技术领域
本发明涉及一种状态估计方法,特别是在交互多模型的目标跟踪领域,应用于目标跟踪领域。
背景技术
随着现代科技的进步,各种高机动性能的飞行器、舰艇等高机动的运动目标相继问世。这些类型的运动目标的机动范围很大,这就对跟踪系统提出了很高的要求,要求跟踪系统能够对目标的各种运动状态都有着良好的状态估计性能。但是现有的目标跟踪交互式多模型算法仅仅是还原出目标的运动轨迹,不仅具有一定的延迟性,而且对于目标信息的短暂缺失,没有采取任何弥补措施,系统的抗干扰能力较差。
传统的状态估计算法的缺点:首先是单模型算法,而对于传统的单模型滤波器,当目标的运动模式同该模型不符合的时候只能通过增加系统的过程噪声等方式加以解决,但是当目标的机动超出模型的跟踪范围的时候就会导致跟踪丢失的现象发生,因此应用范围比较窄。其次对于传统的交互式多模型的过程中,为了提高算法的滤波精度,就要覆盖尽可能多的运动模型,但是这样算法计算量的成倍的提高。而且模型集合中过多的模型又会导致模型之间出现竞争,从而降低算法的精度,而且在复杂的环境下,由于传感器的不稳定因素,容易出现目标的短暂缺失,而在传统的状态估计算法中,没有对此方面进行处理,稳定性较差。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种精简的基于判断机动的运动状态估计方法,本发明提供一种较高精度的运动状态估计方法,采用精简的交互式多模型的方式,使得本发明能够应对复杂多变的环境的同时,不会降低精度;并且本发明中采用的预测验证机制,能够在目标短暂缺失后,仍然能够得到较好的状态估计效果,提高算法的稳定性。
该方法采用的技术方案为:该技术在过程上分为以下五个步骤:输入交互,kalman滤波,判断机动,概率预测,数据融合。首先输入交互是在已经获得模型上一时刻的状态估计值,协方差的估计值并获取新的量测值z(k)之后对模型进行重新的初始化运算,根据模型之间的转移概率来获得新的初始值。根据上一步输入交互的结果,将Xj(k-1|k-1)和Pj(k-1|k-1)作为k时刻模型的输入,采用kalman滤波算法得到输出的结果,然后进入判断机动阶段,每一个模型用相应的算法对未来一段时间的结果进行预测,并且判断目标是否发生了机动性较强的运动,在此基础上,设定了一个概率函数,对预测值进行约束,产生相应的预测概率,根据这些预测概率将kalman滤波的输出结果进行加权求和。接下来是用当前的观测值去验证过去时刻的预测值是否在误差的允许的范围内;
步骤一:输入交互:将系统的观测数据作为本算法的输入,若本算法没有经过第一轮迭代,则将此时的输入不做任何处理,直接作为步骤二的输入;否则,根据上一轮的步骤四产生的预测概率pi和步骤二中的经过kalman滤波器后目标状态,经过概率和状态信息的加权求和后,得到模型j在k时刻的输入。
步骤二:根据步骤一的k时刻的输入,利用这些输入信息,启动kalman滤波,对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响,所以最优估计也可看作是滤波过程。利用kalman滤波修正观测数据中含有误差的值。
步骤三:判断机动:经过步骤二后,模型的kalman滤波器已经启动,利用卡尔曼滤波的预测性,预测出目标坐标的下一个位置坐标,用下一时刻的目标坐标的观测值与预测的下一个位置坐标进行对比;判断目标观测值与预测的距离是否达到最大容忍的误差范围;并修改概率公式的参数。
步骤四:概率预测:结合当前滤波值,预测接下来N个时刻的状态信息;根据步骤二的目标状态估计信息,利用概率计算公式,用计算出来预测概率pj为每一个预测值进行约束,其中概率公式如下:
其中:
time:犯规次数即观测点落在容许的范围之外的次数;ET:最大的被容许犯规次数;t:预测的相对时间;pj:预测概率;e:自然底数。
概率函数的范围是(0,1),概率的结果是与预测时间长度成反比,与发生机动的次数time成反比。在这种奖惩方式下,使得该概率函数能够较好的代表预测值的准确程度。
步骤五:输出交互:经过步骤四后,预测概率已经得到更新。根据步骤四得出的预测概率,对步骤二的目标状态信息进行概率加权,并将概率加权的结果进行多步预测验证,使得最终结果科学而可靠。
经过以上步骤,基于判断机动的运动状态估计方法就完成了一次迭代。
本发明更详细的步骤为:
输入:每隔一定的时间,输入一个二维坐标值;
输出:输出该时刻的状态信息,并给出该状态的概率值。
步骤一:输入交互:若未产生各匹配滤波器的混合初始状态,则设定一个初始的混合概率和对应的各匹配滤波器的混合初始状态及协方差矩阵;否则根据产生的混合概率pi和对应的各匹配滤波器的混合初始状态Xj(k-1|k-1)及协方差矩阵Pj(k-1|k-1),经过交互后可得模型在k时刻的输入如下式所示:
[Xi(k-1|k-1)-Xj(k-1|k-1)]T}
其中:
步骤二:kalman滤波,对于其中的模型,进行kalman滤波,状态矢量预测:
Xj(k|k-1)=FjXj(k-1|k-1) (8)
kalman增益为:
k时刻的滤波值为:
Xj(k|k)=Xj(k|k-1)+Kj(k)[Zk-HjXj(k|k-1)] (11)
滤波协方差为:
Pj(k|k)=[I-Kj(k)Hj]Pj(k|k-1) (12)
其中:
公式(5)-(13)中:K:增益矩阵;X:状态向量;P:协方差矩阵;I:单位矩阵;H:转移函数;F:变换函数;μij:转移概率;r:结果个数;j:输出结果编号;k:时刻编号;T:矩阵的转置;pj:预测概率;S:中间变量;R:误差协方差;Z:观测向量;Q:噪声方差。
步骤三:判断机动,经过步骤二后,kalman滤波器已经启动,利用卡尔曼滤波的预测性,预测出目标坐标的下一个位置坐标,用下一时刻的目标坐标的观测值与预测的下一个位置坐标进行对比;判断目标观测值与预测的距离是否达到最大容忍的误差范围;如果误差大于最大容忍的误差范围,则将公式(14)中的time值加2;如果没有达到最大容忍的误差范围,则将公式(14)中的time值减1;
步骤四:概率预测,结合当前滤波值,预测接下来N个时刻的状态信息;并利用概率计算公式,用计算出来预测概率pj为每一个预测值进行约束,其中概率公式如下:
其中:
time:犯规次数即观测点落在容许的范围之外的次数;ET:最大的被容许犯规次数;t:预测的相对时间;pj:预测概率;e:自然底数。
概率函数的范围是(0,1),概率的结果是与预测时间长度成反比,与发生机动的次数time成反比。在这种奖惩方式下,使得该概率函数能够较好的代表预测值的准确程度。
步骤五:输出交互,经过步骤四后,预测概率已经得到更新,根据步骤四得出的预测概率,对步骤二的目标状态信息进行概率加权,并将概率加权的结果进行多步预测验证,使得最终结果科学而可靠。
其中:
X:状态向量;P:协方差矩阵;r:输出结果个数;pj:预测概率;j:输出结果编号;k:时刻编号;T:矩阵的转置。
本发明与现有技术相比的优点在于:
(1)本发明提出的基于判断机动的运动状态估计方法具有高精度的状态估计效果。
(2)本发明提出的基于判断机动的运动状态估计方法对于数据的短暂缺失,能够从容应对,稳定性很高。
(3)本发明提出的基于判断机动的运动状态估计方法拥有多点预测的能力。
现有的目标跟踪技术不能根据外界环境进行自我调整,只是应对于单一的环境,应用范围比较局限,对于数据的短暂缺失,而导致算法发散,而本发明步骤四中的多点预测的能力,在一定程度上能够弥补数据的短暂缺失。因为本发明利用技术方案步骤三中的机动判断,能够模拟实际运动状态,得到高精度的状态估计效果,另外技术方案步骤四概率预测验证机制,是通过过去时刻对未来时刻的目标状态进行预测,当环境比较复杂,传感器的数据误差较大时,可用预测值进行弥补,所以稳定性更高。
附图说明
图1为本发明基于判断机动的运动状态估计方法流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,对依据本发明提出的基于判断机动的运动状态估计方法其具体实施方式、特征及其功效,其应用场景如下:民航的空中交通管制系统中通过雷达或者其他定位方式采集数据,给出目标的坐标,作为本算法的输入。
如图1所示,本发明提出的基于判断机动的运动状态估计方法具体操作步骤如下:
步骤一:输入交互:将系统的观测数据作为本算法的输入,若本算法没有经过第一轮迭代,则将此时的输入不做任何处理,直接作为步骤二的输入;否则,根据上一轮的步骤四产生的概率pj和步骤二中的经过kalman滤波器后目标状态,经过概率和状态信息的加权求和后,得到模型j在k时刻的输入。设定的初始的概率为p1=0.5,p2=0.5,提取前2个观测值,根据这2个数值,将这两个坐标进行相应的运算,即可得到初始位置和初始坐标;协方差矩阵Pj(k-1|k-1)的值取单位矩阵;否则根据产生的混合概率pi和对应的各匹配滤波器的混合初始状态Xj(k-1|k-1)及协方差矩阵Pj(k-1|k-1),经过交互后可得模型在k时刻的输入如下式所示
[Xi(k-1|k-1)-Xj(k-1|k-1)]T}
其中:
步骤二:kalman滤波:
Xj(k|k-1)=FjXj(k-1|k-1) (20)
kalman增益为:
k时刻的滤波值为:
Xj(k|k)=Xj(k|k-1)+Kj(k)[Zk-HjXj(k|k-1)] (23)
滤波协方差为:
Pj(k|k)=[I-Kj(k)Hj]Pj(k|k-1) (24)
其中:
公式(17)-(25)中:
K:增益矩阵;X:状态向量;P:协方差矩阵;I:单位矩阵;H:转移函数;F:变换函数;μij:转移概率;r:结果个数;j:输出结果编号;k:时刻编号;T:矩阵的转置;pj:预测概率;S:中间变量;R:误差协方差;Z:观测向量;Q:噪声方差。
并取H1,F1,H2,F2的值如下所示:
其中:
T:时间间隔。
然后得出kalman滤波的结果。
步骤三:判断机动:利用卡尔曼滤波的预测性,预测出目标坐标的下一个位置坐标,用下一时刻的目标坐标的观测值与预测的下一个位置坐标进行对比;判断目标观测值与预测的距离是否达到最大容忍的误差范围;如果误差大于最大容忍的误差范围,则将公式(30)中的time值加1;如果没有达到最大容忍的误差范围,则将公式(30)中的time值减1。
步骤四:概率预测:结合当前滤波值,根据模型的特点,预测接下来N个时刻的状态信息;根据步骤二的目标状态估计信息,利用概率计算公式,用计算出来预测概率pj为每一个预测值进行约束,其中概率公式如下:
其中:
time:犯规次数即观测点落在容许的范围之外的次数;ET:最大的被容许犯规次数;t:预测的相对时间;pj:预测概率;e:自然底数。
步骤五:输出交互:经过步骤四后,预测概率已经得到更新,根据步骤四得出的预测概率,对步骤二的目标状态信息进行概率加权,并将概率加权的结果进行多步预测验证,使得最终结果科学而可靠,其概率加权的公式如下:
其中:
X:状态向量;P:协方差矩阵;r:输出结果个数;pj:预测概率;j:输出结果编号;k:时刻编号;T:矩阵的转置。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (5)
1.一种基于判断机动的运动状态估计方法,其特征在于:包括输入交互、kalman滤波、判断机动、概率预测和数据融合步骤,实现如下:
步骤一:输入交互:将系统的观测数据作为输入,若没有经过第一轮迭代,则将此时的输入不做任何处理,直接作为步骤二的输入;否则,根据上一轮的步骤四产生的预测概率pj和步骤二中的经过kalman滤波器后目标状态概率和状态信息的加权求和后,得到系统模型在k时刻的输入;
步骤二:根据步骤一的k时刻的输入,利用这些输入信息,启动kalman滤波器,修正观测数据中含有误差的值,并输出目标的状态信息;
步骤三:判断机动:利用kalman的预测性,预测出目标坐标的下一个位置坐标,用下一时刻的目标坐标的观测值与预测的下一个位置坐标进行对比;判断目标观测值与预测的距离是否达到最大容忍的误差范围;并修改公式(1)中的time值;
步骤四:概率预测:结合当前滤波值,预测接下来N个时刻的状态信息,使其拥有多点预测能力;并利用概率计算公式,用计算出来的预测概率pj为每一个预测值进行约束,其中概率公式如下:
<mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>t</mi>
<mi>i</mi>
<mi>m</mi>
<mi>e</mi>
</mrow>
<mrow>
<mi>E</mi>
<mi>T</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>&times;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>t</mi>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:
time:犯规次数即观测点落在容许的范围之外的次数;ET:最大的被容许犯规次数;t:相对本时刻的预测时间;p:预测概率;e:自然底数;
步骤五:输出交互:经过步骤四后,预测概率已经得到更新,根据预测概率,对步骤二的目标状态信息进行概率加权,并将概率加权的结果进行多步预测验证。
2.根据权利要求1所述的一种基于判断机动的运动状态估计方法,其特征在于:所述步骤三中,所述最大容忍的误差范围是通过获取过去时间段的平均误差确定的误差范围。
3.根据权利要求1所述的一种基于判断机动的运动状态估计方法,其特征在于:所述步骤三中,修改公式(1)中time值的过程为:当观测点和预测点之间的距离大于平均误差范围时,将time的值加2,否则将time的值减1。
4.根据权利要求1所述的一种基于判断机动的运动状态估计方法,其特征在于:所述步骤五的对目标状态信息进行概率加权的公式如下:
<mrow>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>r</mi>
</munderover>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>{</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>|</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中:
X:状态向量;P:协方差矩阵;r:输出结果个数;pj:预测概率;j:输出结果编号;k:时刻编号;T:矩阵的转置。
5.根据权利要求1所述的一种基于判断机动的运动状态估计方法,其特征在于:所述步骤五的多步预测验证的具体实现过程:采用当前的目标坐标的观测值去验证过去时刻的预测值是否在平均误差的允许的范围内,如果不在平均误差的允许范围内则将步骤四中的预测概率pj增加0.1,如果在允许的误差范围之外,则将步骤四中的[U1]预测概率pj减小0.1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510732363.9A CN105424043B (zh) | 2015-11-02 | 2015-11-02 | 一种基于判断机动的运动状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510732363.9A CN105424043B (zh) | 2015-11-02 | 2015-11-02 | 一种基于判断机动的运动状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105424043A CN105424043A (zh) | 2016-03-23 |
CN105424043B true CN105424043B (zh) | 2018-03-09 |
Family
ID=55502416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510732363.9A Active CN105424043B (zh) | 2015-11-02 | 2015-11-02 | 一种基于判断机动的运动状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105424043B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109314722A (zh) * | 2016-06-23 | 2019-02-05 | 皇家飞利浦有限公司 | 用于测量针对通知的用户可行性或接受能力的方法、装置和机器可读介质 |
CN109472418B (zh) * | 2018-11-16 | 2021-07-27 | 西安电子科技大学 | 基于卡尔曼滤波的机动目标状态预测优化方法 |
CN109684771B (zh) * | 2019-01-11 | 2021-09-03 | 西安电子科技大学 | 基于交互式多模型的机动目标状态预测优化方法 |
CN111257863B (zh) * | 2019-12-26 | 2023-06-06 | 电子科技大学 | 一种高精度多点线性约束的自适应单脉冲测向方法 |
CN112733907A (zh) * | 2020-12-31 | 2021-04-30 | 上海商汤临港智能科技有限公司 | 数据融合方法、装置、电子设备以及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001153947A (ja) * | 1999-11-29 | 2001-06-08 | Mitsubishi Electric Corp | 追尾処理装置及び方法 |
CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
CN104866821A (zh) * | 2015-05-04 | 2015-08-26 | 南京大学 | 基于机器学习的视频物体跟踪方法 |
CN104992451A (zh) * | 2015-06-25 | 2015-10-21 | 河海大学 | 一种改进的目标跟踪方法 |
CN105005686A (zh) * | 2015-07-02 | 2015-10-28 | 北京智能综电信息技术有限责任公司 | 一种概率预测型的目标跟踪方法 |
-
2015
