CN110895332B - 一种扩展目标的分布式跟踪方法 - Google Patents

一种扩展目标的分布式跟踪方法 Download PDF

Info

Publication number
CN110895332B
CN110895332B CN201911217073.5A CN201911217073A CN110895332B CN 110895332 B CN110895332 B CN 110895332B CN 201911217073 A CN201911217073 A CN 201911217073A CN 110895332 B CN110895332 B CN 110895332B
Authority
CN
China
Prior art keywords
node
representing
covariance matrix
target
nodes
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
Application number
CN201911217073.5A
Other languages
English (en)
Other versions
CN110895332A (zh
Inventor
夏威
任媛媛
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201911217073.5A priority Critical patent/CN110895332B/zh
Publication of CN110895332A publication Critical patent/CN110895332A/zh
Application granted granted Critical
Publication of CN110895332B publication Critical patent/CN110895332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明属于信号处理领域，具体提供一种扩展目标的分布式跟踪的方法。本发明考虑异构网络，各节点上观测的散射源数目服从不同均值的高斯分布，各节点的观测噪声功率也不相同。首先，各节点通过与其邻居节点交流信息计算得到扩展目标的动力状态和形状特性的中间估计值；然后，各节点在其邻域内传播中间估计结果，分别得到动力状态和形状特性的最终估计结果。本发明主要针对扩展目标，在分布式网络中，各节点能够同时估计目标的位置、速度和加速度等动力状态，以及目标的方向和大小等形状特性。本发明提出的方法相比各节点不交流的方法能有效提高各节点的跟踪性能，并且其跟踪性能接近于将各节点的信息送至融合中心处理的集中式方法，同时又能有效避免融合中心出现问题时导致整个系统崩溃的风险。

Description

一种扩展目标的分布式跟踪方法
技术领域
本发明属于信号处理领域，涉及信号处理领域的目标跟踪问题，特别是涉及到扩展目标跟踪的问题，具体为一种扩展目标的分布式跟踪的方法。
背景技术
目标跟踪在导航、机器学习等领域都有着广泛的应用。通常当目标与传感器相距较远时，可以忽略目标的形状，大小和方向等细节信息，从而将其视为点目标；然而，随着传感器分辨力的增加，目标可能会占据传感器的多个分辨单元，因此不可被视为质点。近年来，扩展目标在水下监管和自动驾驶等领域中受到了广泛关注。
在扩展目标的跟踪过程中，不仅要估计目标的动力状态如位置、速度和加速度，还要估计目标的方向、大小等形状特性。点目标的观测值通常直接由观测源获得，而扩展目标的观测值是通过一组位于目标表面的散射源获得的；这组散射源的数目是变化的，并且每个时刻每个散射源的位置无法确定，显然，散射源的数目越多跟踪性能越好；然而，受传感器技术的限制，散射源的数目往往不能无限增加，并且散射源的数目越多也意味着计算成本越大。
目前，扩展目标跟踪方法多为集中式跟踪方法，将所有节点信息传递到一个融合中心处理，则面临着当某个节点发生故障时可能导致整个系统崩溃的风险，并且该方法需要较多的通信能量。近年来，良好的可扩展性和鲁棒性使分布式方法逐渐成为一种有效的数据处理技术，在环境监测、救灾管理、参数估计、目标跟踪等领域应用广泛。在基于协作扩散策略的分布式方法中，每个节点只需同其邻点交流信息，这大大节约了计算成本，提高了计算效率。然而，点目标跟踪的分布式技术日趋成熟，扩展目标跟踪的分布式方法尚不成熟；基于此，本发明提供一种扩展目标的分布式跟踪的方法。
发明内容
本发明的目的在于提出一种扩展目标的分布式跟踪方法，该方法基于扩散策略和扩展卡尔曼滤波，每个节点都同时估计目标的动力状态和形状特性。
为实现上述目的，本发明采用的技术方案如下：
一种扩展目标的分布式跟踪方法，包括以下步骤：
步骤1：针对t时刻，将节点k的邻域
Figure BDA0002299786390000021
内(与节点k相连的所有节点，包括节点k自身)所有散射源获取的观测量构造成矩阵：/>
Figure BDA0002299786390000022
其中，/>
Figure BDA0002299786390000023
表示节点k邻居节点的索引指数，nk为节点k的邻居节点的数目；节点k自身所有散射源的观测值为：/>
Figure BDA0002299786390000024
Figure BDA0002299786390000025
表示节点k在t时刻的第mk,t个散射源的观测值，mk,t表示节点k的散射源的数目；/>
Figure BDA0002299786390000026
表示节点k的邻域内所有节点散射源的数目之和；/>
步骤2：计算观测值与动力状态向量之间的协方差矩阵
Figure BDA0002299786390000027
Figure BDA0002299786390000028
其中，
Figure BDA0002299786390000029
表示节点k的状态估计误差协方差矩阵；Hl,t表示节点k的观测量Zk,t的第j列(记为/>
Figure BDA00022997863900000210
)对应的邻居节点l、/>
Figure BDA00022997863900000211
的观测矩阵；
步骤3：计算观测值的协方差矩阵
Figure BDA00022997863900000212
Figure BDA00022997863900000213
Figure BDA00022997863900000214
其中，Ch表示乘性噪声的协方差矩阵，
Figure BDA00022997863900000215
表示形状特性估计误差的协方差矩阵，
Figure BDA00022997863900000216
为节点观测噪声协方差矩阵，tr{·}表示计算矩阵的迹；/>
Figure BDA00022997863900000217
表示上一次迭代估计的扩展矩阵：
Figure BDA00022997863900000218
Figure BDA00022997863900000219
其中，
Figure BDA00022997863900000220
表示上一次迭代目标形状特性的估计结果，/>
Figure BDA00022997863900000221
表示椭圆目标的方向，/>
Figure BDA00022997863900000222
分别表示椭圆的长半轴、短半轴；
步骤4：更新扩展目标的动力状态中间估计值
Figure BDA00022997863900000223
和动力状态估计误差协方差矩阵
Figure BDA00022997863900000224
Figure BDA00022997863900000225
Figure BDA0002299786390000031
其中，
Figure BDA0002299786390000032
表示观测值的预测，sl表示节点l的位置；
步骤5：构造伪观测
Figure BDA0002299786390000033
并计算伪观测的预测/>
Figure BDA0002299786390000034
Figure BDA0002299786390000035
Figure BDA0002299786390000036
其中，
Figure BDA0002299786390000037
表示Kronecker积，vec表示拉直运算，F、/>
Figure BDA0002299786390000038
用于简化伪观测：/>
Figure BDA0002299786390000039
步骤6：分别计算伪观测的协方差矩阵
Figure BDA00022997863900000310
伪观测与形状特性估计向量之间的协方差矩阵/>
Figure BDA00022997863900000311
Figure BDA00022997863900000312
Figure BDA00022997863900000313
其中，
Figure BDA00022997863900000314
步骤7：分别更新扩展目标的形状特性中间状态估计值
Figure BDA00022997863900000315
和形状特性估计误差协方差矩阵/>
Figure BDA00022997863900000316
Figure BDA00022997863900000317
Figure BDA00022997863900000318
步骤8:重复步骤2～8，对j进行迭代，直至j＝bk,t；
步骤9：基于分布式的扩散策略，利用凸组合的方法将各节点结算的中间估计值在其邻域内进行扩散，分别得到最终的动力状态估计
Figure BDA00022997863900000319
和形状特性估计/>
Figure BDA00022997863900000320
组合过程如下：
Figure BDA0002299786390000041
Figure BDA0002299786390000042
其中，非负系数ck,l表示邻居节点l对节点k的权重，满足如下关系：
Figure BDA0002299786390000043
步骤10：根据状态空间方程分别对动力状态和形状特性，动力状态的估计误差协方差矩阵和形状特性的估计误差协方差矩阵进行时间更新，如下：
Figure BDA0002299786390000044
Figure BDA0002299786390000045
其中，
Figure BDA0002299786390000046
和/>
Figure BDA0002299786390000047
分别表示动力状态和扩展特性的状态转移矩阵。
本发明的有益效果在于：
本发明提出的一种扩展目标的分布式跟踪方法，具有如下优点：
1.本发明提出的方法主要针对扩展目标，能够同时估计目标的位置、速度和加速度等动力状态，以及目标的方向和大小等形状特性；
2.本发明提出的分布式算法在每个节点处可以获得邻域内其他节点上所有散射源的观测信息，本发明提出的分布式算法相比各节点不交流的方法能显著提高各节点的跟踪性能；
3.本发明提出的分布式算法允许各个节点同时对其邻域内的信息进行处理，不需要将所有的节点的观测信息送至融合中心进行处理，每个节点上的计算成本小，运算效率高；
4.本发明提出的是一种分布式算法，与相应的集中式算法相比具有更强的稳健性和可扩展性；对于集中式而言，当处理中心出现问题时，整个系统会无法正常工作，分布式算法能有效避免融合中心出现问题时导致整个系统崩溃的风险；
5.本发明考虑异构网络，各节点上观测的散射源数目均服从泊松分布，但各节点的均值不同；通过增加少数节点的散射源数目能够提高全局的跟踪性能。
附图说明
图1为本发明提出的扩展目标的分布式跟踪方法中每个节点的流程示意图。
图2为本发明实施例中采用的分布式网络拓扑结构(以网络中有10个节点为例)。
图3为本发明实施例中观测模型示意图。
图4为本发明实施例中各节点散射源数目的均值。
图5为本发明实施例中分布式网络中节点1与节点10以及集中式的某一次蒙特卡洛实验的跟踪结果，以及节点1与节点10的散射源和节点位置分布图。
图6为本发明实施例与集中式的估计误差高斯-瓦瑟斯坦距离(GWD)对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本实施例提供一种扩展目标的分布式跟踪方法，其流程如图1所示，该方法基于扩散策略和扩展卡尔曼滤波，每个节点都同时估计目标的动力状态和形状特性；本实施例中主要考虑椭圆扩展目标，并使用高斯-瓦瑟斯坦距离评估跟踪性能，该距离将目标的动力状态和形状特性估计的评价有效地统一了起来，不用分别评价二者。本发明中考虑如下的状态空间方程：
Figure BDA0002299786390000051
Figure BDA0002299786390000052
Figure BDA0002299786390000053
其中，
Figure BDA0002299786390000054
和pt＝[α,d1,d2]T分别表示t时刻的动力状态向量和形状特性向量，xt表示目标质心在两个方向的坐标，/>
Figure BDA0002299786390000055
表示xt的导数，α表示椭圆目标的方向，d1、d2分别表示椭圆的长半轴、短半轴；/>
Figure BDA0002299786390000056
和/>
Figure BDA0002299786390000057
分别表示动力状态和形状特性的过程噪声，两者均为高斯白噪声；/>
Figure BDA0002299786390000058
和/>
Figure BDA0002299786390000059
分别表示动力状态和扩展特性的状态转移矩阵；/>
Figure BDA00022997863900000510
表示节点k在t时刻的第i个散射源的观测值，Hk,t表示节点k在t时刻的观测矩阵，St为扩展矩阵；
Figure BDA00022997863900000511
为描述散射源位置的乘性噪声，服从协方差矩阵方差为Ch的高斯分布；sk为节点k的位置，/>
Figure BDA00022997863900000512
为加性高斯白噪声，mk,t表示节点k的散射源的数目、并服从泊松分布；目标的观测模型如图3所示。
本实施例中扩展目标的分布式跟踪方法具体步骤如下：
步骤1：将节点k的邻域
Figure BDA00022997863900000513
内(与节点k相连的所有节点，包括节点自身)所有散射源获取的观测量构造成矩阵：/>
Figure BDA00022997863900000514
其中，/>
Figure BDA00022997863900000515
表示节点k邻居节点的索引指数，nk为节点k的邻居节点的数目；节点k自身所有散射源的观测值为
Figure BDA0002299786390000061
mk,t表示节点k的散射源的数目；/>
Figure BDA0002299786390000062
表示节点k的邻域内所有节点散射源的数目之和；
步骤2：根据上一次迭代目标形状特性的估计结果
Figure BDA0002299786390000063
计算：
Figure BDA0002299786390000064
Figure BDA0002299786390000065
步骤3：计算观测值与动力状态向量之间的协方差矩阵
Figure BDA0002299786390000066
Figure BDA0002299786390000067
其中，
Figure BDA0002299786390000068
表示节点k的状态估计误差协方差矩阵；Hl,t表示节点k的观测量Zk,t的第j列(记为/>
Figure BDA0002299786390000069
)对应的邻居节点l、/>
Figure BDA00022997863900000610
的观测矩阵；
步骤4：计算观测值的协方差矩阵
Figure BDA00022997863900000611
Figure BDA00022997863900000612
Figure BDA00022997863900000613
其中，
Figure BDA00022997863900000614
表示形状特性估计误差的协方差矩阵，/>
Figure BDA00022997863900000615
为节点观测噪声协方差矩阵，tr{·}表示计算矩阵的迹；
步骤5：更新扩展目标的动力状态中间估计值
Figure BDA00022997863900000616
和动力状态估计误差协方差矩阵/>
Figure BDA00022997863900000617
Figure BDA00022997863900000618
Figure BDA00022997863900000619
其中，
Figure BDA00022997863900000620
表示观测值的预测；
步骤6：构造伪观测
Figure BDA00022997863900000621
用以估计形状特性，并计算伪观测的预测/>
Figure BDA00022997863900000622
如下：
Figure BDA0002299786390000071
Figure BDA0002299786390000072
其中，
Figure BDA0002299786390000073
表示Kronecker积，vec表示拉直运算，F、/>
Figure BDA0002299786390000074
用于简化伪观测：
Figure BDA0002299786390000075
步骤7：分别计算伪观测的协方差矩阵
Figure BDA0002299786390000076
伪观测与形状特性估计向量之间的协方差矩阵/>
Figure BDA0002299786390000077
Figure BDA0002299786390000078
Figure BDA0002299786390000079
步骤8：分别更新扩展目标的形状特性中间状态估计值
Figure BDA00022997863900000710
和形状特性估计误差协方差矩阵/>
Figure BDA00022997863900000711
Figure BDA00022997863900000712
Figure BDA00022997863900000713
步骤9:重复步骤2～8，对j进行迭代，直至j＝bk,t；
步骤10：基于分布式的扩散策略，利用凸组合的方法将各节点结算的中间估计值在其邻域内进行扩散，分别得到最终的动力状态估计
Figure BDA00022997863900000714
和形状特性估计/>
Figure BDA00022997863900000715
组合过程如下：
Figure BDA00022997863900000716
Figure BDA00022997863900000717
其中，非负系数ck,l表示邻居节点l对节点k的权重，满足如下关系：
Figure BDA00022997863900000718
/>
步骤11：根据状态空间方程分别对动力状态和形状特性，动力状态的估计误差协方差矩阵和形状特性的估计误差协方差矩阵进行时间更新，如下：
Figure BDA00022997863900000719
Figure BDA0002299786390000081
步骤12：重复步骤1到步骤11，进行时间迭代。
本发明中使用的高斯-瓦瑟斯坦距离定义如下：
Figure BDA0002299786390000082
其中，mt和
Figure BDA0002299786390000083
为真实目标和估计目标的中心位置，Pt和/>
Figure BDA0002299786390000084
为对称正定矩阵，分别描述了真实目标和估计目标的形状特性，计算如下：
Figure BDA0002299786390000085
仿真条件
仿真实验：将本发明提出的方法用于分布式网络的扩展目标跟踪中，与文章“Tracking t he Orientation and Axes Lengths of an Elliptical Extended Object”所提出的集中式的方法进行比较。本实施例中使用如图2所示的分布式网络拓扑结构，假设椭圆扩展目标的长短轴长分别340cm和80cm；各节点散射源的均值如图4所示，各节点的观测噪声协方差为对角阵
Figure BDA0002299786390000086
动力状态和形状特性的过程噪声协方差矩阵分别为：Crw＝diag{100,100,1,1}，Cpw＝diag{0.05,0.001,0.001}；蒙特卡洛实验1000次。将本发明分布式方法与集中式的扩展目标跟踪方法做对比，二者的仿真结果如图5、6所示。
图5表明本发明提出的扩展目标的分布式跟踪方法(图中标注为DEKF)能有效得对目标进行跟踪；图6表明本发明提出的分布式方法与“Tracking the orientation andaxes lengt hs of an Elliptical Extended Object”所提出的只有一个节点的方法(图中标注为EKF)相比，本发明提出的方法能有效提高跟踪性能，并且本发明方法的跟踪性能非常接近于将各节点的观测值送至融合中心处理的集中式的方法(图中标注为CEKF)。根据图4和图6，节点1的散射源数目非常少，但其跟踪性能接近于整个网络的平均性能(图中标注为DEKF)，这表明分布式网络能有效提高单个节点的跟踪性能。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.一种扩展目标的分布式跟踪方法，包括以下步骤：
