CN113779497B - 一种解决量测信息存在随机时延和丢包的目标跟踪方法 - Google Patents
一种解决量测信息存在随机时延和丢包的目标跟踪方法 Download PDFInfo
- Publication number
- CN113779497B CN113779497B CN202111193813.3A CN202111193813A CN113779497B CN 113779497 B CN113779497 B CN 113779497B CN 202111193813 A CN202111193813 A CN 202111193813A CN 113779497 B CN113779497 B CN 113779497B
- Authority
- CN
- China
- Prior art keywords
- probability density
- density function
- time delay
- packet loss
- measurement
- 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.)
- Active
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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0823—Errors, e.g. transmission errors
- H04L43/0829—Packet loss
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0852—Delays
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Environmental & Geological Engineering (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种解决量测信息存在随机时延和丢包的目标跟踪方法。考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程。根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数、似然概率密度函数和相关先验概率密度函数。利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率。依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。本发明的有益效果为:基于滤波的方法可以同时在线估计出传感器的随机时延和丢包概率,方法易于实施。
Description
技术领域
本发明属于导航技术领域,具体涉及一种解决量测信息存在随机时延和丢包的目标跟踪方法。本发明能在线同时估计出传感器的随机时延和丢包概率,自适应修正量测协方差矩阵,提高系统的定位精度。
背景技术
目标跟踪视为对目标状态的实时估计问题,其中状态包括了位置、线速度、角速度和加速度等信息。近几年在民用、科研以及军事方面得到了广泛应用。
常用的目标跟踪算法有基于卡尔曼滤波、多项式拟合、神经网络等。基于卡尔曼滤波的方法可以连续无偏估计目标状态,并且计算量小,准确度高,在工程中易于实现。基于卡尔曼滤波的方法要求状态更新和量测更新时间同步,但是现实环境中量测信息往往存在时或者丢包延问题。现有的方法直接利用量测进行滤波,不分析该量测信息是否当前时刻或者是只包含噪声的无效信息,最终导致滤波结果的发散,因此,研究一种能够判断量测信息是否丢包或者时延,成为提高系统定位精度的关键。
经检索,中国专利申请号为CN110636452B的专利,公开了无线传感器网络粒子滤波目标跟踪方法。其技术方案为:综合考虑目标跟踪过程随机时延和数据丢包的情况,并将校正后的信号利用粒子滤波算法对目标状态进行精确估计。针对时延问题,采用了一种斜坡信号响应法对网络时延进行测量,并更具延迟时间确定是否需要进行校正,不需要对从数据包中提取时间信息,可以有效的降低无线传感器网络的通信资源消耗;针对数据丢包问题,提出了一种基于增量和统计信息的补偿方案,由于同时考虑目标跟踪系统中随机时延和数据丢包的问题,并进一步对时延测量方法和数据丢包补偿方案进行优化,因此在数据丢包和随机时延及环境噪声干扰的情况下有较强的鲁棒性和较高的跟踪精度。
发明内容
为解决上述问题,本发明公开了一种解决量测信息存在随机时延和丢包的目标跟踪方法,考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程。根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数、似然概率密度函数和相关先验概率密度函数。利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率。依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。
为达到上述目的,本发明的技术方案如下:
一种解决量测信息存在随机时延和丢包的目标跟踪方法,包括如下步骤:
步骤1:考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程;
具体为:
系统状态和量测方程为:
xk=Fk-1xk-1+ωk,
zk=Hkxk+vk,
其中,表示k时刻的状态向量,包含位置和速度信息,表示k时刻的量测向量,ωk和vk描述过程噪声和测量噪声,具有零均值和协方差矩阵Qk和Rk的高斯分布,Fk-1和Hk分别为状态转移矩阵和测量矩阵,表达式分别如下:
考虑量测信息存在随机时延和丢包情况,因此修正的量测方程为:
yk=(1-λk)vk+λk(1-μk)zk-1+λkμkzk,k≥2,
yk=(1-λk)vk+λkμkzk,k=1,
λk和μk是具有伯努利分布的随机变量,并且是相互独立的,描述为
p(λk=0)=1-τk,p(λk=1)=τk
p(μk=0)=1-πk,p(μk=1)=πk,
其中λk和μk的值为0或1。τk和πk∈[0,1],和p(·)代表概率密度函数;
步骤2:根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数;
推导如下:
一步预测的概率密度函数建模为高斯分布:
其中,
步骤3:计算似然概率密度函数和相关先验概率密度函数;
其具体如下:
似然概率密度函数写为:
其中,
从上式看出似然概率密度函数是由三个高斯分布的累加得到的,不可能以递归的方式计算似然概率密度函数,因此,采用指数相乘的形式,重新描述似然函数:
时延和丢包的先验概率密度函数写为:
步骤4:利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率;
具体步骤如下:
由于先验和似然函数的表达复杂,很难直接计算联合后验概率密度函数p(ζk,λk,μk,τk,πk|y1,因此,用近似的概率密度函数的乘积代替联合后验概率密度函数
p(ζk,λk,μk,τk,πk|y1∶k)≈q(ζk)q(λk)q(μk)q(τk)q(πk),
通过固定点迭代,进行参数更新,估算出随机时延和丢包概率;
1、初始化相关参数期望:
E(0)[μk],E(0)[1-log(τk)],E(0)[log(τk)],E(0)[1-log(πk)],E(0)[log(πk)]
2、迭代i=1∶N;
b)近似后验概率密度函数q(i+1)(ζk);
d)更新近似后验概率密度函数q(i+1)(τk),q(i+1)(πk)
f)更新近似后验概率密度函q(i+1)(τk),q(i+1)(πk)
g)更新相关期望:
其中,上标符号i表示第i次迭代,ψ(·)表示digmma函数;
步骤5:依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。
作为本发明进一步改进,所述步骤5中依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度,其具体步骤如下:
修正后的量测协方差矩阵为:
状态更新为:
本发明的有益效果为:
根据步骤1所建立的系统量测模型,本发明方案可以同时的估计出随机时延与丢包概率。现有的方法不不判断当前测量信息的实际来源,滤波器的性能将恶化。此外,本发明方案实现对时变概率的准确跟踪,提高了系统定位精度。
且与对比文件相比,本发明不同之处在于:
1.本发明不需要采用斜坡信号响应法解决时延问题,而是根据变分贝叶斯理论,自动分析出时延概率,从而自适应调整协方差矩阵,提高系统定位精度;
2.本发明中丢包问题指的是在外部强干扰情况下,真实的量测信息丢失,系统只收到噪声而非上述专利中的空信号,因此,加大了判断量测信息真实来源的难度;
3.本发明能同时估算出随时间变化的时延和丢包概率,而非必须知道具体时延值和丢包时刻,更加具有普遍性。
附图说明
图1为基于时延和丢包约束的目标跟踪示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
本发明公开了一种解决量测信息存在随机时延和丢包的目标跟踪方法,考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程。根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数、似然概率密度函数和相关先验概率密度函数。利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率。依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。
作为本发明具体实施例,本发明提供基于时延和丢包约束的目标跟踪示意图如图1所示的一种解决量测信息存在随机时延和丢包的目标跟踪方法。目标在二维平面移动,传感器能够测量目标的位置信息,当存在外部强干扰时,量测信息存在丢包的情况,此外,数据传输过程中,也存在时延问题,通过提出的算法,能够有效估计时变时延和丢包概率,提高对目标的定位精度。考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程。根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数、似然概率密度函数和相关先验概率密度函数。利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率。依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。包括如下步骤:
步骤1:考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程;
步骤2:根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数;
步骤3:计算似然概率密度函数和相关先验概率密度函数;
步骤4:利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率;
步骤5:依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。
所述步骤1中,考虑实际环境中量测信息存在时延和丢包情况,建立状态和修正的量测方程,具体为:
考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程,具体为:
系统状态和量测方程为:
xk=Fk-1xk-1+ωk,
zk=Hkxk+vk,
其中,表示k时刻的状态向量,包含位置和速度信息,表示k时刻的量测向量。ωk和vk描述过程噪声和测量噪声,具有零均值和协方差矩阵Qk和Rk的高斯分布。Fk-1和Hk分别为状态转移矩阵和测量矩阵,表达式分别如下:
考虑量测信息存在随机时延和丢包情况,因此修正的量测方程为:
yk=(1-λk)vk+λk(1-μk)zk-1+λkμkzk,k≥2,
yk=(1-λk)vk+λkμkzk,k=1,
λk和μk是具有伯努利分布的随机变量,并且是相互独立的,可描述为
p(λk=0)=1-τk,p(λk=1)=τk
p(μk=0)=1-πk,p(μk=1)=πk,
其中λk和μk的值为0或1。τk和πk∈[0,1],和p(·)代表概率密度函数。
所述步骤2中,根据随机时延长度,对状态和协方差矩阵进行增广,计算先验概率密度函数,推导如下:
其中,
所述步骤3中,计算似然概率密度函数和相关先验概率密度函数,其具体如下:
似然概率密度函数写为:似然概率密度函数写为:
其中,
从上式可以看出似然概率密度函数是由三个高斯分布的累加得到的,不可能以递归的方式计算似然概率密度函数。因此,采用指数相乘的形式,重新描述似然函数:
时延和丢包的先验概率密度函数可以写为:
所述步骤4中,利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率,其具体步骤如下:
由于先验和似然函数的表达复杂,很难直接计算联合后验概率密度函数p(ζk,λk,μk,τk,πk|y1。因此,用近似的概率密度函数的乘积代替联合后验概率密度函数
p(ζk,λk,μk,τk,πk|y1∶k)≈q(ζk)q(λk)q(μk)q(τk)q(πk),
通过固定点迭代,进行参数更新,估算出随机时延和丢包概率。
1、初始化相关参数期望:
E(0)[μk],E(0)[1-log(τk)],E(0)[log(τk)],E(0)[1-log(πk)],E(0)[log(πk)]
2、迭代i=1∶N;
b)近似后验概率密度函数q(i+1)(ζk);
d)更新近似后验概率密度函数q(i+1)(τk),q(i+1)(πk)
f)更新近似后验概率密度函q(i+1)(τk),q(i+1)(πk)
g)更新相关期望:
其中,上标符号i表示第i次迭代,ψ(·)表示digmma函数;
所述步骤5中,依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度,其具体步骤如下:
修正后的量测协方差矩阵为:
状态更新为:
需要说明的是,以上内容仅仅说明了本发明的技术思想,不能以此限定本发明的保护范围,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰均落入本发明权利要求书的保护范围之内。
Claims (1)
1.一种解决量测信息存在随机时延和丢包的目标跟踪方法,其特征在于,包括如下步骤:
步骤1:考虑目标跟踪的过程中,传感器的量测信息存在时延和丢包情况,建立状态方程和修正的量测方程;
具体为:
系统状态和量测方程为:
xk=Fk-1xk-1+ωk,
zk=Hkxk+vk,
其中,表示k时刻的状态向量,包含位置和速度信息,表示k时刻的量测向量,ωk和vk描述过程噪声和测量噪声,具有零均值和协方差矩阵Qk和Rk的高斯分布,Fk-1和Hk分别为状态转移矩阵和测量矩阵,表达式分别如下:
考虑量测信息存在随机时延和丢包情况,因此修正的量测方程为:
yk=(1-λk)vk+λk(1-μk)zk-1+λkμkzk,k≥2,
yk=(1-λk)vk+λkμkzk,k=1,
λk和μk是具有伯努利分布的随机变量,并且是相互独立的,描述为
p(λk=0)=1-τk,p(λk=1)=τk
p(μk=0)=1-πk,p(μk=1)=πk,
其中λk和μk的值为0或1。τk和πk∈[0,1],和p(·)代表概率密度函数;
步骤2:根据随机时延长度,对状态和协方差矩阵进行增广,计算一步预测概率密度函数;
推导如下:
一步预测的概率密度函数建模为高斯分布:
其中,
步骤3:计算似然概率密度函数和相关先验概率密度函数;
其具体如下:
似然概率密度函数写为:
其中,
从上式看出似然概率密度函数是由三个高斯分布的累加得到的,不可能以递归的方式计算似然概率密度函数,因此,采用指数相乘的形式,重新描述似然函数:
时延和丢包的先验概率密度函数写为:
步骤4:利用变分贝叶斯理论,进行参数更新,估算出近似的后验概率密度函数、随机时延和丢包概率;
具体步骤如下:
由于先验和似然函数的表达复杂,很难直接计算联合后验概率密度函数p(ζk,λk,μk,τk,πk|y1:k,因此,用近似的概率密度函数的乘积代替联合后验概率密度函数p(ζk,λk,μk,τk,πk|y1:k)≈q(ζk)q(λk)q(μk)q(τk)q(πk),
通过固定点迭代,进行参数更新,估算出随机时延和丢包概率;
1、初始化相关参数期望:
E(0)[μk],E(0)[1-log(τk)],E(0)[log(τk)],E(0)[1-log(πk)],E(0)[log(πk)]
2、迭代i=1:N;
b)近似后验概率密度函数q(i+1)(ζk);
d)更新近似后验概率密度函数q(i+1)(τk),q(i+1)(πk)
f)更新近似后验概率密度函q(i+1)(τk),q(i+1)(πk)
g)更新相关期望:
其中,上标符号i表示第i次迭代,ψ(·)表示digmma函数;
步骤5:依据计算出的概率,自适应调节量测协方差矩阵,提高系统定位精度。
修正后的量测协方差矩阵为:
状态更新为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111193813.3A CN113779497B (zh) | 2021-10-13 | 2021-10-13 | 一种解决量测信息存在随机时延和丢包的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111193813.3A CN113779497B (zh) | 2021-10-13 | 2021-10-13 | 一种解决量测信息存在随机时延和丢包的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113779497A CN113779497A (zh) | 2021-12-10 |
CN113779497B true CN113779497B (zh) | 2022-11-18 |
Family
ID=78873102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111193813.3A Active CN113779497B (zh) | 2021-10-13 | 2021-10-13 | 一种解决量测信息存在随机时延和丢包的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113779497B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353705A (zh) * | 2023-10-08 | 2024-01-05 | 哈尔滨工业大学 | 一种带有未知延迟概率的一步时延跟踪滤波方法及系统 |
CN117351042B (zh) * | 2023-10-08 | 2024-05-14 | 哈尔滨工业大学 | 一种基于高斯和滤波的任意步时延目标跟踪方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
-
2021
- 2021-10-13 CN CN202111193813.3A patent/CN113779497B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
CN109508445A (zh) * | 2019-01-14 | 2019-03-22 | 哈尔滨工程大学 | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 |
CN111985093A (zh) * | 2020-08-03 | 2020-11-24 | 哈尔滨工程大学 | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 |
Non-Patent Citations (2)
Title |
---|
多机动目标跟踪的BFG-GMPHD算法;赵斌等;《火力与指挥控制》;20161115(第11期);全文 * |
群目标跟踪自适应IMM算法;汪云等;《哈尔滨工业大学学报》;20161030(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113779497A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113779497B (zh) | 一种解决量测信息存在随机时延和丢包的目标跟踪方法 | |
CN108304612B (zh) | 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法 | |
CN110889862B (zh) | 一种网络传输攻击环境中多目标跟踪的组合测量方法 | |
WO2010026417A1 (en) | Estimating a state of at least one target | |
Gadsden et al. | A study of variable structure and sliding mode filters for robust estimation of mechatronic systems | |
EP3754359A1 (en) | Method of determination of alignment angles of radar sensors for a road vehicle radar auto-alignment controller | |
Choi et al. | State estimation with delayed measurements incorporating time-delay uncertainty | |
CN110907911A (zh) | 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法 | |
JP2014215822A (ja) | 状態推定装置、方法、及びプログラム | |
CN108226887B (zh) | 一种观测量短暂丢失情况下的水面目标救援状态估计方法 | |
CN110501686A (zh) | 基于一种新型自适应高阶无迹卡尔曼滤波的状态估计方法 | |
CN111291319B (zh) | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 | |
CN108846427A (zh) | 非线性系统任意延迟步数的单个失序量测集中式融合方法 | |
CN115457510A (zh) | 一种基于变分贝叶斯的自适应协同目标跟踪方法 | |
JP5577807B2 (ja) | 飛しょう体誘導装置 | |
CN108680162B (zh) | 一种基于渐进无迹卡尔曼滤波的人体目标跟踪方法 | |
CN114519728A (zh) | 未知噪声下的变分贝叶斯强跟踪phd多目标跟踪方法 | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
Mookerjee et al. | Reduced state estimator for systems with parametric inputs | |
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 | |
CN108230370B (zh) | 基于云台的跟踪目标速度预测方法及存储介质 | |
CN114637956B (zh) | 一种基于双卡尔曼滤波器实现目标位置预测的方法 | |
CN110515069B (zh) | 一种用于分布式目标跟踪的自适应一致性信息滤波方法 | |
Dubois et al. | Performance evaluation of a moving horizon estimator for multi-rate sensor fusion with time-delayed measurements | |
CN110031797B (zh) | 用于被动传感系统对具有非连续特性目标的检测跟踪方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |