CN111860589B - 一种多传感器多目标协同探测信息融合方法、系统 - Google Patents

一种多传感器多目标协同探测信息融合方法、系统 Download PDF

Info

Publication number
CN111860589B
CN111860589B CN202010538254.4A CN202010538254A CN111860589B CN 111860589 B CN111860589 B CN 111860589B CN 202010538254 A CN202010538254 A CN 202010538254A CN 111860589 B CN111860589 B CN 111860589B
Authority
CN
China
Prior art keywords
track
target
matrix
association
algorithm
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
CN202010538254.4A
Other languages
English (en)
Other versions
CN111860589A (zh
Inventor
杨雪榕
张艳
童鹏飞
曲承志
杨起帆
陈金涛
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010538254.4A priority Critical patent/CN111860589B/zh
Publication of CN111860589A publication Critical patent/CN111860589A/zh
Application granted granted Critical
Publication of CN111860589B publication Critical patent/CN111860589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/35—Details of non-pulse systems
    • G01S7/352—Receivers
    • G01S7/354—Extracting wanted echo-signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明公开了一种多传感器多目标协同探测信息融合方法，包括：获取雷达测量设备的原始数据；对所述原始数据进行预处理，得到处理数据；根据时间配准算法及空间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻及同一时空的观测信息；根据目标关联算法及机动目标模型进行点迹‑航迹关联，以得到目标航迹；根据K‑means算法进行航迹‑航迹关联，以得到精确航迹；根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。本发明提供的多目标协同探测信息融合方案，具备配置灵活、通用性强和可扩展性好的优点；通过机载数据处理单元进行数据实时处理，降低远程控制中心的任务负载，增加方案的时效性和安全性。

