CN113219452A - 未知视域下的分布式多雷达联合配准与多目标跟踪方法 - Google Patents

未知视域下的分布式多雷达联合配准与多目标跟踪方法 Download PDF

Info

Publication number
CN113219452A
CN113219452A CN202110493847.8A CN202110493847A CN113219452A CN 113219452 A CN113219452 A CN 113219452A CN 202110493847 A CN202110493847 A CN 202110493847A CN 113219452 A CN113219452 A CN 113219452A
Authority
CN
China
Prior art keywords
radar
density
sub
node
registration
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
Application number
CN202110493847.8A
Other languages
English (en)
Other versions
CN113219452B (zh
Inventor
易伟
王紫婷
杨成新
张大琳
柴雷
孔令讲
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110493847.8A priority Critical patent/CN113219452B/zh
Publication of CN113219452A publication Critical patent/CN113219452A/zh
Application granted granted Critical
Publication of CN113219452B publication Critical patent/CN113219452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
    • 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
    • G01S7/40—Means for monitoring or calibrating
    • 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)
  • 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

本发明公开了一种未知视域下的分布式多雷达联合配准与多目标跟踪方法，克服了现有多雷达配准中未考虑雷达视域影响的问题。它的特点是：针对雷达视域未知时，雷达间的目标状态空间无法匹配的问题，首先利用基于空间分解与匹配的聚类算法将各个雷达节点本地后验概率假设密度分解为多个子密度，每两雷达节点进行子密度间的匹配，实现对雷达公共与非公共视域的区分；分别在聚类内构建可衡量后验子密度间差异的损失函数，估计雷达位置；在配准后，在聚类内分别进行融合，最终合并得到的融合子密度。本发明解决了在未知多雷达视域与多站雷达未准确定位下，进行联合多雷达位置估计与多目标跟踪的问题，具有适用于工程实际问题，计算复杂度低等特点。

Description

未知视域下的分布式多雷达联合配准与多目标跟踪方法
技术领域
本发明属于雷达探测技术领域，特别涉及一种未知视域下的分布式多雷达联合配准与多目标跟踪方法。
背景技术
随着现代信息技术的发展，多雷达探测系统已经广泛的应用于军事和民用领域，在雷达目标跟踪方面受到了极大的关注。相比于单部雷达，多雷达目标跟踪具备增强信息获取能力，扩大雷达探测视域范围，提升系统跟踪性能和鲁棒性等特点。其中分布式融合由于其具有较高灵活性，较低的计算负担和较高的鲁棒性，受到广泛关注。在进行多雷达信息融合时，由于雷达装载平台存在定位误差或者定位系统突发故障等问题，导致无法获得雷达的准确位置，进一步的在进行融合时雷达无法准确配准，对融合跟踪产生显著影响。此外，由于雷达探测能力受限，雷达可覆盖的视域范围是有限的，并且雷达处在运动平台或者存在未知遮挡物导致雷达视域未知。未知的雷达视域会导致雷达配准难以求解。因此，在未知雷达视域情况下，进行联合分布式多雷达配准与多目标跟踪方法研究是至关重要的。
针对分布式多雷达配准与多目标跟踪问题，已有部分学者提出了相应的研究成果。在文献“Distributed Joint Mapping and Registration with Limited Fields-of-View,2019International Conference on Control,Automation and InformationSciences(ICCAIS),2019,pp.1–6.”中仅针对传感器有限视域下的分布式传感器配准，以加权CS散度来衡量传感器后验密度间的差异，并将其作为代价函数，估计传感器的配准参数。但是此方法无法处理传感器视域未知情况下的传感器配准问题。当传感器雷达节点视域未知时，传感器间重叠视域范围无法获得，而传感器的配准主要取决于公共区域内的目标，此方法无法有效的进行传感器配准。在专利申请“一种分布式传感器网络协同配准方法及系统”中提出了一种分布式传感器配准方法，此方法利用前向卡尔曼滤波与后向卡尔曼滤波对目标参数进行平滑，利用平滑后的目标估计结果来进行传感器配准参数的估计。但是此方法仅能针对单目标进行传感器配准，无法处理多目标跟踪及传感器配准，并且完全未考虑传感器视域不同或未知对配准的影响。在文献“基于期望最大化与容积卡尔曼平滑器的机载多平台多传感器系统误差配准算法，控制理论与应用,2020,37(6):1232-1240”中，提出了基于期望最大化的机载多传感器配准算法，但此方法需要收集雷达节点的所有测量值。因此，此方法在雷达节点之间会造成较大的通信负担。
发明内容
本发明的目的在于克服现有技术的不足，提供一种利用空间分解与匹配方法将每两个雷达间的后验密度分解以及将配对的子密度分配至各个聚类，然后分别在能体现出雷达节点公共目标状态信息的聚类内进行雷达配准与融合，最终将得到的融合子密度合并；解决了在雷达视域未知和雷达存在配准误差时的雷达间的位置对准与多目标跟踪的问题的未知视域下的分布式多雷达联合配准与多目标跟踪方法。
本发明的目的是通过以下技术方案来实现的：未知视域下的分布式多雷达联合配准与多目标跟踪方法，包括以下步骤：
S1、根据雷达得到的目标量测信息，各个雷达节点利用概率假设密度滤波器对目标量测信息进行本地滤波跟踪，得到本地后验概率密度；
S2、利用空间分解方法将本地后验概率密度分解为多个子密度；
S3、利用空间匹配方法进行两两雷达节点间的子密度间的匹配，得到雷达节点子密度聚类；
S4、在步骤S3得到的雷达节点子密度聚类内，利用加权算数求和融合算法计算其后验子密度间的最小化加权求和的柯西许瓦兹散度，构建每两个雷达节点间的损失函数，求解配准参数，得到雷达位置参数估计值；
S5、利用步骤S4得到的得到雷达位置参数估计值，将雷达节点配准至全局坐标系中，分别使用优化后的加权算数求和算法融合各个聚类内的本地后验子密度；
S6、利用步骤S5得到的融合子密度合并成最终的融合后验密度。
进一步地，所述步骤S1具体实现方法为：各个雷达节点利用概率假设密度滤波器进行本地滤波跟踪，在i雷达节点坐标系中j雷达节点的本地后验概率密度Di,j表示为：
Figure BDA0003053486280000021
Figure BDA00030534862800000212
表示在i雷达节点的目标状态，其中角标
Figure BDA00030534862800000211
表示矩阵的转置，ξi,
Figure BDA0003053486280000023
表示x方向与y方向的目标位置，
Figure BDA00030534862800000213
表示x方向与y方向的目标速度，
Figure BDA0003053486280000025
表示由j雷达节点向i雷达节点转移的雷达节点间配准参数，ξi,j,
Figure BDA0003053486280000026
表示j雷达节点与i雷达节点间的x方向与y方向的相对位置。
进一步地，所述步骤S2具体实现方法为：雷达节点i的状态子空间分解表示为
Figure BDA0003053486280000027
其状态空间分解要求为：
Figure BDA0003053486280000028
其中定义各个子空间对应的标签集合为
Figure BDA0003053486280000029
Figure BDA00030534862800000210
表示雷达节点的数量，整体的状态空间分解为互不相交的Qi个子空间；
利用上述空间分解
Figure BDA0003053486280000031
将雷达节点i的本地后验概率密度分解为一系列子密度：
Figure BDA0003053486280000032
其中子空间
Figure BDA0003053486280000033
的子密度表示为：
Figure BDA0003053486280000034
其中，
Figure BDA0003053486280000035
是子空间
Figure BDA0003053486280000036
的指示函数。
进一步地，所述步骤S3具体实现方法为：将雷达节点i与雷达节点j的雷达节点子密度聚类
Figure BDA0003053486280000037
定义为标签集
Figure BDA0003053486280000038
与标签集
Figure BDA0003053486280000039
的聚类集合，其中聚类
Figure BDA00030534862800000310
满足下列要求：
Figure BDA00030534862800000311
其中，E表示标签集
Figure BDA00030534862800000312
与标签集
Figure BDA00030534862800000313
的标签数量；
Figure BDA00030534862800000314
表示雷达节点i的第e个标签集合，Ae表示雷达节点i的第e个标签集合中标签数量，对于第e个聚类
Figure BDA00030534862800000315
内的标签满足下列条件：
Figure BDA00030534862800000316
其中α为预先设定的阈值，
Figure BDA00030534862800000317
表示标签对应子空间的关联程度，利用L2距离来衡量：
Figure BDA00030534862800000318
其中||D||2＝∫D(x)2dx表示L2距离，
Figure BDA00030534862800000319
表示初始的雷达相对位置参数；
在进行空间分解与匹配后得到新的融合子空间，在得到的标签聚类
Figure BDA00030534862800000320
内任选一雷达节点的标签集合对应的空间可得到与聚类e对应的融合子空间
Figure BDA00030534862800000321
最终得到一组互不相交的融合子空间划分
Figure BDA00030534862800000322
然后，根据上述划分重新对各个雷达节点的本地密度进行分解：
Figure BDA0003053486280000041
其中聚类e对应子密度聚类集合为
Figure BDA0003053486280000042
雷达节点集合
Figure BDA0003053486280000043
表示只有该集合中的雷达节点才能检测到子空间
Figure BDA0003053486280000044
中的状态，进行相应的坐标系转换得到
Figure BDA0003053486280000045
进一步地，所述步骤S4具体实现方法为：采用最小化加权柯西许瓦兹散度和的方法得到加权算数求和的本地后验密度融合方法：
Figure BDA0003053486280000046
其中
Figure BDA0003053486280000047
表示D(x)与Di(x)间的柯西许瓦兹散度，ωi表示雷达节点i概率密度的重要性，并且满足
Figure BDA0003053486280000048
K是单目标状态下测量的单位；
然后采用与之对应的最小加权柯西许瓦兹散度和作为以位置参数为变量的损失函数，用以衡量本地后验密度间的差异程度：
Figure BDA0003053486280000049
基于此分别计算在步骤S3得到的各个子密度聚类集合内雷达节点i与j间的损失函数：
Figure BDA00030534862800000410
其中
Figure BDA00030534862800000411
表示聚类e对应子密度聚类集合
Figure BDA00030534862800000412
内的雷达节点子密度，K1是任意常数；
利用上述损失函数，对各个聚类内的雷达位置参数进行估计：
Figure BDA00030534862800000413
综合各个聚类的位置参数估计，得到最终的位置参数估计：
Figure BDA00030534862800000414
其中
Figure BDA00030534862800000415
表示与雷达节点i相邻的雷达节点集合。
进一步地，所述步骤S5具体实现方法为：根据得到的雷达位置参数估计值，将本地概率密度统一至同一坐标系内；然后，针对步骤S2在得到的子密度聚类，在各个聚类利用优化后的加权算数求和方法进行本地子密度融合：
Figure BDA0003053486280000051
进一步地，所述步骤S6具体实现方法为：综合融合子密度得到最终的融合结果：
Figure BDA0003053486280000052
本发明的有益效果是：本发明利用空间分解与匹配方法，在雷达视域未知的情况下，将每两个雷达间的后验密度分解以及将配对的子密度分配至各个聚类，得到雷达后验子密度的聚类，将雷达的状态空间进行划分，实现对雷达公共与非公共视域的区分。然后分别在能体现出雷达节点公共目标状态信息的聚类内进行雷达配准与融合，最终将得到的融合子密度合并。从而解决了在雷达视域未知和雷达存在配准误差时的雷达间的位置对准与多目标跟踪的问题。适用于在未知雷达视域情况下的多雷达联合配准与多目标跟踪问题。具备适用于工程实际问题，计算复杂度低等特点。
附图说明
图1为本发明的分布式多雷达联合配准与多目标跟踪方法的流程图；
图2为雷达实际视域分布与多目标运动轨迹图；
图3为未知视域下的分布式多雷达配准误差示意图；
图4为未知视域下的分布式多雷达配准中单帧聚类示意图；
图5为未知视域下的分布式多雷达配准后的多目标跟踪结果示意图。
具体实施方式
本发明的解决方案是首先根据雷达得到的目标量测信息，各个雷达节点利用概率假设密度滤波器进行本地滤波跟踪，分别得到本地后验概率密度，然后利用基于空间分解与匹配的聚类算法将各个雷达节点本地滤波后验密度分解为多个子密度，每两个雷达节点进行子密度间的匹配。再计算后验子密度间的最小化加权求和的柯西许瓦兹散度衡量后验间的差异，构建损失函数，估计雷达位置，将雷达节点配准至全局坐标系中，分别使用优化的加权算数求和方法融合本地后验子密度。最后合并融合子密度得到最终的融合后验密度，得到跟踪结果。下面结合附图进一步说明本发明的技术方案。
下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种未知视域下的分布式多雷达联合配准与多目标跟踪方法，包括以下步骤：
S1、根据雷达得到的目标量测信息，各个雷达节点利用概率假设密度滤波器(PHD)对目标量测信息进行本地滤波跟踪，得到本地后验概率密度；
具体实现方法为：各个雷达节点利用概率假设密度滤波器进行本地滤波跟踪，在i雷达节点坐标系中j雷达节点的本地后验概率密度Di,j表示为：
Figure BDA0003053486280000061
Figure BDA00030534862800000622
表示在i雷达节点的目标状态，其中角标
Figure BDA00030534862800000621
表示矩阵的转置，ξi,
Figure BDA0003053486280000063
表示x方向与y方向的目标位置，
Figure BDA00030534862800000623
表示x方向与y方向的目标速度，
Figure BDA0003053486280000065
表示由j雷达节点向i雷达节点转移的雷达节点间配准参数，ξi,j,
Figure BDA0003053486280000066
表示j雷达节点与i雷达节点间的x方向与y方向的相对位置。
S2、利用空间分解方法将本地后验概率密度分解为多个子密度；
具体实现方法为：雷达节点i的状态子空间分解表示为
Figure BDA0003053486280000067
其状态空间分解要求为：
Figure BDA0003053486280000068
其中定义各个子空间对应的标签集合为
Figure BDA0003053486280000069
Figure BDA00030534862800000610
表示雷达节点的数量，整体的状态空间分解为互不相交的Qi个子空间；
利用上述空间分解
Figure BDA00030534862800000611
将雷达节点i的本地后验概率密度分解为一系列子密度：
Figure BDA00030534862800000612
其中子空间
Figure BDA00030534862800000613
的子密度表示为：
Figure BDA00030534862800000614
其中，
Figure BDA00030534862800000615
是子空间
Figure BDA00030534862800000616
的指示函数。
S3、利用空间匹配方法进行两两雷达节点间的子密度间的匹配，得到雷达节点子密度聚类；具体实现方法为：将雷达节点i与雷达节点j的雷达节点子密度聚类
Figure BDA00030534862800000617
定义为标签集
Figure BDA00030534862800000618
与标签集
Figure BDA00030534862800000619
的聚类集合，其中聚类
Figure BDA00030534862800000620
满足下列要求：
Figure BDA0003053486280000071
其中，E表示标签集
Figure BDA0003053486280000072
与标签集
Figure BDA0003053486280000073
的标签数量；
Figure BDA0003053486280000074
表示雷达节点i的第e个标签集合，Ae表示雷达节点i的第e个标签集合中标签数量，对于第e个聚类
Figure BDA0003053486280000075
内的标签满足下列条件：
Figure BDA0003053486280000076
其中α为预先设定的阈值，
Figure BDA0003053486280000077
表示标签对应子空间的关联程度，利用L2距离来衡量：
Figure BDA0003053486280000078
其中||D||2＝∫D(x)2dx表示L2距离，
Figure BDA0003053486280000079
表示初始的雷达相对位置参数；
在进行空间分解与匹配后得到新的融合子空间，在得到的标签聚类
Figure BDA00030534862800000710
内任选一雷达节点的标签集合对应的空间可得到与聚类e对应的融合子空间
Figure BDA00030534862800000711
最终得到一组互不相交的融合子空间划分
Figure BDA00030534862800000712
然后，根据上述划分重新对各个雷达节点的本地密度进行分解：
Figure BDA00030534862800000713
其中聚类e对应子密度聚类集合为
Figure BDA00030534862800000714
雷达节点集合
Figure BDA00030534862800000715
表示只有该集合中的雷达节点才能检测到子空间
Figure BDA00030534862800000716
中的状态，进行相应的坐标系转换得到
Figure BDA00030534862800000717
S4、在步骤S3得到的雷达节点子密度聚类内，利用加权算数求和融合算法计算其后验子密度间的最小化加权求和的柯西许瓦兹散度，构建每两个雷达节点间的损失函数，求解配准参数，得到雷达位置参数估计值；
具体实现方法为：采用最小化加权柯西许瓦兹散度(CSD)和的方法得到加权算数求和的本地后验密度融合方法：
Figure BDA00030534862800000718
其中
Figure BDA00030534862800000719
表示D(x)与Di(x)间的柯西许瓦兹散度，ωi表示雷达节点i概率密度的重要性，并且满足
Figure BDA0003053486280000081
K是单目标状态下测量的单位；
然后采用与之对应的最小加权柯西许瓦兹散度和作为以位置参数为变量的损失函数，用以衡量本地后验密度间的差异程度：
Figure BDA0003053486280000082
基于此分别计算在步骤S3得到的各个子密度聚类集合内雷达节点i与j间的损失函数：
Figure BDA0003053486280000083
其中
Figure BDA0003053486280000084
表示聚类e对应子密度聚类集合
Figure BDA0003053486280000085
内的雷达节点子密度，K1是任意常数；
利用上述损失函数，对各个聚类内的雷达位置参数进行估计：
Figure BDA0003053486280000086
在求解雷达位置参数时，若采用高斯混合(GM)实现PHD滤波，在进行空间分解时可以将本地PHD依据高斯分量来分解得到的各个子密度由一个高斯项组成。因此在两两雷达节点间进行聚类后，子密度聚类内包含多个高斯项，可以直接求解得到雷达位置参数估计值。
综合各个聚类的位置参数估计，得到最终的位置参数估计：
Figure BDA0003053486280000087
其中
Figure BDA0003053486280000088
表示与雷达节点i相邻的雷达节点集合。
S5、利用步骤S4得到的得到雷达位置参数估计值，将雷达节点配准至全局坐标系中，分别使用优化后的加权算数求和算法融合各个聚类内的本地后验子密度；
具体实现方法为：根据得到的雷达位置参数估计值，将本地概率密度统一至同一坐标系内；然后，针对步骤S2在得到的子密度聚类，在各个聚类利用优化后的加权算数求和方法进行本地子密度融合：
Figure BDA0003053486280000091
S6、利用步骤S5得到的融合子密度合并成最终的融合后验密度；具体实现方法为：综合融合子密度得到最终的融合结果，即为目标跟踪结果：
Figure BDA0003053486280000092
图2为雷达实际视域分布与多目标运动轨迹图；图3为在未知雷达视域下利用本发明方法的雷达间位置参数配准误差示意图。从图中可以看出配准误差逐渐减小并趋于收敛。能够有效对雷达位置进行估计。图4为本方法中基于空间分解与匹配的聚类示意图。可以看出在公共视域内可以将得到两个雷达对同一个目标的聚类结果，能够有效进行雷达间的状态匹配。图5(a)和图5(b)为未知视域下的分布式多雷达配准后的多目标跟踪结果示意图。可以看出与单一雷达和未进行雷达配准的融合相比，可以获得更高的跟踪精度。由于视域的限制，本地雷达存在势估计偏低的问题。然而，本发明方法的势估计接近已知雷达位置的融合结果。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.未知视域下的分布式多雷达联合配准与多目标跟踪方法，其特征在于，包括以下步骤：
S1、根据雷达得到的目标量测信息，各个雷达节点利用概率假设密度滤波器对目标量测信息进行本地滤波跟踪，得到本地后验概率密度；
S2、利用空间分解方法将本地后验概率密度分解为多个子密度；
S3、利用空间匹配方法进行两两雷达节点间的子密度间的匹配，得到雷达节点子密度聚类；
S4、在步骤S3得到的雷达节点子密度聚类内，利用加权算数求和融合算法计算其后验子密度间的最小化加权求和的柯西许瓦兹散度，构建每两个雷达节点间的损失函数，求解配准参数，得到雷达位置参数估计值；
S5、利用步骤S4得到的得到雷达位置参数估计值，将雷达节点配准至全局坐标系中，分别使用优化后的加权算数求和算法融合各个聚类内的本地后验子密度；
S6、利用步骤S5得到的融合子密度合并成最终的融合后验密度。
2.根据权利要求1所述的未知视域下的分布式多雷达联合配准与多目标跟踪方法，其特征在于，所述步骤S1具体实现方法为：各个雷达节点利用概率假设密度滤波器进行本地滤波跟踪，在i雷达节点坐标系中j雷达节点的本地后验概率密度Di,j表示为：
Figure FDA0003053486270000011
Figure FDA0003053486270000012
表示在i雷达节点的目标状态，其中角标
Figure FDA00030534862700000111
表示矩阵的转置，ξi,
Figure FDA0003053486270000013
表示x方向与y方向的目标位置，
Figure FDA0003053486270000014
表示x方向与y方向的目标速度，
Figure FDA0003053486270000015
表示由j雷达节点向i雷达节点转移的雷达节点间配准参数，ξi,j,
Figure FDA0003053486270000016
表示j雷达节点与i雷达节点间的x方向与y方向的相对位置。
3.根据权利要求1所述的未知视域下的分布式多雷达联合配准与多目标跟踪方法，其特征在于，所述步骤S2具体实现方法为：雷达节点i的状态子空间分解表示为
Figure FDA0003053486270000017
其状态空间分解要求为：
Figure FDA0003053486270000018
其中定义各个子空间对应的标签集合为
Figure FDA0003053486270000019
Figure FDA00030534862700000110
表示雷达节点的数量，整体的状态空间分解为互不相交的Qi个子空间；
利用上述空间分解
Figure FDA0003053486270000021
将雷达节点i的本地后验概率密度分解为一系列子密度：
Figure FDA0003053486270000022
其中子空间
Figure FDA0003053486270000023
的子密度表示为：
Figure FDA0003053486270000024
其中，
Figure FDA0003053486270000025
是子空间
Figure FDA0003053486270000026
的指示函数。
4.根据权利要求3所述的未知视域下的分布式多雷达联合配准与多目标跟踪方法，其特征在于，所述步骤S3具体实现方法为：将雷达节点i与雷达节点j的雷达节点子密度聚类
Figure FDA0003053486270000027
定义为标签集
Figure FDA0003053486270000028
与标签集
Figure FDA0003053486270000029
的聚类集合，其中聚类
Figure FDA00030534862700000210
满足下列要求：
Figure FDA00030534862700000211
其中，E表示标签集
Figure FDA00030534862700000212
与标签集
Figure FDA00030534862700000213
的标签数量；
Figure FDA00030534862700000214
表示雷达节点i的第e个标签集合，Ae表示雷达节点i的第e个标签集合中标签数量，对于第e个聚类
Figure FDA00030534862700000215
内的标签满足下列条件：
Figure FDA00030534862700000216
其中α为预先设定的阈值，
Figure FDA00030534862700000217
表示标签对应子空间的关联程度，利用L2距离来衡量：
Figure FDA00030534862700000218
其中||D||2＝∫D(x)2dx表示L2距离，
Figure FDA00030534862700000219
表示初始的雷达相对位置参数；
在进行空间分解与匹配后得到新的融合子空间，在得到的标签聚类
Figure FDA00030534862700000220
内任选一雷达节点的标签集合对应的空间可得到与聚类e对应的融合子空间
Figure FDA00030534862700000221
最终得到一组互不相交的融合子空间划分
Figure FDA00030534862700000222
然后，根据上述划分重新对各个雷达节点的本地密度进行分解：
Figure FDA00030534862700000223
其中聚类e对应子密度聚类集合为
Figure FDA0003053486270000031
雷达节点集合
Figure FDA0003053486270000032
表示只有该集合中的雷达节点才能检测到子空间
Figure FDA0003053486270000033
中的状态，进行相应的坐标系转换得到
Figure FDA0003053486270000034
5.根据权利要求4所述的未知视域下的分布式多雷达联合配准与多目标跟踪方法，其特征在于，所述步骤S4具体实现方法为：采用最小化加权柯西许瓦兹散度和的方法得到加权算数求和的本地后验密度融合方法：
Figure FDA0003053486270000035
其中
Figure FDA0003053486270000036
表示D(x)与Di(x)间的柯西许瓦兹散度，ωi表示雷达节点i概率密度的重要性，并且满足
Figure FDA0003053486270000037
K是单目标状态下测量的单位；
然后采用与之对应的最小加权柯西许瓦兹散度和作为以位置参数为变量的损失函数，用以衡量本地后验密度间的差异程度：
Figure FDA0003053486270000038
基于此分别计算在步骤S3得到的各个子密度聚类集合内雷达节点i与j间的损失函数：
Figure FDA0003053486270000039
其中
Figure FDA00030534862700000310
表示聚类e对应子密度聚类集合
Figure FDA00030534862700000311
内的雷达节点子密度，K1是任意常数；
利用上述损失函数，对各个聚类内的雷达位置参数进行估计：
Figure FDA00030534862700000312
综合各个聚类的位置参数估计，得到最终的位置参数估计：
Figure FDA00030534862700000313
其中
Figure FDA00030534862700000314
表示与雷达节点i相邻的雷达节点集合。
6.根据权利要求5所述的未知视域下的分布式多雷达配准与多目标跟踪方法，其特征在于，所述步骤S5具体实现方法为：根据得到的雷达位置参数估计值，将本地概率密度统一至同一坐标系内；然后，针对步骤S2在得到的子密度聚类，在各个聚类利用优化后的加权算数求和方法进行本地子密度融合：
Figure FDA0003053486270000041
7.根据权利要求6所述的未知视域下的分布式多雷达配准与多目标跟踪方法，其特征在于，所述步骤S6具体实现方法为：综合融合子密度得到最终的融合结果：
Figure FDA0003053486270000042
CN202110493847.8A 2021-05-07 2021-05-07 未知视域下的分布式多雷达联合配准与多目标跟踪方法 Active CN113219452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110493847.8A CN113219452B (zh) 2021-05-07 2021-05-07 未知视域下的分布式多雷达联合配准与多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110493847.8A CN113219452B (zh) 2021-05-07 2021-05-07 未知视域下的分布式多雷达联合配准与多目标跟踪方法

Publications (2)

Publication Number Publication Date
CN113219452A true CN113219452A (zh) 2021-08-06
CN113219452B CN113219452B (zh) 2022-05-31

Family

ID=77091280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110493847.8A Active CN113219452B (zh) 2021-05-07 2021-05-07 未知视域下的分布式多雷达联合配准与多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN113219452B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872354A (zh) * 2024-03-11 2024-04-12 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质
CN117872354B (zh) * 2024-03-11 2024-05-31 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005033A (zh) * 2014-04-22 2015-10-28 罗伯特·博世有限公司 用于校准雷达传感器的方法和雷达系统
CN106154259A (zh) * 2016-06-30 2016-11-23 电子科技大学 一种随机集理论下的多传感器自适应管控方法
US20170085771A1 (en) * 2014-03-27 2017-03-23 Sony Corporation Camera with radar system
CN106896352A (zh) * 2017-04-17 2017-06-27 电子科技大学 一种基于随机集理论的多雷达异步数据分布式融合方法
CN107831490A (zh) * 2017-12-01 2018-03-23 南京理工大学 一种改进的多扩展目标跟踪方法
CN109188423A (zh) * 2018-08-29 2019-01-11 电子科技大学 一种基于多源聚类的分布式多目标跟踪方法
CN109214432A (zh) * 2018-08-16 2019-01-15 上海交通大学 一种多传感器多目标联合检测、跟踪与分类方法
CN110146850A (zh) * 2019-06-20 2019-08-20 电子科技大学 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法
CN110187336A (zh) * 2019-06-28 2019-08-30 电子科技大学 一种基于分布式phd的多站雷达站址定位和联合跟踪方法
US20200064446A1 (en) * 2018-08-27 2020-02-27 The Hong Kong University Of Science And Technology Cooperative target tracking and signal propagation learning using mobile sensors
CN111325776A (zh) * 2020-02-19 2020-06-23 江苏理工学院 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法
CN111722214A (zh) * 2020-06-03 2020-09-29 昆明理工大学 雷达多目标跟踪phd实现方法
CN111736145A (zh) * 2020-06-28 2020-10-02 电子科技大学 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法
CN112113572A (zh) * 2020-09-18 2020-12-22 桂林电子科技大学 一种解决分布式标签融合的多目标跟踪方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170085771A1 (en) * 2014-03-27 2017-03-23 Sony Corporation Camera with radar system
CN105005033A (zh) * 2014-04-22 2015-10-28 罗伯特·博世有限公司 用于校准雷达传感器的方法和雷达系统
CN106154259A (zh) * 2016-06-30 2016-11-23 电子科技大学 一种随机集理论下的多传感器自适应管控方法
CN106896352A (zh) * 2017-04-17 2017-06-27 电子科技大学 一种基于随机集理论的多雷达异步数据分布式融合方法
CN107831490A (zh) * 2017-12-01 2018-03-23 南京理工大学 一种改进的多扩展目标跟踪方法
CN109214432A (zh) * 2018-08-16 2019-01-15 上海交通大学 一种多传感器多目标联合检测、跟踪与分类方法
US20200064446A1 (en) * 2018-08-27 2020-02-27 The Hong Kong University Of Science And Technology Cooperative target tracking and signal propagation learning using mobile sensors
CN109188423A (zh) * 2018-08-29 2019-01-11 电子科技大学 一种基于多源聚类的分布式多目标跟踪方法
CN110146850A (zh) * 2019-06-20 2019-08-20 电子科技大学 用于多基地雷达失序量测融合的粒子滤波集中式跟踪方法
CN110187336A (zh) * 2019-06-28 2019-08-30 电子科技大学 一种基于分布式phd的多站雷达站址定位和联合跟踪方法
CN111325776A (zh) * 2020-02-19 2020-06-23 江苏理工学院 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法
CN111722214A (zh) * 2020-06-03 2020-09-29 昆明理工大学 雷达多目标跟踪phd实现方法
CN111736145A (zh) * 2020-06-28 2020-10-02 电子科技大学 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法
CN112113572A (zh) * 2020-09-18 2020-12-22 桂林电子科技大学 一种解决分布式标签融合的多目标跟踪方法

Non-Patent Citations (12)

