CN112986978A - 一种雷达目标跟踪滤波的信任度获取方法 - Google Patents
一种雷达目标跟踪滤波的信任度获取方法 Download PDFInfo
- Publication number
- CN112986978A CN112986978A CN202110098110.6A CN202110098110A CN112986978A CN 112986978 A CN112986978 A CN 112986978A CN 202110098110 A CN202110098110 A CN 202110098110A CN 112986978 A CN112986978 A CN 112986978A
- Authority
- CN
- China
- Prior art keywords
- factor
- target
- trust
- estimation
- tracking
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 123
- 238000001914 filtration Methods 0.000 title claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 74
- 239000002245 particle Substances 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000007704 transition Effects 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
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
本发明提供一种雷达目标跟踪滤波的信任度获取方法,适用于目标跟踪系统,所述方法包括:获取目标的运动特征,根据所述目标运动特征构建与其对应的跟踪滤波器模型;基于跟踪滤波器模型,构建用于反映该模型目标跟踪结果信任度的信任因子,并解算所述信任因子为信任因子估计;执行目标的跟踪滤波过程;于执行过程中,根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,进而可以获取目标跟踪结果的信任度高低;本方法能明显提高运动目标的估计精度和收敛性。
Description
技术领域
本发明属于目标跟踪技术领域,涉及一种雷达目标跟踪滤波的信任度获取方法。
背景技术
雷达的目标跟踪是雷达技术应用的重要方向之一,通过发射无线电波信号并接收反射回的无线电波信号,计算获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位和高度等运动状态信息,进而获得目标的准确位置。
在雷达的目标跟踪处理过程中,需要对获取的运动状态信息进行滤波,其中强跟踪滤波是雷达目标跟踪中常用的滤波方法,可以达到高精准的目标跟踪效果,其基本思想是通过利用自适应次优渐消因子对预测误差协方差阵进行实时修正,即为对目标的运动状态直接进行修正估计,并未考虑对模型参数的更新估计。然而,对于噪声协方差不准确目标跟踪系统中的Kalman滤波计算,其均方误差和实际均方误差之间存在不一致。如果在Kalman滤波器中使用不准确的噪声协方差,则无法获得真正的均方误差,则估计结果也不是最优的,进而降低跟踪结果的准确性和可靠性。
因此,对于噪声协方差不准确的目标跟踪系统,如何准确获取滤波结果的信任度,已成为本领域所需要解决的技术问题。
发明内容
鉴于以上现有技术中存在的缺点,本发明的目的在于提供一种雷达目标跟踪滤波的信任度获取方法,用于解决对于噪声协方差不准确的目标跟踪系统,无法准确获取滤波结果的信任度而无法获知雷达目标跟踪结果的信任度等问题。
为实现上述目的及其他相关目的,本发明提供一种雷达目标跟踪滤波的信任度获取方法,适用于目标跟踪系统,所述方法包括:
获取目标的运动特征,根据所述目标运动特征构建与其对应的跟踪滤波器模型;基于跟踪滤波器模型,构建适配的且用于反映该模型目标跟踪结果信任度的信任因子,并解算所述信任因子为信任因子估计;执行目标的跟踪滤波过程;于执行过程中,根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值。
于本发明的一实施例中,所述根据所述目标运动特征构建Kalman滤波器模型,为:
其中为先验状态估计,为最优估计,Kk为滤波增益矩阵,为设定观测噪声协方差,表示实际应用中假设的过程噪声协方差Pk|k-1为预测误差协方差,Pk|k为估计误差协方差;则所述基于跟踪滤波器模型构建适配的信任因子,包括:设置信任因子为:
于本发明的一实施例中,于所述目标跟踪系统中包含过程噪声偏差,则所述解算所信任因子为信任因子估计,包括:根据所述过程噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第一信任因子估计
