CN111157983B - 一种雷达目标跟踪方法 - Google Patents
一种雷达目标跟踪方法 Download PDFInfo
- Publication number
- CN111157983B CN111157983B CN202010009896.5A CN202010009896A CN111157983B CN 111157983 B CN111157983 B CN 111157983B CN 202010009896 A CN202010009896 A CN 202010009896A CN 111157983 B CN111157983 B CN 111157983B
- Authority
- CN
- China
- Prior art keywords
- target
- model
- tracking
- moment
- radar
- 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
- 238000000034 method Methods 0.000 title claims abstract description 186
- 239000011159 matrix material Substances 0.000 claims description 159
- 230000007704 transition Effects 0.000 claims description 94
- 230000008569 process Effects 0.000 claims description 63
- 230000001133 acceleration Effects 0.000 claims description 49
- 238000005259 measurement Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002452 interceptive effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 18
- 238000013179 statistical model Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
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
- G01S13/726—Multiple target tracking
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
一种雷达目标跟踪方法,其特征在于,所述方法包括如下步骤:建立雷达目标跟踪模型库;初始化S1中的目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合目标跟踪模型;k时刻获取雷达检测到的目标信息;根据获取的雷达检测到的k时刻的目标信息、外部控制信息、k时刻的组合目标跟踪模型,得到k+1时刻跟踪目标信息预测值和k+1时刻的组合目标跟踪预测模型;根据获取的雷达检测到的k时刻的目标信息、k时刻的组合目标跟踪模型,计算联合跟踪门。本专利提出的一种雷达目标跟踪方法可以根据目标机动特性的变化对模型的参数进行调整,实现了实时自适应的目标跟踪更新,实现了高精度目标跟踪,提高雷达识别精度。
Description
技术领域
本发明涉及目标跟踪领域,具体为一种雷达目标跟踪方法。
背景技术
对于机动目标跟踪,由于目标机动性的不确定,使用单个模型很难描述目标的整个运动情况,所以多模型算法已经成为解决机动目标跟踪的联合决策和估计问题的一种常用的方法。
目前大多数多模型算法是固定结构的,它们的性能在很大程度上依赖于所使用的模型集。固定模型的交互式多模型存在一个问题:为了提高估计精度而需要增加模型个数,但使用太多模型不仅会增加计算量,而且会降低估计器的性能。
发明内容
为了解决上述问题,本发明提出了一种能够提高对机动目标跟踪精度的雷达目标跟踪方法,其特征在于,所述方法包括如下步骤:
S1:建立雷达目标跟踪模型库,所述模型库中含有至少一种目标跟踪模型;
S2:初始化S1中的目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合目标跟踪模型;
S3:k(k=1,2……)时刻获取雷达检测到的目标信息,所述目标信息包括目标的运动速度、目标距雷达的距离、目标的运动加速度中的一个或多个;
S4:根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、外部控制信息、k时刻的组合目标跟踪模型,估计k+1时刻跟踪目标信息,得到k+1时刻跟踪目标信息预测值和k+1时刻的组合目标跟踪预测模型;
S5:根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、k时刻的组合目标跟踪模型,计算联合跟踪门;
S6:判断S4中k+1时刻跟踪目标信息预测值是否落入S5中的联合跟踪门中,若有跟踪目标信息预测值落入联合跟踪门中,则对落入联合跟踪门中的目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪目标信息预测值、k+1时刻的组合目标跟踪预测模型,得到k+1时刻跟踪目标信息优化值和k+1时刻的组合目标跟踪优化模型;若无跟踪目标信息落入波门中,则返回步骤S3重新获取雷达检测到的目标信息。
进一步的,所述目标跟踪模型主要由状态转移矩阵、过程噪声分布矩阵、输入控制项矩阵组成。
进一步的,所述步骤S4具体为:
S41:由k时刻所述组合目标跟踪模型中各个跟踪模型的状态估计状态协方差阵Pi(kk)、模型i转移到模型j的模型的转移概率计算得到k时刻各模型的交互估计值及k时刻各模型的交互估计值的协方差Poj(k|k),i,j=1,2,…,N;
根据k时刻各模型的交互估计值k时刻各模型的交互估计值的协方差Poj(k|k)计算得到k+1时刻各个目标跟踪模型的状态预测值、状态预测误差协方差量测残差和协方差阵,从而得到k+1时刻的组合目标跟踪预测模型:
S42:更新目标跟踪模型;