- 2015-11-02 CN CN201510732363.9A patent/CN105424043B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001153947A (ja) * | 1999-11-29 | 2001-06-08 | Mitsubishi Electric Corp | 追尾処理装置及び方法 |
CN104331623A (zh) * | 2014-11-06 | 2015-02-04 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波算法 |
CN104866821A (zh) * | 2015-05-04 | 2015-08-26 | 南京大学 | 基于机器学习的视频物体跟踪方法 |
CN104992451A (zh) * | 2015-06-25 | 2015-10-21 | 河海大学 | 一种改进的目标跟踪方法 |
CN105005686A (zh) * | 2015-07-02 | 2015-10-28 | 北京智能综电信息技术有限责任公司 | 一种概率预测型的目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105424043A (zh) | 2016-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105424043B (zh) | 一种基于判断机动的运动状态估计方法 | |
CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
CN110244715B (zh) | 一种基于超宽带技术的多移动机器人高精度协同跟踪方法 | |
CN108319132B (zh) | 用于无人机空中对抗的决策系统及方法 | |
CN112465151A (zh) | 一种基于深度强化学习的多智能体联邦协作方法 | |
WO2020133721A1 (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
CN103389094B (zh) | 一种改进的粒子滤波方法 | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
CN109472418A (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
CN101661104A (zh) | 基于雷达/红外量测数据坐标转换的目标跟踪方法 | |
CN109782270B (zh) | 一种多传感器多目标跟踪条件下的数据关联方法 | |
CN101477623A (zh) | 基于模糊推理的交互式多模型方法 | |
CN111898749A (zh) | 一种基于神经网络的无人机航迹预测方法 | |
CN115033022A (zh) | 面向移动平台基于专家经验的ddpg无人机降落方法 | |
CN104180801B (zh) | 基于ads‑b系统航迹点的预测方法和系统 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
Zhao et al. | Adaptive non-linear joint probabilistic data association for vehicle target tracking | |
CN107273692B (zh) | 一种传感器感知能力受限的随机集理论的分布式融合方法 | |
Choi et al. | Information-maximizing adaptive design of experiments for wind tunnel testing | |
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 | |
CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
CN115509233A (zh) | 基于优先经验回放机制的机器人路径规划方法及系统 | |
CN114280558A (zh) | 一种基于强化学习的干扰信号波形优化方法 | |
CN113761662A (zh) | 一种滑翔类目标的轨迹预测管道的生成方法 |
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 |