CN115236656A - 用于飞机避障的多源传感器目标关联方法、设备及介质 - Google Patents

用于飞机避障的多源传感器目标关联方法、设备及介质 Download PDF

Info

Publication number
CN115236656A
CN115236656A CN202211154713.4A CN202211154713A CN115236656A CN 115236656 A CN115236656 A CN 115236656A CN 202211154713 A CN202211154713 A CN 202211154713A CN 115236656 A CN115236656 A CN 115236656A
Authority
CN
China
Prior art keywords
target
envelope
association
representing
library
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
Application number
CN202211154713.4A
Other languages
English (en)
Other versions
CN115236656B (zh
Inventor
吴元
朱佩佩
王贤圆
赖作镁
乔文昇
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.)
CETC 10 Research Institute
Original Assignee
CETC 10 Research Institute
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 CETC 10 Research Institute filed Critical CETC 10 Research Institute
Priority to CN202211154713.4A priority Critical patent/CN115236656B/zh
Publication of CN115236656A publication Critical patent/CN115236656A/zh
Application granted granted Critical
Publication of CN115236656B publication Critical patent/CN115236656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S13/865—Combination of radar systems with lidar systems
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种用于飞机避障的多源传感器目标关联方法、设备及介质，属于飞机避障领域，包括：S1，时空配准：时间对齐和空间坐标系对齐；S2，激光雷达目标关联：处理激光雷达送过来的目标识别结果，与目标库进行关联，更新目标库；光电目标关联：处理光电相机送过来的目标识别结果，与目标库进行关联，更新目标库；毫米波雷达目标关联：处理毫米波雷达送过来的目标识别结果，与目标库进行关联，更新目标库；S3，位置与包络融合：各传感器进行目标关联后，把各传感器的目标位置和包络进行融合，产生统一的目标位置和包络，用于下一个节拍的目标关联；S4，目标库管理：完成目标库中目标的确认和删除。本发明具有高精度、高适用性等优势。