S43:计算k+1时刻跟踪目标信息预测值,所述跟踪目标信息预测值表现为综合预测值。
进一步的,在步骤S42后还包括:
更新过程噪声协方差矩阵。
进一步的,通过状态转移矩阵来更新所述步骤S42中的目标跟踪模型。
进一步的,通过判别目标的运动状态来更新状态转移矩阵。
进一步的,所述步骤S42具体为:判断目标是否发生强机动,若发生强机动,则更新目标跟踪模型的状态转移矩阵;若未发生强机动,则不更新目标跟踪模型的状态转移矩阵。
进一步的,所述更新目标跟踪模型的状态转移矩阵的具体方法为:
判断机动目标距雷达的距离,若距离大于距离阈值,则使用远距离更新方法来更新目标跟踪模型的状态转移矩阵;若距离小于等于距离阈值,则使用近距离更新方法来更新目标跟踪模型的状态转移矩阵。
进一步的,所述更新目标跟踪模型的状态转移矩阵的具体方法为:
判断机动目标距雷达的距离,若距离大于距离阈值,则进一步判断机动目标的运动速度,若距离大于距离阈值且目标的运动速度大于速度阈值,则使用远距离更新方法中的高速目标更新方法来更新目标跟踪模型的状态转移矩阵;若距离大于距离阈值且目标的运动速度小于等于速度阈值,则使用远距离更新方法中的低速目标更新方法来更新目标跟踪模型的状态转移矩阵;
判断机动目标距雷达的距离,若距离小于等于距离阈值,则进一步判断机动目标的运动速度,若距离小于等于距离阈值且目标的运动速度大于速度阈值,则使用近距离更新方法中的高速目标更新方法来更新目标跟踪模型的状态转移矩阵;若距离小于等于距离阈值且目标的运动速度小于等于速度阈值,则使用近距离更新方法中的低速目标更新方法来更新目标跟踪模型的状态转移矩阵。
进一步的,所述更新过程噪声协方差矩阵的方法具体为:判断目标是否发生强机动,若发生强机动,则更新过程噪声协方差矩阵;若未发生强机动,则不更新过程噪声协方差矩阵。
本发明提出的一种雷达目标跟踪方法,对多个目标跟踪模型进行交互与结合,此外,除了实时更新组合目标跟踪模型,进一步通过实时更新模型的目标状态矩阵和噪声过程分布矩阵而到达实时更新目标跟踪模型的技术,本专利提出的目标跟踪方法可以根据目标机动特性的变化对模型的参数进行调整,实现了实时自适应的目标跟踪更新,实现了高精度目标跟踪,提高雷达识别精度。
附图说明
图1为本专利中提出的一种雷达目标跟踪方法的流程图;
图2为本专利中提出的一种状态转移矩阵和过程噪声协方差矩阵的更新方法流程图。
具体实施方式
下面通过具体实施方式结合图1和图2对本发明作进一步详细说明,以便能够更好地理解本发明的内容以及其各方面的优点。在以下的实施例中,提供以下具体实施方式的目的是便于对本发明的内容更清楚透彻的理解,而不是对本发明的限制。
实施例1
如图1所示,为一种雷达目标跟踪方法的流程图,所述方法具体包括如下步骤:
第一步,建立雷达目标跟踪模型库,所述模型库中含有至少一种目标跟踪模型;
第二步,初始化S1中的目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合目标跟踪模型;
第三步,k(k=1,2……)时刻获取雷达检测到的目标信息,所述目标信息包括目标的运动速度、目标距雷达的距离、目标的运动加速度中的一个或多个;
第四步,根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、外部控制信息、k时刻的组合目标跟踪模型,估计k+1时刻跟踪目标信息,得到k+1时刻跟踪目标信息预测值和k+1时刻的组合目标跟踪预测模型;
第五步,根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、k时刻的组合目标跟踪模型,计算联合跟踪门;
第六步,判断S4中k+1时刻跟踪目标信息预测值是否落入S5中的联合跟踪门中,若有跟踪目标信息预测值落入联合跟踪门中,则对落入联合跟踪门中的目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪目标信息预测值、k+1时刻的组合目标跟踪预测模型,得到k+1时刻跟踪目标信息优化值和k+1时刻的组合目标跟踪优化模型;若无跟踪目标信息落入波门中,则返回步骤S3重新获取雷达检测到的目标信息。
在第一步中,所述目标跟踪模型包括匀速模型、匀加速模型、当前统计模型、转弯模型、连续转弯模型。几种模型均采用贝叶斯滤波的方式表现,具体如下所示。
(1)匀速模型
目标状态方程:X(k+1)=F(k)X(k)+G(K)u(k)+Γ(k)h(k)
量测方程:Z(k+1)=H(k+1)X(k+1)+W(k+1)
h(k)=[hx hy]′为过程噪声向量,hx,hy分别表示目标运动过程中在x,y向上的随机扰动,F(k)为系统的状态转移矩阵
Γ(k)为过程噪声分布矩阵为
H(k)为量测矩阵
W(k)为具有协方差R(k+1)的零均值、白色高斯量测噪声序列,T为采样时间;
u(k)为已知输入或控制信号的先验,若无输入或控制信号,则u(k)=0;G(k)为输入控制项矩阵。
模型的过程噪声协方差矩阵为:
Q(k)=Γ(k)qΓT(k)
式中,q为自适应设置的已知常数系数。
(2)匀加速模型
目标状态方程:X(k+1)=F(k)X(k)+G(K)u(k)+Γ(k)h(k)
量测方程:Z(k+1)=H(k+1)X(k+1)+W(k+1)
h(k)=[hx hy]′为过程噪声向量,hx,hy分别表示目标运动过程中在x,y向上的随机扰动,F(k)为系统的状态转移矩阵
Γ(k)为过程噪声分布矩阵为
H(k)为量测矩阵
W(k)为具有协方差R(k+1)的零均值、白色高斯量测噪声序列,T为采样时间;
u(k)为已知输入或控制信号的先验,若无输入或控制信号,则u(k)=0;G(k)为输入控制项矩阵。
模型的过程噪声协方差矩阵为:
Q(k)=Γ(k)qΓT(k)
式中,q为自适应设置的已知常数系数。
(3)当前统计模型
量测方程:Z(k+1)=H(k+1)X(k+1)+W(k+1)
h(k)=[hx hy]′为过程噪声向量,hx,hy分别表示目标运动过程中在x,y向上的随机扰动,F(k)为系统的状态转移矩阵
G(k)为输入控制项矩阵
H(k)为量测矩阵
W(k)为具有协方差R(k+1)的零均值、白色高斯量测噪声序列,T为采样时间,α为机动频率。
此外,当前统计模型的过程噪声协方差矩阵具体为:
式中,
(4)转弯模型
如图2所示,为转弯模型的原理图。
目标状态方程:X(k+1)=F(k)X(k)+G(K)u(k)+Γ(k)h(k)
量测方程:Z(k+1)=H(k+1)X(k+1)+W(k+1)
h(k)=[hx hy hω]′为过程噪声向量,hx,hy,hω分别表示目标运动过程中在x,y,ω向上的随机扰动,F(k)为系统的状态转移矩阵
Γ(k)为过程噪声分布矩阵为
H(k)为量测矩阵
W(k)为具有协方差R(k+1)的零均值、白色高斯量测噪声序列,T为采样时间;
u(k)为已知输入或控制信号的先验,若无输入或控制信号,则u(k)=0;G(k)为输入控制项矩阵。
模型的过程噪声协方差矩阵为:
Q(k)=Γ(k)qΓT(k)
式中,q为自适应设置的已知常数系数。
需要注意的是,上述四个模型的状态转移矩阵的选取可根据不同的噪声情况进行区别选取,例如,在低噪声条件下选择线性状态转移矩阵,在高噪声条件下选择非线性状态转移矩阵,此外,不同的模型对于状态转移矩阵的选择也不一定相同,比如匀速模型的状态转移矩阵在低噪声条件和高噪声条件下相同,而其他模型则选择不同的状态转移矩阵。在本实施例中,上述四个模型低噪声条件下和高噪声条件下使用相同的状态转移矩阵,但Kalman滤波方程中的过程噪声v(k)取值不同。
需要注意的是,本实施例中例举了几种目标跟踪模型,但本发明所保护的范围并不只局限于这几种模型,且对于模型的状态转移矩阵、噪声分布矩阵、量测矩阵和过程噪声分布矩阵的确定,并不只局限于本实施例中所示例性列出的形式。
在第二步中,对于目标跟踪模型、模型的组成策略进行初始化设置的方法可根据使用时的具体使用需求而确定,例如,可以使雷达试运行一段时间,根据试运行阶段的目标跟踪结果来进行初始化工作。
本实施例中,使雷达试运行t时刻,并根据t时刻获取的雷达检测到的目标信息对S1中的目标跟踪模型、模型的组合策略进行初始化。根据t时刻获取的雷达检测到的目标信息对S1中的目标跟踪模型、模型的组合策略进行初始化方法为:将t时刻内雷达检测到的目标的运动速度、目标距雷达的距离、目标的运动加速度均值作为目标跟踪模型的初始化值;将t时刻内雷达检测到的目标的运动模式中出现概率最大的模式作为模型的组合策略的初始化值,所述雷达检测到的目标的运动模式包括匀速模式、匀加速模式、当前统计模式、转弯模式、连续转弯模式。需要说明的是,此外,对于试运行的时间t和参与初始化的模型的数量和种类,可根据具体情况而进行选择。例如,根据第一、二和三个时刻的参数来对目标跟踪模型进行初始化,即初始状态向量为:
式中,x1代表t=1时刻目标在x轴方向距雷达的距离,x2代表t=2时刻目标在x轴方向距雷达的距离,x3代表t=3时刻目标在x轴方向距雷达的距离,y1代表t=1时刻目标在y轴方向距雷达的距离,y2代表t=2时刻目标在y轴方向距雷达的距离,y3代表t=3时刻目标在y轴方向距雷达的距离;(x3-x2)/T代表t=3时刻目标在x轴方向的速度,(y3-y2)/T代表t=3时刻目标在y轴方向的速度;(x3+x1-2x2)/T2代表t=3时刻目标在x轴方向的加速度,(y3+y1-2y2)/T2代表t=3时刻目标在y轴方向的加速度。
需要说明的是,上述对于初始化的方法均为示例性说明,并不代表初始化的方法仅局限于此。
第三步,k(k=1,2……)时刻获取雷达检测到的目标信息,所述目标信息包括目标的运动速度、目标距雷达的距离、目标的运动加速度中的一个或多个。需要注意的是,此处获取的雷达检测到的目标信息,并不仅仅局限于目标的运动速度、目标距雷达的距离、目标的运动加速度,此处仅为例举性的列出上述三个参数信息,还可以包括其他信息,例如目标的运动角速度、目标的大小、目标周围的环境信息等。
在第四步,根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、外部控制信息、k时刻的组合目标跟踪模型,估计k+1时刻跟踪目标信息,得到k+1时刻跟踪目标信息预测值和k+1时刻的组合目标跟踪预测模型,具体方法为:
首先,更新目标跟踪模型的新息和新息协方差;再次,更新目标跟踪模型的状态转移矩阵;最后,估计k+1时刻跟踪目标信息,得到k+1时刻跟踪目标信息预测值和k+1时刻的组合目标跟踪预测模型。在本实施例中,具体的更新方法如下所示。
S41:由k时刻所述组合目标跟踪模型中各个跟踪模型的状态估计状态协方差阵Pi(kk)、模型i转移到模型j的模型的转移概率计算得到k时刻各模型的交互估计值及k时刻各模型的交互估计值的协方差Poj(k|k),i,j=1,2,…,N。
k时刻N个组合目标跟踪模型中各模型的交互估计值,即k+1时刻各个跟踪模型的状态估计的输入为:
式中
uk(i)为k时刻模型i的概率,uk|k(i|j)表示k时刻模型i转移到模型j的概率。
k时刻N个组合目标跟踪模型中各模型的交互估计值的协方差,即k+1时刻各个跟踪模型的状态预测误差协方差量测残差和协方差阵的输入为:
其中,Pi(k|k)为相应的k时刻跟踪模型i的状态协方差阵。
根据k时刻各模型的交互估计值k时刻各模型的交互估计值的协方差Poj(k|k)计算得到k+1时刻各个目标跟踪模型的状态预测值、状态预测误差协方差量测残差和协方差阵,从而得到k+1时刻的组合目标跟踪预测模型:
状态预测值、状态预测误差协方差量测残差和协方差阵分别为:
Pj(k+1|k)=Fj(k)Poj(k|k)Fj′(k)+Qj(k)
式中,k+1时刻模型j过程噪声协方差矩阵Qj(k)具体为根据不同的模型的选择不同的过程噪声协方差矩阵,此处第j个模型并不特指某一个模型,而是泛指目标跟踪模型中的任意一个,例如匀速模型或者转弯模型或当前统计模型。
新息(误差)和新息协方差阵为:
Sj(k+1)=Hj(k+1)Poj(k+1|k)Hj′(k+1)+R(k+1)
式中,Z(k+1)为实际k+1时刻的实际量测值,即k+1时刻雷达实际检测到的目标信息。
S42:更新目标跟踪模型的状态转移矩阵;由于目标跟踪模型中,状态转移矩阵是决定模型跟踪精度的关键因素,而传统的多模型目标跟踪技术中,均为仅更新多个模型的组合策略,从而得到不同的组合目标跟踪模型,而并未实时的对每个跟踪模型进行更新,因此,导致最终的目标跟踪精度降低,而本专利中,正是解决了上述问题,通过更新目标的状态转移矩阵而实时的更新目标跟踪模型。
