一种异步传感器融合的期望条件最大化扩展目标跟踪方法及装置

本发明涉及多传感器信息融合与目标跟踪，具体为一种异步传感器融合的期望条件最大化扩展目标跟踪方法及装置。

背景技术：

1、随着高分辨率雷达、激光雷达等先进传感技术的普及，传感器的空间分辨能力显著提升，使得扩展目标跟踪成为目标跟踪领域的一个重要分支。扩展目标与传统点目标（每次扫描产生单个量测点）不同，车辆、飞机等扩展目标在单次扫描中会形成多个量测点。

2、因此，扩展目标跟踪的任务从仅估计目标的运动状态（位置、速度），发展为需联合估计目标的运动状态及其扩展状态（尺寸、形状、朝向等几何属性）。这些扩展信息对于目标识别、行为意图判断等高层次应用至关重要。

3、为应对这一挑战，随机矩阵模型和乘性误差模型是两类主流的扩展目标跟踪方法。随机矩阵模型采用随机矩阵描述目标扩展形态，并通过逆wishart分布对其演化进行建模，具有数学闭合性好的优点。乘性误差模型则将量测点建模为目标扩展形态上的加性噪声扰动。

4、然而，这些方法通常将目标尺寸、朝向等物理特性迥异的扩展参数置于统一的统计先验（如wishart分布或高斯分布）下进行演化建模。实际上，目标尺寸通常变化缓慢，而朝向则与运动状态强耦合，在机动时快速变化。统一的强先验模型在目标机动时灵活性不足，易导致估计精度下降甚至发散。

5、另一方面，为了提升系统的估计鲁棒性、容错性以及覆盖范围，在实际应用中通常会在同一平台或不同节点上部署多个同构传感器（如雷达网络）对同一目标进行协同观测。

6、然而，由于硬件差异或任务调度，这些传感器常以不同采样率工作，产生异步数据流。现有的高性能扩展目标跟踪算法多基于数据同步的理想假设，若直接将异步数据融合，会引入时间对齐误差。

7、这种误差在目标处于匀速直线运动时可能尚不显著，但一旦目标发生机动，其运动状态和扩展状态（尤其是朝向）会发生快速变化，此时异步融合带来的误差将被急剧放大，严重恶化跟踪性能。

8、因此，现有技术存在的“参数耦合估计难”与“数据异步融合难”两大问题，亟待一种能够在异步多传感器场景下，实现对扩展目标跟踪进行高精度、高鲁棒性联合估计的方法。

技术实现思路

1、本发明的目的在于提供一种异步传感器融合的期望条件最大化扩展目标跟踪方法及装置，以解决上述背景技术中提出的问题。

2、本发明的主要设计思路：

3、基于上述问题，本发明通过“局部期望最大化估计-运动模型时间对齐-全局融合”的三级架构，有效解决了异步多传感器扩展目标跟踪中的参数耦合与数据异步难题，显著提升了目标在机动过程中的跟踪精度、鲁棒性及系统的可实现性。

4、为实现上述目的，本发明提供如下技术方案：

5、一方面，本发明提供一种异步传感器融合的期望条件最大化扩展目标跟踪方法，包括：

6、获取多个传感器对同一扩展目标进行异步观测的量测数据；

7、对于每一个传感器，基于滑动窗口内的该传感器的量测数据，通过期望条件最大化算法对扩展目标的运动状态和扩展状态进行联合估计，得到该传感器的局部估计结果；

8、以采样频率最高的传感器的时间轴为时间基准，基于扩展目标的运动模型，将其他传感器的局部估计结果对齐至所述时间基准下，获得对齐后的局部估计结果；

9、将所有对齐后的局部估计结果进行融合，获得对扩展目标的全局跟踪结果。

10、进一步优选地，所述扩展目标的运动状态包括位置和速度，所述扩展目标的扩展状态包括尺寸和侧滑角。

11、进一步优选地，通过期望条件最大化算法对扩展目标的运动状态和扩展状态进行联合估计，包括：

12、初始化扩展状态估计值；

13、基于当前的扩展状态估计值和所述量测数据，对滑动窗口内的运动状态进行平滑估计，获得运动状态估计值；

14、基于所述运动状态估计值，通过最大化完全数据对数似然函数的条件期望，更新扩展状态估计值；

15、迭代执行上述运动状态估计和扩展状态更新直至满足收敛条件，输出最终的运动状态估计值和扩展状态估计值，作为该传感器的局部估计结果。

16、进一步优选地，所述基于当前的扩展状态估计值和所述量测数据，对滑动窗口内的运动状态进行平滑估计，获得运动状态估计值，包括：

17、从滑动窗口的起始时刻向结束时刻，基于扩展状态估计值和所述量测数据对运动状态进行前向滤波，包括计算测量预测协方差矩阵和卡尔曼增益，获得各时刻的滤波估计和滤波估计协方差；

18、从滑动窗口的结束时刻向起始时刻进行后向平滑，利用未来时刻的信息修正滤波估计和滤波估计协方差，获得运动状态估计值。

19、进一步优选地，所述前向滤波过程中，将运动状态估计误差、侧滑角估计误差和尺寸估计误差分别通过对应的雅可比矩阵传播至测量空间，并将传播后的项累加至测量预测协方差矩阵，用于计算卡尔曼增益。

20、进一步优选地，所述基于所述运动状态估计值，通过最大化完全数据对数似然函数的条件期望，更新扩展状态估计值，包括：

21、基于运动状态估计值及其误差协方差，计算加权量测残差协方差矩阵；

22、对扩展噪声协方差矩阵进行第一奇异值分解，对所述加权量测残差协方差矩阵进行第二奇异值分解；

23、基于第一奇异值分解结果、第二奇异值分解结果和上一轮迭代的侧滑角估计值，更新尺寸估计值；

24、基于更新后的尺寸估计值、第一奇异值分解结果和第二奇异值分解结果，更新侧滑角估计值。

25、进一步优选地，所述更新尺寸估计值的表达式为：

26、；

27、其中，表示更新后的尺寸估计值，表示传感器s在时间的侧滑角估计值，表示的逆矩阵，和为第一奇异值分解结果，和为第二奇异值分解结果，表示矩阵转置运算。

28、进一步优选地，所述更新侧滑角估计值，包括：

29、基于更新后的尺寸估计值、第一奇异值分解结果和第二奇异值分解结果构建中间矩阵，并从中间矩阵中解析出扩展目标的长轴方向角；

30、将速度估计值的方向角与所述长轴方向角的差值作为侧滑角估计值。

31、进一步优选地，以采样频率最高的传感器的时间轴为时间基准，基于扩展目标的运动模型，将其他传感器的局部估计结果对齐至所述时间基准下，获得对齐后的局部估计结果，包括：

32、对于所述其他传感器中的每一个，计算其局部估计结果与所述时间基准之间的时间间隔；

33、根据扩展目标的运动模型，生成与所述时间间隔对应的状态转移矩阵；

34、利用状态转移矩阵对该传感器的局部估计结果进行前向预测，获得该传感器对齐后的局部估计结果。

35、另一方面，本发明提供一种异步传感器融合的期望条件最大化扩展目标跟踪装置，包括：

36、数据获取模块，被配置为获取多个传感器对同一扩展目标进行异步观测的量测数据；

37、局部估计模块，被配置为对于每一个传感器，基于滑动窗口内的该传感器的量测数据，通过期望条件最大化算法对扩展目标的运动状态和扩展状态进行联合估计，得到该传感器的局部估计结果；

38、时间对齐模块，被配置为以采样频率最高的传感器的时间轴为时间基准，基于扩展目标的运动模型，将其他传感器的局部估计结果对齐至所述时间基准下，获得对齐后的局部估计结果；

39、全局融合模块，被配置为将所有对齐后的局部估计结果进行融合，获得对扩展目标的全局跟踪结果。

40、与现有技术相比，本发明的有益效果是：

41、1.本发明通过期望条件最大化算法对运动状态与扩展参数进行联合迭代估计，摆脱了对扩展状态统一强先验的依赖，避免了因先验失配导致的估计偏差，尤其能在目标机动等动态场景下实现更高精度的跟踪。

42、2.本发明提出了基于运动模型的前向预测式时间对齐策略，通过将低频传感器的状态估计精确外推至统一的时间基准，彻底消除了时序错位误差，并使得融合系统获得了更高的等效更新率与更全面的观测信息，从而输出更平滑、更可靠的目标轨迹与轮廓。

43、3.本发明的集成架构具备强大的容错能力。即使个别传感器性能下降，系统通过信息融合仍能维持稳定的跟踪性能，并且在目标剧烈机动时，对运动状态和易变的扩展状态（如朝向）的估计均表现出更小的波动和更强的抗发散能力。

44、4.本发明融合框架与具体估计算法解耦，便于局部或全局算法灵活替换与升级。核心量测模型可通过调整形状生成函数，轻松扩展至矩形等非椭圆形状目标的跟踪，应用范围广泛。

45、5.本发明采用模块化设计将复杂问题分解为局部估计、时间对齐、数据融合三个清晰环节，显著降低了系统集成、调试及在实际计算平台部署的复杂度，有利于技术产业化应用。