步骤1：将节点k的邻域
Figure FDA0002299786380000011
内所有散射源获取的观测量构造成矩阵：
Figure FDA0002299786380000012
其中，
Figure FDA0002299786380000013
表示节点k邻居节点的索引指数，nk为节点k的邻居节点的数目；节点k自身所有散射源的观测值为：/>
Figure FDA0002299786380000014
Figure FDA0002299786380000015
表示节点k在t时刻的第mk,t个散射源的观测值，mk,t表示节点k的散射源的数目；/>
Figure FDA0002299786380000016
表示节点k的邻域内所有节点散射源的数目之和；
步骤2：计算观测值与动力状态向量之间的协方差矩阵
Figure FDA0002299786380000017
Figure FDA0002299786380000018
其中，
Figure FDA0002299786380000019
表示节点k的状态估计误差协方差矩阵；Hl,t表示节点k的观测量Zk,t的第j列
Figure FDA00022997863800000110
对应的邻居节点l的观测矩阵；
步骤3：计算观测值的协方差矩阵
Figure FDA00022997863800000111
Figure FDA00022997863800000112
Figure FDA00022997863800000113
其中，Ch表示成型噪声的协方差矩阵，
Figure FDA00022997863800000114
表示形状特性估计误差的协方差矩阵，/>
Figure FDA00022997863800000115
为节点观测噪声协方差矩阵；
Figure FDA00022997863800000116
Figure FDA00022997863800000117
其中，
Figure FDA00022997863800000118
表示目标形状特性的估计结果，/>
Figure FDA00022997863800000119
表示椭圆目标的方向，/>
Figure FDA00022997863800000120
分别表示椭圆目标的长半轴、短半轴；
步骤4：更新扩展目标的动力状态中间估计值
Figure FDA00022997863800000121
和动力状态估计误差协方差矩阵/>
Figure FDA00022997863800000122
Figure FDA00022997863800000123
Figure FDA0002299786380000021
其中，
Figure FDA0002299786380000022
sl表示节点l的位置；
步骤5：构造伪观测
Figure FDA0002299786380000023
并计算伪观测的预测/>
Figure FDA0002299786380000024
/>
Figure FDA0002299786380000025
Figure FDA0002299786380000026
其中，
Figure FDA0002299786380000027
步骤6：分别计算伪观测的协方差矩阵
Figure FDA0002299786380000028
伪观测与形状特性估计向量之间的协方差矩阵/>
Figure FDA0002299786380000029
Figure FDA00022997863800000210
Figure FDA00022997863800000211
其中，
Figure FDA00022997863800000212
步骤7：分别更新扩展目标的形状特性中间状态估计值
Figure FDA00022997863800000213
形状特性估计误差协方差矩阵/>
Figure FDA00022997863800000214
Figure FDA00022997863800000215
Figure FDA00022997863800000216
步骤8:重复步骤2～8，对j进行迭代，直至j＝bk,t；
步骤9：计算动力状态估计
Figure FDA00022997863800000217
和形状特性估计/>
Figure FDA00022997863800000218
Figure FDA00022997863800000219
Figure FDA00022997863800000220
其中，ck,l表示邻居节点l对节点k的权重；
步骤10：分别对动力状态中间状态估计值和形状特性中间状态估计值，动力状态估计误差协方差矩阵和形状特性估计误差协方差矩阵进行时间更新：
Figure FDA0002299786380000031
Figure FDA0002299786380000032
其中，
Figure FDA0002299786380000033
和/>
Figure FDA0002299786380000034
分别表示动力状态和扩展特性的状态转移矩阵。/>
CN201911217073.5A 2019-12-03 2019-12-03 一种扩展目标的分布式跟踪方法 Active CN110895332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911217073.5A CN110895332B (zh) 2019-12-03 2019-12-03 一种扩展目标的分布式跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911217073.5A CN110895332B (zh) 2019-12-03 2019-12-03 一种扩展目标的分布式跟踪方法

