CN113591976A - 一种基于前向全近邻解相关的乱序航迹融合方法 - Google Patents

一种基于前向全近邻解相关的乱序航迹融合方法 Download PDF

Info

Publication number
CN113591976A
CN113591976A CN202110865455.XA CN202110865455A CN113591976A CN 113591976 A CN113591976 A CN 113591976A CN 202110865455 A CN202110865455 A CN 202110865455A CN 113591976 A CN113591976 A CN 113591976A
Authority
CN
China
Prior art keywords
track
time
target
tau
moment
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
CN202110865455.XA
Other languages
English (en)
Inventor
石义芳
陈柔洁
张瑜
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202110865455.XA priority Critical patent/CN113591976A/zh
Publication of CN113591976A publication Critical patent/CN113591976A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

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

Abstract

本发明公开了一种基于前向全近邻解相关的乱序航迹融合方法。该方法利用融合中心存储的中心航迹历史信息对来源不确定的乱序航迹集进行全近邻顺序融合，通过解相关操作获取仅由乱序航迹集更新的中心航迹估计值，并将其与当前时刻更新的中心航迹在混合状态空间进行高效融合，在充分利用乱序航迹隐含的目标信息的基础上，利用全近邻融合解决了航迹来源不确定的问题，通过前向预测和解相关操作，大幅提升目标跟踪精度、目标航迹起始速度以及目标航迹维持度。与丢弃法相比，本方法的时间平均位置均方根误差降低了63％，目标航迹起始速度提升了22％，有效提高了中心航迹的跟踪精度、目标航迹的起始速度以及目标航迹的维持度。