Description

一种多传感器多目标协同探测信息融合方法、系统
技术领域
本发明涉及通信技术领域，特别是涉及一种多传感器多目标协同探测信息融合方法、系统。
背景技术
随着无人飞机和机载测量设备性能不断提高，测量模式由过去的单一飞机之间的测量，转变为多种飞机编队联合群体的体系与体系的测量。传统的单架无人飞行器探测模式已无法满足日益复杂的搜救环境等任务的需求。与传统的单一模式探测任务实现方法相比，多架无人飞行器协同探测融合方法具有鲁棒性、灵活性和规模适应性等优势。
但在现有技术中，协同探测任务的完成大都基于地面固定的多个基站对空中飞行的多目标进行测量，将雷达回波测量信息通过无线传输的方式发送到地面数据处理中心，经融合中心的全方位解算获取目标敌机的状态信息，再通过无线信号将指令下达探测载机，这样数据多次的传输就降低了目标探测的实时性，并且在载机失联的情况下，单独个体难以完成探测或跟踪任务。
发明内容
本发明提供多传感器多目标协同探测信息融合方法、系统，通过机载数据处理单元进行数据实时处理，降低远程控制中心的任务负载，增加方案的时效性和安全性。
本发明一个实施例提供一种多传感器多目标协同探测信息融合方法，包括：
获取雷达测量设备的原始数据；
对所述原始数据进行预处理，得到处理数据；其中，所述预处理包括：根据光学望远镜的测角进行跟踪误差修正，根据时间插值对齐的方位角突变进行方位角跳点修正，根据雷达测量距离进行传播延时修正及时间插值对齐；
根据时间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻的观测信息；
根据空间配准算法进行传感器信息配准，以使得所有传感器获得同一空间的观测信息；
根据目标关联算法及机动目标模型进行点迹-航迹关联，以得到目标航迹；
根据K-means算法进行航迹-航迹关联，以得到精确航迹；
根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。
进一步地，所述跟踪误差修正通过以下步骤计算：
其中A(j),E(j),A′(j),E′(j)分别表示修正前后第j个测站当前时刻的方位角和俯仰角测量数据，f为第j个测站的摄影焦距，x(j),y(j)表示当前时刻目标在测站像平面坐标系中的两个跟踪误差量，由实时视频判读给出。
进一步地，所述方位角跳点修正通过以下步骤计算：
其中，A(j)为当前方位角数据，A′(j)为跳点修正后数据；δ0为预设值，一般取值范围在350～360；
所述传播延时修正通过以下步骤计算：
其中光速c＝299792468m/s，R(j)为目标和雷达的距离，T’c(j)为修正后时间，Tc(j)为延时修正前时间。。
所述时间插值对齐通过以下步骤计算：
其中，设备采取的等间隔数据序列为Tc(j),α(j),j＝1,2,3,…，各设备时间对齐后的间隔为0.05s的时间序列为ts(k),k＝1,2,3,…，α′(k)为时间对齐后的数据序列。
进一步地，所述时间配准算法具体包括以下步骤：
获取第一传感器与第二传感器的采样周期τ和T，其中τ:T＝n；
计算第二传感器在k-1至k时刻内的n个观测值构成的集合：
Zn＝[z1，z2，…，zn]T
其中，zn与k时刻第一传感器的观测值同步；
计算z1，z2，…，zn融合后的观测值及其导数
得到第二传感器的观测值可表示为
其中vi表示观测噪声；
计算上式的向量形式：Zn＝WnU+Vn
其中vn＝[v1，v2，…，vn]T，其协方差阵为
而为融合以前观测噪声的方差，同时有
根据最小二乘准则有如下目标函数
要使J最小，将J两边对求偏导，并使其为零，可得
从而有
相应的误差协方差阵为
可得融合以后的观测值及其噪声方差为
其中c1＝-2/n；c2＝6/[n(n+1)]。
进一步地，所述空间配准通算法过以下方式计算：
获取所述第一传感器及所述第二传感器的地理坐标：(La，λa，Ha)和(Lb，λb，Hb)；
获取所述第一传感器及所述第二传感器的ECEF坐标：(xa，ya，za)和(xb，yb，zb)；
获取所述第一传感器及所述第二传感器对于目标Tk的斜距、方位角及俯仰角上的观测值(ra，k，θa，k，ηa，k)和(rb，k，θb，k，ηb，k)及观测误差(Δra，Δθa，Δηa)和(Δrb，Δθb，Δηb)；
通过所述第一传感器及第二传感器的观测值计算笛卡尔坐标：
将所述笛卡尔坐标转化为ECEF坐标：
其中[xg，k，yg，k，zg，k]为目标Tk的ECEF坐标；
根据所述第一传感器与所述第二传感器所测得的为同一目标，得到：
x a+Ra x al，k＝x b+Rb x bl，k
其中Ra和Rb分别为旋转矩阵，得到
令ξa＝[Δra，Δθa，Δηa]T，ξb＝[Δrb，Δθb，Δηb]T假设系统误差相对较小，则可用一阶近似展开为
其中xae，k和xbe，k分别为传感器a和b对于目标Tk观测值的ECEF笛卡尔坐标，Ja，k和Jb，k分别表示x′al，k和x′bl，k相对于ξa和ξb在ξa＝0和ξb＝0处计算得到的雅克比矩阵，可由下式计算
将其表示为矩阵形式，可得
Lk ξ＝Δx k
其中Δx k＝x be，k-x ae，k，Lk＝[RaJa，k，-Rb，Jb，k]。
上式为ECEF空间配准算法的基本方程。理论上来说，对于单个量测，上式的解并是不唯一的，需要多个目标量测。当有K(K＞1)个量测时，传感器误差可以由如下方程的最小二乘解求得
其中
也就是
其中假定L列满秩，使ξ能被唯一地求解得到。
进一步地，所述目标关联算法通过以下步骤计算：
通过新息协方差矩阵S(k)和新息向量dt(k)，确定新息向量gt(k)＝[dt(k)]TS-1(k)dt(k)
检测gt(k)是否小于某一门限，gt(k)≤γt
其中，γt为第t个目标关联区域的大小；
若满足条件，则满足该条件的回波是为关联区域内的有效回波；
计算确定矩阵
其中，ωjt是二进制变量；ωjt＝1表示第j个量测回波落入第t个目标的确认门内；ωjt＝0表示第j个量测回波没有落入第t个目标的确认门内；下标符号j∈{1,2,...,mk}，t∈{0,1,...,T}，确认矩阵第1列即t＝0的列表示回波不源于目标，该列对应的列元素ωj0全部为1，因为每个量测都有可能源自杂波或是虚警；
对确认矩阵Ω进行拆分，得到L个互联矩阵
其中，θi表示第i个可行互联事件，对应第i个互联矩阵为第i个互联矩阵的元素，表示第j个量测与第t个目标的关联状态；
计算每个互联矩阵对应事件的概率，从而得到每个有效回波与可能源自的目标互联的概率βjt(k)，其中βjt(k)满足等式
其中，mk为有效回波个数。
计算关联概率βjt(k)的正式定义为条件概率：
βjt(k)＝Pr{θjt(k)|Z(k)},j＝1,2,...,mk,t＝0,1,...,T
其中，β0t(k)代表k时刻目标t漏检的概率。
在JPDA算法中，关联概率βjt(k)的计算公式为
其中，Pr{θi|Zk}为第i个可行关联事件θi的后验概率，第i个可行关联事件θi对应为确认矩阵拆分后得到第i个互联矩阵Zk为到k时刻的累积量测集合；/>为第i个可行关联事件θi所对应的互联矩阵/>中量测j与目标t的关联状态；L为可行关联事件θi的总数，即确认矩阵Ω拆分后得到的互联矩阵/>总数。
进一步地，所述机动目标模型通过以下步骤计算：
获取r个运动模型，并得到状态方程式：
X(k+1)＝FjX(k)+Wj(k),j＝1,2,3…,r
其中，X(k)为系统的状态向量，Fj为目标的状态转移矩阵，Wj(k)为均值为零，协方差为Qj的高斯白噪声。
模型中任意模型j的观测方程为：
Z(k)＝HjX(k)+Vj(k)
其中，Z(k)为量测向量，Hj为模型j的观测矩阵，Vj(k)为均值为零，协方差为Rj的高斯白噪声。
模型转换矩阵可以表示为：
其中，pij表示模型i到模型j的转移矩阵。
进一步地，所述根据K-means算法进行航迹-航迹关联通过以下步骤：
S1、确定初始聚类中心；具体包括：
假设系统航迹集合为Ts，来自各个传感器的局部航迹集合为Tp：
Ts＝{1,2,…,ns}
Tp＝{1,2,…,np}
式中，系统航迹集合中系统航迹数目为ns，记为
T局部航迹集合中局部航迹数目为np，记为
将每一条系统航迹设定为一个初始聚类中心，则共有ns个初始聚类中心；
S2、计算每条局部航迹和质心间的距离；具体包括：
将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为距离测度，具体定义如下：
局部航迹i(1≤i≤np)和系统航迹j(1≤j≤ns)的欧式距离定义为
局部航迹i和系统航迹j状态向量为
xi(k)＝[ri1(k),ri2(k),ri3(k)]T
xj(k)＝[rj1(k),rj2(k),rj3(k)]T
局部航迹i和系统航迹j状态向量在1范数定义的距离为
d＝||xi(k)-xj(k)||1
航迹i和航迹j的距离测度定义为
dij＝dis+d；
S3、计算质心；具体包括：
重新计算各个聚类Si(1≤i≤k)中局部航迹xpi(xpi∈Si)在t时刻点迹的均值ui，得到新的质心作为下一次计算的中心点。
式中，V为所有数据元素的均方差之和，ui为聚类Si的质心(均值)，Ni为聚类Si中数据对象的个数；
S4、根据局部航迹与系统航迹关联情况，实现局部航迹处理；其中，所述局部航迹处理为建立新的系统航迹及丢弃局部航迹任意一种。
进一步地，所述融合算法通过以下步骤计算：
PK+1/K+1＝(I-KK+1HK+1)PK+1/K
其中为最佳估值，/>为状态预报，KK+1为修正系数或称滤波增益矩阵。PK+1/K为预测估值的协方差矩阵，PK+1/K+1为估值协方差矩阵。
本发明一个实施例提供一种多传感器多目标协同探测信息融合系统，包括：
原始数据获取模块，用于获取雷达测量设备的原始数据；
预处理模块，用于对所述原始数据进行预处理，得到处理数据；其中，所述预处理包括：根据光学望远镜的测角进行跟踪误差修正，根据时间插值对齐的方位角突变进行方位角跳点修正，根据雷达测量距离进行传播延时修正及时间插值对齐；
时间配准模块，用于根据时间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻的观测信息；
空间配准模块，用于根据空间配准算法进行传感器信息配准，以使得所有传感器获得同一空间的观测信息；
点迹-航迹关联模块，用于根据目标关联算法及机动目标模型进行点迹-航迹关联，以得到目标航迹；
航迹-航迹关联模块，用于根据K-means算法进行航迹-航迹关联，以得到精确航迹；
融合处理模块，用于根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。
与现有技术相比，本发明实施例的有益效果在于：
(1)多雷达测量设备协同探测融合技术，具有巨大的协同搜救优势并且低成本，组成适应搜救任务和搜救环境的任务集群，具备很高的灵活性，而且其无中心化模式，使维护和升级难度大大降低，必将成为未来搜救应用的主要模式。
(2)多雷达测量设备协同探测融合技术是通过对多探测源获得目标测量信息融合对多个目标分别建立航迹，实现在惯性空间内的目标位置定位与速度矢量确认，进而进行目标分配以形成末制导指令。
(3)与传统的单一模式探测任务实现方法相比，多雷达测量设备协同探测融合方法具有鲁棒性、灵活性和规模适应性等优势。
