WO2023138053A1 - 一种无人水面艇航迹融合方法及装置 - Google Patents

一种无人水面艇航迹融合方法及装置 Download PDF

Info

Publication number
WO2023138053A1
WO2023138053A1 PCT/CN2022/114785 CN2022114785W WO2023138053A1 WO 2023138053 A1 WO2023138053 A1 WO 2023138053A1 CN 2022114785 W CN2022114785 W CN 2022114785W WO 2023138053 A1 WO2023138053 A1 WO 2023138053A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
track
data
weight
fusion
Prior art date
Application number
PCT/CN2022/114785
Other languages
English (en)
French (fr)
Inventor
李存军
王海荣
厉梁
汪业勇
郝华东
王洪波
卢芳芳
毛坤宇
Original Assignee
舟山市质量技术监督检测研究院
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 舟山市质量技术监督检测研究院 filed Critical 舟山市质量技术监督检测研究院
Priority to US18/059,420 priority Critical patent/US20230104047A1/en
Publication of WO2023138053A1 publication Critical patent/WO2023138053A1/zh

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S13/00Systems 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
    • G01S13/02Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50Systems of measurement based on relative movement of target
    • G01S13/58Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/60Velocity or trajectory determination systems; Sense-of-movement determination systems wherein the transmitter and receiver are mounted on the moving object, e.g. for determining ground speed, drift angle, ground track
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01SRADIO 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
    • G01S13/00Systems 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
    • G01S13/86Combinations of radar systems with non-radar systems, e.g. sonar, direction finder

Definitions

  • the invention relates to the technical field of unmanned surface vehicles, in particular to a track fusion method and device for unmanned surface vehicles.
  • USV Unmanned Surface Vehicle
  • USV has the characteristics of intelligence and advanced features. In recent years, it has been widely used in many fields such as water search and rescue, hydrometeorological detection, etc.
  • the real-time perception of surrounding maritime navigation targets by unmanned surface vehicles during sea navigation has become an important condition to ensure safe navigation of USV.
  • unmanned surface vehicles have problems such as equipment blind spots, equipment data preprocessing, data format uniformity, and data fusion weight distribution.
  • problems such as equipment blind spots, equipment data preprocessing, data format uniformity, and data fusion weight distribution.
  • data sources, data preprocessing, and data fusion models during USV navigation there are still no optimal solutions for data sources, data preprocessing, and data fusion models during USV navigation.
  • the present invention provides a track fusion method and device for unmanned surface vehicles to achieve high-precision perception of USV and surrounding navigation targets, specifically:
  • the application provides a method for unmanned surface vehicle track fusion, the method comprising:
  • the perception information of the unmanned surface vehicle includes GPS data information and radar data information
  • a fusion data weight distribution model is constructed, and track fusion is carried out by using the GPS data information and the associated target radar information in the fusion data weight distribution model.
  • the present application provides a track fusion device for an unmanned surface vehicle, the device comprising:
  • the information acquisition module is used to obtain the perception information of the unmanned surface vehicle, and the perception information includes GPS data information and radar data information;
  • a data preprocessing module configured to perform data preprocessing on the radar data information to obtain target radar information
  • a track correlation module configured to construct a track correlation model, and use the track correlation model to correlate the GPS data information with the target radar information;
  • the track fusion module is used to construct a fusion data weight allocation model, and use the fusion data weight allocation model to perform track fusion on the GPS data information and its associated target radar information.
  • Fig. 1 is a flow chart of a method for unmanned surface vehicle track fusion
  • Fig. 2 is a kind of flow chart of coarse correlation of track in building track association model
  • Fig. 3 is a kind of detailed correlation flow chart of track in building track association model
  • Figure 4 is a schematic diagram of the design idea of the fusion framework of positioning data for unmanned surface vehicles
  • Fig. 5 is a block diagram of a track fusion device for an unmanned surface vehicle
  • Figure 6 is a comparison chart of the radar target track, GPS target track, fusion target track and ideal target track obtained from the experiment.
  • This implementation provides a method for unmanned surface vehicle track fusion, as shown in Figure 1, the method includes:
  • Step 1.1 Receive GPS and radar data information through the serial port to obtain the data string
  • Step 1.2 According to the sensor communication protocol, check and decode the received data string to obtain the current speed v, latitude and longitude L, heading angle W and other motion state information of the unmanned surface vehicle.
  • performing data preprocessing on the radar data information in step S104 to obtain target radar information includes:
  • a feasible way to extract the radar data information to obtain an intermediate data set may be:
  • the polar coordinates of the radar target position are converted to Cartesian coordinates through trigonometric functions, and the pixel coordinates are used as the conversion reference in the image coordinate conversion, and the coordinate conversion is completed by formula (1).
  • x r and y r represent the horizontal and vertical coordinates in the Cartesian system;
  • R represents the polar diameter, which is the maximum range of radar detection;
  • represents the polar angle.
  • the degree of matching is determined by comparing the difference between the target template image and the overall image sub-image, and the one with the smallest difference is the optimal match;
  • the calculation model of the minimum error method can be expressed as formula (2).
  • E(i, j) is the absolute difference, and the minimum value is the optimal matching position; the size of the target template graph T is M ⁇ N; S is the overall graph, and S i, j is the subgraph.
  • the radar Cartesian coordinate image data is converted into a binarization matrix, and the binarization matrix of the target template image T is defined as formula (3) according to expert experience.
  • the template graph matrix T uses the template graph matrix T to calculate the error on the overall graph, locate and record the optimal matching position of the target, mark it in the overall graph data, and obtain the target coordinates in Cartesian coordinates.
  • the navigation data such as the latitude and longitude coordinates, azimuth, and distance of the target are obtained.
  • the target radar information is obtained. In practical applications, it can be specifically:
  • the latitude and longitude distance d1 is calculated from the latitude and longitude position of the target at the last time point and the latitude and longitude position of the latest time point. As shown in formulas (4) and (5), the distance between two points is calculated by latitude and longitude.
  • C represents the angle between the two target points and the center of the earth
  • lonA, latA, lonB, and latB represent the latitude and longitude of the target at point A and point B respectively
  • point B is the position point at the next time on the target's navigation trajectory
  • R represents the average distance of the equator of 6371.004km
  • the distance d2 is calculated from the average speed of the previous period and the time difference between the two target points. Set the error threshold to judge whether the difference between d1 and d2 is within the threshold range. If it is not within the threshold range, the latest time point will be judged as a bad value and eliminated.
  • the position information at T time can be calculated by formula (6).
  • the radar data is mainly based on the principle of electromagnetic wave reflection, and the data is presented in polar coordinates, and the origin of the polar coordinates is the position of the base station.
  • GPS position information is longitude and latitude information, which is WGS84 coordinate system. Therefore, the coordinates of the GPS target and the radar target are transformed into the same coordinate system.
  • the radar base station and the GPS base station are at the same location, and the two coordinates are transformed into a Cartesian coordinate system with the base station as the origin.
  • the Gauss-Krüger projection is used to transform the latitude and longitude coordinates into Cartesian coordinates, and the projection of the intersection line of the central meridian and the equator is taken as the origin, as shown in formula (8).
  • ⁇ and ⁇ respectively represent the longitude and latitude in the WGS84 coordinate system; x and y represent the horizontal and vertical coordinates in the Cartesian coordinate system, respectively.
  • a track association model is constructed, and the track association of the GPS data information and the target radar information is carried out by using the track association model, including:
  • the rough correlation of track can be:
  • fine association model finely associate the GPS data information in the coarse association database with the target radar information, including:
  • the GPS data information in the rough association database and the target radar information are processed.
  • the track fine correlation can be:
  • the calculation of Euclidean distance and Mahalanobis distance based on statistical theory is considered as the basis for measuring the similarity of the track, and the distance correlation algorithm is used to calculate and compare the distance of various data before and after the target voyage.
  • X and Y represent the vectors composed of GPS and radar target track average speed, position distance, heading and other parameters respectively, and x i and y i represent the same attribute data of different tracks.
  • Formula (10) is expressed as the Mahalanobis distance from sample vector X to ⁇ , where there are n sample vectors X 1 ⁇ X n , S is its covariance matrix, and ⁇ is its mean value vector.
  • the Mahalanobis distance between vectors X i and X j can be expressed as formula (11).
  • the overall sample size is greater than the sample dimension; the inverse matrix of the covariance matrix exists.
  • the conditions that the Mahalanobis distance needs to be satisfied are judged first, and the Euclidean distance correlation algorithm is used as a substitute calculation scheme when the Mahalanobis distance correlation algorithm is not satisfied.
  • the weights of the evaluation indicators of the influencing factors of the same target track are solved by using the Analytic Hierarchy Process (AHP) and the entropy weighting method respectively;
  • the first-level evaluation indicators are divided into GPS and radar reliability; the second-level evaluation indicators are divided into GPS speed V1, latitude and longitude L1, and heading C1 data values describing the same target track, and radar speed V2, longitude and latitude L2, and heading C2 data values describing the same target track.
  • constructing a fusion data weight distribution model using the fusion data weight distribution model to carry out track fusion of the GPS data information and its associated target radar information, including:
  • a feasible processing method is:
  • AHP determines the weights of U(V), U(L), and U(C) as follows:
  • the AU judgment matrix P is composed of u ij.
  • CR is the random consistency ratio of the judgment matrix
  • CI is the general consistency index of the judgment matrix.
  • RI is the average random consistency index of the judgment matrix
  • n is the order of the judgment matrix P.
  • the second weight vector is obtained, and in practical applications, it can be:
  • the entropy weighting method determines the weights of U(V), U(L), and U(C) as follows:
  • Index normalization processing heterogeneous index homogeneity. Its specific method is as follows:
  • min x j is the minimum value of the j-th indicator
  • max x j is the maximum value of the j-th indicator.
  • k 1/ln(n)>0, if the value of x ij is 0, replace it with 0.00001 in the calculation and calculate the value of ln(0.00001). Satisfy that e j ⁇ 0.
  • the feature vector w obtained by AHP and entropy weighting method is the index weight, and the two index weight sets are respectively set to and Combine to get the combined weight.
  • the index weight vector obtained by the AHP is:
  • the index weight vector obtained by the entropy weighting method is:
  • i is the i-th index in the first-level evaluation index
  • m is the number of second-level evaluation indexes subordinate to the i-th index in the first-level evaluation index
  • the combined weight value is calculated by using the analytic hierarchy process and the entropy weighting method.
  • the comprehensive weight of the index to be evaluated is calculated by the following formula:
  • is a coefficient for determining the combination weight, 0 ⁇ 1, and generally ⁇ is 0.5.
  • 1
  • 1
  • 1
  • 1
  • 1
  • the vector matrix of speed V, latitude and longitude L, and heading C is multiplied by the combined weight matrix, and the fusion x and y track values are calculated as S ij and S' ij respectively.
  • the formula is as follows:
  • i the track measured by the GPS sensor
  • j the track measured by the radar.
  • this embodiment provides a design idea of a USV unmanned surface vehicle positioning data fusion framework, and gives Figure 4:
  • the navigation target USV transmits its own GPS data information to the shore-based terminal and then sends it to the USV receiving terminal; the radar data information is obtained through the USV shipboard navigation radar data link;
  • the radar data information specifically the radar image data, completes coordinate conversion, target matching, distance and azimuth conversion, longitude and latitude conversion, etc., and further completes data removal, time unification, and spatial unification. Processing operations on the data;
  • the weighted data fusion algorithm based on AHP and entropy weight assignment method is used for data fusion of navigation data.
  • This embodiment provides an unmanned surface vehicle track fusion device, as shown in Figure 5, the device includes:
  • the information acquisition module 502 is used to acquire the perception information of the unmanned surface vehicle, and the perception information includes GPS data information and radar data information;
  • a track association module 506 configured to construct a track association model, and use the track association model to associate the GPS data information with the target radar information;
  • the track fusion module 508 is configured to construct a fusion data weight allocation model, and use the fusion data weight allocation model to perform track fusion on the GPS data information and its associated target radar information.
  • Data processing is performed on the original data obtained from the experimental test, and the target GPS track, radar track, and data fusion track are compared and analyzed, and the north direction is taken as the positive direction of the y-axis, and the due east direction is taken as the positive direction of the x-axis, and the target navigation track shown in Figure 6 is obtained.
  • the radar target track fluctuates greatly; the GPS target track is relatively stable, but sometimes there is a short-term data loss; the fusion target track is stable and reliable, basically consistent with the target speed and direction guarantee track, and has higher credibility.
  • the data information in the embodiments of the present invention can be coordinate information, or longitude and latitude information, or a combination of speed, position distance, and heading angle, or a combination of speed, longitude and latitude, and heading, etc. according to specific applications.

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

一种无人水面艇航迹融合方法和装置,通过信息融合实现对海上目标感知优势互补,提高匹配计算速度、节约计算资源,且具有更高的可信性。方法包括:获取无人水面艇感知信息,感知信息包括GPS数据信息和雷达数据信息(102);对雷达数据信息进行数据预处理,得到目标雷达信息(104);构建航迹关联模型,利用航迹关联模型将GPS数据信息与目标雷达信息进行航迹关联(106);构建融合数据权重分配模型,利用融合数据权重分配模型将GPS数据信息与其关联的目标雷达信息进行航迹融合(108)。

Description

一种无人水面艇航迹融合方法及装置 技术领域
本发明涉及无人水面艇技术领域,尤其涉及一种无人水面艇航迹融合方法和装置。
背景技术
USV(Unmanned Surface Vehicle)无人水面艇具有智能性、先进性等特点,近年来被广泛应用到水上搜救、水文气象检测等诸多领域,无人水面艇在海上航行过程中对周围海上航行目标进行实时感知成为确保USV安全航行的重要条件。
但是,无人水面艇存在设备本身盲区、设备数据预处理、数据格式统一、数据融合权重分配等问题,使得USV航行过程中数据来源、数据预处理及数据融合模型方面仍没有最优解决方式,为提高USV海上航行作业目标感知效果,以现有USV普遍装配的GPS和雷达数据为数据源,在经过数据预处理、数据校正、航迹关联、数据融合等阶段处理后,达到对USV及周围航行目标高精度感知目的。
发明内容
为了解决现有技术中的问题,本发明提供了一种无人水面艇航迹融合方法和装置,以达到对USV及周围航行目标高精度感知目的,具体是:
第一方面,本申请提供了一种无人水面艇航迹融合方法,所述方法包括:
获取无人水面艇感知信息,所述感知信息包括GPS数据信息和雷达数据信息;
对所述雷达数据信息进行数据预处理,得到目标雷达信息;
构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联;
构建融合数据权重分配模型,利用所述融合数据权重分配模型所述GPS数据信息与其关联的目标雷达信息进行航迹融合。
第二方面,本申请提供了一种无人水面艇航迹融合装置,所述装置包括:
信息获取模块,用于获取无人水面艇感知信息,所述感知信息包括GPS数据信息和雷达数据信息;
数据预处理模块,用于对所述雷达数据信息进行数据预处理,得到目标雷达信息;
航迹关联模块,用于构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联;
航迹融合模块,用于构建融合数据权重分配模型,利用所述融合数据权重分配模型将所述GPS数据信息与其关联的目标雷达信息进行航迹融合。
本发明提供的无人水面艇航迹融合方法及装置具有的有益效果是:
(1)基于GPS和雷达数据融合,解决了GPS数据存在传输频率不固定、回传延迟等问题,雷达数据存在海杂波干扰、扫描距离较近等问题,通过GPS数据与雷达数据的关联和融合达到对海上目标感知优势互补的目的。
(2)构建航迹关联数学模型,通过粗关联结合细关联,并具体应用多因素欧式距离及马氏距离关联算法对目标航迹进行关联的方式,使得本申请能够为识别同一目标航迹提供多种渠道,提高匹配计算速度、节约计算资源。
(3)构建基于层次分析法和熵权赋值法的融合数据权重分配模型,避免单 一权重方法存在的问题,兼顾层次分析法和熵值法的优点,具有更高的可信性。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1是一种无人水面艇航迹融合方法的流程图;
图2是一种构建航迹关联模型中的航迹粗相关流程图;
图3是一种构建航迹关联模型中的航迹细相关流程图;
图4是一种无人水面艇定位数据融合框架设计思路示意图;
图5是一种无人水面艇航迹融合装置的组成框图;
图6是实验得到的雷达目标航迹、GPS目标航迹、融合目标航迹和理想目标航迹的对比图。
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书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做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。
本实施提供了一种无人水面艇航迹融合方法,如图1所示,所述方法包括:
S102.获取无人水面艇感知信息,所述感知信息包括GPS数据信息和雷达数据信息;
在实际应用中,具体可以是:
步骤1.1通过串口接收GPS、雷达数据信息,得到数据串;
步骤1.2根据传感器通讯协议,对接收到的数据串进行检验、解码,获得无人水面艇的当前航速v,经纬度L,航向角W等运动状态信息。
S104.对所述雷达数据信息进行数据预处理,得到目标雷达信息;
进一步地,步骤S104中的对所述雷达数据信息进行数据预处理,得到目标雷达信息,包括:
S1042.对雷达数据信息进行数据提取,得到中间数据集的一种可行方式可以是:
雷达目标位置极坐标通过三角函数转换到笛卡尔坐标,在图像坐标转换以像素坐标为转换基准,通过式(1)完成坐标转换。
Figure PCTCN2022114785-appb-000001
式(1)中,x r、y r代表笛卡尔系下的横纵坐标;R代表极径,为雷达探测最大范围;θ代表极角。
通过对比目标模板图像与整体图像子图差别大小来判定匹配程度,差别最小的即为最优匹配;
通过目标模板图像在整体图上遍历,对比计算目标模板图和整体图中子图的绝对差,绝对差最小值为最优匹配位置;
最小误差法计算模型可表示为式(2)。
Figure PCTCN2022114785-appb-000002
在式(2)中,E(i,j)为绝对差,取最小值时为最优匹配位置;目标模板图T的大小为M×N;S为整体图,S i,j为子图。
将雷达笛卡尔坐标图像数据转换成二值化矩阵,根据专家经验定义目标模板图T的二值化矩阵为式(3)。
Figure PCTCN2022114785-appb-000003
利用模板图矩阵T进行整体图上的误差计算,定位到目标最优匹配位置并记录,在整体图数据中标识,得到笛卡尔坐标下目标坐标。利用雷达所在位置的经纬度坐标、扫描半径,通过坐标转换、等比例计算方法,得到目标经纬度坐标、方位、距离等航行数据。
S1044.对所述中间数据集进行数据剔除,得到目标雷达信息;
详细地,得到目标雷达信息,在实际应用中,具体可以为:
由目标上一时刻点经纬度位置、最新时刻点经纬度位置计算经纬度距离d1。如式(4)、(5)所示为通过经纬度计算的两点距离。
C=sin(latA)*sin(latB)*cos(lonA-lonB)+cos(latA)*cos(latB)    (4)
Figure PCTCN2022114785-appb-000004
式中,C代表两目标点到地心连线夹角;lonA、latA、lonB、latB分别代表目标在A点经纬度、B点经纬度,B点为该目标航行轨迹上后一时间位置点;R代表赤道平均距离6371.004km;π代表圆周率;D代表计算得到两点距离。
由上一时段平均速度及两目标点间相差时间计算出距离d2。设定误差阈值,判别d1、d2差值是否在阈值范围内,不在阈值范围内的则将最新时刻点判定为坏值,予以剔除。
S1046.将所述目标雷达信息中的数据与GPS数据信息,进行时空统一。
考虑到雷达数据更新周期较短,航线和工况不易发生突变,每两个点可以近似看成匀速直线运动,线性内插法对GPS数据进行插值具有良好适用性。
设在T1,T2两个时刻,GPS目标位置信息分别为(β1,γ1)、(β2,γ2),当T∈(T1,T2)时,T时刻位置信息可用式(6)进行计算。
Figure PCTCN2022114785-appb-000005
Figure PCTCN2022114785-appb-000006
雷达与GPS数据在空间及坐标系上存在不统一问题。雷达数据主要是基于电磁波反射原理,数据以极坐标方式呈现,极坐标原点为基站位置。GPS位置信息为经纬度信息,为WGS84坐标系。因此,将GPS目标与雷达目标坐标转化到同一个坐标系下。雷达基站与GPS基站在同一位置,将两坐标转换到以基站为原点的笛卡尔坐标系。
采用高斯-克吕格投影将经纬度坐标转换到笛卡尔坐标,取中央子午线与赤道交线投影为原点,如式(8)所示。
Figure PCTCN2022114785-appb-000007
式中,β、γ分别代表WGS84坐标系下经度、纬度;x、y分别代表笛卡尔坐标系下横纵坐标。
S106.构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联;
一种可行的实施方式中,构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联,包括:
S1062.利用粗关联模型,将所述GPS数据信息与所述目标雷达信息进行粗关联,得到粗关联数据库;
具体地,航迹粗相关可以是:
遍历某时刻GPS经纬度数据与雷达解析经纬度数据进行逐一距离计算,设置距离阈值用于判断两点位粗关联是否成功。
计算距离大于阈值被判断为不可能被关联点位,距离小于阈值被判定为粗关联成功点位,将已经建立粗关联关系的定位记录到粗关联数据库中供后续航迹细关联使用。航迹相关流程图如图2所示。
S1064.利用细关联模型,将所述粗关联数据库中的GPS数据信息与所述目标雷达信息进行细关联,获取GPS数据信息与其对应的目标雷达信息。
进一步地,利用所述细关联模型,将所述粗关联数据库中的GPS数据信息与所述目标雷达信息进行细关联,包括:
采用所述多维欧式距离和多维马氏距离计算方式,将所述粗关联数据库中的GPS数据信息与所述目标雷达信息进行处理。
如图3所示,航迹细相关可以是:
细关联阶段考虑使用基于统计学理论的欧式距离和马氏距离计算作为航迹相似度的度量依据,利用距离关联算法对目标航行前后各类数据进行距离计算与比对。
欧式距离多维计算如式(9)。
Figure PCTCN2022114785-appb-000008
式(9)中X,Y分别表示GPS和雷达目标航迹平均速度、位置距离、航向等参数组成的向量,x i,y i表示不同航迹同一属性数据。
马氏距离多维计算如式(10)。
Figure PCTCN2022114785-appb-000009
式(10)中表示为样本向量X到μ的马氏距离,其中有n个样本向量X 1~X n,S为其协方差矩阵,μ为其均值向量。
向量X i和X j之间的马氏距离可以表示为式(11)。
Figure PCTCN2022114785-appb-000010
在马氏距离计算过程中需要满足两个条件:总体样本数大于样本维数;协方差矩阵的逆矩阵存在。
因此在航迹细关联阶段对马氏距离需要满足的条件进行优先判断,不满足马氏距离关联算法情况下采用欧式距离关联算法作为替补计算方案。
S108.构建融合数据权重分配模型,利用所述融合数据权重分配模型所述GPS数据信息与其关联的目标雷达信息进行航迹融合。
在实际应用中,分别应用层次分析法(AHP)和熵值赋权法对同一目标航迹影响因素评估指标权重进行求解;
一级评估指标分为GPS和雷达可靠性;二级评估指标分为GPS描述同一目标航迹的航速V1,经纬度L1,航向C1数据值和雷达描述同一目标航迹的航速V2,经纬度L2,航向C2数据值。
具体地,构建融合数据权重分配模型,利用所述融合数据权重分配模型将所述GPS数据信息与其关联的目标雷达信息进行航迹融合,包括:
S1082.根据层次分析法确定航迹影响因素评估指标权重,得到第一权重;
进一步地,得到第一权重向量,一种可行的处理方式是:
AHP确定U(V)、U(L)、U(C)权重步骤如下:
(1)构造判断矩阵。以U(V)、U(L)、U(C)作为判断矩阵准则,在不同决策者主观印象中不同准则具备不同权重占比。由u ij组成A-U判断矩阵P。
Figure PCTCN2022114785-appb-000011
(2)计算重要性排序。根据判断矩阵,求出其最大特征根λ max所对应的特征向量w。方程如下:
P w=λ maxw         (13)
所求特征向量w经归一化得W=(W 1,W 2,W 3),W即为各评价因素重要性排序,也就是权重分配。
(3)为了验证得到的权重分配是否合理,还需要对判断矩阵进行一致性检验。检验使用公式:
CR=CI/RI         (14)
式中,CR为判断矩阵的随机一致性比率;CI为判断矩阵的一般一致性指标。由下式给出:
CI=(λ max-n)/(n-1)         (15)
RI为判断矩阵平均随机一致性指标,n为判断矩阵P的阶数。
当判断矩阵P的CR<0.1时或λ max时,认为P具有满意一致性,否则需调整P中元素以使其具有满意一致性。
得到具有满意一致性的矩阵式P后,W=(W 1,W 2,W 3)的各个分量即层次分析法获得的权重值。
S1084.根据熵权赋值法确定航迹影响因素评估指标权重,得到第二权重;
进一步地,得到第二权重向量,在实际应用中,可以是:
熵值赋权法确定U(V)、U(L)、U(C)权重步骤如下:
(1)构造数值矩阵。以U(V)、U(L)、U(C)作为数值矩阵准则。由x ij组成A-X数值矩阵W。
Figure PCTCN2022114785-appb-000012
选取每个传感器的n个样本,m个指标,则x ij为第i个样本的第j个指标的数值(i=1,2…,n;j=1,2,…,m);
(2)指标归一化处理:异质指标同质化。其具体方法如下:
正向指标:
Figure PCTCN2022114785-appb-000013
负向指标:
Figure PCTCN2022114785-appb-000014
其中,min x j是第j个指标的最小值,max x j是第j个指标的最大值。
(3)计算第j项指标的第i组数据的特征比重
Figure PCTCN2022114785-appb-000015
其中i=1,…,n;j=1,…,m
(4)计算第j项的熵值
Figure PCTCN2022114785-appb-000016
其中,k=1/ln(n)>0,如果x ij的值为0,在计算中以0.00001替代,计算ln(0.00001)的值即可。满足e j≥0。
(5)归一化确定各个指标权重
Figure PCTCN2022114785-appb-000017
其中m为e j的个数,W=(W 1,W 2,W 3)的各个分量即为熵值赋权法获得的权重值。
S1086.将第一权重与第二权重进行组合,得到组合权重;
上述步骤中AHP和熵值赋权法得到的特征向量w即为指标权重,将两者指标权重集分别设为
Figure PCTCN2022114785-appb-000018
Figure PCTCN2022114785-appb-000019
进行组合得到组合权重。
层次分析法得到的指标权重向量为:
Figure PCTCN2022114785-appb-000020
Figure PCTCN2022114785-appb-000021
熵值赋权法得到的指标权重向量为:
Figure PCTCN2022114785-appb-000022
Figure PCTCN2022114785-appb-000023
其中,i为一级评估指标中的第i个指标,m为一级评估指标中第i个指标的下属二级评估指标数目,利用层次分析法和熵值赋权法计算组合权重值,待评估指标的综合权重通过下式计算:
Figure PCTCN2022114785-appb-000024
其中,α为确定组合权重的系数,0≤α≤1,一般α取0.5。当α为1时,表示指标权重值由层次分析法确定;当α为0时,表示指标权重值由熵值赋权法确定,从而得到表1:
Figure PCTCN2022114785-appb-000025
A=(A 1,A 2,A 3)的各个分量即可作为U←{U(V),U(L),U(C)}的权重系数,对各分量权重分配形成数据融合策略。
S1088.利用所述组合权重,将述GPS数据信息与其关联的目标雷达信息进行航迹融合。
利用GPS和雷达描述同一目标航迹的航速V,经纬度L,航向C数据值的向量矩阵与组合权重矩阵相乘后,计算得出融合x、y航迹值分别为S ij和S' ij。式子如下:
S ij=S ix+S jx       (22)
S′ ij=S iy+S jy        (23)
其中i代表GPS传感器测量航迹,j代表雷达测量航迹。
本实施例针对GPS和雷达数据特点,给出了一种USV无人水面艇定位数据融合框架设计思路,并给出图4:
(1)在目标海域内,航行目标USV将自身GPS数据信息传输至岸基端进而发送到USV接收端;雷达数据信息是通过USV舰载航海雷达数据链路获取得到;
(2)在数据预处理阶段,对雷达数据信息,具体是雷达图像数据完成坐标 转换、目标匹配、距离和方位换算、经纬度转化等处理,对数据进一步完成数据剔除、时间统一、空间统一等处理操作;
(3)构建航迹关联数学模型,应用多因素欧式距离及马氏距离关联算法对目标航迹进行关联;
(4)基于层次分析法和熵权赋值法的加权数据融合算法对航行数据进行数据融合。
本实施例提供了一种无人水面艇航迹融合装置,如图5所示,所述装置包括:
信息获取模块502,用于获取无人水面艇感知信息,所述感知信息包括GPS数据信息和雷达数据信息;
数据预处理模块504,用于对所述雷达数据信息进行数据预处理,得到目标雷达信息;
航迹关联模块506,用于构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联;
航迹融合模块508,用于构建融合数据权重分配模型,利用所述融合数据权重分配模型将所述GPS数据信息与其关联的目标雷达信息进行航迹融合。
通过实验对本申请中的实施例给与说明的是:
将实验测试获取到的原始数据进行数据处理,对目标GPS航迹、雷达航迹和数据融合航迹进行对比分析,取正北向为y轴正方向,正东向为x轴正方向,得到如图6所示目标航行轨迹。
图6中可看出雷达目标航迹波动较大;GPS目标航迹较为稳定,但有时会出现数据短暂缺失情况;融合目标航迹稳定可信,与目标保速保向航迹基 本一致,具有更高的可信性。
本发明提供的无人水面艇航迹融合方法及装置具有的有益效果是:
(1)基于GPS和雷达数据融合,解决了GPS数据存在传输频率不固定、回传延迟等问题,雷达数据存在海杂波干扰、扫描距离较近等问题,通过GPS数据与雷达数据的关联和融合达到对海上目标感知优势互补的目的。
(2)构建航迹关联数学模型,通过粗关联结合细关联,并具体应用多因素欧式距离及马氏距离关联算法对目标航迹进行关联的方式,使得本申请能够为识别同一目标航迹提供多种渠道,提高匹配计算速度、节约计算资源。
(3)构建基于层次分析法和熵权赋值法的融合数据权重分配模型,避免单一权重方法存在的问题,兼顾层次分析法和熵值法的优点,具有更高的可信性。
进一步补充说明的是,本发明中实施方式中的数据信息可以根据具体应用,为坐标信息,或者经纬度信息,或者速度、位置距离、航向角的组合信息,或者航速、经纬度、航向的组合信息,等等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内,也多个实施方式在满足可实施的情况下可以结合应用。