Description

一种基于前向全近邻解相关的乱序航迹融合方法
技术领域
本发明属于目标自动跟踪领域，涉及多源乱序航迹融合方法，具体涉及一种基于前向全近邻解相关的乱序航迹融合方法。
背景技术
在多源航迹融合领域，融合中心接收各个传感器局部跟踪得到的航迹并进行航迹融合，与单传感器目标跟踪相比，提高了目标跟踪性能；与多源点迹信息融合相比，减轻了通信宽带的压力和融合中心的计算量。实际上，在进行数据传输时，由于各个传感器与融合中心的空间距离不同，会导致不同程度的通信时延，延迟时间会随着传输距离增加而增加。通信时延导致到达融合中心的数据出现时序混乱的情况，直接对乱序信息进行融合处理会严重降低融合中心的跟踪性能。如何合理利用乱序信息是信息融合的一个技术难点。
针对航迹乱序到达融合中心的问题，常用的乱序航迹处理方式为丢弃法，即融合中心接收乱序航迹后直接丢弃不处理，其主要思想为：在当前融合周期内，将传感器上传的确认航迹更新时间戳与中心航迹当前时间戳进行对比，判断传感器上传的确认航迹是否发生乱序：若发生乱序，直接将其丢弃不用；若没有发生乱序，则采用全近邻融合算法对传感器上传的航迹进行融合。由上述分析可知，丢弃法虽然降低了融合中心的计算量和存储量，但未能有效利用目标多源信息，导致降低了中心航迹的跟踪性能。
发明内容
针对现有技术的不足，本发明提出了一种基于前向全近邻解相关的乱序航迹融合方法，利用融合中心存储的中心航迹历史信息对来源不确定的乱序航迹集进行全近邻顺序融合，通过解相关操作获取仅由乱序航迹集更新的中心航迹估计值，并将其与当前时刻更新的中心航迹在混合状态空间进行高效融合，解决航迹来源不确定的问题，并提高了航迹精度。
当前时刻为k时刻，在(η3,η4]这个融合周期内，融合中心接收到了传感器a在第τ时刻更新的确认航迹集Tτ(a)，由于τ<k，因此确认航迹集Tτ(a)为乱序航迹集。
一种基于前向全近邻解相关的乱序航迹融合方法，利用乱序航迹集Tτ(a)将k时刻的中心航迹由当前混合状态
Figure BDA0003187371130000011
更新为融合后的
Figure BDA0003187371130000012
按照条件概率公式展开为：
Figure BDA0003187371130000021
其中，χ表示目标存在事件，x表目标动力学状态，f表示中心航迹。
Figure BDA0003187371130000022
表示截至到k时刻融合中心接收到的所有航迹集合，p(·)表示概率密度函数，P(·)表示概率。
Figure BDA0003187371130000023
表示传感器a在τ时刻更新的确认航迹集，其中传感器a在τ时刻更新的第i条航迹的后验概率密度函数为：
Figure BDA0003187371130000024
根据条件概率公式展开：
Figure BDA0003187371130000025
其中，
Figure BDA0003187371130000026
表示截至到τ时刻传感器a接收到的所有测量集合。
Figure BDA0003187371130000027
表示传感器a在τ时刻更新得到的第i条确认航迹的目标存在概率，
Figure BDA0003187371130000028
表示传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态估计：
Figure BDA0003187371130000029
其中，N(·)表示高斯函数，
Figure BDA00031873711300000210
表示高斯分布的均值，即传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态均值，
Figure BDA00031873711300000211
表示高斯分布的协方差，即传感器a在τ时刻更新得到的第i条确认航迹的误差协方差。
Figure BDA00031873711300000212
为由乱序航迹更新后中心航迹在第k时刻的目标存在概率，
Figure BDA00031873711300000213
为由乱序航迹更新后中心航迹在第k时刻的目标动力学状态估计。
一种基于前向全近邻解相关的乱序航迹融合方法，通过以下步骤求解
Figure BDA00031873711300000214
与
Figure BDA00031873711300000215
完成乱序航迹融合：
步骤一、根据b时刻的历史航迹混合状态，预测中心航迹在τ时刻的混合状态
已知b时刻中心航迹的混合状态为：
Figure BDA00031873711300000216
根据条件概率公式展开得到：
Figure BDA00031873711300000217
其中，
Figure BDA0003187371130000031
表示中心航迹在b时刻更新得到的目标存在概率，
Figure BDA0003187371130000032
表示中心航迹在b时刻更新得到的目标动力学状态估计：
Figure BDA0003187371130000033
其中，
Figure BDA0003187371130000034
表示b时刻目标动力学状态的估计均值，
Figure BDA0003187371130000035
表示b时刻目标动力学状态估计的误差协方差。
根据b时刻的历史航迹混合状态预测中心航迹在τ时刻的混合状态为：
Figure BDA0003187371130000036
其中，
Figure BDA0003187371130000037
表示根据b时刻预测得到的中心航迹在τ时刻混合状态，
Figure BDA0003187371130000038
表示由b时刻到τ时刻目标存在概率的预测：
Figure BDA0003187371130000039
其中，p11表示在上一时刻目标存在的情况下，当前时刻目标仍然存在的概率。
Figure BDA00031873711300000310
表示中心航迹从b时刻到τ时刻目标动力学状态预测：
Figure BDA00031873711300000311
其中，
Figure BDA00031873711300000312
表示中心航迹从b时刻到τ时刻目标动力学状态的预测均值，
Figure BDA00031873711300000313
表示中心航迹从b时刻到τ时刻目标动力学状态的预测误差协方差：
Figure BDA00031873711300000314
其中，Fτ|b表示从b时刻到τ时刻的目标状态转移矩阵，Qτ|b表示从b时刻到τ时刻的过程噪声协方差矩阵。
作为优选，设置p11的值为0.98。
作为优选，目标状态转移矩阵Fτ|b根据目标运动模型确定，过程噪声协方差矩阵Qτ|b为加性高斯白噪声。
步骤二、根据k时刻接受到的乱序航迹信息Tτ(a)，更新中心航迹在τ时刻的混合状态根据条件概率公式，将中心航迹在τ时刻更新后的混合状态
Figure BDA00031873711300000315
展开为：
Figure BDA00031873711300000316
其中，
Figure BDA00031873711300000317
表示中心航迹在τ时刻更新后的目标存在概率，
Figure BDA00031873711300000318
表示中心航迹在τ时刻更新后的目标动力学状态估计。
设置门限对航迹进行筛选，减少计算量，然后计算门限内的航迹集合中每条航迹的关联概率，得到中心航迹在τ时刻的混合状态。具体步骤进行如下：
s2.1、门限技术
设置航迹门限γ对τ时刻的中心航迹进行筛选：
Figure BDA0003187371130000041
其中，
Figure BDA0003187371130000042
表示乱序航迹集Tτ(a)中的第i条航迹在τ时刻更新得到的目标动力学状态估计。
Figure BDA0003187371130000043
表示新息协方差：
Figure BDA0003187371130000044
其中，
Figure BDA0003187371130000045
表示在τ时刻中心航迹和传感器a的第i条航迹的互协方差。
筛选后得到门限内的航迹集合
Figure BDA0003187371130000046
s2.2、计算关联概率
计算航迹集合
Figure BDA0003187371130000047
中每条航迹的关联概率
Figure BDA0003187371130000048
Figure BDA0003187371130000049
关联概率
Figure BDA00031873711300000410
表示τ时刻航迹集合
Figure BDA00031873711300000411
内第j条航迹与中心航迹跟踪同一个目标的概率。Pd为检测概率，
Figure BDA00031873711300000412
表示门限内第j条航迹在τ时刻的目标存在概率，mτ表示航迹集合
Figure BDA00031873711300000413
中的航迹数量，
Figure BDA00031873711300000414
表示门限中第j条航迹的目标动力学状态预测，
Figure BDA00031873711300000415
表示虚假航迹的密度，Mτ表示τ时刻传感器a更新得到的确认航迹的个数，Va表示传感器a在状态域上的探测范围。
Figure BDA00031873711300000416
为似然比：
Figure BDA00031873711300000417
s2.3、求解混合状态
中心航迹在τ时刻更新后的目标存在概率
Figure BDA00031873711300000418
为：
Figure BDA0003187371130000051
中心航迹在τ时刻更新后的目标动力学状态估计
Figure BDA0003187371130000052
为：
Figure BDA0003187371130000053
其中，
Figure BDA0003187371130000054
表示中心航迹在τ时刻的目标动力学状态估计均值，
Figure BDA0003187371130000055
表示中心航迹在τ时刻的目标动力学状态估计误差协方差，根据高斯混合有：
Figure BDA0003187371130000056
Figure BDA0003187371130000057
当j＝0时：
Figure BDA0003187371130000058
Figure BDA0003187371130000059
当j>0时：
Figure BDA00031873711300000510
Figure BDA00031873711300000511
作为优选，航迹门限γ＝13.816，互协方差
Figure BDA00031873711300000512
步骤三、根据更新后τ时刻的混合状态，预测中心航迹在k时刻的混合状态
根据步骤二得到的中心航迹在τ时刻更新后的混合状态
Figure BDA00031873711300000513
对中心航迹在k时刻的混合状态
Figure BDA00031873711300000514
进行预测：
Figure BDA00031873711300000515
Figure BDA00031873711300000516
其中，int(·)表示向下取整，T表示主传感器的采样周期。
因此从τ时刻预测到k时刻中心航迹的目标动力学状态为：
Figure BDA0003187371130000061
Figure BDA0003187371130000062
步骤四、根据b时刻的历史航迹混合状态，预测中心航迹在k时刻的混合状态
根据b时刻的历史航迹混合状态，预测中心航迹在k时刻的混合状态
Figure BDA0003187371130000063
Figure BDA0003187371130000064
其中，k时刻目标存在概率预测值为：
Figure BDA0003187371130000065
k时刻目标动力学状态预测值为：
Figure BDA0003187371130000066
k时刻预测均值为：
Figure BDA0003187371130000067
k时刻预测误差协方差为：
Figure BDA0003187371130000068
步骤五、对预测的k时刻混合状态进行处理
将步骤三得到的由τ时刻预测的k时刻中心航迹混合状态预测
Figure BDA0003187371130000069
与步骤四得到的由b时刻预测的k时刻中心航迹混合状态预测
Figure BDA00031873711300000610
进行解相关处理，得到由乱序航迹集Tτ(a)更新的中心航迹混合状态预测结果，其中目标存在概率的预测为：
Figure BDA00031873711300000611
目标动力学状态预测为：
Figure BDA00031873711300000612
其中，
Figure BDA00031873711300000613
步骤六、航迹融合
将步骤五处理后的k时刻中心航迹混合状态预测与k时刻中心航迹混合状态进行融合处理，按照条件概率公式展开为：
Figure BDA00031873711300000614
融合处理后k时刻的目标存在概率为：
Figure BDA0003187371130000071
融合处理后k时刻的目标动力学状态估计为：
Figure BDA0003187371130000072
其中，
Figure BDA0003187371130000073
本发明具有以下有益效果：
1、利用全近邻融合算法，解决乱序航迹来源不确定的问题，为乱序航迹融合提供明确输入。
2、充分利用乱序航迹集隐含的目标信息，通过前向预测和解相关操作，解决乱序航迹的高效融合问题，大幅提升目标跟踪精度、目标航迹起始速度和目标航迹维持度。
附图说明
图1为多传感器航迹乱序到达融合中心示意图；
图2为实施例中的仿真场景图；
图3为丢弃法与实施例的位置RMSE比较图；
图4为丢弃法与实施例的平均CTT个数比较图。
具体实施方式
以下结合附图对本发明作进一步的解释说明；
如图1所示，当前时刻为k时刻，在(η3,η4]这个融合周期内，融合中心接收到了传感器a在第τ时刻更新的确认航迹集Tτ(a)，由于τ<k，因此确认航迹集Tτ(a)为乱序航迹集。本方法利用乱序航迹集Tτ(a)将k时刻的中心航迹由当前混合状态
Figure BDA0003187371130000074
更新为融合后的
Figure BDA0003187371130000075
按照条件概率公式展开为：
Figure BDA0003187371130000076
其中，χ表示目标存在事件，x表目标动力学状态，f表示中心航迹。
Figure BDA0003187371130000077
表示截至到k时刻融合中心接收到的所有航迹集合，p(·)表示概率密度函数，P(·)表示概率。
Figure BDA0003187371130000078
表示传感器a在τ时刻更新的确认航迹集，其中传感器a在τ时刻更新的第i条航迹的后验概率密度函数为：
Figure BDA0003187371130000081
根据条件概率公式展开：
Figure BDA0003187371130000082
其中，
Figure BDA0003187371130000083
表示截至到τ时刻传感器a接收到的所有测量集合。
Figure BDA0003187371130000084
表示传感器a在τ时刻更新得到的第i条确认航迹的目标存在概率，
Figure BDA0003187371130000085
表示传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态估计：
Figure BDA0003187371130000086
其中，N(·)表示高斯函数，
Figure BDA0003187371130000087
表示高斯分布的均值，即传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态均值，
Figure BDA0003187371130000088
表示高斯分布的协方差，即传感器a在τ时刻更新得到的第i条确认航迹的误差协方差。
Figure BDA0003187371130000089
为由乱序航迹更新后中心航迹在第k时刻的目标存在概率，
Figure BDA00031873711300000810
为由乱序航迹更新后中心航迹在第k时刻的目标动力学状态估计。
设置如图2所示的仿真场景，其中两个传感器的监控范围一致，目标在监控区域内做匀速直线运动，使用本方法与丢弃法进行仿真，统计20次蒙特卡洛实验的结果。
丢弃法与本方法的位置均方根误差如图3所示，本方法相较于丢弃法能有效提高目标的跟踪精度，如表1所示，本方法的时间平均位置RMSE相较于丢弃法降低了63.4％。
丢弃法 本方法 提升精度
25.5832 9.3644 63.4％
表1
丢弃法与本方法的平均CTT个数随时间变化结果如图4所示，本方法相较于丢弃法能有效提高目标航迹起始速度并有效维持对目标的跟踪，如表2所示：
时间/s 丢弃法 本方法
9 0.55 0.7
23 0.95 1
55 0.95 1
表2
在仿真全过程，本方法的平均目标航迹个数均不小于丢弃法。在仿真初始阶段，本方法的平均目标航迹个数不小于丢弃法，说明本方法能提高目标航迹的起始速度。在仿真中后期阶段，丢弃法出现平均目标航迹个数减少的情况，说明存在目标跟丢的现象；而本方法的平均目标航迹个数一直等于目标个数，说明本方法能提高目标航迹的维持度。通过快速起始并维持目标航迹，可大幅减少虚假警报，将目标快速、准确地识别出来。在实际应用中，可应用于目标的快速识别和侦察，以更快的速度掌握局势。还可以应用于无人驾驶技术中，将汽车上多传感器的测量结果进行融合迭代，快速、准确得识别前方的目标，提高无人驾驶技术的安全性能。

Claims (5)

1.一种基于前向全近邻解相关的乱序航迹融合方法，针对融合中心在k时刻接收到传感器a在τ时刻更新的乱序航迹集Tτ(a)进行航迹融合，其特征在于：定义b＜τ＜k，该方法具体包括以下步骤：
步骤一、根据b时刻的历史航迹混合状态，预测中心航迹在τ时刻的混合状态
已知b时刻中心航迹的混合状态为：
Figure FDA0003187371120000011
根据条件概率公式展开得到：
Figure FDA0003187371120000012
其中，
Figure FDA0003187371120000013
表示中心航迹在b时刻更新得到的目标存在概率，
Figure FDA0003187371120000014
表示中心航迹在b时刻更新得到的目标动力学状态估计：
Figure FDA0003187371120000015
其中，
Figure FDA0003187371120000016
表示b时刻目标动力学状态的估计均值，
Figure FDA0003187371120000017
表示b时刻目标动力学状态估计的误差协方差；
根据b时刻的历史航迹混合状态预测中心航迹在τ时刻的混合状态为：
Figure FDA0003187371120000018
其中，
Figure FDA0003187371120000019
表示根据b时刻预测得到的中心航迹在τ时刻混合状态，
Figure FDA00031873711200000110
表示由b时刻到τ时刻目标存在概率的预测：
Figure FDA00031873711200000111
其中，p11表示在上一时刻目标存在的情况下，当前时刻目标仍然存在的概率；
Figure FDA00031873711200000112
表示中心航迹从b时刻到τ时刻目标动力学状态预测：
Figure FDA00031873711200000113
其中，
Figure FDA00031873711200000114
表示中心航迹从b时刻到τ时刻目标动力学状态的预测均值，
Figure FDA00031873711200000115
表示中心航迹从b时刻到τ时刻目标动力学状态的预测误差协方差：
Figure FDA00031873711200000116
其中，Fτ|b表示从b时刻到τ时刻的目标状态转移矩阵，Qτ|b表示从b时刻到τ时刻的过程噪声协方差矩阵；
步骤二、根据k时刻接受到的乱序航迹信息Tτ(a)，更新中心航迹在τ时刻的混合状态根据条件概率公式，将中心航迹在τ时刻更新后的混合状态
Figure FDA0003187371120000021
展开为：
Figure FDA0003187371120000022
其中，
Figure FDA0003187371120000023
表示中心航迹在τ时刻更新后的目标存在概率，
Figure FDA0003187371120000024
表示中心航迹在τ时刻更新后的目标动力学状态估计；
设置门限对航迹进行筛选，然后计算门限内的航迹集合中每条航迹的关联概率，得到中心航迹在τ时刻的混合状态；
步骤三、根据更新后τ时刻的混合状态，预测中心航迹在k时刻的混合状态
根据步骤二得到的中心航迹在τ时刻更新后的混合状态
Figure FDA0003187371120000025
对中心航迹在k时刻的混合状态
Figure FDA0003187371120000026
进行预测：
Figure FDA0003187371120000027
Figure FDA0003187371120000028
其中，int(·)表示向下取整，T表示主传感器的采样周期；
因此从τ时刻预测到k时刻中心航迹的目标动力学状态为：
Figure FDA0003187371120000029
Figure FDA00031873711200000210
步骤四、根据b时刻的历史航迹混合状态，预测中心航迹在k时刻的混合状态
根据b时刻的历史航迹混合状态，预测中心航迹在k时刻的混合状态
Figure FDA00031873711200000211
Figure FDA00031873711200000212
其中，k时刻目标存在概率预测值为：
Figure FDA00031873711200000213
k时刻目标动力学状态预测值为：
Figure FDA00031873711200000214
k时刻预测均值为：
Figure FDA00031873711200000215
k时刻预测误差协方差为：
Figure FDA0003187371120000031
步骤五、对预测的k时刻混合状态进行处理
将步骤三得到的由τ时刻预测的k时刻中心航迹混合状态预测
Figure FDA0003187371120000032
与步骤四得到的由b时刻预测的k时刻中心航迹混合状态预测
Figure FDA0003187371120000033
进行解相关处理，得到由乱序航迹集Tτ(a)更新的中心航迹混合状态预测结果，其中目标存在概率的预测为：
Figure FDA0003187371120000034
目标动力学状态预测为：
Figure FDA0003187371120000035
其中，