对于状态转移矩阵的更新,主要根据机动目标的运动状态、背景环境、外部控制输入等因素来进行,所述目标的运动状态主要包括目标距离雷达的距离、目标的运动速度、目标的运动加速度、目标的运动角速度、目标的大小等;所述背景环境主要包括背景的类型、背景的噪声、背景的复杂程度等,所述背景的类型主要包括楼宇环境、海环境、山地环境等,所述背景噪声包括噪声的类别、特点、多寡等;所述外部控制输入主要为由雷达使用者根据使用需求人为设置的一些控制变量,比如雷达的精度、作用距离等。
状态转移矩阵的更新根据上述因素来决定,例如,雷达的外部控制输入要求雷达需要实现高精度近距离的扫描,即对于状态转移矩阵的更新采用近距离、精度高的更新方法;若雷达背景较为复杂,杂波较多,即采用精度高、速率快的更新方法。也可以采用运动状态、背景环境、外部控制输入结合判定的状态转移矩阵的更新方法,本实施例中,主要采用根据机动目标的运动状态来更新状态转移矩阵的方法:判断目标是否发生强机动,若发生强机动,则更新目标跟踪模型的状态转移矩阵;若未发生强机动,则不更新目标跟踪模型的状态转移矩阵。
所述机动目标发生强机动即为运动状态较强、运动较为剧烈,例如在转弯模型中可以指转大弯、即转弯角度较大的情况。具体判定目标是否发生强机动,可采用两种方式:一种为采用统计距离与机动检测门限比较来判别,另一种方法为采用残差信息与动检测门限比较来判别。在目标机动较强且实时性要求高情况下,使用第一种方法判别效果较好,在目标机动性较弱且对实时性要求较低的情况下,使用第二种方法的判别效果较好。
关于是否发强机动的判断,可以使用根据运动目标角速度来判别的方法:判断k时刻目标运动的角速度,若角速度大于角速度阈值,则使用采用统计距离与机动检测门限比较来判别的方法,来判断目标在k+1时刻是否发生强机动;若角速度小于等于角速度阈值,则使用采用残差信息与动检测门限比较来判别的方法,来判断目标在k+1时刻是否发生强机动。所述角速度阈值可根据雷达测角精度来确定,按雷达角速度精度的1/2、2/3、或4/5等来确定,例如雷达的测角精度为3rad/s、按2/3来确定、角速度阈值设置为2rad/s。
关于是否发强机动的判断,可以使用根据运动目标实时性来判别的方法:判断k时刻目标运动的实时性,若实时性大于实时阈值,则使用采用统计距离与机动检测门限比较来判别的方法,来判断目标在k+1时刻是否发生强机动;若实时性小于等于实时阈值,则使用采用残差信息与动检测门限比较来判别的方法,来判断目标在k+1时刻是否发生强机动。所述实时阈值可根据雷达转速来确定,按雷达转速的1/2、2/3、或4/5等来确定,例如雷达的转速为300rpm、按2/3来确定、角速度阈值设置为200rpm。
所述采用统计距离与机动检测门限比较来判别的方法具体为:
计算k+1时刻模型j的统计距离:Dj(k+1)=vjT(k+1)Sj-1(k+1)vj(k+1)
若Dj(k+1)>M,则判断目标发生强机动,否则则判断为未发生强机动。式中,M为机动检测门限。
所述采用残差信息与动检测门限比较来判别的方法具体为:
计算k+1时刻模型j的残差信息:
式中,ξ为遗忘因子,0≤ξ≤1,本实施例中取ξ=0.9;
若ψj(k+1)>M,则判断目标发生强机动,否则则判断为未发生强机动。式中,M为机动检测门限。
上文中所述机动检测门限M的具体确定方法为:ψ(k)服从χ2分布,残差信息ψ(k)大于门限M的概率为P,即目标发生强机动的概率,首先根据先验来获取概率P的值,再根据卡方分布的概率密度分布得到机动检测门限M的具体取值。由χ2分布表可知,当P=0.05时,M=3.841;当P=0.1时,M=2.706。本实施例中,根据先验取定目标发生强机动的概率P=0.1,则机动检测门限M=3。
若机动目标发生强机动,则可通过更新状态转移矩阵的方式来更新目标跟踪模型,具体的跟踪方法如下所示。
可以使用目标距雷达的距离来选择状态转移矩阵的更新方法:判断机动目标距雷达的距离,若距离大于距离阈值,则使用远距离更新方法来更新目标跟踪模型的状态转移矩阵;若距离小于等于距离阈值,则使用近距离更新方法来更新目标跟踪模型的状态转移矩阵。
也可以采用目标距雷达的距离和目标运动速度结合来选择状态转移矩阵的更新方法:判断机动目标距雷达的距离,若距离大于距离阈值,则进一步判断机动目标的运动速度,若距离大于距离阈值且目标的运动速度大于速度阈值,则使用远距离更新方法中的高速目标更新方法来更新目标跟踪模型的状态转移矩阵;若距离大于距离阈值且目标的运动速度小于等于速度阈值,则使用远距离更新方法中的低速目标更新方法来更新目标跟踪模型的状态转移矩阵;判断机动目标距雷达的距离,若距离小于等于距离阈值,则进一步判断机动目标的运动速度,若距离小于等于距离阈值且目标的运动速度大于速度阈值,则使用近距离更新方法中的高速目标更新方法来更新目标跟踪模型的状态转移矩阵;若距离小于等于距离阈值且目标的运动速度小于等于速度阈值,则使用近距离更新方法中的低速目标更新方法来更新目标跟踪模型的状态转移矩阵。
上述方法为通过状态转移矩阵的更新来更新目标跟踪模型,除此之外,为了进一步的增加目标跟踪的精度,还可以自适应的更新过程噪声协方差矩阵,其更新方法与状态转移矩阵的更新方法相同,即可根据机动目标的运动状态、背景环境、外部控制输入等因素来进行,也可以采用运动状态、背景环境、外部控制输入结合判定的状态转移矩阵的更新方法,本实施例中,主要采用根据机动目标的运动状态来更新状态转移矩阵的方法:判断目标是否发生强机动,若发生强机动,则更新过程噪声协方差矩阵;若未发生强机动,则不更新过程噪声协方差矩阵。
可以使用目标距雷达的距离来选择过程噪声协方差矩阵的更新方法:判断机动目标距雷达的距离,若距离大于距离阈值,则使用远距离更新方法来更新目标跟踪模型的过程噪声协方差矩阵;若距离小于等于距离阈值,则使用近距离更新方法来更新目标跟踪模型的过程噪声协方差矩阵。
也可以采用目标距雷达的距离和目标运动速度结合来选择过程噪声协方差矩阵的更新方法:判断机动目标距雷达的距离,若距离大于距离阈值,则进一步判断机动目标的运动速度,若距离大于距离阈值且目标的运动速度大于速度阈值,则使用远距离更新方法中的高速目标更新方法来更新目标跟踪模型的过程噪声协方差矩阵;若距离大于距离阈值且目标的运动速度小于等于速度阈值,则使用远距离更新方法中的低速目标更新方法来更新目标跟踪模型的过程噪声协方差矩阵;判断机动目标距雷达的距离,若距离小于等于距离阈值,则进一步判断机动目标的运动速度,若距离小于等于距离阈值且目标的运动速度大于速度阈值,则使用近距离更新方法中的高速目标更新方法来更新目标跟踪模型的过程噪声协方差矩阵;若距离小于等于距离阈值且目标的运动速度小于等于速度阈值,则使用近距离更新方法中的低速目标更新方法来更新目标跟踪模型的过程噪声协方差矩阵。
在本实施例中,如图2所示采用同时更新状态转移矩阵与过程噪声协方差矩阵的方法来达到更精确的多模型的实时更新,从而达到更精确的目标跟踪的效果,具体为:
S421:判断机动目标距雷达的距离,若距离大于距离阈值,则进一步判断机动目标的运动速度,若距离大于距离阈值且目标的运动速度大于速度阈值,则使用远距离更新方法中的高速目标更新方法来更新目标跟踪模型的状态转移矩阵和过程噪声协方差矩阵,本实施例中,所述远距离更新方法中的高速目标的状态转移矩阵更新方法和过程噪声协方差矩阵更新方法分别为:
根据k时刻模型j的机动频率和最大加速度更新k+1时刻模型j的机动频率和最大加速度更新:
模型j中目标在k+1时刻的加速度为:
模型j中目标在k+1时刻的速度为:
模型j中目标在k+1时刻的角速度为:
ωj(k+1)=aj(k+1)/Vj(k+1)
其中n为使用目标跟踪模型滤波时的维度,此外,初始时刻使用根据经验事先取定的机动频率和最大加速度值的初始值α0和amax0作为模型j的机动频率和最大加速度。
再根据更新后的k+1时刻模型j的机动频率、角速度和最大加速度中的至少一个来更新模型j的状态转移矩阵和过程噪声协方差矩阵,所述j这里指代任意目标跟踪模型,并不具体指一个模型,而是根据具体的使用需求而改变。更新状态转移矩阵的过程中,根据不同的目标跟踪模型不同的状态转移矩阵而更新,例如,在当前统计模型中,状态转移矩阵与目标机动频率的关系为:
则根据此式带入更新后的k+1时刻的机动频率,从而更新k+1时刻的状态转移矩阵F(k+1)。
若模型j为非当前统计模型,则通过下式来更新过程噪声协方差矩阵:
式中,ucs为多模型交互后、当前统计模型的概率,u为多模型交互后、模型j的概率。
若模型j为当前统计模型,则根据上文中过程噪声分布矩阵与机动频率和最大加速度的关系来更新k+1时刻的过程噪声分布矩阵,即如下所示:
S422:判断机动目标距雷达的距离,若距离大于距离阈值,则进一步判断机动目标的运动速度,若距离大于距离阈值且目标的运动速度小于等于速度阈值,则使用远距离更新方法中的低速目标更新方法来更新目标跟踪模型的状态转移矩阵和过程噪声协方差矩阵,本实施例中,所述远距离更新方法中的低速目标的状态转移矩阵更新方法和过程噪声协方差矩阵更新方法分别为:
根据k时刻模型j的机动频率和最大加速度更新k+1时刻模型j的机动频率和最大加速度更新:
模型j中目标在k+1时刻的加速度为:
模型j中目标在k+1时刻的速度为:
模型j中目标在k+1时刻的角速度为:
ωj(k+1)=aj(k+1)/Vj(k+1)
式中,M为机动检测门限。
此外,初始时刻使用根据经验事先取定的机动频率和最大加速度值的初始值α0和amax0作为模型j的机动频率和最大加速度。
再根据更新后的k+1时刻模型j的机动频率、角速度和最大加速度中的至少一个来更新模型j的状态转移矩阵和过程噪声协方差矩阵,所述j这里指代任意目标跟踪模型,并不具体指一个模型,而是根据具体的使用需求而改变。更新状态转移矩阵的过程中,根据不同的目标跟踪模型不同的状态转移矩阵而更新,例如,在当前统计模型中,状态转移矩阵与目标机动频率的关系为:
则根据此式带入更新后的k+1时刻的机动频率,从而更新k+1时刻的状态转移矩阵F(k+1)。
S423:判断机动目标距雷达的距离,若距离小于等于距离阈值,则进一步判断机动目标的运动速度,若距离小于等于距离阈值且目标的运动速度大于速度阈值,则使用近距离更新方法中的高速目标更新方法来更新目标跟踪模型的状态转移矩阵和过程噪声协方差矩阵,本实施例中,所述近距离更新方法中的高速目标的状态转移矩阵更新方法和过程噪声协方差矩阵更新方法分别为:
根据k时刻模型j的机动频率和最大加速度更新k+1时刻模型j的机动频率和最大加速度更新:
模型j中目标在k+1时刻的加速度为:
模型j中目标在k+1时刻的速度为:
模型j中目标在k+1时刻的角速度为:
ωj(k+1)=aj(k+1)/Vj(k+1)
所述算k+1时刻模型j的残差信息按上文所述为:
式中,ξ为遗忘因子,M为机动检测门限,ψj(k+1)为j模块k+1时刻的残差信息。此外,初始时刻使用根据经验事先取定的机动频率和最大加速度值的初始值α0和amax0作为模型j的机动频率和最大加速度。
再根据更新后的k+1时刻模型j的机动频率、角速度和最大加速度中的至少一个度来更新模型j的状态转移矩阵和过程噪声协方差矩阵,所述j这里指代任意目标跟踪模型,并不具体指一个模型,而是根据具体的使用需求而改变。更新状态转移矩阵的过程中,根据不同的目标跟踪模型不同的状态转移矩阵而更新,例如,在当前统计模型中,状态转移矩阵与目标机动频率的关系为:
则根据此式带入更新后的k+1时刻的机动频率,从而更新k+1时刻的状态转移矩阵F(k+1)。
S424:判断机动目标距雷达的距离,若距离小于等于距离阈值,则进一步判断机动目标的运动速度,若距离小于等于距离阈值且目标的运动速度小于等于速度阈值,则使用近距离更新方法中的低速目标更新方法来更新目标跟踪模型的状态转移矩阵和过程噪声协方差矩阵,本实施例中,所述近距离更新方法中的低速目标的状态转移矩阵更新方法和过程噪声协方差矩阵更新方法分别为:
根据k时刻模型j的机动频率和最大加速度更新k+1时刻模型j的机动频率和最大加速度更新:
首先计算误差函数:
其中,Dj(k+1)为j模型k+1时刻的统计距离;
之后计算调整因子:
其中Sj(k+1)为k+1时刻j模型的新息协方差;
最后自适应调整机动频率和目标的最大加速度:
αj(k+1)=λj k+1·αj(k)
aj max=λj k+1·aj max
模型j中目标在k+1时刻的加速度为:
模型j中目标在k+1时刻的速度为:
模型j中目标在k+1时刻的角速度为:
ωj(k+1)=aj(k+1)/Vj(k+1)
其中,M为机动检测门限。此外,初始时刻使用根据经验事先取定的机动频率和最大加速度值的初始值α0和amax0作为模型j的机动频率和最大加速度。
再根据更新后的k+1时刻模型j的机动频率、角速度和最大加速度中的至少一个来更新模型j的状态转移矩阵和过程噪声协方差矩阵,所述j这里指代任意目标跟踪模型,并不具体指一个模型,而是根据具体的使用需求而改变。更新状态转移矩阵的过程中,根据不同的目标跟踪模型不同的状态转移矩阵而更新,例如,在当前统计模型中,状态转移矩阵与目标机动频率的关系为:
则根据此式带入更新后的k+1时刻的机动频率,从而更新k+1时刻的状态转移矩阵F(k+1)。
上述S421-S424的更新过程中,所述距离阈值主要根据雷达的最大作用距离来确定,可以选择最大作用距离的1/2、2/3、4/5等,例如雷达的最大作用距离为5km、按照4/5来选取距离阈值、即距离阈值为4km。上述S421-S424的更新过程中,所述速度阈值主要根据雷达速度精度来确定,可以选择速度精度的1/2、2/3、4/5等,例如雷达的速度精度为1m/s、按照1/2来选取速度阈值、即速度阈值为0.5m/s。需要注意的是,此处仅为示例性的说明几种距离阈值和速度阈值的确定方法,并不代表仅能用上述方法确定。
通过上述方法,本专利针对距雷达距离不同、运动速度不同的目标采用不同的状态转移矩阵和过程噪声协方差矩阵的更新方法,从而根据目标的实际运动情况自适应实时的更新了目标跟踪模型,达到了精确跟踪的技术效果。
S43:计算k+1时刻跟踪目标信息预测值,所述跟踪目标信息预测值表现为综合预测值;
所述跟踪目标信息的综合预测为
需要说明的是,所述外部控制信息表现为G(K)u(k),若有已知的外部输入或控制信号,就有输入控制项矩阵,则输入控制项矩阵G(K)的量也是先验已知的;如果没有已知的输入或控制信号,则u(k)=0。
在第五步中,根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、k时刻的组合目标跟踪模型,计算联合跟踪门具体方法为:
用k时刻每个模型的概率加权每个模型的跟踪门,获得一个加权的联合跟踪门,所述每个模型的跟踪门为新息协方差Sj(k+1),所述联合跟踪门为联合更新协方差S(k+1):
在第六步中,判断S4中k+1时刻跟踪目标信息预测值是否落入S5中的联合跟踪门中,若有跟踪目标信息预测值落入联合跟踪门中,则利用PDA算法对落入联合跟踪门中的目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪目标信息预测值、k+1时刻的组合目标跟踪预测模型,得到k+1时刻跟踪目标信息优化值和k+1时刻的组合目标跟踪优化模型的具体方法为:
S61:设置波门参数γ,通过目标距离联合跟踪波门中心的距离d与波门参数γ的关系,判别目标是否落入联合跟踪波门中,若符合下式,则为落入联合跟踪波门中:
得到落入联合跟踪波门中的目标的集合Zm(k+1)
所述波门的波门参数γ可根据使用中的具体情况来设定,本实施例中,根据目标运动规律来为所述波门参数γ赋值。本实施例中,所述波门参数γ由卡方分布得到。若k+1时刻模型j的测量值zj(k+1)为nz维,则新息vj(k+1)是具有nz个自由度的卡方分布随机变量。通过自由度nz和真实量测量落入nz维椭圆波门的概率PG我们可以查表得出γ。需要说明的是,此处对于参数γ的赋值方法,仅为示例性说明,而不仅限于此。
S62:判断集合Zm(k+1)是否为空集,若为空集,则返回步骤S3;若不为空集,则利用PDA算法对落入联合跟踪波门中的目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪目标信息预测值、k+1时刻的组合目标跟踪预测模型,得到k+1时刻跟踪目标信息优化值和k+1时刻的组合目标跟踪优化模型,所述跟踪目标信息优化和组合目标跟踪模型优化的具体方法为:
S621:计算PDA滤波增益
Kj(k+1)=Pj(k+1|k)Hj′(k+1)Sj-1(k+1)
其中Hj′(k+1)为k+1时刻模型j的量测矩阵的转置,不同的模型对应不同的量测矩阵的转置。
S622:k+1时刻跟踪目标信息优化值表现为状态更新估计、状态更新估计对应的误差协方差:
其中
Pjc(k+1|k+1)=[I-Kj(k+1)Hj(k+1)]Pj(k+1|k)
βi(k+1)为k+1时刻落入联合跟踪波门中的第i个目标zi(k+1)源于目标的条件概率:
β0(k+1)为k+1时刻落入联合跟踪波门中的目标数量为mk,mk个目标没有一个源于目标的概率:
S63:k+1时刻的组合目标跟踪优化模型为:
其中,
式中,PD是目标检测概率,ei、b均与PDA算法中定义的一致,mk+1是k+1时刻落入波门内的回波数,Vi(k+1)是第i个模型中按量测预测值及协方差计算出的波门面积。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由上面的权利要求指出。
Claims (4)
1.一种雷达目标跟踪方法,其特征在于,所述方法包括如下步骤:
S1:建立雷达目标跟踪模型库,所述模型库中含有至少一种目标跟踪模型;
S2:初始化S1中的目标跟踪模型,并初始化模型的组合策略,得到初始化了的组合目标跟踪模型;
S3:k(k=1,2……)时刻获取雷达检测到的目标信息,所述目标信息包括目标的运动速度、目标距雷达的距离、目标的运动加速度中的一个或多个;
S4:根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、外部控制信息、k时刻的组合目标跟踪模型,估计k+1时刻跟踪目标信息,得到k+1时刻跟踪目标信息预测值和k+1时刻的组合目标跟踪预测模型;
S5:根据S3中获取的雷达检测到的k(k=2,3……)时刻的目标信息、k时刻的组合目标跟踪模型,计算联合跟踪门;
S6:判断S4中k+1时刻跟踪目标信息预测值是否落入S5中的联合跟踪门中,若有跟踪目标信息预测值落入联合跟踪门中,则对落入联合跟踪门中的目标信息进行滤波,并根据滤波结果优化k+1时刻跟踪目标信息预测值、k+1时刻的组合目标跟踪预测模型,得到k+1时刻跟踪目标信息优化值和k+1时刻的组合目标跟踪优化模型;若无跟踪目标信息落入波门中,则返回步骤S3重新获取雷达检测到的目标信息;
所述目标跟踪模型主要由状态转移矩阵、过程噪声分布矩阵、输入控制项矩阵组成;
所述步骤S4具体为:
S41:由k时刻所述组合目标跟踪模型中各个跟踪模型的状态估计状态协方差阵Pi(k|k)、模型i转移到模型j的模型的转移概率计算得到k时刻各模型的交互估计值及k时刻各模型的交互估计值的协方差Poj(k|k),i,j=1,2,…,N;
根据k时刻各模型的交互估计值时刻各模型的交互估计值的协方差Poj(k|k)计算得到k+1时刻各个目标跟踪模型的状态预测值、状态预测误差协方差量测残差和协方差阵,从而得到k+1时刻的组合目标跟踪预测模型:
S42:更新目标跟踪模型;
S43:计算k+1时刻跟踪目标信息预测值,所述跟踪目标信息预测值表现为综合预测值;
通过状态转移矩阵来更新所述步骤S42中的目标跟踪模型;
所述步骤S42具体为:判断目标是否发生强机动,若发生强机动,则更新目标跟踪模型的状态转移矩阵;若未发生强机动,则不更新目标跟踪模型的状态转移矩阵;
所述更新目标跟踪模型的状态转移矩阵的具体方法为:
判断机动目标距雷达的距离,若距离大于距离阈值,则使用远距离更新方法来更新目标跟踪模型的状态转移矩阵;若距离小于等于距离阈值,则使用近距离更新方法来更新目标跟踪模型的状态转移矩阵。
2.根据权利要求1所述的一种雷达目标跟踪方法,其特征在于,在步骤S42后还包括:
更新过程噪声协方差矩阵。
3.根据权利要求1所述的一种雷达目标跟踪方法,其特征在于,通过判别目标的运动状态来更新状态转移矩阵。
4.根据权利要求2所述的一种雷达目标跟踪方法,其特征在于,所述更新过程噪声协方差矩阵的方法具体为:判断目标是否发生强机动,若发生强机动,则更新过程噪声协方差矩阵;若未发生强机动,则不更新过程噪声协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009896.5A CN111157983B (zh) | 2020-01-06 | 2020-01-06 | 一种雷达目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010009896.5A CN111157983B (zh) | 2020-01-06 | 2020-01-06 | 一种雷达目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157983A CN111157983A (zh) | 2020-05-15 |
CN111157983B true CN111157983B (zh) | 2022-02-15 |
Family
ID=70561565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010009896.5A Active CN111157983B (zh) | 2020-01-06 | 2020-01-06 | 一种雷达目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157983B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
CN105372653A (zh) * | 2015-11-11 | 2016-03-02 | 成都能通科技有限公司 | 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法 |
CN105954743A (zh) * | 2016-05-31 | 2016-09-21 | 西安电子科技大学 | 一种改进权值的变结构多模型机动目标跟踪方法 |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
CN108303692A (zh) * | 2018-01-30 | 2018-07-20 | 哈尔滨工业大学 | 一种解多普勒模糊的多目标跟踪方法 |
CN108414995A (zh) * | 2018-03-12 | 2018-08-17 | 中国人民解放军国防科技大学 | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 |
WO2019228439A1 (zh) * | 2018-06-01 | 2019-12-05 | 浙江亚特电器有限公司 | 基于gnss-rtk的定位方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SG101444A1 (en) * | 2001-04-20 | 2004-01-30 | Singapore Tech Aerospace Ltd | A maneuvering target tracking method via modifying the interacting multiple model (imm) and the interacting acceleration compensation (iac) algorithms |
US7940206B2 (en) * | 2005-04-20 | 2011-05-10 | Accipiter Radar Technologies Inc. | Low-cost, high-performance radar networks |
JP5109264B2 (ja) * | 2006-02-27 | 2012-12-26 | トヨタ自動車株式会社 | 物体検出装置 |
EP2793046B1 (en) * | 2011-12-12 | 2016-10-19 | Mitsubishi Electric Corporation | Radar device |
CN103487800B (zh) * | 2013-09-08 | 2015-09-30 | 西安电子科技大学 | 基于残差反馈的多模型高速高机动目标跟踪方法 |
CN104020466B (zh) * | 2014-06-17 | 2016-05-25 | 西安电子科技大学 | 基于变结构多模型的机动目标跟踪方法 |
KR101752651B1 (ko) * | 2017-01-18 | 2017-07-03 | (주)디지탈엣지 | 레이더 시스템의 클러터 제거 및 다중 표적 추적방법 |
-
2020
