一种目标跟踪算法、系统及可读存储介质的制作方法

技术特征：
1.一种目标跟踪算法，其特征在于，所述目标跟踪算法包括：s1：设置关于α的参数网格；s2：遍历全部α，通过α计算得到λ及权重w
m
和w
c
；s3：获取λ点的分布情况；s4：对s3中的λ点通过汽车动力学模型得到的第一预测的λ点；s5：计算第一预测的λ点的均值和方差；s6：将s5计算均值和方差过程中引入状态预测的第一预测的λ点设置为第二预测的λ点，对第二预测的λ点再次计算方差；s7:输出第二预测的λ点的方差和均值以及第一预测的λ点中不包括第二预测的λ点的方差和均值，第二预测的λ点的均值与对应的s5中的第一预测的λ点的均值相同，判断第二预测的λ点以及第一预测的λ点中不包括第二预测的λ点的分布情况；s8：对下一个α值重复s4-s7，比较两个α值下的s7的分布情况结果，保留分布状态更好的λ点；s9：根据s8中结果获取最优的α参数，重复s3，获取在α参数最佳的情况下的最优估计值。2.根据权利要求1所述的目标跟踪算法，其特征在于，所述s7中判断第二预测的λ点以及第一预测的λ点中不包括第二预测的λ点的分布情况具体为：在状态量为一维的情况下，分布接近于正态分布更好；二维的情况下接近于椭圆更好；当维度大于2时，在每个维度上接近于高斯分布。3.根据权利要求1所述的目标跟踪算法，其特征在于，所述s3通过以下方法获得：λ＝α2(n k)-n；χ
[0]
＝μ；＝μ；其中，n:状态的维数；α和κ：确定δ点分布在均值多远的范围内的比例参数；μ：状态向量，包含位置，速度和加速度状态信息；σ：当前时刻状态的协方差矩阵。4.根据权利要求1所述的目标跟踪算法，其特征在于，所述s2的计算方法如下：所述s2的计算方法如下：所述s2的计算方法如下：当i＝1,...,2n；其中n为状态的维数，k值为影响λ点分布的参数，取值范围不固定，满足求解λ点的公式中的被平方根矩阵为正定矩阵。5.根据权利要求1所述的目标跟踪算法，其特征在于，所述s4中汽车动力学模型包括但不限于ctrv。6.根据权利要求1所述的目标跟踪算法，其特征在于，所述s5中计算方法如下：
其中，n:状态的维数；w
m
:计算均值所使用的权重；预测的状态矩阵；预测的状态的加权均值；w
c
:计算协方差所使用的权重；7.一种目标跟踪算法系统，包括上述权利要求1-6之一所述的目标跟踪算法，其特征在于，所述目标跟踪算法系统包括：参数网格预设单元，用于设置关于α的参数网格；参数计算单元，用于遍历全部α，通过α计算得到λ及权重w
m
和w
c
；λ点获取单元，用于获取λ点的分布情况；预测λ点获取单元，用于对λ点通过汽车动力学模型得到的第一预测的λ点；均值方差计算单元，用于计算第一预测的λ点的均值和方差；二次计算单元，用于将计算均值和方差过程中引入状态预测的第一预测的λ点设置为第二预测的λ点，对第二预测的λ点再次计算方差；分布判断单元，用于输出第二预测的λ点的方差和均值以及第一预测的λ点中不包括第二预测的λ点的方差和均值，第二预测的λ点的均值与对应的s5中的第一预测的λ点的均值相同，判断第二预测的λ点以及第一预测的λ点中不包括第二预测的λ点的分布情况；λ点筛选单元，通过对下一个α值重新输入均值方差计算单元，比较两个α值下的分布判断单元的输出结果，保留分布状态更好的λ点；输出单元，用于根据λ点筛选单元结果获取最优的α参数，获取在α参数最佳的情况下的最优估计值。8.一种可读存储介质，包括：存储器，所述存储器存储有程序；处理器，所述处理器执行所述程序时实现如权利要求1至6中任一项所述的目标跟踪算法。

技术总结
本发明提供了一种目标跟踪算法、系统及可读存储介质，属于自动驾驶技术领域，本发明进一步为一种目标跟踪的参数自我学习无迹卡尔曼滤波算法、系统及可读存储介质，本发明通过汽车动力学模型得到预测的λ点，同时对不同α值重复预测的λ点的方差和均值计算过程，比较两个α值下的预测的λ点的分布情况结果，保留分布状态更好的λ点；在保证α参数最佳的情况下的获取最优估计值。本发明能够大大减少寻找最优参数过程中的工作量，且能提高参数的准确性。性。性。


技术研发人员：陈海波 张玉池
受保护的技术使用者：深兰人工智能（深圳）有限公司
技术研发日：2022.08.09
技术公布日：2022/11/22