Figure FDA0003187371120000036
步骤六、航迹融合
将步骤五处理后的k时刻中心航迹混合状态预测与k时刻中心航迹混合状态进行融合处理，按照条件概率公式展开为：
Figure FDA0003187371120000037
融合处理后k时刻的目标存在概率为：
Figure FDA0003187371120000038
融合处理后k时刻的目标动力学状态估计为：
Figure FDA0003187371120000039
其中，
Figure FDA00031873711200000310
2.如权利要求1所述一种基于前向全近邻解相关的乱序航迹融合方法，其特征在于：设置p11的值为0.98。
3.如权利要求1所述一种基于前向全近邻解相关的乱序航迹融合方法，其特征在于：目标状态转移矩阵Fτ|b根据目标运动模型确定，过程噪声协方差矩阵Qτ|b为加性高斯白噪声。
4.如权利要求1所述一种基于前向全近邻解相关的乱序航迹融合方法，其特征在于：中心航迹在τ时刻的混合状态的求解方法具体包括以下步骤：
s2.1、门限技术
设置航迹门限γ对τ时刻的中心航迹进行筛选：
Figure FDA0003187371120000041
其中，
Figure FDA0003187371120000042
表示乱序航迹集Tτ(a)中的第i条航迹在τ时刻更新得到的目标动力学状态估计；
Figure FDA0003187371120000043
表示新息协方差：
Figure FDA0003187371120000044
其中，
Figure FDA0003187371120000045
表示在τ时刻中心航迹和传感器a的第i条航迹的互协方差；
筛选后得到门限内的航迹集合
Figure FDA0003187371120000046
s2.2、计算关联概率
计算航迹集合
Figure FDA0003187371120000047
中每条航迹的关联概率
Figure FDA0003187371120000048
Figure FDA0003187371120000049
关联概率
Figure FDA00031873711200000410
表示τ时刻航迹集合
Figure FDA00031873711200000411
内第j条航迹与中心航迹跟踪同一个目标的概率；Pd为检测概率，
Figure FDA00031873711200000412
表示门限内第j条航迹在τ时刻的目标存在概率，mτ表示航迹集合
Figure FDA00031873711200000413
中的航迹数量，
Figure FDA00031873711200000414
表示门限中第j条航迹的目标动力学状态预测，
Figure FDA00031873711200000415
表示虚假航迹的密度，Mτ表示τ时刻传感器a更新得到的确认航迹的个数，Va表示传感器a在状态域上的探测范围；
Figure FDA00031873711200000416
为似然比：
Figure FDA00031873711200000417
s2.3、求解混合状态
中心航迹在τ时刻更新后的目标存在概率
Figure FDA00031873711200000418
为：
Figure FDA00031873711200000419
中心航迹在τ时刻更新后的目标动力学状态估计
Figure FDA0003187371120000051
为：
Figure FDA0003187371120000052
其中，
Figure FDA0003187371120000053
表示中心航迹在τ时刻的目标动力学状态估计均值，
Figure FDA0003187371120000054
表示中心航迹在τ时刻的目标动力学状态估计误差协方差，根据高斯混合有：
Figure FDA0003187371120000055
Figure FDA0003187371120000056
当j＝0时：
Figure FDA0003187371120000057
Figure FDA0003187371120000058
当j>0时：
Figure FDA0003187371120000059
Figure FDA00031873711200000510
5.如权利要求4所述一种基于前向全近邻解相关的乱序航迹融合方法，其特征在于：设置航迹门限γ＝13.816，互协方差
Figure FDA00031873711200000511
CN202110865455.XA 2021-07-29 2021-07-29 一种基于前向全近邻解相关的乱序航迹融合方法 Pending CN113591976A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110865455.XA CN113591976A (zh) 2021-07-29 2021-07-29 一种基于前向全近邻解相关的乱序航迹融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110865455.XA CN113591976A (zh) 2021-07-29 2021-07-29 一种基于前向全近邻解相关的乱序航迹融合方法

Publications (1)

Publication Number Publication Date
CN113591976A true CN113591976A (zh) 2021-11-02

Family

ID=78252263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110865455.XA Pending CN113591976A (zh) 2021-07-29 2021-07-29 一种基于前向全近邻解相关的乱序航迹融合方法

Country Status (1)

Country Link
CN (1) CN113591976A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114329120A (zh) * 2021-11-26 2022-04-12 中国航空无线电电子研究所 一种基于全局航迹构建的多平台航迹关联与融合方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109656271A (zh) * 2018-12-27 2019-04-19 杭州电子科技大学 一种基于数据关联思想的航迹软关联方法
CN112036422A (zh) * 2019-06-04 2020-12-04 广州汽车集团股份有限公司 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109656271A (zh) * 2018-12-27 2019-04-19 杭州电子科技大学 一种基于数据关联思想的航迹软关联方法
CN112036422A (zh) * 2019-06-04 2020-12-04 广州汽车集团股份有限公司 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHI YIFANG，CHOI JEEWOONG，XU LEI,KIM HYUNGJUNE ET AL: "《Distributed Target Tracking in Challenging Environments Using Multiple Asynchronous Bearing-Only Sensors》", 《SENSORS》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114329120A (zh) * 2021-11-26 2022-04-12 中国航空无线电电子研究所 一种基于全局航迹构建的多平台航迹关联与融合方法
CN114329120B (zh) * 2021-11-26 2024-05-03 中国航空无线电电子研究所 一种基于全局航迹构建的多平台航迹关联与融合方法

Similar Documents

Publication Publication Date Title
CN109886305B (zh) 一种基于gm-phd滤波的多传感器非顺序量测异步融合方法
CN103530893B (zh) 相机抖动场景下基于背景差和运动信息的前景检测方法
CN108226869B (zh) 一种重频参差的雷达信号的检测方法
CN109858526B (zh) 一种目标跟踪中基于传感器的多目标轨迹融合方法
CN103759732B (zh) 一种角度信息辅助的集中式多传感器多假设跟踪方法
CN112986928B (zh) 一种复杂电磁环境下信号分选多源融合处理方法
CN106934324A (zh) 基于简化多假设算法的雷达数据关联方法
CN107506444B (zh) 中断航迹接续关联机器学习系统
CN112530177B (zh) 车联网环境下基于卡尔曼滤波的车辆排队长度估计方法
CN110780269A (zh) 自适应新生强度下基于gm-phd滤波器的显式多目标跟踪方法
Zhang et al. Latency prediction for delay-sensitive v2x applications in mobile cloud/edge computing systems
CN115856872A (zh) 一种车辆运动轨迹连续跟踪方法
CN113591976A (zh) 一种基于前向全近邻解相关的乱序航迹融合方法
CN108562893B (zh) 一种外辐射源雷达多站混合跟踪方法
CN113065395A (zh) 一种基于生成对抗网络的雷达目标新类检测方法
CN108957438B (zh) 一种基于随机距离的滞后航迹关联融合方法及系统和应用
CN109657732B (zh) 利用目标可见性实现航迹管理的多传感器航迹融合方法
CN111811515B (zh) 一种基于高斯混合概率假设密度滤波器的多目标航迹提取方法
CN112597922B (zh) 一种基于无碰撞lstm的多目标轨迹预测方法
CN113219425A (zh) 一种雷达目标检测性能的测试方法及系统
Volk et al. Environment-aware optimization of track-to-track fusion for collective perception
CN113408586B (zh) 一种基于双向解相关的乱序数据融合方法
CN107590509B (zh) 基于最大期望近似的切尔诺夫融合方法
CN114611266B (zh) 一种无真值系统下的交通雷达跟踪性能评估方法
CN1332219C (zh) 一种二次雷达应答处理的抗干扰方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20211102