CN113030901A - 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法 - Google Patents
一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法 Download PDFInfo
- Publication number
- CN113030901A CN113030901A CN202110353506.0A CN202110353506A CN113030901A CN 113030901 A CN113030901 A CN 113030901A CN 202110353506 A CN202110353506 A CN 202110353506A CN 113030901 A CN113030901 A CN 113030901A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- unmanned ship
- association
- millimeter wave
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 3
- 230000009466 transformation Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect 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
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/415—Identification of targets based on measurements of movement associated with the target
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法，属于雷达数据处理领域。首先，使用姿态仪获取本船艏向角，将障碍目标位置等信息变换到较为稳定的东‑北坐标系下，解决了船艏摆动导致目标位置信息发生非正常变化而影响目标关联的问题。然后，设置六维自适应、机动关联波门，通过两步关联法分两步进行目标关联，避免发生错误关联，实现了待定目标与已有目标的准确匹配，并进行目标信息更新，估计已丢失目标的信息。最后，通过生命周期法判断目标状态，筛选出连续多帧被测的有效目标。该方法有效滤除了虚假目标，并降低漏检率，为无人船自主避障提供更加准确的障碍目标信息。
Description
技术领域
本发明涉及雷达数据处理领域，特别是涉及一种毫米波雷达多目标跟踪检测方法。
背景技术
实现无人船前方障碍目标准确检测是无人船进行自主作业的前提。毫米波雷达近距离检测精度较高，受光线等环境影响较小，应用于无人船前方障碍目标检测具有显著优势。然而受风浪影响，雷达会随无人船发生俯仰晃动，导致检测到海面并将其误识别为障碍目标，造成虚警，也可能导致小型目标脱离雷达检测视角范围，造成目标丢失。尽管通过恒虚警检测和相关凝聚方法等对雷达单帧检测数据进行处理，所得结果仍存在虚假目标，且小型目标易暂时丢失问题亦无法解决，威胁无人船的安全。因此，需要通过处理连续多帧检测数据对目标进行跟踪检测，滤除虚假目标并估计暂时丢失目标的状态信息，最终确定有效障碍目标。
现常用的跟踪检测技术中，概率数据关联仅适用于单目标跟踪检测；联合概率数据关联实时性较低，且易降低检测结果准确性；多假设跟踪依赖于先验知识，难以用于工程实际；最近邻关联较为简便，实时性较高，但通常仅依靠目标距离特征进行目标关联，可靠性较低。由于雷达检测结果均在雷达坐标系下表示，船艏摆动会使目标位置等信息发生非正常变化，从而无法进行准确目标关联，现有方法均未考虑此问题造成的影响。此外，在进行目标关联时，为减少计算量，提高实时性，通常会设置一个关联波门，当目标靠近时，现有波门设置技术容易造成错误关联，影响跟踪检测结果。
发明内容
为了解决现有技术存在的问题，本发明提供了一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法。结合姿态仪实现待定目标坐标变换，预估已知目标特征信息，通过基于自适应关联波门的两步目标关联算法进行目标关联并更新目标信息，最后通过生命周期法确定有效障碍目标，实现多目标跟踪检测。
本发明所采用的具体技术方案是：
通过无人船安装的姿态仪获取本船当前艏向角，根据艏向角进行障碍目标坐标变换，将其变换到稳定的东-北坐标系下，得到待定目标(当前时刻雷达测得的目标)信息量测值。
根据已知目标(包括可疑、稳定和丢失的目标)在上一时刻的运动状态信息，预估其当前时刻的位置信息，得到已知目标信息预估值。
分别设置自适应初始、机动关联波门，提出两步目标关联算法，根据待定目标信息量测值和已知目标信息预估值分两步进行目标关联，实现待定目标与已知目标的准确匹配，并进行目标信息更新。
通过生命周期法确定各目标所处状态，包括：可疑的目标、稳定的目标、丢失的目标和消失的目标等四个状态，将稳定目标和丢失目标作为有效目标输出，从而得到当前时刻最终检测结果。
与现有技术相比，本发明提出的方法通过结合姿态仪进行待定目标坐标变换，有效的降低了无人船船艏摆动对跟踪检测造成的影响，通过基于自适应关联波门的两步目标关联算法，解决了当目标靠近时，自适应调整关联波门造成的错误关联问题，提高了跟踪检测结果的有效性。
附图说明
图1为本发明的方法流程图；
图2为障碍目标坐标变换示意图；
图3为基于自适应关联波门的分步目标关联算法流程图；
图4为基于生命周期法判断障碍目标状态流程图；
图5为各被测目标存在时刻示意图。
具体实施方式
本发明公开了一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法，属于雷达数据处理领域。本发明通过待定目标坐标变换、已知目标位置信息预估、目标关联与信息更新和基于生命周期法确定有效障碍目标等步骤对连续多帧毫米波雷达检测数据进行处理。本发明降低了无人船船艏摆动对跟踪检测造成的影响，解决了当目标靠近时，自适应调整关联波门造成的错误关联问题，提高了跟踪检测结果的有效性。
下面通过介绍本发明具体实施步骤，结合实施例和附图做更进一步的具体说明，根据以下说明，本发明的内容、特征、优点和效果等将会变得更加清楚。
图1为本发明的方法流程图，具体实施步骤如下：
步骤101：待定目标坐标变换。通过无人船安装的毫米波雷达获取目标的位置(X,Y)、径向速度(V)、点迹数量(Num)、雷达散射截面(RCS)和宽度(XW、YW)等6种信息，通过无人船安装的姿态仪获取本船当前艏向θ，根据θ对目标位置进行实时坐标变换，将其变换到稳定的随船东-北坐标系下再进行目标关联。障碍目标坐标变换如图2所示。
图2中，坐标系XEOEYE为大地坐标系。坐标系XROYR为雷达坐标系，其中原点O为雷达安装位置，XR轴正方向为无人船右侧方向，YR轴正方向为无人船船艏方向。坐标系XNOYN为东-北坐标系，其中原点O亦为雷达安装位置，XN轴正方向为正东方向，YN轴正方向为正北方向。
步骤101.1：通过毫米波雷达可直接获得k时刻障碍目标在雷达坐标系下的位置信息(X’k,Y’k)，从而计算目标距离R'k和方位角A'k如下：
步骤101.2：通过姿态仪获取k时刻无人船艏向θk，根据θk将目标位置等信息变换至随船正北坐标系下，变换公式如下：
其中，Rk、Ak和(Xk,Yk)分别为随船正北坐标系下，障碍目标的距离、方位角和位置信息。
步骤101.3：对所有k时刻雷达所测目标进行坐标变换处理，得到待定目标集UDTarSet及其特征信息量测值，用UDTarSet[m]表示待定目标m，m初始值为0，目标m的特征信息量测值表示为
其中，位置量测值
通过步骤101.1、101.2计算得出，其他特征量测值取检测结果值。
步骤102：已知目标位置信息预估，具体过程如下：
步骤102.1：设目标运动状态信息S为：
S＝[x vx ax y vy ay]T (4)
x、vx、ax分别为目标的横向距离、速度、加速度，y、vy、ay分别为纵向距离、速度、加速度。由于vx、vy和ax、ay无法通过雷达直接测得，故需通过计算获取，因此，在k-1时刻目标运动状态信息Sk-1为：
其中T为两个采样时刻间隔；由上式可以看出，若想计算获取目标横、纵向速度和加速度，分别至少需要目标连续2次和3次被测，因此当目标连续被测次数暂时不满足要求时，将目标速度vx、vy和加速度ax、ay均设置为0。
步骤102.2：采用卡尔曼滤波算法中的一步预测法，根据目标运动状态信息Sk-1预估其k时刻运动状态信息Sk|k-1，状态预估方程如下：
Sk|k-1＝ASk-1+Buk-1+ωk-1 (6)
由于预估过程中没有控制量输入，故Buk-1＝0；ωk-1表示预估过程噪声，在不考虑过程噪声的情况下，状态预估方程可简化为：
Sk|k-1＝ASk-1 (7)
其中，A为状态预估矩阵，它反映了目标从k-1时刻到k时刻的运动状态变换。由于两个采样时刻间隔T≤1s，此间隔内目标运动状态相对而言不会发生较大变化，故采用匀加速运动(CA)模型对目标运动状态进行描述，此模型下状态预估矩阵A为：
步骤102.3：预估所有k-1时刻已知目标在k时刻的位置信息，得到已知目标集ExTarSet及其特征信息预估值，用ExTarSet[n]表示已知目标n，n初始值为0，目标n的特征信息预估值表示为
其中，位置预估值
通过步骤103.1、103.2计算得出，其他特征预估值取k-1时刻的最终检测结果值。
步骤103：基于两步关联法的目标关联与信息更新共分两步，方法流程如图3所示。该步骤为第一次目标关联与信息更新，根据已知目标特征信息设置其初始多维自适应关联波门，根据待定目标信息量测值和已知目标信息预估值进行目标关联与信息更新，具体实现过程如下：
步骤103.1：根据6种特征信息，设置ExTarSet[n]六维关联波门Gn1：
Dng…YWng分别为设计Gn1时的各特征偏差阈值，其中，Dng和Vng为常值，其它特征偏差阈值自适应于ExTarSet[n]相应特征信息值。
步骤103.2：获取待定目标集UDTarSet及其特征信息量测值，用UDTarSet[m]表示待定目标m，m＝0；获取已知目标集ExTarSet及其特征信息预估值，用ExTarSet[n]表示已知目标n，n＝0。
步骤103.3：判断待定目标m是否已关联，若是，则转到步骤103.5；若否，转到步骤103.4。
步骤103.4：根据待定目标m的量测值
与已知目标n的预估值
通过式(11)判断m是否在n的波门内。
其中，Dnm…YWnm分别为ExTarSet[n]和UDTarSet[m]的距离、径向速度偏差、点迹数量偏差、雷达散射截面偏差、和横、纵向截面宽度。
若
和
满足式(11)，则认为m在n的波门内，将m标记为已关联。
步骤103.5：判断是否已遍历待定目标集，若是，则转到步骤103.6；若否，则令m值加1(下一待定目标)，返回步骤103.3。
步骤103.6：判断目标n波门内待定目标个数，若个数为0，则转到步骤103.6.1；若个数为1，则转到步骤103.6.2；若个数大于1，则转到步骤103.6.3。
步骤103.6.1：若当前处于第一次目标关联环节，则将目标n标记为未关联成功，转到步骤103.7；若当前处于第二次目标关联环节，则将目标n特征信息预估值
替换更新其信息，并标记目标n丢失，转到步骤103.7。
步骤103.6.2：认为波门内目标p即为目标n，以其特征信息量测值
替换更新目标n信息，转到步骤103.7。
步骤103.6.3：通过式(12)分别计算目标n与各待定目标的关联代价ACnp，取AC最小的待定目标p特征信息量测值
替换更新目标n信息，并取消其他待定目标已关联标记，转到步骤103.7。
其中，j为波门内待定目标个数，b1…b6分别为各项特征偏差权值。
步骤103.7：判断是否遍历已知目标集，若是，则转到步骤104；若否，则令n值加1(下一已知目标)，返回步骤103.3。
步骤104：由于某些目标机动性强，相邻两个时刻状态信息变化较大，导致在第一次目标关联中待定目标未能出现在较小的初始波门Gn1内，从而关联失败。故自动扩大此类尚未关联成功的已知目标波门并将其和剩余待定目标进行第二次目标关联。
步骤104.1：判断是否完成第二次目标关联与信息更新，若是，则转到步骤104.2；若否，则将待定目标集UDTarSet更新为剩余待定目标，已知目标集ExTarSet更新为未关联成功的已知目标，按式(13)扩大关联波门至机动关联波门Gn2，并返回步骤103.2，进行第二次目标关联与信息更新。
步骤104.2：将剩余待定目标判定为可疑目标，加入ExTarSet，完成k时刻目标关联与信息更新。
步骤105：通过生命周期法确定目标状态，得到有效障碍目标信息，具体如下：
步骤105.1：为各目标设FN和LN两个标志参数，FN为该目标连续被测次数，初始值为1，LN为该目标连续丢失次数，初始值为0。目标不同状态下，参数变化规则如表1所示：
表1.FN/LN参数变化规则表
步骤105.2：根据当前时刻目标FN和LN两个标志参数的关系，判断目标所处状态，规则如表2所示，具体流程如图4所示。
表2.目标所处状态判断规则表
其中，FN0是判断目标是否进入有效状态的阈值，LN0是判断目标是否丢失或消失的阈值。两阈值设置过大会导致算法实时性较低，设置过小则会在判断目标状态时波动较大，因此在实际应用中应综合考虑实时性及准确性等因素进行设置。
步骤105.3：删除已消失目标，并将稳定的目标和暂时丢失目标作为有效目标，输出其特征信息。
下面结合具体实施例对本发明的实施过程与效果进行说明。
将毫米波雷达安装于小型无人船船艏位置，距海平面高度约1.2m，姿态仪于船艏位置水平安装。通过计算机控制设备开启，即可获取前方障碍目标信息并进行实时处理。设置本方法中涉及的阈值等参数：在毫米波雷达检测结果中，(X,Y)和V是目标最重要的特征，二者较为稳定可靠，此权值b1、b2可设置较高；Num特征能够有效区分目标大小，但稳定性一般，权值b3低于b1、b2；RCS、XW和YW特征相对可靠性较低，权值b4、b5和b6应设置较低。综述分别设置为：0.25，0.3，0.2，0.1，0.05，0.05。基于生命周期法判断目标有效性过程中阈值FN0＝2、LN0＝3，即可疑目标连续被测2次以上视为稳定目标；稳定目标连续丢失3次以上视为目标消失。
实施例共计40个采样时刻，有A、B、C、D、E共5个被测目标，各目标信息如表3所示。
表3.被测目标信息表
40个采样时刻内，累计出现15个虚假目标，各目标累计漏检24次。t18时刻目标C、E靠近，导致其运动轨迹相交。各目标存在时刻如图5所示。
t2时刻目标A、E被初次被测，被判定为可疑目标，t3时刻两目标再次被测，因此被确定为有效目标。
t7、t9、t12时刻目标D、B、C分别依次被测，并在下一时刻连续被测，因此确定为有效目标。
表3漏检时刻一列说明了目标漏检情况，理论上讲，当目标漏检时，本发明所提供方法能够在接下来连续2个时刻估计目标信息并输出，并在第3时刻目标再次被测时进行准确关联，降低了漏检率。
t24、t27、t28、t34时刻各目标依次消失，当目标消失时，本发明所提供方法能够在接下来连续2个时刻估计目标信息并输出，并当第3时刻未能检测到目标时及时删除。
对于15个虚假目标，由于其出现无规律，不连续，且通过本发明所提供方法可使得虚假目标无法与已知目标进行关联，因此可有效滤除。
在本实施例中，通过本发明所提供方法进行处理，可得以下结果：
表3.数据处理结果表
通过上述过程可知，本发明提供的一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法能够使用姿态仪获取本船艏向角，将障碍目标位置等信息变换到较为稳定的东-北坐标系下，解决了船艏摆动导致目标位置信息发生非正常变化而影响目标关联的问题。设置六维自适应关联波门，通过两步关联法分两步进行目标关联，避免发生错误关联，实现了待定目标与已有目标的准确匹配，并进行目标信息更新，估计已丢失目标的信息。通过生命周期法判断目标状态，筛选出连续多帧被测的有效目标，为无人船自主避障提供更加准确的障碍目标信息。
Claims (4)
1.一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法，其特征在于：可以通过处理连续多帧毫米波雷达检测数据对无人船前方障碍目标进行跟踪检测，从而滤除虚假目标并估计暂时丢失目标的状态信息，最终确定有效障碍目标。方法主要步骤如下：首先基于无人船安装的姿态仪对障碍目标进行坐标变换；其次根据已知目标在上一时刻的运动状态信息，预估其当前时刻的位置信息；然后通过基于自适应关联波门的两步目标关联法对连续帧目标进行关联，实现待定目标与已知目标的准确匹配；最后通过生命周期法确定各目标所处状态，筛选出有效障碍目标。
2.根据权利要求1所述的结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法，其特征在于：通过姿态仪获取无人船艏向角，将待定目标坐标从雷达坐标系变换至较为稳定的坐标系下进行后续数据处理，该坐标系原点为雷达安装位置，X轴正方向为正东方向，Y轴正方向为正北方向，称为东-北坐标系。
3.根据权利要求1所述的结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法，其特征在于：根据目标的位置、速度、雷达散射截面、点迹数量和横、纵向截面宽度等信息设置了自适应六维关联波门，提高关联结果的准确性。
4.根据权利要求1所述的结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法，其特征在于：针对目标关联这一环节，提出基于自适应关联波门的两步目标关联法，根据各目标自适应初始关联波门完成第一次目标关联后，自动扩大尚未关联成功的已知目标波门至机动关联波门，进行第二次目标关联，避免了传统方法直接调整波门大小造成的错误关联，实现待定目标与已知目标的准确匹配，并估计已丢失目标的信息，降低漏检率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353506.0A CN113030901B (zh) | 2021-04-01 | 2021-04-01 | 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110353506.0A CN113030901B (zh) | 2021-04-01 | 2021-04-01 | 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113030901A true CN113030901A (zh) | 2021-06-25 |
| CN113030901B CN113030901B (zh) | 2022-09-20 |
Family
ID=76453625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110353506.0A Expired - Fee Related CN113030901B (zh) | 2021-04-01 | 2021-04-01 | 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113030901B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109100714A (zh) * | 2018-06-28 | 2018-12-28 | 中国船舶重工集团公司第七0七研究所 | 一种基于极坐标系的低慢小目标跟踪方法 |
| CN109212521A (zh) * | 2018-09-26 | 2019-01-15 | 同济大学 | 一种基于前视相机与毫米波雷达融合的目标跟踪方法 |
| CN110441788A (zh) * | 2019-07-31 | 2019-11-12 | 北京理工大学 | 一种基于单线激光雷达的无人艇环境感知方法 |
| WO2019230055A1 (ja) * | 2018-05-29 | 2019-12-05 | 三菱電機株式会社 | 物体認識装置および物体認識方法 |
| CN110879394A (zh) * | 2019-12-26 | 2020-03-13 | 湖南纳雷科技有限公司 | 基于运动姿态信息的无人船雷达避障系统及方法 |
| CN110888126A (zh) * | 2019-12-06 | 2020-03-17 | 西北工业大学 | 基于多源传感器的无人船信息感知系统数据综合处理方法 |
| CN111175730A (zh) * | 2020-01-08 | 2020-05-19 | 中国石油大学(华东) | 一种用于无人船的毫米波雷达目标点迹凝聚方法 |
| CN111458702A (zh) * | 2020-03-13 | 2020-07-28 | 四川九洲防控科技有限责任公司 | 一种机动目标跟踪方法、系统、电子设备及存储介质 |
-
2021
- 2021-04-01 CN CN202110353506.0A patent/CN113030901B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019230055A1 (ja) * | 2018-05-29 | 2019-12-05 | 三菱電機株式会社 | 物体認識装置および物体認識方法 |
| CN109100714A (zh) * | 2018-06-28 | 2018-12-28 | 中国船舶重工集团公司第七0七研究所 | 一种基于极坐标系的低慢小目标跟踪方法 |
| CN109212521A (zh) * | 2018-09-26 | 2019-01-15 | 同济大学 | 一种基于前视相机与毫米波雷达融合的目标跟踪方法 |
| CN110441788A (zh) * | 2019-07-31 | 2019-11-12 | 北京理工大学 | 一种基于单线激光雷达的无人艇环境感知方法 |
| CN110888126A (zh) * | 2019-12-06 | 2020-03-17 | 西北工业大学 | 基于多源传感器的无人船信息感知系统数据综合处理方法 |
| CN110879394A (zh) * | 2019-12-26 | 2020-03-13 | 湖南纳雷科技有限公司 | 基于运动姿态信息的无人船雷达避障系统及方法 |
| CN111175730A (zh) * | 2020-01-08 | 2020-05-19 | 中国石油大学(华东) | 一种用于无人船的毫米波雷达目标点迹凝聚方法 |
| CN111458702A (zh) * | 2020-03-13 | 2020-07-28 | 四川九洲防控科技有限责任公司 | 一种机动目标跟踪方法、系统、电子设备及存储介质 |
Non-Patent Citations (7)
| Title |
|---|
| D.HERMANN ET AL.: ""Smart sensor based obstacle detection for high-speed unmanned surface vehicle"", 《IFAC-PAPERSONLINE》 * |
| DALEI QIAO ET AL.: ""M3C: Multimodel-and-Multicue-Based Tracking by Detection of Surrounding Vessels in Maritime Environment for USV"", 《ELECTRONICS》 * |
| LI FANGXU ET AL.: ""Sea-sky line detection using gray variation differences in the time domain for unmanned surface vehicles"", 《SIGNAL IMAGE AND VIDEO PROCESSING》 * |
| XIAOJUN QU ET AL.: ""Consensus-Based Formation of Second-Order Multi-Agent Systems via Linear-Transformation-Based Partial Stability Approach"", 《IEEE ACCESS》 * |
| 朱健楠 等: ""无人水面艇感知技术发展综述"", 《哈尔滨工程大学学报》 * |
| 李瑞伟 等: ""基于欧氏距离的无人艇载毫米波雷达点迹凝聚方法"", 《水下无人系统学报》 * |
| 高迪: ""无人机避障雷达目标探测与跟踪算法研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113030901B (zh) | 2022-09-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109100714B (zh) | 一种基于极坐标系的低慢小目标跟踪方法 | |
| CN109946671B (zh) | 一种基于双门限判决的水下机动弱目标检测跟踪方法 | |
| CN109143192B (zh) | 多目标有效起始确认管理方法、系统及计算机可读存储介质 | |
| CN106249232A (zh) | 基于目标运动态势信息数据关联策略的目标跟踪方法 | |
| CN110542885A (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
| CN110555398B (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
| CN113064155A (zh) | 一种空中雷达多目标跟踪下航迹关联的优化方法 | |
| CN107436434B (zh) | 基于双向多普勒估计的航迹起始方法 | |
| CN104180801B (zh) | 基于ads‑b系统航迹点的预测方法和系统 | |
| CN111679251A (zh) | 一种基于雷达红外双模融合的抗雷达型干扰方法 | |
| CN114779204A (zh) | 一种基于雷达目标幅度最小二乘跟踪处理方法及系统 | |
| CN114114242A (zh) | 一种基于点选航迹及航迹外推的雷达目标追赶跟踪方法 | |
| CN108733042A (zh) | 自动驾驶车辆的目标跟踪方法及装置 | |
| CN117289723B (zh) | 跨介质航行器运动状态的控制方法、装置、设备及介质 | |
| CN113030901B (zh) | 一种结合姿态仪与毫米波雷达的无人船前方多目标跟踪检测方法 | |
| CN111693051B (zh) | 一种基于光电传感器的多目标数据关联方法 | |
| CN111142101B (zh) | 一种数据关联方法 | |
| CN109541581B (zh) | 一种基于无人机监视雷达的杂波抑制目标机动跟踪方法 | |
| CN116953692A (zh) | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 | |
| CN115168787B (zh) | 一种基于推测计算的飞行轨迹关联跟踪方法 | |
| CN113673787B (zh) | 一种无人集群多域探测数据航迹关联与预测方法 | |
| CN113280821B (zh) | 基于斜率约束和回溯搜索的水下多目标跟踪方法 | |
| CN113866754B (zh) | 基于高斯分布波门的运动目标航迹关联方法 | |
| CN116184386A (zh) | 一种目标跟踪方法、设备和存储介质 | |
| Wang et al. | Research on multi-maneuvering target tracking JPDA algorithm |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220920 |