CN111563918B - 一种多卡尔曼滤波器数据融合的目标跟踪方法 - Google Patents
一种多卡尔曼滤波器数据融合的目标跟踪方法 Download PDFInfo
- Publication number
- CN111563918B CN111563918B CN202010233859.2A CN202010233859A CN111563918B CN 111563918 B CN111563918 B CN 111563918B CN 202010233859 A CN202010233859 A CN 202010233859A CN 111563918 B CN111563918 B CN 111563918B
- Authority
- CN
- China
- Prior art keywords
- kalman filter
- target
- weight
- ith
- representing
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种多卡尔曼滤波器数据融合的目标跟踪方法,包括以下步骤:步骤一、计算各卡尔曼滤波器的不确定信息;步骤二、根据不确定信息确定各卡尔曼滤波器的权重;步骤三、融合各卡尔曼滤波器目标状态值得到目标状态估计值。本发明结构简单、设计合理,采用不确定信息生成各卡尔曼滤波器的权重,采用最小二乘法以生成的权重信息融合当前时刻多个卡尔曼滤波预测的目标状态值,融合所得的最终结果即为目标跟踪模型对当前k时刻目标状态估计值,提升了目标跟踪的抗干扰性,使其在不确定环境下有更好的预测性能。
Description
技术领域
本发明属于目标跟踪技术领域,具体涉及一种多卡尔曼滤波器数据融合的目标跟踪方法。
背景技术
伴随着万物互联时代的来临,各类电子设备和传感器已然遍布生活和工、作的各个角落,结合通信、人工智能等技术,极大改善了人们的生活。与此同、时,制造业升级以及智能制造等带来工业生产设备的更新迭代,自动化生产的、设备往往需要具备对物品识别和跟踪的能力;而在日常生活中,生活方式因智、能视频监控和人脸识别等应用而更加智能化,这些应用也使得目标识别和跟踪、技术更为普及。因而技术发展极大丰富了目标识别与跟踪等理论的应用场景,相关理论方法的研究也受到了广泛重视。
目标跟踪问题实际上就是目标状态的跟踪滤波问题,即根据传感器已获得的目标测量数据对目标状态进行精确的估计。目标在运动过程中随着速度、角度、加速度等参数不断变化,使得目标的位置具有很强的相关性,但是由于定位跟踪过程中测量误差、系统噪声和干扰的存在,利用多次含有噪声的观测数据对目标运动状态进行跟踪,需要用滤波方法来获得统计最优的状态估计结果,其实质是最优滤波问题。卡尔曼滤波方法自从1960年被Kalman提出,就因为有良好的目标状态预测性能而备受重视。此后许多研究将仅适用于线性系统和高斯概率分布的经典卡尔曼滤波进一步改进。为提高对目标的跟踪性能,迫切需要研究更为优越的跟踪滤波方法。
智能化同时也造成了数据量的剧增,繁杂多样的信息促使着信息融合技术的快速发展,也使其被用于各种各样的应用中。在众多应用场景中,数据处理中心所能获取的观测数据往往采集自不同的传感器,所能获取的数据量也随之倍增。相比于单个传感器观测数据,多源数据能更充分的反映目标情况,因而在目标识别与跟踪过程中需要融合多源信息,从而提高识别与跟踪的准确性。但是在目标跟踪过程中,传感器在复杂环境中受到噪声干扰等一系列环境不确定因素影响,多源数据间可能出现不一致、冲突等情况,会对传感器性能造成影响,导致所观测的数据具有不确定性,而难以直接对多源数据进行融合,这些不确定性都将给多源数据下的目标识别和跟踪带来困扰,因而在跟踪目标时需结合不确定性理论对不确定信息进行处理。
为了使目标跟踪模型能有更好的性能表现,需要对这些不确定信息进行处理。所以结合不确定性理论构建具有不确定信息处理能力的目标识别和目标跟踪模型有其研究价值和意义。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种多卡尔曼滤波器数据融合的目标跟踪方法,其结构简单、设计合理,采用不确定信息生成各卡尔曼滤波器的权重,采用最小二乘法以生成的权重信息融合当前时刻多个卡尔曼滤波预测的目标状态值,融合所得的最终结果即为目标跟踪模型对当前k时刻目标状态估计值,提升了目标跟踪的抗干扰性,使其在不确定环境下有更好的预测性能。
为解决上述技术问题,本发明采用的技术方案是:一种多卡尔曼滤波器数据融合的目标跟踪方法,其特征在于,包括以下步骤:
步骤一、计算各卡尔曼滤波器的不确定信息:
步骤101、多个传感器采集当前时刻目标运动状态;
步骤二、根据不确定信息计算各卡尔曼滤波器的权重;
上述的一种多卡尔曼滤波器数据融合的目标跟踪方法,其特征在于:步骤一中计算机根据前h个时刻的新息值计算新息噪声协方差实际值其中 表示第i个卡尔曼滤波器在k时刻目标运动状态的实际观测值,表示第i个卡尔曼滤波器在k时刻目标运动状态的预测值,k≥h≥1。
本发明与现有技术相比具有以下优点:
1、本发明的结构简单、设计合理,实现及使用操作方便。