Description

用于飞机避障的多源传感器目标关联方法、设备及介质
技术领域
本发明涉及飞机避障技术领域，更为具体的，涉及一种用于飞机避障的多源传感器目标关联方法、设备及介质。
背景技术
直升机和无人机等飞行器广泛应用于物资运输、医疗救护、救灾救生、紧急营救、地质勘探等领域，其中直升机的突出特点是可以做低空、低速的机动飞行，特别是可在小面积场地垂直起降，由于这些特点使其有广阔的用途和发展前景。无人机的特点是建造和使用成本低、避免人员飞行危险、能够定点起飞降落、对起降场地的条件要求不高、设备搭载多样化等。
但是飞机的安全受到了高压塔、高压线、信号塔、塔吊等障碍物的严重威胁，每年由于撞击障碍物造成的飞机损失和人员伤亡屡见不鲜，尤其是在能见度较低的情况下，例如晚上和雨雾天气下，更是事故频发。所以怎样躲避障碍物成为飞机安全飞行的关键环节。
飞机上常见的传感器有毫米波雷达、光电相机、激光雷达等，这些传感器都可以进行目标探测与识别，输出障碍物信息。这些传感器各有优缺点，例如毫米波雷达角度分辨率较低，导致位置的准确性相比于光电相机较差，识别目标的类型准确性相比于光电识别较低，探测周期较长，导致位置连续性和稳定性较差；光电图像只有二维位置信息，没有三维位置信息，探测距离相比于毫米波雷达较近，漏警率相比于毫米波雷达较高，受到光线的影响，其中红外相机可在夜晚工作，而可见光相机不能在夜晚工作；激光雷达角度分辨率和距离分辨率较高，但是受天气影响比毫米波雷达大，探测距离较近。三种传感器的优缺点比较见下表1所示。
表1 防撞雷达和夜视仪的优缺点
Figure 210354DEST_PATH_IMAGE001
因此，需要综合利用各传感器的优点，取长补短，进行多源传感器目标融合，来获得更好的并且统一的障碍物目标信息，为避障提供精确的感知信息。而目标融合的前提首先是多源传感器目标关联，旨在寻找各传感器中障碍物目标之间的对应关系，只有确定了对应关系，才能进行统一的融合处理。
传统的目标关联方法包括最近邻域法、概率数据关联、联合概率数据关联、多假设跟踪等。这些目标关联方法只利用了位置信息来进行关联，没有考虑目标类别、包络特征来辅助关联；采用固定的位置误差阈值，造成视野边缘的目标关联精度较差；采用载机球体坐标系，当飞机平台剧烈晃动的时候运动模型误差较大导致关联精度降低；只能在二维坐标系或者三维坐标系进行关联，不能同时针对二维坐标系和三维坐标系进行目标关联。
发明内容
本发明的目的在于克服现有技术的不足，提供一种用于飞机避障的多源传感器目标关联方法、设备及介质，具有高精度、高适用性等优势。
本发明的目的是通过以下方案实现的：
一种用于飞机避障的多源传感器目标关联方法，包括以下步骤：
S1，时空配准：包括时间对齐和空间坐标系对齐；
S2，激光雷达目标关联：处理激光雷达送过来的目标识别结果，与目标库进行关联，更新目标库；
光电目标关联：处理光电相机送过来的目标识别结果，与目标库进行关联，更新目标库；
毫米波雷达目标关联：处理毫米波雷达送过来的目标识别结果，与目标库进行关联，更新目标库；
S3，位置与包络融合：各传感器进行目标关联后，把各传感器的目标位置和包络进行融合，产生统一的目标位置和包络，用于下一个节拍的目标关联；
S4，目标库管理：完成目标库中目标的确认和删除。
进一步地，在步骤S1中，所述时间对齐：优先选择光电识别结果的时间为基准时间，如果没有光电识别结果，则选择激光雷达和毫米波雷达识别结果的时间为基准时间，如果也没有激光雷达和毫米波雷达识别结果，则选择导航时间为基准时间，确定基准时间后，确定了相应的基准导航信息；所述空间坐标系对齐：对光电目标补充参考距离变为等效三维坐标，然后由载机球体坐标系转换到载机坐标系，再由载机坐标系转换到基准时间的东北天坐标系，再由基准时间的东北天坐标系转换到球体坐标系。
进一步地，在步骤S2中，激光雷达目标关联的流程包括子步骤：
S21，根据位置误差阈值去掉不可能关联的目标；
S22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
S23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的激光雷达的目标信息向量直接放入目标库中，把存在关联关系的激光雷达目标合并到相关联的目标库中的目标信息向量中。
进一步地，在步骤S2中，光电目标关联的流程包括子步骤：
光电识别目标的包络单位是弧度，计算隶属度函数的时候首先根据目标距离进行转换，转换后单位为米，转换公式为：
Figure 532751DEST_PATH_IMAGE002
Figure 80407DEST_PATH_IMAGE003
其中，
Figure 171860DEST_PATH_IMAGE004
代表第i个光电障碍物的宽度，单位为米；
Figure 412349DEST_PATH_IMAGE005
代表第i个光电障碍物的 弧度宽度，单位为弧度；
Figure 222042DEST_PATH_IMAGE006
代表第i个光电障碍物的高度，单位为米；
Figure 573389DEST_PATH_IMAGE007
代表第i个光电 障碍物的弧度高度，单位为弧度；
Figure 224075DEST_PATH_IMAGE008
代表待关联的目标库中目标的距离。
进一步地，在步骤S2中，毫米波雷达目标关联的流程包括子步骤：在步骤S2中，毫米波雷达目标关联的流程，包括如下子步骤：
SS21，根据位置误差阈值去掉不可能关联的目标；
SS22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
SS23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的毫米波雷达的目标信息向量直接放入目标库中，把存在关联关系的毫米波雷达目标合并到相关联的目标库中的目标信息向量中。
进一步地，在步骤S2中，包括子步骤：各传感器的目标位置输入卡尔曼滤波器进行处理，得到统一的目标位置；
各传感器的包络根据误差大小采用加权相加，其中光电包络的单位为弧度，根据目标的距离进行转换，转换后单位为米，转换公式为：
Figure 760099DEST_PATH_IMAGE009
Figure 666875DEST_PATH_IMAGE010
其中，
Figure 680967DEST_PATH_IMAGE004
代表第i个光电障碍物的宽度，单位为米；
Figure 887958DEST_PATH_IMAGE005
代表第i个光电障碍物的 弧度宽度，单位为弧度；
Figure 329303DEST_PATH_IMAGE006
代表第i个光电障碍物的高度，单位为米；
Figure 723375DEST_PATH_IMAGE007
代表第i个光电 障碍物的弧度高度，单位为弧度；
Figure 578894DEST_PATH_IMAGE011
代表相关联的目标库中目标的距离；包络的计算 公式为：
Figure 765024DEST_PATH_IMAGE012
Figure 846113DEST_PATH_IMAGE013
其中，
Figure 727481DEST_PATH_IMAGE014
表示取向量的模值，
Figure 348955DEST_PATH_IMAGE015
和
Figure 999380DEST_PATH_IMAGE016
分别代表融合后包络的宽度和高度，
Figure 549572DEST_PATH_IMAGE017
和
Figure 246132DEST_PATH_IMAGE018
分别代表第i个激光雷达障碍物的宽度和高度，
Figure 281085DEST_PATH_IMAGE019
和
Figure 176228DEST_PATH_IMAGE020
分别代表第i个毫 米波雷达障碍物的宽度和高度，
Figure 5644DEST_PATH_IMAGE021
和
Figure 986238DEST_PATH_IMAGE022
分别代表光电包络的宽度误差和高度误差，
Figure 824881DEST_PATH_IMAGE023
和
Figure 276329DEST_PATH_IMAGE024
分别代表激光雷达包络的宽度误差和高度误差，
Figure 666859DEST_PATH_IMAGE025
和
Figure 744536DEST_PATH_IMAGE026
分别代表 毫米波雷达包络的宽度误差和高度误差。
进一步地，在步骤S4中，包括子步骤：
对于目标关联后的新目标进行确认，赋予新的ID，对于与目标库相关联的目标，赋予目标库中的旧ID；
根据视野参数最大方位角
Figure 511504DEST_PATH_IMAGE027
、最小方位角
Figure 991027DEST_PATH_IMAGE028
、最大俯仰角
Figure 552458DEST_PATH_IMAGE029
、最小俯仰角
Figure 383011DEST_PATH_IMAGE030
、最大距离
Figure 923976DEST_PATH_IMAGE031
，计算目标库中的目标是否还在视野范围之内，如 果没有则进行删除；在视野中的目标同时满足：
Figure 523585DEST_PATH_IMAGE032
其中，azi i mem 为目标库中第i个目标的方位角，pit i mem 为目标库中第i个目标的俯仰角，dis i mem 为目标库中第i个目标的距离；
完成目标库管理后，继续进行下一个节拍，从第一个步骤时空配准重新开始，如果没有下一个节拍，则整个流程结束。
进一步地，在步骤S22中，包括子步骤：
S221，建立模糊因素集
Figure 459180DEST_PATH_IMAGE033
，其中
Figure 636083DEST_PATH_IMAGE034
为方位角，
Figure 620220DEST_PATH_IMAGE035
为俯仰角，
Figure 198969DEST_PATH_IMAGE036
为距离，
Figure 977569DEST_PATH_IMAGE037
为类别，
Figure 343566DEST_PATH_IMAGE038
为包络宽度，
Figure 990448DEST_PATH_IMAGE039
为包络高度；
S222，确立多因素模糊综合鉴别函数
Figure 299069DEST_PATH_IMAGE040
，其中模糊综合相似度
Figure 638784DEST_PATH_IMAGE041
作为相关 鉴别函数；
Figure 400066DEST_PATH_IMAGE042
为模糊因素集中的第m个模糊因素
Figure 53902DEST_PATH_IMAGE043
的隶属度函数；
Figure 843128DEST_PATH_IMAGE044
为第m个模糊因素
Figure 963531DEST_PATH_IMAGE045
的权重；
Figure 602323DEST_PATH_IMAGE046
代表求和；
其中，方位角、俯仰角、距离的隶属度函数分别为：
Figure 731953DEST_PATH_IMAGE047
Figure 874221DEST_PATH_IMAGE048
Figure 431105DEST_PATH_IMAGE049
并且，在计算方位角、俯仰角、距离隶属度的时候，根据视野位置自适应改变位置误差阈值：
Figure 291613DEST_PATH_IMAGE050
