JP2019158838A - Estimating arithmetic unit and estimating arithmetic program - Google Patents
Estimating arithmetic unit and estimating arithmetic program Download PDFInfo
- Publication number
- JP2019158838A JP2019158838A JP2018049941A JP2018049941A JP2019158838A JP 2019158838 A JP2019158838 A JP 2019158838A JP 2018049941 A JP2018049941 A JP 2018049941A JP 2018049941 A JP2018049941 A JP 2018049941A JP 2019158838 A JP2019158838 A JP 2019158838A
- Authority
- JP
- Japan
- Prior art keywords
- filter processing
- kalman filter
- processing unit
- target
- estimated
- 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
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
Description
本発明の実施形態は、推定演算装置および推定演算プログラムに関する。 Embodiments described herein relate generally to an estimation calculation device and an estimation calculation program.
移動している目標物をレーダ等によって観測し、予測フィルタにより目標物の未来位置を予測する技術が開示されている。 A technique for observing a moving target with a radar or the like and predicting a future position of the target with a prediction filter is disclosed.
従来の技術では、フィルタの推定精度によっては一定の推定精度を満たさない可能性があることから、複数の予測フィルタのうちどの予測フィルタを用いるかを慎重に選択する必要があり、処理負荷が大きくなる場合があった。また、目標物が旋回や直進を繰り返す場合、目標物の速度推定の精度向上のために、多数の観測ポイントのデータが必要になる場合があった。 In the conventional technology, depending on the estimation accuracy of the filter, there is a possibility that a certain estimation accuracy may not be satisfied. There was a case. In addition, when the target repeatedly turns and goes straight, data of a large number of observation points may be necessary to improve the accuracy of speed estimation of the target.
本発明が解決しようとする課題は、精度を維持しつつ処理負荷を軽減することができる推定演算装置および推定演算プログラムを提供することである。 The problem to be solved by the present invention is to provide an estimation calculation device and an estimation calculation program capable of reducing processing load while maintaining accuracy.
実施形態の推定演算装置は、α‐βフィルタ処理部と、カルマンフィルタ処理部と、拡張カルマンフィルタ処理部と、第1選択部とを持つ。α‐βフィルタ処理部は、レーダ装置から取得した目標物の観測データに対して、α‐βフィルタを行って目標物の推定位置座標、推定速度、および旋回半径を導出する。カルマンフィルタ処理部は、レーダ装置から取得した観測データに対して、カルマンフィルタ処理を行って目標物の推定位置座標、および推定速度を導出する。拡張カルマンフィルタ処理部は、レーダ装置から取得した観測データに対して、拡張カルマンフィルタ処理を行って目標物の推定位置座標、および推定速度を導出する。第1選択部は、α‐βフィルタ処理部が導出した旋回半径が閾値より大きい場合、カルマンフィルタ処理部にカルマンフィルタ処理を行わせ、α‐βフィルタ処理部が導出した旋回半径が閾値より小さい場合、拡張カルマンフィルタ処理部に拡張カルマンフィルタ処理を行わせる。 The estimation calculation device according to the embodiment includes an α-β filter processing unit, a Kalman filter processing unit, an extended Kalman filter processing unit, and a first selection unit. The α-β filter processing unit performs an α-β filter on the observation data of the target acquired from the radar device to derive the estimated position coordinates, the estimated speed, and the turning radius of the target. The Kalman filter processing unit performs Kalman filter processing on the observation data acquired from the radar apparatus to derive the estimated position coordinates and estimated speed of the target. The extended Kalman filter processing unit performs an extended Kalman filter process on the observation data acquired from the radar device to derive the estimated position coordinates and the estimated speed of the target. When the turning radius derived by the α-β filter processing unit is larger than the threshold, the first selection unit causes the Kalman filter processing unit to perform Kalman filtering, and when the turning radius derived by the α-β filter processing unit is smaller than the threshold, The extended Kalman filter processing unit is caused to perform extended Kalman filter processing.
以下、実施形態の推定演算装置および推定演算プログラムを、図面を参照して説明する。 Hereinafter, an estimation calculation device and an estimation calculation program according to embodiments will be described with reference to the drawings.
図1は、本実施形態の推定演算装置100の機能構成を示す図である。推定演算装置100は、例えば、取得部110と、α‐βフィルタ処理部120と、第1選択部130と、カルマンフィルタ処理部140と、拡張カルマンフィルタ処理部150と、第2選択部160とを持つ。これらの構成要素は、例えば、CPUなどのハードウェアプロセッサがプログラム(ソフトウェア)を実行することにより実現される。また、これらの構成要素のうち一部または全部は、LSI(Large Scale Integration)やASIC(Application Specific Integrated Circuit)、FPGA(Field-Programmable Gate Array)、GPU(Graphics Processing Unit)などのハードウェア(回路部;circuitryを含む)によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。
FIG. 1 is a diagram illustrating a functional configuration of the estimation
α‐βフィルタ処理部120は、α‐βフィルタを行って目標物OBの推定位置座標、推定速度、および旋回半径Rを導出する。目標物OBとは、例えば、主に直線軌道や旋回軌道で飛翔する飛翔体である。カルマンフィルタ処理部140は、レーダ装置から取得した観測データに対して、目標物OBが直線軌道で移動することを前提としたカルマンフィルタ処理を行って目標物OBの推定位置座標、および推定速度を導出する。拡張カルマンフィルタ処理部150は、レーダ装置から取得した観測データに対して、目標物OBが旋回軌道で移動することを前提とした拡張カルマンフィルタ処理を行って目標物OBの推定位置座標、および推定速度を導出する。
The α-β
推定演算装置100は、目標物OBを観測するレーダ装置200からの観測データに基づいて、目標物OBの推定速度、および推定位置座標を導出し、導出結果を表示装置300に出力する。
The
取得部110は、レーダ装置200から観測データを取得し、α‐βフィルタ処理部120に出力する。α‐βフィルタ処理部120は、所定の動作間隔で、観測データのうち、少なくとも任意の3つの時点の観測データに対してα‐βフィルタ処理を行って、目標物OBの推定位置座標、推定速度、および旋回半径Rを導出する。α‐βフィルタ処理部120は、フィルタ処理結果を第1選択部130と、第2選択部160に出力する。
The
第1選択部130は、α‐βフィルタ処理部120から入力された旋回半径Rに基づいて、カルマンフィルタ処理部140または拡張カルマンフィルタ処理部150のいずれかに、レーダ装置200からの観測データを出力して処理させる。より具体的には、第1選択部130は、α‐βフィルタ処理部120が導出した旋回半径Rが閾値以上である場合、カルマンフィルタ処理部140にカルマンフィルタ処理を行わせ、α‐βフィルタ処理部120が導出した旋回半径Rが閾値未満である場合、拡張カルマンフィルタ処理部150に拡張カルマンフィルタ処理を行わせる。このように、第1選択部130は、旋回半径Rに基づいて目標物OBの推定位置座標および推定速度を導出する処理部を切り替える。
The
カルマンフィルタ処理部140は、レーダ装置200からの観測データに対して直進モデルのカルマンフィルタ処理を実行し、目標物OBの推定位置座標、および推定速度を導出する。
The Kalman
拡張カルマンフィルタ処理部150は、レーダ装置200からの観測データに対して旋回モデルの拡張カルマンフィルタ処理を実行し、目標物OBの推定位置座標、および推定速度を導出する。
The extended Kalman
第2選択部160は、α‐βフィルタ処理部120、カルマンフィルタ処理部140、拡張カルマンフィルタ処理部150のいずれか1つの導出結果、または組合せを、推定演算装置100の推定演算結果として表示装置300に出力する。
The
以下、カルマンフィルタ処理部140および拡張カルマンフィルタ処理部150が行う処理の原理について簡単に説明する。
Hereinafter, the principle of processing performed by the Kalman
カルマンフィルタ処理部140は、目標物OBの動きを直進モデルに当てはめ、目標物OBの推定位置座標、および推定速度を導出する。カルマンフィルタ処理部140の備える状態空間モデルは、下記の式(1)および式(2)によって示される。
The Kalman
ここで、x(k)は観測時刻tkにおける目標物OBの状態ベクトル、AとBはそれぞれ観測時刻tk1からtk+1における遷移行列と駆動行列、u(k)は観測時刻tkにおける目標物OBの制御入力ベクトル、v(k)は観測時刻tkにおける平均0、且つ、共分散行列Q(k)の正規分布に従うシステム雑音ベクトル、y(k)は観測時刻tkにおける観測ベクトル、Cは観測時刻tk1からtk+1における観測行列、w(k)は、観測時刻tkにおける平均0であって、共分散行列R(k)の正規分布に従う観測雑音ベクトルである。 Here, x (k) is the state vector of the target OB at the observation time t k , A and B are the transition matrix and drive matrix from the observation time t k1 to t k + 1 , and u (k) is the target at the observation time t k . Control input vector of the object OB, v (k) is a mean 0 at the observation time t k and a system noise vector according to the normal distribution of the covariance matrix Q (k), y (k) is an observation vector at the observation time t k , C is the observation matrix at t k + 1 from the measurement time t k1, w (k) is the average a 0 at the measurement time t k, is the observation noise vector follows a normal distribution of the covariance matrix R (k).
カルマンフィルタ処理部140は、式(3)、(4)で表される予測ステップと、式(5)〜(7)で表される更新ステップとを交互に行うことで状態推定値を算出する。
The Kalman
なお、式(3)では、観測時刻tkにおける事前状態推定値を算出し、式(4)では、観測時刻tkにおける事前誤差共分散行列を算出する。 In Equation (3) calculates the pre-state estimation value at the measurement time t k, the formula (4), calculates the advance error covariance matrix at the measurement time t k.
なお、式(5)では、カルマンゲイン行列を算出し、式(6)では、状態推定値を算出し、式(7)では、事後誤差共分散行列を算出する。 In Equation (5), a Kalman gain matrix is calculated, in Equation (6), a state estimation value is calculated, and in Equation (7), a posterior error covariance matrix is calculated.
カルマンフィルタ処理部140では、状態推定値の精度を表す誤差共分散行列(P(k))によって、得られた状態推定値がどの程度の信頼性を持つかを定量的に判断することができる。
The Kalman
拡張カルマンフィルタ処理部150は、目標物OBの動きを旋回モデルに当てはめ、目標物OBの推定位置座標、および推定速度を導出する。拡張カルマンフィルタ処理部150の備える状態空間モデルは、下記の式(8)および式(9)によって示される。
The extended Kalman
ここで、f(x(k),u(k))はx(k)およびu(k)の非線形関数であり、h(x(k))はx(k)の非線形関数である。 Here, f (x (k), u (k)) is a nonlinear function of x (k) and u (k), and h (x (k)) is a nonlinear function of x (k).
拡張カルマンフィルタ処理部150は、下記の時間更新式を用いる、式(10)〜(13)で表される予測ステップと、式(14)〜(16)で表される更新ステップとを交互に行うことで状態推定値を算出する。
The extended Kalman
なお、式(10)では、事前状態推定値を算出し、式(11)および式(12)では、線形近似を行い、式(13)では、事前誤差共分散行列を算出する。 In Equation (10), a prior state estimated value is calculated, in Equations (11) and (12), linear approximation is performed, and in Equation (13), a prior error covariance matrix is calculated.
なお、式(14)では、カルマンゲイン行列を算出し、式(15)では、状態推定値を算出し、式(16)では、事後誤差共分散行列を算出する。 In Equation (14), a Kalman gain matrix is calculated, in Equation (15), a state estimation value is calculated, and in Equation (16), a posterior error covariance matrix is calculated.
