CN113628254A - 基于移动平台的目标轨迹确定方法及相关设备 - Google Patents
基于移动平台的目标轨迹确定方法及相关设备 Download PDFInfo
- Publication number
- CN113628254A CN113628254A CN202110929083.2A CN202110929083A CN113628254A CN 113628254 A CN113628254 A CN 113628254A CN 202110929083 A CN202110929083 A CN 202110929083A CN 113628254 A CN113628254 A CN 113628254A
- Authority
- CN
- China
- Prior art keywords
- model
- predicted motion
- target
- calculating
- mobile platform
- 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 62
- 230000033001 locomotion Effects 0.000 claims abstract description 141
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 230000001133 acceleration Effects 0.000 claims abstract description 41
- 238000001914 filtration Methods 0.000 claims abstract description 33
- 230000007704 transition Effects 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims description 49
- 238000005259 measurement Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 15
- 238000004088 simulation Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30241—Trajectory
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于移动平台的目标轨迹确定方法及相关设备。该方法包括：通过匀速模型、匀加速模型和增强型协同转弯模型基于所述移动平台构建的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹；基于三个运动轨迹利用容积卡尔曼滤波算法、交互式多模型滤波算法和马尔科夫状态转移矩阵计算得到多个混合模型概率；通过多个模型概率和所述容积卡尔曼滤波值进行加权融合获取目标轨迹。此方法综合了容积卡尔曼算法和交互式多模型算法的优点，既能减弱噪声对运动轨迹确定的影响，又能对运动轨迹复杂、机动性强的目标进行精准的追踪。
Description
技术领域
本说明书涉及目标跟踪领域，更具体地说，本发明涉及一种基于移动平台的目标轨迹确定方法及相关设备。
背景技术
基于移动平台的目标轨迹确定会受到众多噪声数据的干扰，近些年随着容积卡尔曼滤波方法的发展，能够较好地减弱噪声对于跟踪效果的影响，但是当目标运动轨迹较复杂的时候，单一的运动模型很难在目标轨迹变化较大时较好地拟合目标运动轨迹。而交互多模型控制算法通过设置对应目标可能模型数量的模型滤波器来进行实时的机动模型检测，通过加权计算得出当前最优估计状态，从而达到模型自适应跟踪的目的，但是当目标机动性较强的时候，跟踪目标误差较大。
因此，有必要提出一种基于移动平台的目标轨迹确定方法，以至少部分地解决现有技术中存在的问题。
发明内容
在发明内容部分中引入了一系列简化形式的概念，这将在具体实施方式部分中进一步详细说明。本发明的发明内容部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
为至少部分地解决上述问题，第一方面，本发明提出一种基于移动平台的目标轨迹确定方法，上述方法包括：
根据匀速模型、匀加速模型和增强型协同转弯模型基于上述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹；
通过容积卡尔曼滤波算法，根据上述第一预测运动轨迹、上述第二预测运动轨迹和上述第三预测运动轨迹和分别计算每个预测运动轨迹的容积粒子和容积卡尔曼滤波值；
使用交互式多模型滤波算法，根据上述容积粒子、马尔科夫状态转移矩阵和上述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率；
根据每个上述混合模型概率和上述容积卡尔曼滤波值进行加权融合获取目标轨迹。
可选的，上述根据匀速模型、匀加速模型和增强型协同转弯模型基于上述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，包括：
构建目标的状态向量，其中，上述状态向量包括上述目标的位置、速度和加速度；
根据上述状态向量、噪声数据、上述目标的机动加速度和上述匀速模型构建基于上述移动平台的上述目标的上述第一预测运动轨迹，其中，上述噪声数据包括高斯白噪声、上述移动平台的过程噪声和上述目标运动的过程噪声中的至少一种；
根据上述状态向量、上述噪声数据、上述机动加速度和上述匀加速模型构建基于上述移动平台的上述目标的上述第二预测运动轨迹；
根据上述状态向量、上述噪声数据、上述机动加速度、上述增强型协同转弯模型构建基于上述移动平台的上述目标的上述第三预测运动轨迹。
可选的，上述使用交互式多模型滤波算法，根据上述容积粒子、上述马尔科夫状态转移矩阵和上述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率，包括：
根据上述增强型协同转弯模型计算每个上述容积粒子的状态方程和测量方程；
基于上述状态方程、上述测量方程、上述噪声数据和上述马尔科夫状态转移矩阵计算上述混合模型概率。
可选的，上述基于上述状态方程、上述测量方程、上述噪声数据和上述马尔科夫状态转移矩阵计算上述混合模型概率，包括：
根据上述测量方程和上述容积粒子计算粒子观测平均值；
利用上述粒子观测平均值、上述噪声数据和上述测量方程计算新息滤波协方差；
基于上述新息滤波协方差和上述马尔科夫状态转移矩阵计算上述混合模型概率。
可选的，上述利用上述粒子观测平均值、上述噪声数据和上述测量方程计算新息滤波协方差，包括：
根据上述粒子观测平均值计算预测协方差；
利用上述粒子观测平均值、上述噪声数据和上述测量方程计算量测协方差；
基于上述预测协方差和上述量测协方差获取新息滤波方差。
可选的，上述基于上述新息滤波协方差和上述马尔科夫状态转移矩阵计算上述混合模型概率，包括：
根据上述新息滤波方差计算似然函数；
利用上述似然函数和上述马尔科夫状态转移矩阵计算上述混合模型概率。
可选的，上述方法还包括：
基于上述混合模型概率对上述马尔科夫转移矩阵进行修正。
第二方面，本发明还提出基于移动平台的目标轨迹确定装置，包括：
初始化单元：用于根据匀速模型、匀加速模型和增强型协同转弯模型基于上述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹；
滤波单元：用于通过容积卡尔曼滤波算法，根据上述第一预测运动轨迹、上述第二预测运动轨迹和上述第三预测运动轨迹和分别计算每个预测运动轨迹的容积粒子和容积卡尔曼滤波值；
交互单元：使用交互式多模型滤波算法，根据上述容积粒子、马尔科夫状态转移矩阵和上述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率；
获取目标单元：用于根据每个上述混合模型概率和上述容积卡尔曼滤波值进行加权融合获取目标轨迹。
第三方面，一种电子设备，包括：储存器、处理器以及存储在上述存储器中并可在上述处理器上运行的计算机程序，上述处理器用于执行存储器中存储的计算机程序时实现如上述的第一方面任一项的基于移动平台的目标轨迹确定方法的步骤。
第四方面，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现第一方面上述任一项的基于移动平台的目标轨迹确定方法。
综上，本方案通过匀速模型、匀加速模型和增强型协同转弯模型基于所述移动平台构建的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，通过容积卡尔曼滤波算法、交互式多模型滤波算法和马尔科夫状态转移矩阵计算得到多个混合模型概率，通过多个模型概率和所述容积卡尔曼滤波值进行加权融合获取目标轨迹的方法，综合了容积卡尔曼算法和交互式多模型算法的优点，既能减弱噪声对运动轨迹确定的影响，又能对运动轨迹复杂、机动性强的目标进行精准的追踪。
本发明的基于移动平台的目标轨迹确定方法，本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本说明书的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例提供的一种基于移动平台的目标轨迹确定方法流程示意图；
图2为本申请实施例提供的另一种基于移动平台的目标轨迹确定方法流程示意图；
图3为本申请实施例提供的一种仿真结果的距离均方根误差示意图；
图4为本申请实施例提供的一种仿真结果的速度均方根误差示意图；
图5为本申请实施例提供的一种基于移动平台的目标轨迹确定装置结构示意图
图6为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
本申请实施例提供了一种基于移动平台的目标轨迹确定方法及相关设备，综合了容积卡尔曼算法和交互式多模型算法的优点，既能减弱噪声对运动轨迹确定的影响，又能对运动轨迹复杂、机动性强的目标进行精准的追踪。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。
请参阅图1，为本申请实施例提供的一种基于移动平台的目标轨迹确定方法流程示意图，具体可以包括：
S110、根据匀速模型、匀加速模型和增强型协同转弯模型基于上述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹；
具体地，在上述移动平台中，根据匀速模型构建目标的第一预测运动轨迹，利用匀加速模型确定目标的第二预测运动轨迹，基于增强型协同转弯模型建立目标的第三预测运动轨迹；
S120、通过容积卡尔曼滤波算法，根据上述第一预测运动轨迹、上述第二预测运动轨迹和上述第三预测运动轨迹和分别计算每个预测运动轨迹的容积粒子和容积卡尔曼滤波值；
具体地，根据容积卡尔曼滤波算法计算第一预测运动轨迹对应的容积粒子和容积卡尔曼滤波值，利用容积卡尔曼滤波算法计算第二预测运动轨迹对应的容积粒子和容积卡尔曼滤波值，基于容积卡尔曼滤波算法计算第三预测运动轨迹对应的容积粒子和容积卡尔曼滤波值，上述多个容积粒子和容积卡尔曼滤波值可并行计算，以减少运算时间。
S130、使用交互式多模型滤波算法，根据上述容积粒子、马尔科夫状态转移矩阵和上述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率；
具体地，利用步骤S120计算得出的三组容积粒子和容积卡尔曼滤波值、马尔科夫状态转移矩阵和上述增强型协同转弯模型分别计算得出与步骤S120中第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹对应的多个预测运动轨迹的混合模型概率。
S140、根据每个上述混合模型概率和上述容积卡尔曼滤波值进行加权融合获取目标轨迹。
具体地，根据步骤S130计算得到的多个混合模型概率和步骤S120计算得到的多个容积卡尔曼滤波值进行加权融合，得到一个值，此值即为目标轨
其中，
为加权融合的滤波输出值，即为目标轨迹，
表示目标S预测运动轨迹k时刻状态值，
表示预测运动轨迹对应的混合模型的概率，i可取1、2、3分别与第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹对应。
综上，此方法综合了容积卡尔曼算法和交互式多模型算法的优点，既能减弱噪声对运动轨迹确定的影响，又能对运动轨迹复杂、机动性强的目标进行精准的追踪。
在一些示例中，上述根据匀速模型、匀加速模型和增强型协同转弯模型基于上述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，包括：
构建目标的状态向量，其中，上述状态向量包括上述目标的位置、速度和加速度；
具体地，目标的状态向量表示可以通过式(2)表示为:
其中，X(s)(k)表示目标的状态向量，x(s)表示目标的x方向位置，vxx(s)表示x方向速度，axx(s)表示x方向加速度，y(s)表示y方向位置，ayy(s)表示y方向加速度，azz(s)表示z方向加速度，x，y，z方向为基于移动平台建立的右手坐标系。
根据上述状态向量、噪声数据、上述目标的机动加速度和上述匀速模型构建基于上述移动平台的上述目标的上述第一预测运动轨迹，其中，上述噪声数据包括高斯白噪声、上述移动平台的过程噪声和上述目标运动的过程噪声中的至少一种；
具体地，第一预测运动轨迹
可由公式(3)表示，
其中，v(s)是服从零均值、协方差为Q(s)的高斯白噪声；v(q)为机动加速度，服从均值为零的正态分布，Γ(q)为测得的所述平台噪声。
T为移动平台上监测目标设备的采样周期。
根据上述状态向量、上述噪声数据、上述机动加速度和上述匀加速模型构建基于上述移动平台的上述目标的上述第二预测运动轨迹；
具体地，第二预测运动轨迹
可由公式(4)表示，
其中，v(s)是服从零均值、协方差为Q(s)的高斯白噪声；v(q)为机动加速度，服从均值为零的正态分布，
T为移动平台上监测目标设备的采样周期。
根据上述状态向量、上述噪声数据、上述机动加速度、上述增强型协同转弯模型构建基于上述移动平台的上述目标的上述第三预测运动轨迹。
具体地，第三预测运动轨迹
可由公式(5)表示，
其中，v(s)是服从零均值、协方差为Q(s)的高斯白噪声；v(q)为机动加速度，服从均值为零的正态分布，
在一些示例中，上述使用交互式多模型滤波算法，根据上述容积粒子、上述马尔科夫状态转移矩阵和上述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率，包括：
根据上述增强型协同转弯模型计算每个上述容积粒子的状态方程和测量方程；
具体地，根据上述增强型协同转弯模型和容积粒子
利用公式(6)计算得到容积粒子
根据得到的容积粒子
通过公式(7)计算得到测量方程
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，
基于上述状态方程、上述测量方程、上述噪声数据和上述马尔科夫状态转移矩阵计算上述混合模型概率。
具体地，马尔科夫状态矩阵初始值可取
通过上述状态方程、上述测量方程、上述噪声数据和上述马尔科夫状态转移矩阵计算上述混合模型概率
在一些示例中，上述基于上述状态方程、上述测量方程、上述噪声数据和上述马尔科夫状态转移矩阵计算上述混合模型概率，包括：
根据上述测量方程和上述容积粒子计算粒子观测平均值；
具体地，可根据公式(8)计算粒子观测平均值：
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，Hj表示容积粒子的数量，
表示公式(7)计算得到的测量方程。
利用上述粒子观测平均值、上述噪声数据和上述测量方程计算新息滤波协方差；
具体地，可通过公式(9)计算得出新息滤波协方差
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，R(q)＝Q(q)(Q(q))T，R(s)＝Q(s)(Q(s))T，Q(q)、Q(s)等其余参数在以上示例中均有表示，再次不做赘述。
基于上述新息滤波协方差和上述马尔科夫状态转移矩阵计算上述混合模型概率。
在一些示例中，上述利用上述粒子观测平均值、上述噪声数据和上述测量方程计算新息滤波协方差，包括：
根据上述粒子观测平均值计算预测协方差；
具体地，用公式(10)计算得到预测协方差
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹。
利用上述粒子观测平均值、上述噪声数据和上述测量方程计算量测协方差；具体地，用公式(11)计算得到预测协方差pk+1/k：
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹。
基于上述预测协方差和上述量测协方差获取新息滤波方差。
具体地，用公式(12)计算得到新息滤波方差
在一些示例中，上述基于上述新息滤波协方差和上述马尔科夫状态转移矩阵计算上述混合模型概率，包括：
根据上述新息滤波方差计算似然函数；
具体地，可用公式(13)计算得到似然函数
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹。
利用上述似然函数和上述马尔科夫状态转移矩阵计算上述混合模型概率。
具体地，可用公式(14)计算得到混合模型概率：
其中，式中j可取1、2、3分别对应所述第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，
表示修正后的马尔科夫转移矩阵，
表示上一时刻的混合模型概率。
在一些示例中，上述方法还包括：
基于上述混合模型概率对上述马尔科夫转移矩阵进行修正。
具体地，马尔科夫转移矩阵可由公式(15)确定：
其中，
γ1(k-1)、γ2(k-1)、γ3(k-1)分别表示(k-1)时刻第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹对应的混合概率模型。
并且公式(15)中的马尔科夫转移矩阵还满足下述特点：
其中，
表示k-1时刻状态值与i运动模型转化为j运动模型的概率
为马尔科夫转移矩阵
第i行第j列对应数据，
表示目标状态预测值，
表示预测协方差，其中i＝1时为匀速模型，i＝2时为匀加速模型，i＝3时为增强型协同转弯模型，j＝1时为匀速模型，j＝2时为匀加速模型，j＝3时为增强型协同转弯模型。
请参考图2，图2为本实施例提供的另一种基于移动平台的目标轨迹确定方法流程示意图。
在一些示例中，上述基于移动平台的目标轨迹确定方法可以包括：
S210、初始化目标预测运动轨迹；
具体地，构建舰载平台下高速机动目标的运动轨迹X(s)(k+1)，其中，0＜s＜S，s表示第s个目标，0＜k＜K，k表示第k个时刻，舰船由于艏摇、横摇或纵摇运动导致的过程噪声综合为Γ(q)，通过公式(2)构建目标状态向量：
根据公式(3)，通过上述状态向量、噪声数据、上述目标的机动加速度和上述匀速模型构建基于上述舰载平台的上述目标的上述第一预测运动轨迹：
根据公式(4)，通过上述状态向量、噪声数据、上述目标的机动加速度和上述匀加速模型构建基于上述舰载平台的上述目标的上述第二预测运动轨迹：
根据公式(5)，通过上述状态向量、噪声数据、上述目标的机动加速度和上述增强型协同转弯模型构建基于上述舰载平台的上述目标的上述第二预测运动轨迹：
S220、输入数据交互融合；
为马尔科夫概率转移矩阵设置初始值Pi为3×3的常数矩阵；
S230、容积卡尔曼滤波处理目标预测轨迹；
基于所述第一预测运动轨迹，第二预测运动轨迹和第三预测运动轨迹进行容积卡尔曼滤波处理，得到三个预测轨迹对应的容积粒子
S240、计算混合模型概率；
根据增强型协同转弯模型和三个预测轨迹对应的容积粒子
利用公式(6)计算得到三个容积粒子的状态方程
根据得到的容积粒子的状态方程
通过公式(7)计算得到测量方程
可根据公式(8)计算粒子观测平均值：
用公式(10)计算得到预测协方差
用公式(11)计算得到预测协方差pk+1/k：
用公式(12)计算得到新息滤波方差
用公式(13)计算得到似然函数
用公式(14)计算得到混合模型概率：
其中，得出的混合模型概率有三个，分别于所述第一预测运动轨迹、所述第二预测运动轨迹和所述第三预测运动轨迹对应。
S250、加权融合计算输出估计；
用公式(1)进行加权融合计算得到输出值
S260、修正马尔科夫状态转移矩阵。
马尔科夫转移矩阵可由公式(15)进行修正：
请参阅图3和图4，图3为本申请实施例提供的一种仿真结果的距离均方根误差示意图；图4为本申请实施例提供的一种仿真结果的速度均方根误差示意图。
在一些示例中，进行了仿真实验，仿真实验的软件平台为：MATLAB2015；
仿真实验所使用的仿真数据：目标在100s的时间内分成6个时间段运动。目标在0～20s沿顺时针做变速曲线运动，在21～30s做匀速直线运动，在31～50s沿逆时针做变速曲线运动，在50～70s沿顺时针做变速曲线运动，在71～90s沿逆时针做变速曲线运动，在91～100s做匀加速直线运动，为了评价跟踪准确度，利用下述的评价指标公式，分别计算本发明与现有技术跟踪结果的距离与速度均方根误差εk(x,y)，εk(vx,vy)，并将计算结果绘制展示在图3和图4中。
其中，
为本发明输出中的x与y坐标，xk(x,y)为仿真目标实际的位置坐标。
其中，
为本发明输出中的速度，Vk(vx,vy)为仿真目标实际的速度。
图3和图4中显示了基于容积卡尔曼与交互式多模型改进的自适应滤波方法(ACT-CKF-IFIMM)，也就是本实施例提供的基于移动平台的目标轨迹确定方法，还显示了标准交互式多模型滤波算法(CS-IMM)，基于扩展卡尔曼滤波(EKF)的变结构增强交互式多模型算法(AGIMM-EKF)，基于无迹卡尔曼滤波(UKF)的变结构增强交互式多模型算法(AGIMM-UKF)。如图3和图4可以看出基于本方法进行仿真所得结果的距离均方根误差和速度均方根误差均小于其他算法，由此可见本方法对目标轨迹的确定更为精准。
请参阅图5，图5为本申请实施例提供的一种基于移动平台的目标轨迹确定装置结构示意图
第一获取单元：可以用于获取第一方位矩阵，其中，所述第一方位矩阵包括基于雷达测得目标的距离、俯仰角和方位角以及基于红外测得的所述目标的俯仰角和方位角；
第二获取单元；可以用于获取第二方位矩阵，其中，所述第二矩阵包括所述雷达获取的所述目标的目标位置；
计算单元：可以用于基于所述第一矩阵、所述第二矩阵、第三矩阵和预设运动方程确定目标轨迹，其中，所述第三矩阵为与所述第二矩阵同维度的单位阵。
请参阅图6，图6为本申请实施例提供的一种电子设备的实施例示意图。
如图6所示，本申请实施例还提供一种电子设备300，包括存储器310、处理器320及存储在存储器320上并可在处理器上运行的计算机程序311，处理器320执行计算机程序311时实现上述基于移动平台的目标轨迹确定任一方法的步骤。
由于本实施例所介绍的电子设备为实施本申请实施例中一种基于移动平台的目标轨迹确定装置所采用的设备，故而基于本申请实施例中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍，只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
在具体实施过程中，该计算机程序311被处理器执行时可以实现图1对应的实施例中任一实施方式。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机软件指令，当计算机软件指令在处理设备上运行时，使得处理设备执行如图1对应实施例中的基于移动平台的目标确定轨迹的流程。
计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修该，或者对其中部分技术特征进行等同替换；而这些修该或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于移动平台的目标轨迹确定方法，其特征在于，包括：
根据匀速模型、匀加速模型和增强型协同转弯模型基于所述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹；
通过容积卡尔曼滤波算法，根据所述第一预测运动轨迹、所述第二预测运动轨迹和所述第三预测运动轨迹和分别计算每个预测运动轨迹的容积粒子和容积卡尔曼滤波值；
使用交互式多模型滤波算法，根据所述容积粒子、马尔科夫状态转移矩阵和所述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率；
根据每个所述混合模型概率和所述容积卡尔曼滤波值进行加权融合获取目标轨迹。
2.如权利要求1所述的方法，其特征在于，所述根据匀速模型、匀加速模型和增强型协同转弯模型基于所述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹，包括：
构建目标的状态向量，其中，所述状态向量包括所述目标的位置、速度和加速度；
根据所述状态向量、噪声数据、所述目标的机动加速度和所述匀速模型构建基于所述移动平台的所述目标的所述第一预测运动轨迹，其中，所述噪声数据包括高斯白噪声、所述移动平台的过程噪声和所述目标运动的过程噪声中的至少一种；
根据所述状态向量、所述噪声数据、所述机动加速度和所述匀加速模型构建基于所述移动平台的所述目标的所述第二预测运动轨迹；
根据所述状态向量、所述噪声数据、所述机动加速度、所述增强型协同转弯模型构建基于所述移动平台的所述目标的所述第三预测运动轨迹。
3.如权利要求1所述的方法，其特征在于，所述使用交互式多模型滤波算法，根据所述容积粒子、所述马尔科夫状态转移矩阵和所述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率，包括：
根据所述增强型协同转弯模型计算每个所述容积粒子的状态方程和测量方程；
基于所述状态方程、所述测量方程、所述噪声数据和所述马尔科夫状态转移矩阵计算所述混合模型概率。
4.如权利要求3所述的方法，其特征在于，所述基于所述状态方程、所述测量方程、所述噪声数据和所述马尔科夫状态转移矩阵计算所述混合模型概率，包括：
根据所述测量方程和所述容积粒子计算粒子观测平均值；
利用所述粒子观测平均值、所述噪声数据和所述测量方程计算新息滤波协方差；
基于所述新息滤波协方差和所述马尔科夫状态转移矩阵计算所述混合模型概率。
5.如权利要求4所述的方法，其特征在于，所述利用所述粒子观测平均值、所述噪声数据和所述测量方程计算新息滤波协方差，包括：
根据所述粒子观测平均值计算预测协方差；
利用所述粒子观测平均值、所述噪声数据和所述测量方程计算量测协方差；
基于所述预测协方差和所述量测协方差获取新息滤波方差。
6.如权利要求4所述的方法，其特征在于，所述基于所述新息滤波协方差和所述马尔科夫状态转移矩阵计算所述混合模型概率，包括：
根据所述新息滤波方差计算似然函数；
利用所述似然函数和所述马尔科夫状态转移矩阵计算所述混合模型概率。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述混合模型概率对所述马尔科夫转移矩阵进行修正。
8.一种基于移动平台的目标轨迹确定装置，其特征在于，包括：
初始化单元：用于根据匀速模型、匀加速模型和增强型协同转弯模型基于所述移动平台分别构建目标的第一预测运动轨迹、第二预测运动轨迹和第三预测运动轨迹；
滤波单元：用于通过容积卡尔曼滤波算法，根据所述第一预测运动轨迹、所述第二预测运动轨迹和所述第三预测运动轨迹和分别计算每个预测运动轨迹的容积粒子和容积卡尔曼滤波值；
交互单元：使用交互式多模型滤波算法，根据所述容积粒子、马尔科夫状态转移矩阵和所述增强型协同转弯模型分别计算每个预测运动轨迹的混合模型概率；
获取目标单元：用于根据每个所述混合模型概率和所述容积卡尔曼滤波值进行加权融合获取目标轨迹。
9.一种电子设备，包括：储存器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一种基于移动平台的目标轨迹确定方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于移动平台的目标轨迹确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110929083.2A CN113628254A (zh) | 2021-08-13 | 2021-08-13 | 基于移动平台的目标轨迹确定方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110929083.2A CN113628254A (zh) | 2021-08-13 | 2021-08-13 | 基于移动平台的目标轨迹确定方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113628254A true CN113628254A (zh) | 2021-11-09 |
Family
ID=78385308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110929083.2A Pending CN113628254A (zh) | 2021-08-13 | 2021-08-13 | 基于移动平台的目标轨迹确定方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113628254A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032068A (zh) * | 2023-07-24 | 2023-11-10 | 苏州福斯特万电子科技有限公司 | 一种点胶机控制方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110084871A1 (en) * | 2009-10-13 | 2011-04-14 | Mcmaster University | Cognitive tracking radar |
| CN103235295A (zh) * | 2013-04-02 | 2013-08-07 | 西安电子科技大学 | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 |
| CN104252178A (zh) * | 2014-09-12 | 2014-12-31 | 西安电子科技大学 | 一种基于强机动的目标跟踪方法 |
| CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
| CN109655826A (zh) * | 2018-12-16 | 2019-04-19 | 成都汇蓉国科微系统技术有限公司 | 一种低慢小目标轨迹滤波方法及装置 |
| WO2019136479A1 (en) * | 2018-01-08 | 2019-07-11 | The Regents On The University Of California | Surround vehicle tracking and motion prediction |
| CN110068793A (zh) * | 2019-04-19 | 2019-07-30 | 中国航空无线电电子研究所 | 一种定位跟踪方法 |
| CN113221724A (zh) * | 2021-05-08 | 2021-08-06 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
-
2021
- 2021-08-13 CN CN202110929083.2A patent/CN113628254A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110084871A1 (en) * | 2009-10-13 | 2011-04-14 | Mcmaster University | Cognitive tracking radar |
| CN103235295A (zh) * | 2013-04-02 | 2013-08-07 | 西安电子科技大学 | 基于压缩卡尔曼滤波的小场景雷达目标距离像估计方法 |
| CN104252178A (zh) * | 2014-09-12 | 2014-12-31 | 西安电子科技大学 | 一种基于强机动的目标跟踪方法 |
| CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
| WO2019136479A1 (en) * | 2018-01-08 | 2019-07-11 | The Regents On The University Of California | Surround vehicle tracking and motion prediction |
| CN109655826A (zh) * | 2018-12-16 | 2019-04-19 | 成都汇蓉国科微系统技术有限公司 | 一种低慢小目标轨迹滤波方法及装置 |
| CN110068793A (zh) * | 2019-04-19 | 2019-07-30 | 中国航空无线电电子研究所 | 一种定位跟踪方法 |
| CN113221724A (zh) * | 2021-05-08 | 2021-08-06 | 杭州鸿泉物联网技术股份有限公司 | 车辆抛洒物检测方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| CHUNPING CHEN等: "Autonomous Navigation based on Multi-sensor CIFIMM-SCKF", 《 2018 IEEE 7TH DATA DRIVEN CONTROL AND LEARNING SYSTEMS CONFERENCE (DDCLS) 01 NOVEMBER 2018》, 1 November 2018 (2018-11-01), pages 979 - 983 * |
| MINGJIE WAN等: "Tracking maneuvering target with angle-only measurements using IMM algorithm based on CKF", 《2010 INTERNATIONAL CONFERENCE ON COMMUNICATIONS AND MOBILE COMPUTING》, 24 May 2010 (2010-05-24), pages 92 - 96 * |
| 张凯丽等: "基于IMM Kalman滤波算法的实时追踪监控系统", 《电脑与电信》, no. 05, 10 May 2021 (2021-05-10), pages 71 - 74 * |