Figure 520207DEST_PATH_IMAGE051
Figure 923506DEST_PATH_IMAGE052
其中，
Figure 775925DEST_PATH_IMAGE053
代表第i个激光雷达障碍物的方位角，azi k mem 代表第k个目标库障碍 物的方位角，
Figure 733517DEST_PATH_IMAGE054
代表第i个激光雷达障碍物的俯仰角，pit k mem 代表第k个目标库障碍物 的俯仰角，dis i lidar 代表第i个激光雷达障碍物的距离，dis k mem 代表第k个目标库障碍物的距 离，
Figure 532845DEST_PATH_IMAGE055
表示取绝对值，
Figure 649706DEST_PATH_IMAGE056
是固定的方位角误差阈值，
Figure 282812DEST_PATH_IMAGE057
是方位角误差阈值随方位角 变化的斜率，
Figure 619378DEST_PATH_IMAGE058
是方位角误差阈值随俯仰角变化的斜率，
Figure 894502DEST_PATH_IMAGE059
是根据视野位置自适 应改变的方位角误差阈值；
Figure 865869DEST_PATH_IMAGE060
是固定的俯仰角误差阈值，
Figure 263352DEST_PATH_IMAGE061
是俯仰角误差阈值随 方位角变化的斜率，
Figure 195536DEST_PATH_IMAGE062
是俯仰角误差阈值随俯仰角变化的斜率，
Figure 133405DEST_PATH_IMAGE063
是根据视野 位置自适应改变的俯仰角误差阈值，
Figure 365803DEST_PATH_IMAGE064
是固定的距离误差阈值，
Figure 963881DEST_PATH_IMAGE065
是距离误差 阈值随方位角变化的斜率，
Figure 976837DEST_PATH_IMAGE066
是距离误差阈值随俯仰角变化的斜率，
Figure 328184DEST_PATH_IMAGE067
是根据视 野位置自适应改变位置误差阈值；
类别的隶属度函数为：
Figure 274143DEST_PATH_IMAGE068
包络宽度的隶属度函数为：
Figure 419953DEST_PATH_IMAGE069
包络高度的隶属度函数为：
Figure 716943DEST_PATH_IMAGE070
其中，
Figure 871980DEST_PATH_IMAGE071
代表第i个激光雷达障碍物的类别，
Figure 173911DEST_PATH_IMAGE072
代表第k个目标库障碍 物的类别，
Figure 84098DEST_PATH_IMAGE073
代表第i个激光雷达障碍物的包络宽度，
Figure 478170DEST_PATH_IMAGE074
代表第k个目标库障碍物 的包络宽度，
Figure 295954DEST_PATH_IMAGE075
代表激光雷达的包络宽度误差阈值，
Figure 91871DEST_PATH_IMAGE076
代表第i个激光雷达障碍物 的包络高度，
Figure 969698DEST_PATH_IMAGE077
代表第k个目标库障碍物的包络高度，
Figure 851066DEST_PATH_IMAGE078
代表激光雷达的包络 高度误差阈值；
S223，通过经验分析法确定模糊因素集的权重；
S224，计算关联权重：把权重、类别、形状代入到多因素模糊综合鉴别函数中计算得到关联权重；所述形状包括包络宽度和高度。
一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载时并执行如上任一项所述的用于飞机避障的多源传感器目标关联方法。
一种可读存储介质，在可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行如上任一项所述的用于飞机避障的多源传感器目标关联方法。
本发明的有益效果包括：
（1）针对现有飞机避障目标关联方法只利用了位置信息来进行关联、采用固定的位置误差阈值造成视野边缘的目标关联精度较差、采用载机球体坐标系当飞机平台剧烈晃动的时候运动模型误差较大导致关联精度降低、不能同时针对二维坐标系和三维坐标系进行目标关联等问题，提出一种高精度、高适用性的用于飞机避障的多源传感器目标关联方法，考虑目标类别、包络特征来辅助关联，根据视野位置自适应改变位置误差阈值，采用东北天球体坐标系来降低飞机平台剧烈晃动造成的运动模型误差，把二维坐标系转换为等效三维坐标系来兼容不同传感器输出的二维或三维坐标。
（2）传统的目标关联方法只利用了位置信息来进行关联，本发明除了利用位置信息之外，还利用了目标的类型特征、包络特征如包络高度和包络宽度等特征来辅助关联，更多的特征可以带来更好的关联精度。
（3）传统的目标关联方法采用固定的位置误差阈值，而通常在视野边缘的目标由于相对于飞机的切向速度更快，导致位置误差比视野中央目标的位置误差大，如果与视野中央的目标采用相同的位置误差阈值，会造成关联失败。本发明针对前视避障的特点，根据视野位置自适应调节位置误差的阈值，在视野边缘加大位置误差的阈值，提高关联的精度。
（4）传统的目标关联方法采用载机球体坐标系，当飞机平台剧烈晃动的时候，在载机球体坐标系中目标的坐标也剧烈变化，表现为方位角俯仰角的剧烈变化，导致目标运动模型的误差增大，给目标关联带来影响。本发明采用东北天球体坐标系，把目标的坐标转换到东北天球体坐标系中进行目标关联，在东北天球体坐标系中，即使飞机平台剧烈晃动，目标的方位角俯仰角也不会剧烈变化，变得平稳，所以降低了飞机平台剧烈晃动造成的运动模型误差，适用于飞机平台剧烈晃动的场景，提高了关联精度和场景适应性。
（5）光电相机输出的目标是二维方位角俯仰角坐标，毫米波雷达和激光雷达输出的目标是三维方位角俯仰角距离三维坐标，传统的目标关联方法只能在二维坐标系或者三维坐标系进行关联，不能同时针对二维坐标系和三维坐标系进行高精度关联。本发明通过把二维坐标系转换为等效三维坐标系，兼容不同传感器输出的二维或三维坐标，提高了算法的适用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的总体流程图；
图2a为载机坐标系的示意图；
图2b为载机球体坐标系的示意图；
图3a为东北天坐标系的示意图；
图3b为东北天球体坐标系的示意图；
图4为激光雷达目标关联的流程图。
具体实施方式
下面结合附图和实施例对发明进一步说明。本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。
本发明实施例包括6个步骤：（1）时空配准；（2）激光雷达目标关联；（3）光电目标关联；（4）毫米波雷达目标关联；（5）位置与包络融合；（6）目标库管理，总体流程图如图1所示。
（1）时空配准
不同传感器送来的目标识别结果对应的时间和空间坐标系不一样，首先需要在时间和空间坐标系上进行对齐，才能进行后续处理。
光电识别结果中的信息包括：
Figure 971075DEST_PATH_IMAGE079
Figure 621499DEST_PATH_IMAGE080
Figure 873489DEST_PATH_IMAGE081
其中下标
Figure 366787DEST_PATH_IMAGE082
代表光电传感器，
Figure 401740DEST_PATH_IMAGE083
代表飞机的导航信息，
Figure 31304DEST_PATH_IMAGE084
代表此目标识别 结果对应的时间，
Figure 391878DEST_PATH_IMAGE085
代表飞机的经度，
Figure 608358DEST_PATH_IMAGE086
代表飞机的纬度，
Figure 447001DEST_PATH_IMAGE087
代表飞机的高度，
Figure 399914DEST_PATH_IMAGE088
代表飞机的真航向角，
Figure 790444DEST_PATH_IMAGE089
代表飞机的俯仰角，
Figure 868121DEST_PATH_IMAGE090
代表飞机的横滚角，
Figure 635089DEST_PATH_IMAGE091
代 表障碍物的个数，
Figure 114612DEST_PATH_IMAGE092
为第i个障碍物的信息向量，
Figure 174578DEST_PATH_IMAGE093
代表第i个障碍物的类别，
Figure 67448DEST_PATH_IMAGE094
代表第i个障碍物的置信度，
Figure 247894DEST_PATH_IMAGE095
代表第i个障碍物的方位角，
Figure 972136DEST_PATH_IMAGE096
代表第i个障碍 物的俯仰角，
Figure 579835DEST_PATH_IMAGE097
代表第i个障碍物的宽度，单位为弧度，
Figure 756738DEST_PATH_IMAGE098
代表第i个障碍物的高度，单位 为弧度。
激光雷达识别结果中的信息包括：
Figure 740875DEST_PATH_IMAGE099
Figure 821088DEST_PATH_IMAGE100
Figure 927585DEST_PATH_IMAGE101
其中下标
Figure 201571DEST_PATH_IMAGE102
代表激光雷达传感器，
Figure 848453DEST_PATH_IMAGE103
代表飞机的导航信息，
Figure 157075DEST_PATH_IMAGE104
代表此 目标识别结果对应的时间，
Figure 496789DEST_PATH_IMAGE105
代表飞机的经度，
Figure 350082DEST_PATH_IMAGE106
代表飞机的纬度，
Figure 676022DEST_PATH_IMAGE107
代表飞 机的高度，
Figure 229363DEST_PATH_IMAGE108
代表飞机的真航向角，
Figure 349765DEST_PATH_IMAGE109
代表飞机的俯仰角，
Figure 926240DEST_PATH_IMAGE110
代表飞机的 横滚角，
Figure 914925DEST_PATH_IMAGE111
代表障碍物的个数，
Figure 293079DEST_PATH_IMAGE112
代表第i个障碍物的信息向量，
Figure 584383DEST_PATH_IMAGE113
代表 第i个障碍物的类别，
Figure 444892DEST_PATH_IMAGE114
代表第i个障碍物的置信度，
Figure 378212DEST_PATH_IMAGE115
代表第i个障碍物的方 位角，
Figure 640567DEST_PATH_IMAGE116
代表第i个障碍物的俯仰角，
Figure 102772DEST_PATH_IMAGE117
代表第i个障碍物的距离，
Figure 450577DEST_PATH_IMAGE118
代表第i个 障碍物的宽度，
Figure 771878DEST_PATH_IMAGE119
代表第i个障碍物的高度。
毫米波雷达识别结果中的信息包括：
Figure 764105DEST_PATH_IMAGE120
Figure 521845DEST_PATH_IMAGE121
