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 PDF

Info

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
Application number
CN202111357819.XA
Other languages
English (en)
Inventor
国强
孙国凯
戚连刚
王亚妮
刘立超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202111357819.XA priority Critical patent/CN114089363A/zh
Publication of CN114089363A publication Critical patent/CN114089363A/zh
Pending legal-status Critical Current

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
    • 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

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
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2：对雷达传感器量测集合
Figure BDA0003357972360000021
光电传感器量测集合
Figure BDA0003357972360000022
红外传感器量测集合
Figure BDA0003357972360000023
进行多目标量测集合数据解析、补充操作，使得各个协方差矩阵维度相同，避免协方差矩阵非正定以及不可合并的情况；
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
Figure BDA0003357972360000024
以及其更新状态协方差矩阵
Figure BDA0003357972360000025
光电传感器的多目标更新状态集合
Figure BDA0003357972360000026
以及其更新状态协方差矩阵
Figure BDA0003357972360000027
对应红外传感器的多目标更新状态集合
Figure BDA0003357972360000028
以及其更新状态协方差矩阵
Figure BDA0003357972360000029
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
Figure BDA0003357972360000031
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
Figure BDA0003357972360000032
其中
Figure BDA0003357972360000033
为标签l的出生概率，
Figure BDA0003357972360000034
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
Figure BDA0003357972360000035
方位角信息
Figure BDA0003357972360000036
光电传感器可提供光强度信息
Figure BDA0003357972360000037
方位角信息
Figure BDA0003357972360000038
红外传感器可提供方位角信息
Figure BDA0003357972360000039
俯仰角信息
Figure BDA00033579723600000310
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
Figure BDA00033579723600000311
反解出对应光电传感器的距离信息
Figure BDA00033579723600000312
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
Figure BDA00033579723600000313
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
Figure BDA00033579723600000314
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：
Figure BDA00033579723600000315
Figure BDA00033579723600000316
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
Figure BDA00033579723600000317
二维数组(I,ξ)表示当前时刻所有轨迹的标签集合
Figure BDA00033579723600000318
与当前时刻的ξ∈Ξ之间的一种关联假设，
Figure BDA00033579723600000319
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：
Figure BDA00033579723600000320
Figure BDA0003357972360000041
Figure BDA0003357972360000042
Figure BDA0003357972360000043
Figure BDA0003357972360000044
Figure BDA0003357972360000045
Figure BDA0003357972360000046
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。
Figure BDA0003357972360000047
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
Figure BDA0003357972360000048
为新生和存活目标的状态空间密度函数。
Figure BDA0003357972360000049
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
Figure BDA00033579723600000410
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
Figure BDA00033579723600000411
具体由先验状态估计
Figure BDA00033579723600000412
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：
Figure BDA00033579723600000413
步骤3-3-2，通过T-1时刻的后验状态估计
Figure BDA00033579723600000414
和对应的后验状态估计协方差PT-1构造容积点并通过状态转移函数F(·)传递：
Figure BDA00033579723600000415
Figure BDA00033579723600000416
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：
Figure BDA0003357972360000051
Figure BDA0003357972360000052
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：
Figure BDA0003357972360000053
其中：
Figure BDA0003357972360000054
Figure BDA0003357972360000055
Figure BDA0003357972360000056
Figure BDA0003357972360000057
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
Figure BDA0003357972360000058
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：
Figure BDA0003357972360000059
Figure BDA00033579723600000510
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：
Figure BDA0003357972360000061
Figure BDA0003357972360000062
步骤4-2-3，计算T时刻互协方差矩阵：
Figure BDA0003357972360000063
步骤4-2-4，计算T时刻卡尔曼增益：
Figure BDA0003357972360000064
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：
Figure BDA0003357972360000065
Figure BDA0003357972360000066
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：
Figure BDA0003357972360000067
Figure BDA0003357972360000068
Figure BDA0003357972360000069
Figure BDA00033579723600000610
步骤5-2，计算最终后验估计协方差矩阵：
Figure BDA00033579723600000611
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
Figure BDA0003357972360000071
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
Figure BDA0003357972360000072
其中
Figure BDA0003357972360000073
为标签l的出生概率，
Figure BDA0003357972360000074
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2：对雷达传感器量测集合
Figure BDA0003357972360000075
光电传感器量测集合
Figure BDA0003357972360000076
红外传感器量测集合
Figure BDA0003357972360000077
进行多目标量测集合数据解析、补充、取舍操作。
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：
Figure BDA0003357972360000078
Figure BDA0003357972360000079
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
Figure BDA0003357972360000081
二维数组(I,ξ)表示当前时刻所有轨迹的标签集合
Figure BDA0003357972360000082
与当前时刻的ξ∈Ξ之间的一种关联假设，
Figure BDA0003357972360000083
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：
Figure BDA0003357972360000084
Figure BDA0003357972360000085
Figure BDA0003357972360000086
Figure BDA0003357972360000087
Figure BDA0003357972360000088
Figure BDA0003357972360000089
Figure BDA00033579723600000810
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。
Figure BDA00033579723600000811
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
Figure BDA00033579723600000812
为新生和存活目标的状态空间密度函数。
Figure BDA00033579723600000813
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
Figure BDA00033579723600000814
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
Figure BDA00033579723600000815
具体由先验状态估计
Figure BDA00033579723600000816
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：
Figure BDA0003357972360000091
步骤3-3-2，通过T-1时刻的后验状态估计
Figure BDA0003357972360000092
和对应的后验状态估计协方差PT-1构造容积点并通过状态转移函数F(·)传递：
Figure BDA0003357972360000093
Figure BDA0003357972360000094
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：
Figure BDA0003357972360000095
Figure BDA0003357972360000096
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
Figure BDA0003357972360000097
以及其更新状态协方差矩阵
Figure BDA0003357972360000098
光电传感器的多目标更新状态集合
Figure BDA0003357972360000099
以及其更新状态协方差矩阵
Figure BDA00033579723600000910
对应红外传感器的多目标更新状态集合
Figure BDA00033579723600000911
以及其更新状态协方差矩阵
Figure BDA00033579723600000912
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：
Figure BDA00033579723600000913
其中：
Figure BDA00033579723600000914
Figure BDA00033579723600000915
Figure BDA00033579723600000916
Figure BDA00033579723600000917
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
Figure BDA0003357972360000101
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：
Figure BDA0003357972360000102
Figure BDA0003357972360000103
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：
Figure BDA0003357972360000104
Figure BDA0003357972360000105
步骤4-2-3，计算T时刻互协方差矩阵：
Figure BDA0003357972360000106
步骤4-2-4，计算T时刻卡尔曼增益：
Figure BDA0003357972360000107
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：
Figure BDA0003357972360000108
Figure BDA0003357972360000109
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：
Figure BDA0003357972360000111
Figure BDA0003357972360000112
Figure BDA0003357972360000113
Figure BDA0003357972360000114
步骤5-2，计算最终后验估计协方差矩阵：
Figure BDA0003357972360000115
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
设多目标在二维平面，目标运动状态为
Figure BDA0003357972360000116
其中x和y表示多目标在笛卡尔坐标系下的二维平面位置坐标，vx和vy分别表示目标在x轴和y轴上的速度分量，ω表示目标的角速度。
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
Figure BDA0003357972360000117
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2：对雷达传感器量测集合
Figure FDA0003357972350000011
光电传感器量测集合
Figure FDA0003357972350000012
红外传感器量测集合
Figure FDA0003357972350000013
进行多目标量测集合数据解析、补充、剪枝操作，使得各个协方差矩阵维度相同，避免协方差矩阵非正定以及不可合并的情况；
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
Figure FDA0003357972350000014
以及其更新状态协方差矩阵
Figure FDA0003357972350000015
光电传感器的多目标更新状态集合
Figure FDA0003357972350000016
以及其更新状态协方差矩阵
Figure FDA0003357972350000017
对应红外传感器的多目标更新状态集合
Figure FDA0003357972350000018
以及其更新状态协方差矩阵
Figure FDA0003357972350000019
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。
2.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：所述步骤1中设定初始分量集具体如下：设初始状态集为
Figure FDA00033579723500000110
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
Figure FDA00033579723500000111
其中
Figure FDA00033579723500000112
为标签l的出生概率，
Figure FDA00033579723500000113
Figure FDA00033579723500000114
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。
3.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：所述步骤二具体如下：雷达传感器可提供距离信息
Figure FDA0003357972350000021
方位角信息
Figure FDA0003357972350000022
光电传感器可提供光强度信息
Figure FDA0003357972350000023
方位角信息
Figure FDA0003357972350000024
红外传感器可提供方位角信息
Figure FDA0003357972350000025
俯仰角信息
Figure FDA0003357972350000026
将上述三种异构传感器的量测信息进行解析、补充、剪枝操作，具体包括：利用光强度信息
Figure FDA0003357972350000027
反解出对应光电传感器的距离信息
Figure FDA0003357972350000028
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
Figure FDA0003357972350000029
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
Figure FDA00033579723500000210
剪枝舍去。
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：
Figure FDA00033579723500000211
Figure FDA00033579723500000212
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
Figure FDA00033579723500000213
二维数组(I,ξ)表示当前时刻所有轨迹的标签集合
Figure FDA00033579723500000214
与当前时刻的ξ∈Ξ之间的一种关联假设，
Figure FDA00033579723500000215
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：
Figure FDA00033579723500000216
Figure FDA00033579723500000217
Figure FDA00033579723500000218
Figure FDA0003357972350000031
Figure FDA0003357972350000032
Figure FDA0003357972350000033
Figure FDA0003357972350000034
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；
Figure FDA0003357972350000035
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
Figure FDA0003357972350000036
为新生和存活目标的状态空间密度函数；
Figure FDA00033579723500000314
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
Figure FDA0003357972350000037
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
Figure FDA0003357972350000038
具体由先验状态估计
Figure FDA0003357972350000039
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：
Figure FDA00033579723500000310
(3.3.2)通过T-1时刻的后验状态估计
Figure FDA00033579723500000311
和对应的后验状态估计协方差PT-1构造容积点并通过状态转移函数F(·)传递：
Figure FDA00033579723500000312
Figure FDA00033579723500000313
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：
Figure FDA0003357972350000041
Figure FDA0003357972350000042
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：
Figure FDA0003357972350000043
其中：
Figure FDA0003357972350000044
Figure FDA0003357972350000045
Figure FDA0003357972350000046
Figure FDA0003357972350000047
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
Figure FDA0003357972350000048
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：
Figure FDA0003357972350000049
Figure FDA00033579723500000410
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：
Figure FDA0003357972350000051
Figure FDA0003357972350000052
(4.2.3)计算T时刻互协方差矩阵：
Figure FDA0003357972350000053
(4.2.4)计算T时刻卡尔曼增益：
Figure FDA0003357972350000054
(4.2.5)计算T时刻的后验估计状态值和对应的协方差：
Figure FDA0003357972350000055
Figure FDA0003357972350000056
6.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：
(5.1)计算最终后验估计状态值：
Figure FDA0003357972350000057
Figure FDA0003357972350000058
Figure FDA0003357972350000059
Figure FDA00033579723500000510
(5.2)计算最终后验估计协方差矩阵：
Figure FDA00033579723500000511
CN202111357819.XA 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 Pending CN114089363A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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