CN115981148A - 无人机地面移动目标跟踪方法 - Google Patents

无人机地面移动目标跟踪方法 Download PDF

Info

Publication number
CN115981148A
CN115981148A CN202211581063.1A CN202211581063A CN115981148A CN 115981148 A CN115981148 A CN 115981148A CN 202211581063 A CN202211581063 A CN 202211581063A CN 115981148 A CN115981148 A CN 115981148A
Authority
CN
China
Prior art keywords
time
measurement
unmanned aerial
aerial vehicle
representing
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
CN202211581063.1A
Other languages
English (en)
Inventor
穆荣军
初彦峰
梁浩
张昊
匡东政
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 Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202211581063.1A priority Critical patent/CN115981148A/zh
Publication of CN115981148A publication Critical patent/CN115981148A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

无人机地面移动目标跟踪方法，解决了无人机的视觉传感器常受到时变协方差以及野值等非高斯噪声的干扰问题，属于目标跟踪领域。本发明包括：S1、建立地面移动目标状态方程；S2、建立无人机的测量方程；S3、根据目标状态方程、无人机的测量方程及k‑1时刻的状态向量值，利用自适应鲁棒容积卡尔曼信息滤波对测量方程进行时间更新和量测更新，获得k时刻状态向量的估计值及其协方差矩阵，在量测更新过程中，利用动态协方差标度鲁棒方法将求取量测估计值的问题转化为线性回归模型，并利用高斯牛顿迭代方法求解线性回归模型，采用变分贝叶斯方法更新量测噪声协方差。