* Cited by examiner, † Cited by third party
Title
L. GAO, G. BATTISTELLI, L. CHISCI AND P. WEI: "Distributed joint sensor registration and multitarget tracking via sensor network", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 *
L. GAO, G. BATTISTELLI, L. CHISCI AND P. WEI: "Distributed joint sensor registration and multitarget tracking via sensor network", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》, vol. 56, 29 July 2019 (2019-07-29), pages 1301 - 1317, XP011783060, DOI: 10.1109/TAES.2019.2929972 *
LEI CHAI;WEI YI;WUJUN LI;LINGJIANG KONG: "Distributed Multi-object Tracking and Registration with LMB Filter in Multistatic Radar Systems", 《2020 IEEE RADAR CONFERENCE (RADARCONF20)》 *
LEI CHAI;WEI YI;WUJUN LI;LINGJIANG KONG: "Distributed Multi-object Tracking and Registration with LMB Filter in Multistatic Radar Systems", 《2020 IEEE RADAR CONFERENCE (RADARCONF20)》, 4 December 2020 (2020-12-04), pages 1 - 6 *
LI, GC; BATTISTELLI, G;KONG, LJ: "Distributed multi-sensor multi-view fusion based on generalized covariance intersection", 《 SIGNAL PROCESSING》 *
LI, GC; BATTISTELLI, G;KONG, LJ: "Distributed multi-sensor multi-view fusion based on generalized covariance intersection", 《 SIGNAL PROCESSING》, 31 July 2019 (2019-07-31), pages 1 - 13 *
吴莎,杨小军: "基于Cauchy-Schwarz散度的多传感器控制", 《计算机技术与发展》 *
吴莎,杨小军: "基于Cauchy-Schwarz散度的多传感器控制", 《计算机技术与发展》, vol. 30, no. 6, 10 June 2020 (2020-06-10), pages 160 - 166 *
张良: "复杂场景中目标跟踪算法的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张良: "复杂场景中目标跟踪算法的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 April 2016 (2016-04-15), pages 138 - 1127 *
易伟: "基于检测前跟踪技术的多目标跟踪算法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
易伟: "基于检测前跟踪技术的多目标跟踪算法研究", 《中国博士学位论文全文数据库 信息科技辑》, 15 May 2013 (2013-05-15), pages 136 - 63 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872354A (zh) * 2024-03-11 2024-04-12 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质
CN117872354B (zh) * 2024-03-11 2024-05-31 陕西欧卡电子智能科技有限公司 一种多毫米波雷达点云的融合方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113219452B (zh) 2022-05-31

Similar Documents

Publication Publication Date Title
CN112268559B (zh) 复杂环境下融合slam技术的移动测量方法
Kim et al. Data fusion of radar and image measurements for multi-object tracking via Kalman filtering
CN110501006B (zh) 一种异类传感器联合航迹关联与跟踪方法
CN112991391A (zh) 一种基于雷达信号和视觉融合的车辆检测与跟踪方法
CN111999735B (zh) 一种基于径向速度和目标跟踪的动静目标分离方法
Peršić et al. Online multi-sensor calibration based on moving object tracking
CN115376109B (zh) 障碍物检测方法、障碍物检测装置以及存储介质
CN104133983A (zh) 基于加权负一阶rd和的多目标伯努利分布式融合方法
CN109581359A (zh) 一种esm无源信息与雷达有源信息关联的方法
Harlow et al. A new wave in robotics: Survey on recent mmwave radar applications in robotics
Liu et al. Topological sweep for multi-target detection of geostationary space objects
Leung et al. Multifeature-based importance weighting for the PHD SLAM filter
CN115728803A (zh) 一种城市驾驶车辆连续定位系统及方法
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
CN114528941A (zh) 传感器数据融合方法、装置、电子设备及存储介质
CN109190647B (zh) 一种有源无源数据融合方法
García et al. Model-based trajectory reconstruction with IMM smoothing and segmentation
CN113219452B (zh) 未知视域下的分布式多雷达联合配准与多目标跟踪方法
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
CN112965076A (zh) 一种用于机器人的多雷达定位系统及方法
CN117031519A (zh) 一种多目标三维协同定位方法及系统
CN116630370A (zh) 多模型pbp-tpmb机动扩展目标跟踪方法
CN116047496A (zh) 基于车载雷视动态加权融合结构模块的道路目标跟踪方法
Li et al. Exact joint estimation of registration error and target states based on GLMB filter
Shalihan et al. Moving Object Localization based on the Fusion of Ultra-WideBand and LiDAR with a Mobile Robot

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