CN117433538A - 一种多源异构传感器航迹融合方法 - Google Patents
一种多源异构传感器航迹融合方法 Download PDFInfo
- Publication number
- CN117433538A CN117433538A CN202311593322.7A CN202311593322A CN117433538A CN 117433538 A CN117433538 A CN 117433538A CN 202311593322 A CN202311593322 A CN 202311593322A CN 117433538 A CN117433538 A CN 117433538A
- Authority
- CN
- China
- Prior art keywords
- target
- track
- time
- sensor
- probability density
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 4
- 238000010168 coupling process Methods 0.000 abstract description 4
- 238000005859 coupling reaction Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种多源异构传感器航迹融合方法,先根据多源异构传感器进行目标跟踪时的特点选定隐变量,然后根据隐变量的条件关系,利用变分贝叶斯方法建立隐变量的联合后验概率密度函数模型,再基于联合后验概率密度函数模型定义变量节点与因子节点,然后根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图,然后初始化目标存在状态置信和目标运动状态置信,最后根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理,获得多源异构传感器量测融合后的目标航迹。本发明方法能够有效解决目标跟踪、数据关联、航迹管理三个子问题之间的高度耦合问题。
Description
技术领域
本发明涉及信息融合技术领域,特别是涉及一种多源异构传感器航迹融合方法。
背景技术
多传感器信息融合技术指的是将来自多传感器或多源的信息和数据,在一定的准则下加以分析和综合,以完成所需要的决策和估计而进行的信息处理过程。复杂电磁环境具备电磁辐射源种类多,辐射强度差别大,信号分布密集,信号形式多样等特点,单一传感器在应对复杂电磁环境时能力不足的问题逐渐显露。多源异构传感器数据融合技术具备充分利用多传感器的互补性和冗余性将多源信息组合起来以最大限度地获取目标的可靠信息的特点,通过借助日益发展成熟的数据链技术,能够完成高质量的信息处理。
现有技术中的多源异构传感器数据融合技术大多都采用了目标跟踪,数据关联与航迹管理三个子问题开环序贯顺序估计框架。然而,目标跟踪,数据关联与航迹管理三个子问题高度耦合,任意一个子问题的估计精度不足都会严重降低其余子问题的精确度,进而导致融合时包括航迹连续率、航迹稳定跟踪率、平均距离均方根误差、数据关联正确率以及MOSPA距离等结果不佳。
发明内容
基于此,有必要针对上述技术问题,提供一种多源异构传感器航迹融合方法,能够有效解决目标跟踪、数据关联、航迹管理三个子问题之间的高度耦合问题,优化融合结果。
本发明提供了一种多源异构传感器航迹融合方法,包括以下步骤:
根据多源异构传感器进行目标跟踪时的特点选定隐变量,其中,隐变量包括全局隐变量与局部隐变量,全局隐变量包括目标存在状态和目标运动状态,局部隐变量为数据关联;
根据隐变量的条件关系,利用变分贝叶斯方法建立隐变量的联合后验概率密度函数模型;
基于联合后验概率密度函数模型定义变量节点与因子节点;
根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图;
初始化目标存在状态置信和目标运动状态置信;
根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理,获得多源异构传感器量测融合后的目标航迹。
在其中一个实施例中,全局隐变量与传感器无关,局部隐变量则与传感器有关。
在其中一个实施例中,隐变量的条件关系为:
在k时刻下,给定目标运动状态以及传感器的数据关联,不同传感器的航迹条件独立,传感器的数据关联与目标存在状态有关,给定传感器的数据关联,目标运动状态与目标存在状态条件独立,数据关联矩阵的先验概率在时序上符合一阶马尔可夫模型;
其中,数据关联满足两个约束:
任一传感器的每一条航迹至多来自同一个目标;
每一个目标在任一传感器中至多产生一条航迹。
在其中一个实施例中,联合后验概率密度函数模型为
其中,表示联合后验概率密度函数,V1:K表示1到K时刻所有目标存在状态集合,X1:K表示1到K时刻所有目标运动状态集合,A1:K表示1到K时刻所有数据关联集合,Y1:K表示1到K时刻所有航迹状态估计集合,/> 表示每一个目标在任一传感器中至多产生一条航迹,/> 表示任一传感器的每一条航迹至多来自同一个目标。
在其中一个实施例中,因子节点定义为: 其中,Yk表示为k时刻航迹状态估计集合,Xk表示为k时刻目标运动状态集合,Ak表示为k时刻数据关联集合,Xi,k表示为k时刻的目标运动状态集合,Xi,k-1表示为k-1时刻的目标运动状态集合,vi,k表示为k时刻目标存在状态,vi,k-1表示为k-1时刻目标存在状态,/>表示为k时刻传感器s的数据关联,/>表示为k-1时刻传感器s的数据关联,Vk表示为k时刻的目标存在状态集合,
变量节点集合为因子节点集合为/>f(·)表示(·)的因子节点。
在其中一个实施例中,根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图为将联合后验概率密度函数中的每个隐变量与因子图中的一个变量节点相关联,将定义在随机变量上的每个函数与因子图中的一个因子节点相关联,如果后者是前者的函数,则将变量节点与因子节点相连。
在其中一个实施例中,初始化目标运动状态置信通过局部航迹确认,初始化目标存在状态置信为初始目标存在概率。
在其中一个实施例中,根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理为循环迭代计算目标运动状态置信、目标存在状态置信和数据关联置信,直至连续两次迭代的置信小于设定阈值或达到最大迭代次数迭代结束。
在其中一个实施例中,设定阈值为10-6~10-3,最大迭代次数为2~4。
本发明的有益效果:本发明将多源异构传感器航迹融合问题的统计模型表示为联合概率密度函数,并将其建模为目标运动状态,目标存在状态和数据关联的贝叶斯估计问题,充分考虑了目标运动状态,目标存在状态和数据关联间的条件关系。将联合概率密度函数的因子化形式表示为因子图,并将其分解为置信传播区域和平均场近似区域,在因子图上运行结合置信传播与平均场近似的近似目标运动状态,目标存在状态和数据关联的后验概率密度函数,通过闭环迭代架构进行优化,即利用前一次迭代中的目标运动状态估计与目标存在状态估计来改善数据关联,能够提高数据关联的精度,然后用新的数据关联来优化目标运动状态估计与目标存在状态估计,能够提高目标跟踪和航迹管理的精度,最终有效解决目标跟踪、数据关联、航迹管理三个子问题之间的高度耦合问题,优化融合结果。
附图说明
图1是本发明实施例提供的多源异构传感器航迹融合方法的流程示意图之一;
图2为本发明实施例中提供的联合后验概率密度函数模型对应的因子图;
图3是本发明实施例中提供的雷达1跟踪下的目标航迹图;
图4是本发明实施例中提供的雷达2跟踪下的目标航迹图;
图5是本发明实施例中提供的红外传感器1跟踪下的目标航迹图;
图6是本发明实施例中提供的红外传感器2跟踪下的目标航迹图;
图7是本发明实施例中提供的地基雷达1跟踪下的目标航迹图;
图8是本发明实施例中提供的地基雷达2跟踪下的目标航迹图;
图9是本发明实施例中提供的多源异构传感器航迹融合方法获得的融合后的目标航迹。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在一个实施例中,如图1所示,图1是本发明实施例提供的多源异构传感器航迹融合方法的流程示意图之一,包括以下步骤:
S110、根据多源异构传感器进行目标跟踪时的特点选定隐变量,其中,隐变量包括全局隐变量与局部隐变量,全局隐变量包括目标存在状态和目标运动状态,局部隐变量为数据关联。
本实施例中,全局隐变量与传感器无关,局部隐变量则与传感器有关。
全局隐变量包括目标存在状态V1:K和目标运动状态X1:K,按一阶马尔科夫过程演化,局部隐变量为数据关联依事件相互独立。在k∈{1,2,…,K}时刻,目标跟踪场景中存在NT个目标,所有目标的联合运动状态为/>其中xi,k表示目标i的运动状态。目标i在时刻1到时刻K的运动状态序列为/>所有目标在在时刻1到时刻K的联合运动状态序列为/>在k时刻,令/>表示所有目标的存在状态,其中vi,k∈{0,1}为二值随机变量,如果vi,k=1表示目标存在,否则表示目标不存在。目标i在时刻1到时刻K的存在状态序列为/>所有目标在在时刻1到时刻K的联合存在状态序列为在k时刻,有S部传感器同时进行观测,每部传感器s∈{1,…,S}向融合中心上报个航迹,/>航迹状态为/>在k时刻传感器s的航迹状态估计集合为所有传感器的航迹状态估计集合为/>时刻1到时刻K的航迹状态估计集合为/>令/>表示k时刻的联合数据关联事件,其中,/>表示传感器s的局部航迹与目标的联合数据关联事件,如果/>表示传感器s的局部航迹j来源于目标i,/>则不是。时刻1到时刻K的数据关联集合为/>
S120、根据隐变量的条件关系,利用变分贝叶斯方法建立隐变量的联合后验概率密度函数模型。
其中,隐变量的条件关系为:
在k时刻下,给定目标运动状态以及传感器的数据关联,不同传感器的航迹条件独立,传感器的数据关联与目标存在状态有关,给定传感器的数据关联,目标运动状态与目标存在状态条件独立。
由于关联矩阵在某时刻的概率分布往往与前一时刻的概率分布有很大的关系,所以假设关联矩阵Ak的先验概率在时序上符合一阶马尔可夫模型:
其中,p(A1)为先验概率密度函数。
其中,数据关联满足两个约束:
任一传感器的每一条航迹至多来自同一个目标;
每一个目标在任一传感器中至多产生一条航迹。
在上述条件关系中,给定不同目标假设是独立的,因此全局隐变量Xk和Vk可以按照目标进行分解。不同传感器其量测是相互独立的,局部隐变量Ak可以根据传感器进行分解。联合隐变量可以表示为Θ1:K={V1:K,X1:K,A1:K},其联合后验概率密度函数模型为
其中,表示联合后验概率密度函数,V1:K表示1到K时刻所有目标存在状态集合,X1:K表示1到K时刻所有目标运动状态集合,A1:K表示1到K时刻所有数据关联集合,Y1:K表示1到K时刻所有航迹状态估计集合,/> 表示每一个目标在任一传感器中至多产生一条航迹,/> 表示任一传感器的每一条航迹至多来自同一个目标。
S130、基于联合后验概率密度函数模型定义变量节点与因子节点。
本实施例中,因子节点定义为: 其中,Yk表示为k时刻航迹状态估计集合,Xk表示为k时刻目标运动状态集合,Ak表示为k时刻数据关联集合,Xi,k表示为k时刻的目标运动状态集合,Xi,k-1表示为k-1时刻的目标运动状态集合,vi,k表示为k时刻目标存在状态,vi,k-1表示为k-1时刻目标存在状态,/>表示为k时刻传感器s的数据关联,/>表示为k-1时刻传感器s的数据关联,Vk表示为k时刻的目标存在状态集合,
变量节点集合为因子节点集合为/>f(·)表示(·)的因子节点。
S140、根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图。
具体的,根据变量节点与因子节点构建联合后验概率密度函数模型对应的因子图为将联合后验概率密度函数中的每个隐变量与因子图中的一个变量节点相关联,将定义在随机变量上的每个函数与因子图中的一个因子节点相关联,如果后者是前者的函数,则将变量节点与因子节点相连。联合后验概率密度函数模型对应的因子图如图2所示。
联合后验概率密度函数模型对应的因子图分为两个区域,分别是平均场(MF)近似区域和置信传播(BP)区域,BP用于估计目标存在状态,以获得相应后验概率密度函数的良好近似,同时也用于数据关联,MF近似用于估计目标运动状态。
将平均场近似区域和置信传播区域定义为:
对应的变量节点为:
S150、初始化目标存在状态置信和目标运动状态置信。
初始化目标运动状态置信通过局部航迹确认,初始化目标存在状态置信为初始目标存在概率。
S160、根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理,获得多源异构传感器量测融合后的目标航迹。
具体的,根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理为循环迭代计算目标运动状态置信、目标存在状态置信和数据关联置信,直至连续两次迭代的置信小于设定阈值或达到最大迭代次数迭代结束。
本实施例中,设定阈值为10-6~10-3,最大迭代次数为2~4。
其中,目标运动状态置信bX(X1:K)的计算为给定传入消息和局部航迹Y1:K,目标运动状态估计由无迹卡尔曼平滑器完成。k时刻目标i的目标运动状态置信bx(xi,k)可以计算为:
具体步骤如下:
步骤S1611、预测消息计算。通过初始化为高斯分布,预测消息可以计算为:
其中,是高斯分布,即/>因此,预测消息可以更新为:
其中,Fk为已知线性状态转移方程,Qi,k为对应已知噪声协方差。
步骤S1612、量测更新消息计算。量测更新消息为:
其中,计算如下:
其中,为/>的期望,H为观测矩阵,/>表示量测噪声的协方差。
步骤S1613、前向消息计算。前向消息为:
其中,和Pi,k|k可以通过无迹卡尔曼滤波计算。
步骤S1614、后向消息计算。后向传递消息从时刻K传递到时刻1,首先初始化/>然后时刻K-1到时刻1的消息为:
步骤S1615、置信计算。将与/>相乘,并使用非线性平滑器,可以得到置信:
其中,和Pi,k|K可以通过无迹非线性平滑器计算,/>表示k时刻的平滑目标运动状态估计的均值,Pi,k|K表示k时刻的平滑目标运动状态估计的方差,(·)|K表示平滑过程。
目标存在状态置信bV(V1:K)的计算为给定传入消息通过前向和后向算法对目标存在状态进行估计。置信bv(vi,k)可以计算为:
具体步骤如下:
步骤S1621、预测消息计算。时刻1初始化为伯努利分布,预测消息计算为:
其中,Tk=p(vi.k+1|vi.k)。
