CN113962300A - 一种融合雷达与ais的船舶精确关联方法 - Google Patents
一种融合雷达与ais的船舶精确关联方法 Download PDFInfo
- Publication number
- CN113962300A CN113962300A CN202111208484.5A CN202111208484A CN113962300A CN 113962300 A CN113962300 A CN 113962300A CN 202111208484 A CN202111208484 A CN 202111208484A CN 113962300 A CN113962300 A CN 113962300A
- Authority
- CN
- China
- Prior art keywords
- ais
- radar
- time
- ship
- target
- 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
Images
Classifications
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种融合雷达与AIS的船舶精确关联方法,利用雷达以及AIS获取船舶信息,并考虑到距离、方位、航速、航向、船首向、加速度等因素对船舶关联的影响,通过建立多因素模糊集模型,计算出双传感器船舶目标航迹的匹配度,在复杂多目标的场景下实现了船舶准确、稳定、可靠的关联。该方法首先将双传感器获取到船舶数据进行时空转换统一;然后建立多因素模糊集,进行一次船舶数据关联并找出合理关联点迹;最后,通过二次关联求出最佳关联点迹。本发明所提出的方法与传统融合雷达与AIS的关联方法相比,考虑到六个影响因素,不仅有着准确度高、容错率高等优点,而且关联算法适用性更广,可靠性更高。
Description
技术领域
本发明涉及多源信息融合以及船舶交通管理系统领域,特别是一种融合雷达与AIS的船舶精确关联方法。
背景技术
随着经济快速发展,信息化手段的不断提升,船舶交通管理系统(Vessel TrafficServices,VTS)需要不断增强系统信息获取以及信息综合处理与应用的手段和能力,以满足用户对于安全、高效、便捷VTS的强烈需求。船舶行业中水运行业的业务量居高不下,用于运输上船舶密度的增加,同时也增加了海上航行安全的风险,海上交通事故频频发生,海洋环境受损程度日益严重,使得现场环境变得不可控制。因此,为了有效解决上述所述问题,航运管理效率的提高以及充分利用当前海上通用的传感器成了船舶管理中必不可少的部分。船舶交通管理系统通过先进的多传感器融合技术、信息管理技术、高精度信息处理技术、数字通信技术,定位导航技术等,确保海上航行安全,减少人员伤亡,推动海事业务的发展。雷达与AIS作为当前船舶交通管理系统中最重要的两种传感器,为船舶目标的通行保驾护航,早期的雷达只能提供目标的距离、方位信息,现在的雷达还可以提供目标的航速、航向、加速度、船首向等。而船载AIS设备通过AIS基站可以收集到的信息有船首向、经纬度、航速、航向等。单一传感器对船舶数据的获取有着一定的误差,进而影响到航迹关联。例如:AIS信息有延迟、信息交互不实时,雷达定位被同频干扰,雷达目标在盲区等。
因而,不能把雷达或AIS作为导航中唯一的传感器,如何将雷达获取到的船舶信息与AIS获取到的船舶信息进行精确关联,保障船舶航行安全,势在必行。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种融合雷达与AIS的船舶精确关联方法,该融合雷达与AIS的船舶精确关联方法通过建立多因素模糊集模型,计算出双传感器船舶目标航迹关联相似度,然后多周期性判决出最优关联航迹,具有准确度高、可靠性强、容错率高等优点,在复杂多目标的场景下也能实现了船舶信息的准确可靠关联。
为解决上述技术问题,本发明采用的技术方案是:
一种融合雷达与AIS的船舶精确关联方法,包括如下步骤。
步骤1、获取雷达与AIS船舶信息:采用雷达和AIS同时获取船舶信息;获取的船舶信息包括船舶位置坐标、航速、航向、船首向和加速度。
步骤2、坐标转换:将步骤1中雷达获取的船舶位置坐标和步骤1中AIS获取的船舶位置坐标,均转换至平面直角坐标。
步骤3、时间同步校准:将雷达数据的时间与AIS数据的时间进行校对与同步。
步骤4、建立六因素模糊集模型:基于距离、方位、航速、航向、船首向和加速度,建立六因素模糊集模型(η1(t),η2(t),η3(t),η4(t),η5(t),η6(t));六因素对应的权重系数分别为φ1、φ2、φ3、φ4、φ5、φ6;其中:
η1(t)表示在t时刻雷达和AIS关于距离因素的欧式距离。
η2(t)表示在t时刻雷达和AIS关于方位因素的欧式距离。
η3(t)表示在t时刻雷达和AIS关于航速因素的欧式距离。
η4(t)表示在t时刻雷达和AIS关于航向因素的欧式距离;
η5(t)表示在t时刻雷达和AIS关于船首向因素的欧式距离;
η6(t)表示在t时刻雷达和AIS关于加速度因素的欧式距离;
步骤5、计算六因素之间的门限值ε,具体计算公式为:
εk=3/(8πλk)
式中,φk表示第k因素对应的权重系数;其中,k=1、2、3、4、5、6,分别对应因素为距离、方位、航速、航向、船首向和加速度。
εk表示第k因素对应的预制系数;λk是表示k个不同因素欧式距离的均方根。
步骤6、计算六因素的总相似度γ,具体计算公式为:
步骤7、一次航迹关联匹配:在t时刻,将步骤5计算的门限值ε和步骤6计算的总相似度γ进行比较,当γ≥ε时,则将当前的雷达目标与AIS目标航迹进行一次匹配关联。
步骤8、二次航迹关联匹配:步骤7中,在t时刻,当与雷达目标一次匹配关联的AIS目标航迹的数量n>1时,需多周期地计算每个AIS目标航迹与雷达目标的总相似度,并将最大总相似度所对应的AIS目标航迹,作为最优AIS目标航迹,然后,将最优AIS目标航迹与雷达目标进行二次航迹关联匹配。
步骤8中,多周期下每个AIS目标航迹与雷达目标总相似度的计算公式为:
其中,t=l表示当前时刻,也称第一周期;t=l表示距离当前时刻的第l个周期,l>1;γn表示l个周期下第n个AIS目标与雷达目标的总相似度,γn(t)表示t时刻下第n个AIS目标与雷达目标的总相似度,且γn(t)=γ。
步骤4中,φ1=φ2>φ3>φ4>φ5>φ6。
φ1=φ2=0.3,φ3=0.2,φ4=0.1,φ5=0.06,φ6=0.04。
η1(t),η2(t),η3(t),η4(t),η5(t),η6(t)的计算公式分别为:
η1(t)=|RR(t)-RA(t)| (7)
η2(t)=|θR(t)-θA(t)| (8)
η3(t)=|VR(t)-VA(t)| (9)
η4(t)=|CR(t)-CA(t)| (10)
η5(t)=|OR(t)-OA(t)| (11)
η6(t)=|AR(t)-AA(t)| (12)
式中:RR(t)表示在t时刻雷达获取的距离值,RA(t)表示在t时刻AIS获取的距离值。
θR(t)表示在t时刻雷达获取的方位值,θA(t)表示在t时刻AIS获取的方位值。
VR(t)表示在t时刻雷达获取的航速,VA(t)表示在t时刻AIS获取的航速。
CR(t)表示在t时刻雷达获取的航向,CA(t)表示在t时刻AIS获取的航向。
OR(t)表示在t时刻雷达获取的船首向,OA(t)表示在t时刻AIS获取的船首向。
AR(t)表示在t时刻雷达获取的加速度,AA(t)表示在t时刻AIS获取的加速度。
步骤3中,采用埃尔米特插值法拟合数据,实现雷达数据和AIS数据时间同步校准。
本发明具有如下有益效果:
1.本发明建立的多因素模糊集关联匹配模型,综合考虑到了船舶的距离、方位、航速、航向、船首向、加速度等信息对于船舶航迹关联的影响,针对于多目标密集区船舶以及不同运动模式下的船舶,具有准确度高、容错率高等优点,在复杂多目标的场景下也能实现了船舶信息的准确可靠关联,比传统基于雷达与AIS融合关联算法的适用性更广,可靠性更高。
2.本发明中使用多周期性判决相似度,主要考虑到多因素模糊集关联模型中如果关联匹配的航迹不唯一,则需要通过在时间维度上寻找最优关联航迹,该方法进一步提高了航迹关联的精度。
附图说明
图1显示了本发明一种融合雷达与AIS的船舶精确关联方法的流程图。
图2显示了雷达与AIS目标的关联示意图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
如图1所示,一种融合雷达与AIS的船舶精确关联方法,包括如下步骤。
步骤1、获取雷达与AIS船舶信息
采用雷达和AIS同时获取船舶信息,其中,雷达探测到的船舶目标为雷达目标,AIS提供信息的船舶目标为AIS目标。两者获取的船舶信息包括船舶位置坐标、航速、航向、船首向和加速度。
步骤2、坐标转换
在当前时刻下,针对水上航行的船舶,将雷达获取到的船舶位置坐标(R,θ)转换至平面直角坐标系下的坐标XR,YR:
上式中,R是雷达目标与坐标原点之间的距离,θ表示雷达目标相对于坐标原点的方位。
针对AIS提供的船舶位置坐标(L,B),使用高斯-克吕格投影算法将其换至平面直角系下的坐标为XA,YA,其中,L与B分别表示船舶目标在WGS-84坐标系中纬度与经度信息。高斯-克吕格投影算法为现有技术,这里不再赘述。
步骤3、时间同步校准:采用埃尔米特插值法,将雷达数据的时间与AIS数据的时间进行校对与同步。埃尔米特插值法校准时间,为现有技术,这里不再赘述。
步骤4、建立六因素模糊集模型:基于距离、方位、航速、航向、船首向和加速度,建立六因素模糊集模型(η1(t),η2(t),η3(t),η4(t),η5(t),η6(t));其中:
η1(t)表示在t时刻雷达和AIS关于距离因素的欧式距离。
η2(t)表示在t时刻雷达和AIS关于方位因素的欧式距离。
η3(t)表示在t时刻雷达和AIS关于航速因素的欧式距离。
η4(t)表示在t时刻雷达和AIS关于航向因素的欧式距离;
η5(t)表示在t时刻雷达和AIS关于船首向因素的欧式距离;
η6(t)表示在t时刻雷达和AIS关于加速度因素的欧式距离。
上述η1(t),η2(t),η3(t),η4(t),η5(t),η6(t)的计算公式分别为:
η1(t)=|RR(t)-RA(t)| (14)
η2(t)=|θR(t)-θA(t)| (15)
η3(t)=|VR(t)-VA(t)| (16)
η4(t)=|CR(t)-CA(t)| (17)
η5(t)=|OR(t)-OA(t)| (18)
η6(t)=|AR(t)-AA(t)| (19)
式中:
RR(t)表示在t时刻雷达获取的距离值,RA(t)表示在t时刻AIS获取的距离值。
θR(t)表示在t时刻雷达获取的方位值,θA(t)表示在t时刻AIS获取的方位值。
VR(t)表示在t时刻雷达获取的航速,VA(t)表示在t时刻AIS获取的航速。
CR(t)表示在t时刻雷达获取的航向,CA(t)表示在t时刻AIS获取的航向。
OR(t)表示在t时刻雷达获取的船首向,OA(t)表示在t时刻AIS获取的船首向。
AR(t)表示在t时刻雷达获取的加速度,AA(t)表示在t时刻AIS获取的加速度。
上述六因素对应的权重系数分别为φ1、φ2、φ3、φ4、φ5、φ6,其中,φ1=φ2>φ3>φ4>φ5>φ6。
本实施例中,优选为:
φ1=φ2=0.3,φ3=0.2,φ4=0.1,φ5=0.06,φ6=0.04。
上述六因素模糊集模型建立完成后,若使用传统的数据关联算法,当遇到一些非高斯线性的场景,目标状态无法稳定,周围杂波产生的航迹会对真实的雷达或者AIS航迹造成干扰,因此使用传统的关联算法(即选择固定阈值)使得航迹关联概率的正确率较低,结果不理想。
因此,根据多因素计算出综合关联门限值代替传统的固定阈值来对雷达以及AIS进行关联,可以提高复杂场景下目标关联的成功率,并且也提升了精确度。
步骤5、计算六因素之间的门限值ε,具体计算公式为:
εk=3/(8πλk)
式中,φk表示第k因素对应的权重系数;其中,k=1、2、3、4、5、6,分别对应因素为距离、方位、航速、航向、船首向和加速度。
εK表示第k因素对应的预制系数;λk是表示k个不同因素欧式距离的均方根。
步骤6、计算六因素的总相似度γ,具体计算公式为:
步骤7、一次航迹关联匹配:在t时刻,将步骤5计算的门限值ε和步骤6计算的总相似度γ进行比较,当γ≥ε时,则将当前的雷达目标与AIS目标航迹进行一次匹配关联。
步骤8、二次航迹关联匹配:步骤7中,在t时刻,当与雷达目标一次匹配关联的AIS目标航迹的数量n>1时,如图2所示,n=10。此时,需多周期地计算每个AIS目标航迹与雷达目标的总相似度,并将最大总相似度所对应的AIS目标航迹,作为最优AIS目标航迹,然后,将最优AIS目标航迹与雷达目标进行二次航迹关联匹配。
步骤8中,多周期下每个AIS目标航迹与雷达目标总相似度的计算公式为:
其中,t=1表示当前时刻,也称第一周期;t=l表示距离当前时刻的第l个周期,l>1;γn表示l个周期下第n个AIS目标与雷达目标的总相似度,γn(t)表示t时刻下第n个AIS目标与雷达目标的总相似度,且γn(t)=γ。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (7)
1.一种融合雷达与AIS的船舶精确关联方法,其特征在于:包括如下步骤:
步骤1、获取雷达与AIS船舶信息:采用雷达和AIS同时获取船舶信息;获取的船舶信息包括船舶位置坐标、航速、航向、船首向和加速度;
步骤2、坐标转换:将步骤1中雷达获取的船舶位置坐标和步骤1中AIS获取的船舶位置坐标,均转换至平面直角坐标;
步骤3、时间同步校准:将雷达数据的时间与AIS数据的时间进行校对与同步;
步骤4、建立六因素模糊集模型:基于距离、方位、航速、航向、船首向和加速度,建立六因素模糊集模型(η1(t),η2(t),η3(t),η4(t),η5(t),η6(t));六因素对应的权重系数分别为φ1、φ2、φ3、φ4、φ5、φ6;其中:
η1(t)表示在t时刻雷达和AIS关于距离因素的欧式距离;
η2(t)表示在t时刻雷达和AIS关于方位因素的欧式距离;
η3(t)表示在t时刻雷达和AIS关于航速因素的欧式距离;
η4(t)表示在t时刻雷达和AIS关于航向因素的欧式距离;
η5(t)表示在t时刻雷达和AIS关于船首向因素的欧式距离;
η6(t)表示在t时刻雷达和AIS关于加速度因素的欧式距离;
步骤5、计算六因素之间的门限值ε,具体计算公式为:
εk=3/(8πλk)
式中,φk表示第k因素对应的权重系数;其中,k=1、2、3、4、5、6,分别对应因素为距离、方位、航速、航向、船首向和加速度;
εk表示第k因素对应的预制系数;λk是表示k个不同因素欧式距离的均方根;
步骤6、计算六因素的总相似度γ,具体计算公式为:
步骤7、一次航迹关联匹配:在t时刻,将步骤5计算的门限值ε和步骤6计算的总相似度γ进行比较,当γ≥ε时,则将当前的雷达目标与AIS目标航迹进行一次匹配关联。
2.根据权利要求1所述的融合雷达与AIS的船舶精确关联方法,其特征在于:步骤8、二次航迹关联匹配:步骤7中,在t时刻,当与雷达目标一次匹配关联的AIS目标航迹的数量n>1时,需多周期地计算每个AIS目标航迹与雷达目标的总相似度,并将最大总相似度所对应的AIS目标航迹,作为最优AIS目标航迹,然后,将最优AIS目标航迹与雷达目标进行二次航迹关联匹配。
4.根据权利要求1所述的融合雷达与AIS的船舶精确关联方法,其特征在于:步骤4中,φ1=φ2>φ3>φ4>φ5>φ6。
5.根据权利要求4所述的融合雷达与AIS的船舶精确关联方法,其特征在于:φ1=φ2=0.3,φ3=0.2,φ4=0.1,φ5=0.06,φ6=0.04。
6.根据权利要求1所述的融合雷达与AIS的船舶精确关联方法,其特征在于:η1(t),η2(t),η3(t),η4(t),η5(t),η6(t)的计算公式分别为:
η1(t)=|RR(t)-RA(t)| (1)
η2(t)=|θR(t)-θA(t)| (2)
η3(t)=|VR(t)-VA(t)| (3)
η4(t)=|CR(t)-CA(t)| (4)
η5(t)=|OR(t)-OA(t)| (5)
η6(t)=|AR(t)-AA(t)| (6)
式中:RR(t)表示在t时刻雷达获取的距离值,RA(t)表示在t时刻AIS获取的距离值;
θR(t)表示在t时刻雷达获取的方位值,θA(t)表示在t时刻AIS获取的方位值;
VR(t)表示在t时刻雷达获取的航速,VA(t)表示在t时刻AIS获取的航速;
CR(t)表示在t时刻雷达获取的航向,CA(t)表示在t时刻AIS获取的航向;
OR(t)表示在t时刻雷达获取的船首向,OA(t)表示在t时刻AIS获取的船首向;
AR(t)表示在t时刻雷达获取的加速度,AA(t)表示在t时刻AIS获取的加速度。
7.根据权利要求1所述的融合雷达与AIS的船舶精确关联方法,其特征在于:步骤3中,采用埃尔米特插值法拟合数据,实现雷达数据和AIS数据时间同步校准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208484.5A CN113962300A (zh) | 2021-10-18 | 2021-10-18 | 一种融合雷达与ais的船舶精确关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208484.5A CN113962300A (zh) | 2021-10-18 | 2021-10-18 | 一种融合雷达与ais的船舶精确关联方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962300A true CN113962300A (zh) | 2022-01-21 |
Family
ID=79464925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111208484.5A Pending CN113962300A (zh) | 2021-10-18 | 2021-10-18 | 一种融合雷达与ais的船舶精确关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962300A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946781A (zh) * | 2021-10-18 | 2022-01-18 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 基于自适应多维度融合模型的船舶定位方法 |
CN115080903A (zh) * | 2022-06-01 | 2022-09-20 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于智能优化算法的海上多目标多模态匹配融合方法 |
CN115308762A (zh) * | 2022-10-12 | 2022-11-08 | 浙江华是科技股份有限公司 | 基于激光雷达和ais的船舶识别方法及装置 |
CN115616516A (zh) * | 2022-10-21 | 2023-01-17 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种基于雷达信息的船舶尺寸估计方法 |
CN115718905A (zh) * | 2022-11-18 | 2023-02-28 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种面向vts系统的多传感器信息融合方法 |
-
2021
- 2021-10-18 CN CN202111208484.5A patent/CN113962300A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113946781A (zh) * | 2021-10-18 | 2022-01-18 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 基于自适应多维度融合模型的船舶定位方法 |
CN113946781B (zh) * | 2021-10-18 | 2024-01-26 | 中船鹏力(南京)大气海洋信息系统有限公司 | 基于自适应多维度融合模型的船舶定位方法 |
CN115080903A (zh) * | 2022-06-01 | 2022-09-20 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于智能优化算法的海上多目标多模态匹配融合方法 |
CN115080903B (zh) * | 2022-06-01 | 2023-07-14 | 中国船舶重工集团公司第七0七研究所九江分部 | 一种基于智能优化算法的海上多目标多模态匹配融合方法 |
CN115308762A (zh) * | 2022-10-12 | 2022-11-08 | 浙江华是科技股份有限公司 | 基于激光雷达和ais的船舶识别方法及装置 |
CN115616516A (zh) * | 2022-10-21 | 2023-01-17 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种基于雷达信息的船舶尺寸估计方法 |
CN115616516B (zh) * | 2022-10-21 | 2023-11-10 | 中船鹏力(南京)大气海洋信息系统有限公司 | 一种基于雷达信息的船舶尺寸估计方法 |
CN115718905A (zh) * | 2022-11-18 | 2023-02-28 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种面向vts系统的多传感器信息融合方法 |
CN115718905B (zh) * | 2022-11-18 | 2023-10-24 | 中船重工鹏力(南京)大气海洋信息系统有限公司 | 一种面向vts系统的多传感器信息融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962300A (zh) | 一种融合雷达与ais的船舶精确关联方法 | |
CN110135485A (zh) | 单目相机与毫米波雷达融合的物体识别与定位方法和系统 | |
CN109059964B (zh) | 一种基于“重力峰”的惯性导航与重力测量双校准方法 | |
CN107300382B (zh) | 一种用于水下机器人的单目视觉定位方法 | |
CN112859134B (zh) | 一种基于雷达与北斗数据的船舶目标精确关联方法 | |
CN110888126A (zh) | 基于多源传感器的无人船信息感知系统数据综合处理方法 | |
CN112859133B (zh) | 一种基于雷达与北斗数据的船舶深度融合定位方法 | |
CN112284384A (zh) | 考虑量测异常的集群式多深海潜航器的协同定位方法 | |
WO2020057453A1 (zh) | 一种用于海上编队的雷达目标球面投影方法 | |
CN115031718B (zh) | 一种多传感器融合的无人船同步定位与建图方法(slam)及系统 | |
CN111308457A (zh) | 脉冲多普勒雷达寻北的方法、系统及存储介质 | |
CN110458089B (zh) | 一种基于高低轨光学卫星观测的海上目标关联系统及方法 | |
CN111289944B (zh) | 一种基于uwb定位的无人艇位置航向测定方法 | |
CN112611376B (zh) | 一种RGI-Lidar/SINS紧耦合AUV水下导航定位方法与系统 | |
CN111693051B (zh) | 一种基于光电传感器的多目标数据关联方法 | |
CN106526556A (zh) | 一种用于雷达数据修正的快速标校方法 | |
US20230237214A1 (en) | Positioning Correction Method of Near Seabed Video Data Based on Ultra-short Baseline | |
CN115144851A (zh) | 一种基于俯仰角的多站定位跟踪方法 | |
CN111142108B (zh) | 一种基于毫米波雷达的船艇环境感知系统和感知方法 | |
CN115183771A (zh) | 一种基于距离与到达角复合测量的多潜器协同定位方法 | |
CN114442083A (zh) | 一种基于视觉与多源雷达的自适应加权数据融合方法 | |
CN114136323A (zh) | 基于运动补偿下tdoa量测的auv协同导航方法 | |
CN114396946B (zh) | 一种综合船桥系统中多源目标信息关联方法 | |
CN113946781B (zh) | 基于自适应多维度融合模型的船舶定位方法 | |
CN113376580B (zh) | 一种提高水声定位系统定位精度的位置解算方法 |
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 |