一种面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测方法及系统与流程

摘要: 本发明涉及多传感器目标融合预测,具体涉及一种面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测方法及系统。背景技术:1、油田井场、储罐、长输管线野外作业场景需...
一种面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测方法及系统与流程

本发明涉及多传感器目标融合预测,具体涉及一种面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测方法及系统。

背景技术:

1、油田井场、储罐、长输管线野外作业场景需依靠车载毫米波雷达、imu、gps、可见光/红外摄像头协同感知人员、泄漏、火焰等高危目标。车载设备与云端服务器硬件条件差异巨大,普遍存在算力异构、供电有限、散热差、无线链路易抖动丢包等问题。移动雷达应急指挥车需要在油田井场、罐区、长输管线和复杂野外环境中完成雷达感知、红外/可见光识别、无人机协同、风险评估、资源调度和通信保障。与固定数据中心不同,车辆内部存在舱室隔断、算力节点异构、热容量有限、ups供电受限、链路波动和机械状态变化等约束。现有多传感器目标融合跟踪方案存在三大固有技术缺陷:

2、1、主流卡尔曼滤波、时序跟踪算法均采用固定同步帧机制,强制等待雷达、惯导、相机所有传感器数据凑齐一帧再运算;各设备采样频率不一致时,要么长时间等待产生推理时延,要么直接丢弃迟到观测,大量有效感知数据被浪费,野外移动目标轨迹连续性受损。

3、2、野外遮挡、无线通信波动极易造成连续多帧传感器数据丢失,传统拼接式融合仅对缺帧做简单匀速外推,无动态不确定度量化机制,长时间丢帧后目标轨迹漂移严重,恢复观测时轨迹发生大幅跳变,无法满足应急预警稳定输出要求。

4、3、传统卡尔曼滤波仅采用固定线性运动模型,难以适配车辆颠簸、人员机动等复杂运动场景;纯神经网络跟踪方案缺少物理可解释的状态协方差传播,无法输出风险决策所需目标不确定度指标。

5、同时专利公开号为cn121660444a、cn113129620a、cn121836439a仅公开应急系统调度、数字孪生、多雷达汇聚的顶层业务框架,未针对异步无帧时序、连续丢帧、非线性机动、观测质量动态变化设计一体化液态状态空间融合算法,不存在“异步消息调度-液态残差非线性预测-观测质量自适应校正-缺帧限幅恢复-硬件部署校验”完整闭环体系,无法解决车载受限算力下异步丢帧跟踪的核心技术痛点。

技术实现思路

1、本发明为克服现有技术中固定帧同步机制时延大、连续丢帧轨迹漂移跳变、线性模型无法适配复杂机动、无动态观测噪声调节等问题。为此本发明提出了一种液体粘度与热扩散系数同步测量装置及方法,为解决上述技术问题本发明是通过以下技术方案实现的:

2、方案一、本发明提出了一种面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测方法,所述方法包括以下步骤:

3、步骤1、采集车载多传感器数据,包括带原始时间戳的雷达回波、imu或gps观测、摄像头目标检测结果,将每条消息绑定来源传感器标识、观测质量、有效标志;序列号后写入有限乱序优先队列;设置乱序时间水位线,早于水位线的消息判定为迟到消息并存档记录,不覆盖已完成更新的目标状态;

4、步骤2、读取队列中满足水位线条件的最早可提交消息,计算该消息时间戳与目标上一次状态更新时刻的实际时间间隔δt;基于线性状态转移矩阵,将目标状态、状态协方差完整传播至当前消息对应时刻,全程不等待其余传感器数据拼接形成固定同步帧;

5、步骤3、将传播前目标状态、实际时间间隔δt、传感器类型、观测质量得分、车载环境上下文共同输入液态残差网络,网络输出两部分正值约束输出量:非线性状态残差、过程噪声缩放系数代入状态传播公式完成状态与协方差更新;

6、步骤4、依据单条观测的信噪比、检测置信度、遮挡标记、数据时间新鲜度计算观测质量得分,结合预设最小观测质量动态缩放观测协方差,根据当前消息所属传感器类型构建对应观测矩阵,执行卡尔曼观测更新;

7、步骤5、传感器连续缺帧期间仅重复执行步骤2至步骤3,随缺帧持续时长持续放大状态协方差;当中断传感器新消息恢复时,计算预测创新向量,将创新量逐维限制在预测协方差对应的2~3σ区间内,分多轮消息渐进吸收创新量,抑制轨迹跳变;

8、步骤6、构建含消息随机延迟、消息乱序、多传感器频率不匹配、连续丢帧的仿真增强数据集,将状态位置误差、速度残差、过程噪声拟合损失、观测协方差校准损失、丢帧恢复过冲损失联合优化液态残差网络,完成液态状态空间融合预测。

9、进一步的,提供一种优选实施方式,步骤3中所述的将传播前目标状态、实际时间间隔δt、传感器类型、观测质量得分、车载环境上下文共同输入液态残差网络,网络输出两部分正值约束输出量:非线性状态残差、过程噪声缩放系数代入状态传播公式完成状态与协方差更新的方法为:

10、

11、式中,为基础过程噪声矩阵。

12、进一步的,提供一种优选实施方式,步骤3中所述的液态残差网络的输入参数包含目标历史状态、时间间隔δt、传感器种类、本次观测质量得分、车辆震动-环境温度的车载环境上下文;网络输出带正值约束的非线性状态残差、过程噪声缩放系数。

13、进一步的,提供一种优选实施方式,步骤4中结合预设最小观测质量动态缩放观测协方差,根据当前消息所属传感器类型构建对应观测矩阵,执行卡尔曼观测更新的方法为:

14、

15、式中,为基础观测协方差初始矩阵,为传感器观测质量得分,为最小观测质量。

16、进一步的,提供一种优选实施方式,所述方法还包括部署于油田移动雷达应急指挥车国产化边缘算力平台,部署执行方法包括以下步骤:

17、基于pytorch搭建液态残差网络,配置开关变量实现多组消融对照试验;完成精度标定后导出torchscript或onnx通用模型;

18、推理阶段算力拆分:arm嵌入式节点执行消息队列管理、状态传播逻辑、安全异常校验、轨迹生命周期管理;国产npu/gpu加速节点单独承载液态残差网络推理、观测协方差计算;

19、设备运行全程采集推理时延、硬件利用率、内存峰值、平均功耗、设备峰值温度、推理异常错误码,自动生成全流程审计日志存档。

20、进一步的,提供一种优选实施方式,所述方法还包括车载安全回退控制步骤:

21、车载安全回退控制包括:实时监测传感器数据冲突、液态网络输出偏差、设备温度和功耗超限、车载通信链路中断、模型校验文件损坏、目标关键类别状态不确定度超标任意一种异常工况;触发异常时停止复用当前帧推理输出,执行以下至少一项处置操作:传感器数据重新采集、完整重推理、备用算力节点切换接管、回退至上一帧稳定目标轨迹、人工复核校验,同步记录异常触发条件、输入数据版本、完整校验日志长期存储。

22、进一步的,提供一种优选实施方式,步骤1中所述的有限乱序优先队列窗口50~200ms。

23、方案二、一种面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测系统,所述系统包括:

24、输入模块,用于采集车载多传感器数据,包括带原始时间戳的雷达回波、imu或gps观测、摄像头目标检测结果,将每条消息绑定来源传感器标识、观测质量、有效标志;序列号后写入有限乱序优先队列;设置乱序时间水位线,早于水位线的消息判定为迟到消息并存档记录,不覆盖已完成更新的目标状态;

25、基础状态空间传播模块,用于读取队列中满足水位线条件的最早可提交消息,计算该消息时间戳与目标上一次状态更新时刻的实际时间间隔δt;基于线性状态转移矩阵,将目标状态、状态协方差完整传播至当前消息对应时刻,全程不等待其余传感器数据拼接形成固定同步帧;

26、液态残差预测模块,用于将传播前目标状态、实际时间间隔δt、传感器类型、观测质量得分、车载环境上下文共同输入液态残差网络,网络输出两部分正值约束输出量:非线性状态残差、过程噪声缩放系数代入状态传播公式完成状态与协方差更新;

27、观测质量校正模块,用于依据单条观测的信噪比、检测置信度、遮挡标记、数据时间新鲜度计算观测质量得分,结合预设最小观测质量动态缩放观测协方差,根据当前消息所属传感器类型构建对应观测矩阵,执行卡尔曼观测更新;

28、缺陷不确定管理模块,用于传感器连续缺帧期间仅重复执行步骤2至步骤3,随缺帧持续时长持续放大状态协方差;当中断传感器新消息恢复时,计算预测创新向量,将创新量逐维限制在预测协方差对应的2~3σ区间内,分多轮消息渐进吸收创新量,抑制轨迹跳变;

29、输出模块,用于构建含消息随机延迟、消息乱序、多传感器频率不匹配、连续丢帧的仿真增强数据集,将状态位置误差、速度残差、过程噪声拟合损失、观测协方差校准损失、丢帧恢复过冲损失联合优化液态残差网络,完成液态状态空间融合预测。

30、方案三、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述的方法的步骤。

31、方案四、一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,当所述处理器运行所述存储器存储的计算机程序时,所述处理器执行方案一所述的方法。

32、本发明的有益之处在于:

33、本发明所述的面向旋转雷达异步回波与丢帧数据的液态状态空间融合预测方法采用异步消息驱动架构,无需构建固定同步帧即可逐消息完成状态时序传播,有效消除多异构传感器采样频率不一致带来的数据等待时延与数据丢弃损耗;依托液态残差网络结合时序间隔、传感器类型、观测质量与环境上下文联合输出非线性运动残差及自适应过程噪声缩放系数,兼顾传统状态空间模型概率不确定度传播的可解释性与神经网络拟合复杂机动目标运动的非线性建模能力,显著降低轨迹预测位移误差、提升多目标跟踪精度;通过综合信噪比、遮挡状态、数据新鲜度计算观测质量得分并动态调整观测协方差,自动弱化低质量观测对状态估计的干扰;针对野外遮挡、车载通信波动导致的连续丢帧场景,丢帧阶段持续扩大状态不确定度,数据恢复时对观测创新量施加2~3σ限幅并渐进完成状态校正,从根源避免丢帧恢复后轨迹大幅跳变,在高温、弱网、夜间遮挡、高丢帧率等油田复杂车载工况下均具备优异鲁棒性;整套算法支持国产化边缘硬件分层部署,适配移动雷达应急指挥车算力、供电、散热受限的运行约束,同时内置硬件、通信、模型异常安全回退逻辑保障感知任务连续稳定执行,全程输出可量化的状态不确定度指标,能够为油田井场风险评估、应急调度智能决策提供可靠的置信度依据。