于本发明的一实施例中,所述根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,包括:根据所述第一信任因子估计,获取所述跟踪滤波过程的目标跟踪滤波结果的第一信任因子值。
于本发明的一实施例中,根据所述过程噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第一信任因子估计,包括:基于所述过程噪声偏差、所述计算估计误差协方差、所述真实估计误差协方差,和所述跟踪滤波器模型的新息构建关联方程;解算所述关联方程,获得所述真实估计误差协方差估计;基于所述真实估计误差协方差估计,和所述计算估计误差协方差,解算所述信任因子为第一信任因子估计。
于本发明的一实施例中,于所述目标跟踪系统中包含过程噪声偏差和观测噪声偏差,则所述解算所信任因子为信任因子估计,包括:根据所述过程噪声偏差、所述观测噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第二信任因子估计。
于本发明的一实施例中,所述根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,包括:根据所述第二信任因子估计,获取所述跟踪滤波过程的目标跟踪滤波结果的第二信任因子值。
于本发明的一实施例中,根据所述过程噪声偏差、所述观测噪声偏差和所述跟踪滤波器模型解算所述信任因子为第二信任因子估计,包括:基于所述过程噪声偏差、所述观测噪声偏差、所述计算估计误差协方差、所述真实估计误差协方差,和所述跟踪滤波器模型的新息构建关联方程;利用粒子群方法解算所述关联方程,获得所述真实估计误差协方差估计;基于所述真实估计误差协方差估计,和所述计算估计误差协方差,解算所述信任因子为第二信任因子估计。
如上所述,本发明提供的雷达目标跟踪滤波的信任度获取方法,通过构建信任因子和解算信任因子至信任因子估计,于执行目标跟踪滤波过程中,可以获得目标跟踪滤波结果的信任因子值,从而可以获知目标跟踪结果的信任度的高低。进一步的,本发明提供了同时估计两个噪声协方差或两个噪声协方差均不匹配目标跟踪系统中的目标跟踪滤波信任度获取方法,建立了相应的优化模型,并引入粒子群优化方法求解优化问题,能明显提高运动目标的估计精度和收敛性。
附图说明
图1显示为本发明所述雷达目标跟踪滤波的信任度获取方法于实施1中的流程示意图;
图2显示为一实施例中所述利用粒子群方法解算所述关联方程的流程示意图;
图3显示为一实施例中于仿真实验A中采用不同方法获得的仿真实验结果,图3(a)为信任度估计曲线,图3(b)为信任度估计误差;
图4显示为一实施例中于仿真实验B中采用不同方法获得的仿真实验结果,图4(c)为信任度估计曲线,图4(d)为信任度估计误差;
元件标号说明
S100~S400 步骤
S300'、S400' 步骤
具体实施方式
本发明提供了一种目标雷达跟踪的滤波信任度获取方法,适用于雷达目标跟踪系统中,噪声协方差的计算值和真实值存在偏差,或噪声协方差的真实值未知的目标跟踪系统,用于获取雷达目标跟踪的滤波信任度。其核心构思是通过构建目标跟踪滤波模型的过程噪声协方差和测量噪声协方差估计方法,通过构建并解算信任因子,获取目标跟踪滤波结果的信任因子值,以获取目标跟踪滤波结果的信任度。
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例1
请参阅图1,显示为本发明提供的所述雷达目标跟踪滤波的信任度获取方法于实施1中的流程示意图。于本实施例中,所述目标为匀加速运动状态。
如图1所示,该方法实施包括如下步骤:
S100,获取目标的运动特征,根据所述目标运动特征构建与该目标运动特征对应的跟踪滤波器模型;
具体的,首先,根据所述目标运动特征,构建雷达跟踪的目标运动模型:
xk=Fk,k-1xk-1+wk,k-1 (15)
zk=Hkxk+vk (16)
式中,k表示当前时刻,也即雷达观测目标的运动状态的时刻;k-1表示k时刻的前一时刻;
xk表示k时刻目标的运动状态向量,为:
Fk,k-1表示目标运动系统由k-1时刻至k时刻的运动状态转移矩阵,其中T表示雷达的观测采样周期;
wk,k-1为k-1时刻至k时刻的高斯白噪声的过程噪声,满足wk,k-1∈Rn,即包含于n维实数域,且满足均值为零,协方差为:
Qk,k-1∈Rn×n
其中,Qk,k-1为k-1时刻至时刻k的过程噪声wk,k-1的协方差;
Zk为k时刻运动状态向量的观测向量,由雷达观测获得,且满足:
Zk∈Rp
其中,Rp为p维实数域;
Hk表示k时刻的观测矩阵,为:
Hk=[1 0 0] (5)
Rk为k时刻高斯白噪声的观测噪声,为雷达自身的测量误差,满足uk∈Rp,且满足均值为零,协方差为:
Rk∈Rp×p
其中,Rk为k时刻观测噪声vk的协方差;
所述过程噪声和所述观测噪声并不相关。
然而,对于雷达目标跟踪系统中,噪声协方差的计算值和真实值存在偏差,或噪声协方差的真实值未知的,通过预先设定的过程噪声和观测噪声,构建Kalman滤波器的迭代方程,为:
其中,上标T为反置矩阵;
上标f表示实际获得或设定。
I为单位矩阵;
于雷达目标跟踪系统中,噪声协方差的计算值和真实值存在偏差,或噪声协方差的真实值未知的目标跟踪系统,则:
式中,Rk表示真实的观测噪声协方差,Qk,k-1表示真实的过程噪声协方差;为计算观测噪声协方差,为计算过程噪声协方差,均用上标u表示;ΔRk表示计算观测噪声协方差和真实观测噪声协方差Rk之间的偏差;ΔQk,k-1表示所述计算过程噪声协方差和真实观测噪声协方差Qk,k-1之间的偏差。
上标m表示真实值,即理论上应获得的值。
其中,0≤ρ≤1表示遗忘因子,上标m表示真实值。
根据式29和式30,得到
S200,基于跟踪滤波器模型构建适配的信任因子;
构造信任因子
t(k)为所述信任因子,取值范围为(0,1);
t(k)用来衡量所述目标跟踪滤波器模型获得FMSE和TMSE的接近程度,即用于反映该模型目标跟踪结果信任度高低;即t(k)越接近于1,FMSE和TMSE就越接近,则该模型目标跟踪结果信任度越高。当FMSE和TMSE完全相等时,即所述目标跟踪系统的噪声协方差匹配的。反之,t(k)越小,FMSE和TMSE的差值越大,则该模型目标跟踪结果信任度越低。
于本实施例中,t(k)受ΔQk,k-1,ΔRk的影响,即Tr(ΔQk,k-1),Tr(ΔRk)越大,t(k)越小。
S300,解算所述信任因子为第一信任因子估计;
于本实施例中,所述目标跟踪系统中存在不匹配过程噪声,即于雷达目标跟踪系统中,所述过程噪声协方差的计算值和真实值存在偏差,或所述过程噪声协方差的真实值未知的,则根据所述过程噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第一信任因子估计。
具体的,由式22,式26获得:
通过联立式31和式33可得到:
上式中:
Dk=HkFk,k-1 (39)
通过联立式34和式35,可得到
于所述目标跟踪系统为一维系统时,可以得到式40的解析解为:
于所述目标跟踪系统为一维以上系统时,则设
S400,执行目标的跟踪滤波过程;于执行过程中,根据所述第一信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的第一信任因子值。
具体的,基于所述目标跟踪滤波模型,执行目标的跟踪滤波过程;同时,于执行该过程中,于获取各时刻目标的跟踪滤波结果,即各时刻目标的计算最优估计值的同时,根据步骤S300中获得的所述第一信任因子估计,获取所述跟踪滤波过程的目标跟踪滤波结果的信任度。
实施例2
于本实施例中,所述雷达目标跟踪滤波的信任度获取方法的实施步骤与实施例1中的相同,不同之处在于:
S300',解算所述信任因子为信任因子估计为:
于本实施例中,所述目标跟踪系统中存在不匹配的过程噪声和观测噪声,即于雷达目标跟踪系统中,所述过程噪声协方差的计算值和真实值存在偏差,或所述过程噪声协方差的真实值未知;以及,所述观测噪声协方差的计算值和真实值存在偏差,或所述观测噪声协方差的真实值未知,根据所述过程噪声偏差、所述观测噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第二信任因子估计。
具体的,根据式31和式43,可以获得:
联立式31和式33,可获得:
Ak,Bk,Ck,Dk的定义参见式36至式39,通过联立式45和式46,可获得:
于本实施例中,利用粒子群算法来估计所述第二信任因子估计,请参阅图2:
设Qk,k-1,Rk的阶数分别为q和r。在一个D(D=q+r)维空间中,随机产生一组有n个粒子组成的种群X=(x1,x2,…,xn),其中第i个粒子对应一个向量x1=(xi1,xi2,…,xiD)T,表示其在D维空间中的位置。根据适应度函数计算每个粒子对应的适应度值。其中第i个粒子的速度为vi=(vi1,vi2,…viD)T,第i个粒子的个体极值为pi=(pi1,pi2,…piD)T,种群极值为gi=(gi1,gi2,…giD)T。
流程如下所示:
1)在定义的区间[xmin,xmax],[vmin,vmax]随机生成粒子位置和速度;
3)根据各粒子的适应度值确定个体极值pbest和群体极值gbest来更新自身的位置。个体极值指个体在运动过程中得到最优适应度值的位置,群体极值指种群中所有的粒子在运动过程中得到最优适应度值的位置;
4)根据gbest和pbest更新粒子的位置和速度,即:
其中,ω为惯性权重,d=1,2,…,D;i=1,2,…,n;k为当前迭代次数;vid表示粒子i在d方向的速度;c1,c2是非负的常数,称为加速度因子;r1,r2是分布于[0,1]区间的随机数。最后得到适应度最小的粒子位置b=(b1,b2,…,bD)T并令
5)计算各粒子的适应度值并更新gbest和pbest;
以及,于本实施例中,步骤S400'为:执行目标的跟踪滤波过程;于执行过程中,根据所述第二信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的第二信任因子值。
具体的,基于所述目标跟踪滤波模型,执行目标的跟踪滤波过程;同时,于执行该过程中,于获取各时刻目标的跟踪滤波结果,即各时刻目标的计算最优估计值的同时,根据步骤S300'中获得的所述第二信任因子估计,获取所述跟踪滤波过程的目标跟踪滤波结果的信任度。
为了验证本发明所述雷达目标跟踪滤波的信任度获取方法,于所述目标跟踪系统中存在不匹配的噪声协方差时,其跟踪效果优于常用的强跟踪滤波目标跟踪方法,进行了如下2组仿真实验,为实验组A和实验组B;其中,各组仿真实验的对照组均采用Sage-Husa自适应Kalman滤波方法。
设定待跟踪的目标物体为匀加速运动,于2组仿真实验中,各目标的运动状态特征各不相同,而ΔQk,k-1,ΔRk的设定方式如下:
仿真结果请参阅图3和图4。其中,图3(b)和图4(d)中的实线为采用Sage-Husa自适应Kalman滤波方法获得仿真结果,图3(b)和图4(d)中带星线为采用本方法获得的仿真结果,由图3和图4可知,无论ΔQk,k-1和ΔRk是否为正定矩阵时,信任因子大小都只与trace(|ΔQk,k-1|)和trace(|ΔRk|)的大小有关,且在图3(b)和图4(d)中,采用本方法获得的误差值小于采用Sage-Husa自适应Kalman滤波方法所获得的误差值;即,无论ΔQk,k-1和ΔRk取何值,本发明所述方法获得目标跟踪结果的估计性能总是优于对照组方法。当使用本发明所述方法导致滤波发散时,则获得目标跟踪结果的信任度降为0。
综上所述,本发明提供的雷达目标跟踪滤波的信任度获取方法,通过构建信任因子和解算信任因子至信任因子估计,可以于执行目标跟踪滤波过程中,根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,从而可以获得TMSE和FMSE的接近程度,以及目标跟踪系统模型与真实模型的匹配程度,进而可以获知目标跟踪结果的信任度高低。进一步的,本发明提供了同时估计两个噪声协方差或两个噪声协方差均不匹配目标跟踪系统中的目标跟踪滤波信任度获取方法,建立了相应的优化模型,并引入粒子群优化方法求解优化问题,能明显提高运动目标的估计精度和收敛性。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (8)
1.一种雷达目标跟踪滤波的信任度获取方法,适用于目标跟踪系统,所述方法包括:
获取目标的运动特征,根据所述目标运动特征构建与其对应的跟踪滤波器模型;
基于跟踪滤波器模型构建适配的信任因子,并解算所述信任因子为信任因子估计;
执行目标的跟踪滤波过程;于执行过程中,根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,从而获取该目标跟踪结果的信任度。
3.根据权利要求2所述的雷达目标跟踪滤波的信任度获取方法,其特征在于,于所述目标跟踪系统中包含过程噪声偏差,则所述解算所信任因子为信任因子估计,包括:
根据所述过程噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第一信任因子估计。
4.根据权利要求3所述的雷达目标跟踪滤波的信任度获取方法,其特征在于,所述根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,包括:
根据所述第一信任因子估计,获取所述跟踪滤波过程的目标跟踪滤波结果的第一信任因子值。
5.根据权利要求3或4所述的雷达目标跟踪滤波的信任度获取方法,其特征在于,根据所述过程噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第一信任因子估计,包括:
基于所述过程噪声偏差、所述计算估计误差协方差、所述真实估计误差协方差,和所述跟踪滤波器模型的新息构建关联方程;
解算所述关联方程,获得所述真实估计误差协方差估计;
基于所述真实估计误差协方差估计,和所述计算估计误差协方差,解算所述信任因子为第一信任因子估计。
6.根据权利要求2所述的雷达目标跟踪滤波的信任度获取方法,其特征在于,于所述目标跟踪系统中包含过程噪声偏差和观测噪声偏差,则所述解算所信任因子为信任因子估计,包括:
根据所述过程噪声偏差、所述观测噪声偏差和所述跟踪滤波器模型,解算所述信任因子为第二信任因子估计。
7.根据权利要求6所述的雷达目标跟踪滤波的信任度获取方法,其特征在于,所述根据所述信任因子估计获取所述跟踪滤波过程的目标跟踪滤波结果的信任因子值,包括:
根据所述第二信任因子估计,获取所述跟踪滤波过程的目标跟踪滤波结果的第二信任因子值。
8.根据权利要求6或7所述的雷达目标跟踪滤波的信任度获取方法,其特征在于,根据所述过程噪声偏差、所述观测噪声偏差和所述跟踪滤波器模型解算所述信任因子为第二信任因子估计,包括:
基于所述过程噪声偏差、所述观测噪声偏差、所述计算估计误差协方差、所述真实估计误差协方差,和所述跟踪滤波器模型的新息构建关联方程;
利用粒子群方法解算所述关联方程,获得所述真实估计误差协方差估计;
基于所述真实估计误差协方差估计,和所述计算估计误差协方差,解算所述信任因子为第二信任因子估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098110.6A CN112986978A (zh) | 2021-01-25 | 2021-01-25 | 一种雷达目标跟踪滤波的信任度获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110098110.6A CN112986978A (zh) | 2021-01-25 | 2021-01-25 | 一种雷达目标跟踪滤波的信任度获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112986978A true CN112986978A (zh) | 2021-06-18 |
Family
ID=76345401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110098110.6A Pending CN112986978A (zh) | 2021-01-25 | 2021-01-25 | 一种雷达目标跟踪滤波的信任度获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986978A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115823951A (zh) * | 2023-01-09 | 2023-03-21 | 中国兵器装备集团自动化研究所有限公司 | 一种搜索与跟踪航迹融合方法、装置、设备及存储介质 |
CN117848351A (zh) * | 2024-03-05 | 2024-04-09 | 河海大学 | 基于可信度和统计相似度量测的水下自主导航系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582916A (zh) * | 2019-01-28 | 2019-04-05 | 杭州电子科技大学 | 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 |
EP3671272A1 (en) * | 2018-12-20 | 2020-06-24 | Veoneer Sweden AB | Vehicle sensor fusion based on fuzzy sets |
CN111624549A (zh) * | 2020-05-14 | 2020-09-04 | 哈尔滨工程大学 | 非共视条件下无源滤波跟踪方法 |
-
2021
- 2021-01-25 CN CN202110098110.6A patent/CN112986978A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3671272A1 (en) * | 2018-12-20 | 2020-06-24 | Veoneer Sweden AB | Vehicle sensor fusion based on fuzzy sets |
CN109582916A (zh) * | 2019-01-28 | 2019-04-05 | 杭州电子科技大学 | 一种基于观测噪声方差未知的自适应卡尔曼滤波方法 |
CN111624549A (zh) * | 2020-05-14 | 2020-09-04 | 哈尔滨工程大学 | 非共视条件下无源滤波跟踪方法 |
Non-Patent Citations (6)
Title |
---|
QUANBO GE ET AL.: ""Performance Analysis of the Kalman Filter With Mismatched Noise Covariances"", 《 IEEE TRANSACTIONS ON AUTOMATIC CONTROL》 * |
TENG SHAO ET AL.: ""Recursive performance ranking of Kalman filter with mismatched noise covariances"", 《 IET CONTROL THEORY & APPLICATIONS》 * |