Publications (2)

Publication Number Publication Date
CN110895332A CN110895332A (zh) 2020-03-20
CN110895332B true CN110895332B (zh) 2023-05-23

Family

ID=69787334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911217073.5A Active CN110895332B (zh) 2019-12-03 2019-12-03 一种扩展目标的分布式跟踪方法

Country Status (1)

Country Link
CN (1) CN110895332B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851097A (zh) * 2015-05-19 2015-08-19 西安电子科技大学 基于目标形状与阴影辅助的多通道sar-gmti方法
CN106991691A (zh) * 2017-02-24 2017-07-28 北京理工大学 一种适用于摄像机网络下的分布式目标跟踪方法
CN108802721A (zh) * 2018-08-22 2018-11-13 哈尔滨工业大学 一种任意直线约束下目标跟踪方法
CN109633590A (zh) * 2019-01-08 2019-04-16 杭州电子科技大学 基于gp-vsmm-jpda的扩展目标跟踪方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070218931A1 (en) * 2006-03-20 2007-09-20 Harris Corporation Time/frequency recovery of a communication signal in a multi-beam configuration using a kinematic-based kalman filter and providing a pseudo-ranging feature
US7605747B1 (en) * 2006-08-14 2009-10-20 Lockheed Martin Corporation Method for compensating for the positional errors of a sensor
CN101505532B (zh) * 2009-03-12 2012-09-05 华南理工大学 一种基于分布式处理的无线传感器网络目标跟踪方法
CN102279387B (zh) * 2011-07-18 2013-02-27 西安电子科技大学 Mimo雷达的目标到达角估计方法
CN105676181B (zh) * 2016-01-15 2018-06-01 浙江大学 基于分布式传感器能量比的水下运动目标扩展卡尔曼滤波跟踪方法
CN105842687B (zh) * 2016-03-21 2018-11-16 西安电子科技大学 基于rcs预测信息的检测跟踪一体化方法
WO2017163251A2 (en) * 2016-03-24 2017-09-28 Polygon T.R Ltd. Systems and methods for human and robot collaboration
US10371784B2 (en) * 2016-06-03 2019-08-06 Raytheon Company System and method for multi-sensor multi-target 3D fusion using an unbiased measurement space
CN108197392B (zh) * 2018-01-05 2021-09-17 聊城大学 基于soc的汽车电动助力转向系统的助力特性曲线设计方法
FR3076910B1 (fr) * 2018-01-18 2020-02-28 Thales Procede de pistage d'une cible aerienne, et radar mettant en oeuvre un tel procede
CN108320302B (zh) * 2018-01-26 2019-10-11 西安电子科技大学 基于随机超曲面的CBMeMBer多目标跟踪方法
CN108445480B (zh) * 2018-02-02 2022-05-03 重庆邮电大学 基于激光雷达的移动平台自适应扩展目标跟踪系统及方法
CN108711163A (zh) * 2018-02-24 2018-10-26 中国人民解放军火箭军工程大学 一种基于多传感器的机器人未知环境目标跟踪方法
CN109708659B (zh) * 2018-12-25 2021-02-09 四川九洲空管科技有限责任公司 一种分布式智能光电低空防护系统
CN110133641B (zh) * 2019-04-19 2023-04-25 电子科技大学 一种尺度自适应的穿墙成像雷达目标跟踪方法
CN110516198B (zh) * 2019-07-17 2023-04-07 电子科技大学 一种分布式非线性卡尔曼滤波方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104851097A (zh) * 2015-05-19 2015-08-19 西安电子科技大学 基于目标形状与阴影辅助的多通道sar-gmti方法
CN106991691A (zh) * 2017-02-24 2017-07-28 北京理工大学 一种适用于摄像机网络下的分布式目标跟踪方法
CN108802721A (zh) * 2018-08-22 2018-11-13 哈尔滨工业大学 一种任意直线约束下目标跟踪方法
CN109633590A (zh) * 2019-01-08 2019-04-16 杭州电子科技大学 基于gp-vsmm-jpda的扩展目标跟踪方法

