一种基于前向全近邻解相关的乱序航迹融合方法与流程

1.本发明属于目标自动跟踪领域，涉及多源乱序航迹融合方法，具体涉及一种基于前向全近邻解相关的乱序航迹融合方法。


背景技术：

2.在多源航迹融合领域，融合中心接收各个传感器局部跟踪得到的航迹并进行航迹融合，与单传感器目标跟踪相比，提高了目标跟踪性能；与多源点迹信息融合相比，减轻了通信宽带的压力和融合中心的计算量。实际上，在进行数据传输时，由于各个传感器与融合中心的空间距离不同，会导致不同程度的通信时延，延迟时间会随着传输距离增加而增加。通信时延导致到达融合中心的数据出现时序混乱的情况，直接对乱序信息进行融合处理会严重降低融合中心的跟踪性能。如何合理利用乱序信息是信息融合的一个技术难点。
3.针对航迹乱序到达融合中心的问题，常用的乱序航迹处理方式为丢弃法，即融合中心接收乱序航迹后直接丢弃不处理，其主要思想为：在当前融合周期内，将传感器上传的确认航迹更新时间戳与中心航迹当前时间戳进行对比，判断传感器上传的确认航迹是否发生乱序：若发生乱序，直接将其丢弃不用；若没有发生乱序，则采用全近邻融合算法对传感器上传的航迹进行融合。由上述分析可知，丢弃法虽然降低了融合中心的计算量和存储量，但未能有效利用目标多源信息，导致降低了中心航迹的跟踪性能。


技术实现要素：

4.针对现有技术的不足，本发明提出了一种基于前向全近邻解相关的乱序航迹融合方法，利用融合中心存储的中心航迹历史信息对来源不确定的乱序航迹集进行全近邻顺序融合，通过解相关操作获取仅由乱序航迹集更新的中心航迹估计值，并将其与当前时刻更新的中心航迹在混合状态空间进行高效融合，解决航迹来源不确定的问题，并提高了航迹精度。
5.当前时刻为k时刻，在(η3,η4]这个融合周期内，融合中心接收到了传感器a在第τ时刻更新的确认航迹集t
τ
(a)，由于τ<k，因此确认航迹集t
τ
(a)为乱序航迹集。
6.一种基于前向全近邻解相关的乱序航迹融合方法，利用乱序航迹集t
τ
(a)将k时刻的中心航迹由当前混合状态更新为融合后的按照条件概率公式展开为：
[0007][0008]
其中，χ表示目标存在事件，x表目标动力学状态，f表示中心航迹。表示截至到k时刻融合中心接收到的所有航迹集合，p(
·
)表示概率密度函数，p(
·
)表示概率。表示传感器a在τ时刻更新的确认航迹集，其中传感器a在τ时刻更新的第i条航迹的后验概率密度函数为：
[0009][0010]
根据条件概率公式展开：
[0011][0012]
其中，表示截至到τ时刻传感器a接收到的所有测量集合。表示传感器a在τ时刻更新得到的第i条确认航迹的目标存在概率，表示传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态估计：
[0013][0014]
其中，n(
·
)表示高斯函数，表示高斯分布的均值，即传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态均值，表示高斯分布的协方差，即传感器a在τ时刻更新得到的第i条确认航迹的误差协方差。为由乱序航迹更新后中心航迹在第k时刻的目标存在概率，为由乱序航迹更新后中心航迹在第k时刻的目标动力学状态估计。
[0015]
一种基于前向全近邻解相关的乱序航迹融合方法，通过以下步骤求解与完成乱序航迹融合：
[0016]
步骤一、根据b时刻的历史航迹混合状态，预测中心航迹在τ时刻的混合状态
[0017]
已知b时刻中心航迹的混合状态为：
[0018][0019]
根据条件概率公式展开得到：
[0020][0021]
其中，表示中心航迹在b时刻更新得到的目标存在概率，表示中心航迹在b时刻更新得到的目标动力学状态估计：
[0022][0023]
其中，表示b时刻目标动力学状态的估计均值，表示b时刻目标动力学状态估计的误差协方差。
[0024]
根据b时刻的历史航迹混合状态预测中心航迹在τ时刻的混合状态为：
[0025][0026]
其中，表示根据b时刻预测得到的中心航迹在τ时刻混合状态，
[0027]
表示由b时刻到τ时刻目标存在概率的预测：
[0028][0029]
其中，p
11
表示在上一时刻目标存在的情况下，当前时刻目标仍然存在的概率。
[0030]
表示中心航迹从b时刻到τ时刻目标动力学状态预测：
[0031][0032]
其中，表示中心航迹从b时刻到τ时刻目标动力学状态的预测均值，表示中心航迹从b时刻到τ时刻目标动力学状态的预测误差协方差：
[0033][0034]
其中，f
τ|b
表示从b时刻到τ时刻的目标状态转移矩阵，q
τ|b
表示从b时刻到τ时刻的过程噪声协方差矩阵。
[0035]
作为优选，设置p
11
的值为0.98。
[0036]
作为优选，目标状态转移矩阵f
τ|b
根据目标运动模型确定，过程噪声协方差矩阵q
τ|b
为加性高斯白噪声。
[0037]
步骤二、根据k时刻接受到的乱序航迹信息t
τ
(a)，更新中心航迹在τ时刻的混合状态根据条件概率公式，将中心航迹在τ时刻更新后的混合状态展开为：
[0038][0039]
其中，表示中心航迹在τ时刻更新后的目标存在概率，表示中心航迹在τ时刻更新后的目标动力学状态估计。
[0040]
设置门限对航迹进行筛选，减少计算量，然后计算门限内的航迹集合中每条航迹的关联概率，得到中心航迹在τ时刻的混合状态。具体步骤进行如下：
[0041]
s2.1、门限技术
[0042]
设置航迹门限γ对τ时刻的中心航迹进行筛选：
[0043][0044]
其中，表示乱序航迹集t
τ
(a)中的第i条航迹在τ时刻更新得到的目标动力学状态估计。表示新息协方差：
[0045][0046]
其中，表示在τ时刻中心航迹和传感器a的第i条航迹的互协方差。
[0047]
筛选后得到门限内的航迹集合
[0048]
s2.2、计算关联概率
[0049]
计算航迹集合中每条航迹的关联概率
[0050][0051]
关联概率表示τ时刻航迹集合内第j条航迹与中心航迹跟踪同一个目标的概率。p
d
为检测概率，表示门限内第j条航迹在τ时刻的目标存在概率，m
τ
表示航迹集合中的航迹数量，表示门限中第j条航迹的目标动力学状态预测，表示虚假航迹的密度，m
τ
表示τ时刻传感器a更新得到的确认航迹的个数，v
a
表示传感器a在状态域上的探测范围。为似然比：
[0052][0053]
s2.3、求解混合状态
[0054]
中心航迹在τ时刻更新后的目标存在概率为：
[0055][0056]
中心航迹在τ时刻更新后的目标动力学状态估计为：
[0057][0058]
其中，表示中心航迹在τ时刻的目标动力学状态估计均值，表示中心航迹在τ时刻的目标动力学状态估计误差协方差，根据高斯混合有：
[0059][0060][0061]
当j＝0时：
[0062][0063][0064]
当j>0时：
[0065][0066][0067]
作为优选，航迹门限γ＝13.816，互协方差
[0068]
步骤三、根据更新后τ时刻的混合状态，预测中心航迹在k时刻的混合状态
[0069]
根据步骤二得到的中心航迹在τ时刻更新后的混合状态对中心航迹在k时刻的混合状态进行预测：
[0070][0071][0072]
其中，int(
·
)表示向下取整，t表示主传感器的采样周期。
[0073]
因此从τ时刻预测到k时刻中心航迹的目标动力学状态为：
[0074][0075][0076]
步骤四、根据b时刻的历史航迹混合状态，预测中心航迹在k时刻的混合状态
[0077]
根据b时刻的历史航迹混合状态，预测中心航迹在k时刻的混合状态
[0078][0079]
其中，k时刻目标存在概率预测值为：
[0080][0081]
k时刻目标动力学状态预测值为：
[0082][0083]
k时刻预测均值为：
[0084][0085]
k时刻预测误差协方差为：
[0086][0087]
步骤五、对预测的k时刻混合状态进行处理
[0088]
将步骤三得到的由τ时刻预测的k时刻中心航迹混合状态预测与步骤四得到的由b时刻预测的k时刻中心航迹混合状态预测进行解相关处理，得到由乱序航迹集t
τ
(a)更新的中心航迹混合状态预测结果，其中目标存在概率的预测为：
[0089][0090]
目标动力学状态预测为：
[0091][0092]
其中，
[0093]
步骤六、航迹融合
[0094]
将步骤五处理后的k时刻中心航迹混合状态预测与k时刻中心航迹混合状态进行融合处理，按照条件概率公式展开为：
[0095][0096]
融合处理后k时刻的目标存在概率为：
[0097][0098]
融合处理后k时刻的目标动力学状态估计为：
[0099][0100]
其中，
[0101]
本发明具有以下有益效果：
[0102]
1、利用全近邻融合算法，解决乱序航迹来源不确定的问题，为乱序航迹融合提供明确输入。
[0103]
2、充分利用乱序航迹集隐含的目标信息，通过前向预测和解相关操作，解决乱序航迹的高效融合问题，大幅提升目标跟踪精度、目标航迹起始速度和目标航迹维持度。
附图说明
[0104]
图1为多传感器航迹乱序到达融合中心示意图；
[0105]
图2为实施例中的仿真场景图；
[0106]
图3为丢弃法与实施例的位置rmse比较图；
[0107]
图4为丢弃法与实施例的平均ctt个数比较图。
具体实施方式
[0108]
以下结合附图对本发明作进一步的解释说明；
[0109]
如图1所示，当前时刻为k时刻，在(η3,η4]这个融合周期内，融合中心接收到了传感器a在第τ时刻更新的确认航迹集t
τ
(a)，由于τ<k，因此确认航迹集t
τ
(a)为乱序航迹集。本方法利用乱序航迹集t
τ
(a)将k时刻的中心航迹由当前混合状态更新为融合后的按照条件概率公式展开为：
[0110][0111]
其中，χ表示目标存在事件，x表目标动力学状态，f表示中心航迹。表示截至到k时刻融合中心接收到的所有航迹集合，p(
·
)表示概率密度函数，p(
·
)表示概率。表示传感器a在τ时刻更新的确认航迹集，其中传感器a在τ时刻更新的第i条
航迹的后验概率密度函数为：
[0112][0113]
根据条件概率公式展开：
[0114][0115]
其中，表示截至到τ时刻传感器a接收到的所有测量集合。表示传感器a在τ时刻更新得到的第i条确认航迹的目标存在概率，表示传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态估计：
[0116][0117]
其中，n(
·
)表示高斯函数，表示高斯分布的均值，即传感器a在τ时刻更新得到的第i条确认航迹的目标动力学状态均值，表示高斯分布的协方差，即传感器a在τ时刻更新得到的第i条确认航迹的误差协方差。
[0118]
为由乱序航迹更新后中心航迹在第k时刻的目标存在概率，为由乱序航迹更新后中心航迹在第k时刻的目标动力学状态估计。
[0119]
设置如图2所示的仿真场景，其中两个传感器的监控范围一致，目标在监控区域内做匀速直线运动，使用本方法与丢弃法进行仿真，统计20次蒙特卡洛实验的结果。
[0120]
丢弃法与本方法的位置均方根误差如图3所示，本方法相较于丢弃法能有效提高目标的跟踪精度，如表1所示，本方法的时间平均位置rmse相较于丢弃法降低了63.4％。
[0121]
丢弃法本方法提升精度25.58329.364463.4％
[0122]
表1
[0123]
丢弃法与本方法的平均ctt个数随时间变化结果如图4所示，本方法相较于丢弃法能有效提高目标航迹起始速度并有效维持对目标的跟踪，如表2所示：
[0124]
时间/s丢弃法本方法90.550.7230.951550.951
[0125]
表2
[0126]
在仿真全过程，本方法的平均目标航迹个数均不小于丢弃法。在仿真初始阶段，本方法的平均目标航迹个数不小于丢弃法，说明本方法能提高目标航迹的起始速度。在仿真中后期阶段，丢弃法出现平均目标航迹个数减少的情况，说明存在目标跟丢的现象；而本方法的平均目标航迹个数一直等于目标个数，说明本方法能提高目标航迹的维持度。通过快速起始并维持目标航迹，可大幅减少虚假警报，将目标快速、准确地识别出来。在实际应用中，可应用于目标的快速识别和侦察，以更快的速度掌握局势。还可以应用于无人驾驶技术中，将汽车上多传感器的测量结果进行融合迭代，快速、准确得识别前方的目标，提高无人
驾驶技术的安全性能。