Claims (10)

  1. 一种无人水面艇航迹融合方法,其特征在于,所述方法包括:
    获取无人水面艇感知信息,所述感知信息包括GPS数据信息和雷达数据信息;
    对所述雷达数据信息进行数据预处理,得到目标雷达信息;
    构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联;
    构建融合数据权重分配模型,利用所述融合数据权重分配模型将所述GPS数据信息与其关联的目标雷达信息进行航迹融合。
  2. 根据权利要求1所述的无人水面艇航迹融合方法,其特征在于,所述对所述雷达数据信息进行数据预处理,得到目标雷达信息,包括:
    对雷达数据信息进行数据提取,得到中间数据集;
    对所述中间数据集进行数据剔除,得到目标雷达信息;
    将所述目标雷达信息中的数据与GPS数据信息,进行时空统一。
  3. 根据权利要求2所述的无人水面艇航迹融合方法,其特征在于,所述对雷达数据信息进行数据提取,得到中间数据集,包括:
    将所述雷达数据信息进行笛卡尔坐标转换,得到转换数据集;
    依据转换数据集,将雷达数据信息对应的整体图像划分为多个子图;
    将所述多个子图与目标模板图像进行匹配,选取最优匹配子图;
    根据所述最优匹配子图确定出中间数据集。
  4. 根据权利要求2所述的无人水面艇航迹融合方法,其特征在于,所述对所述中间数据集进行数据剔除,得到目标雷达信息,包括:
    根据中间数据集中的第一时刻坐标与第二时刻坐标确定出第一距离;
    获取第一时刻与第二时刻的时间差;
    根据中间数据集中的第一时段平均速度与所述时间差,得到第二距离;
    获取所述第一距离与所述第二距离之间的差值;
    在所述差值处于设定的阈值范围内时,将第二时刻坐标判定为坏值,剔除所述坏值;
    根据上述坏值判定方式,遍历所述中间数据集中的全部数据,得到目标雷达信息。
  5. 根据权利要求1所述的无人水面艇航迹融合方法,其特征在于,构建航迹关联模型,利用所述航迹关联模型将所述GPS数据信息与所述目标雷达信息进行航迹关联,包括:
    利用粗关联模型,将所述GPS数据信息与所述目标雷达信息进行粗关联,得到粗关联数据库;
    利用细关联模型,将所述粗关联数据库中的GPS数据信息与所述目标雷达信息进行细关联,获取GPS数据信息与其对应的目标雷达信息。
  6. 根据权利要求5所述的无人水面艇航迹融合方法,其特征在于,利用所述细关联模型,将所述粗关联数据库中的GPS数据信息与所述目标雷达信息进行细关联,包括:
    采用所述多维欧式距离和多维马氏距离计算方式,将所述粗关联数据库中的GPS数据信息与所述目标雷达信息进行处理。
  7. 根据权利要求1所述的无人水面艇航迹融合方法,其特征在于,所述构建融合数据权重分配模型,利用所述融合数据权重分配模型将所述GPS数据信息与其关联的目标雷达信息进行航迹融合,包括:
    根据层次分析法确定航迹影响因素评估指标权重,得到第一权重;
    根据熵权赋值法确定航迹影响因素评估指标权重,得到第二权重;
    将第一权重与第二权重进行组合,得到组合权重;
    利用所述组合权重,将述GPS数据信息与其关联的目标雷达信息进行航迹融合。
  8. 根据权利要求7所述的无人水面艇航迹融合方法,其特征在于,所述根据层次分析法确定航迹影响因素评估指标权重,得到第一权重向量,包括:
    构造判断矩阵;
    根据所述判断矩阵中最大特征根所对应的特征向量,确定出权重分配向量;
    在判断矩阵具有满意一致性时,所述权重分配向量为所述第一权重向量。
  9. 根据权利要求8所述的无人水面艇航迹融合方法,其特征在于,所述根据熵权赋值法确定航迹影响因素评估指标权重,得到第二权重向量,包括:
    构造数值矩阵,所述数值矩阵包括多个数值;
    对所述数值矩阵中的数值进行归一化处理,得到每个数值对应的正向指标和负向指标;
    根据所述正向指标和负向指标,得到对应数值的特征比重;
    根据所述特征比重,确定出对应指标的熵值;
    将每个指标的熵值进行归一化处理,得到所述第二权重向量。
  10. 一种无人水面艇航迹融合装置,其特征在于,所述装置包括:
    信息获取模块,用于获取无人水面艇感知信息,所述感知信息包括GPS数据信息和雷达数据信息;
    数据预处理模块,用于对所述雷达数据信息进行数据预处理,得到目标雷达信息;
    航迹关联模块,用于构建航迹关联模型,利用所述航迹关联模型将所述 GPS数据信息与所述目标雷达信息进行航迹关联;
    航迹融合模块,用于构建融合数据权重分配模型,利用所述融合数据权重分配模型将所述GPS数据信息与其关联的目标雷达信息进行航迹融合。
PCT/CN2022/114785 2022-01-18 2022-08-25 一种无人水面艇航迹融合方法及装置 WO2023138053A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US18/059,420 US20230104047A1 (en) 2022-01-18 2022-11-28 Track fusion method and device for unmanned surface vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210052916.6A CN114415168A (zh) 2022-01-18 2022-01-18 一种无人水面艇航迹融合方法及装置
CN202210052916.6 2022-01-18