Also Published As

Publication number Publication date
CN110895332A (zh) 2020-03-20

Similar Documents

Publication Publication Date Title
CN101251593B (zh) 一种无线传感器网络的目标跟踪方法
CN108802674B (zh) 一种针对直接定位的联合搜索方法及装置
CN110989352B (zh) 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法
Kantas et al. Distributed maximum likelihood for simultaneous self-localization and tracking in sensor networks
CN108255791B (zh) 基于分布式传感器一致性的机动目标跟踪方法
CN111722214B (zh) 雷达多目标跟踪phd实现方法
CN103648108A (zh) 传感器网络分布式一致性目标状态估计方法
CN109460539B (zh) 一种基于简化容积粒子滤波的目标定位方法
CN104156984A (zh) 一种不均匀杂波环境下多目标跟踪的概率假设密度方法
CN111352087B (zh) 基于dbscan的被动mimo雷达多目标定位方法
CN110278571B (zh) 一种基于简单预测-校正环节的分布式信号跟踪方法
CN102129482B (zh) 一种基于混沌离散粒子群优化的片上网络映射方法
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN111050282A (zh) 一种多次模糊推理加权knn定位方法
CN110095788A (zh) 一种基于灰狼优化算法的rbpf-slam改进方法
CN102880673A (zh) 一种室内定位方法
CN111031502A (zh) 一种基于樽海鞘群算法的无线传感器网络节点定位方法
CN110895332B (zh) 一种扩展目标的分布式跟踪方法
CN112308917A (zh) 一种基于视觉的移动机器人定位方法
CN109561498B (zh) 基于改进牛顿法的传感器节点分布式定位方法
CN112347208A (zh) 一种基于分布式传感网络的多目标检测与跟踪方法
CN110516198A (zh) 一种分布式非线性卡尔曼滤波方法
CN115567131A (zh) 一种基于降维复卷积网络的6g无线信道特性提取方法
CN108681621A (zh) 基于Chebyshev正交多项式扩展RTS Kalman平滑方法
CN110649911B (zh) 一种基于α散度的分布式非线性卡尔曼滤波方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant