基于多特征融合的高机动多目标低截获概率跟踪技术

在多目标跟踪过程中,目标的高机动特性使得传统采用固定运动模型或交互式多模型的目标跟踪算法很难实时精确匹配目标运动模型,从而引起高机动目标的低跟踪精度问题。针对这一问题,本文提出一种基于目标运动状态模型自适应更新的高机动多目标跟踪算法。在多目标跟踪过程中,该算法采用多特征聚类融合算法进行目标运动模型估计,并根据各目标跟踪波动参数进行状态转移矩阵决策更新,同时利用联合概率数据关联实现多机动目标状态转移矩阵自适应更新的关联跟踪,从而解决了传统多目标跟踪算法因目标运动模型失配引起的低跟踪精度问题。在目标跟踪算法的传感器选择上,无源传感器不对外辐射能量,具有较好的低截获概率性能,但其跟踪精度有限,常不能满足多目标高跟踪精度的要求。雷达作为有源传感器,具有较高的跟踪精度。但由于雷达对外辐射信号,容易被防御方截获。针对这一问题,本文提出了一种无源传感器目标跟踪为主,有源雷达间歇跟踪为辅的多传感器协同管理目标跟踪算法。该算法通过对目标跟踪本征堆积误差的判断进行传感器的最优分配,并根据波动参数的大小进行状态转移矩阵决策更新。仿真结果验证了本文所提出的多传感器协同的高机动目标跟踪算法在满足高机动目标跟踪精度的条件下可以有效的提升雷达低截获概率性能。

基于极大似然的联合多传感器配准与融合

传感器配准和多源融合是多传感器多目标跟踪系统中面临的两个重要问题。多传感器融合的精度一定程度上与传感器固有系统误差相关,为提高融合精度,需要进行多传感器配准。在多传感器多目标跟踪场景下,文中根据传感器量测噪声特性,通过公式推导实现了一种基于极大似然的联合多传感器配准与融合算法。该算法可同时在采样时刻间对传感器系统偏差和目标融合位置进行估计,并对传感器系统误差进行时间递推。仿真结果表明,文中算法具有较高的估计精度,可同时解决多传感器的配准与融合问题。

多传感器协同区域搜索与目标跟踪的调度方法

为解决区域搜索和目标跟踪2种任务协同时对传感器资源的竞争问题,提出了一种多传感器调度方法。针对双任务协同背景,将传感器调度转换为多目标优化问题,以搜索性能和跟踪性能为优化目标建立了目标函数;建立了区域搜索模型,考虑目标的新生、消亡和转移,将未被发现目标的更新过程建立为非齐次泊松过程,提出以漏警损失量化区域搜索性能;建立了目标跟踪模型,引入后验克拉美罗下界(PCRLB)量化未来时刻的跟踪性能;针对最优调度方案求解,在传统多目标差分进化算法的基础上,引入混沌映射理论和双种群协同方法,提出了混沌映射-多目标协同差分进化算法(CM-MOCDEA)以提高寻优能力。仿真实验验证了所提优化算法能够兼顾收敛性和多样性,具有较强的全局搜索能力;所提方法能够有效分配传感器资源完成区域搜索和目标跟踪任务,从而获得较高的作战收益。

基于随机有限集的多目标跟踪技术综述

随机有限集理论为多目标跟踪、多传感器融合和态势评估等问题提供了完整、统一的理论框架和解决方案。基于随机有限集的跟踪算法将多目标状态和量测建模为随机有限集,自然地引入航迹起始、终结机制,可实现目标数量和状态的同时估计。通过对随机有限集框架下的概率假设密度、带势概率假设密度、多目标多伯努利滤波器、扩展标签随机集滤波器和泊松多伯努利混合滤波器的研究进展进行详细梳理和综合对比,对基于随机有限集的多目标跟踪领域未来发展方向进行了分析和展望。

分布式多传感器多目标跟踪方法综述

多传感器多目标跟踪是信息融合领域的热点问题,其通过融合多个局部传感器数据,提高目标跟踪精度和稳定性。多传感器多目标跟踪按融合体系可分为分布式、集中式、混合式3类,其中分布式融合结构对网络通信带宽要求低、可靠性和稳定性强,广泛应用于军事、民用领域。该文聚焦分布式多传感器多目标跟踪涉及的目标跟踪、传感器配准、航迹关联、数据融合4项关键技术,主要分析了各关键技术的理论原理与适用条件,重点介绍了不完整测量条件下的空间配准与航迹关联,并给出仿真结果。最后,该文总结了现有分布式多传感器多目标跟踪关键技术存在的问题,并指出了其未来发展趋势。

高速场景下一种多传感器多目标检测跟踪系统的评价方法

多源传感器融合感知结果的有效评估是自动驾驶的重要组成部分,对系统性能的优化、迭代和升级具有至关重要的作用。本文系统阐述了典型的多传感器多目标检测和跟踪系统的算法框架,并提出了一种以人工标注的激光雷达数据作为真实值的评估方法。通过该评价方法,使用在高速公路路况下采集的数据,实际评价了一个基于相机和毫米波雷达的检测和跟踪系统,获得了详实的测试数据,证明了该评价方法对于系统的改进具有指导意义。

复杂环境中的无人车多传感器紧耦合SLAM方法

提出了一种多传感器信息紧耦合的无人驾驶车辆SLAM方法—Ligom,此方法在复杂环境中,可以实现无人驾驶车辆状态的实时估计与环境地图的构建。Ligom基于迭代扩展卡尔曼滤波(iEKF)理论设计,融合了惯性测量单元(IMU)、全球导航卫星系统(GNSS)、激光雷达(Lidar)与相机(Camera)等不同传感器。首先利用IMU预测车辆的先验状态与消除点云畸变,并使用滑动窗口方法保存点云特征以提高点云匹配精度;然后,通过对GNSS信息作初始化与坐标系变换,分别完成滤波更新得到后验状态;最后在后端环节引入关键帧进行状态优化与反馈更新,构建全局环境点云地图。此外,利用Camera-Lidar联合检测的多目标检测与跟踪算法,完成全局桩桶地图的构建。Ligom在四个不同平台与环境采集的数据集上进行了充分验证。

多传感器融合多目标跟踪中的序贯航迹关联算法

对于分布式多传感器融合多目标跟踪系统,提出一种序贯处理的航迹关联融合算法。为实现杂波干扰环境中对密集多目标的精确跟踪,航迹关联采用了粗、精关联相结合的方法,最小均方误差法用于实现航迹融合。序贯处理的航迹关联融合算法在保证航迹关联正确的同时,大大降低了计算量。仿真实验结果说明了本文方法的有效性。

无线传感器网络空中目标跟踪任务分配技术的研究

以无线传感器网络对空中飞行目标跟踪为背景,针对无线传感器网络协同技术中的任务分配问题,以降低传感器节点之间的通信能量消耗为目的,提出了一种基于弹性神经网络的任务分配算法。首先对多动态联盟多目标跟踪问题进行建模,然后依据最小能量准则,采用一种非全连接的环形结构的弹性神经网络模型,解决了多目标跟踪时的任务优化分配问题以及多个动态联盟对传感器资源竞争冲突时系统能耗增加的问题。仿真结果表明,该算法与传统的方法相比,大大降低了跟踪系统的能量消耗。

被动多站多目标的测量数据关联算法研究

将视线距离的概念引入到被动多站多目标的测量数据关联,提出了各观察站对于同一目标的视线之间的距离和最短的关联准则,在此基础上,构造了测量数据的快速关联算法。其主要特点是不需要目标位置的任何先验信息,从而克服了由此产生的各种不利影响,为数据关联提供了一条新的思路。最后的仿真结果验证了算法的有效性。

复杂场景多传感器图像的多目标分割算法

综合应用多传感器图像灰度分布特征和分形维数特征进行目标检测、应用动态边缘演化提取目标轮廓,有效解决了复杂场景多目标分割的难题。首先根据图像的内在属性应用指定直方图进行图像增强,随后分别对可见光图像应用分形维数特征、对红外图像应用最大熵法、对激光雷达图像应用局部阈值法进行兴趣区域提取;再将各传感器图像获得的兴趣区域进行交叉验证,进一步排除背景干扰;最后把经过综合处理的目标轮廓估计作为初始生长曲线应用动态边缘演化技术最终确定目标边缘。对大量的复杂场景多传感器图像测试表明,本文提出的方法较好地保留了目标的形状特征,是一种有效的多目标分割技术。

基于多传感器融合的智能汽车多目标检测技术综述

随着人工智能领域的快速崛起,智能汽车环境感知技术也得到了突飞猛进的发展,智能汽车的感知系统离不开多个以及多种传感器之间的配合使用,基于多传感器融合的智能汽车多目标检测技术也成为当下的热门研究方向,工业界和学术界都对此提出了不同的解决方案。本文对驾驶环境下基于多传感器融合的多目标检测技术进行了概述和总结,介绍了常用的车载传感器、数据集以及多传感器融合的方法和分类,对最近的多传感器检测算法进行了梳理,最后对基于多传感器融合的智能汽车多目标检测技术进行了概述,并对此方向存在的挑战和未来的发展趋势进行了分析。

基于FCM的多传感器融合多目标跟踪的数据关联

数据关联是实现多目标跟踪的核心技术之一,也是实现多传感器信息融合的前提。本文采用改进的模糊c-均值法求解关联概率,并通过在不同的传感器所对应的观测空间上建立多目标运动状态的投影,将单传感器数据关联算法推广到多传感器信息融合系统,从而可在密集杂波环境中实现对多目标的数据关联和精确跟踪。仿真实验结果说明了本文方法的有效性。

一种面向协同探测的多传感器管理系统架构

针对预警机面临的复杂作战环境及异类传感器带来的信息冗余问题,在总结目前传感器管理架构研究现状的基础上,从传感器管理系统关键技术及与其他系统的关系两方面分析了管理系统架构的设计依据,提出了一种清晰明了的架构,为构建预警机传感器管理系统提供了一定的理论指导。

基于K-Medoids聚类的多传感器航迹关联算法

为有效解决目标密集环境下的航迹关联问题,提出了一种基于K-Medoids聚类的航迹关联算法.该算法采用局部航迹与系统航迹进行关联的策略,将系统航迹作为Medoids,降低了需要关联的航迹对数量,避免了K-Medoids的固有缺陷,很大程度上提高了关联算法的效率.通过采用无穷范数计算采样点点迹距离求出了两条航迹的近似距离,这使得关联判决能考虑历史和当前航迹,提高了正确关联率.在多传感器多目标环境下讨论了其具体实现过程,仿真实验结果验证了该算法的有效性和优越性.该算法在存在噪音和离群点时,具有很强的健壮性,适合目标密集环境.

基于不确定性分析的多传感器航迹融合算法

针对目前多传感器系统中常用的航迹融合方法精度与计算量不能兼顾,不能很好地处理不确定性,特别是对曲线航迹拐点的融合误差较大等问题,提出一种基于不确定性分析的航迹融合算法。该算法通过分析航迹融合所需的信息量,用标准熵量化每条航迹的不确定程度,从总体上删除质量较差的航迹,然后对每条参与融合的航迹进行分析,用正交多项式回归的方法剔除了测量误差较大的数据点。该算法有效的处理了传感器航迹中的不确定因素,解决了目前航迹融合方法中拐点融合误差较大的问题,以较小的计算开销达到了较高的精度,从而平衡了精度与计算量之间的矛盾。最后在多传感器多航迹的环境下讨论了其具体实现过程,仿真实验结果验证了该算法的有效性、优越性。

基于随机有限集的多目标跟踪算法综述

基于随机有限集(RFS)的多目标跟踪算法是近年来国际上多传感器信息融合领域的研究热点。分别论述了RFS框架下3种重要的近似滤波器即概率假设密度(PHD)、势化PHD(CPHD)和多目标多伯努利(Me MBer)滤波器的研究进展,并对它们进行了比较和总结;然后,着重梳理了它们在机动目标跟踪、非标准目标跟踪、多传感器融合、多目标跟踪性能评估等方面的研究现状;最后,对相关领域的未来研究方向进行了分析和展望。

多传感器多目标定位与跟踪技术研究

针对炮兵打击目标的特性和获取目标信息所采用的侦察设施 ,研究了多传感器多目标定位和跟踪问题。在闭圆和聚类概念的基础上 ,提出了一种多传感器多目标融合算法 ,并给出了状态估计的最优解。仿真结果证明了这种算法的有效性。这一模型的物理实现正在进一步研究之中。

多传感器高斯混合PHD融合多目标跟踪方法

针对复杂环境下单传感器多目标跟踪方法效果不佳的问题,基于FISST(Finite set statistics)跟踪理论提出一种多传感器高斯混合PHD(Probability hypothesis density)多目标跟踪方法.首先,分析了FISST下多传感器PHD的形式化滤波器,在此基础上构建一种反馈式多传感器PHD融合跟踪框架;进一步利用高斯混合技术提出多传感器PHD跟踪方法;最后,通过解决多传感器后验PHD粒子匹配与融合问题提出三种算法.仿真实验表明,与常规高斯混合PHD跟踪算法相比,本文所提算法能够有效提高目标跟踪精度和鲁棒性.

纯方位被动多传感器多目标跟踪算法

多传感器多目标跟踪中的数据关联问题是目标跟踪领域中的难点及核心。若传感器是只有角度量测的被动传感器,关联问题则变得更为复杂。针对纯方位多被动传感器系统的多目标跟踪问题,提出了一种基于高斯-厄密特滤波的动态多维分配方法。首先建立了直角坐标系下多被动传感器的高斯-厄密特滤波模型;在该模型的基础上,采用多维分配问题的思想,直接建立各传感器角度量测与目标角度预测值的候选关联组合,并将其进行动态地分配,提高了关联效率。仿真实验表明,该方法可以实时、高效地解决多被动传感器系统中的数据关联问题,并且能够对多目标进行稳定的跟踪。