CN116522548A - 一种基于三角拓扑结构的空地无人系统多目标关联方法 - Google Patents

Abstract

本发明公开了一种基于三角拓扑结构的空地无人系统多目标关联方法，包括：构建三角拓扑结构；分析所述三角拓扑结构的约束条件；计算所述三角拓扑结构的相似性，获取三角结构相似度矩阵；基于所述三角结构相似度矩阵获取拓扑结构关联结果；基于相似不变性约束对所述拓扑结构关联结果进行优化。本发明提出了一种合适的拓扑结构构造方法以及拓扑结构关联算法，使多目标关联结果在拓扑空间中的关联误差最小，并对方法进行测试。

Description

一种基于三角拓扑结构的空地无人系统多目标关联方法

技术领域

本发明属于多传感器目标关联技术领域，特别是涉及一种基于三角拓扑结构的空地无人系统多目标关联方法。

背景技术

拓扑结构特征是从一种不同于轨迹关联和视觉关联的新角度提出的多目标关联算法，在近些年基于拓扑结构特征的多目标关联算法相关研究中，石玥等人首先在雷达探测领域提出基于拓扑特征的多目标关联算法。针对多雷达系统观测目标时，由于系统偏差较大导致轨迹关联方法效果较差的问题。利用目标空间上的相对位置信息提取目标拓扑向量，实现对目标的关联。通过提取目标的参照拓扑矩阵，对参照拓扑矩阵弥散化，基于弥散拓扑向量进行模糊轨迹关联。该方法在提取参照拓扑矩阵时对目标周围空间经验性的划分网格，因此目标关联的经度收到网格大小的影响。杨哲等人提出高速移动的平台传感器具有自身定位误差较大的问题，给目标的关联带来很大的难度。所以提出使用邻居目标构造一种三角形拓扑结构对目标进行关联，首先对目标区域内的所有邻居目标构造三角结构，利用公式计算两个三角形结构的相似度，然后对目标之间的拓扑结构进行模糊匹配和搜索，找到最佳的关联拓扑组合。由于构造三角拓扑结构的过程具有很强的随机性，因此该方法在实际使用过程中效果欠佳，并且三角形的相似度计算方法与三角形的边长相关，因此算法受坐标系尺度影响，在不同尺度的坐标系之间不适用。吴泽民针对基本拓扑法存在的空间划分不均匀、算法经验性太强、对密集航迹场景不适应的缺点，提出了使用拓扑序列法进行航迹关联。拓扑序列法是指将邻居目标按照一定的顺序和表示方法进行排列，每个邻居目标对应向量中的一个元素，将所有的邻居目标组成的拓扑单元组成拓扑序列。拓扑序列法是一种将零散的拓扑结构有序组织起来的方法，因此在不同尺度下的坐标系中也不适用。

拓扑结构特征是从一种新的角度提出的多目标关联算法，该方法首先提出于雷达探测领域，用于解决系统偏差较大导致轨迹关联方法效果较差的问题。目前基于拓扑结构的关联算法相关研究仍存在一下问题：一是拓扑结构特征不能适应尺度不同的坐标系；二是依靠经验阈值来确定参考目标；三是现有的工作只关注局部拓扑结构，忽视了全局一致性。

发明内容

本发明的目的是提供一种基于三角拓扑结构的空地无人系统多目标关联方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于三角拓扑结构的空地无人系统多目标关联方法，包括：

