CN114089363A - 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法 - Google Patents
一种基于随机有限集的异构传感器信息融合和多目标跟踪方法 Download PDFInfo
- Publication number
- CN114089363A CN114089363A CN202111357819.XA CN202111357819A CN114089363A CN 114089363 A CN114089363 A CN 114089363A CN 202111357819 A CN202111357819 A CN 202111357819A CN 114089363 A CN114089363 A CN 114089363A
- Authority
- CN
- China
- Prior art keywords
- target
- state
- information
- sensor
- algorithm
- 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 76
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241000135164 Timea Species 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000013138 pruning Methods 0.000 claims 3
- 230000001502 supplementing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000008447 perception Effects 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 23
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 101001086191 Borrelia burgdorferi Outer surface protein A Proteins 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种基于随机有限集的异构传感器信息融合和多目标跟踪方法,主要解决当前δ‑GLMB滤波算法仅针对单一传感器的不足,主要解决多目标跟踪时单一传感器易遭到干扰、毁伤而导致的航迹关联弱、跟踪精度低的问题。本发明方法借助雷达、光电、红外等异构传感器的量测值与对应的协方差,采用协方差交叉算法进行数据融合。与传统单一传感器方法相比,可以增强观测系统的信息感知力,提供多维度,高精度的目标感知信息,从而能够有效利用各异构传感器的优势,获得置信度更高的多目标量测集合,得到效果更为理性的多目标预测集合,有效提升滤波精度,具有良好的工程应用价值。
Description
技术领域
本发明涉及多目标跟踪技术领域,尤其涉及一种基于随机有限集的多传感器信息融合和目标跟踪方法。
背景技术
在多目标跟踪领域,信息的获取主要来源于各式各样的传感器,不同传感器针对不同应用环境条件具有不同的优势,例如:雷达传感器具有探测远、不受光线影响等优点,但容易受到各种回波和大气有色噪声的干扰;可见光传感器具有小巧精确的优势,这种紧凑轻型的传感器最适用于透明、不透明物或反光材质的放卷和收卷纠边应用中;红外成像技术具有隐蔽性好、抗干扰能力强、造价低和穿透力强等多种优点,但该技术应用时容易受到天气环境中背影因素的干扰。由于使用环境的复杂,单一传感器在日趋成熟的干扰手段、抗干扰手段面前略显掣肘,难以满足复杂的空间观测要求,利用多种异构传感器可以增强观测系统的信息感知力。与同构传感器相比,多种异构传感器能够实现信息间的相互补充,提供多维度,高精度的目标感知信息,在实际应用中已经受到广泛重视。
在多目标跟踪领域中,基于随机有限集的多目标跟踪方法引起了科研工作者的广泛关注。该方法基于有限集统计理论对传感器量测集合进行处理,直接得到多目标状态集合,从而避免了传统多目标跟踪方法对传感器数据关联的依赖,可大幅度增强计算效率。目前较为常见的基于随机有限集理论的滤波方法有概率假设密度(PHD)滤波器、带势概率假设密度(CPHD)滤波器、多目标贝叶斯(MeMBer)滤波器、广义标签多伯努利(GLMB)滤波器等,相比于PHD与CPHD算法,MeMBer提供了闭合的贝叶斯解析解,但无法实时估计目标的轨迹,因此不是实际意义上的多目标跟踪滤波器。针对这一难题,Ba-Tuon Vo等人将多假设跟踪思想和有限集理论相结合,诞生了δ-广义标签多伯努利(δ-GLMB)滤波算法,该算法不仅能够实时跟踪多个目标并提供他们各自的运动轨迹,更能够提供带有标签加以区分的目标状态集合,实现了真正意义上的多目标跟踪。δ-GLMB在保持RFS系列滤波器优势的基础上,无需共轭近似处理,具有更高的跟踪精度,更强的抗干扰性能。δ-GLMB的实现方式基于单目标跟踪滤波器,常见的有高斯混合(GM)、序贯蒙特卡洛(SMC)、扩展卡尔曼(EKF)、无迹卡尔曼(UKF)以及容积卡尔曼(CKF)等,一般来说,复杂跟踪场景下非线性运动模型居多,因此采用非线性程度越高的实现方案越有利于得到更精准的多目标预测状态集合。
各型传感器由于环境中存在的各种不稳定因素皆面临着致盲、毁伤挑战;抗干扰、干扰手段则时刻通过传感器量测信息影响着滤波算法的估计精度、速度。综上所述,利用多源异构传感器量测信息进一步提高多目标跟踪算法的估计精度、估计实时性已经成为该领域学者的研究重点。
发明内容
本申请发明针对解决多目标跟踪场景中单一传感器受干扰、被毁伤影响甚至误导多目标跟踪滤波器的跟踪性能、跟踪实时性等关键科学问题,为充分利用多源异构传感器量测值,为滤波算法提供正确观测集合,提升滤波器的跟踪性能,提高算法鲁棒性,提升生存能力等关键技术目标,提出了一种基于随机有限集的异构传感器信息融合和多目标跟踪方法。该方法首先对多源异构传感器(雷达传感器、红外传感器、光电传感器)的量测信息进行数据解析、补充操作,将各个传感器量测输入至多目标跟踪算法的预测、更新步骤中,再在滤波算法更新步骤的结束部分利用多源异构传感器的协方差矩阵进行协方差交叉数据融合,得到更为精确的多目标预测状态集合和多目标预测状态协方差集合,将融合后的数据作为更新部分的输出,最终得到较为理想的滤波效果。
本发明的目的是这样实现的:具体实施步骤为:
步骤1:T=0时刻,初始化参数,设置多目标状态集合、多目标状态协方差矩阵、多目标非线性运动模型、新生目标参数、杂波参数等,得到初始分量集;
步骤3:T≥1时刻,采用CKF-δ-GLMB滤波算法对多目标状态集合、多目标数量等信息进行预测;
步骤4:对经过步骤二处理得到的多源异构传感器量测集合采用CKF-δ-GLMB滤波算法进行更新,得到对应雷达传感器的多目标更新状态集合以及其更新状态协方差矩阵光电传感器的多目标更新状态集合以及其更新状态协方差矩阵对应红外传感器的多目标更新状态集合以及其更新状态协方差矩阵
步骤5:对异构传感器的状态集合和协方差矩阵适用协方差交叉的方法进行融合,得到本时刻最终输出的状态集合;
步骤6:输入下一时刻的多目标量测集合,转到步骤三进行迭代,直至无关于下一时刻的输入,整个算法结束。
进一步地,步骤1中,设初始状态集为其中,xk为状态集合、Ik为标签集合、wk为权重集合、pk为协方差矩阵集合;设定传感器检测概率为Pd,则漏检概率为1-Pd;设参数其中为标签l的出生概率,分别为标签l对应的新生目标的状态集合、权重集合、协方差矩阵集合。
进一步地,步骤2中,雷达传感器可提供距离信息方位角信息光电传感器可提供光强度信息方位角信息红外传感器可提供方位角信息俯仰角信息需要将上述三种异构传感器的量测信息进行解析、补充操作,具体包括:利用光强度信息反解出对应光电传感器的距离信息由于红外传感器无法获得距离信息,为避免协方差矩阵非正定,采用雷达传感器距离信息与光电传感器距离信息的均值进行补充;由于本发明仿真环境为二维平面,不需要俯仰角信息,可将红外传感器的俯仰角信息舍去。
进一步地,步骤3中,采用CKF-δ-GLMB滤波算法对多目标状态集合、多目标数量等信息进行预测,具体包括如下分步骤:
步骤3-1,建立δ-GLMB滤波器多目标密度先验分布公式为:
其中,I表示当前时刻所有目标轨迹标签的集合。Δ(X)=1表示集合中各元素的标签互异,否则Δ(X)=0。card(X)表示求集合的势,即集合中的元素个数。δ(·)为冲激函数,关联历史ξ是Ξ的具体实现。离散空间Ξ表示轨迹-量测的关联历史信息。p(ξ)(·,l)表示被标记为l的单个目标的状态分布。w(I,ξ)表示对应目标的权值,满足二维数组(I,ξ)表示当前时刻所有轨迹的标签集合与当前时刻的ξ∈Ξ之间的一种关联假设,表示由标签空间L所构成的集合。
步骤3-2,建立δ-GLMB的预测公式为:
式中,π+(X+)表示预测概率密度函数,<·>表示内积,f(x|·,l)表示马尔可夫转移密度。为目标在关联历史ξ条件下轨迹的空间分布密度,pB(x,l)和为新生和存活目标的状态空间密度函数。为离散的标签指示器,|·|表示势,lL和lB为标签指示函数,w表示权重。I+表示预测轨迹标签集合,其包含存活和新生轨迹标签集合。
步骤3-3,CKF-δ-GLMB算法中,先验概率密度函数的获得需要结合具体的CKF滤波过程实现。在CKF算法中先验概率密度函数具体由先验状态估计以及先验状态估计协方差PTT-1体现。以任意时刻随机集中单一标签对应的单一集合元素为例,具体预测过程如下:
步骤3-3-1,假设系统状态的维数为n,则可根据球面-径向积分准则构造以下容积点集ζi以及其对应的权重wi:
其中,ST-1是的PT-1的Cholesky分解。
步骤3-3-3,预测T时刻的状态估计和状态估计协方差矩阵:
进一步地,步骤4中,采用CKF-δ-GLMB滤波算法对多目标后验概率密度进行更新,具体包括如下分步骤:
步骤4-1,后验概率密度分布计算方法如下:
其中:
其中,θ为目标轨迹-量测地映射关系,0表示漏检。所有映射关系θ的集合Θ为关联映射空间。Θ(I)表示定义域为I的Θ子集。g(Z|x,l)为目标(x,l)生成量测的似然函数,κ(·)为量测过程中的杂波密度函数。
步骤4-2,CKF-δ-GLMB算法中,后验概率密度函数p(ξ,θ)(x,l|Z)的获得需要结合具体的CKF滤波过程实现。在CKF算法中后验概率密度函数p(ξ,θ)(x,l|Z)具体由后验状态估计以及后验状态估计协方差PT体现。以雷达传感器量测以及随机集中单一标签对应的单一集合元素为例,具体更新过程如下:
步骤4-2-1,构造容积点并通过观测转移函数H(·)进行传递:
其中,STT-1是PTT-1的Cholesky分解。
步骤4-2-2,估计T时刻的观测值和协方差矩阵:
步骤4-2-3,计算T时刻互协方差矩阵:
步骤4-2-4,计算T时刻卡尔曼增益:
步骤4-2-5,计算T时刻的后验估计状态值和对应的协方差:
进一步地,步骤5中,来自异构传感器的量测值会分别产生不同的后验估计状态值和对应的协方差,此时对三种异构传感器的后验估计状态值和对应的协方差使用协方差交叉算法进行异构传感器信息融合,得到T时刻最终的后验估计信息,具体做法为:
步骤5-1,计算最终后验估计状态值:
步骤5-2,计算最终后验估计协方差矩阵:
与现有技术相比,本发明的有益效果是:本方法将异构传感器信息加以补充、解析,提供多维度,高精度的多目标感知信息;采用协方差交叉的方式进行数据融合,通过不同传感器对应的不同权重控制其在最终预测集合中的所占比重,能够有效利用各异构传感器的优势,获得置信度更高的多目标量测集合,从而得到效果更为理性的多目标预测集合,有效提升滤波精度。
附图说明
图1是本发明的整体工作流程图;
图2是本发明实施例中异构传感器子模块的预测更新示意图;
图3是本发明实施例中多目标的实际运动轨迹示意图;
图4是本发明实施例中的多目标跟踪效果示意图;
图5本发明实施例中相同噪声环境下传统单一传感器方法与本发明方法500次蒙特卡洛实验的平均OSPA误差对比图;
图6本发明实施例中相同噪声环境下传统单一传感器方法与本发明方法500次蒙特卡洛实验的算法平均用时对比图;
图7本发明实施例中相同噪声环境下传统单一传感器方法与本发明方法500次蒙特卡洛实验的平均目标数量估计对比图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
一种基于随机有限集的异构传感器信息融合和多目标跟踪方法,所述方法包括如下步骤:
步骤1:T=0时刻,初始化参数,设初始状态集为其中,xk为状态集合、Ik为标签集合、wk为权重集合、pk为协方差矩阵集合;设定传感器检测概率为Pd,则漏检概率为1-Pd;设参数其中为标签l的出生概率,分别为标签l对应的新生目标的状态集合、权重集合、协方差矩阵集合。
步骤3:T≥1时刻,采用CKF-δ-GLMB滤波算法对多目标状态集合、多目标数量等信息进行预测,采用k最短路径避免算法后期假设目标数量增大和观测帧数的增多所引起的爆炸性增长问题。具体包括以下分步骤:
步骤3-1,建立δ-GLMB滤波器多目标密度先验分布公式为:
其中,I表示当前时刻所有目标轨迹标签的集合。Δ(X)=1表示集合中各元素的标签互异,否则Δ(X)=0。card(X)表示求集合的势,即集合中的元素个数。δ(·)为冲激函数,关联历史ξ是Ξ的具体实现。离散空间Ξ表示轨迹-量测的关联历史信息。p(ξ)(·,l)表示被标记为l的单个目标的状态分布。w(I,ξ)表示对应目标的权值,满足二维数组(I,ξ)表示当前时刻所有轨迹的标签集合与当前时刻的ξ∈Ξ之间的一种关联假设,表示由标签空间L所构成的集合。
步骤3-2,建立δ-GLMB的预测公式为:
式中,π+(X+)表示预测概率密度函数,<·>表示内积,f(x|·,l)表示马尔可夫转移密度。为目标在关联历史ξ条件下轨迹的空间分布密度,pB(x,l)和为新生和存活目标的状态空间密度函数。为离散的标签指示器,|·|表示势,lL和lB为标签指示函数,w表示权重。I+表示预测轨迹标签集合,其包含存活和新生轨迹标签集合。
步骤3-3,CKF-δ-GLMB算法中,先验概率密度函数的获得需要结合具体的CKF滤波过程实现。在CKF算法中先验概率密度函数具体由先验状态估计以及先验状态估计协方差PTT-1体现。以任意时刻随机集中单一标签对应的单一集合元素为例,具体预测过程如下:
步骤3-3-1,假设系统状态的维数为n,则可根据球面-径向积分准则构造以下容积点集ζi以及其对应的权重wi:
其中,ST-1是的PT-1的Cholesky分解。
步骤3-3-3,预测T时刻的状态估计和状态估计协方差矩阵:
步骤4:对经过步骤二处理得到的多源异构传感器量测集合采用CKF-δ-GLMB滤波算法进行更新,得到对应雷达传感器的多目标更新状态集合以及其更新状态协方差矩阵光电传感器的多目标更新状态集合以及其更新状态协方差矩阵对应红外传感器的多目标更新状态集合以及其更新状态协方差矩阵具体分步骤如下:
步骤4-1,后验概率密度分布计算方法如下:
其中:
其中,θ为目标轨迹-量测地映射关系,0表示漏检。所有映射关系θ的集合Θ为关联映射空间。Θ(I)表示定义域为I的Θ子集。g(Z|x,l)为目标(x,l)生成量测的似然函数,κ(·)为量测过程中的杂波密度函数。
步骤4-2,CKF-δ-GLMB算法中,后验概率密度函数p(ξ,θ)(x,l|Z)的获得需要结合具体的CKF滤波过程实现。在CKF算法中后验概率密度函数p(ξ,θ)(x,l|Z)具体由后验状态估计以及后验状态估计协方差PT体现。以雷达传感器量测以及随机集中单一标签对应的单一集合元素为例,具体更新过程如下:
步骤4-2-1,构造容积点并通过观测转移函数H(·)进行传递:
其中,STT-1是PTT-1的Cholesky分解。
步骤4-2-2,估计T时刻的观测值和协方差矩阵:
步骤4-2-3,计算T时刻互协方差矩阵:
步骤4-2-4,计算T时刻卡尔曼增益:
步骤4-2-5,计算T时刻的后验估计状态值和对应的协方差:
步骤5:对异构传感器的状态集合和协方差矩阵适用协方差交叉的方法进行融合,得到本时刻最终输出的状态集合,具体分步骤如下:
步骤5-1,计算最终后验估计状态值:
步骤5-2,计算最终后验估计协方差矩阵:
步骤6:输入下一时刻的多目标量测集合,转到步骤三进行迭代,直至无关于下一时刻的输入,整个算法结束。
本发明的效果可通过以下仿真进一步说明:
(1)仿真条件及参数
其余参数设定为:扫描时间间隔Ts为1,过程噪声协方差QT=diag([1,0,1,0]),量测噪声协方差RT=diag([102,102]),初始目标运动状态初始协方差矩阵P0=diag([2500,2500,2500,2500,0.011]),传感器检测概率Pd=0.98。
(2)仿真条件及参数
通过仿真实验,将本发明方法与传统的单一传感器方法进行对比实验分析。本实验的十个目标在100个扫描间隔内的不同时刻产生和消亡,形成的真实轨迹图如图3所示。
图5发明实施例中相同噪声环境下传统单一传感器方法与本发明方法500次蒙特卡洛实验的平均目标数量估计对比图。可以看出,本发明方法对于目标数量的估计精度与传统方法相似。
图6发明实施例中相同噪声环境下传统单一传感器方法与本发明方法500次蒙特卡洛实验的平均OSPA误差对比图。可以看出本发明方法的目标数量估计精度与传统方法相似,目标状态的估计精度要好于传统单一传感器方法。
图7发明实施例中相同噪声环境下传统单一传感器方法与本发明方法500次蒙特卡洛实验的算法平均用时对比图。可以看出本发明方法的时间代价略高于传统方法,这是由于在更新步骤中采用多个子系统并行计算导致计算复杂度上升。
本实施例提出了一种基于随机有限集的异构传感器信息融合和多目标跟踪方法。所申请方法针对当前δ-GLMB算法仅适用于单一传感器这一情况,将异构传感器信息加以有效利用,扩大了观测维度,提升了观测精度,改善了多目标跟踪效果;所申请算法可用于多种异构传感器,算法适应性强。针对国防、民用领域,本发明方法有较大应用价值,可广泛应用。
本领域技术人员可以理解,在本申请具体实施方式的上述方法中,各步骤的序号大小并不意味着执行顺序的先后,各步骤的执行顺序应以其功能和内在逻辑确定,而不应对本申请具体实施方式的实施过程构成任何限定。
最后应说明的是,以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制,本发明在应用上可以延伸为其他的修改、变化、应用和实施例,并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。
综上,本发明提出了一种基于随机有限集的异构传感器融合和多目标跟踪方法,主要解决当前δ-GLMB滤波算法仅针对单一传感器的不足,主要解决多目标跟踪时单一传感器易遭到干扰、毁伤而导致的航迹关联弱、跟踪精度低的问题。本发明方法借助雷达、光电、红外等异构传感器的量测值与对应的协方差,采用协方差交叉算法进行数据融合。与传统单一传感器方法相比,可以增强观测系统的信息感知力,提供多维度,高精度的目标感知信息,从而能够有效利用各异构传感器的优势,获得置信度更高的多目标量测集合,得到效果更为理性的多目标预测集合,有效提升滤波精度,具有良好的工程应用价值。
Claims (6)
1.一种基于随机有限集的异构传感器信息融合和多目标跟踪方法,其特征在于,步骤如下:
步骤1:T=0时刻,初始化参数,设置多目标状态集合、多目标状态协方差矩阵、多目标非线性运动模型、新生目标参数、杂波参数等,得到初始分量集;
步骤3:T≥1时刻,采用CKF-δ-GLMB滤波算法对多目标状态集合、多目标数量等信息进行预测,采用k最短路径避免算法后期假设目标数量增大和观测帧数的增多所引起的爆炸性增长问题;
步骤4:对经过步骤二处理得到的多源异构传感器量测集合采用CKF-δ-GLMB滤波算法进行更新,得到对应雷达传感器的多目标更新状态集合以及其更新状态协方差矩阵光电传感器的多目标更新状态集合以及其更新状态协方差矩阵对应红外传感器的多目标更新状态集合以及其更新状态协方差矩阵
步骤5:对异构传感器的状态集合和协方差矩阵适用协方差交叉的方法进行融合,得到本时刻最终输出的状态集合;
步骤6:输入下一时刻的多目标量测集合,转到步骤三进行迭代,直至无关于下一时刻的输入,整个算法结束。
4.根据权利要求1所述的一种基于随机有限集的异构传感器信息融合和多目标跟踪方法,其特征在于:步骤3中,采用CKF-δ-GLMB滤波算法对多目标状态集合、多目标数量等信息进行预测,具体包括如下分步骤:
(3.1)建立δ-GLMB滤波器多目标密度先验分布公式为:
其中,I表示当前时刻所有目标轨迹标签的集合;Δ(X)=1表示集合中各元素的标签互异,否则Δ(X)=0;card(X)表示求集合的势,即集合中的元素个数;δ(·)为冲激函数,关联历史ξ是Ξ的具体实现;离散空间Ξ表示轨迹-量测的关联历史信息;p(ξ)(·,l)表示被标记为l的单个目标的状态分布;w(I,ξ)表示对应目标的权值,满足二维数组(I,ξ)表示当前时刻所有轨迹的标签集合与当前时刻的ξ∈Ξ之间的一种关联假设,表示由标签空间L所构成的集合;
(3.2)建立δ-GLMB的预测公式为:
式中,π+(X+)表示预测概率密度函数,<·>表示内积,f(x|·,l)表示马尔可夫转移密度;为目标在关联历史ξ条件下轨迹的空间分布密度,pB(x,l)和为新生和存活目标的状态空间密度函数;为离散的标签指示器,|·|表示势,lL和lB为标签指示函数,w表示权重;I+表示预测轨迹标签集合,其包含存活和新生轨迹标签集合;
(3.3)CKF-δ-GLMB算法中,先验概率密度函数的获得需要结合具体的CKF滤波过程实现;在CKF算法中先验概率密度函数具体由先验状态估计以及先验状态估计协方差PT|T-1体现;以任意时刻随机集中单一标签对应的单一集合元素为例,具体预测过程如下:
(3.3.1)假设系统状态的维数为n,则可根据球面-径向积分准则构造以下容积点集ζi以及其对应的权重wi:
其中,ST-1是的PT-1的Cholesky分解;
(3.3.3)预测T时刻的状态估计和状态估计协方差矩阵:
5.根据权利要求1所述的一种基于随机有限集的异构传感器信息融合和多目标跟踪方法,其特征在于:步骤4中,采用CKF-δ-GLMB滤波算法对多目标后验概率密度进行更新,具体包括如下分步骤:
(4.1)后验概率密度分布计算方法如下:
其中:
其中,θ为目标轨迹-量测地映射关系,0表示漏检;所有映射关系θ的集合Θ为关联映射空间;Θ(I)表示定义域为I的Θ子集;g(Z|x,l)为目标(x,l)生成量测的似然函数,κ(·)为量测过程中的杂波密度函数;
(4.2)CKF-δ-GLMB算法中,后验概率密度函数p(ξ,θ)(x,l|Z)的获得需要结合具体的CKF滤波过程实现;在CKF算法中后验概率密度函数p(ξ,θ)(x,l|Z)具体由后验状态估计以及后验状态估计协方差PT体现;以雷达传感器量测以及随机集中单一标签对应的单一集合元素为例,具体更新过程如下:
(4.2.1)构造容积点并通过观测转移函数H(·)进行传递:
其中,ST|T-1是PT|T-1的Cholesky分解;
(4.2.2)估计T时刻的观测值和协方差矩阵:
(4.2.3)计算T时刻互协方差矩阵:
(4.2.4)计算T时刻卡尔曼增益:
(4.2.5)计算T时刻的后验估计状态值和对应的协方差:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357819.XA CN114089363A (zh) | 2021-11-16 | 2021-11-16 | 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111357819.XA CN114089363A (zh) | 2021-11-16 | 2021-11-16 | 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114089363A true CN114089363A (zh) | 2022-02-25 |
Family
ID=80301279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111357819.XA Pending CN114089363A (zh) | 2021-11-16 | 2021-11-16 | 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114089363A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097437A (zh) * | 2022-06-06 | 2022-09-23 | 哈尔滨工程大学 | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 |
CN115616602A (zh) * | 2022-10-14 | 2023-01-17 | 哈尔滨工程大学 | 基于被动声纳纯方位定位检测前跟踪算法的观测者最优机动策略 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596693A (zh) * | 2019-08-26 | 2019-12-20 | 杭州电子科技大学 | 一种迭代更新的多传感器gmphd自适应融合方法 |
CN112113572A (zh) * | 2020-09-18 | 2020-12-22 | 桂林电子科技大学 | 一种解决分布式标签融合的多目标跟踪方法 |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
-
2021
- 2021-11-16 CN CN202111357819.XA patent/CN114089363A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110596693A (zh) * | 2019-08-26 | 2019-12-20 | 杭州电子科技大学 | 一种迭代更新的多传感器gmphd自适应融合方法 |
CN112113572A (zh) * | 2020-09-18 | 2020-12-22 | 桂林电子科技大学 | 一种解决分布式标签融合的多目标跟踪方法 |
CN112946624A (zh) * | 2021-03-01 | 2021-06-11 | 西安交通大学 | 一种基于航迹管理方法的多目标跟踪算法 |
Non-Patent Citations (2)
Title |
---|
VO B N ET AL.: "Labeled Random Finite Sets and the Bayes Multi-Target Tracking Filter", IEEE TRANSACTIONS ON SIGNAL PROCESSING, 31 December 2014 (2014-12-31) * |
徐悦;杨金龙;葛洪伟;: "分布式传感器多目标跟踪改进算法", 信号处理, no. 08, 25 August 2020 (2020-08-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097437A (zh) * | 2022-06-06 | 2022-09-23 | 哈尔滨工程大学 | 一种基于标签多伯努利检测前跟踪算法的水下目标跟踪轨迹临近交叉解决方法 |
CN115616602A (zh) * | 2022-10-14 | 2023-01-17 | 哈尔滨工程大学 | 基于被动声纳纯方位定位检测前跟踪算法的观测者最优机动策略 |
CN115616602B (zh) * | 2022-10-14 | 2023-08-18 | 哈尔滨工程大学 | 基于被动声纳纯方位定位检测前跟踪算法的观测者最优机动策略的航向确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230297642A1 (en) | Bearings-only target tracking method based on pseudo-linear maximum correlation entropy kalman filtering | |
Thrun et al. | Integrating topological and metric maps for mobile robot navigation: A statistical approach | |
Li et al. | Joint data association, registration, and fusion using EM-KF | |
CN107402381B (zh) | 一种迭代自适应的多机动目标跟踪方法 | |
Kreucher et al. | Multitarget tracking using the joint multitarget probability density | |
CN114089363A (zh) | 一种基于随机有限集的异构传感器信息融合和多目标跟踪方法 | |
CN111736145B (zh) | 一种基于高斯混合概率假设密度滤波的多机动目标多普勒雷达跟踪方法 | |
CN106646453A (zh) | 一种基于预测值量测转换的多普勒雷达目标跟踪方法 | |
CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
Gao et al. | PHD-SLAM 2.0: Efficient SLAM in the Presence of Missdetections and Clutter | |
US20220168900A1 (en) | Visual positioning method and system based on gaussian process, and storage medium | |
CN111488552B (zh) | 基于高斯混合概率假设密度的紧邻多目标跟踪方法 | |
CN111325776A (zh) | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 | |
Liu et al. | Maneuvering extended object tracking based on constrained expectation maximization | |
CN111504327B (zh) | 一种基于航迹平滑技术的广义标签多伯努利多目标跟踪方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
US20240094343A1 (en) | Method, device, system, and storage medium for tracking moving target | |
CN111262556B (zh) | 一种同时估计未知高斯测量噪声统计量的多目标跟踪方法 | |
CN112379350A (zh) | 智能车辆毫米波雷达多目标跟踪方法、装置及设备 | |
CN102707279B (zh) | 序列ud分解的多目标跟踪方法 | |
CN109375160B (zh) | 纯方位无源定位中一种测角误差估计方法 | |
CN102707278B (zh) | 奇异值分解的多目标跟踪方法 | |
Zhang et al. | A SLAM Method Based on Cardinality Balanced Multi-Bernoulli Filter | |
CN112906743B (zh) | 一种快速多传感器集势概率假设密度滤波方法 | |
CN111504326A (zh) | 一种基于t分布的鲁棒glmb多目标跟踪方法 |
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 |