| 徐小良等: "基于量化新息的容积粒子滤波融合目标跟踪算法", 《自动化学报》, vol. 40, no. 09, 15 September 2014 (2014-09-15), pages 1867 - 1874 * |
| 戴定成等: "基于容积卡尔曼滤波的自适应IMM算法", 《现代雷达》, vol. 37, no. 03, 15 March 2015 (2015-03-15), pages 27 - 30 * |
| 王凯丽: "舰载相控阵雷达目标跟踪算法研究与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 2022, 15 April 2022 (2022-04-15), pages 032 - 88 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032068A (zh) * | 2023-07-24 | 2023-11-10 | 苏州福斯特万电子科技有限公司 | 一种点胶机控制方法、装置、设备及存储介质 |
| CN117032068B (zh) * | 2023-07-24 | 2024-02-27 | 苏州福斯特万电子科技有限公司 | 一种点胶机控制方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106054170B (zh) | 一种约束条件下的机动目标跟踪方法 | |
| CN107462882B (zh) | 一种适用于闪烁噪声的多机动目标跟踪方法及系统 | |
| CN109472418A (zh) | 基于卡尔曼滤波的机动目标状态预测优化方法 | |
| CN108152812B (zh) | 一种调整网格间距的改进agimm跟踪方法 | |
| CN111830501B (zh) | Hrrp历史特征辅助的信号模糊数据关联方法及系统 | |
| CN113822335B (zh) | 基于gpb1-gm-phd的序贯融合目标跟踪方法 | |
| CN114399528A (zh) | 基于二维图像的三维空间运动目标跟踪方法及相关装置 | |
| Zhao et al. | Adaptive non-linear joint probabilistic data association for vehicle target tracking | |
| CN113628254A (zh) | 基于移动平台的目标轨迹确定方法及相关设备 | |
| CN113030940B (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
| CN113239472B (zh) | 一种基于强化学习的导弹制导方法和装置 | |
| CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
| CN110333513B (zh) | 一种融合最小二乘法的粒子滤波slam方法 | |
| CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
| CN116224320A (zh) | 一种极坐标系下处理多普勒量测的雷达目标跟踪方法 | |
| Lan et al. | Variational nonlinear Kalman filtering with unknown process noise covariance | |
| CN114137525A (zh) | 基于车载毫米波雷达的多目标检测方法和系统 | |
| CN113625262A (zh) | 目标轨迹确定方法及相关设备 | |
| CN112991445B (zh) | 模型训练方法、姿态预测方法、装置、设备及存储介质 | |
| CN114660587A (zh) | 基于Jerk模型的跳跃滑翔弹道目标跟踪方法及系统 | |
| CN113376626A (zh) | 基于immpda算法的高机动目标跟踪方法 | |
| Zhang et al. | Model‐switched Gaussian sum cubature Kalman filter for attitude angle‐aided three‐dimensional target tracking | |
| CN109474892A (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
| CN115128597B (zh) | 基于imm-stekf的非高斯噪声下机动目标跟踪方法 | |
| CN117406589B (zh) | 一种针对模型未知的机动目标交互式平滑变结构滤波方法 |
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 |