构建三角拓扑结构；

分析所述三角拓扑结构的约束条件；

计算所述三角拓扑结构的相似性，获取三角结构相似度矩阵；

基于所述三角结构相似度矩阵获取拓扑结构关联结果；

基于相似不变性约束对所述拓扑结构关联结果进行优化，基于优化后的拓扑结构关联结果进行空地无人系统多目标关联。

可选地，构建所述三角拓扑结构的过程包括：

对无人机视觉中检测到的目标像素坐标以及UGV像素目标进行假设；

对所述UGV像素目标指向所述目标像素坐标的向量进行假设；

基于向量夹角计算方法表示所述目标像素坐标的方位角拓扑结构；

获取与所述方位角拓扑结构所对应的距离拓扑结构；

基于所述方位角拓扑结构与所述距离拓扑结构构建所述三角拓扑结构。

可选地，当所述UGV配置激光雷达传感器时，对所述激光雷达传感器检测到的多目标极坐标进行假设，基于所述多目标极坐标获取参考目标，基于所述参考目标直接获取方位角拓扑结构与距离拓扑结构。

可选地，获取所述三角拓扑结构的约束条件的过程包括：

对空中视角和地面视角的两种拓扑结构之间存在的相似变换关系进行表示；

基于所述相似变换关系获取所述三角拓扑结构的约束条件。

可选地，对空中视角和地面视角的两种拓扑结构之间存在的相似变换关系进行表示的方法如下式：

其中，(t_x,t_y)表示两个拓扑结构之间的平移关系，根据UGV的坐标确定，θ代表两个拓扑结构之间的旋转角，λ表示两个拓扑结构之间的尺度变换。

可选地，基于所述三角结构相似度矩阵获取拓扑结构关联结果的过程包括：

基于多目标关联算法对所述三角结构相似度矩阵进行处理，获取三角拓扑结构最优匹配结果；

获取所述三角拓扑结构最优匹配结果对应的关联集合，从所述关联集合中提取关联目标配对，并获取相似变换矩阵；

基于SVD方法或Ransac方法求解所述相似变换矩阵；

基于求解后的所述相似变换矩阵对所述三角拓扑结构最优匹配结果进行检验。

可选地，基于多目标关联算法对所述三角结构相似度矩阵进行处理的过程包括：

S1.构建备选集合，获取所述三角结构相似度矩阵中的最大值和最小值，将所述最大值加入所述备选集合；

S2.使所述最大值对应的三角结构作为空地结构的匹配起点，重新整理所述三角结构相似度矩阵；

S3.将包括所述最大值所在位置的右上角和左下角所有元素置为最小值减一；

S4.循环执行S1与S3，直至所述三角结构相似度矩阵中的所有元素小于等于所述最小值时，结束循环，将所述备选集合作为所述三角拓扑结构最优匹配结果。

本发明的技术效果为：

本发明提出了一种合适的拓扑结构构造方法以及拓扑结构关联算法，能够在多种目标数量条件下构建完整的拓扑结构；提出基于相似度矩阵的关联算法，能够使多目标关联结果在拓扑空间中的关联误差最小。并设计实验对方法进行测试。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的基于三角拓扑结构的多目标关联方法流程图；

图2为本发明实施例中的三角拓扑结构示意图；

图3为本发明实施例中的三角拓扑结构相似度矩阵图；

图4为本发明实施例中目标数量为5、20个时构建的三角拓扑结构；其中(a)为目标数量为5时构建的三角拓扑结构，(b)为目标数量为20时构建的三角拓扑结构；

图5为本发明实施例中三角拓扑关联算法在不同干扰目标下的目标关联结果；其中(a)为15个目标中存在5个干扰目标的情况下的目标关联结果；(b)为20个目标中存在5个干扰目标的情况下的目标关联结果；

图6为本发明实施例中的不同目标数量下关联准确率与不完全观测率的变化曲线；

图7为本发明实施例中的三角拓扑关联算法不同观测误差下的目标关联结果；其中(a)、(b)、(c)分别为在20个目标条件下，观测误差为2m、3m、4m时的目标关联结果；

图8为本发明实施例中的不同目标数量条件下关联准确率与观测误差的变化曲线。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1-8所示，本实施例中提供一种基于三角拓扑结构的空地无人系统多目标关联方法，方法总流程图如图1所示。