- 2020-01-06 CN CN202010009896.5A patent/CN111157983B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102568004A (zh) * | 2011-12-22 | 2012-07-11 | 南昌航空大学 | 一种高机动目标跟踪算法 |
CN102721951A (zh) * | 2012-05-04 | 2012-10-10 | 西安电子科技大学 | 一种高机动目标跟踪方法 |
CN105372653A (zh) * | 2015-11-11 | 2016-03-02 | 成都能通科技有限公司 | 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法 |
CN105954743A (zh) * | 2016-05-31 | 2016-09-21 | 西安电子科技大学 | 一种改进权值的变结构多模型机动目标跟踪方法 |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
CN108303692A (zh) * | 2018-01-30 | 2018-07-20 | 哈尔滨工业大学 | 一种解多普勒模糊的多目标跟踪方法 |
CN108414995A (zh) * | 2018-03-12 | 2018-08-17 | 中国人民解放军国防科技大学 | 一种基于高斯牛顿滤波的非线性模型下目标跟踪方法 |
WO2019228439A1 (zh) * | 2018-06-01 | 2019-12-05 | 浙江亚特电器有限公司 | 基于gnss-rtk的定位方法 |
Non-Patent Citations (3)
Title |
---|
《基于IMM的雷达目标跟踪算法研究》;韩宏亮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20111215;I136-646 * |
《自适应交互式多模型目标跟踪算法》;李茂;《兵工自动化》;20090531;11-13 * |
Hao Wang ; Junzhe Yu ; Yan Wang ; Shuanglong Quan ; Dalong Xu.《An UWB Antenna with Broad Beamwidth and Dual-circular-polarization Performance》.《2018 12th International Symposium on Antennas, Propagation and EM Theory (ISAPE)》.2019, * |
Also Published As
Publication number | Publication date |
---|---|
CN111157983A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108303692B (zh) | 一种解多普勒模糊的多目标跟踪方法 | |
CN111142100B (zh) | 一种雷达目标跟踪方法 | |
Kaulbersch et al. | A Cartesian B-spline vehicle model for extended object tracking | |
CN108535720B (zh) | 用于改进的卡尔曼滤波目标跟踪的自适应过程噪声描述 | |
CN109901153B (zh) | 基于信息熵权和最近邻域数据关联的目标航迹优化方法 | |
Kalandros et al. | Tutorial on multisensor management and fusion algorithms for target tracking | |
US5842156A (en) | Multirate multiresolution target tracking | |
Pulford | OTHR multipath tracking with uncertain coordinate registration | |
CN109298725B (zh) | 一种基于phd滤波的群体机器人分布式多目标跟踪方法 | |
CN117169818B (zh) | 一种面向海面机动目标跟踪的雷达波形设计方法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
CN112180361A (zh) | 一种基于动态联邦滤波的车载雷达目标跟踪方法 | |
JP3750859B2 (ja) | レーダ追尾装置及びレーダ追尾処理方法 | |
CN111157983B (zh) | 一种雷达目标跟踪方法 | |
Rameshbabu et al. | Target tracking system using kalman filter | |
CN112230195B (zh) | 基于非线性最优平滑层策略的平滑变结构滤波方法及系统 | |
CN116772835A (zh) | 基于惯性导航和uwb传感器网络的室内定位方法及系统 | |
EP1344082B1 (en) | Method for determining the range of a moving object using angle measurements | |
CN114565020B (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
CN112083410B (zh) | 机动目标跟踪方法 | |
CN117109588B (zh) | 一种面向智能航行的多源探测多目标信息融合方法 | |
JP3440010B2 (ja) | 目標追尾装置 | |
CN116929388A (zh) | 一种基于神经网络和激光雷达的移动机器人定位方法 | |
CN105159314B (zh) | 一种自由运动移动多传感器配置及多目标跟踪算法 | |
CN116990805A (zh) | 一种相控阵雷达大规模集群目标跟踪波束功率联合分配方法 |
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 |