拡張カルマンフィルタ処理部150は、カルマンフィルタ処理部140と同様に、状態推定値の精度を表す誤差共分散行列(P(k))によって、得られた状態推定値がどの程度の信頼性を持つかを定量的に判断することができる。
Like the Kalman
以下、図2を用いて、α‐βフィルタ処理部120の目標物OBの旋回半径Rの導出例について説明する。図2は、目標物OBの軌跡の一例を示す図である。図2のp(i)、p(i−1)、およびp(i−2)はレーダ装置200から出力された目標物OBの連続した3つの観測ポイントの位置座標を示す。なお、p(i)は、時刻t(i)における3次元の位置座標を示しており、例えば、p(i)=(xt(i)、yt(i)、zt(i))のように示すことができる。α‐βフィルタ処理部120は、3つの観測ポイントp(i)、p(i−1)、およびp(i−2)から、例えば、式(17)に基づいて、目標物OBの旋回半径Rおよび、目標物OBの旋回円(球)の中心点Cを導出する。式中の||・||は行列のユークリッドノルム、det(a,b)はベクトルaおよびbの外積を表す。
Hereinafter, a derivation example of the turning radius R of the target OB of the α-β
α‐βフィルタ処理部120は、導出した目標物OBの旋回半径Rを第1選択部130に出力する。
The α-β
第1選択部130は、α‐βフィルタ処理部120が導出した目標物OBの旋回半径Rに基づいて、目標物OBの運動状態を検出して、目標物OBが旋回状態であるか、直進状態であるかを判定する。第1選択部130は、例えば、α‐βフィルタ処理部120の導出した目標物OBの旋回半径Rが予め設定された閾値以上である場合には、目標物OBの運動状態が直進状態であると判定し、カルマンフィルタ処理部140に、レーダ装置200からの観測データを出力する。また、第1選択部130は、例えば、α‐βフィルタ処理部120の導出した、目標物OBの旋回半径Rが閾値未満である場合には、目標物OBの運動状態が旋回状態であると判定し、拡張カルマンフィルタ処理部150に、レーダ装置200からの観測データを出力する。
The
以下、図3を用いて、第1選択部130の選択処理および、第2選択部160の計算処理について説明する。図3は、第1選択部130によって行われる、選択処理の一例を示すタイミングチャートである。
Hereinafter, the selection process of the
図3(a)は、目標物OBの運動状態の変化の一例を示す。図3(a)は、例えば、α‐βフィルタ処理部120の導出した目標物OBの旋回半径Rに基づいて、第1選択部130によって、目標物OBの運動状態が、時間t0〜t1までは直進状態であり、時間t1〜t3までは旋回状態であり、時間t3〜t5までは再度直進状態であると判定されたことを示す。なお、推定演算装置100による目標物OBの速度推定計算処理は、時間t0以前から行われているものとする。
FIG. 3A shows an example of a change in the motion state of the target OB. In FIG. 3A, for example, based on the turning radius R of the target OB derived by the α-β
図3(b)は、カルマンフィルタ処理部140がカルマンフィルタ処理を行うタイミングを示す。また、図3(c)は、拡張カルマンフィルタ処理部150が拡張カルマンフィルタ処理を行うタイミングを示す。また、図3(d)はα‐βフィルタ処理部120がα‐βフィルタ処理を継続的に行っていることを示す。図3(b)〜(d)に示すように、α‐βフィルタ処理部120は常時フィルタ処理を行っており、カルマンフィルタ処理部140および、拡張カルマンフィルタ処理部150は、いずれか一方のみがフィルタ処理を行う。
FIG. 3B shows the timing at which the Kalman
図3(e)は、第2選択部160が、推定演算装置100の推定演算結果として表示装置300に出力する導出結果が、α‐βフィルタ処理部120、カルマンフィルタ処理部140、および拡張カルマンフィルタ処理部150のいずれであるかを示す。図3(e)は、例えば、時間t0〜t1まではカルマンフィルタ処理部140のカルマンフィルタ処理結果を、時間t1〜t2まで、および時間t3〜t4まではα‐βフィルタ処理部120のα‐βフィルタ処理結果を、時間t4〜t5までは拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理結果を用いることを示す。
FIG. 3E shows that the derivation result output from the
以下、より詳細な、第2選択部160の選択処理内容について説明する。第1選択部130は、時間t0より前の時点で、α‐βフィルタ処理部120のα‐βフィルタ処理結果に基づいて、目標物OBの運動状態が直進状態であると判定する。したがって、第2選択部160は、時間t0〜t1の間、カルマンフィルタ処理部140のカルマンフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。
Hereinafter, the details of the selection process of the
第2選択部160は、時間t1の時点で、α‐βフィルタ処理部120のα‐βフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。このとき、第1選択部130は、α‐βフィルタ処理部120の導出したα‐βフィルタ処理結果である旋回半径R、および対象物OBの速度Vt1、状態ベクトルx(k)、システム雑音ベクトルv(k)を拡張カルマンフィルタ処理部150に出力する。第2選択部160は、拡張カルマンフィルタ処理部150から十分に高い精度の拡張カルマンフィルタ処理結果が取得できるまで(時間t1〜t2)、α‐βフィルタ処理部120のα‐βフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。
The
なぜならば、拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理は、処理結果が収束するまで一定時間を要するためである。したがって、第2選択部160は、拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理結果が収束した後(時間t2〜t3)は、拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理結果が収束したか否かは、例えば、拡張カルマンフィルタ処理部150が拡張カルマンフィルタ処理結果をモニタリングして、収束したか否かを判定してもよいし、拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理の開始から、所定のフィルタリング収束期間が経過した場合に拡張カルマンフィルタ処理結果が収束したと判定してもよい。
This is because the extended Kalman filter processing of the extended Kalman
同様に、第2選択部160は、時間t3の時点で、α‐βフィルタ処理部120のα‐βフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。このとき、第1選択部130は、α‐βフィルタ処理部120の導出したα‐βフィルタ処理結果である状態ベクトルx(k)、システム雑音ベクトルv(k)をカルマンフィルタ処理部140に出力する。第2選択部160は、カルマンフィルタ処理部140から十分に高い精度のカルマンフィルタ処理結果が取得できるまで(時間t3〜t4)、α‐βフィルタ処理部120のα‐βフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。
Similarly, the
カルマンフィルタ処理部140のフィルタリング処理は、拡張カルマンフィルタ処理部150の拡張カルマンフィルタ処理と同様に、一定時間を要する。また、第2選択部160は、カルマンフィルタ処理部140のカルマンフィルタ処理結果が収束した時間t4以降、カルマンフィルタ処理部140のカルマンフィルタ処理結果に基づいて、目標物OBの推定位置座標、および推定速度を導出し、表示装置300に出力する。カルマンフィルタ処理部140のカルマンフィルタ処理結果が収束したか否かは、例えば、カルマンフィルタ処理部140がカルマンフィルタ処理結果をモニタリングして、収束したか否かを判定してもよいし、カルマンフィルタ処理部140のカルマンフィルタ処理の開始から、所定のフィルタリング収束期間が経過した場合にカルマンフィルタ処理結果が収束したと判定してもよい。
The filtering process of the Kalman
以上、本実施形態の推定演算装置100は、レーダ装置200から出力された少なくとも3点以上の観測データから、α‐βフィルタ処理部120によって幾何的に旋回半径Rを導出することによって、旋回半径Rの推定誤差の低減させることができる。また、本実施形態の第1選択部130によって、導出された旋回半径Rに基づいて、カルマンフィルタ処理部140、および拡張カルマンフィルタ処理部150のどちらでフィルタ処理を行うかの切替処理を行うことで、目標物OBが直進している場合であっても、旋回している場合であっても速度推定計算の精度を向上させることができる。また、本実施形態の推定演算装置100は、少なくとも3点以上の観測データからα‐βフィルタ処理部120による旋回半径Rが導出できることから、第1選択部130による選択処理に伴うフィルタ切替に要する時間を最低限の時間に抑えることができる。
As described above, the
以上説明した少なくともひとつの実施形態によれば、レーダ装置から取得した目標物の観測データに対して、α‐βフィルタを行って目標物の推定位置座標、推定速度、および旋回半径Rを導出するα‐βフィルタ処理部120と、レーダ装置から取得した観測データに対して、カルマンフィルタ処理を行って目標物の推定位置座標、および推定速度を導出するカルマンフィルタ処理部140と、レーダ装置から取得した観測データに対して、拡張カルマンフィルタ処理を行って目標物の推定位置座標、および推定速度を導出する拡張カルマンフィルタ処理部150と、α‐βフィルタ処理部120が導出した旋回半径Rが閾値より大きい場合、カルマンフィルタ処理部140にカルマンフィルタ処理を行わせ、α‐βフィルタ処理部120が導出した旋回半径Rが閾値より小さい場合、拡張カルマンフィルタ処理部150に拡張カルマンフィルタ処理を行わせる、第1選択部130とを備えることにより、速度推定の精度を維持しつつ処理負荷を軽減することができる。
According to at least one embodiment described above, the estimated position coordinates, estimated speed, and turning radius R of the target are derived by performing an α-β filter on the observation data of the target acquired from the radar apparatus. α-β
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。 Although several embodiments of the present invention have been described, these embodiments are presented by way of example and are not intended to limit the scope of the invention. These embodiments can be implemented in various other forms, and various omissions, replacements, and changes can be made without departing from the spirit of the invention. These embodiments and their modifications are included in the scope and gist of the invention, and are also included in the invention described in the claims and the equivalents thereof.
100…推定演算装置、110…取得部、120…α‐βフィルタ処理部、130…第1選択部、140…カルマンフィルタ処理部、150…拡張カルマンフィルタ処理部、160…第2選択部、200…レーダ装置、300…表示装置、OB…目標物、R…旋回半径
DESCRIPTION OF
Claims (4)
レーダ装置から取得した観測データに対して、カルマンフィルタ処理を行って前記目標物の推定位置座標、および推定速度を導出するカルマンフィルタ処理部と、
レーダ装置から取得した観測データに対して、拡張カルマンフィルタ処理を行って前記目標物の推定位置座標、および推定速度を導出する拡張カルマンフィルタ処理部と、
前記α‐βフィルタ処理部が導出した前記旋回半径が閾値より大きい場合、前記カルマンフィルタ処理部に前記カルマンフィルタ処理を行わせ、前記α‐βフィルタ処理部が導出した前記旋回半径が閾値より小さい場合、前記拡張カルマンフィルタ処理部に前記拡張カルマンフィルタ処理を行わせる、第1選択部と、
を備える推定演算装置。 An α-β filter processing unit for deriving an estimated position coordinate, estimated speed, and turning radius of the target by performing an α-β filter on the observation data of the target acquired from the radar device;
A Kalman filter processing unit that performs Kalman filter processing on the observation data acquired from the radar device to derive the estimated position coordinates of the target and an estimated velocity;
An extended Kalman filter processing unit for deriving the estimated position coordinates of the target and the estimated velocity by performing extended Kalman filter processing on the observation data acquired from the radar device;
When the turning radius derived by the α-β filter processing unit is larger than a threshold value, the Kalman filter processing unit performs the Kalman filter processing, and when the turning radius derived by the α-β filter processing unit is smaller than the threshold value, A first selection unit that causes the extended Kalman filter processing unit to perform the extended Kalman filter processing;
An estimation arithmetic device comprising:
請求項1に記載の推定演算装置。 The α-β filter processing is performed during a predetermined filtering convergence period after the Kalman filter processing unit for deriving the estimated position coordinates and the estimated speed by the first selection unit and the extended Kalman filter processing unit are switched. A second selection unit that outputs the estimated position coordinates that are a result of derivation of the unit and the estimated speed;
The estimation arithmetic device according to claim 1.
前記拡張カルマンフィルタ処理部から前記カルマンフィルタ処理部に切り替えられてから、動作を開始した前記カルマンフィルタ処理部の前記カルマンフィルタ処理が収束した時点まで、前記α‐βフィルタ処理部の導出した前記推定位置座標、および前記推定速度を出力する、
請求項2記載の推定演算装置。 The second selection unit is switched from the Kalman filter processing unit to the extended Kalman filter processing unit until the extended Kalman filter processing of the extended Kalman filter processing unit that started operation converges to the α-β filter processing unit. The estimated position coordinates derived from and the estimated speed are output,
The estimated position coordinates derived by the α-β filter processing unit from when the extended Kalman filter processing unit is switched to the Kalman filter processing unit until the Kalman filter processing of the Kalman filter processing unit that started operation converges, and Outputting the estimated speed,
The estimation arithmetic device according to claim 2.
レーダ装置から取得した目標物の観測データに対して、α‐βフィルタ処理を行って目標物の推定位置座標、推定速度、および旋回半径を導出させ、
レーダ装置から取得した観測データに対して、カルマンフィルタ処理を行って前記目標物の推定位置座標、および推定速度を導出させ、
レーダ装置から取得した観測データに対して、拡張カルマンフィルタ処理を行って前記目標物の推定位置座標、および推定速度を導出させ、
前記α‐βフィルタ処理で導出した前記旋回半径が閾値より大きい場合、前記カルマンフィルタ処理を行わせ、前記α‐βフィルタ処理で導出した前記旋回半径が閾値より小さい場合、前記拡張カルマンフィルタ処理を行わせる、
推定演算プログラム。 On the computer,
Α-β filter processing is performed on the observation data of the target acquired from the radar device, and the estimated position coordinates, estimated speed, and turning radius of the target are derived.
For the observation data acquired from the radar device, Kalman filter processing is performed to derive the estimated position coordinates of the target, and the estimated speed,
With respect to the observation data acquired from the radar device, the Kalman filter process is performed to derive the estimated position coordinates of the target and the estimated speed,
When the turning radius derived by the α-β filter processing is larger than a threshold value, the Kalman filter processing is performed, and when the turning radius derived by the α-β filter processing is smaller than the threshold value, the extended Kalman filter processing is performed. ,
Estimation calculation program.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018049941A JP2019158838A (en) | 2018-03-16 | 2018-03-16 | Estimating arithmetic unit and estimating arithmetic program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018049941A JP2019158838A (en) | 2018-03-16 | 2018-03-16 | Estimating arithmetic unit and estimating arithmetic program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019158838A true JP2019158838A (en) | 2019-09-19 |
Family
ID=67996880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018049941A Pending JP2019158838A (en) | 2018-03-16 | 2018-03-16 | Estimating arithmetic unit and estimating arithmetic program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019158838A (en) |
-
2018
- 2018-03-16 JP JP2018049941A patent/JP2019158838A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5419784B2 (en) | Prediction device, prediction system, computer program, and prediction method | |
US20200285202A1 (en) | Control device, unmanned system, control method, and program | |
US20170186165A1 (en) | Tracking rigged smooth-surface models of articulated objects | |
US10845798B2 (en) | Mobile robot control apparatus and method for compensating input delay time | |
JP2009501334A (en) | Adaptation of model sets by stochastic mass diffusion | |
JP5230132B2 (en) | Target tracking device and target tracking method | |
JP2002221570A (en) | Track tracking device and track tracking method | |
Lupton et al. | Removing scale biases and ambiguity from 6DoF monocular SLAM using inertial | |
JPWO2020236819A5 (en) | ||
KR101844278B1 (en) | Parameter learning method for estimating posture of articulated object and posture estimating method of articulated object | |
CN105807093A (en) | Acceleration measurement method and device based on particle image velocimetry technology | |
JP2019082328A (en) | Position estimation device | |
JP2003130948A (en) | Target tracking apparatus | |
JP2019158838A (en) | Estimating arithmetic unit and estimating arithmetic program | |
JP2007178049A (en) | Flying object guidance system and target meeting time estimating method | |
JP2018146351A (en) | Multisensor system, sensor bias estimation device, sensor bias estimation method, and sensor bias estimation program | |
JP6503267B2 (en) | Group tracking device, group tracking method and program | |
JP5315585B2 (en) | Wake generation system, error covariance matrix initial value setting device, wake generation method, and error covariance matrix initial value setting method | |
JP6358006B2 (en) | Target tracking device | |
JP5610825B2 (en) | Tracking device | |
JP5675273B2 (en) | Target detection apparatus and target detection method | |
JP2001228245A (en) | Apparatus and method for tracking target | |
EP1749183A1 (en) | Alignment of a flicht vehicle based on recursive matrix inversion | |
JP2004037262A (en) | Target tracking system | |
JP3302870B2 (en) | Sensor bias error estimation device |