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/059,420 Continuation US20230104047A1 (en) 2022-01-18 2022-11-28 Track fusion method and device for unmanned surface vehicle

Publications (1)

Publication Number Publication Date
WO2023138053A1 true WO2023138053A1 (zh) 2023-07-27

Family

ID=81273983

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2022/114785 WO2023138053A1 (zh) 2022-01-18 2022-08-25 一种无人水面艇航迹融合方法及装置

Country Status (2)

Country Link
CN (1) CN114415168A (zh)
WO (1) WO2023138053A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113686336A (zh) * 2021-06-30 2021-11-23 中国空间技术研究院 基于格网拓扑结构迭代最佳环域点提高水下导航精度方法
CN116859383A (zh) * 2023-09-04 2023-10-10 中船(北京)智能装备科技有限公司 一种碍航物的确定方法、装置及设备
CN117109588A (zh) * 2023-08-25 2023-11-24 中国船舶集团有限公司第七零七研究所九江分部 一种面向智能航行的多源探测多目标信息融合方法
CN117554922A (zh) * 2024-01-12 2024-02-13 航天宏图信息技术股份有限公司 目标航迹的关联方法、装置、电子设备和计算机存储介质
CN117724064A (zh) * 2024-02-07 2024-03-19 中国电子科技集团公司第十五研究所 雷达探测实时评估方法、装置、电子设备及存储介质
CN118226432A (zh) * 2024-03-22 2024-06-21 常熟理工学院 一种基于灰关联分析的多站联合雷达盲区预警方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415168A (zh) * 2022-01-18 2022-04-29 舟山市质量技术监督检测研究院 一种无人水面艇航迹融合方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008170386A (ja) * 2007-01-15 2008-07-24 Mitsubishi Electric Corp レーダ情報処理装置
CN105390029A (zh) * 2015-11-06 2016-03-09 武汉理工大学 基于航迹融合和航迹预测的船舶避碰辅助决策方法及系统
CN109946700A (zh) * 2019-03-19 2019-06-28 江苏航运职业技术学院 一种限定区域的水面无人艇巡航路径规划系统及方法
CN110929810A (zh) * 2019-12-27 2020-03-27 航天南湖电子信息技术股份有限公司 一种低慢小目标探测系统多源数据融合方法
CN111860589A (zh) * 2020-06-12 2020-10-30 中山大学 一种多传感器多目标协同探测信息融合方法、系统
CN114415168A (zh) * 2022-01-18 2022-04-29 舟山市质量技术监督检测研究院 一种无人水面艇航迹融合方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108489492A (zh) * 2018-02-13 2018-09-04 上海大学 一种考虑海况因素的无人艇路径规划系统和方法
CN108663677A (zh) * 2018-03-29 2018-10-16 上海智瞳通科技有限公司 一种多传感器深度融合提高目标检测能力的方法
CN109001722B (zh) * 2018-05-30 2022-03-15 武汉理工大学 一种基于lstm模型的船舶航迹数据融合方法
CN109856625A (zh) * 2019-03-06 2019-06-07 国网福建省电力有限公司莆田供电公司 一种基于多源数据融合的船舶位置识别方法
CN113050062B (zh) * 2021-04-26 2023-11-17 广东海洋大学 一种雷达数据与ais数据、船舶北斗定位数据的数据融合方法
CN113359123A (zh) * 2021-06-04 2021-09-07 华能国际电力江苏能源开发有限公司 基于ais和雷达信息融合的海上风电场海缆保护系统及方法
CN113850848B (zh) * 2021-09-26 2024-04-02 大连海事大学 无人艇载航海雷达与视觉图像协同的海上多目标长期检测与跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008170386A (ja) * 2007-01-15 2008-07-24 Mitsubishi Electric Corp レーダ情報処理装置
CN105390029A (zh) * 2015-11-06 2016-03-09 武汉理工大学 基于航迹融合和航迹预测的船舶避碰辅助决策方法及系统
CN109946700A (zh) * 2019-03-19 2019-06-28 江苏航运职业技术学院 一种限定区域的水面无人艇巡航路径规划系统及方法
CN110929810A (zh) * 2019-12-27 2020-03-27 航天南湖电子信息技术股份有限公司 一种低慢小目标探测系统多源数据融合方法
CN111860589A (zh) * 2020-06-12 2020-10-30 中山大学 一种多传感器多目标协同探测信息融合方法、系统
CN114415168A (zh) * 2022-01-18 2022-04-29 舟山市质量技术监督检测研究院 一种无人水面艇航迹融合方法及装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113686336A (zh) * 2021-06-30 2021-11-23 中国空间技术研究院 基于格网拓扑结构迭代最佳环域点提高水下导航精度方法
CN113686336B (zh) * 2021-06-30 2024-05-14 中国空间技术研究院 基于格网拓扑结构迭代最佳环域点提高水下导航精度方法
CN117109588A (zh) * 2023-08-25 2023-11-24 中国船舶集团有限公司第七零七研究所九江分部 一种面向智能航行的多源探测多目标信息融合方法
CN117109588B (zh) * 2023-08-25 2024-04-30 中国船舶集团有限公司第七零七研究所九江分部 一种面向智能航行的多源探测多目标信息融合方法
CN116859383A (zh) * 2023-09-04 2023-10-10 中船(北京)智能装备科技有限公司 一种碍航物的确定方法、装置及设备
CN116859383B (zh) * 2023-09-04 2023-12-08 中船(北京)智能装备科技有限公司 一种碍航物的确定方法、装置及设备
CN117554922A (zh) * 2024-01-12 2024-02-13 航天宏图信息技术股份有限公司 目标航迹的关联方法、装置、电子设备和计算机存储介质
CN117554922B (zh) * 2024-01-12 2024-03-26 航天宏图信息技术股份有限公司 目标航迹的关联方法、装置、电子设备和计算机存储介质
CN117724064A (zh) * 2024-02-07 2024-03-19 中国电子科技集团公司第十五研究所 雷达探测实时评估方法、装置、电子设备及存储介质
CN117724064B (zh) * 2024-02-07 2024-04-12 中国电子科技集团公司第十五研究所 雷达探测实时评估方法、装置、电子设备及存储介质
CN118226432A (zh) * 2024-03-22 2024-06-21 常熟理工学院 一种基于灰关联分析的多站联合雷达盲区预警方法

Also Published As

Publication number Publication date
CN114415168A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
WO2023138053A1 (zh) 一种无人水面艇航迹融合方法及装置
US20230104047A1 (en) Track fusion method and device for unmanned surface vehicle
CN111950515B (zh) 一种基于语义特征金字塔网络的小人脸检测方法
CN114022729B (zh) 基于孪生网络和监督训练的异源图像匹配定位方法和系统
CN110781790A (zh) 基于卷积神经网络与vlad的视觉slam闭环检测方法
CN108627798B (zh) 基于线性判别分析和梯度提升树的wlan室内定位算法
CN108960142B (zh) 基于全局特征损失函数的行人再识别方法
CN105844582A (zh) 3d图像数据的注册方法和装置
CN110536257A (zh) 一种基于深度自适应网络的室内定位方法
CN115700808A (zh) 自适应融合可见光和红外图像的双模态无人机识别方法
CN110033652A (zh) 一种基于眼动追踪的雷达动态目标标定方法及系统
CN117854156B (zh) 一种特征提取模型的训练方法和相关装置
CN106503245B (zh) 一种支撑点集合的选择方法及装置
CN108932468B (zh) 一种适用于心理学的面部识别方法
CN114565861A (zh) 基于概率统计微分同胚集匹配的机载下视目标图像定位方法
Mantoro et al. Extreme learning machine for user location prediction in mobile environment
US20020110279A1 (en) Fusing outputs from multiple detection/classification schemes
CN116452977A (zh) 一种无人艇平台海面船只检测方法、系统及设备
CN116664823A (zh) 基于元学习和度量学习的小样本sar目标检测识别方法
CN115511853A (zh) 基于方向可变特征的遥感船舶检测与识别方法
CN113705672A (zh) 图像目标检测的阈值选取方法、系统、装置及存储介质
CN113724325A (zh) 一种基于图卷积网络的多场景单目相机位姿回归方法
CN111652102A (zh) 一种输电通道目标物辨识方法及系统
CN111652733A (zh) 基于云计算和区块链的金融信息管理系统
CN111163434A (zh) 一种传感器的数据采集和识别方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22921482

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE