基于强化学习的多目标点航关联方法

针对密集杂波环境下的多目标点迹-航迹关联问题,以强化学习(Reinforcement Learning,RL)方法为基础,提出了一种基于Q学习的多目标点迹-航迹关联方法。首先,根据整个过程中目标的运动状态,建立马尔可夫决策过程(Markov Decision Process,MDP)模型。其次,利用各状态间的相关程度构成策略函数,选择准确的动作,并设定相应的奖励函数。最后,考虑杂波密集时虚假量测难以分辨,结合目标先验信息,增加了Q表再学习环节,进一步优化关联精度。仿真结果表明,在非机动和强机动两种环境下,该方法都能准确地关联到目标的量测,具有较好的点迹-航迹关联性能。

轨道车体底座面型测量中多LED关联点目标的数值提取方法

为了抵抗满载时的负载,轨道车辆制造时车体底座会保留一定向上的挠曲变形,这就要求在进行铝蜂窝板和地板胶铺设前对车体底座表面面型进行测量。提出了一种基于点状目标图像测量原理的车体底座面型测量方法,该方法用CMOS相机对车体底座上的4个LED目标进行图像测量,这4个LED形成关联多目标点。先对CMOS相机采集到的LED目标图像用均值滤波、动态阈值二值化处理和轮廓提取的方法进行预处理,再通过灰度质心法,提取出多个光斑的位置。通过判断各光斑的位置和大小,排除可能存在的伪目标点或遮拦,根据提取到的光斑数量的不同,采用不同的参考点进行比较。在任意一个LED目标被遮挡时,算法仍能有效地解出被测LED目标中心位置。实验结果表明,LED靶标中心提取的最大偏差小于0.06 mm,完全能满足车体底座面型测量的需求。