2、本发明采用多个传感器采集当前时刻目标运动状态,相比于单个传感器观测数据,多个传感器所能获取的数据量也随之倍增,多源数据能更充分的反映目标情况,从而提高识别与跟踪的准确性。
3、本发明采用不确定信息ΔDk间接反映卡尔曼滤波的准确性,基于比值ΔDk在噪声发生变化时对卡尔曼滤波器的参数进行自适应更新,以实现对目标状态的良好预测。
3、本发明采用多个卡尔曼滤波器,对每个卡尔曼滤波器设置了不同的参数,因此相比于单个的卡尔曼滤波器具有更优的抗干扰表现。
4、本发明采用不确定信息生成各卡尔曼滤波器的权重,使得各卡尔曼滤波器的预测准确性决定各卡尔曼滤波器的权重,使用效果好。
5、本发明采用最小二乘法以生成的权重信息融合当前时刻多个卡尔曼滤波预测的目标状态值,融合所得的最终结果即为目标跟踪模型对当前k时刻目标状态估计值,提升了目标跟踪的抗干扰性,使其在不确定环境下有更好的预测性能。
综上所述,本发明结构简单、设计合理,采用不确定信息生成各卡尔曼滤波器的权重,采用最小二乘法以生成的权重信息融合当前时刻多个卡尔曼滤波预测的目标状态值,融合所得的最终结果即为目标跟踪模型对当前k时刻目标状态估计值,提升了目标跟踪的抗干扰性,使其在不确定环境下有更好的预测性能。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
图2为本发明未加强干扰时SRCKF、fuzzyKF和方法一权重融合方法的结果对比图。
图3为本发明添加强干扰后SRCKF、fuzzyKF和方法二权重融合方法的结果对比图。
图4为本发明未加强干扰时SRCKF、fuzzyKF和方法二权重融合方法的结果对比图。
图5为本发明添加强干扰后SRCKF、fuzzyKF和方法二权重融合方法的结果对比图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述,在这里可以使用空间相对术语,如“在……之上”、“在……上方”、“在……上表面”、“上面的”等,用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是,空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如,如果附图中的器件被倒置,则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而,示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位),并且对这里所使用的空间相对描述作出相应解释。
如图1所示,本发明包括以下步骤:
步骤一、计算各卡尔曼滤波器的不确定信息:
实际使用时,采用多个传感器采集当前时刻目标运动状态相比于单个传感器观测数据,多个传感器所能获取的数据量也随之倍增。多源数据能更充分的反映目标情况,从而提高识别与跟踪的准确性。xk表示k时刻的目标运动状态,目标运动状态包括目标位置、目标速度和目标加速度。
需要说明的是,卡尔曼滤波在目标状态预测过程中,需要设定系统噪声协方差和观测噪声协方差等参数。不同参数的卡尔曼滤波器具有不同的预测精确度,本申请中采用n个卡尔曼滤波器,实际使用时,n=3。实际使用时,n=3。本申请采用的卡尔曼滤波器为平方根容积卡尔曼滤波器,对每个平方根容积卡尔曼滤波器设置了不同的参数,因此相比于单个的卡尔曼滤波器具有更优的抗干扰表现。
实际使用时,新息噪声协方差的理论值其中H表示观测矩阵,表示第i个卡尔曼滤波器在k时刻的目标状态预测值的误差协方差, 表示第i个卡尔曼滤波器在k-1时刻的目标运动状态的误差协方差,为第i个卡尔曼滤波器在k时刻的系统噪声协方差。表示第i个卡尔曼滤波器在k时刻的观测噪声协方差。k时刻表示当前时刻,k-1表示上一时刻。
根据前h个时刻的新息值计算新息噪声协方差实际值其中新息值 表示第i个卡尔曼滤波器在k时刻目标运动状态的实际观测值,包括距离、方位角、俯仰角;表示第i个卡尔曼滤波器在k时刻目标运动状态的预测值,各个平方容积卡尔曼滤波分别根据各自滤波得到的历史信息以及目标运动模型预测当前k时刻的目标状态预测值 表示k-1时刻的目标运动状态,目标运动状态包括目标位置、目标速度和目标加速度等,A为状态转移矩阵,A由目标运动模型决定,如匀速运动、匀加速运动都分别有不同的状态转移矩阵;k≥h≥1。
在实际观测环境中,传感器受过如电磁干扰等各种不确定因素的影响,从而使得目标观测信息存在不精确性、不确定性。同时干扰强度的变化使得目标状态预测值也随之改变,而假定的目标状态预测值必然无法反映真实情况,所以经典卡尔曼滤波的预测结果会随环境噪声强度的变化而变差。而根据上述公式可知实际噪声大于时,新息值会很大,由此求得的新息协方差实际值会偏大,而新息协方差理论值与所设定的观测噪声协方差有关,两者间的差异会增大,因此它们的比值反映了所用参数是否符合实际噪声,基于不确定信息自适应更新模糊卡尔曼滤波器的参数,使用效果好。
步骤二、根据不确定信息确定各卡尔曼滤波器的权重。由于,观测噪声协方差与实际噪声强度间的差异影响了预测的准确性,而由新息信息计算得的间接反映了这种差异,所以在融合多卡尔曼滤波的目标状态值时,可作为权重生成信息,因此本申请采用不确定信息生成各卡尔曼滤波器的权重使得各卡尔曼滤波器的预测准确性决定各卡尔曼滤波器的权重,使用效果好。本申请提供两种权重计算方法:
对平方根容积卡尔曼滤波(SRCKF)、模糊卡尔曼滤波(fuzzyKF)、本申请中两种不同的权重融合方法分别进行了仿真分析。四种方法参数设置如下目标从(100,100,9)处以速度往原点方向飞行根据运动状态的变化,传感器运动轨迹分为4个阶段,先是从位置(0,5,7)以速度(100,0,0)m/s往x轴正方向做匀速运动,再250~300时刻以加速度(2,0,0)m/s2在x轴正方向上做匀加速运动,然后在300~350时刻在xoy平面上做角速度的匀速圆周运动,最后在350~400时刻做匀速直线运动。
观测噪声协方差其中距离的观测误差标准差σr=50m,方位角的观测误差标准差σ=0.6°,俯仰角的观测误差标准差σε=0.6°。系统噪声其中Qx=0.25m2s-3,Qy=0.25m2s-3,Qz=0.001m2s-3。
图2为未加强干扰时平方根容积卡尔曼滤波(SRCKF)、模糊卡尔曼滤波(fuzzyKF)和方法一权重融合方法的结果对比图,从图可知,三种卡尔曼滤波在没有强干扰出现的情况下预测的位置误差相接近。
如图3所示,在350~400时刻添加了5倍强度的观测噪声作为强干扰,在强干扰环境下,方法一权重融合方法优于平方根容积卡尔曼滤波(SRCKF),且抗干扰性与模糊卡尔曼滤波相当。优于方法一权重融合方法采用数据融合的方式避免了构造模糊数等问题,因此其较平方根容积卡尔曼滤波(SRCKF)滤波精度高,较模糊卡尔曼滤波(fuzzyKF)计算简便,使用效果好。
图4为未加强干扰时平方根容积卡尔曼滤波(SRCKF)、模糊卡尔曼滤波(fuzzyKF)和方法二权重融合方法的结果对比图,从图可知,三种卡尔曼滤波在没有强干扰出现的情况下预测的位置误差相接近。
如图5所示,在350~400时刻添加了5倍强度的观测噪声作为强干扰,在强干扰环境下,方法二权重融合方法优于平方根容积卡尔曼滤波(SRCKF),且抗干扰性强于平方根容积卡尔曼滤波(SRCKF),使用效果好。
实际使用时,采用最小二乘法以生成的权重信息融合当前时刻多个卡尔曼滤波预测的目标状态值最小二乘法融合就是求一个与各预测值的距离加权之和最小的点,融合所得的最终结果即为目标跟踪模型对当前k时刻目标状态估计值因此该方法不会出现不收敛的情况,提升了目标跟踪的抗干扰性,使其在不确定环境下有更好的预测性能。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (6)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010233859.2A CN111563918B (zh) | 2020-03-30 | 2020-03-30 | 一种多卡尔曼滤波器数据融合的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010233859.2A CN111563918B (zh) | 2020-03-30 | 2020-03-30 | 一种多卡尔曼滤波器数据融合的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563918A CN111563918A (zh) | 2020-08-21 |
CN111563918B true CN111563918B (zh) | 2022-03-04 |
Family
ID=72074218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010233859.2A Active CN111563918B (zh) | 2020-03-30 | 2020-03-30 | 一种多卡尔曼滤波器数据融合的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563918B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861947B (zh) * | 2021-01-29 | 2024-04-19 | 中铁第一勘察设计院集团有限公司 | 传感器数据处理方法、装置及计算设备 |
CN114076942B (zh) * | 2021-11-16 | 2022-09-27 | 苏州魔视智能科技有限公司 | 一种基于多传感器的目标跟踪方法、装置及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN103440499A (zh) * | 2013-08-30 | 2013-12-11 | 北京工业大学 | 基于信息融合的交通波实时检测与跟踪方法 |
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 |
CN104833981A (zh) * | 2015-05-11 | 2015-08-12 | 西北工业大学 | 基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法 |
CN106291533A (zh) * | 2016-07-27 | 2017-01-04 | 电子科技大学 | 一种基于amd的分布式多传感器融合算法 |
CN106526542A (zh) * | 2016-10-17 | 2017-03-22 | 西南大学 | 一种基于确定性采样的增广卡尔曼滤波方法 |
CN108120438A (zh) * | 2017-12-15 | 2018-06-05 | 北京工商大学 | 一种基于imu和rfid信息融合的室内目标快速跟踪方法 |
CN109163720A (zh) * | 2018-08-27 | 2019-01-08 | 广西科技大学 | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 |
CN109241430A (zh) * | 2018-09-06 | 2019-01-18 | 国家计算机网络与信息安全管理中心 | 一种互联网多源异质数据融合的选举预测方法 |
CN109886305A (zh) * | 2019-01-23 | 2019-06-14 | 浙江大学 | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 |
CN109919233A (zh) * | 2019-03-12 | 2019-06-21 | 西北工业大学 | 一种基于数据融合的跟踪滤波方法 |
CN110310305A (zh) * | 2019-05-28 | 2019-10-08 | 东南大学 | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 |
CN110443832A (zh) * | 2019-06-21 | 2019-11-12 | 西北工业大学 | 一种基于观测区间值的证据滤波目标跟踪方法 |
-
2020
- 2020-03-30 CN CN202010233859.2A patent/CN111563918B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN103440499A (zh) * | 2013-08-30 | 2013-12-11 | 北京工业大学 | 基于信息融合的交通波实时检测与跟踪方法 |
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 |
CN104833981A (zh) * | 2015-05-11 | 2015-08-12 | 西北工业大学 | 基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法 |
CN106291533A (zh) * | 2016-07-27 | 2017-01-04 | 电子科技大学 | 一种基于amd的分布式多传感器融合算法 |
CN106526542A (zh) * | 2016-10-17 | 2017-03-22 | 西南大学 | 一种基于确定性采样的增广卡尔曼滤波方法 |
CN108120438A (zh) * | 2017-12-15 | 2018-06-05 | 北京工商大学 | 一种基于imu和rfid信息融合的室内目标快速跟踪方法 |
CN109163720A (zh) * | 2018-08-27 | 2019-01-08 | 广西科技大学 | 基于渐消记忆指数加权的卡尔曼滤波跟踪方法 |
CN109241430A (zh) * | 2018-09-06 | 2019-01-18 | 国家计算机网络与信息安全管理中心 | 一种互联网多源异质数据融合的选举预测方法 |
CN109886305A (zh) * | 2019-01-23 | 2019-06-14 | 浙江大学 | 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法 |
CN109919233A (zh) * | 2019-03-12 | 2019-06-21 | 西北工业大学 | 一种基于数据融合的跟踪滤波方法 |
CN110310305A (zh) * | 2019-05-28 | 2019-10-08 | 东南大学 | 一种基于bssd检测与卡尔曼滤波的目标跟踪方法与装置 |
CN110443832A (zh) * | 2019-06-21 | 2019-11-12 | 西北工业大学 | 一种基于观测区间值的证据滤波目标跟踪方法 |
Non-Patent Citations (6)
Title |
---|
Comparison of variance based fusion and a model of centralised Kalman filter in target tracking;Deepa Elizabeth George等;《2013 International Conference on Recent Trends in Information Technology (ICRTIT)》;20140626;222-228 * |
Consistent Kalman Filter for Distributed Target Tracking with Polar Measurements;Yunha Lee等;《IECON 2019 - 45th Annual Conference of the IEEE Industrial Electronics Society》;20191209;5596-5601 * |
Fusing Kinect sensor and inertial sensors with multi-rate Kalman filter;Shimin Feng等;《IET Conference on Data Fusion & Target Tracking 2014: Algorithms and Applications (DF&TT 2014)》;20140619;1-8 * |
基于INS/GPS数据融合的遥测系统设计与实现;崔丹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20180615;第2018年卷(第6期);I136-952 * |
基于多传感器信息融合关键技术的研究;康健;《中国博士学位论文全文数据库 信息科技辑》;20140815;第2014年卷(第8期);I140-11 * |
基于多源信息融合的自适应AGV导引技术研究;张壮;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;第2018年卷(第12期);I140-490 * |
Also Published As
Publication number | Publication date |
---|---|
CN111563918A (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110750096B (zh) | 静态环境下基于深度强化学习的移动机器人避碰规划方法 | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN111563918B (zh) | 一种多卡尔曼滤波器数据融合的目标跟踪方法 | |
CN109990786A (zh) | 机动目标跟踪方法及装置 | |
CN111667073B (zh) | 一种证据理论改进的模糊卡尔曼滤波目标跟踪方法 | |
CN108426582B (zh) | 行人室内三维地图匹配方法 | |
Maddern et al. | Continuous appearance-based trajectory SLAM | |
CN113910218B (zh) | 一种基于运动学与深度神经网络融合的机器人标定方法和装置 | |
CN111711432B (zh) | 一种基于ukf和pf混合滤波的目标跟踪算法 | |
CN113030940B (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
Kulic et al. | Combining automated on-line segmentation and incremental clustering for whole body motions | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN113701742A (zh) | 一种基于云端与边端融合计算的移动机器人slam方法 | |
CN109115228A (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN111274529B (zh) | 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法 | |
CN117036400A (zh) | 基于混合高斯模型模糊聚类数据关联的多目标群跟踪方法 | |
CN117029817A (zh) | 一种二维栅格地图融合方法及系统 | |
CN111652263B (zh) | 一种基于多滤波器信息融合的自适应目标跟踪方法 | |
CN116908777A (zh) | 基于显式通信带标签伯努利的多机器人随机组网协同导航方法 | |
CN115114985A (zh) | 一种基于集合理论的传感器系统分布式融合方法 | |
Dai et al. | Unsupervised feature fusion combined with neural network applied to UAV attitude estimation | |
CN113850304A (zh) | 一种高准确率的点云数据分类分割改进算法 | |
CN113483769A (zh) | 基于粒子滤波器的车辆自定位方法、系统、设备和介质 | |
Yan et al. | Explainable Gated Bayesian Recurrent Neural Network for Non-Markov State Estimation | |
CN112837351B (zh) | 一种改进的标签多伯努利分布式优化融合跟踪方法 |
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 |