步骤S1622、量测更新消息计算。量测更新消息为:
其中,计算如下:
其中,表示在k时刻目标i没有在传感器s中产生量测时的数据关联消息。
步骤S1623、前向消息计算。前向消息计算为:
步骤S1624、后向消息计算。后向传递消息从时刻K传递到时刻1,对于所有vi,K,首先初始化/>然后时刻K-1到时刻1的消息为:
步骤S1625、置信计算。bv(vi,k)可以被认为是一个具有观测序列转移矩阵Tk和初始概率/>的隐性马尔可夫模型。可以采用前向-后向算法来估计置信,从而得到一个前向-后向平滑器。航迹管理可以通过将目标存在状态的置信与航迹确认和删除阈值进行比较来实现。
数据关联置信bA(A1:K)的计算为给定在第l-1次迭代计算出的置信和(初次计算时则使用目标运动状态和目标存在状态的初始化置信值,即和/>),通过循环BP求解/>k时刻的数据关联置信bA(Ak)可以计算为:
具体步骤如下:
步骤S1631、计算置信方式如下:
其中,H为观测矩阵,Rk表示量测噪声的协方差,E[·]代表期望计算公式。
步骤S1632、计算置信方式如下:
其中,Pd(vi,k)表示给定目标存在状态vi,k的目标检测概率,/>表示目标没有产生航迹时的数据关联事件。
步骤S1633、计算置信方式如下:
其中,
步骤S1634、计算置信方式如下:
其中,
步骤S1635、计算置信方式如下:
其中,
在一个具体的实施例中,对图3至图8各种不同传感器(多源异构传感器)检测到的目标航迹进行融合,Trk-n指的是第n条航迹。
本实施例中,设定仿真场景为:一架向正北飞行中的载机平台上装载了一部雷达和红外传感器,联合另一架搭载同样类型传感器各一部友机以及两部地基雷达,共同对区域内出现的八个目标进行航迹跟踪融合。
融合过程中的具体参数如下。设定载机初始位置(纬度、经度)、航向、航速和姿态角(偏航、俯仰、横滚),多目标在地心坐标系下的真实起始位置、速度和加速度,以及各个传感器的种类信息。配置信息如表1至表4所示。
表1仿真参数表
表2目标参数表
表3传感器参数表
表4传感器种类信息
本实施例中,本实施例中设定多源异构传感器航迹融合方法中的参数初始值如表5所示。
表5算法参数表
最终获得如图9所示的融合后的目标航迹,其中黑色线段为目标的真实航迹,灰色线段为获得的融合航迹,融合后的航迹连续且平滑,与真实航迹的匹配度较高。此外在多传感器探测具有重叠和非重叠区域的场景下,对航迹连续率具有较好的提升(见表6)。为了进一步验证本发明的有效性,与多假设跟踪方法(MHT)进行了对比,评价指标采用航迹稳定跟踪率、平均距离均方根误差、MOSPA(平均最优子模式分配)、数据关联正确率和处理效率(见表7)。
表6航迹连续率对比表
由表6可知,对于局部航迹存在起始延迟或者提前终止的情况,融合航迹能够很好地提升航迹连续率,在多传感器探测具有重叠和非重叠区域下,航迹连续率较单一传感器局部航迹提升≥20%。
表7性能指标对比表
由表7可知,本发明的多源异构传感器航迹融合方法相对于多假设跟踪方法具备更高的航迹稳定跟踪率;在平均距离均方根误差这一指标上,本发明的多源异构传感器航迹融合方法误差更小,跟踪精度更高;相对于传统多假设跟踪方法也具备更加良好的MOSPA距离指标;另外,本发明的多源异构传感器航迹融合方法具有更高的处理效率,运行所需时间更少。
综上分析可得,本发明的方法能够优化融合时包括航迹连续率、航迹稳定跟踪率、平均距离均方根误差、数据关联正确率以及MOSPA距离等结果,有效解决目标跟踪、数据关联、航迹管理三个子问题之间的高度耦合问题。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (9)
1.一种多源异构传感器航迹融合方法,其特征在于,包括以下步骤:
根据多源异构传感器进行目标跟踪时的特点选定隐变量,其中,所述隐变量包括全局隐变量与局部隐变量,全局隐变量包括目标存在状态和目标运动状态,局部隐变量为数据关联;
根据所述隐变量的条件关系,利用变分贝叶斯方法建立隐变量的联合后验概率密度函数模型;
基于联合后验概率密度函数模型定义变量节点与因子节点;
根据变量节点与因子节点构建所述联合后验概率密度函数模型对应的因子图;
初始化目标存在状态置信和目标运动状态置信;
根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理,获得多源异构传感器量测融合后的目标航迹。
2.根据权利要求1所述的多源异构传感器航迹融合方法,其特征在于,所述全局隐变量与传感器无关,局部隐变量则与传感器有关。
3.根据权利要求2所述的多源异构传感器航迹融合方法,其特征在于,所述隐变量的条件关系为:
在k时刻下,给定目标运动状态以及传感器的数据关联,不同传感器的航迹条件独立,传感器的数据关联与目标存在状态有关,给定传感器的数据关联,目标运动状态与目标存在状态条件独立,数据关联矩阵的先验概率在时序上符合一阶马尔可夫模型;
