CN113673787A - 一种无人集群多域探测数据航迹关联与预测方法 - Google Patents
一种无人集群多域探测数据航迹关联与预测方法 Download PDFInfo
- Publication number
- CN113673787A CN113673787A CN202111061504.0A CN202111061504A CN113673787A CN 113673787 A CN113673787 A CN 113673787A CN 202111061504 A CN202111061504 A CN 202111061504A CN 113673787 A CN113673787 A CN 113673787A
- Authority
- CN
- China
- Prior art keywords
- track
- point
- target
- trace
- matched
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种无人集群多域探测数据航迹关联与预测方法,该方法包括以下步骤:1)将当前时刻设定时间内对多探测源的探测数据进行融合获得当前时刻设定时间内目标点迹的点迹集合;2)将所有船的历史航迹列表中最新时刻的位置点迹取出形成航迹集合,将所有点迹集合中元素与航迹集合中不同元素匹配的解作为最优二分图匹配,航迹集合中元素和点迹集合元素间的实际距离作为二分图匹配的边权;3)根据步骤2)中的关联完成点迹融合与航迹融合,然后对目标移动产生的位置误差进行修正,获得最终的预测航迹。本发明方法基于二分图匹配和动量拟合,对各目标的点迹与目标的历史航迹进行匹配,提高了目标航迹数据的准确度和时效性。
Description
技术领域
本发明涉及多源数据融合技术,尤其涉及一种无人集群多域探测数据航迹关联与预测方法。
背景技术
无人集群综合系统中,在自主探测阶段,多个无人单艇探测到同一目标的位置、时间、速度等信息存在偏差,并且不同时刻的探测结果与实际目标的对应关系缺乏足够的先验知识,增加了任务执行难度,具体问题包括:
1)多个探测源融合生成的点迹集合与之前的航迹状态进行匹配时,点迹难以获得目标身份信息;目标之间距离较近或者发生航迹交叉时,可用于匹配的目标属性相似度较高,航迹关联难以准确进行;
2)各无人艇完成目标探测结果上报与无人艇群融合系统完成数据融合存在时间差,此时段内会因目标移动产生位置误差;
3)探测源对目标定位的误差较大,若直接用同一目标相邻两帧探测数据来计算目标航速和航向,容易造成目标预测结果波动大、预测值与真实值存在偏差等问题,会降低无人艇执行避障、跟踪、拦截等任务的成功率。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种无人集群多域探测数据航迹关联与预测方法。
本发明解决其技术问题所采用的技术方案是:一种无人集群多域探测数据航迹关联与预测方法,包括以下步骤:
1)将当前时刻设定时间内对多探测源的探测数据进行融合获得当前时刻设定时间内目标点迹的点迹集合;
2)将目标实时点迹与历史航迹进行关联;
将所有船的历史航迹列表中最新时刻的位置点迹取出形成航迹集合,该集合作为二分图的一个集合,而把步骤1)中当前目标点迹作为二分图的另一个集合;所有的点迹只能跨集合匹配,集合内部不能匹配,满足了二分图的定义,同时将所有点迹集合中元素与航迹集合中不同元素匹配的解作为最优二分图匹配,航迹集合中元素和点迹集合元素间的实际距离作为二分图匹配的边权;
3)根据步骤2)中的关联完成点迹与航迹融合,然后对目标移动产生的位置误差进行修正,获得最终的预测航迹。
按上述方案,所述步骤2)中最优二分图匹配过程为:
2.1)遍历历史航迹列表,将当前航迹的最新点加入航迹集合作为一个航迹元素,同时找到点迹集合中最近的点作为一个匹配;
2.2)如果该点未被别的航迹元素匹配,则继续对下一个航迹元素进行匹配;
2.3)如果该点迹已经匹配了别的航迹,那么将所有冲突的航迹和点迹单独提取出来,寻找二分图增广路,选择代价最小的增广路,将这条路上的所有匹配取逆,使得先前已匹配的航迹与点迹变成不匹配,而不匹配的转换为已匹配;
4)继续下一个航迹元素的匹配,直到获得将所有点迹集合中元素与航迹集合中不同元素匹配的解。
按上述方案,所述步骤2)中最优二分图匹配过程需满足以下约束:
匹配边阈值设定为相邻两次迭代的时间内目标可能移动的距离最大值,若航迹和点的匹配超过了该阈值则取消它们的关联;
对于点迹集合中的元素,如果没有匹配到航迹,那么该点视为航迹起始,一旦超过设定时间稳定存在,即连续被检测到,则被作为稳定航迹进行维护;对于所有的航迹,如果没匹配到融合后的点迹集合中的点,那么视为该航迹在该时刻丢失目标,如果超过设定时间匹配不到新的点迹,则该航迹被销毁,认为目标消失。
按上述方案,所述步骤3)中对目标移动产生的位置误差进行修正,获得最终的预测航迹采用基于动量拟合的航迹预测方法,具体如下:
3.1)首先确定航迹预测的目标时间点,计算各历史航迹中最新时间点与目标时间点的时间差Δt,作为指数加权的幂;
3.2)对于每一个历史数据点,与最新预测点t相减得到ΔTn,将其作为指数加权的次数;计算目标时间点的指数加权平均值作为预测值;
3.3)根据步骤3.1)和步骤3.2),当前时刻目标移动速度的指数加权平均值为:
θt=βt-1(1-β)v1+βt-2(1-β)v2+…+β(1-β)vt-1+(1-β)vt
其中,θt为前t个时刻的指数加权平均值,vt为t时刻目标移动速度的实际值,β为设置的比率。
本发明产生的有益效果是:本智力成果基于二分图匹配以及动量拟合的航迹关联与预测方法,解决了多无人节点进行目标探测时对目标航迹跟踪不稳定的问题,降低了目标平均虚警率,提高了目标速度及航向的预测精度,提升了无人集群平台的自动化水平,得到准确度和时效性更高的目标航迹数据。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明实施例的方法流程图;
图2是本发明实施例的航迹匹配问题示意图;
图3是本发明实施例的航迹匹配数据流图;
图4是本发明实施例的航迹匹配算法流程图;
图5是本发明实施例的目标关联虚警率示意图;
图6是本发明实施例的动量拟合方法对于抖动数据的平滑效果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种无人集群多域探测数据航迹关联与预测方法,包括以下步骤:
1)将当前时刻设定时间内对多探测源的探测数据进行融合获得当前时刻设定时间内目标点迹的点迹集合;
2)目标实时点迹与历史航迹进行关联;
图2中,假设圆圈表示是黑色船和红色船各自上一个时刻的位置,即历史航迹。三角形表示黑色船和红色船的各自的融合位置。现在则需要把圆圈和三角形相互匹配。预期的结果是黑色圆圈和黑色三角形匹配,红色圆圈和红色三角形匹配。其中,如果只是根据最近距离来匹配,则会造成目标点迹错误地匹配到相异目标航迹的问题。
如图3,本实施例中将所有船的历史航迹列表中最新时刻的位置点迹取出形成航迹集合,该集合作为二分图的一个集合,而把步骤1)中当前目标点迹作为二分图的另一个集合;所有的点迹只能跨集合匹配,集合内部不能匹配,满足了二分图的定义,同时将所有点迹集合中元素与航迹集合中不同元素匹配的解作为最优二分图匹配,航迹集合中元素和点迹集合元素间的实际距离作为二分图匹配的边权;
采用上述方法建立二分图后,使用KM算法,就能得到点迹与航迹匹配的全局最优解。最后通过设定的经验阈值排除距离过远的匹配。
如图4,最优二分图匹配过程为:
2.1)遍历历史航迹列表,将当前航迹的最新点加入航迹集合作为一个航迹元素,同时找到点迹集合中最近的点作为一个匹配;
2.2)如果该点未被别的航迹元素匹配,则继续对下一个航迹元素进行匹配;
2.3)如果该点迹已经匹配了别的航迹,那么将所有冲突的航迹和点迹单独提取出来,寻找二分图增广路,选择代价最小的增广路,将这条路上的所有匹配取逆,使得先前已匹配的航迹与点迹变成不匹配,而不匹配的转换为已匹配;
4)继续下一个航迹元素的匹配,直到获得将所有点迹集合中元素与航迹集合中不同元素匹配的解。
最优二分图匹配过程需满足以下约束:
匹配边阈值设定为相邻两次迭代的时间内目标可能移动的距离最大值,若航迹和点的匹配超过了该阈值则取消它们的关联;
对于点迹集合中的元素,如果没有匹配到航迹,那么该点视为航迹起始,一旦超过设定时间稳定存在,即连续被检测到,则被作为稳定航迹进行维护;对于所有的航迹,如果没匹配到融合后的点迹集合中的点,那么视为该航迹在该时刻丢失目标,如果超过设定时间匹配不到新的点迹,则该航迹被销毁,认为目标消失。
使用虚警率衡量匹配效果,虚警率代表着实际不存在目标却被判断为有目标的概率,在真实的环境中,由于船只的雷达可能因为噪点产生误判,这些噪点形成的点迹同样会参与点迹与航迹关联的过程,而通过本方案,在正确匹配的情况下,大部分虚警将被过滤,图5显示该方法与探测源的原始数据的虚警率比较,其中点型数据表示使用该关联方法后的融合目标虚警率,其他点型代表不同数据源探测结果的虚警率,可以发现本方案在点迹匹配的过程中显著降低了探测数据的虚警率,融合前虚警率分别为47.4%与30.5%,融合后虚警率降低为5.9%。
3)根据步骤2)中的关联完成点迹融合与航迹融合,然后对目标移动产生的位置误差进行修正,获得最终的预测航迹;
关联后的航迹数据根据历史航迹进行对当前时间点的轨迹预测,对各个点迹赋予身份,并将该点迹纳入当前匹配到的航迹,对航迹进行更新,实现对目标的跟踪。
获得最终的预测航迹采用基于动量拟合的航迹预测方法,具体如下:
3.1)首先确定航迹预测的目标时间点,计算各历史航迹中最新时间点与目标时间点的时间差Δt,作为指数加权的幂;
3.2)对于每一个历史数据点,与最新预测点t相减得到Δt,将其作为指数加权的次数;计算目标时间点的指数加权平均值作为预测值;
3.3)根据步骤3.1)和步骤3.2),当前时刻目标移动速度的指数加权平均值为:
以某稳定航迹的经纬度坐标为例,在进行对未来的航迹位置预测时,首先提取历史航迹,即坐标列表,将位置信息拆分成经度和维度,分别取目标前6秒的历史位置信息,按照动量系数的计算方式计算出前6秒各航迹点的加权系数,计算预测时刻t相对于航迹最新点对应时刻的时间间隔作为β的指数项,计算目标时间点θ的指数加权平均值,作为预测值即预测速度,航迹其他属性的预测同理可得。使用动量方式进行预测使得所获得目标融合结果的实时性得到提高,并且避免探测数据的波动导致运动轨迹产生大幅的漂移。
θt=βθt-1+(1-β)vt
其中,θt为前t个时刻的指数加权平均值,vt为t时刻的实际值,vt为速度矢量,β为设置的比率。将其展开之后有如下推导:
θ0=0,
θ1=(1-β)v1
θ2=β(1-β)v1+(1-β)v2
……
θt=βt-1(1-β)v1+βt-2(1-β)v2+…+β(1-β)vt-1+(1-β)vt
系数β决定曲线的平滑程度,能够有效的抑制抖动,但没有使用到历史数据点的时间间隔信息,预测值与时间间隔无关。因此考率加入时间影响,即将时间间隔Δt作为β的指数。
θt是第t个航迹点的速度加权值,vt是第t个航迹点的速度真实值,β是曲线平滑系数;ΔTn是历史第n个航迹点和当前第t个航迹点之间的时间间隔。
图6展示了动量拟合对于存在严重波动的数据的平滑作用。实际应用中发现,由于探测源自身误差的存在,以目标的经纬度坐标为例,探测结果在数值上同样存在大幅的抖动,因此会严重影响航向的计算,因此采用该拟合方法可以使得目标的位置得到平滑修正,不易受到极值的影响,因此可以提高预测时的鲁棒性。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (4)
1.一种无人集群多域探测数据航迹关联与预测方法,其特征在于,包括以下步骤:
1)将当前时刻设定时间内对多探测源的探测数据进行融合获得当前时刻设定时间内目标点迹的点迹集合;
2)将所有船的历史航迹列表中最新时刻的位置点迹取出形成航迹集合,该集合作为二分图的一个集合,而把步骤1)中当前目标点迹作为二分图的另一个集合;所有的点迹只能跨集合匹配,集合内部不能匹配,满足了二分图的定义,同时将所有点迹集合中元素与航迹集合中不同元素匹配的解作为最优二分图匹配,航迹集合中元素和点迹集合元素间的实际距离作为二分图匹配的边权;
3)根据步骤2)中的关联完成点迹与航迹融合,然后对目标移动产生的位置误差进行修正,获得最终的预测航迹。
2.根据权利要求1所述的无人集群多域探测数据航迹关联与预测方法,其特征在于,所述步骤2)中最优二分图匹配过程为:
2.1)遍历历史航迹列表,将当前航迹的最新点加入航迹集合作为一个航迹元素,同时找到点迹集合中最近的点作为一个匹配;
2.2)如果该点未被别的航迹元素匹配,则继续对下一个航迹元素进行匹配;
2.3)如果该点迹已经匹配了别的航迹,那么将所有冲突的航迹和点迹单独提取出来,寻找二分图增广路,选择代价最小的增广路,将这条路上的所有匹配取逆,使得先前已匹配的航迹与点迹变成不匹配,而不匹配的转换为已匹配;
4)继续下一个航迹元素的匹配,直到获得将所有点迹集合中元素与航迹集合中不同元素匹配的解。
3.根据权利要求1所述的无人集群多域探测数据航迹关联与预测方法,其特征在于,所述步骤2)中最优二分图匹配过程需满足以下约束:
匹配边阈值设定为相邻两次迭代的时间内目标可能移动的距离最大值,若航迹和点的匹配超过了该阈值则取消它们的关联;
对于点迹集合中的元素,如果没有匹配到航迹,那么该点视为航迹起始,一旦超过设定时间稳定存在,即连续被检测到,则被作为稳定航迹进行维护;对于所有的航迹,如果没匹配到融合后的点迹集合中的点,那么视为该航迹在该时刻丢失目标,如果超过设定时间匹配不到新的点迹,则该航迹被销毁,认为目标消失。
4.根据权利要求1所述的无人集群多域探测数据航迹关联与预测方法,其特征在于,所述步骤3)中对目标移动产生的位置误差进行修正,获得最终的预测航迹采用基于动量拟合的航迹预测方法,具体如下:
3.1)首先确定航迹预测的目标点迹对应的目标时间点,计算各历史航迹中最新时间点与目标时间点的时间差Δt,作为指数加权的幂;
3.2)对于每一个历史数据点,与最新预测点t相减得到ΔTn,将其作为指数加权的次数;计算目标时间点的指数加权平均值作为预测值;
3.3)根据步骤3.1)和步骤3.2),当前时刻目标移动速度的指数加权平均值为:
θt是第t个航迹点的速度加权值,vt是第t个航迹点的速度真实值,β是曲线平滑系数;ΔTn是历史第n个航迹点和当前第t个航迹点之间的时间间隔。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111061504.0A CN113673787B (zh) | 2021-09-10 | 2021-09-10 | 一种无人集群多域探测数据航迹关联与预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111061504.0A CN113673787B (zh) | 2021-09-10 | 2021-09-10 | 一种无人集群多域探测数据航迹关联与预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673787A true CN113673787A (zh) | 2021-11-19 |
CN113673787B CN113673787B (zh) | 2023-09-26 |
Family
ID=78549002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111061504.0A Active CN113673787B (zh) | 2021-09-10 | 2021-09-10 | 一种无人集群多域探测数据航迹关联与预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673787B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115168787A (zh) * | 2022-09-05 | 2022-10-11 | 中国电子科技集团公司第二十八研究所 | 一种基于推测计算的飞行轨迹关联跟踪方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05150038A (ja) * | 1991-11-29 | 1993-06-18 | Nec Corp | 航跡追尾処理装置 |
US7020791B1 (en) * | 2002-09-19 | 2006-03-28 | Nortel Networks Limited | Clock recovery using a double-exponential smoothing process |
JP2007251354A (ja) * | 2006-03-14 | 2007-09-27 | Saitama Univ | マイクロホン、音声生成方法 |
EP2151807A1 (de) * | 2008-08-05 | 2010-02-10 | Hekatron Vertriebs GmbH | Verfahren zum Bestimmen der betriebsdauer eines Gefahrenmelders und Gefahrenmelder |
CN105912436A (zh) * | 2015-09-17 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 基于指数平滑预测的系统计算资源预测方法及装置 |
CN107063259A (zh) * | 2017-03-08 | 2017-08-18 | 四川九洲电器集团有限责任公司 | 一种航迹关联方法及电子设备 |
CN107238835A (zh) * | 2017-06-08 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种编队目标点航抗叉关联方法 |
CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
CN109696172A (zh) * | 2019-01-17 | 2019-04-30 | 福瑞泰克智能系统有限公司 | 一种多传感器航迹融合方法、装置及车辆 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
-
2021
- 2021-09-10 CN CN202111061504.0A patent/CN113673787B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05150038A (ja) * | 1991-11-29 | 1993-06-18 | Nec Corp | 航跡追尾処理装置 |
US7020791B1 (en) * | 2002-09-19 | 2006-03-28 | Nortel Networks Limited | Clock recovery using a double-exponential smoothing process |
JP2007251354A (ja) * | 2006-03-14 | 2007-09-27 | Saitama Univ | マイクロホン、音声生成方法 |
EP2151807A1 (de) * | 2008-08-05 | 2010-02-10 | Hekatron Vertriebs GmbH | Verfahren zum Bestimmen der betriebsdauer eines Gefahrenmelders und Gefahrenmelder |
CN105912436A (zh) * | 2015-09-17 | 2016-08-31 | 乐视网信息技术(北京)股份有限公司 | 基于指数平滑预测的系统计算资源预测方法及装置 |
CN107063259A (zh) * | 2017-03-08 | 2017-08-18 | 四川九洲电器集团有限责任公司 | 一种航迹关联方法及电子设备 |
CN107238835A (zh) * | 2017-06-08 | 2017-10-10 | 中国人民解放军海军航空工程学院 | 一种编队目标点航抗叉关联方法 |
CN109284818A (zh) * | 2018-09-07 | 2019-01-29 | 北方爆破科技有限公司 | 一种基于事故树和遗传算法的爆破振动控制预测方法 |
CN109696172A (zh) * | 2019-01-17 | 2019-04-30 | 福瑞泰克智能系统有限公司 | 一种多传感器航迹融合方法、装置及车辆 |
CN109934337A (zh) * | 2019-03-14 | 2019-06-25 | 哈尔滨工业大学 | 一种基于集成lstm的航天器遥测数据异常的检测方法 |
Non-Patent Citations (6)
Title |
---|
余有芳;: "指数平滑系数的优化研究", 科技通报, vol. 26, no. 06, pages 817 - 820 * |
夏昌浩;曹瑾;张密;吴奇云;: "电力负荷趋势外推预测算例分析与模型检验", 中国科技信息, no. 21, pages 94 - 96 * |
彭锐波;: "基于RFID的离散制造业物料投送分拣系统", 东莞理工学院学报, no. 05, pages 45 - 49 * |
李尚君: "一种面向异构传感器的无人水面艇 海面目标识别跟踪系统", 《中国舰船研究》, vol. 16, pages 131 - 137 * |
韩国伟: "基于综合相似接近度的航迹关联算法", 《弹箭与制导学报》, vol. 29, no. 2, pages 279 - 281 * |
黎锁平, 刘坤会: "时间序列指数平滑模型新体系及算法", 应用概率统计, no. 04, pages 78 - 84 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115168787A (zh) * | 2022-09-05 | 2022-10-11 | 中国电子科技集团公司第二十八研究所 | 一种基于推测计算的飞行轨迹关联跟踪方法 |
CN115168787B (zh) * | 2022-09-05 | 2022-11-25 | 中国电子科技集团公司第二十八研究所 | 一种基于推测计算的飞行轨迹关联跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113673787B (zh) | 2023-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106970648B (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
CN109633589A (zh) | 目标跟踪中基于多模型优化多假设的多目标数据关联方法 | |
US11300663B2 (en) | Method for predicting a motion of an object | |
CN112180950B (zh) | 一种基于强化学习的智能船舶自主避碰及路径规划方法 | |
CN116448115B (zh) | 基于导航雷达和光电的无人艇概率距离地图构建方法 | |
CN113673787B (zh) | 一种无人集群多域探测数据航迹关联与预测方法 | |
Li et al. | From target tracking to targeting track: A data-driven yet analytical approach to joint target detection and tracking | |
CN113280821B (zh) | 基于斜率约束和回溯搜索的水下多目标跟踪方法 | |
García et al. | Model-based trajectory reconstruction with IMM smoothing and segmentation | |
Zhu et al. | A fault-tolerant scheme based on MSVR for integrated navigation | |
Blackman et al. | Multiple sensor data association and fusion in aerospace applications | |
Korkin et al. | Multiparticle Kalman filter for object localization in symmetric environments | |
Song et al. | Research on Target Tracking Algorithm Using Millimeter‐Wave Radar on Curved Road | |
CN111257826B (zh) | 一种多源异构传感器复合跟踪方法 | |
CN111142101B (zh) | 一种数据关联方法 | |
Zhang et al. | Multi-target identity management with decentralized optimal sensor scheduling | |
CN116430856A (zh) | 一种基于变前视距离los算法的船舶航迹控制方法 | |
CN115168787A (zh) | 一种基于推测计算的飞行轨迹关联跟踪方法 | |
Lee et al. | Sensor fusion for vehicle tracking based on the estimated probability | |
Xu et al. | Uncertainty aware EKF: a tracking filter learning LiDAR measurement uncertainty | |
Ding et al. | Moving object tracking in support of unmanned vehicle opeartion | |
Mingwei et al. | Multi-sensor data fusion for UAV landing guidance based on bayes estimation | |
Duraisamy et al. | Influence of the sensor local track covariance on the track-to-track sensor fusion | |
CN109001724B (zh) | 一种目标自动起始航迹与跟踪定位方法 | |
US20230358877A1 (en) | Method, Computer Program, Storage Medium, Device for Tracking an Object |
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 |