一种基于液态时间常数网络的车载雷达非均匀时序目标跟踪方法及系统与流程

本发明涉及车载雷达跟踪，具体涉及一种基于液态时间常数网络的车载雷达非均匀时序目标跟踪方法及系统。

背景技术：

1、油田井场、罐区、长输管线等野外场景下，移动雷达应急指挥车依靠车载雷达完成区域目标感知，结合红外、可见光、无人机感知数据实现风险评估、应急资源调度，是油田安全生产的核心感知设备，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。现有车载雷达跟踪相关技术存在如下固有缺陷：

2、1、车载旋转雷达扫描周期易受雷达转速波动、车辆行驶振动、车载通信链路拥塞影响，雷达观测帧间隔呈现非均匀、随机抖动特性；

3、2、传统rnn、gru等时序神经网络采用固定时间步长更新隐状态，完全忽略相邻观测真实时间差δt，在雷达漏扫、帧间隔剧烈抖动工况下，极易出现目标速度计算偏差、目标id频繁切换、轨迹漂移失真问题；

4、3、transformer类时序跟踪模型参数量庞大、推理计算开销高，无法适配车载arm、国产npu/gpu低算力、低功耗的连续实时跟踪需求；

5、现有对比文件cn113129620a公开多毫米波雷达汇聚、目标融合与轨迹还原；cn121836439a公开空天地协同感知、多源数据融合、应急路径规划；cn121660444a公开数字孪生框架下传感器时空对齐与风险调度，但上述文献仅披露通用传感器融合、调度架构，均未公开利用雷达实际采样间隔、车辆imu振动、雷达转速联合调控液态时间常数，构建连续时间隐状态更新、跟踪与硬件安全校验一体化闭环的核心技术方案，无法解决非均匀时序下车载雷达跟踪精度、实时性、鲁棒性三者难以兼顾的行业痛点。

技术实现思路

1、本发明为克服现有技术中固定步长时序模型适配非均匀雷达采样能力差、大参数量模型难以部署车载国产化边缘硬件、漏帧、振动、弱网工况轨迹漂移、id切换频繁、缺少车载硬件安全闭环管控的缺陷。为此本发明提出了一种基于液态时间常数网络的车载雷达非均匀时序目标跟踪方法及系统，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、本发明提出了一种基于液态时间常数网络的车载雷达非均匀时序目标跟踪方法，其特征在于，所述方法包括以下步骤：

3、步骤1、采集车载雷达检测数据，将包含原始时间戳、扫描序号、检测质量的雷达目标位置、径向速度、反射强度、类别检测结果统一转换至车体坐标系，基于类别与空间门限剔除异常检测数据，输出目标特征、轨迹历史隐状态；

4、步骤2、提取当前雷达检测时间戳与各轨迹上一次更新时间，计算每条轨迹对应的实际时间间隔δt；采集雷达转速、车辆imu振动幅值、轨迹历史速度、连续漏扫计数，整合生成时间上下文特征；

5、步骤3、将步骤1所输出的目标特征、轨迹历史隐状态、步骤2所生成的时间上下文共同输入液态时间常数网络，经softplus激活函数叠加最小时间常数约束，输出每一隐状态维度对应的正值时间常数；

6、步骤4、基于实际时间间隔δt与逐维时间常数计算指数衰减系数，采用连续时间更新公式更新轨迹液态隐状态，并从所述更新后的同一隐状态中同步输出目标位置、运动速度、状态不确定度及数据关联嵌入向量；

7、步骤5、结合目标马氏距离、类别一致性、关联嵌入向量距离、状态不确定度构建门控代价矩阵，执行匈牙利匹配算法完成检测与轨迹配对；

8、步骤6、构建含时间抖动、雷达转速扰动、车辆振动扰动、随机漏帧、目标遮挡的数据增强样本集，将位置误差、速度误差、不确定度拟合损失、关联嵌入距离损失、id一致性损失联合优化液态时间常数网络，采用匹配后下一时刻真实轨迹状态作为监督量形成训练闭环。

9、进一步的，提供一种优选实施方式，步骤3中经softplus激活函数叠加最小时间常数约束，输出每一隐状态维度对应的正值时间常数的方法为：

10、

11、其中，为当前目标特征，为历史隐状态，为时间上下文。

12、进一步的，提供一种优选实施方式，步骤3中所述的液态隐状态的维度为32～128；最小时间常数取值为0.01～0.05s；训练时间抖动增强幅度±10%～±40%；训练随机漏帧比例0%～30%；匈牙利匹配关联门限0.3～0.7。

13、进一步的，提供一种优选实施方式，步骤4中采用连续时间更新公式更新轨迹液态隐状态的方法为：

14、

15、其中，为更新后隐状态，为逐元素相乘。

16、进一步的，提供一种优选实施方式，步骤5中结合目标马氏距离、类别一致性、关联嵌入向量距离、状态不确定度构建门控代价矩阵，执行匈牙利匹配算法完成检测与轨迹配对的方法为：

17、针对已匹配检测：校正对应轨迹的液态隐状态；

18、针对无匹配历史轨迹：基于当前隐状态持续预测目标运动，并扩大状态不确定度；针对无匹配雷达检测：初始化全新目标轨迹。

19、进一步的，提供一种优选实施方式，所述方法还用于部署于车载边缘国产化算力平台，部署方法包括以下步骤：

20、采用pytorch搭建液态时间常数网络，通过开关变量实现多组消融对比试验；完成网络精度标定后导出torchscript或onnx模型；

21、推理阶段拆分算力任务：arm节点执行坐标转换、数据校验、轨迹生命周期逻辑；国产npu或gpu节点执行液态时间常数预测、隐状态更新、关联嵌入推理；

22、运行全过程采集p50/p95/p99推理时延、硬件利用率、内存峰值、平均功耗、峰值温度、推理错误码并生成审计日志。

23、进一步的，提供一种优选实施方式，所述方法还包括安全回退控制步骤：

24、所述安全回退控制包括：实时监测传感器数据冲突、模型输出偏差、硬件温度或功耗越限、车载通信中断、模型检查点损坏、目标关键类别不确定度超限至少一种异常工况；触发异常时，停止复用当前推理输出，执行重新采集传感器数据、完整重推理、备用算力节点接管、回退至上一帧稳定轨迹结果、人工复核中的至少一项操作，同步记录异常触发条件、输入数据版本、校验日志存档备查。

25、方案二、一种基于液态时间常数网络的车载雷达非均匀时序目标跟踪系统，所述系统包括：

26、输入模块，用于采集车载雷达检测数据，将包含原始时间戳、扫描序号、检测质量的雷达目标位置、径向速度、反射强度、类别检测结果统一转换至车体坐标系，基于类别与空间门限剔除异常检测数据，输出目标特征、轨迹历史隐状态；

27、检测特征编码模块，用于提取当前雷达检测时间戳与各轨迹上一次更新时间，计算每条轨迹对应的实际时间间隔δt；采集雷达转速、车辆imu振动幅值、轨迹历史速度、连续漏扫计数，整合生成时间上下文特征；

28、宽态时间窗模块，用于将输入模块所输出的目标特征、轨迹历史隐状态、步骤2所生成的时间上下文共同输入液态时间常数网络，经softplus激活函数叠加最小时间常数约束τmin，输出每一隐状态维度对应的正值时间常数；

29、轨迹预测模块，用于基于实际时间间隔δt与逐维时间常数τt计算指数衰减系数，采用连续时间更新公式更新轨迹液态隐状态，由更新后的同一隐状态同步输出目标位置、运动速度、状态不确定度、数据关联嵌入向量；

30、数据关联模块，用于结合目标马氏距离、类别一致性、关联嵌入向量距离、状态不确定度构建门控代价矩阵，执行匈牙利匹配算法完成检测与轨迹配对；

31、输出模块，用于构建含时间抖动、雷达转速扰动、车辆振动扰动、随机漏帧、目标遮挡的数据增强样本集，将位置误差、速度误差、不确定度拟合损失、关联嵌入距离损失、id一致性损失联合优化液态时间常数网络，采用匹配后下一时刻真实轨迹状态作为监督量形成训练闭环。

32、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。

33、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。

34、本发明的有益之处在于：

35、本发明所述的基于液态时间常数网络的车载雷达非均匀时序目标跟踪方法通过为每条跟踪轨迹配置独立液态隐状态并将雷达真实观测时间间隔直接参与隐状态指数衰减计算，同时融合雷达转速、车辆imu振动幅值、连续漏扫计数等多维度上下文联合自适应预测逐维正值液态时间常数，依托单次隐状态更新同步输出目标运动参数、可量化状态不确定度与关联嵌入向量并联动门控匈牙利数据关联形成完整计算闭环，一方面有效解决车载雷达非均匀采样、链路丢帧、车辆颠簸振动、设备高温、目标遮挡等野外复杂工况下轨迹漂移、目标id频繁切换的问题，大幅提升多目标跟踪精度与长时连续运行稳定性，另一方面采用轻量化网络架构，参数量与推理时延显著降低，能够适配rk3588、国产昇腾npu等车载低算力边缘硬件实时部署需求，同步配套分层国产化部署逻辑与硬件异常安全回退审计机制，保障油田应急跟踪任务不间断稳定执行，且全程输出标准化状态估计不确定度指标，可为井场风险分级、应急资源智能调度提供量化可信的决策依据。