Description

无人机地面移动目标跟踪方法
技术领域
本发明涉及一种基于自适应鲁棒容积信息滤波的无人机地面移动目标跟踪方法，属于目标跟踪领域。
背景技术
近年来，无人机(Unmanned Aerial Vehicle,UAV)跟踪技术以其有其独特的特点，即低空、小尺寸、慢速度受到了广泛的关注。在小型无人机探测跟踪方面，视觉传感器以其成本、隐蔽性和减少频谱符合性等方面的优势，正变得越来越有吸引力。此外，PS网络可以提高无人机探测的可能性和无人机跟踪的准确性。
目标跟踪与地面监视是视觉无人机的重要应用，在其中高斯分布经常被用来表示传感器噪声的统计特性。常见的用于目标跟踪的滤波器有以下几种，扩展卡尔曼滤波器(EKF)、无迹卡尔曼滤波器(UKF)、高斯厄尔米特滤波器(GHQF)、容积卡尔曼滤波器(CKF)。CKF在数值稳定性和计算效率等方面都优于上述几种非线性高斯滤波器，其等价形式为容积卡尔曼信息滤波器(CIF)。以上几种滤波器都是基于概率密度函数为高斯分布的假设而提出的。因此，这些滤波器只在高斯噪声下表现良好，然而，实际上视觉传感器容易受到多种因素干扰(例如通信带宽受限、背景杂乱、外观变化、目标遮挡、光照改变)，这导致视觉传感器量测总是被非高斯分布的噪声所破坏，非高斯分布噪声主要指的是噪声统计特性是不确定的(协方差是时变的)并且伴随着野值。
因此在实际应用中视觉传感器的量测噪声往往呈现出非高斯分布，在时变协方差和野值的非高斯噪声干扰情况下，以上几种常见的高斯滤波器性能会发生严重退化。为了提升视觉无人机目标跟踪在时变协方差和野值的非高斯噪声下的状态估计精度，需要开发一种自适应性强鲁棒性好的非线性滤波器。
发明内容
针对无人机的视觉传感器常受到时变协方差以及野值等非高斯噪声的干扰问题，本发明提供一种适应性强鲁棒性好的无人机地面移动目标跟踪方法。
本发明的一种无人机地面移动目标跟踪方法，包括：
S1、建立地面移动目标状态方程；
S2、建立无人机的测量方程；
S3、根据目标状态方程、无人机的测量方程及k-1时刻的状态向量值，利用自适应鲁棒容积卡尔曼信息滤波对测量方程进行时间更新和量测更新，获得k时刻状态向量的估计值及其协方差矩阵，在量测更新过程中，利用动态协方差标度鲁棒方法将求取量测估计值的问题转化为线性回归模型，并利用高斯牛顿迭代方法求解线性回归模型，采用变分贝叶斯方法更新量测噪声协方差。
作为优选，所述k时刻状态向量的估计值为：
Figure BDA0003986005290000021
上标j表示高斯牛顿迭代方法的迭代次数；
其中，
Figure BDA0003986005290000022
表示k时刻第j-1次迭代的状态转移矩阵，
Figure BDA0003986005290000023
Hk为量测矩阵；
Figure BDA0003986005290000024
表示k时刻第j-1次迭代的增广矩阵，
Figure BDA0003986005290000025
Pk|k-1表示时间更新得到的k时刻的状态向量预测值的协方差矩阵；
Figure BDA0003986005290000026
表示量测噪声协方差；
权重矩阵
Figure BDA0003986005290000027
ρ(ξ(j-1))′为ρ(ξ(j-1))的导数；
动态协方差标度鲁棒核函数
Figure BDA0003986005290000028
τ是调谐参数，
Figure BDA0003986005290000029
表示k时刻第j-1次迭代状态向量的估计值，
Figure BDA00039860052900000210
表示k时刻第j-1次迭代的量测估计值；
Figure BDA00039860052900000211
表示k时刻第j-1次迭代的量测修正值。
作为优选，k时刻的量测估计值：
Figure BDA00039860052900000212
Figure BDA00039860052900000213
Figure BDA00039860052900000214
表示k时刻量测修正值，
Figure BDA00039860052900000215
表示量测估计值；
Figure BDA0003986005290000031
表示k时刻量测更新阶段中重新生成的sigma采样点，
Figure BDA0003986005290000032
表示
Figure BDA0003986005290000033
的权重，
Figure BDA0003986005290000034
表示
Figure BDA0003986005290000035
的预测量测，n表示状态向量的维数。
作为优选，k时刻第j次迭代的尺度矩阵为：
Figure BDA0003986005290000036
k时刻第j次迭代的量测噪声协方差
Figure BDA0003986005290000037
ukk＝ukk-1+1，ukk表示k时刻自由度参数的更新值，ukk-1表示时间更新阶段的预测值，m表示量测维度；ukk-1＝λ(uk-1-m-1)+m+1，λ是满足0<λ≤1的遗忘参数，m表示量测维数，uk-1表示k-1时刻自由度参数；Ukk -1表示时间更新得到的k时刻尺度矩阵的预测值。
本发明的有益效果，本发明通过高斯牛顿方法将VB自适应和动态协方差标度鲁棒技术嵌入容积信息滤波器中统一两种策略的优势，继承了变分贝叶斯近似理论的自适应和动态协方差标度技术的鲁棒性；并且容积信息滤波形式进行状态估计，这意味着更低的计算负担、更高的计算效率。本发明的自适应性较强，具体来讲，时变量测噪声协方差被VB近似理论自适应地跟踪，这可以使状态和协方差的后验联合分布达到最优，滤波算法具备比较强的自适应性；本发明的鲁棒性较强，利用动态协方差标度鲁棒技术修改CIF的更新步骤，这可以解决量测野值问题，在面对野值时表现出鲁棒性。仿真结果表面，与传统方法相比，本发明的估计方法(VB-DCSCIF)精度比现有状态估计方法(如EKF、UKF、GHQF、CKF和CIF)估计精度高10％，比VB-CIF和DCS-CIF估计精度高5％。本发明使得无人机面对传感器受到时变协方差以及野值的非高斯噪声干扰时，对地面移动目标跟踪可以提供更加准确的状态估计，表现出自适应性和鲁棒性，可以满足视觉无人机对目标跟踪的任务需求。
附图说明
图1地面移动目标跟踪示意图；
图2为仿真场景；
图3位置估计误差曲线，纵坐标为位置估计误差，横坐标为时间；
图4速度估计误差曲线，纵坐标为速度估计误差，横坐标为时间；
图5不同像素下位置估计误差，纵坐标为位置估计误差，横坐标为像素；
图6不同像素下速度估计误差，纵坐标为速度估计误差，横坐标为像素；
图7不同扰动参数下位置估计误差，纵坐标为位置估计误差，横坐标为扰动参数；
图8不同扰动参数下速度估计误差，纵坐标为速度估计误差，横坐标为扰动参数。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施方式的无人机地面移动目标跟踪方法，包括：
步骤1、建立地面移动目标状态方程:
Xk＝Fk-1Xk-1+Gk-1vk-1
式中，状态向量
Figure BDA0003986005290000041
xk和yk分别为x和y方向的位置，
Figure BDA0003986005290000042
和
Figure BDA0003986005290000043
分别为x和y方向的速度，
Figure BDA0003986005290000044
T表示采样时间，vk-1是过程噪声。
目标在二维空间内以匀速直线运动，其离散的运动方程可以
Figure BDA0003986005290000045
Figure BDA0003986005290000046
Figure BDA0003986005290000047
Figure BDA0003986005290000048
将运动方程用矩阵的形式表示如下：
Figure BDA0003986005290000049
上面的公式用于模拟地面移动目标的轨迹。由于在此模型中目标在x-y平面上做匀速直线运动，所目标在z方向上的位置和速度为零。图1包含目标的移动轨迹和无人机的飞行轨迹。
步骤2、建立无人机的测量方程:
zk＝hk(xk)+wk
其中zk是k时刻的量测值。h(·)分别是量测函数，wk分别表示无人机系统量测噪声。
根据无人机拍摄得到的图像序列中目标的像素位置，可以解算出无人机与目标之间的物理距离。由于视觉传感器的像面是离散的，测量结果会受到量化噪声的影响。确定图像序列中目标像素的位置是视觉跟踪算法的基础。
定义传感器量测矢量为
Figure BDA0003986005290000051
式中i是传感器数目，
Figure BDA0003986005290000052
和
Figure BDA0003986005290000053
分别为x和z方向的像素坐标。视觉传感器图像平面的几何结构如图1所示，其中ObXbYbZb和OiYiZi分别表示传感器本体坐标系和图像平面坐标系，像素坐标系与一致，但其测量单位为像素而非毫米。
Figure BDA0003986005290000054
其中，
Figure BDA0003986005290000055
是目标在传感器i本体系下的位置，f是焦距，εy和εz是yp和zp方向的像素，
Figure BDA0003986005290000056
和
Figure BDA0003986005290000057
是高斯噪声，其高斯协方差为
Figure BDA0003986005290000058
和
Figure BDA0003986005290000059
和
Figure BDA00039860052900000510
是在k时刻传感器i量化噪声。
根据本体系和地心地固坐标系(ECEF-CS)的转换关系，则有
Figure BDA00039860052900000511
其中
Figure BDA00039860052900000512
是ECEF-CS到传感器本体系的转换矩阵，(x,y,z)是目标在ECEF-CS下的位置，(xs,ys,zs)是传感器在ECEF-CS下的位置。
因此第i个传感器量测为：
Figure BDA0003986005290000061
其中，上标i表示第i个传感器；
Figure BDA0003986005290000062
是转换矩阵
Figure BDA0003986005290000063
第a行第b列处元素的值。
步骤3、根据目标状态方程、无人机的测量方程及k-1时刻的状态向量值，利用自适应鲁棒容积卡尔曼信息滤波对测量方程进行时间更新和量测更新，获得k时刻状态向量的估计值及其协方差矩阵，在量测更新过程中，利用动态协方差标度鲁棒方法将求取量测估计值的问题转化为线性回归模型，并利用高斯牛顿迭代方法求解线性回归模型，采用变分贝叶斯方法更新量测噪声协方差。
本实施方式以变分贝叶斯自适应和动态协方差标度技术基础的容积信息滤波器(VB-DCSCIF)，其继承了VB近似的自适应性，以及动态协方差标度技术的鲁棒性。具体来说，量测噪声协方差被VB近似理论自适应地跟踪，这可以使后验联合分布达到最优。并且，滤波器的更新步骤被动态协方差标度技术修改，可以解决量测异常值。
本实施方中步骤3通过高斯牛顿迭代方法，使VB近似理论和动态协方差标度鲁棒技术相结合，嵌入容积信息滤波框架中，所产生的VB-DCSCIF继承了VB自适应方法和动态协方差标度鲁棒核函数的优点。最后将VB-DCSCIF应用于视觉无人机对地面移动目标的跟踪中。
VB-DCSCIF算法时间更新:
Figure BDA0003986005290000064
Figure BDA0003986005290000065
Figure BDA0003986005290000066
Figure BDA0003986005290000067
ukk-1＝λ(uk-1-m-1)+m+1
Ukk-1＝ΒUk-1ΒT
其中，Y是信息矩阵，y是信息状态，P是协方差矩阵，λ是满足0<λ≤1的折扣参数，
Figure BDA0003986005290000071
是权重，
Figure BDA0003986005290000072
是时间更新阶段生成的sigma采样点。Uk-1表示k-1时刻的尺度矩阵，B是满足0＜|B|≤1的矩阵，
Figure BDA0003986005290000073
λ表示折扣因子，Id表示单位矩阵。uk|k＝uk|k-1+1，uk|k表示k时刻自由度参数的更新值，uk|k-1表示时间更新阶段的预测值，m表示量测维度；uk|k-1＝λ(uk-1-m-1)+m+1，m表示量测维数，uk-1表示k-1时刻自由度参数。Uk|k-1表示时间更新得到的k时刻尺度矩阵的预测值。
Figure BDA0003986005290000074
表示时间更新得到的k时刻的状态向量预测值，
Figure BDA0003986005290000075
表示k时刻时间更新阶段中生成的sigma采样点，Qk-1表示k-1时刻过程噪声向量。
VB-动态协方差标度CIF算法量测更新:
将量测更新转化为线性回归问题
Figure BDA0003986005290000076
其中，xk是状态真值，
Figure BDA0003986005290000077
是状态预测误差，量测矩阵为Hk＝[(Pk|k-1)-1(Pxz)]T。
Figure BDA0003986005290000078
表示互协方差，Pk|k-1表示预测状态协方差，
Figure BDA0003986005290000079
表示Pk|k-1的逆矩阵。
定义变量：
Figure BDA00039860052900000710
Figure BDA00039860052900000711
Figure BDA00039860052900000712
Figure BDA00039860052900000713
线性回归模型转化为
Figure BDA00039860052900000714
动态协方差标度鲁棒方法通过以下目标函数来解决上式中的非线性回归问题。
Figure BDA0003986005290000081
其中，
Figure BDA0003986005290000082
是残差ξ的第k个元素，ρ(·)是动态协方差标度鲁棒核函数。
Figure BDA0003986005290000083
其中，τ是调谐参数。线性回归问题的解可以从隐式方程中找到
Figure BDA0003986005290000084
定义权重矩阵ψ(ξk):
Figure BDA0003986005290000085
上述隐函数以矩阵形式可以转化为
Figure BDA0003986005290000086
迭代初值
Figure BDA0003986005290000087
可以设为最小二乘解
Figure BDA0003986005290000088
通过迭代方式求解上式过程如下：
误差函数为
Figure BDA0003986005290000089
其中,上标j表示高斯牛顿迭代方法的迭代次数；
Figure BDA00039860052900000810
表示k时刻第j-1次迭代状态向量的估计值，
Figure BDA00039860052900000811
表示k时刻第j-1次迭代的量测估计值；
计算权重矩阵
Figure BDA00039860052900000812
其中,
Figure BDA00039860052900000813
ρ(ξ(j-1))′为ρ(ξ(j-1))的导数。
k时刻状态向量的估计值为：
Figure BDA0003986005290000091
其中，
Figure BDA0003986005290000092
表示k时刻第j-1次迭代的状态转移矩阵，
Figure BDA0003986005290000093
表示k时刻第j-1次迭代的增广矩阵，
Figure BDA0003986005290000094
Pk|k-1表示时间更新得到的k时刻的状态向量预测值的协方差矩阵；
Figure BDA0003986005290000095
表示量测噪声协方差；
Figure BDA0003986005290000096
表示k时刻第j-1次迭代的量测修正值。
信息矩阵和信息状态分别为
Figure BDA0003986005290000097
Figure BDA0003986005290000098
本实施方式中，k时刻的量测估计值：
Figure BDA0003986005290000099
Figure BDA00039860052900000910
Figure BDA00039860052900000911
表示k时刻量测修正值，
Figure BDA00039860052900000912
表示量测估计值；
Figure BDA00039860052900000913
表示k时刻量测更新阶段中重新生成的sigma采样点，
Figure BDA00039860052900000914
表示
Figure BDA00039860052900000915
的权重，
Figure BDA00039860052900000916
表示
Figure BDA00039860052900000917
的预测量测，n表示状态向量的维数。
量测重新构造为
Figure BDA00039860052900000918
然后利用它代替原始的zk，这种替代将可以提高滤波器鲁棒性。
本实施方式中，k时刻第j-1次迭代的逆威舍特分布尺度矩阵为：
Figure BDA00039860052900000919
k时刻第j次迭代的量测噪声协方差
Figure BDA00039860052900000920
仿真条件：
仿真场景如图2所示，视觉传感器量测噪声协方差Rvar时变规律为
Figure BDA00039860052900000921
其他仿真参数参见下表:
表1实验各组成部分参数
Figure BDA0003986005290000101
为了评估所提出的滤波器的精度，本实施方式进行100次Monte Carlo模拟，然后计算每个滤波器的位置和速度估计的均方根误差(RMSE)，其计算如下所示：
Figure BDA0003986005290000102
其中k代表时刻。
Figure BDA0003986005290000103
和
Figure BDA0003986005290000104
分别表示估计值和真值。M是Monte Carlo打靶次数。
图3和图4为CIF、DCSCIF、VB-CIF和VB-DCSCIF进行蒙特卡罗模拟得到的位置、速度的均方根误差(RMSE)。显而易见，VB-DCSCIF在位置、速度估计方面优于其他算法，CIF不能提供令人满意的估计精度，而VB-CIF和DCSCIF的表现是差不多的。可以这样解释，VB-DCSCIF遗传VB-CIF和DCSCIF两种滤波器的优点。鉴于VB-DCSCIF表现出来了VB理论的自适应性和动态协方差标度技术的鲁棒性，这表明VB-DCSCIF有能力处理时变协方差和野值。
为了进一步调查VB-DCSCIF在不同大小污染概率和像素下的滤波性能，保持其中一个参数不变调整另一个参数。进行了额外的仿真实验，每个工况进行100个独立蒙特卡罗模拟。不同像素下，四种滤波器的RMSE如图5和图6所示；不同污染概率下，位置和速度的RMSE如图7和图8所示。从以上仿真结果可以看出，在四种算法中，VB-DCSCIF的表现最优异，可以同时解决时变协方差和野值问题，充分表现出适应性和鲁棒性。
通过理论分析和仿真案列，可得到如下结论：本申请提出了一种以变分贝叶斯自适应和动态协方差标度技术基础的容积信息滤波器(VB-DCSCIF)，其继承了VB近似的自适应性，以及动态协方差标度技术的鲁棒性。具体来说，量测噪声协方差被VB近似理论自适应地跟踪，这可以使后验联合分布达到最优。并且，滤波器的更新步骤被动态协方差标度技术修改，可以解决量测异常值。视觉基础的平面运动目标跟踪模拟和门卡罗模拟证明了在时变协方差噪声和野值下，VB-DCSCIF相对于其他滤波器的优越性，同时表现出自适应性和鲁棒性，而且可以提供高精度的状态估计，比现有状态估计方法估计精度高5％-10％。在不同像素下和不同污染概率下，以提出方法为基础的目标跟踪方法估计效果更好。可以满足视觉无人机对地面移动目标跟踪上的精度需求。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (10)

1.无人机地面移动目标跟踪方法，其特征在于，所述方法包括：
S1、建立地面移动目标状态方程；
S2、建立无人机的测量方程；
S3、根据目标状态方程、无人机的测量方程及k-1时刻的状态向量值，利用自适应鲁棒容积卡尔曼信息滤波对测量方程进行时间更新和量测更新，获得k时刻状态向量的估计值及其协方差矩阵，在量测更新过程中，利用动态协方差标度鲁棒方法将求取量测估计值的问题转化为线性回归模型，并利用高斯牛顿迭代方法求解线性回归模型，采用变分贝叶斯方法更新量测噪声协方差。
2.根据权利要求1所述的无人机地面移动目标跟踪方法，其特征在于，所述k时刻状态向量的估计值为：
Figure FDA0003986005280000011
上标j表示高斯牛顿迭代方法的迭代次数；
其中，
Figure FDA0003986005280000012
表示k时刻第j-1次迭代的状态转移矩阵，
Figure FDA0003986005280000013
Hk为量测矩阵；
Figure FDA0003986005280000014
表示k时刻第j-1次迭代的增广矩阵，
Figure FDA0003986005280000015
Pk|k-1表示时间更新得到的k时刻的状态向量预测值的协方差矩阵；
Figure FDA0003986005280000016
表示量测噪声协方差；
权重矩阵
Figure FDA0003986005280000017
ρ(ξ(j-1))′为ρ(ξ(j-1))的导数；
动态协方差标度鲁棒核函数
Figure FDA0003986005280000018
τ是调谐参数，
Figure FDA0003986005280000019
表示k时刻第j-1次迭代状态向量的估计值，
Figure FDA00039860052800000110
表示k时刻第j-1次迭代的量测估计值；
Figure FDA00039860052800000111
表示k时刻第j-1次迭代的量测修正值。
3.根据权利要求2所述的无人机地面移动目标跟踪方法，其特征在于，k时刻的量测估计值：
Figure FDA0003986005280000021
Figure FDA0003986005280000022
Figure FDA0003986005280000023
表示k时刻量测修正值，
Figure FDA0003986005280000024
表示量测估计值；
Figure FDA0003986005280000025
表示k时刻量测更新阶段中重新生成的sigma采样点，
Figure FDA0003986005280000026
表示
Figure FDA0003986005280000027
的权重，
Figure FDA0003986005280000028
表示
Figure FDA0003986005280000029
的预测量测，n表示状态向量的维数。
4.根据权利要求3所述的无人机地面移动目标跟踪方法，其特征在于，k时刻第j次迭代的尺度矩阵为：
Figure FDA00039860052800000210
k时刻第j次迭代的量测噪声协方差
Figure FDA00039860052800000211
uk|k＝uk|k-1+1，uk|k表示k时刻自由度参数的更新值，uk|k-1表示时间更新阶段的预测值，m表示量测维度；
uk|k-1＝λ(uk-1-m-1)+m+1，λ是满足0<λ≤1的遗忘参数，m表示量测维数，uk-1表示k-1时刻自由度参数；Uk|k-1表示时间更新得到的k时刻尺度矩阵的预测值。
5.根据权利要求4所述的无人机地面移动目标跟踪方法，其特征在于，
Uk|k-1＝ΒUk-1ΒT
Uk-1表示k-1时刻的尺度矩阵，
Figure FDA00039860052800000212
λ表示折扣因子，Id表示单位矩阵。
6.根据权利要求3所述的无人机地面移动目标跟踪方法，其特征在于，
Hk＝[(Pk|k-1 -1(Pxz)]T
Figure FDA00039860052800000213
表示互协方差，Pk|k-1表示预测状态协方差，
Figure FDA00039860052800000214
表示Pk|k-1的逆矩阵。
7.根据权利要求6所述的无人机地面移动目标跟踪方法，其特征在于，
Figure FDA00039860052800000215
Figure FDA00039860052800000216
表示时间更新得到的k时刻的状态向量预测值，
Figure FDA00039860052800000217
Figure FDA00039860052800000218
表示k时刻时间更新阶段中生成的sigma采样点，Qk-1表示k-1时刻过程噪声向量。
8.根据权利要求1所述的无人机地面移动目标跟踪方法，其特征在于，地面移动目标状态方程为：
Xk＝Fk-1Xk-1+Gk-1vk-1
式中，状态向量
Figure FDA0003986005280000031
xk和yk分别为x和y方向的位置，
Figure FDA0003986005280000032
和
Figure FDA0003986005280000033
分别为x和y方向的速度，
Figure FDA0003986005280000034
T表示采样时间，vk-1是过程噪声。
9.根据权利要求1所述的无人机地面移动目标跟踪方法，其特征在于，无人机的测量方程：
zk＝hk(xk)+wk
其中zk是k时刻的量测值。h(·)分别是量测函数，wk分别表示无人机系统量测噪声。
10.一种无人机地面移动目标跟踪装置，包括存储设备、处理器以及存储在所述存储设备中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序实现如权利要求1至9任一所述无人机地面移动目标跟踪方法。
CN202211581063.1A 2022-12-07 2022-12-07 无人机地面移动目标跟踪方法 Pending CN115981148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211581063.1A CN115981148A (zh) 2022-12-07 2022-12-07 无人机地面移动目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211581063.1A CN115981148A (zh) 2022-12-07 2022-12-07 无人机地面移动目标跟踪方法

Publications (1)

Publication Number Publication Date
CN115981148A true CN115981148A (zh) 2023-04-18

Family

ID=85975013

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211581063.1A Pending CN115981148A (zh) 2022-12-07 2022-12-07 无人机地面移动目标跟踪方法

Country Status (1)

Country Link
CN (1) CN115981148A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116358564A (zh) * 2023-06-01 2023-06-30 中国人民解放军战略支援部队航天工程大学 无人机蜂群质心运动状态跟踪方法、系统、设备及介质
CN117095314A (zh) * 2023-08-22 2023-11-21 中国电子科技集团公司第五十四研究所 跨域多维空地环境下的目标检测与重识别方法
CN117990112A (zh) * 2024-04-03 2024-05-07 中国人民解放军海军工程大学 基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116358564A (zh) * 2023-06-01 2023-06-30 中国人民解放军战略支援部队航天工程大学 无人机蜂群质心运动状态跟踪方法、系统、设备及介质
CN116358564B (zh) * 2023-06-01 2023-07-28 中国人民解放军战略支援部队航天工程大学 无人机蜂群质心运动状态跟踪方法、系统、设备及介质
CN117095314A (zh) * 2023-08-22 2023-11-21 中国电子科技集团公司第五十四研究所 跨域多维空地环境下的目标检测与重识别方法
CN117095314B (zh) * 2023-08-22 2024-03-26 中国电子科技集团公司第五十四研究所 跨域多维空地环境下的目标检测与重识别方法
CN117990112A (zh) * 2024-04-03 2024-05-07 中国人民解放军海军工程大学 基于鲁棒无迹卡尔曼滤波的无人机光电平台目标定位方法

Similar Documents

Publication Publication Date Title
CN115981148A (zh) 无人机地面移动目标跟踪方法
CN111178385B (zh) 一种鲁棒在线多传感器融合的目标跟踪方法
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN108304612B (zh) 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法
Niedfeldt et al. Recursive RANSAC: Multiple signal estimation with outliers
CN110208792B (zh) 同时估计目标状态和轨迹参数的任意直线约束跟踪方法
CN110231620B (zh) 一种噪声相关系统跟踪滤波方法
CN111983927A (zh) 一种新型的最大协熵椭球集员滤波方法
CN111965618B (zh) 一种融合多普勒量测的转换量测跟踪方法及系统
CN111488552B (zh) 基于高斯混合概率假设密度的紧邻多目标跟踪方法
CN111291471A (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
CN111274529B (zh) 一种鲁棒的高斯逆威沙特phd多扩展目标跟踪算法
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
CN117451032A (zh) 一种低算力与松耦合的激光雷达和imu的slam方法及系统
Lupfer et al. Increasing FastSLAM accuracy for radar data by integrating the Doppler information
CN109375160B (zh) 纯方位无源定位中一种测角误差估计方法
Wang et al. Design of mean shift tracking algorithm based on target position prediction
CN109188424B (zh) 基于量测一致性的分布式多传感器多目标跟踪方法
CN110912535A (zh) 一种新型无先导卡尔曼滤波方法
CN109166138B (zh) 基于高阶累积量的目标跟踪方法、装置及存储介质
CN114445459B (zh) 基于变分贝叶斯理论的连续-离散最大相关熵目标跟踪方法
CN107966697B (zh) 一种基于渐进无迹卡尔曼的移动目标跟踪方法
CN113189578B (zh) 一种扩展目标跟踪方法
CN109188422A (zh) 一种基于lu分解的卡尔曼滤波目标跟踪方法

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