(4)随着多雷达测量设备协同探测融合技术的发展，主动、被动、红外等雷达测量设备，已经成为了多雷达测量设备协同探测融合技术研究的主要对象，其应用领域也随着研究的深入而不断扩大。依赖空基、地基、天基等不同探测平台，极大提升多雷达测量设备协同探测试验态势感知的能力。
(5)机动平台之间，通过自组织网络通信，自主协同控制完成危险目标状态监视与监控的，减少了遥控操作，增强了系统的自适应能力，有利于增强系统安全性和鲁棒性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的一种多传感器多目标协同探测信息融合方法的流程图；
图2是本发明另一实施例提供的一种多传感器多目标协同探测信息融合方法的流程图；
图3是本发明某一实施例提供的一种机动目标建模算法步骤的流程图；
图4是本发明某一实施例提供的一种多目标数据关联的计算方法的流程图；
图5是本发明某一实施例提供的一种航迹-航迹关联方法的流程图；
图6是本发明某一实施例提供的一种多传感器多目标协同探测信息融合系统的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
第一方面。
请参阅图1，本发明提供一种多传感器多目标协同探测信息融合方法，包括：
S10、获取雷达测量设备的原始数据。
S20、对所述原始数据进行预处理，得到处理数据；其中，所述预处理包括：根据光学望远镜的测角进行跟踪误差修正，根据时间插值对齐的方位角突变进行方位角跳点修正，根据雷达测量距离进行传播延时修正及时间插值对齐。
S30、根据时间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻的观测信息。
S40、根据空间配准算法进行传感器信息配准，以使得所有传感器获得同一空间的观测信息。
S50、根据目标关联算法及机动目标模型进行点迹-航迹关联，以得到目标航迹。
S60、根据K-means算法进行航迹-航迹关联，以得到精确航迹。
S70、根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。
融合基于空中机动平台在探测环境中实时获取的多目标雷达回波信号，在多传感器间通过数据链通信进而确定运动目标在大地坐标系中唯一的实时绝对位置等运动状态信息。该方案针对多架无人飞行器协同中的多目标识别与关联、时空基准误差校准、数据链延迟与不可靠传输下的数据处理、雷达测量设备信息与共享信息综合融合估计等关键技术开展研究。根据不同类型(主动雷达、被动雷达、红外雷达等)的雷达的组合，将运动多目标的雷达信号回波信息，利用卡尔曼滤波或其延伸的滤波融合技术，可实现不同类型雷达信息的互补和充分利用。所述的融合技术不仅包含卡尔曼滤波手段，亦包含其变种或者粒子滤波、贝叶斯概率融合技术等。空中机动平台包括无人直升机、涵道式无人飞行器、旋翼式无人机中的一种或几种等；使用相同的多目标协同探测信息融合方案和相同传感器组合时，定位性能在不同无人飞行设备上具有一致性。与传统固定探测基站和数据处理融合中心的多目标协同探测不同，本技术手段无需耗费大量的人力/物力建立具有高性能的地面数据处理融合中心，搭载雷达测量设备的载机的定位参考信息不是固定的，每时每刻都在发生着变化。基于目标关联JPDA算法与交互式多模型(IMM)进行多目标关联(点迹-航迹关联)，利用K-means方法进行航迹-航迹的关联，最后通过卡尔曼滤波的多种数据融合方式进行目标唯一可靠航迹的建立，其中使用交互式多模型(IMM)可建立一种适用于高机动目标跟踪模型。
多雷达测量设备多目标协同探测信息融合系统主要架构及其与外部的接口如图2所示，图中虚线箭头代表模块的依赖性。模块包含点迹-航迹关联、航迹-航迹关联、数据融合等模块。基本函数库是底层动态库，为多雷达多目标协同探测模块提供必要的用公共数学函数和坐标变换函数等。多雷达多目标协同探测模块接收预处理模块的测量信息并形成点迹，实现数据与参数接入。模块逐步进行航迹判断及关联性分析，获得测量与目标的匹配关系将在综合显示控制软件进行显示，以便于操作人员实时监视航迹计算情况，采取必要的干预措施，同时航迹形成情况也可作为设备跟踪资源调度的参考。鉴于实时性和通用性要求，模块的点迹-航迹关联模块采用数据驱动方式，当有新的测量数据时，自动进行数据提取与分析处理；每个计算时刻对所有航迹数据更新和关联情况进行分析处理，驱动定时器和响应定时器的方式根据软件运行环境定制。
在某一具体的实施例中，进行数据预处理。
本系统的输入信息主要来自雷达测量设备，轴系误差、动态滞后等误差主要在设备端完成，预处理包括跟踪误差修正、方位角跳点修正、数据时间误差修正与时间对齐、折射误差修正、数据合理性检择等。
1)跟踪误差修正
跟踪误差修正针对光学望远镜的测角结果进行，如GW-211，GW-1204，GW-1205等的A角和E角。修正公式如下
/>
其中A(j),E(j),A′(j),E′(j)分别表示修正前后第j个测站当前时刻的方位角和俯仰角测量数据。f为第j个测站的摄影焦距，x(j),y(j)表示当前时刻目标在测站像平面坐标系中的两个跟踪误差量，由实时视频判读给出。
2)方位角跳点修正
方位角的跳点修正主要是针对时间插值对齐时，方位角度突变的情况展开的。
设当前方位角数据为A(j)，跳点修正后为A′(j)，检验前应保证开始两帧数据A′(j)＝A(j),j＝1,2是正确的，即|A(2)-A(1)|≤δ0，其中δ0是预先给定的门限，一般取值范围在350～360。处理过程如下，判断
|A′(j-1)-A(j)|>δ0
若是，则认为A(j)是跳点，修正后的数据为
3)传播时延修正
对于雷达测量的目标距离，使用下式代替Tc(j)，进行时间插值对齐
其中光速c＝299792468m/s，R(j)为目标和雷达的距离，脉冲雷达的R(j)可直接测量得到。
4)时间插值对齐
设设备采取的等间隔数据序列为Tc(j),α(j),j＝1,2,3,…，各设备时间对齐后的间隔为0.05s的时间序列为ts(k),k＝1,2,3,…，则相应的插值计算公式为
其中
5)合理性检验
对于测量设备的方位角、俯仰角测量数据，脉冲雷达测量设备的距离、方位角、俯仰角测量数据，连续波雷达测量设备的测速数据，需进行合理性检验。合理性检验主要是为了剔除测元中的野值，避免含有粗大误差的测量值通过滤波器，进而影响跟踪精度。这里采用基于五点线性预报方法的面向测元的检择算法。
在某一具体的实施例中，进行时间配准。
首先，选定某个时间作为标准时间，将所有传感器的时间都统一到该标准时间上，使所有传感器能够获得同一时刻的观测信息；然后各传感器将观测信息都发送到融合中心后，采用时间配准算法，将各传感器的信息配准到采样周期较长的某个传感器信息上。
假设有两个传感器A和B，采样周期分别为τ和T，其中τ:T＝n。在传感器A的一个采样周期τ时间间隔内，传感器B有n次观测值，可以采用最小二乘法，将传感器B这n次观测值融合成在传感器A采样时刻上的单个观测值，这样就可以消除由各种时间偏差造成的对目标量测的不同步，从而避免时间偏差对融合的影响。
用Zn＝[z1，z2，…，zn]T表示传感器B在k-1至k时刻内的n个观测值构成的集合，zn与k时刻传感器A的观测值同步，若用表示z1，z2，…，zn融合后的观测值及其导数，则传感器B的观测值可表示为
其中vi表示观测噪声。上式可改写为向量形式
Zn＝WnU+Vn
其中vn＝[v1，v2，…，vn]T，其协方差阵为
而为融合以前观测噪声的方差，同时有
根据最小二乘准则有如下目标函数
要使J最小，将J两边对求偏导，并使其为零，可得
从而有
相应的误差协方差阵为
可得融合以后的观测值及其噪声方差为
其中c1＝-2/n；c2＝6/[n(n+1)]。
在某一具体实施例中，进行空间配准。
基于ECEF坐标系的空间配准算法，不同于基于立体投影在一个两维区域平面上实现的一些配准算法，它是直接在三维空间对传感器的偏差进行估计的。
设(La，λa，Ha)和(Lb，λb，Hb)分别表示传感器a和b的地理坐标，(xa，ya，za)和(xb，yb，zb)分别表示传感器a和b的ECEF坐标，Tk表示第k个目标(ra，k，θa，k，ηa，k)和(rb，k，θb，k，ηb，k)分别为传感器a和b对于Tk的在斜距、方位角和俯仰角上观测值，(Δra，Δθa，Δηa)和(Δrb，Δθb，Δηb)为传感器a和b的观测误差。
传感器a和b对Tk的观测值转换为笛卡尔坐标分别表示为
将Tk的笛卡儿坐标转换成ECEF坐标为
其中[xg，k，yg，k，zg，k]为目标Tk的ECEF坐标，由于传感器a和b测量的是同一目标Tk，所以上边两式相等，则有
x a+Ra x al，k＝x b+Rb x bl，k
其中Ra和Rb分别为旋转矩阵，同时
令ξa＝[Δra，Δθa，Δηa]T，ξb＝[Δrb，Δθb，Δηb]T假设系统误差相对较小，则可用一阶近似展开为
xae，k+RaJa，k ξ a＝x be，k+RbJb，k ξ b
其中xae，k和xbe，k分别为传感器a和b对于目标Tk观测值的ECEF笛卡尔坐标，Ja，k和Jb，k分别表示x′al，k和x′bl，k相对于ξa和ξb在ξa＝0和ξb＝0处计算得到的雅克比矩阵，可由下式计算
将其表示为矩阵形式，可得
Lk ξ＝Δx k
其中Δx k＝x be，k-x ae，k，Lk＝[RaJa，k，-RbJb，k]。
上式为ECEF空间配准算法的基本方程。理论上来说，对于单个量测，上式的解并是不唯一的，需要多个目标量测。当有K(K＞1)个量测时，传感器误差可以由如下方程的最小二乘解求得
Lξ＝Δx
其中
也就是
其中假定L列满秩，使ξ能被唯一地求解得到。
在某一具体实施例中，进行点迹-航迹关联。
(1)利用新息协方差矩阵S(k)和新息向量dt(k)，可以确定量测是否为有效回波，对新息向量按下列式子进行确认
gt(k)＝[dt(k)]TS-1(k)dt(k)
检测gt(k)是否小于某一门限，即
gt(k)≤γt
γt定义了第t个目标关联区域的大小，满足该条件的回波视为关联区域内的有效回波。
(2)在多回波环境下对t个目标跟踪的时候，要对接收到的所有(mk个)回波与T个目标分别进行关联计算，得到T个目标的候选回波集。当回波落在不同目标的波门相交区域时，需要综合考虑回波来自不同目标的概率，为此在JPDA算法中定义了确认矩阵的概念
式中，ωjt是二进制变量；ωjt＝1表示第j个量测回波落入第t个目标的确认门内；ωjt＝0表示第j个量测回波没有落入第t个目标的确认门内；下标符号j∈{1,2,...,mk}，t∈{0,1,...,T}，确认矩阵第1列即t＝0的列表示回波不源于目标，该列对应的列元素ωj0全部为1，因为每个量测都有可能源自杂波或是虚警。
(3)对确认矩阵Ω进行拆分，得到L个互联矩阵
式中，θi表示第i个可行互联事件，对应第i个互联矩阵为第i个互联矩阵的元素，表示第j个量测与第t个目标的关联状态。从而一一确认可行互联事件。
(4)然后计算每个互联矩阵对应事件的概率，从而得到每个有效回波与可能源自的目标互联的概率βjt(k)，注意βjt(k)满足等式
式中，mk为有效回波个数。
k时刻量测j与目标t的关联概率βjt(k)的计算是JPDA算法的核心。定义事件θjt(k)表示量测j来源于目标t。特别地，当t＝0表示量测j来源于虚警或杂波。关联概率βjt(k)的正式定义为条件概率：