Figure 497891DEST_PATH_IMAGE122
其中下标
Figure 632070DEST_PATH_IMAGE123
代表毫米波雷达传感器，
Figure 478803DEST_PATH_IMAGE124
代表飞机的导航信息，
Figure 673024DEST_PATH_IMAGE125
代表此目标识别结果对应的时间，
Figure 434569DEST_PATH_IMAGE126
代表飞机的经度，
Figure 247804DEST_PATH_IMAGE127
代表飞机的纬 度，
Figure 135994DEST_PATH_IMAGE128
代表飞机的高度，
Figure 376483DEST_PATH_IMAGE129
代表飞机的真航向角，
Figure 920597DEST_PATH_IMAGE130
代表飞机的俯仰角，
Figure 537523DEST_PATH_IMAGE131
代表飞机的横滚角，
Figure 982017DEST_PATH_IMAGE132
代表障碍物的个数，
Figure 393407DEST_PATH_IMAGE133
代表第i个障碍物的信 息向量，
Figure 628079DEST_PATH_IMAGE134
代表第i个障碍物的类别，
Figure 907751DEST_PATH_IMAGE135
代表第i个障碍物的置信度，
Figure 583583DEST_PATH_IMAGE136
代表 第i个障碍物的方位角，
Figure 556087DEST_PATH_IMAGE137
代表第i个障碍物的俯仰角，
Figure 950159DEST_PATH_IMAGE138
代表第i个障碍物的距 离，
Figure 269407DEST_PATH_IMAGE139
代表第i个障碍物的宽度，
Figure 393221DEST_PATH_IMAGE140
代表第i个障碍物的高度。
另外还有导航信息：
Figure 880834DEST_PATH_IMAGE141
其中下标
Figure 886836DEST_PATH_IMAGE142
代表导航信息，
Figure 649256DEST_PATH_IMAGE143
代表此导航信息对应的时间，
Figure 424314DEST_PATH_IMAGE144
代表飞机 的经度，
Figure 174839DEST_PATH_IMAGE145
代表飞机的纬度，
Figure 543503DEST_PATH_IMAGE146
代表飞机的高度，
Figure 703089DEST_PATH_IMAGE147
代表飞机的真航向角，
Figure 473599DEST_PATH_IMAGE148
代表飞机的俯仰角，
Figure 896490DEST_PATH_IMAGE149
代表飞机的横滚角。
光电识别结果中目标的宽度和高度的单位是弧度，激光雷达和毫米波雷达识别结果中目标的宽度和高度的单位是米。
时间对齐的第一步是选定基准时间，待选的时间有光电识别结果的时间、激光雷 达识别结果的时间、毫米波雷达识别结果的时间和导航时间。由于光电识别结果中目标的 坐标是二维坐标，难以转换为三维坐标，而激光雷达和毫米波雷达识别结果中目标的坐标 是三维坐标，可以转换为二维坐标，所以优先选择光电识别结果的时间为基准时间，如果没 有光电识别结果，则选择激光雷达和毫米波雷达识别结果的时间为基准时间，如果也没有 激光雷达和毫米波雷达识别结果，则选择导航时间为基准时间
Figure 611505DEST_PATH_IMAGE150
。确定基准时间后，也就 确定了相应的基准导航信息：
Figure 450148DEST_PATH_IMAGE151
其中
Figure 701263DEST_PATH_IMAGE152
为飞机基准经度，
Figure 232739DEST_PATH_IMAGE153
为基准纬度，
Figure 435050DEST_PATH_IMAGE154
为基准高度，
Figure 811805DEST_PATH_IMAGE155
为基准真航 向角，
Figure 619224DEST_PATH_IMAGE156
为基准俯仰角，
Figure 180655DEST_PATH_IMAGE157
为基准横滚角。
空间坐标系对齐主要是坐标系转换，把各传感器中目标的载机球体坐标系转换到 基准时间
Figure 11208DEST_PATH_IMAGE158
下的东北天球体坐标系。载机坐标系如图2a所示，在载机坐标系中的球体坐标 系如图2b所示。东北天坐标系如图3a所示，在东北天坐标系中的球体坐标系如图3b所示。激 光雷达和毫米波雷达的目标都是三维方位角俯仰角度距离坐标
Figure 18085DEST_PATH_IMAGE159
，位于载机球体 坐标系中，光电目标没有距离，可以补充参考距离
Figure 476748DEST_PATH_IMAGE160
变为等效三维坐标
Figure 84447DEST_PATH_IMAGE161
。
（a）激光雷达目标的坐标系转换
首先由载机球体坐标系
Figure 261350DEST_PATH_IMAGE162
转换到载机坐标系
Figure 511066DEST_PATH_IMAGE163
：
Figure 824236DEST_PATH_IMAGE164
然后由载机坐标系
Figure 602836DEST_PATH_IMAGE165
转换到
Figure 971762DEST_PATH_IMAGE166
时刻的东北天坐标系
Figure 618644DEST_PATH_IMAGE167
：
Figure 927266DEST_PATH_IMAGE168
Figure 1401DEST_PATH_IMAGE169
Figure 28263DEST_PATH_IMAGE170
Figure 213257DEST_PATH_IMAGE171
其中
Figure 376385DEST_PATH_IMAGE172
是在
Figure 385536DEST_PATH_IMAGE173
时刻的东北天坐标系中飞机
Figure 634115DEST_PATH_IMAGE174
的坐标。
然后由东北天坐标系
Figure 622799DEST_PATH_IMAGE175
转换到球体坐标系
Figure 906013DEST_PATH_IMAGE176
：
Figure 587530DEST_PATH_IMAGE177
其中
Figure 916880DEST_PATH_IMAGE014
表示取向量的模值，
Figure 584622DEST_PATH_IMAGE055
表示取绝对值。
（b）毫米波雷达目标的坐标系转换
同激光雷达目标的坐标系转换。
（c）光电目标的坐标系转换
同激光雷达目标的坐标系转换。
（2）激光雷达目标关联
处理激光雷达送过来的目标识别结果，与目标库进行关联，更新目标库，具体流程见图4。
目标库中保存有上一节拍之后所有的目标信息，可以表示为：
Figure 348441DEST_PATH_IMAGE178
Figure 810646DEST_PATH_IMAGE179
Figure 361713DEST_PATH_IMAGE180
Figure 692200DEST_PATH_IMAGE181
其中下标
Figure 684427DEST_PATH_IMAGE182
代表存储的记忆，
Figure 707747DEST_PATH_IMAGE183
代表飞机的导航信息，
Figure 418214DEST_PATH_IMAGE184
代表此目 标识别结果对应的时间，
Figure 50927DEST_PATH_IMAGE185
代表飞机的经度，
Figure 163240DEST_PATH_IMAGE186
代表飞机的纬度，
Figure 295144DEST_PATH_IMAGE187
代表飞 机的高度，
Figure 617541DEST_PATH_IMAGE188
代表飞机的真航向角，
Figure 165197DEST_PATH_IMAGE189
代表飞机的俯仰角，
Figure 522229DEST_PATH_IMAGE190
代表飞机 的横滚角，
Figure 762717DEST_PATH_IMAGE191
代表障碍物的个数，
Figure 808296DEST_PATH_IMAGE192
代表第i个障碍物的信息向量，
Figure 159643DEST_PATH_IMAGE193
代表 第i个障碍物的ID，
Figure 308864DEST_PATH_IMAGE194
代表第i个障碍物的类别，
Figure 844888DEST_PATH_IMAGE195
代表第i个障碍物的置信度，
Figure 751664DEST_PATH_IMAGE196
代表第i个障碍物的方位角，
Figure 31336DEST_PATH_IMAGE197
代表第i个障碍物的俯仰角，
Figure 972747DEST_PATH_IMAGE198
代表第i 个障碍物的距离，
Figure 381469DEST_PATH_IMAGE199
代表第i个障碍物的宽度，
Figure 900175DEST_PATH_IMAGE200
代表第i个障碍物的高度。
激光雷达目标与目标库进行关联的步骤如图4所示。首先根据较为宽松的位置误 差阈值去掉一些不可能关联的目标，降低后续计算量。方位角阈值为
Figure 593325DEST_PATH_IMAGE201
，俯仰角阈值 为
Figure 248297DEST_PATH_IMAGE202
，距离阈值为
Figure 1489DEST_PATH_IMAGE203
。则满足以下条件的为不可能关联目标：
Figure 273071DEST_PATH_IMAGE204
其中
Figure 769911DEST_PATH_IMAGE055
表示取绝对值。
然后根据位置、类型、包络等特征来计算关联权重。传统的目标关联算法只利用了位置信息，这里引入包络等特征相当于在分类问题中增加了特征空间维数，不仅在目标位置空间进行观测，而且在属性空间也进行度量，那么在数据关联阶段所提取的特征则更加多元化，且位置和属性属于不同空间，相互独立且具有互补性，相当于模式识别在高维空间做数据分类，大大提高了可分性。所以，这样的联合处理一定会带来数据关联性能的提升，而关联正确就意味着减少了对量测误用的情况，也必然会带来关联准确性的提升。
通过建立模糊因素集（主要包括位置信息、类别、形状等），考虑各模糊因素集的权重，进行综合加权计算并进行判定。具体如下：
（a）建立模糊因素集
Figure 46434DEST_PATH_IMAGE205
，其中
Figure 32844DEST_PATH_IMAGE206
为方位角，
Figure 401509DEST_PATH_IMAGE207
为俯仰角，
Figure 826674DEST_PATH_IMAGE208
为距 离，
Figure 597184DEST_PATH_IMAGE209
为类别，
Figure 754496DEST_PATH_IMAGE038
为包络宽度，
Figure 499204DEST_PATH_IMAGE210
为包络高度。
（b）确立多因素模糊综合鉴别函数
Figure 665744DEST_PATH_IMAGE211
，其中模糊综合相似度
Figure 25181DEST_PATH_IMAGE212
作为相关鉴别 函数；
Figure 681290DEST_PATH_IMAGE042
为模糊因素集中的第m个模糊因素
Figure 86864DEST_PATH_IMAGE043
的隶属度函数；
Figure 729198DEST_PATH_IMAGE044
为第m个模糊因素
Figure 834819DEST_PATH_IMAGE213
的 权重；
Figure 537196DEST_PATH_IMAGE214
代表求和。其中，方位角、俯仰角、距离的隶属度函数分别为：
Figure 226803DEST_PATH_IMAGE047
Figure 735145DEST_PATH_IMAGE048
Figure 69174DEST_PATH_IMAGE049
计算方位角、俯仰角、距离隶属度的时候，根据视野位置自适应改变位置误差阈值：
Figure 801507DEST_PATH_IMAGE050
Figure 853777DEST_PATH_IMAGE051
Figure 218940DEST_PATH_IMAGE052
其中，
Figure 938635DEST_PATH_IMAGE053
代表第i个激光雷达障碍物的方位角，azi k mem 代表第k个目标库障碍 物的方位角，
Figure 841869DEST_PATH_IMAGE054
代表第i个激光雷达障碍物的俯仰角，pit k mem 代表第k个目标库障碍物 的俯仰角，dis i lidar 代表第i个激光雷达障碍物的距离，dis k mem 代表第k个目标库障碍物的距 离，
Figure 381434DEST_PATH_IMAGE055
表示取绝对值，
Figure 28316DEST_PATH_IMAGE056
是固定的方位角误差阈值，
Figure 336938DEST_PATH_IMAGE057
是方位角误差阈值随方位角 变化的斜率，
Figure 614335DEST_PATH_IMAGE058
是方位角误差阈值随俯仰角变化的斜率，
Figure 1717DEST_PATH_IMAGE059
是根据视野位置自适 应改变的方位角误差阈值；
Figure 327656DEST_PATH_IMAGE060
是固定的俯仰角误差阈值，
Figure 615418DEST_PATH_IMAGE061
是俯仰角误差阈值随 方位角变化的斜率，
Figure 1400DEST_PATH_IMAGE062
是俯仰角误差阈值随俯仰角变化的斜率，
Figure 843454DEST_PATH_IMAGE063
是根据视野 位置自适应改变的俯仰角误差阈值，
Figure 832138DEST_PATH_IMAGE064
是固定的距离误差阈值，
Figure 849773DEST_PATH_IMAGE065
是距离误差阈 值随方位角变化的斜率，
Figure 295404DEST_PATH_IMAGE066
是距离误差阈值随俯仰角变化的斜率，
Figure 31279DEST_PATH_IMAGE067
是根据视野 位置自适应改变位置误差阈值。
类别的隶属度函数为：
Figure 823655DEST_PATH_IMAGE068
包络宽度的隶属度函数为：
Figure 695796DEST_PATH_IMAGE069
包络高度的隶属度函数为：
Figure 751476DEST_PATH_IMAGE070
（c）确定模糊因素集的权重。可以通过经验分析法获取，可根据需要适当调整。
（d）计算关联权重。把权重、类别、形状（包括包络宽度和高度）代入到多因素模糊综合鉴别函数中，就可以计算得到关联权重。
接下来，利用匈牙利算法来进行二分图匹配，寻找到全局最优的关联关系：
Figure 99281DEST_PATH_IMAGE215
在求得的最优关联关系中，过滤掉一些关联权重过小的关联关系，保留
Figure 570714DEST_PATH_IMAGE212
大于
Figure 189039DEST_PATH_IMAGE216
的关联关系，最后把没有关联上的激光雷达的目标
Figure 87725DEST_PATH_IMAGE217
直接放入目标库中，把 存在关联关系的激光雷达目标合并到相关联的目标库中的目标
Figure 657247DEST_PATH_IMAGE218
中。
（3）光电目标关联
处理光电相机送过来的目标识别结果，与目标库进行关联，更新目标库。
关联流程图同激光雷达目标关联，不同之处在于光电识别目标没有距离信息，所以没有距离相关的隶属度函数；光电识别目标的包络单位不是米，而是弧度，所以计算隶属度函数的时候需要首先根据目标距离进行转换，转换后单位为米，转换公式为：
Figure 994687DEST_PATH_IMAGE219
其中待关联的目标库中目标的距离
Figure 107000DEST_PATH_IMAGE220
。
（4）毫米波雷达目标关联
处理毫米波雷达送过来的目标识别结果，与目标库进行关联，更新目标库。
毫米波雷达目标关联的流程，包括如下子步骤：
SS21，根据位置误差阈值去掉不可能关联的目标；
SS22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
SS23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的毫米波雷达的目标信息向量直接放入目标库中，把存在关联关系的毫米波雷达目标合并到相关联的目标库中的目标信息向量中。
（5）位置与包络融合
各传感器进行目标关联后，需要把各传感器的目标位置和包络进行融合，产生统一的目标位置和包络，用于下一个阶段的目标关联。
各传感器的位置输入卡尔曼滤波器进行处理，得到统一的目标位置。
各传感器的包络根据误差大小采用加权相加，其中光电包络的单位为弧度，根据目标的距离进行转换，转换后单位为米，转换公式为：
Figure 35641DEST_PATH_IMAGE009
Figure 498984DEST_PATH_IMAGE010
其中，
Figure 669809DEST_PATH_IMAGE004
代表第i个光电障碍物的宽度，单位为米；
Figure 636628DEST_PATH_IMAGE005
代表第i个光电障碍物的 弧度宽度，单位为弧度；
Figure 939433DEST_PATH_IMAGE006
代表第i个光电障碍物的高度，单位为米；
Figure 749126DEST_PATH_IMAGE007
代表第i个光电 障碍物的弧度高度，单位为弧度；
Figure 100473DEST_PATH_IMAGE011
代表相关联的目标库中目标的距离；包络的计算 公式为：
Figure 46432DEST_PATH_IMAGE012
Figure 723401DEST_PATH_IMAGE013
其中，
Figure 256276DEST_PATH_IMAGE014
表示取向量的模值，
Figure 473631DEST_PATH_IMAGE015
和
Figure 415042DEST_PATH_IMAGE016
分别代表融合后包络的宽度和高度，
Figure 121967DEST_PATH_IMAGE017
和
Figure 516039DEST_PATH_IMAGE018
分别代表第i个激光雷达障碍物的宽度和高度，
Figure 537085DEST_PATH_IMAGE019
和
Figure 221750DEST_PATH_IMAGE020
分别代表第i个 毫米波雷达障碍物的宽度和高度，
Figure 302839DEST_PATH_IMAGE021
和
Figure 184207DEST_PATH_IMAGE022
分别代表光电包络的宽度误差和高度误 差，
Figure 540102DEST_PATH_IMAGE023
和
Figure 190526DEST_PATH_IMAGE024
分别代表激光雷达包络的宽度误差和高度误差，
Figure 504833DEST_PATH_IMAGE025
和
Figure 873498DEST_PATH_IMAGE026
分别代 表毫米波雷达包络的宽度误差和高度误差。
（6）目标库管理
主要完成目标库中目标的确认和删除。
对于目标关联后的新目标进行确认，赋予新的ID，对于与目标库相关联的目标，赋予目标库中的旧ID。
根据视野参数最大方位角
Figure 737811DEST_PATH_IMAGE221
、最小方位角
Figure 367375DEST_PATH_IMAGE222
、最大俯仰角
Figure 462370DEST_PATH_IMAGE223
、 最小俯仰角
Figure 708544DEST_PATH_IMAGE224
、最大距离
Figure 281607DEST_PATH_IMAGE225
，计算目标库中的目标是否还在视野范围之内，如 果没有则进行删除。在视野中的目标同时满足：
Figure 234520DEST_PATH_IMAGE226
Figure 389164DEST_PATH_IMAGE227
完成目标库管理后，继续进行下一个节拍，从第一个步骤时空配准重新开始。如果没有下一个节拍，则整个流程结束。
实施例1
一种用于飞机避障的多源传感器目标关联方法，包括以下步骤：
S1，时空配准：包括时间对齐和空间坐标系对齐；
S2，激光雷达目标关联：处理激光雷达送过来的目标识别结果，与目标库进行关联，更新目标库；
光电目标关联：处理光电相机送过来的目标识别结果，与目标库进行关联，更新目标库；
毫米波雷达目标关联：处理毫米波雷达送过来的目标识别结果，与目标库进行关联，更新目标库；
S3，位置与包络融合：各传感器进行目标关联后，把各传感器的目标位置和包络进行融合，产生统一的目标位置和包络，用于下一个节拍的目标关联；
S4，目标库管理：完成目标库中目标的确认和删除。
实施例2
在实施例1的基础上，在步骤S1中，所述时间对齐：优先选择光电识别结果的时间为基准时间，如果没有光电识别结果，则选择激光雷达和毫米波雷达识别结果的时间为基准时间，如果也没有激光雷达和毫米波雷达识别结果，则选择导航时间为基准时间，确定基准时间后，确定了相应的基准导航信息；所述空间坐标系对齐：对光电目标补充参考距离变为等效三维坐标，然后由载机球体坐标系转换到载机坐标系，再由载机坐标系转换到基准时间的东北天坐标系，再由基准时间的东北天坐标系转换到球体坐标系。
实施例3
在实施例1的基础上，在步骤S2中，包括子步骤：
S21，根据位置误差阈值去掉不可能关联的目标；
S22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
S23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的激光雷达的目标信息向量直接放入目标库中，把存在关联关系的激光雷达目标合并到相关联的目标库中的目标信息向量中。
实施例4
在实施例1的基础上，在步骤S2中，光电目标关联的流程包括子步骤：
光电识别目标的包络单位是弧度，计算隶属度函数的时候首先根据目标距离进行转换，转换后单位为米，转换公式为：
Figure 466842DEST_PATH_IMAGE002
Figure 233809DEST_PATH_IMAGE003
其中，
Figure 103545DEST_PATH_IMAGE004
代表第i个光电障碍物的宽度，单位为米；
Figure 805922DEST_PATH_IMAGE005
代表第i个光电障碍物的 弧度宽度，单位为弧度；
Figure 996994DEST_PATH_IMAGE006
代表第i个光电障碍物的高度，单位为米；
Figure 911861DEST_PATH_IMAGE007
代表第i个光电 障碍物的弧度高度，单位为弧度；
Figure 839365DEST_PATH_IMAGE008
代表待关联的目标库中目标的距离。
实施例5
在实施例1的基础上，在步骤S2中，毫米波雷达目标关联的流程，包括如下子步骤：
SS21，根据位置误差阈值去掉不可能关联的目标；
SS22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
SS23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的毫米波雷达的目标信息向量直接放入目标库中，把存在关联关系的毫米波雷达目标合并到相关联的目标库中的目标信息向量中。
实施例6
在实施例1的基础上，在步骤S2中，包括子步骤：各传感器的目标位置输入卡尔曼滤波器进行处理，得到统一的目标位置；
各传感器的包络根据误差大小采用加权相加，其中光电包络的单位为弧度，根据目标的距离进行转换，转换后单位为米，转换公式为：
Figure 571698DEST_PATH_IMAGE009
Figure 889547DEST_PATH_IMAGE010
其中，
Figure 732738DEST_PATH_IMAGE004
代表第i个光电障碍物的宽度，单位为米；
Figure 186853DEST_PATH_IMAGE005
代表第i个光电障碍物的 弧度宽度，单位为弧度；
Figure 791885DEST_PATH_IMAGE006
代表第i个光电障碍物的高度，单位为米；
Figure 456084DEST_PATH_IMAGE007
代表第i个光电 障碍物的弧度高度，单位为弧度；
Figure 978332DEST_PATH_IMAGE011
代表相关联的目标库中目标的距离；包络的计算 公式为：
Figure 677167DEST_PATH_IMAGE012
Figure 626668DEST_PATH_IMAGE013
其中，
Figure 512585DEST_PATH_IMAGE014
表示取向量的模值，
Figure 667885DEST_PATH_IMAGE015
和
Figure 831013DEST_PATH_IMAGE016
分别代表融合后包络的宽度和高度，
Figure 76049DEST_PATH_IMAGE017
和
Figure 855787DEST_PATH_IMAGE018
分别代表第i个激光雷达障碍物的宽度和高度，
Figure 844471DEST_PATH_IMAGE019
和
Figure 862106DEST_PATH_IMAGE020
分别代表第i个毫 米波雷达障碍物的宽度和高度，
Figure 543623DEST_PATH_IMAGE021
和
Figure 105929DEST_PATH_IMAGE022
分别代表光电包络的宽度误差和高度误差，
Figure 773671DEST_PATH_IMAGE023
和
Figure 36025DEST_PATH_IMAGE024
分别代表激光雷达包络的宽度误差和高度误差，
Figure 763809DEST_PATH_IMAGE025
和
Figure 846035DEST_PATH_IMAGE026
分别代表 毫米波雷达包络的宽度误差和高度误差。
实施例7
在实施例1的基础上，在步骤S4中，包括子步骤：
对于目标关联后的新目标进行确认，赋予新的ID，对于与目标库相关联的目标，赋予目标库中的旧ID；
根据视野参数最大方位角
Figure 645364DEST_PATH_IMAGE027
、最小方位角
Figure 637590DEST_PATH_IMAGE028
、最大俯仰角
Figure 162375DEST_PATH_IMAGE029
、 最小俯仰角
Figure 872842DEST_PATH_IMAGE030
、最大距离
Figure 210282DEST_PATH_IMAGE031
，计算目标库中的目标是否还在视野范围之内，如果 没有则进行删除；在视野中的目标同时满足：
Figure 181649DEST_PATH_IMAGE032
其中，azi i mem 为目标库中第i个目标的方位角，pit i mem 为目标库中第i个目标的俯仰角，dis i mem 为目标库中第i个目标的距离；
完成目标库管理后，继续进行下一个节拍，从第一个步骤时空配准重新开始，如果没有下一个节拍，则整个流程结束。
实施例8
在实施例3的基础上，在步骤S22中，包括子步骤：
S221，建立模糊因素集
Figure 251237DEST_PATH_IMAGE033
，其中
Figure 573633DEST_PATH_IMAGE034
为方位角，
Figure 386869DEST_PATH_IMAGE035
为俯仰角，
Figure 101490DEST_PATH_IMAGE036
为距离，
Figure 404296DEST_PATH_IMAGE037
为类别，
Figure 89355DEST_PATH_IMAGE038
为包络宽度，
Figure 332380DEST_PATH_IMAGE039
为包络高度；
S222，确立多因素模糊综合鉴别函数
Figure 153705DEST_PATH_IMAGE040
，其中模糊综合相似度
Figure 627412DEST_PATH_IMAGE041
作为相关 鉴别函数；
Figure 658822DEST_PATH_IMAGE042
为模糊因素集中的第m个模糊因素
Figure 79439DEST_PATH_IMAGE043
的隶属度函数；
Figure 879905DEST_PATH_IMAGE044
为第m个模糊因素
Figure 462196DEST_PATH_IMAGE045
的权重；
Figure 706137DEST_PATH_IMAGE046
代表求和；
其中，方位角、俯仰角、距离的隶属度函数分别为：
Figure 789499DEST_PATH_IMAGE047
Figure 585417DEST_PATH_IMAGE048
Figure 666505DEST_PATH_IMAGE049
并且，在计算方位角、俯仰角、距离隶属度的时候，根据视野位置自适应改变位置误差阈值：
Figure 406928DEST_PATH_IMAGE050
Figure 169348DEST_PATH_IMAGE051
Figure 445871DEST_PATH_IMAGE052
其中，
Figure 697861DEST_PATH_IMAGE053
代表第i个激光雷达障碍物的方位角，azi k mem 代表第k个目标库障碍 物的方位角，
Figure 66525DEST_PATH_IMAGE054
代表第i个激光雷达障碍物的俯仰角，pit k mem 代表第k个目标库障碍物 的俯仰角，dis i lidar 代表第i个激光雷达障碍物的距离，dis k mem 代表第k个目标库障碍物的距 离，
Figure 226111DEST_PATH_IMAGE055
表示取绝对值，
Figure 996621DEST_PATH_IMAGE056
是固定的方位角误差阈值，
Figure 216250DEST_PATH_IMAGE057
是方位角误差阈值随方位角 变化的斜率，
Figure 806631DEST_PATH_IMAGE058
是方位角误差阈值随俯仰角变化的斜率，
Figure 471705DEST_PATH_IMAGE059
是根据视野位置自适 应改变的方位角误差阈值；
Figure 221355DEST_PATH_IMAGE060
是固定的俯仰角误差阈值，
Figure 752831DEST_PATH_IMAGE061
是俯仰角误差阈值随 方位角变化的斜率，
Figure 689563DEST_PATH_IMAGE062
是俯仰角误差阈值随俯仰角变化的斜率，
Figure 331897DEST_PATH_IMAGE063
是根据视野 位置自适应改变的俯仰角误差阈值，
Figure 936053DEST_PATH_IMAGE064
是固定的距离误差阈值，
Figure 372851DEST_PATH_IMAGE065
是距离误差阈 值随方位角变化的斜率，
Figure 767186DEST_PATH_IMAGE066
是距离误差阈值随俯仰角变化的斜率，
Figure 72265DEST_PATH_IMAGE067
是根据视野 位置自适应改变位置误差阈值；
类别的隶属度函数为：
Figure 937453DEST_PATH_IMAGE068
包络宽度的隶属度函数为：
Figure 669785DEST_PATH_IMAGE069
包络高度的隶属度函数为：
Figure 456476DEST_PATH_IMAGE070
其中，
Figure 565246DEST_PATH_IMAGE071
代表第i个激光雷达障碍物的类别，
Figure 845792DEST_PATH_IMAGE072
代表第k个目标库障碍 物的类别，
Figure 624393DEST_PATH_IMAGE073
代表第i个激光雷达障碍物的包络宽度，
Figure 23013DEST_PATH_IMAGE074
代表第k个目标库障碍物 的包络宽度，
Figure 810840DEST_PATH_IMAGE075
代表激光雷达的包络宽度误差阈值，
Figure 244096DEST_PATH_IMAGE076
代表第i个激光雷达障碍物 的包络高度，
Figure 193597DEST_PATH_IMAGE077
代表第k个目标库障碍物的包络高度，
Figure 548355DEST_PATH_IMAGE078
代表激光雷达的包络高 度误差阈值；
S223，通过经验分析法确定模糊因素集的权重；
S224，计算关联权重：把权重、类别、形状代入到多因素模糊综合鉴别函数中计算得到关联权重；所述形状包括包络宽度和高度。
实施例9
一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载时并执行如实施例1~实施例8任一项所述的用于飞机避障的多源传感器目标关联方法。
实施例10
一种可读存储介质，在可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行如实施例1~实施例8任一项所述的用于飞机避障的多源传感器目标关联方法。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式，对于本领域内的技术人员而言，在本发明公开了应用方法和原理的基础上，很容易做出各种类型的改进或变形，而不仅限于本发明上述具体实施方式所描述的方法，因此前面描述的方式只是优选的，而并不具有限制性的意义。
除以上实例以外，本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例，各个实施例的特征可以互换或替换，本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (10)

1.一种用于飞机避障的多源传感器目标关联方法，其特征在于，包括以下步骤：
S1，时空配准：包括时间对齐和空间坐标系对齐；
S2，激光雷达目标关联：处理激光雷达送过来的目标识别结果，与目标库进行关联，更新目标库；
光电目标关联：处理光电相机送过来的目标识别结果，与目标库进行关联，更新目标库；
毫米波雷达目标关联：处理毫米波雷达送过来的目标识别结果，与目标库进行关联，更新目标库；
S3，位置与包络融合：各传感器进行目标关联后，把各传感器的目标位置和包络进行融合，产生统一的目标位置和包络，用于下一个节拍的目标关联；
S4，目标库管理：完成目标库中目标的确认和删除。
2.根据权利要求1所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S1中，所述时间对齐：优先选择光电识别结果的时间为基准时间，如果没有光电识别结果，则选择激光雷达和毫米波雷达识别结果的时间为基准时间，如果也没有激光雷达和毫米波雷达识别结果，则选择导航时间为基准时间，确定基准时间后，确定了相应的基准导航信息；所述空间坐标系对齐：对光电目标补充参考距离变为等效三维坐标，然后由载机球体坐标系转换到载机坐标系，再由载机坐标系转换到基准时间的东北天坐标系，再由基准时间的东北天坐标系转换到球体坐标系。
3.根据权利要求1所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S2中，激光雷达目标关联的流程包括子步骤：
S21，根据位置误差阈值去掉不可能关联的目标；
S22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
S23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的激光雷达的目标信息向量直接放入目标库中，把存在关联关系的激光雷达目标合并到相关联的目标库中的目标信息向量中。
4.根据权利要求1所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S2中，光电目标关联的流程包括子步骤：
光电识别目标的包络单位是弧度，计算隶属度函数的时候首先根据目标距离进行转换，转换后单位为米，转换公式为：
Figure 393810DEST_PATH_IMAGE001
Figure 966743DEST_PATH_IMAGE002
其中，
Figure 277639DEST_PATH_IMAGE003
代表第i个光电障碍物的宽度，单位为米；
Figure 344952DEST_PATH_IMAGE004
代表第i个光电障碍物的弧度 宽度，单位为弧度；
Figure 690483DEST_PATH_IMAGE005
代表第i个光电障碍物的高度，单位为米；
Figure 247366DEST_PATH_IMAGE006
代表第i个光电障碍 物的弧度高度，单位为弧度；
Figure 170191DEST_PATH_IMAGE007
代表待关联的目标库中目标的距离。
5.根据权利要求1所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S2中，毫米波雷达目标关联的流程，包括如下子步骤：
SS21，根据位置误差阈值去掉不可能关联的目标；
SS22，根据位置、类型、包络特征，通过建立模糊因素集，考虑各模糊因素集的权重，进行综合加权计算关联权重；
SS23，利用匈牙利算法进行二分图匹配，寻找到全局最优的关联关系，把没有关联上的毫米波雷达的目标信息向量直接放入目标库中，把存在关联关系的毫米波雷达目标合并到相关联的目标库中的目标信息向量中。
6.根据权利要求1所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S2中，包括子步骤：各传感器的目标位置输入卡尔曼滤波器进行处理，得到统一的目标位置；
各传感器的包络根据误差大小采用加权相加，其中光电包络的单位为弧度，根据目标的距离进行转换，转换后单位为米，转换公式为：
Figure 900250DEST_PATH_IMAGE008
Figure 975653DEST_PATH_IMAGE009
其中，
Figure 765755DEST_PATH_IMAGE003
代表第i个光电障碍物的宽度，单位为米；
Figure 175876DEST_PATH_IMAGE004
代表第i个光电障碍物的弧度 宽度，单位为弧度；
Figure 647309DEST_PATH_IMAGE005
代表第i个光电障碍物的高度，单位为米；
Figure 701853DEST_PATH_IMAGE006
代表第i个光电障碍 物的弧度高度，单位为弧度；
Figure 538222DEST_PATH_IMAGE010
代表相关联的目标库中目标的距离；包络的计算公式 为：
Figure 311006DEST_PATH_IMAGE011
Figure 507501DEST_PATH_IMAGE012
其中，
Figure 682130DEST_PATH_IMAGE013
表示取向量的模值，
Figure 751717DEST_PATH_IMAGE014
和
Figure 887163DEST_PATH_IMAGE015
分别代表融合后包络的宽度和高度，
Figure 497136DEST_PATH_IMAGE016
和
Figure 650906DEST_PATH_IMAGE017
分别代表第i个激光雷达障碍物的宽度和高度，
Figure 219291DEST_PATH_IMAGE018
和
Figure 576454DEST_PATH_IMAGE019
分别代表第i个毫米波雷 达障碍物的宽度和高度，
Figure 990118DEST_PATH_IMAGE020
和
Figure 77022DEST_PATH_IMAGE021
分别代表光电包络的宽度误差和高度误差，
Figure 675363DEST_PATH_IMAGE022
和
Figure 910035DEST_PATH_IMAGE023
分别代表激光雷达包络的宽度误差和高度误差，
Figure 737177DEST_PATH_IMAGE024
和
Figure 740905DEST_PATH_IMAGE025
分别代表毫米波 雷达包络的宽度误差和高度误差。
7.根据权利要求1所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S4中，包括子步骤：
对于目标关联后的新目标进行确认，赋予新的ID，对于与目标库相关联的目标，赋予目标库中的旧ID；
根据视野参数最大方位角
Figure 510146DEST_PATH_IMAGE026
、最小方位角
Figure 169798DEST_PATH_IMAGE027
、最大俯仰角
Figure 925264DEST_PATH_IMAGE028
、最小 俯仰角
Figure 658865DEST_PATH_IMAGE029
、最大距离
Figure 474374DEST_PATH_IMAGE030
，计算目标库中的目标是否还在视野范围之内，如果没 有则进行删除；在视野中的目标同时满足：
Figure 542693DEST_PATH_IMAGE031
其中，azi i mem 为目标库中第i个目标的方位角，pit i mem 为目标库中第i个目标的俯仰角，dis i mem 为目标库中第i个目标的距离；
完成目标库管理后，继续进行下一个节拍，从第一个步骤时空配准重新开始，如果没有下一个节拍，则整个流程结束。
8.根据权利要求3所述的用于飞机避障的多源传感器目标关联方法，其特征在于，在步骤S22中，包括子步骤：
S221，建立模糊因素集
Figure 305113DEST_PATH_IMAGE032
，其中
Figure 17854DEST_PATH_IMAGE033
为方位角，
Figure 614052DEST_PATH_IMAGE034
为俯仰角，
Figure 310612DEST_PATH_IMAGE035
为距 离，
Figure 532515DEST_PATH_IMAGE036
为类别，
Figure 365342DEST_PATH_IMAGE037
为包络宽度，
Figure 460337DEST_PATH_IMAGE038
为包络高度；
S222，确立多因素模糊综合鉴别函数
Figure 253980DEST_PATH_IMAGE039
，其中模糊综合相似度
Figure 154940DEST_PATH_IMAGE040
作为相关鉴别 函数；
Figure 966907DEST_PATH_IMAGE041
为模糊因素集中的第m个模糊因素
Figure 295121DEST_PATH_IMAGE042
的隶属度函数；
Figure 310481DEST_PATH_IMAGE043
为第m个模糊因素
Figure 218394DEST_PATH_IMAGE044
的 权重；
Figure 760234DEST_PATH_IMAGE045
代表求和；
其中，方位角、俯仰角、距离的隶属度函数分别为：
Figure 649562DEST_PATH_IMAGE046
Figure 276852DEST_PATH_IMAGE047
Figure 394981DEST_PATH_IMAGE048
并且，在计算方位角、俯仰角、距离隶属度的时候，根据视野位置自适应改变位置误差阈值：
Figure 994589DEST_PATH_IMAGE049
Figure 664605DEST_PATH_IMAGE050
Figure 903825DEST_PATH_IMAGE051
其中，
Figure 950279DEST_PATH_IMAGE052
代表第i个激光雷达障碍物的方位角，azi k mem 代表第k个目标库障碍物的 方位角，
Figure 342077DEST_PATH_IMAGE053
代表第i个激光雷达障碍物的俯仰角，pit k mem 代表第k个目标库障碍物的俯 仰角，dis i lidar 代表第i个激光雷达障碍物的距离，dis k mem 代表第k个目标库障碍物的距离，
Figure 182994DEST_PATH_IMAGE054
表示取绝对值，
Figure 988139DEST_PATH_IMAGE055
是固定的方位角误差阈值，
Figure 720775DEST_PATH_IMAGE056
是方位角误差阈值随方位角变化 的斜率，
Figure 91714DEST_PATH_IMAGE057
是方位角误差阈值随俯仰角变化的斜率，
Figure 244478DEST_PATH_IMAGE058
是根据视野位置自适应改 变的方位角误差阈值；
Figure 68077DEST_PATH_IMAGE059
是固定的俯仰角误差阈值，
Figure 580967DEST_PATH_IMAGE060
是俯仰角误差阈值随方位 角变化的斜率，
Figure 806412DEST_PATH_IMAGE061
是俯仰角误差阈值随俯仰角变化的斜率，
Figure 864498DEST_PATH_IMAGE062
是根据视野位置 自适应改变的俯仰角误差阈值，
Figure 440973DEST_PATH_IMAGE063
是固定的距离误差阈值，
Figure 570603DEST_PATH_IMAGE064
是距离误差阈值 随方位角变化的斜率，
Figure 775188DEST_PATH_IMAGE065
是距离误差阈值随俯仰角变化的斜率，
Figure 394388DEST_PATH_IMAGE066
是根据视野位 置自适应改变位置误差阈值；
类别的隶属度函数为：
Figure 67946DEST_PATH_IMAGE067
包络宽度的隶属度函数为：
Figure 798005DEST_PATH_IMAGE068
包络高度的隶属度函数为：
Figure 857096DEST_PATH_IMAGE069
其中，
Figure 647198DEST_PATH_IMAGE070
代表第i个激光雷达障碍物的类别，
Figure 73631DEST_PATH_IMAGE071
代表第k个目标库障碍物的 类别，
Figure 341801DEST_PATH_IMAGE072
代表第i个激光雷达障碍物的包络宽度，
Figure 520979DEST_PATH_IMAGE073
代表第k个目标库障碍物的包 络宽度，
Figure 481982DEST_PATH_IMAGE074
代表激光雷达的包络宽度误差阈值，
Figure 864553DEST_PATH_IMAGE075
代表第i个激光雷达障碍物的包 络高度，
Figure 936414DEST_PATH_IMAGE076
代表第k个目标库障碍物的包络高度，
Figure 235677DEST_PATH_IMAGE077
代表激光雷达的包络高度误 差阈值；
S223，通过经验分析法确定模糊因素集的权重；
S224，计算关联权重：把权重、类别、形状代入到多因素模糊综合鉴别函数中计算得到关联权重；所述形状包括包络宽度和高度。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器加载时并执行如权利要求1~8任一项所述的用于飞机避障的多源传感器目标关联方法。
10.一种可读存储介质，其特征在于，在可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行如权利要求1~8任一项所述的用于飞机避障的多源传感器目标关联方法。
CN202211154713.4A 2022-09-22 2022-09-22 用于飞机避障的多源传感器目标关联方法、设备及介质 Active CN115236656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211154713.4A CN115236656B (zh) 2022-09-22 2022-09-22 用于飞机避障的多源传感器目标关联方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211154713.4A CN115236656B (zh) 2022-09-22 2022-09-22 用于飞机避障的多源传感器目标关联方法、设备及介质

Publications (2)

Publication Number Publication Date
CN115236656A true CN115236656A (zh) 2022-10-25
CN115236656B CN115236656B (zh) 2022-12-06

Family

ID=83667270

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211154713.4A Active CN115236656B (zh) 2022-09-22 2022-09-22 用于飞机避障的多源传感器目标关联方法、设备及介质

Country Status (1)

Country Link
CN (1) CN115236656B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1250165A (zh) * 1998-08-04 2000-04-12 日本无线株式会社 三维雷达装置以及用于显示三维雷达图像的方法
CN105303549A (zh) * 2015-06-29 2016-02-03 北京格灵深瞳信息技术有限公司 一种确定视频图像中被测对象间位置关系的方法及装置
CN109222969A (zh) * 2018-10-31 2019-01-18 郑州大学 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统
CN109855874A (zh) * 2018-12-13 2019-06-07 安徽大学 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN112285700A (zh) * 2020-08-24 2021-01-29 江苏大学 基于激光雷达与毫米波雷达融合的机动目标跟踪方法
CN113281738A (zh) * 2021-06-18 2021-08-20 桂林市国创朝阳信息科技有限公司 一种多传感器融合的目标检测系统及检测方法
CN114280611A (zh) * 2021-11-08 2022-04-05 上海智能网联汽车技术中心有限公司 一种融合毫米波雷达与摄像头的路侧感知方法
CN114708585A (zh) * 2022-04-15 2022-07-05 电子科技大学 一种基于注意力机制的毫米波雷达与视觉融合的三维目标检测方法
CN115032651A (zh) * 2022-06-06 2022-09-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1250165A (zh) * 1998-08-04 2000-04-12 日本无线株式会社 三维雷达装置以及用于显示三维雷达图像的方法
CN105303549A (zh) * 2015-06-29 2016-02-03 北京格灵深瞳信息技术有限公司 一种确定视频图像中被测对象间位置关系的方法及装置
CN109222969A (zh) * 2018-10-31 2019-01-18 郑州大学 一种基于多传感器数据融合的可穿戴式人体上肢肌肉运动疲劳检测及训练系统
CN109855874A (zh) * 2018-12-13 2019-06-07 安徽大学 一种声音辅助振动微弱信号增强检测的随机共振滤波器
CN112285700A (zh) * 2020-08-24 2021-01-29 江苏大学 基于激光雷达与毫米波雷达融合的机动目标跟踪方法
CN113281738A (zh) * 2021-06-18 2021-08-20 桂林市国创朝阳信息科技有限公司 一种多传感器融合的目标检测系统及检测方法
CN114280611A (zh) * 2021-11-08 2022-04-05 上海智能网联汽车技术中心有限公司 一种融合毫米波雷达与摄像头的路侧感知方法
CN114708585A (zh) * 2022-04-15 2022-07-05 电子科技大学 一种基于注意力机制的毫米波雷达与视觉融合的三维目标检测方法
CN115032651A (zh) * 2022-06-06 2022-09-09 合肥工业大学 一种基于激光雷达与机器视觉融合的目标检测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JINGWEI ZHANG等: "RVDet: Feature-level Fusion of Radar and Camera for Object Detection", 《2021 IEEE INTERNATIONAL INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC)》 *
ZUOMEI LAI: "A relative bias estimation algorithm on airborne radar networks", 《2009 9TH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS》 *
杜渐等: "面向航迹中断的模糊航迹关联算法", 《火力与指挥控制》 *
路高勇等: "多传感器组网系统空间配准算法", 《西南民族大学学报(自然科学版)》 *
释小松等: "基于Point-Net的多源融合点云地物分类方法", 《激光与光电子学进展》 *
马振刚等: "一种基于传感器的目标航迹起始决策算法在摄像头与毫米波雷达融合系统的应用", 《上海汽车》 *

Also Published As

Publication number Publication date
CN115236656B (zh) 2022-12-06

Similar Documents

Publication Publication Date Title
CN113359810B (zh) 一种基于多传感器的无人机着陆区域识别方法
CN111626217B (zh) 一种基于二维图片和三维点云融合的目标检测和追踪方法
CN114419152B (zh) 一种基于多维度点云特征的目标检测与跟踪方法及系统
CN113485441A (zh) 结合无人机高精度定位和视觉跟踪技术的配网巡检方法
CN110866887A (zh) 一种基于多传感器的目标态势融合感知方法和系统
CN110850403A (zh) 一种多传感器决策级融合的智能船水面目标感知识别方法
CN108802785A (zh) 基于高精度矢量地图和单目视觉传感器的车辆自定位方法
Engel et al. Deeplocalization: Landmark-based self-localization with deep neural networks
CN115943439A (zh) 一种基于雷视融合的多目标车辆检测及重识别方法
Zhou et al. Review on millimeter-wave radar and camera fusion technology
CN114325634A (zh) 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
Ghallabi et al. LIDAR-based high reflective landmarks (HRL) s for vehicle localization in an HD map
Sun et al. Obstacle Detection of Intelligent Vehicle Based on Fusion of Lidar and Machine Vision.
Lombaerts et al. Adaptive multi-sensor fusion based object tracking for autonomous urban air mobility operations
CN113589848B (zh) 基于机器视觉的多无人机探测定位跟踪系统及方法
CN113888589B (zh) 一种基于激光雷达的水面障碍物检测与多目标跟踪方法
CN108921896B (zh) 一种融合点线特征的下视视觉罗盘
CN117115414B (zh) 基于深度学习的无gps无人机定位方法及装置
Li et al. Collaborative positioning for swarms: A brief survey of vision, LiDAR and wireless sensors based methods
Kai et al. Research on augmented reality technology of helicopter aided navigation based on lidar
CN115236656B (zh) 用于飞机避障的多源传感器目标关联方法、设备及介质
Deng et al. Obstacle detection of unmanned surface vehicle based on LiDAR point cloud data
CN116989763A (zh) 一种面向水陆两用无人系统的融合定位与建图方法
CN113850864B (zh) 一种面向室外移动机器人的gnss/lidar回环检测方法

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