TENG SHAO ET AL.: ""Relative closeness ranking of Kalman filtering with multiple mismatched measurement noise covariances"", 《IET CONTROL THEORY & APPLICATIONS》 * |
张建朝 等: ""基于噪声顺序解相关的两阶段Kalman滤波融合"", 《空军工程大学学报(自然科学版)》 * |
李云育: ""工程化智能Kalman滤波方法"", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
潘泉: "《现代目标跟踪与信息融合》", 31 October 2009 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115823951A (zh) * | 2023-01-09 | 2023-03-21 | 中国兵器装备集团自动化研究所有限公司 | 一种搜索与跟踪航迹融合方法、装置、设备及存储介质 |
CN117848351A (zh) * | 2024-03-05 | 2024-04-09 | 河海大学 | 基于可信度和统计相似度量测的水下自主导航系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN107045125A (zh) | 一种基于预测值量测转换的交互多模型雷达目标跟踪方法 | |
CN106199580B (zh) | 一种基于模糊推理系统的Singer模型改进算法 | |
CN112612862B (zh) | 一种基于点云配准的栅格地图定位方法 | |
CN112986978A (zh) | 一种雷达目标跟踪滤波的信任度获取方法 | |
CN110375772B (zh) | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 | |
Yu et al. | Nonlinear filtering in unknown measurement noise and target tracking system by variational Bayesian inference | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN110132281B (zh) | 一种基于询问应答模式的水下高速目标高精度自主声学导航方法 | |
CN108152812B (zh) | 一种调整网格间距的改进agimm跟踪方法 | |
CN110736459B (zh) | 惯性量匹配对准的角形变测量误差评估方法 | |
CN112415468A (zh) | 一种基于多伯努利滤波的doa跟踪方法 | |
CN115932913B (zh) | 一种卫星定位伪距修正方法及装置 | |
CN114565020A (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 | |
CN113503891B (zh) | 一种sinsdvl对准校正方法、系统、介质及设备 | |
CN115469314A (zh) | 一种均匀圆环阵稳健水下目标方位跟踪方法及系统 | |
CN114763998A (zh) | 基于微型雷达阵列的未知环境并行导航方法和系统 | |
CN110595470A (zh) | 一种基于外定界椭球集员估计的纯方位目标跟踪方法 | |
Fong et al. | Radar sensor fusion via federated unscented Kalman filter | |
CN117784114B (zh) | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 | |
CN113534131B (zh) | 基于gm-phd的运动参数估计组合平滑滤波方法 | |
Lee et al. | An Improved Interacting Multiple Model Algorithm With Adaptive Transition Probability Matrix Based on the Situation | |
CN115379560B (zh) | 一种无线传感网络中仅有距离量测信息下的目标定位与跟踪方法 | |
CN115455670B (zh) | 一种基于高斯混合模型的非高斯噪声模型建立方法 | |
Urru et al. | Data Fusion algorithms to improve test range sensors accuracy and precision |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
RJ01 | Rejection of invention patent application after publication |