本发明提供一种三角拓扑结构的构造，构造过程如下：

如图2所示的三角拓扑结构的构造过程如下：假设在某一时刻，无人机视觉中检测到的M个目标的像素坐标为UGV的像素坐标为^aG_k。当选取/>作为参考目标时，/>指向的方向为0°。假设由^aG_k指向/>的向量可以表示为由无人车指向目标i和目标j的向量夹角计算方法为/>则目标/>的方位角拓扑结构可以表示为令/>得到与/>对应的距离拓扑结构/>根据目标的方位角拓扑结构和距离拓扑结构可以构造两个相邻目标与UGV组成的三角拓扑结构。

对于UGV配置激光雷达传感器的情况，假设在某一时刻，UGV激光雷达传感器中检测到的N个目标的坐标为其中/>以/>作为参考目标可以直接获得目标的方位角拓扑结构/>和距离拓扑结构

此时的单位为像素，/>的单位为米，二者具有不同的单位。根据三角形正弦定理可知，三角形的角与边的大小存在一一对应关系，为了使构造的三角拓扑结构可以直接用于匹配，本发明使用三角形的角构造三角拓扑结构。

如图2，将由组成的三角形记为/>将/>的/>记为/> 记为/> 记为/>同理，将由^gG_k、组成的三角形记为/>将/>的/>记为/> 记为/> 记为/>对于从UAV视觉图像中提取得到的目标像素坐标/>和UGV坐标^aG_k，构造产生无人机视角下的三角拓扑结构同理，构造出UGV激光雷达视角下的三角拓扑结构其中/>

三角拓扑结构存在两个约束条件，约束条件如下：

图2展示了激光雷达同时测量方位与距离的拓扑结构示意图。其中实线部分表示地面激光雷达检测目标，虚线部分表示由UAV视觉得到的目标位置分布关系。根据无人机视觉图像成像原理，无人机的视觉图像是地面障碍物的一种透视变换，因此空中视角和地面视角的两种拓扑结构之间存在一种相似变换关系。这种相似变换关系可以用式表示。(t_x,t_y)表示两个拓扑结构之间的平移关系，根据UGV的坐标^aG_k和^gG_k唯一确定，θ代表两个拓扑结构之间的旋转角，λ表示两个拓扑结构之间的尺度变换。

为了方便表达，将式简化表示为式。

因此其中一个约束条件可以描述为所有的关联目标满足同一个相似变换关系，即式。

其二约束条件为：根据三角拓扑的连续性，在三角拓扑结构匹配时，还应满足三角结构不交叉匹配，即两个相互匹配的三角拓扑在顺序上不能倒置。

本发明提供一种基于所述三角拓扑结构的目标关联方法，关联过程如下：

首先提出计算三角拓扑结构相似的方法；然后根据所述的空地视角下的目标三角拓扑结构，计算三角结构相似度矩阵；再使用所述的关联方法对相似度矩阵进行处理，获取拓扑结构关联结果；最后利用相似不变性约束优化关联结果。

三角拓扑的基本单位是三角形，匹配三角结构之前首先给出计算三角结构相似性的方法，对于任意三角拓扑 ^aΔGT和^gΔGT的相似度L＜^aΔGT,^gΔGT＞计算方法为。

确定式用于计算三角形相似度之后，和两个三角拓扑结构相似度矩阵L_M×N计算结果如图3所示。

利用算法1对L_M×N进行处理，获取三角拓扑结构最优匹配结果，考虑三角拓扑结构约束条件，匹配的三角结构需满足顺序匹配。无人机视角的三角拓扑结构与无人车视角的拓扑结构具有统一的相似变换关系，因此空地三角结构具有相似性，存在一个最优匹配结果。考虑UAV与UGV探测范围的局限性，存在由于遮挡等原因使UAV或UGV无法全部观测到某些目标的情况，认为L_M×N中可能存在一部分目标没有匹配对象。

假设{l_ij∈R}是最终得到的三角拓扑结构匹配集合，对应的关联集合为{GL₁,GL₂,…,GL_q}。从集合{GL₁,GL₂,…,GL_q}提取关联的目标配对同时结合UGV在空地两个坐标系下的坐标^aG_k、^gG_k，则可以求解式中/>中的λ、R和T。

式的作用是在一个包含许多对应点的集合中求解误差最小的相似变换矩阵。常用的求解变换矩阵的算法有奇异值分解SVD(Singularly Valuable Decomposition)和随即一致性采样Ransac(RANdom SAmple Consensus)两种，其中SVD方法可用于两个尺度一致的点云配准，SVD方法可以在两个点集中心化之后准确求解点集的旋转矩阵，但是该方法不能求得两个点集之间的尺度变换。Ransac为随机一致性算法，利用的主要思想为在一群包含外点的点集中，随机抽取计算变换关系的最少数量的点，计算变换矩阵，并通过多次迭代，保留最好的一个变换矩阵。该方法能够适应多种情况，尤其是在有大量外点干扰的情况下。但是由于算法采用的是随机抽点计算变换矩阵的方法，因此算法除了具有更多的计算量以外，还有一定概率不能收敛到最好结果。本文考虑由于地面障碍物的遮挡，存在部分没有关联目标的干扰点，因此本文选用Ransac方法。

对于式，由于^aG_k、^gG_k已知，且^aG_k、^gG_k满足式，因此可以求出T。

^gG_k＝^aG_k+T (3.7)

利用SVD或Ransac方法获取相似变换矩阵后，将/>转换到所在坐标系，构建统一的拓扑结构图和拓扑结构其中，/>越准确，/>与在拓扑结构上越接近。获取变换矩阵/>之后，使用/>检验关联结果中的异常值，提高关联精确率。

本发明涉及空地无人系统在协同搜索多目标过程中目标的关联技术，包括：

空中无人平台视觉探测模型，其中无人机视觉相机成像原理主要涉及坐标系转换。对于无人机而言，目标的像素坐标由目标的地理坐标通过外参和内参矩阵计算得到。其中，外参矩阵由无人机和云台的位姿信息计算得到，内参矩阵是相机的内部参数。根据目标的像素坐标和UGV的像素坐标，提出目标的相对位置关系。

地面无人平台激光雷达探测模型，无人车使用二维激光雷达探测目标，获取地面目标的二维位置分布。激光雷达使用极坐标系，激光雷达的位置位于极坐标系的极点，通过发射并接收激光束来探测目标相对无人车的距离和方位角。通过无人车激光雷达的扫描，获取地面各个目标之间的相对位置关系。

多目标关联问题描述，在某一时刻，无人机视觉图像和无人车雷达同时探测到多个目标，分别使用本发明包含的方法构造无人机和无人车探测目标的拓扑结构。设计拓扑结构关联算法用于获取给定两条拓扑序列的最优匹配状态。本发明工作即探索合适的拓扑结构构造方法和拓扑结构关联算法使关联结果在拓扑空间中的关联误差最小。

本发明提出了一个有严格数学定义的三角拓扑结构构造方法并对方法进行测试，三角拓扑构建实验如图4所示，图4包含了目标数量为5和20时分别构造的三角拓扑结构，三角拓扑的中心点为UGV。

本发明提出的三角拓扑关联算法在15个目标中存在5个干扰目标和20个目标中存在5个干扰目标的情况下的目标关联结果展示如图5，星点和圈点分别表示两个传感器探测到的目标集合，将坐标系统一到地面坐标系之后的结果如图5所示。

不完全观测率是指干扰目标在目标总数中的比重，图6展示了在不同目标数量下关联准确率与不完全观测率的变化曲线。在不完全观测率较小时，准确率保持较高趋势，基本保持100％。随着不完全观测率的增加，准确率均呈现下降趋势，在不完全观测率达到60％时，准确率下降到60％左右。

本发明提出的三角拓扑关联算法在20个目标条件下，观测误差为2m、3m、4m时的目标关联结果如图7所示，星点和圈点分别表示两个传感器探测到的目标集合，将坐标系统一到地面坐标系之后的结果如图7所示。

图8展示了不同目标数量条件下，关联准确率与观测误差的变化曲线。观测误差小于1.2m的情况下，关联准确率保持较高水平，随着观测误差的增加，目标数量较多的20个目标的召回率最先受到影响而逐渐下降。

为了本发明在实际使用中的关联效果，在室外试验场地搭建一个小型的实验环境，实验场景中包含6个目标，UAV使用视觉传感器探测目标，UGV使用激光雷达探测目标，所有目标实现了正确关联。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，包括以下步骤：

构建三角拓扑结构；

分析所述三角拓扑结构的约束条件；

计算所述三角拓扑结构的相似性，获取三角结构相似度矩阵；

基于所述三角结构相似度矩阵获取拓扑结构关联结果；

基于相似不变性约束对所述拓扑结构关联结果进行优化，基于优化后的拓扑结构关联结果进行空地无人系统多目标关联。

2.根据权利要求1所述的基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，构建所述三角拓扑结构的过程包括：

对无人机视觉中检测到的目标像素坐标以及UGV像素目标进行假设；

对所述UGV像素目标指向所述目标像素坐标的向量进行假设；

基于向量夹角计算方法表示所述目标像素坐标的方位角拓扑结构；

获取与所述方位角拓扑结构所对应的距离拓扑结构；

基于所述方位角拓扑结构与所述距离拓扑结构构建所述三角拓扑结构。

3.根据权利要求2所述的基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，当所述UGV配置激光雷达传感器时，对所述激光雷达传感器检测到的多目标极坐标进行假设，基于所述多目标极坐标获取参考目标，基于所述参考目标极坐标直接获取方位角拓扑结构与距离拓扑结构。

4.根据权利要求1所述的基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，获取所述三角拓扑结构的约束条件的过程包括：

对空中视角和地面视角的两种拓扑结构之间存在的相似变换关系进行表示；

基于所述相似变换关系获取所述三角拓扑结构的约束条件。

5.根据权利要求4所述的基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，对空中视角和地面视角的两种拓扑结构之间存在的相似变换关系进行表示的方法如下式：

其中，(t_x,t_y)表示两个拓扑结构之间的平移关系，根据UGV的坐标确定，θ代表两个拓扑结构之间的旋转角，λ表示两个拓扑结构之间的尺度变换。

6.根据权利要求1所述的基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，基于所述三角结构相似度矩阵获取拓扑结构关联结果的过程包括：

基于多目标关联算法对所述三角结构相似度矩阵进行处理，获取三角拓扑结构最优匹配结果；

获取所述三角拓扑结构最优匹配结果对应的关联集合，从所述关联集合中提取关联目标配对，并获取相似变换矩阵；

基于SVD方法或Ransac方法求解所述相似变换矩阵；

基于求解后的所述相似变换矩阵对所述三角拓扑结构最优匹配结果进行检验。

7.根据权利要求6所述的基于三角拓扑结构的空地无人系统多目标关联方法，其特征在于，基于多目标关联算法对所述三角结构相似度矩阵进行处理的过程包括：

S1.构建备选集合，获取所述三角结构相似度矩阵中的最大值和最小值，将所述最大值加入所述备选集合；

S2.使所述最大值对应的三角结构作为空地结构的匹配起点，重新整理所述三角结构相似度矩阵；

S3.将包括所述最大值所在位置的右上角和左下角所有元素置为最小值减一；

S4.循环执行S1与S3，直至所述三角结构相似度矩阵中的所有元素小于等于所述最小值时，结束循环，将所述备选集合作为所述三角拓扑结构最优匹配结果。