CN113486300A - 一种无人驾驶车辆多目标跟踪方法 - Google Patents

一种无人驾驶车辆多目标跟踪方法 Download PDF

Info

Publication number
CN113486300A
CN113486300A CN202110751660.3A CN202110751660A CN113486300A CN 113486300 A CN113486300 A CN 113486300A CN 202110751660 A CN202110751660 A CN 202110751660A CN 113486300 A CN113486300 A CN 113486300A
Authority
CN
China
Prior art keywords
unmanned vehicle
target
target tracking
algorithm
sigma
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
Application number
CN202110751660.3A
Other languages
English (en)
Inventor
许致火
李爽
章强
施佺
汪月霞
王小月
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.)
Nantong University
Original Assignee
Nantong 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 Nantong University filed Critical Nantong University
Priority to CN202110751660.3A priority Critical patent/CN113486300A/zh
Publication of CN113486300A publication Critical patent/CN113486300A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种无人驾驶车辆的多目标跟踪方法，其涉及智能信息处理技术领域，旨在解决现有技术中算法处理器速度和内容容量有限，无法满足实际应用中的需求。其技术要点在于：包含以下步骤：S1：利用无损卡尔曼滤波进行无人驾驶车辆多目标跟踪；S2：通过联合数据互联算法将每帧之间的目标进行关联；S3：将无损卡尔曼滤波跟踪的无人驾驶车辆附近车辆目标运动状态与联合概率数据互联算法将每帧之间的目标进行相互关联实现结果融合，以形成精确的目光跟踪结果。本申请中通过改变传统的无人驾驶车辆的多目标跟踪算法，创新性的将两种不同的跟踪算法进行融合，达到了更为精确稳定的跟踪效果。

Description

一种无人驾驶车辆多目标跟踪方法
技术领域
本发明涉及智能信息处理技术领域，具体涉及一种无人驾驶车辆多目标跟踪方法。
背景技术
无人驾驶车辆在行车图中不仅要捕捉到周围静止环境的信息，更重要的是获取运动障碍信息，其中首要的关注对象是行人和其他车辆。
现有技术中，在密集杂波环境下，通常采用联合概率数据互联(JPDA)，通过计算目标与量测的关联概率来更新状态，考虑了所有目标和量测对关联概率的影响，因此在密集目标和密集杂波环境下，具有很好的关联效果。关联概率的计算是基于可行事件假设的，当目标和量测数目增加时可行事件激增，造成关联概率的计算量呈指数增长，而在实际应用中处理器速度和内容容量有限，并且实际目标跟踪更加复杂，现有的JPDA算法无法满足上述计算需求。
发明内容
本发明提供了一种无人驾驶车辆多目标跟踪方法，以用于解决现有技术中的算法处理器速度和内容容量有限，无法满足多目标跟踪的需求。
为解决上述技术问题，本发明提供了一种无人驾驶车辆多目标跟踪方法，包含以下步骤：
S1：利用无损卡尔曼滤波进行无人驾驶车辆多目标跟踪；
S2：通过联合数据互联算法将每帧之间的目标进行关联；
S3：将无损卡尔曼滤波跟踪的无人驾驶车辆附近车辆运动状态与联合概率数据互联算法将每帧之间的目标进行相互关联实现结果融合，以形成精确的目光跟踪结果。
优选的，所述S1中的算法流程如下所示：
A1：Sigma点的选择：
初始化系统，并根据状态生成Sigma点；
A2：模型预测步骤：
根据预测模型预测未来的Sigma点，并根据预测的Sigma点生成状态预测的Sigma点；当测量值到来时，将预测的Sigma点转换成预测测量值；
A3：数据同化步骤：
根据预测测量值与真实测量值的差值更新得到系统状态。
优选的，所述A1中具体步骤为：设初始状态为x0是一个随机的变量，平均值μ0＝E(x0)，协方差P0＝E[(x0-μ0)(x0-μ0)T]，在非叠加过程和测量噪声的情况下，将无迹变换方案应用于增广状态；
Figure BDA0003144821270000031
设2n+1个Sigma点的集合为xk-1，其中n是状态空间的维数，Wj为相关权重；则有
Figure BDA0003144821270000032
考虑所选的sigma点，选择其中包含高阶信息的点：
Figure BDA0003144821270000033
-1＜W0＜1 (6)
Figure BDA0003144821270000034
Figure BDA0003144821270000035
Figure BDA0003144821270000036
其中，权重符合以下条件：
Figure BDA0003144821270000037
其中，上述公式(5)-(10)中，
Figure BDA0003144821270000038
是矩阵
Figure BDA0003144821270000039
的行或列的平方根，W0控制着sigma点的位置，W0≥0的点倾向于远离原点，W0≤0的点倾向于靠近原点
优选的，所述A2中的具体步骤：
首先：每个Sigma点通过非线性过程模型传播：
Figure BDA0003144821270000041
变换后的点将用于计算xk预测值的均值和协方差：
Figure BDA0003144821270000042
Figure BDA0003144821270000043
然后，通过线性观测模型传播sigma点：
Figure BDA0003144821270000044
最后，利用转换后的观测值，计算它们的均值和协方差(创新协方差)：
Figure BDA0003144821270000045
Figure BDA0003144821270000046
之间的交叉协方差
Figure BDA0003144821270000047
和
Figure BDA0003144821270000048
是：
Figure BDA0003144821270000049
优选的，所述A3中具体步骤如下：将预测步骤中获得的信息与新观测值zk相结合，假设估计有以下形式：
Figure BDA00031448212700000410
增益Kk由以下公式给出：
Figure BDA00031448212700000411
后续的协方差按照以下公式更新：
Figure BDA00031448212700000412
优选的，所述S2算法流程如下所示：
B1：使用Ω代指确认函数；
定义：
Figure BDA0003144821270000051
公式(21)中，ωjt代表一个二进制的变量；
B2：通过互联矩阵来表示关联事件；
Figure BDA0003144821270000052
公式(22)中，Ω(θi(k))指代的是一个矩阵，一共有mk行，以及T+1列；且
Figure BDA0003144821270000053
公式(23)为一个分段表达式，代表两种结果：在第i个关联事件中，如果量测与目标相关联，
Figure BDA0003144821270000054
为1；否则，
Figure BDA0003144821270000055
为0；
根据假设得出：
Figure BDA0003144821270000056
Figure BDA0003144821270000057
其中上述公式(24)、(25)的mk为θi(k)中来自目标t的量测数；
B3：量测互联指示和目标检测指示；
B4：进行互联事件概率计算。
优选的，所述B3中：
量测互联：
Figure BDA0003144821270000061
目标检测：
Figure BDA0003144821270000062
假设φ(θi(k))表示假的量测的数量，则：
Figure BDA0003144821270000063
优选的，所述B4中，通过量测j与目标的关联概率：
Figure BDA0003144821270000064
公式(29)依据不同的模型对开率计算结果划分：
如果互联事件φ(θi(k))满足泊松分布：
则
Figure BDA0003144821270000065
如果互联事件满足的是均匀分布：
Figure BDA0003144821270000066
其中公式(30)、(31)中的PD代表的是门概率，表示落在区域中的正确量测。
本申请所提供的一种无人驾驶车辆多目标跟踪方法，改变了传统的无人驾驶车辆多目标跟踪算法，将无损卡尔曼滤波算法与联合概率数据互联算法进行融合，从而达到了更为精确稳定的跟踪效果。
附图说明
图1是本发明一实施方式中无人驾驶车辆多目标跟踪方法的算法结合流程图；
图2是本发明一实施方式中无人驾驶车辆多目标跟踪方法的无损卡尔曼滤波算法流程；
图3是本发明一实施方式中无人驾驶车辆多目标跟踪方法的联合概率数据互联算法流程。
具体实施方式
部分名词解释：
无损卡尔曼滤波：又称无迹卡尔曼滤波(Unscented Kalman Filter，UKF)，是无损变换(Unscented Transform，UT)与标准卡尔曼滤波体系的结合，通过UT变换使非线性系统方程适用于线性假设下的标准卡尔曼体系。
联合概率数据互联：是数据关联算法之一，它的基本思想是：对应于观测数据落入跟踪门相交区域的情况，这些观测数据可能来源于多个目标。联合概率数据互联的目的在于计算观测数据与每一个目标之间的关联概率，且认为所有的有效回波都可能源于每个特定目标，只是它们源于不同目标的概率不同。联合概率数据互联算法的优点在于它不需要任何关于目标和杂波的先验信息，是在杂波环境中对多目标进行跟踪的较好方法之一。
为使本发明的目的、技术方案和优点更加清楚，以下结合具体实施例，对本发明作进一步地详细说明。
请参阅图1、图2和图3，一种无人驾驶车辆多目标跟踪方法，基于无损卡尔曼滤波及联合概率数据互联的一种多算法融合的无热车多目标跟踪方法，其技术方案为：通过无损卡尔曼滤波对原始数据(也被称为点迹)进行处理，会自动形成一个轨迹，并预测下一时刻目标的位置，这个预测可以是当前的位置，也可以是对未来的一小段时间的估计预测，是相对准确的，从而达到跟踪无人驾驶车辆附近车辆的运动状态的效果，再通过联合数据互联算法将每帧之间的目标进行相互关联，最后得到更为精确的目光跟踪结果。
具体实施步骤如下所示：
S1：利用无损卡尔曼滤波进行无人驾驶车辆多目标跟踪；
请参阅图2，在一实施方式中，无损卡尔曼滤波的算法流程如下所示：
A1：Sigma点的选择：
首先，初始化系统状态，并根据初始后的系统状态生成Sigma点。
考虑到以下非线性系统，由差分方程和具有加性噪声的观测模型描述：
即xk＝f(Xk-1)+Wk-1 (1)
zk＝h(xk)+vk (2)
设初始状态为x0是一个随机的变量，平均值μ0＝E(x0)，协方差P0＝E[(x0-μ0)(x0-μ0)T]，在非叠加过程和测量噪声的情况下，将无迹变换方案应用于增广状态；
Figure BDA0003144821270000091
设2n+1个Sigma点的集合为xk-1，其中n是状态空间的维数，Wj为相关权重；则有
Figure BDA0003144821270000092
考虑所选的sigma点，选择其中包含高阶信息的点：
Figure BDA0003144821270000101
-1＜W0＜1 (6)
Figure BDA0003144821270000102
Figure BDA0003144821270000103
Figure BDA0003144821270000104
其中，权重符合以下条件：
Figure BDA0003144821270000105
其中，上述公式中，
Figure BDA0003144821270000106
是矩阵
Figure BDA0003144821270000107
的行或列的平方根，W0控制着sigma点的位置，W0≥0的点倾向于远离原点，W0≤0的点倾向于靠近原点。
A2：模型预测步骤：
根据预测模型预测未来的Sigma点:
具体的，每个Sigma点通过非线性过程模型传播：
Figure BDA0003144821270000108
变换后的点将用于计算xk预测值的均值和协方差：
Figure BDA0003144821270000109
Figure BDA00031448212700001010
然后，根据预测的Sigma点生成状态预测的Sigma点:
具体的，通过线性观测模型传播sigma点：
Figure BDA0003144821270000111
当测量值到来时，将预测的Sigma点转换成预测测量值：
具体的，利用转换后的观测值，计算它们的均值和协方差(创新协方差)：
Figure BDA0003144821270000112
Figure BDA0003144821270000113
之间的交叉协方差
Figure BDA0003144821270000114
和
Figure BDA0003144821270000115
是：
Figure BDA0003144821270000116
A3：数据同化步骤：
根据预测测量值与真实测量值的差值更新得到系统状态：
具体的，将预测步骤中获得的信息与新观测值zk相结合。就像在KF(卡尔曼滤波)中一样，假设估计有以下形式：
Figure BDA0003144821270000117
增益Kk由以下公式给出：
Figure BDA0003144821270000118
后续的协方差按照以下公式更新：
Figure BDA0003144821270000119
S2：通过联合数据互联算法将每帧之间的目标进行关联。
请参阅图3，在一实施方式中，联合数据互联算法是通过计算跟踪门内的扫描点迹来对目标进行关联，通过计算的点迹和航迹的关联概率来对当前的点进行加权并且修正航迹。权重就是跟踪中的来自目标的概率。在实际情况中，就是计算所有的点迹-航迹关联概率来进行加权算法，计算关联概率来给目标进行赋值权重。
具体算法如下所示：
B1：使用Ω代指确认函数，用来包含有效回波和跟踪门的参数条件以及相互关系，定义为：
Figure BDA0003144821270000121
其中，上述公式中，ωjt代表一个二进制的变量，确认矩阵中也会出现(0 1 2 3 4... T)，T个虚警和mk个测量结果。矩阵中第一列全是1，是因为在计算时需要考虑到每一个目标都有可能是虚警的情况，
Figure BDA0003144821270000122
B2：通过互联矩阵来表示关联事件：
Figure BDA0003144821270000123
上述公式(22)中Ω(θi(k))指代的是一个矩阵，一共有mk行，以及T+1列；在上述公式(22)中：
Figure BDA0003144821270000131
上述公式(23)为一个分段表达式，代表两种结果：在第i个关联事件中，如果量测与目标相关联，
Figure BDA0003144821270000132
为1；否则，
Figure BDA0003144821270000133
为0。
根据假设易得出：
Figure BDA0003144821270000134
Figure BDA0003144821270000135
其中上述公式(24)、(25)的mk为θi(k)中来自目标t的量测数。
B3：量测互联指示与目标检测指示：根据公式(24)、(25)可得：
量测互联：
Figure BDA0003144821270000136
目标检测：
Figure BDA0003144821270000137
假设φ(θi(k))表示假的量测的数量：
Figure BDA0003144821270000138
B4：进行互联事件概率的计算，具体的，量测j与目标的关联概率：
Figure BDA0003144821270000139
公式(30)依据不同的模型可以对概率计算结果划分：
第一种、参数模型：
如果互联事件φ(θi(k))满足泊松分布：
Figure BDA0003144821270000141
第二种、非参数模型：
如果互联事件φ(θi(k))满足的是均匀分布：
Figure BDA0003144821270000142
其中公式(30)、(31)中的PD代表的是门概率，表示落在区域中的正确量测。
S3：将无损卡曼尔滤波跟踪的无人驾驶车辆附近车辆运动状态与联合概率数据互联算法将每帧之间的目标进行相互关联实现结果融合，最后形成较为精确的目光跟踪结果。
应用过程中，无损卡尔曼滤波不需要将非线性问题转化为简单的线性问题，而是进行无损变换。并且采用sigma点采样，在非线性情况下通过状态更新方程和观测修正方程得到系统状态的协方差和均值。具有高精度和高稳定性的特点。
联合概率数据互联算法对雷达数据进行处理能保证雷达数据的稳定性、精确性。在使用聚类算法提取特征后，通过在雷达选定区域进行特征提取来对车辆进行筛选并确定航迹。在面对目标数量增多的情况时，使用局部优化代替全局优化，使得算法更加简洁有效。
本申请所提供的一种无人驾驶车辆多目标跟踪方法，改变了传统的无人驾驶车辆多目标跟踪算法，将无损卡尔曼滤波算法与联合概率数据互联算法进行融合，从而达到了更为精确稳定的跟踪效果。
以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围。

Claims (8)

1.一种无人驾驶车辆多目标跟踪方法，其特征在于：包含以下步骤：
S1：利用无损卡尔曼滤波进行无人驾驶车辆多目标跟踪；
S2：通过联合数据互联算法将每帧之间的目标进行关联；
S3：将无损卡尔曼滤波跟踪的无人驾驶车辆附近车辆运动状态与联合概率数据互联算法将每帧之间的目标进行相互关联实现结果融合，以形成精确的目光跟踪结果。
2.根据权利要求1所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述S1中的算法流程如下所示：
A1：Sigma点的选择：
初始化系统，并根据状态生成Sigma点；
A2：模型预测步骤：
根据预测模型预测未来的Sigma点，并根据预测的Sigma点生成状态预测的Sigma点；当测量值到来时，将预测的Sigma点转换成预测测量值；
A3：数据同化步骤：
根据预测测量值与真实测量值的差值更新得到系统状态。
3.根据权利要求1所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述A1中具体步骤为：设初始状态为x0是一个随机的变量，平均值μ0＝E(x0)，协方差P0＝E[(x0-μ0)(x0-μ0)T]，在非叠加过程和测量噪声的情况下，将无迹变换方案应用于增广状态；
Figure FDA0003144821260000021
设2n+1个Sigma点的集合为xk-1，其中n是状态空间的维数，Wj为相关权重；则有
Figure FDA0003144821260000022
考虑所选的sigma点，选择其中包含高阶信息的点：
Figure FDA0003144821260000023
-1＜W0＜1 (6)
Figure FDA0003144821260000024
Figure FDA0003144821260000025
Figure FDA0003144821260000026
其中，权重符合以下条件：
Figure FDA0003144821260000027
其中，上述公式(5)-(10)中，
Figure FDA0003144821260000028
是矩阵
Figure FDA0003144821260000029
的行或列的平方根，W0控制着sigma点的位置，当W0≥0的点倾向于远离原点，W0≤0的点倾向于靠近原点。
4.根据权利要求1所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述A2中的具体步骤：
首先：每个Sigma点通过非线性过程模型传播：
Figure FDA0003144821260000031
变换后的点将用于计算xk预测值的均值和协方差：
Figure FDA0003144821260000032
Figure FDA0003144821260000033
然后，通过线性观测模型传播sigma点：
Figure FDA0003144821260000034
最后，利用转换后的观测值，计算它们的均值和协方差(创新协方差)：
Figure FDA0003144821260000035
Figure FDA0003144821260000036
之间的交叉协方差
Figure FDA0003144821260000037
和
Figure FDA0003144821260000038
是：
Figure FDA0003144821260000039
5.根据权利要求1所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述A3中具体步骤如下：将预测步骤中获得的信息与新观测值zk相结合，假设估计有以下形式：
Figure FDA0003144821260000041
增益Kk由以下公式给出：
Figure FDA0003144821260000042
后续的协方差按照以下公式更新：
Figure FDA0003144821260000043
6.根据权利要求1所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述S2算法流程如下所示：
B1：使用Ω代指确认函数；
定义：
Figure FDA0003144821260000044
公式(21)中，ωjt代表一个二进制的变量；
B2：通过互联矩阵来表示关联事件；
Figure FDA0003144821260000045
公式(22)中，Ω(θi(k))指代的是一个矩阵，一共有mk行，以及T+1列；且
Figure FDA0003144821260000046
公式(23)为一个分段表达式，代表两种结果：在第i个关联事件中，如果量测与目标相关联，
Figure FDA0003144821260000047
为1；否则，
Figure FDA0003144821260000048
为0；
根据假设得出：
Figure FDA0003144821260000051
Figure FDA0003144821260000052
其中上述公式(24)、(25)的mk为θi(k)中来自目标t的量测数；
B3：量测互联指示和目标检测指示；
B4：进行互联事件概率计算。
7.根据权利要求6所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述B3中：
量测互联：
Figure FDA0003144821260000053
目标检测：
Figure FDA0003144821260000054
假设φ(θi(k))表示假的量测的数量，则：
Figure FDA0003144821260000055
8.根据权利要求6所述的无人驾驶车辆多目标跟踪方法，其特征在于：所述B4中，通过量测j与目标的关联概率：
Figure FDA0003144821260000056
公式(29)依据不同的模型对开率计算结果划分：
如果互联事件φ(θi(k))满足泊松分布：
则
Figure FDA0003144821260000061
如果互联事件满足的是均匀分布：则
Figure FDA0003144821260000062
其中公式(30)、(31)中的PD代表的是门概率，表示落在区域中的正确量测。
CN202110751660.3A 2021-07-02 2021-07-02 一种无人驾驶车辆多目标跟踪方法 Pending CN113486300A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110751660.3A CN113486300A (zh) 2021-07-02 2021-07-02 一种无人驾驶车辆多目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110751660.3A CN113486300A (zh) 2021-07-02 2021-07-02 一种无人驾驶车辆多目标跟踪方法

Publications (1)

Publication Number Publication Date
CN113486300A true CN113486300A (zh) 2021-10-08

Family

ID=77940463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110751660.3A Pending CN113486300A (zh) 2021-07-02 2021-07-02 一种无人驾驶车辆多目标跟踪方法

Country Status (1)

Country Link
CN (1) CN113486300A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN108490927A (zh) * 2018-01-24 2018-09-04 天津大学 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法
CN111523619A (zh) * 2020-07-03 2020-08-11 华人运通(上海)新能源驱动技术有限公司 目标存在概率的计算方法、装置、电子设备及存储介质
CN111896947A (zh) * 2019-10-14 2020-11-06 镇江盛益系统科技有限公司 一种用于汽车毫米波雷达的快速超分辨跟踪系统及方法
CN112859059A (zh) * 2021-03-26 2021-05-28 江西商思伏沌科技有限公司 目标检测与跟踪系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443622A (zh) * 2016-09-13 2017-02-22 哈尔滨工程大学 一种基于改进联合概率数据关联的分布式目标跟踪方法
CN106980114A (zh) * 2017-03-31 2017-07-25 电子科技大学 无源雷达目标跟踪方法
CN108490927A (zh) * 2018-01-24 2018-09-04 天津大学 一种应用于无人驾驶汽车的目标跟踪系统及跟踪方法
CN111896947A (zh) * 2019-10-14 2020-11-06 镇江盛益系统科技有限公司 一种用于汽车毫米波雷达的快速超分辨跟踪系统及方法
CN111523619A (zh) * 2020-07-03 2020-08-11 华人运通(上海)新能源驱动技术有限公司 目标存在概率的计算方法、装置、电子设备及存储介质
CN112859059A (zh) * 2021-03-26 2021-05-28 江西商思伏沌科技有限公司 目标检测与跟踪系统和方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ABSTRACT1217: "JPDA", 《DOC88.COM/P-1953433577918.HTML》 *
FAN HUANG等: "An Improved Multi-target Tracking Algorithm forAutomotive Radar", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 *
GABRIEL A. TEREJANU: "Unscented Kalman Filter Tutorial", 《COMMUNICATE EFFECTIVELY》 *

Similar Documents

Publication Publication Date Title
Särkkä et al. Rao-Blackwellized particle filter for multiple target tracking
Kalandros et al. Tutorial on multisensor management and fusion algorithms for target tracking
CN109508000A (zh) 异构多传感器多目标跟踪方法
CN111722214B (zh) 雷达多目标跟踪phd实现方法
Agate et al. Road-constrained target tracking and identification using a particle filter
CN108871365B (zh) 一种航向约束下的状态估计方法及系统
CN111428369A (zh) 一种空间目标碰撞预警结果置信度计算方法
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
Raitoharju et al. Partitioned update Kalman filter
CN110889862A (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN113077495B (zh) 在线多目标跟踪方法、系统、计算机设备及可读存储介质
Korkin et al. Multiparticle Kalman filter for object localization in symmetric environments
Rameshbabu et al. Target tracking system using kalman filter
CN116047495B (zh) 一种用于三坐标雷达的状态变换融合滤波跟踪方法
Agate et al. Utilizing negative information to track ground vehicles through move-stop-move cycles
CN115220002B (zh) 一种固定单站的多目标数据关联跟踪方法和相关装置
CN113486300A (zh) 一种无人驾驶车辆多目标跟踪方法
CN115619825A (zh) 地面多目标跟踪状态及轨迹确定方法
CN113511194A (zh) 一种纵向避撞预警方法及相关装置
CN109188422A (zh) 一种基于lu分解的卡尔曼滤波目标跟踪方法
Krishnamurthy et al. Sequential detection with mutual information stopping cost
Aughenbaugh et al. Particle-inspired motion updates for grid-based Bayesian trackers
Moawad et al. Study a bearing-only moving ground target tracking problem using single seismic sensor
Liu et al. Multiple maneuvering target tracking by improved particle filter based on multiscan JPDA
Sönmez et al. Analysis of performance criteria for optimization based bearing only target tracking algorithms

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: 20211008

RJ01 Rejection of invention patent application after publication