其中,数据关联满足两个约束:
任一传感器的每一条航迹至多来自同一个目标;
每一个目标在任一传感器中至多产生一条航迹。
4.根据权利要求3所述的多源异构传感器航迹融合方法,其特征在于,所述联合后验概率密度函数模型为
其中,表示联合后验概率密度函数,V1:K表示1到K时刻所有目标存在状态集合,X1:K表示1到K时刻所有目标运动状态集合,A1:K表示1到K时刻所有数据关联集合,Y1:K表示1到K时刻所有航迹状态估计集合,/> 表示每一个目标在任一传感器中至多产生一条航迹,/> 表示任一传感器的每一条航迹至多来自同一个目标。
5.根据权利要求4所述的多源异构传感器航迹融合方法,其特征在于,因子节点定义为: 其中,Yk表示为k时刻航迹状态估计集合,Xk表示为k时刻目标运动状态集合,Ak表示为k时刻数据关联集合,Xi,k表示为k时刻的目标运动状态集合,Xi,k-1表示为k-1时刻的目标运动状态集合,vi,k表示为k时刻目标存在状态,vi,k-1表示为k-1时刻目标存在状态,/>表示为k时刻传感器s的数据关联,/>表示为k-1时刻传感器s的数据关联,Vk表示为k时刻的目标存在状态集合,
变量节点集合为因子节点集合为/>其中,f(·)表示(·)的因子节点。
6.根据权利要求5所述的多源异构传感器航迹融合方法,其特征在于,根据变量节点与因子节点构建所述联合后验概率密度函数模型对应的因子图为将联合后验概率密度函数中的每个隐变量与因子图中的一个变量节点相关联,将定义在随机变量上的每个函数与因子图中的一个因子节点相关联,如果后者是前者的函数,则将变量节点与因子节点相连。
7.根据权利要求6所述的多源异构传感器航迹融合方法,其特征在于,初始化目标运动状态置信通过局部航迹确认,初始化目标存在状态置信为初始目标存在概率。
8.根据权利要求7所述的多源异构传感器航迹融合方法,其特征在于,根据联合后验概率密度函数模型采用滑窗批处理机制对当前时刻之前的K个时刻的传感器量测进行联合处理为循环迭代计算目标运动状态置信、目标存在状态置信和数据关联置信,直至连续两次迭代的置信小于设定阈值或达到最大迭代次数迭代结束。
9.根据权利要求8所述的多源异构传感器航迹融合方法,其特征在于,所述设定阈值为10-6~10-3,最大迭代次数为2~4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311593322.7A CN117433538A (zh) | 2023-11-27 | 2023-11-27 | 一种多源异构传感器航迹融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311593322.7A CN117433538A (zh) | 2023-11-27 | 2023-11-27 | 一种多源异构传感器航迹融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117433538A true CN117433538A (zh) | 2024-01-23 |
Family
ID=89546133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311593322.7A Pending CN117433538A (zh) | 2023-11-27 | 2023-11-27 | 一种多源异构传感器航迹融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117433538A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870696A (zh) * | 2024-03-13 | 2024-04-12 | 之江实验室 | 一种基于感知信息融合的路径导航方法、装置及电子设备 |
-
2023
- 2023-11-27 CN CN202311593322.7A patent/CN117433538A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117870696A (zh) * | 2024-03-13 | 2024-04-12 | 之江实验室 | 一种基于感知信息融合的路径导航方法、装置及电子设备 |
CN117870696B (zh) * | 2024-03-13 | 2024-05-24 | 之江实验室 | 一种基于感知信息融合的路径导航方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Musicki et al. | Tracking in clutter using IMM-IPDA-based algorithms | |
CN112946624B (zh) | 一种基于航迹管理方法的多目标跟踪方法 | |
Kim | Development of track to track fusion algorithms | |
US7026979B2 (en) | Method and apparatus for joint kinematic and feature tracking using probabilistic argumentation | |
Campbell et al. | Distributed data fusion: Neighbors, rumors, and the art of collective knowledge | |
Lan et al. | An EM algorithm for multipath state estimation in OTHR target tracking | |
Vu et al. | A particle marginal Metropolis-Hastings multi-target tracker | |
CN108344981B (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
CN117433538A (zh) | 一种多源异构传感器航迹融合方法 | |
Lan et al. | Joint target detection and tracking in multipath environment: A variational Bayesian approach | |
Vo et al. | Multi-Bernoulli filtering with unknown clutter intensity and sensor field-of-view | |
Nagappa et al. | A tractable forward–backward CPHD smoother | |
Memon et al. | Modified smoothing data association for target tracking in clutter | |
Memon et al. | Detection and tracking of the trajectories of dynamic UAVs in restricted and cluttered environment | |
Li et al. | From target tracking to targeting track: A data-driven yet analytical approach to joint target detection and tracking | |
CN116630370A (zh) | 多模型pbp-tpmb机动扩展目标跟踪方法 | |
Pulford et al. | An expectation-maximisation tracker for multiple observations of a single target in clutter | |
Shi et al. | Distributed fusion in harsh environments using multiple bearings-only sensors with out-of-sequence-refined measurements | |
Li et al. | A track-oriented approach to target tracking with random finite set observations | |
CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
Ulmschneider et al. | Cooperative Estimation of Maps of Physical and Virtual Radio Transmitters | |
Nygårds et al. | Decentralized tracking in sensor networks with varying coverage | |
Fatima et al. | Multiple passive-sensor distributed target tracking approach with Machine Learning Feedback | |
CN107590509B (zh) | 基于最大期望近似的切尔诺夫融合方法 | |
Yang | Review of Target Tracking Algorithms Based on Bayes Filtering |
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 |