βjt(k)＝Pr{θjt(k)|Z(k)},j＝1,2,...,mk,t＝0,1,...,T
特别地，β0t(k)代表k时刻目标t漏检的概率。
在JPDA算法中，关联概率βjt(k)的计算公式为
式中，Pr{θi|Zk}为第i个可行关联事件θi的后验概率，第i个可行关联事件θi对应为确认矩阵拆分后得到第i个互联矩阵Zk为到k时刻的累积量测集合；/>为第i个可行关联事件θi所对应的互联矩阵/>中量测j与目标t的关联状态；L为可行关联事件θi的总数，即确认矩阵Ω拆分后得到的互联矩阵/>总数。
在某一具体实施例中，进行进行机动目标建模。
在任意跟踪时刻，通过设置对应目标可能模型数量的模型滤波器来进行实时的机动模型检测，对每一个滤波器设置权重系数和模型更新的概率，最后加权计算得出当前最优估计状态，从而达到模型自适应跟踪的目的。
如图3-4所示，假设在交互式多模型算法中设置r个运动模型，其状态方程如下：
X(k+1)＝FjX(k)+Wj(k),j＝1,2,3…,r
其中，X(k)为系统的状态向量，Fj为目标的状态转移矩阵，Wj(k)为均值为零，协方差为Qj的高斯白噪声。
模型中任意模型j的观测方程为：
Z(k)＝HjX(k)+Vj(k)
其中，Z(k)为量测向量，Hj为模型j的观测矩阵，Vj(k)为均值为零，协方差为Rj的高斯白噪声。
模型转换矩阵可以表示为：
其中，pij表示模型i到模型j的转移矩阵。
在某一具体实施例中，进行航迹-航迹关联。
采用K-means聚类的方法进行航迹关联。如图5所示，设定每条系统航迹为一个初始聚类中心而不必考虑环境中目标真实数目未知的问题，并且对K-means聚类中使用距离作为相似度测度提出改进，在距离上增加系统航迹与局部航迹的状态向量在1范数下的距离，设定距离门限值以减少极端数据对聚类结果的影响，并增加多义性处理。
基于K-means算法的航迹-航迹关联算法实现过程描述如下：
Step1:确定k个初始聚类中心
假设系统航迹集合为Ts，来自各个传感器的局部航迹集合为Tp:
Ts＝{1,2,…,ns}
Tp＝{1,2,…,np}
式中，系统航迹集合中系统航迹数目为ns，记为
T局部航迹集合中局部航迹数目为np，记为
将每一条系统航迹设定为一个初始聚类中心，则共有ns个初始聚类中心。
Step 2：计算每条局部航迹和质心间的距离
将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为距离测度，具体定义如下：
局部航迹i(1≤i≤np)和系统航迹j(1≤j≤ns)的欧式距离定义为
局部航迹i和系统航迹j状态向量为
xi(k)＝[ri1(k),ri2(k),ri3(k)]T
xj(k)＝[rj1(k),rj2(k),rj3(k)]T
局部航迹i和系统航迹j状态向量在1范数定义的距离为
d＝||xi(k)-xj(k)||1
航迹i和航迹j的距离测度定义为
dij＝dis+d
在分配的过程中增加多义性处理。当两条航迹在公共区间有交叉时，同一传感器观测的不同目标的局部航迹和同一系统航迹之间的距离可能相等或者相差非常小，则同一个传感器的两条局部航迹则可能被分配到同一个聚类中。而在单个处理周期内，同一传感器输出的不同局部航迹不可能属于同一目标，此时需要进行多义性处理。这种情况下，算法将局部航迹重新分配到距离次小的聚类中。经过多义性处理之后，分配到每个系统航迹聚类中的局部航迹均来自不同的传感器。
Step 3：重新计算质心
(1)重新计算各个聚类Si(1≤i≤k)中局部航迹xpi(xpi∈Si)在t时刻点迹的均值ui，得到新的质心作为下一次计算的中心点。
式中，V为所有数据元素的均方差之和，ui为聚类Si的质心(均值)，Ni为聚类Si中数据对象的个数。
表明各个类之间已经尽可能地被分离，而类本身已经尽可能地聚拢，迭代即可终止，输出航迹关联结果。
Step 4：不相关的局部航迹处理
当一个局部航迹没有被分配到任何一个聚类中时，则表示该局部航迹不能与任何系统航迹关联，程序将根据该局部航迹的情况决定是否新建一个新的系统航迹或者将该局部航迹丢弃。
在某一具体实施例中，进行信息融合。
融合算法(EKF)：在上述条件之下Kalman滤波的基本方程可给出如下：
/>
PK+1/K+1＝(I-KK+1HK+1)PK+1/K
上边五个式子一套完整的Kalman滤波基本公式，其中为最佳估值，/>为状态预报，KK+1为修正系数或称滤波增益矩阵。PK+1/K为预测估值的协方差矩阵，PK+1/K+1为估值协方差矩阵。
第二方面。
请参阅图6，本发明提供一种多传感器多目标协同探测信息融合系统，包括：
原始数据获取模块10用于获取雷达测量设备的原始数据；
预处理模块20用于对所述原始数据进行预处理，得到处理数据；其中，所述预处理包括：根据光学望远镜的测角进行跟踪误差修正，根据时间插值对齐的方位角突变进行方位角跳点修正，根据雷达测量距离进行传播延时修正及时间插值对齐；
时间配准模块30用于根据时间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻的观测信息；
空间配准模块40用于根据空间配准算法进行传感器信息配准，以使得所有传感器获得同一空间的观测信息；
点迹-航迹关联模块50用于根据目标关联算法及机动目标模型进行点迹-航迹关联，以得到目标航迹；
航迹-航迹关联模块60用于根据K-means算法进行航迹-航迹关联，以得到精确航迹；
融合处理模块70用于根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (6)

1.一种多传感器多目标协同探测信息融合方法，其特征在于，包括：
获取雷达测量设备的原始数据；
对所述原始数据进行预处理，得到处理数据；其中，所述预处理包括：根据光学望远镜的测角进行跟踪误差修正，根据时间插值对齐的方位角突变进行方位角跳点修正，根据雷达测量距离进行传播延时修正及时间插值对齐；
根据时间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻的观测信息；所述时间配准算法具体包括以下步骤：
获取第一传感器与第二传感器的采样周期τ和T，其中τ:T＝n；
计算第二传感器在k-1至k时刻内的n个观测值构成的集合：
Zn＝[z1，z2，…，zn]T
其中，zn与k时刻第一传感器的观测值同步；
计算z1，z2，…，zn融合后的观测值及其导数
得到第二传感器的观测值可表示为
其中vi表示观测噪声；
计算上式的向量形式：Zn＝WnU+Vn
其中vn＝[v1，v2，…，vn]T，其协方差阵为
而为融合以前观测噪声的方差，同时有
根据最小二乘准则有如下目标函数
要使J最小，将J两边对求偏导，并使其为零，可得
从而有
相应的误差协方差阵为
可得融合以后的观测值及其噪声方差为
其中c1＝-2/n；c2＝6/[n(n+1)]；
根据空间配准算法进行传感器信息配准，以使得所有传感器获得同一空间的观测信息；
根据目标关联算法及机动目标模型进行点迹-航迹关联，以得到目标航迹；所述目标关联算法通过以下步骤计算：
通过新息协方差矩阵S(k)和新息向量dt(k)，确定新息向量
gt(k)＝[dt(k)]TS-1(k)dt(k)
检测gt(k)是否小于某一门限，gt(k)≤γt
其中，γt为第t个目标关联区域的大小；
若满足条件，则满足该条件的回波是为关联区域内的有效回波；
计算确定矩阵
其中，ωjt是二进制变量；ωjt＝1表示第j个量测回波落入第t个目标的确认门内；ωjt＝0表示第j个量测回波没有落入第t个目标的确认门内；下标符号j∈{1,2,...,mk}，t∈{0,1,...,T}，确认矩阵第1列即t＝0的列表示回波不源于目标，该列对应的列元素ωj0全部为1，因为每个量测都有可能源自杂波或是虚警；
对确认矩阵Ω进行拆分，得到L个互联矩阵
其中，θi表示第i个可行互联事件，对应第i个互联矩阵 为第i个互联矩阵的元素，表示第j个量测与第t个目标的关联状态；
计算每个互联矩阵对应事件的概率，从而得到每个有效回波与可能源自的目标互联的概率βjt(k)，其中βjt(k)满足等式
其中，mk为有效回波个数；
计算关联概率βjt(k)的正式定义为条件概率：
βjt(k)＝Pr{θjt(k)|Z(k)},j＝1,2,...,mk,t＝0,1,...,T
其中，βjt(k)代表k时刻目标t漏检的概率；
在JPDA算法中，关联概率βjt(k)的计算公式为
其中，Pr{θi|Zk}为第i个可行关联事件θi的后验概率，第i个可行关联事件θi对应为确认矩阵拆分后得到第i个互联矩阵Zk为到k时刻的累积量测集合；/>为第i个可行关联事件θi所对应的互联矩阵/>中量测j与目标t的关联状态；L为可行关联事件θi的总数，即确认矩阵Ω拆分后得到的互联矩阵/>总数；
所述机动目标模型通过以下步骤计算：
获取r个运动模型，并得到状态方程式：
X(k+1)＝FjX(k)+Wj(k),j＝1,2,3…,r
其中，X(k)为系统的状态向量，Fj为目标的状态转移矩阵，Wj(k)为均值为零，协方差为Qj的高斯白噪声；
模型中任意模型j的观测方程为：
Z(k)＝HjX(k)+Vj(k)
其中，Z(k)为量测向量，Hj为模型j的观测矩阵，Vj(k)为均值为零且协方差为Rj的高斯白噪声；
模型转换矩阵可以表示为：
其中，pij表示模型i到模型j的转移矩阵；
根据K-means算法进行航迹-航迹关联，以得到精确航迹；
根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。
2.如权利要求1所述的一种多传感器多目标协同探测信息融合方法，其特征在于，所述跟踪误差修正通过以下步骤计算：
其中A(j),E(j),A′(j),E′(j)分别表示修正前后第j个测站当前时刻的方位角和俯仰角测量数据，f为第j个测站的摄影焦距，x(j),y(j)表示当前时刻目标在测站像平面坐标系中的两个跟踪误差量，由实时视频判读给出。
3.如权利要求1所述的一种多传感器多目标协同探测信息融合方法，其特征在于，所述方位角跳点修正通过以下步骤计算：
其中，A(j)为当前方位角数据，A′(j)为跳点修正后数据；δ0为预设值，一般取值范围在350～360；
所述传播延时修正通过以下步骤计算：
其中光速c＝299792468m/s，R(j)为目标和雷达的距离，T’c(j)为修正后时间，Tc(j)为延时修正前时间；
所述时间插值对齐通过以下步骤计算：
其中，设备采取的等间隔数据序列为Tc(j),α(j),j＝1,2,3,…，各设备时间对齐后的间隔为0.05s的时间序列为ts(k),k＝1,2,3,…，α′(k)为时间对齐后的数据序列。
4.如权利要求1所述的一种多传感器多目标协同探测信息融合方法，其特征在于，所述根据K-means算法进行航迹-航迹关联通过以下步骤：
S1、确定初始聚类中心；具体包括：
假设系统航迹集合为Ts，来自各个传感器的局部航迹集合为Tp：
Ts＝{1,2,…,ns}
Tp＝{1,2,…,np}
式中，系统航迹集合中系统航迹数目为ns，记为
T局部航迹集合中局部航迹数目为np，记为
将每一条系统航迹设定为一个初始聚类中心，则共有ns个初始聚类中心；
S2、计算每条局部航迹和质心间的距离；具体包括：
将系统航迹与局部航迹的欧式距离以及其状态向量在1范数下的距离之和作为距离测度，具体定义如下：
局部航迹i，1≤i≤np和系统航迹j,1≤j≤ns的欧式距离定义为
局部航迹i和系统航迹j状态向量为
xi(k)＝[ri1(k),ri2(k),ri3(k)]T
xj(k)＝[rj1(k),rj2(k),rj3(k)]T
局部航迹i和系统航迹j状态向量在1范数定义的距离为
d＝||xi(k)-xj(k)||1
航迹i和航迹j的距离测度定义为xpi,xpi∈Si
dij＝dis+d；
S3、计算质心；具体包括：
重新计算各个聚类Si,1≤i≤k中局部航迹xpi,xpi∈Si在t时刻点迹的均值ui，得到新的质心作为下一次计算的中心点；
式中，V为所有数据元素的均方差之和，ui为聚类Si的质心，所述质心取均值，Ni为聚类Si中数据对象的个数；
S4、根据局部航迹与系统航迹关联情况，实现局部航迹处理；其中，所述局部航迹处理为建立新的系统航迹及丢弃局部航迹任意一种。
5.如权利要求1所述的一种多传感器多目标协同探测信息融合方法，其特征在于，所述融合算法通过以下步骤计算：
PK+1/K+1＝(I-KK+1HK+1)PK+1/K
其中为最佳估值，/>为状态预报，KK+1为修正系数或称滤波增益矩阵，PK+1/K为预测估值的协方差矩阵，PK+1/K+1为估值协方差矩阵。
6.一种多传感器多目标协同探测信息融合系统，其特征在于，执行如权利要求1至5任一项所述的一种多传感器多目标协同探测信息融合方法，所述系统包括：
原始数据获取模块，用于获取雷达测量设备的原始数据；
预处理模块，用于对所述原始数据进行预处理，得到处理数据；其中，所述预处理包括：根据光学望远镜的测角进行跟踪误差修正，根据时间插值对齐的方位角突变进行方位角跳点修正，根据雷达测量距离进行传播延时修正及时间插值对齐；
时间配准模块，用于根据时间配准算法进行传感器信息配准，以使得所有传感器获得同一时刻的观测信息；
空间配准模块，用于根据空间配准算法进行传感器信息配准，以使得所有传感器获得同一空间的观测信息；
点迹-航迹关联模块，用于根据目标关联算法及机动目标模型进行点迹-航迹关联，以得到目标航迹；
航迹-航迹关联模块，用于根据K-means算法进行航迹-航迹关联，以得到精确航迹；
融合处理模块，用于根据融合算法对所述处理数据进行融合处理，以得到追踪目标的精确航迹及实时运动参数。
CN202010538254.4A 2020-06-12 2020-06-12 一种多传感器多目标协同探测信息融合方法、系统 Active CN111860589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010538254.4A CN111860589B (zh) 2020-06-12 2020-06-12 一种多传感器多目标协同探测信息融合方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010538254.4A CN111860589B (zh) 2020-06-12 2020-06-12 一种多传感器多目标协同探测信息融合方法、系统

Publications (2)

Publication Number Publication Date
CN111860589A CN111860589A (zh) 2020-10-30
CN111860589B true CN111860589B (zh) 2023-07-18

Family

ID=72986812

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010538254.4A Active CN111860589B (zh) 2020-06-12 2020-06-12 一种多传感器多目标协同探测信息融合方法、系统

Country Status (1)

Country Link
CN (1) CN111860589B (zh)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112303765B (zh) * 2020-11-05 2023-11-21 青岛海信日立空调系统有限公司 一种空调器和控制方法
CN112348882A (zh) * 2020-11-13 2021-02-09 北京环境特性研究所 一种基于多源探测器的低空目标跟踪信息融合方法和系统
CN112528763A (zh) * 2020-11-24 2021-03-19 浙江大华汽车技术有限公司 一种目标检测方法、电子设备和计算机存储介质
CN112613532B (zh) * 2020-11-26 2023-08-01 西安电子科技大学 基于雷达与循环神经网络补全红外融合的动目标跟踪方法
CN112488029B (zh) * 2020-12-10 2022-07-08 重庆邮电大学 一种基于空地协同的车辆检测方法
CN112580702B (zh) * 2020-12-10 2024-01-23 深圳技术大学 多传感器协同感知方法及装置
CN112984718A (zh) * 2020-12-18 2021-06-18 四川虹美智能科技有限公司 基于人体跟踪的智能空调控制方法、装置及系统
CN112712549A (zh) * 2020-12-31 2021-04-27 上海商汤临港智能科技有限公司 数据处理方法、装置、电子设备以及存储介质
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
CN112885097B (zh) * 2021-02-07 2023-01-10 云控智行(上海)汽车科技有限公司 一种基于跨点位的路侧融合管理方法及系统
CN113511194A (zh) * 2021-04-29 2021-10-19 无锡物联网创新中心有限公司 一种纵向避撞预警方法及相关装置
CN113639594B (zh) * 2021-05-27 2022-05-03 西北工业大学 一种多弹协同系统的模糊关联融合方法
CN113484857B (zh) * 2021-06-29 2024-04-12 北京理工大学 多源异构点迹融合的跟踪方法、装置、设备及存储介质
CN113484866B (zh) * 2021-07-05 2022-04-29 哈尔滨工程大学 一种基于被动声呐方位历程图的多目标检测跟踪方法
CN113447027B (zh) * 2021-07-16 2022-03-08 电信科学技术第五研究所有限公司 一种基于几何图形的目标融合过滤方法
CN113721240B (zh) * 2021-08-27 2024-03-15 中国第一汽车股份有限公司 一种目标关联方法、装置、电子设备及存储介质
CN113902056B (zh) * 2021-10-20 2022-04-19 四川大学 基于Copula理论的多维异构信息融合识别方法
CN114323115B (zh) * 2021-11-12 2023-04-25 北京市燃气集团有限责任公司 一种多传感器数据融合方法及装置
CN113933876B (zh) * 2021-11-16 2023-05-23 西南电子技术研究所（中国电子科技集团公司第十研究所） 多星通讯时差定位数据融合处理方法
CN114296069A (zh) * 2021-12-23 2022-04-08 青岛科技大学 一种基于视觉雷达的小天体探测器多模型导航方法
CN114065876B (zh) * 2022-01-11 2022-04-12 华砺智行(武汉)科技有限公司 基于路侧多传感器的数据融合方法、装置、系统及介质
CN114415168A (zh) * 2022-01-18 2022-04-29 舟山市质量技术监督检测研究院 一种无人水面艇航迹融合方法及装置
CN114485760B (zh) * 2022-01-26 2023-10-31 震坤行工业超市(上海)有限公司 传感器校准方法、电子设备、介质及系统
CN114739448A (zh) * 2022-03-09 2022-07-12 中铁第四勘察设计院集团有限公司 一种数据处理方法、系统、装置和存储介质
CN115373419B (zh) * 2022-08-23 2023-07-11 中国人民解放军陆军炮兵防空兵学院 一种超低空飞行器侦察监视方法及装置
CN115600158B (zh) * 2022-12-08 2023-04-18 奥特贝睿(天津)科技有限公司 一种无人车多传感器融合方法
CN115979350A (zh) * 2023-03-20 2023-04-18 北京航天华腾科技有限公司 一种海洋监测设备数据采集系统
CN116380148B (zh) * 2023-04-06 2023-11-10 中国人民解放军93209部队 多传感器目标跟踪系统的两级时空误差标校方法及装置
CN116861175A (zh) * 2023-06-16 2023-10-10 云浮市赢石网络科技有限公司 一种基于神经网络的运行轨迹校正方法
CN117390830A (zh) * 2023-09-25 2024-01-12 中国人民解放军海军航空大学 一种无人飞行器跨平台制导仿真方法、系统及介质
CN117329928B (zh) * 2023-11-30 2024-02-09 武汉阿内塔科技有限公司 一种基于多元情报融合的无人机综合探测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512157A (zh) * 2014-10-28 2016-04-20 中国民用航空总局第二研究所 一种综合航迹数据融合处理方法
CN106680806A (zh) * 2016-11-24 2017-05-17 清华大学 一种多雷达点迹融合方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN109633589A (zh) * 2019-01-08 2019-04-16 沈阳理工大学 目标跟踪中基于多模型优化多假设的多目标数据关联方法
CN110824467A (zh) * 2019-11-15 2020-02-21 中山大学 一种多目标跟踪数据关联方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512157A (zh) * 2014-10-28 2016-04-20 中国民用航空总局第二研究所 一种综合航迹数据融合处理方法
CN106680806A (zh) * 2016-11-24 2017-05-17 清华大学 一种多雷达点迹融合方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN109633589A (zh) * 2019-01-08 2019-04-16 沈阳理工大学 目标跟踪中基于多模型优化多假设的多目标数据关联方法
CN110824467A (zh) * 2019-11-15 2020-02-21 中山大学 一种多目标跟踪数据关联方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
回归分析在多雷达航迹关联和融合中的应用;黄伟平;徐毓;;现代防御技术(第04期);第70-73转127页 *
综合运用模式识别与回归分析的数据融合算法;黄伟平;徐毓;王杰;;控制与决策(第01期);第110-120页 *

Also Published As

Publication number Publication date
CN111860589A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111860589B (zh) 一种多传感器多目标协同探测信息融合方法、系统
CN112347840B (zh) 视觉传感器激光雷达融合无人机定位与建图装置和方法
Adams et al. SLAM gets a PHD: New concepts in map estimation
Hosseinpoor et al. Pricise target geolocation and tracking based on UAV video imagery
CN106289235A (zh) 基于建筑结构图的自主计算精度可控室内定位导航方法
CN112346104B (zh) 一种无人机信息融合定位方法
CN114510076A (zh) 基于无迹变换的目标协同探测与制导一体化方法及系统
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
CN110672115B (zh) 基于多观察哨数字望远镜的运动目标航迹获取方法
Lombaerts et al. Adaptive multi-sensor fusion based object tracking for autonomous urban air mobility operations
Wang et al. UGV‐UAV robust cooperative positioning algorithm with object detection
CN115343744A (zh) 空中运动目标的光学单双星联合星上定位方法及系统
Liu et al. Collaborative positioning method via GPS/INS and RS/MO multi-source data fusion in multi-target navigation
Kant et al. Long short-term memory auto-encoder-based position prediction model for fixed-wing uav during communication failure
Malagon-Soldara et al. Mobile robot localization: A review of probabilistic map-based techniques
Wang et al. UAV navigation in large-scale GPS-denied bridge environments using fiducial marker-corrected stereo visual-inertial localisation
Vitiello et al. Detection and tracking of non-cooperative flying obstacles using low SWaP radar and optical sensors: an experimental analysis
Maeda et al. Flight path planning of multiple UAVs for robust localization near infrastructure facilities
Michalczyk et al. Radar-inertial state-estimation for UAV motion in highly agile manoeuvres
RU2232402C2 (ru) Способ определения дальности до источников радиоизлучений и скорости сближения с ними в однопозиционных радиолокационных системах
CN112799079B (zh) 一种数据关联方法及装置
CN114705223A (zh) 多移动智能体在目标跟踪中的惯导误差补偿方法及系统
Wang et al. Slam-based cooperative calibration for optical sensors array with gps/imu aided
Deneault et al. Tracking ground targets with measurements obtained from a single monocular camera mounted on an unmanned aerial vehicle
CN113093759A (zh) 基于多传感器信息融合的机器人编队构造方法及系统

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