CN103853908B - 一种自适应交互式多模型的机动目标跟踪方法 - Google Patents
一种自适应交互式多模型的机动目标跟踪方法 Download PDFInfo
- Publication number
- CN103853908B CN103853908B CN201210514479.1A CN201210514479A CN103853908B CN 103853908 B CN103853908 B CN 103853908B CN 201210514479 A CN201210514479 A CN 201210514479A CN 103853908 B CN103853908 B CN 103853908B
- Authority
- CN
- China
- Prior art keywords
- model
- target
- matrix
- noise
- covariance matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 36
- 230000003044 adaptive effect Effects 0.000 title claims description 12
- 230000003993 interaction Effects 0.000 title claims description 5
- 230000033001 locomotion Effects 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 65
- 230000007704 transition Effects 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000002452 interceptive effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000026676 system process Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 16
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Fittings On The Vehicle Exterior For Carrying Loads, And Devices For Holding Or Mounting Articles (AREA)
Abstract
本发明涉及在交通运输领域中车辆目标的机动跟踪。建立各模型混合初始化输入包括各模型的混合初始条件和混合初始状态的协方差矩阵;建立匀速(CV)和匀加速(CA)运动模型;更新是指根据Kalman滤波方程计算误差的协方差矩阵和新息;利用Kalman滤波结果中的新息构造目标运动模型的似然函数,计算马尔可夫状态转移概率矩阵;利用马尔可夫状态转移概率矩阵作为各运动模型之间切换的加权进行融合后的估计输出。本发明解决了传统的交互式多模型算法中存在的由于目标发生机动导致滤波模型与目标运动模型不匹配造成的误差增大或者失跟的问题,具有计算复杂度小,跟踪效果好的优点,可用于交通运输领域机动车的目标跟踪。
Description
技术领域
本发明属于机动目标跟踪领域,具体涉及在交通运输领域中,当行驶中的汽车出现突然转弯、加速、减速等运动时,提出一种自适应交互式多模型的机动目标跟踪方法。
背景技术
目标跟踪是将探测传感器收到的目标移动数据结合各种不确定信息源所产生的不同观测集合进行滤波,并估计出运动目标的状态参数,比如目标的距离、方位、速度、加速度等。
单模型机动目标跟踪算法,只对非机动目标跟踪性能良好。当目标机动时,***的跟踪性能下降,甚至导致目标丢失。为了实现对机动目标跟踪,需要针对机动目标的运动特点建立合理的运动模型。典型的运动模型有Singer模型、“当前”统计模型、交互式多模型(interacting multiple model,IMM)等。在传统的IMM模型中,假设目标在不同的运动模型之间的转移概率是固定的,这种假设并没有充分的考虑到运动模型的选择性,而是利用类似“硬判决”的思想将模型之间的转移概率固定在某个数值。事实上,当目标的运动模型具有某种趋向性,传统的IMM算法只是通过调解不同观测向量条件下运动模型的后验概率加权实现对运动模型之间的“综合”,而并没有考虑到马尔可夫转移概率矩阵设计的不合理性。
交通运输领域中,当行驶中的汽车出现突然转弯、加速、减速等运动也属于目标的机动,尤其当车辆目标突然进入弯道时,车辆运动状态较之前匀速或匀加速直线运动将发生较大的变化,如果不能有效的适应目标的机动状态,很容易造成目标的丢失,而当目标发生机动时,恰是最容易发生交通事故的时刻。交通运输领域车辆机动目标跟踪方法的主要目的是满足汽车运行中能可靠而精确地跟踪并判定目标,增强防撞探测***运行的稳定性和可靠性,有效提高驾驶员的行车安全,保障生命财产安全。
因此,针对传统IMM跟踪算法中采用固定马尔可夫矩阵的缺点,本发明提出一种交通运输领域自适应交互式多模型的机动目标跟踪方法,提高复杂环境性下车辆机动目标跟踪***的性能,具有重大理论意义及工程应用价值。
发明内容
针对现有技术中存在的上述不足之处,本发明要解决的技术问题是提供一种稳定、可靠、环境适应性强、算法实时性高的车辆机动目标跟踪方法,提高复杂环境性下车辆机动目标跟踪***的性能。
本发明为实现上述目的所采用的技术方案是:一种自适应交互式多模型的机动目标跟踪方法,包括以下步骤:
步骤1:建立IMM跟踪模型中的各种模型混合初始化输入,包括各模型的混合初始条件和混合初始状态的协方差矩阵;
步骤2:利用每个模型的混合输入,分别计算匀速运动模型和匀加速运动模型初始值
步骤3:根据Kalman滤波方程计算误差的协方差矩阵和新息计算估计更新;
步骤4:利用基于新息的运动模型似然比函数,建立马尔可夫状态转移概率矩阵;
步骤5:利用当前时刻获得的状态状态转移矩阵对模型条件估计进行融合,计算总体状态估计输出。
所述匀速运动模型为:
状态矢量表示为:
X=[x(k) vx(k) y(k) vy(k)]T
式中,x(k)、y(k)分别表示k时刻目标在x、y方向上的位移,vx(k)、vy(k)分别表示k时刻目标在x、y方向上的速度;
状态转移矩阵表示为:
式中,T为相邻两个时刻的时间间隔;
***控制量表示为:
***过程噪声表示为:
式中,ux(k)、uy(k)描述了x、y方向上的过程噪声,假设为相互独立的、零均值、高斯白噪声,方差分别为和
***观测矩阵为:
观测噪声为:
其中,vx(k)、vy(k)为x、y方向上的观测噪声,假设为相互独立的、零均值、高斯白噪声,方差为σ2。
所述匀加速运动模型为:
状态矢量表示为:
X=[x(k) vx(k) ax(k) y(k) vy(k) ay(k)]T
式中,x(k)、y(k)分别表示k时刻目标在x、y方向上的位移,vx(k)、vy(k)分别表示k时刻目标在x、y方向上的速度;
状态转移矩阵表示为:
式中,T为相邻两个时刻的时间间隔;
***控制量表示为:
***过程噪声表示为:
式中,ux(k)、uy(k)描述了x、y方向上的过程噪声,假设为相互独立的、零均值、高斯白噪声,方差分别为和
***观测矩阵为:
观测噪声为:
其中,vx(k)、vy(k)描述了x、y方向上的观测噪声,假设为相互独立的、零均值、高斯白噪声,方差为σ2。
所述各种模型Mj(k)的混合初始条件为:
式中,k为目标运动的时刻,为交互后各滤波器在k时刻的输入,μij(k-1|k-1)为混合概率,计算为
式中,为归一化常数。
所述混合初始状态的协方差矩阵为:
其中,μij(k-1|k-1)为为混合概率,Pi(k-1|k-1)为k-1时刻的协方差,为k-1时刻第i个滤波器的输出,为交互后各滤波器在k时刻的输入。
所述步骤3具体步骤如下:
对应于模型Mj(k),Poj(k-1/k-1)及Z(k)作为输入进行卡尔曼滤波处理,预测误差协方差矩阵表示为:
卡尔曼滤波增益计算公式:
卡尔曼滤波误差协方差矩阵计算公式:
所述步骤4具体步骤如下:
利用给定观测向量Z(k)的条件下模型Mj(k)的后验概率,计算为:
其中,为归一化常数,Λj(k)为观测Z(k)的似然函数,计算为:
式中,为模型Mj(k)的新息;
为模型Mj(k)的协方差矩阵;
以匀速和匀加速两种状态模型,建立对应的马尔可夫状态转移矩阵:
式中pij满足,基于新息,可以构造目标运动模型似然函数,似然函数为:
式中,N为新息向量的维数,υj(k)为模型Mj(k)的新息,Sj(k)为模型Mj(k)的协方差矩阵。
基于匀速和匀加速运动模型似然函数构造似然比函数:
根据似然比函数计算马尔可夫转移矩阵中的各个变量,表达式如下:
所述总体状态估计输出为:
对应的协方差矩阵为:
其中,μj(k)为观测向量Z(k)的条件下模型Mj(k)的后验概率,为K时刻目标的状态估计输出,Pj(k|k)为K时刻第j个滤波器协方差矩阵。
本发明具有以下优点:
1.本发明针对交通运输领域汽车运动状态特征,建立基于匀速(CV)和匀加速(CA)运动模型的模型集,不仅降低了模型与运动模式匹配的复杂度,同时提高了***运行的实时性;
2.本发明采用基于新息构造的运动模型似然比函数,进行在线自适应调整模型的噪声方差和马尔可夫矩阵,实现机动目标运动模式与模型集合的自适应调整,提高了IMM算法的跟踪精度;
3.本发明通过构造若干典型取值的马尔可夫转移概率矩阵,利用似然比函数的取值在不同的矩阵之间进行选择,降低了马尔可夫状态转移概率矩阵的计算复杂度,有效提高了算法的实时性;
4.仿真结果表明,本发明跟踪结果优于传统的IMM方法。
附图说明
图1为本发明的模型估计流程示意图;
图2为本发明机动目标真实运动轨迹和跟踪轨迹示意图;
图3为本发明与传统的交互式多模型估计方法对机动目标跟踪位置误差示意图;
图4为本发明与基于匀速(CV)模型和加速(CA)模型的Kalman滤波跟踪位置误差示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示,为本发明的模型估计流程示意图。
步骤1,建立IMM跟踪模型中的各种模型混合初始化输入。
1a)目标的运动状态方程和观测方程,假设有r个运动模型,每种运动模型对应的状态转移矩阵为Φj(1≤j≤r),方程可以表示为:
X(k+1)=Φj(k|k-1)X(k)+ГjWj(k),j=1,...,r
Z(k)=Cj(k)Xj(k)+Vj(k)
式中,X(k)为k时刻的***状态矢量,Z(k)为k时刻的***观测(测量)矢量,Φj为第j种运动模型所对应的状态转移矩阵,Гj为第j种运动模型所对应的***控制量,Wj(k)表示过程噪声,为零均值、协方差矩阵为Qj(k)的白噪声序列,Cj为第j种运动模型所对应的观测矩阵,Vj(k)表示观测噪声,为零均值、协方差矩阵为Rj(k)的白噪声序列。
在IMM模型中,用马尔可夫状态转移概率矩阵来描述不同模型之间的转换,马尔可夫状态转移概率矩阵表示为:
式中,第i行、第j列元素为pij(1≤i,j≤r),表示从运动模型i转移到运动模型j的概率,即
pij=p{Mj(k)|Mi(k)}
式中,Mj(k)表示k时刻处于运动模型j,且
1b)利用每个滤波器的混合输入,分别计算匀速运动模型和匀加速运动模型初始值。汽车类目标的机动特征具有比较明显的特点,通常是进行直线运动(匀速直线运动、匀加速直线运动)或者转弯运动。对于这些运动特征,可以利用简单、实用的信号模型进行建模描述,且目标的运动特征能够很好地与运动模型吻合。
当汽车进行匀速运动时,状态矢量表示为:
X=[x(k) vx(k) y(k) vy(k)]T
式中,x(k)、y(k)分别表示k时刻目标在x、y方向上的位移,vx(k)、vy(k)分别表示k时刻目标在x、y方向上的速度;
状态转移矩阵表示为:
式中,T为相邻两个时刻的时间间隔***控制量表示为:
***过程噪声表示为:
式中,ux(k)、uy(k)描述了x、y方向上的过程噪声,假设为相互独立的、零均值、高斯白噪声,方差分别为和
***观测矩阵为:
观测噪声为:
其中,vx(k)、vy(k)描述了x、y方向上的观测噪声,假设为相互独立的、零均值、高斯白噪声,方差为σ2。
当汽车进行匀加速运动时,状态矢量表示为:
X=[x(k) vx(k) ax(k) y(k) vy(k) ay(k)]T
式中,x(k)、y(k)分别表示k时刻目标在x、y方向上的位移,vx(k)、vy(k)分别表示k时刻目标在x、y方向上的速度;
状态转移矩阵表示为:
式中,T为相邻两个时刻的时间间隔
***控制量表示为:
***过程噪声表示为:
式中,ux(k)、uy(k)描述了x、y方向上的过程噪声,假设为相互独立的、零均值、高斯白噪声,方差分别为和
***观测矩阵为:
观测噪声为:
其中,vx(k)、vy(k)描述了x、y方向上的观测噪声,假设为相互独立的、零均值、高斯白噪声,方差为σ2。
1c)交互式多模型跟踪方法中的各种模型Mj(k)的混合初始条件为:
式中,μij(k-1|k-1)为混合概率,计算为
式中,为归一化常数,计算为
混合初始状态协方差矩阵为:
步骤2:利用滤波技术更新当前时刻模型条件估计
对应于模型Mj(k),Poj(k-1/k-1)及Z(k)作为输入进行卡尔曼滤波处理,预测误差协方差矩阵表示为:
卡尔曼滤波增益计算公式:
卡尔曼滤波误差协方差矩阵计算公式:
步骤3:利用基于新息的运动模型似然比函数,建立马尔可夫状态转移概率矩阵
3a)模型概率是给定观测向量Z(k)的条件下模型Mj(k)的后验概率,计算为
其中,c为归一化常数,计算为
Λj(k)为观测Z(k)的似然函数,计算为
式中,为模型Mj(k)的新息为模型Mj(k)的协方差矩阵
3b)在IMM运动模型中还需要对各种模型之间的状态转移概率进行建模,状态转移概率描述了某个时刻目标在多个运动模型之间相互切换的概率,以匀速和匀加速两种状态模型,建立对应的马尔可夫状态转移矩阵
式中pij满足,
基于新息,可以构造目标运动模型似然函数,定义为
式中,N为新息向量的维数,υj(k)为模型Mj(k)的新息,Sj(k)为模型Mj(k)的协方差矩阵。
基于匀速和匀加速运动模型似然函数构造似然比函数
根据似然比函数计算马尔可夫转移矩阵中的各个变量,表达式如下:
步骤4:利用当前时刻获得的状态状态转移矩阵对模型条件估计进行融合,计算总体状态估计输出,IMM算法的输出公式表示为:
对应的协方差矩阵为:
本发明的效果可以通过以下仿真进一步说明
仿真内容:假设一个目标以72km/h的速度进行匀速直线运动(模拟汽车在直道的情况),然后再进入一个半径为80m的弯道。观测噪声的均方根为1m。驱动噪声的均方根误差为1m。分别选取自适应IMM跟踪方法(包含匀速运动模型M1(k)、加速运动模型M2(k))、传统IMM跟踪方法、基于匀速运动模型M1(k)的Kalman滤波跟踪、基于加速运动模型M2(k)的Kalman滤波跟踪四种方法进行跟踪处理。
为了衡量不同跟踪算法的效果,这里以跟踪误差的均方值作为评价指标,定义为滤波结果与真实结果之间误差的均方值。利用1000次Monte Carlo仿真实验的结果进行平均处理,以减小某次实验的随机误差影响。
仿真结果与分析:
图2为本发明机动目标真实运动轨迹示意图,图3为本发明与传统的交互式多模型估计方法对机动目标跟踪位置误差示意图,从结果中可以看出,无论是在目标直线运动阶段还是在弯道运动阶段,自适应IMM算法都可以精确、稳定的跟踪上机动目标,且自适应IMM算法的跟踪结果要优于传统IMM方法。
图4为本发明与基于匀速(CV)模型和加速(CA)模型的Kalman滤波跟踪位置误差示意图,基于匀速运动模型的Kalman滤波跟踪处理只能在目标匀速直线运动阶段跟踪上目标;当目标进入转弯运动时,基于匀速运动模型的Kalman滤波处理无法有效的跟踪上目标,造成较大的跟踪误差。而基于加速运动模型的Kalman滤波处理虽然在弯道运动阶段有较好的跟踪结果,但是在直线运动阶段的跟踪误差较大。自适应IMM算法性能基本上和运动模型匹配的Kalman滤波算法相当,但是能较好的跟随目标的运动模型变化做出选择,得到满意的机动目标跟踪结果。
针对交通运输中车辆目标的跟踪问题,本发明提出基于自适应马尔可夫转移概率矩阵的IMM跟踪算法。传统的IMM算法中假设马尔可夫转移概率矩阵是固定的,限制了对机动目标运动模型的选择性。本发明构造了运动模型似然比函数,提出了基于运动模型似然比函数的自适应马尔可夫转移概率计算方法。自适应马尔可夫转移概率矩阵的IMM跟踪算法可以很好的跟踪机动目标,得到和运动模型匹配跟踪滤波相近的效果。实际测试结果表明,跟踪算法可对运动中车辆进行有效跟踪,方法具备很好的自适应能力。
Claims (7)
1.一种自适应交互式多模型的机动目标跟踪方法,其特征在于,包括以下步骤:
步骤1:建立IMM跟踪模型中的各种模型混合初始化输入,包括各模型的混合初始条件和混合初始状态的协方差矩阵;
步骤2:利用每个模型的混合输入,分别计算匀速运动模型和匀加速运动模型初始值;
步骤3:根据Kalman滤波方程计算误差的协方差矩阵和新息计算估计更新;
步骤4:利用基于新息的运动模型似然比函数,建立马尔可夫状态转移概率矩阵;
步骤5:利用当前时刻获得的状态状态转移矩阵对模型条件估计进行融合,计算总体状态估计输出;
所述步骤3具体步骤如下:
对应于模型Mj(k),以P0j(k-1/k-1)及Z(k)作为输入进行卡尔曼滤波处理,预测误差协方差矩阵表示为:
卡尔曼滤波增益计算公式:
卡尔曼滤波误差协方差矩阵计算公式:
2.根据权利要求1所述的一种自适应交互式多模型的机动目标跟踪方法,其特征在于,所述匀速运动模型为:
状态矢量表示为:
X=[x(k) vx(k) y(k) vy(k)]T
式中,x(k)、y(k)分别表示k时刻目标在x、y方向上的位移,vx(k)、vy(k)分别表示k时刻目标在x、y方向上的速度;
状态转移矩阵表示为:
式中,T为相邻两个时刻的时间间隔;
***控制量表示为:
***过程噪声表示为:
式中,ux(k)、uy(k)描述了x、y方向上的过程噪声,为相互独立的、零均值、高斯白噪声,方差分别为和
***观测矩阵为:
观测噪声为:
其中,vx(k)、vy(k)为x、y方向上的观测噪声,为相互独立的、零均值、高斯白噪声,方差为σ2。
3.根据权利要求1所述的一种自适应交互式多模型的机动目标跟踪方法,其特征在于,所述匀加速运动模型为:
状态矢量表示为:
X=[x(k) vx(k) ax(k) y(k) vy(k) ay(k)]T
式中,x(k)、y(k)分别表示k时刻目标在x、y方向上的位移,vx(k)、vy(k)分别表示k时刻目标在x、y方向上的速度;
状态转移矩阵表示为:
式中,T为相邻两个时刻的时间间隔;
***控制量表示为:
***过程噪声表示为:
式中,ux(k)、uy(k)描述了x、y方向上的过程噪声,为相互独立的、零均值、高斯白噪声,方差分别为和
***观测矩阵为:
观测噪声为:
其中,vx(k)、vy(k)描述了x、y方向上的观测噪声,为相互独立的、零均值、高斯白噪声,方差为σ2。
4.根据权利要求1所述的一种自适应交互式多模型的机动目标跟踪方法,其特征在于,所述各种模型Mj(k)的混合初始条件为:
式中,k为目标运动的时刻,为交互后各滤波器在k时刻的输入,μij(k-1|k-1)为混合概率,计算为
式中,为归一化常数。
5.根据权利要求1所述的一种自适应交互式多模型的机动目标跟踪方法,其特征在于,所述混合初始状态的协方差矩阵为:
其中,μij(k-1|k-1)为混合概率,Pi(k-1|k-1)为k-1时刻的协方差,为k-1时刻第i个滤波器的输出,为交互后各滤波器在k时刻的输入。
6.根据权利要求1所述的一种自适应交互式多模型的机动目标跟踪方法,其特征在于,所述步骤4具体步骤如下:
利用给定观测向量Z(k)的条件下模型Mj(k)的后验概率,计算为:
其中,为归一化常数,Λj(k)为观测Z(k)的似然函数,计算为:
式中,为模型Mj(k)的新息;
为模型Mj(k)的协方差矩阵;
以匀速和匀加速两种状态模型,建立对应的马尔可夫状态转移矩阵:
式中pij满足,基于新息,可以构造目标运动模型似然函数,似然函数为:
式中,N为新息向量的维数,υj(k)为模型Mj(k)的新息,Sj(k)为模型Mj(k)的协方差矩阵;
基于匀速和匀加速运动模型似然函数构造似然比函数:
根据似然比函数计算马尔可夫转移矩阵中的各个变量,表达式如下:
7.根据权利要求1所述的一种自适应交互式多模型的机动目标跟踪方法,其特征在于,所述总体状态估计输出为:
对应的协方差矩阵为:
其中,μj(k)为观测向量Z(k)的条件下模型Mj(k)的后验概率,为k 时刻目标的状态估计输出,Pj(k|k)为k 时刻第j个滤波器协方差矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210514479.1A CN103853908B (zh) | 2012-12-04 | 2012-12-04 | 一种自适应交互式多模型的机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210514479.1A CN103853908B (zh) | 2012-12-04 | 2012-12-04 | 一种自适应交互式多模型的机动目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103853908A CN103853908A (zh) | 2014-06-11 |
CN103853908B true CN103853908B (zh) | 2017-11-14 |
Family
ID=50861559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210514479.1A Expired - Fee Related CN103853908B (zh) | 2012-12-04 | 2012-12-04 | 一种自适应交互式多模型的机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103853908B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11856295B2 (en) | 2020-07-29 | 2023-12-26 | Google Llc | Multi-camera video stabilization |
Families Citing this family (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504728B (zh) * | 2014-09-16 | 2016-05-04 | 深圳大学 | 多机动目标跟踪方法、***及其广义联合概率数据关联器 |
CN107169299B (zh) * | 2014-09-18 | 2021-06-15 | 中国人民解放军海军航空大学 | 一种编队目标分散机动模式下的跟踪方法 |
CN104331623B (zh) * | 2014-11-06 | 2017-07-28 | 西北工业大学 | 一种机动策略自适应的目标跟踪信息滤波方法 |
CN104392136B (zh) * | 2014-11-28 | 2017-12-19 | 东南大学 | 一种面向高动态非高斯模型鲁棒测量的高精度数据融合方法 |
CN105093198B (zh) * | 2015-07-28 | 2017-09-01 | 西安电子科技大学 | 一种分布式外辐射源雷达组网探测的航迹融合方法 |
CN105719312B (zh) * | 2016-01-19 | 2018-07-27 | 深圳大学 | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪*** |
CN106933106B (zh) * | 2016-05-26 | 2020-02-14 | 哈尔滨工程大学 | 一种基于模糊控制多模型算法的目标跟踪方法 |
CN106228805B (zh) * | 2016-06-30 | 2018-10-30 | 北京航空航天大学 | 一种交互式多车辆跟踪方法及装置 |
CN106546976B (zh) * | 2016-10-31 | 2019-03-19 | 中国电子科技集团公司第二十九研究所 | 一种基于长周期非均匀采样目标跟踪处理方法及装置 |
CN108061887A (zh) * | 2016-11-09 | 2018-05-22 | 北京电子工程总体研究所(航天科工防御技术研究开发中心) | 一种基于模糊交互式多模型算法的临近空间目标跟踪方法 |
CN107015945B (zh) * | 2017-04-10 | 2020-10-02 | 哈尔滨工业大学 | 一种基于目标运动模式混合转移分布高阶交互式多模型滤波方法 |
CN107883965A (zh) * | 2017-04-24 | 2018-04-06 | 长春工业大学 | 基于光学信息交互多模型强跟踪容积卡尔曼滤波导航方法 |
CN107292265B (zh) * | 2017-06-20 | 2019-10-29 | 中国电子科技集团公司第二十八研究所 | 一种基于机动检测的目标轨迹快速提取方法 |
CN107704432A (zh) * | 2017-07-28 | 2018-02-16 | 西安理工大学 | 一种转移概率自适应的交互多模型目标跟踪方法 |
CN107390199B (zh) * | 2017-09-20 | 2019-06-18 | 哈尔滨工业大学(威海) | 一种雷达机动目标跟踪波形设计方法 |
US10462370B2 (en) | 2017-10-03 | 2019-10-29 | Google Llc | Video stabilization |
CN107885232A (zh) * | 2017-10-23 | 2018-04-06 | 上海机电工程研究所 | 一种用于多策略机动跟踪的滤波方法 |
CN108152812B (zh) * | 2017-12-13 | 2021-06-29 | 西安电子科技大学 | 一种调整网格间距的改进agimm跟踪方法 |
CN108255791B (zh) * | 2018-01-09 | 2021-04-09 | 中国人民解放军海军航空大学 | 基于分布式传感器一致性的机动目标跟踪方法 |
CN108226920B (zh) * | 2018-01-09 | 2021-07-06 | 电子科技大学 | 一种基于预测值处理多普勒量测的机动目标跟踪***及方法 |
US10171738B1 (en) | 2018-05-04 | 2019-01-01 | Google Llc | Stabilizing video to reduce camera and face movement |
CN108732533B (zh) * | 2018-05-21 | 2021-06-11 | 哈尔滨工业大学 | 单辐射源机动飞行目标自定位及自跟踪方法 |
CN109687844A (zh) * | 2018-08-17 | 2019-04-26 | 西安理工大学 | 一种智能机动目标跟踪方法 |
CN109491241B (zh) * | 2018-11-05 | 2021-11-09 | 浙江工商大学 | 一种针对机动目标的无人机鲁棒化跟踪方法 |
CN109655826B (zh) * | 2018-12-16 | 2021-06-08 | 成都汇蓉国科微***技术有限公司 | 一种低慢小目标轨迹滤波方法及装置 |
CN109782269B (zh) * | 2018-12-26 | 2021-04-20 | 北京壹氢科技有限公司 | 一种分布式多平台协同有源目标跟踪方法 |
CN109799478A (zh) * | 2019-01-08 | 2019-05-24 | 成都点阵科技有限公司 | 一种基于无线电信号处理的海上船舶定位识别方法 |
CN109684771B (zh) * | 2019-01-11 | 2021-09-03 | 西安电子科技大学 | 基于交互式多模型的机动目标状态预测优化方法 |
CN110267193B (zh) * | 2019-05-29 | 2021-02-12 | 南京理工大学 | 基于马尔科夫决策过程模型的车辆位置跟踪方法 |
CN110261859B (zh) * | 2019-06-25 | 2023-10-31 | 北京中科海讯数字科技股份有限公司 | 一种水下机动静止交替状态目标跟踪方法 |
CN110300230B (zh) * | 2019-07-01 | 2021-03-19 | 腾讯科技(深圳)有限公司 | 应用控制方法、装置、存储介质以及终端 |
CN110426671B (zh) * | 2019-07-04 | 2023-05-12 | 重庆邮电大学 | Wsn中基于模型概率实时修正的imm目标跟踪方法及装置 |
CN110849369B (zh) * | 2019-10-29 | 2022-03-29 | 苏宁云计算有限公司 | 机器人跟踪方法、装置、设备及计算机可读存储介质 |
CN111060944B (zh) * | 2019-12-26 | 2021-08-17 | 广东工业大学 | 一种基于current-ellipse模型的车辆动态跟踪方法 |
CN111208506B (zh) * | 2020-01-08 | 2022-08-19 | 中国船舶重工集团公司第七二四研究所 | 一种简化的交互式多模型跟踪方法 |
CN111652263B (zh) * | 2020-03-30 | 2021-12-28 | 西北工业大学 | 一种基于多滤波器信息融合的自适应目标跟踪方法 |
CN111551917B (zh) * | 2020-04-30 | 2023-06-27 | 中国科学院沈阳自动化研究所 | 一种激光三角法位移传感器的标定方法 |
CN111650577B (zh) * | 2020-06-12 | 2022-05-24 | 电子科技大学 | 极坐标系下含多普勒量测的机动目标跟踪方法 |
CN111722213B (zh) * | 2020-07-03 | 2023-11-03 | 哈尔滨工业大学 | 一种机动目标运动参数的纯距离提取方法 |
WO2022087998A1 (zh) * | 2020-10-30 | 2022-05-05 | 网络通信与安全紫金山实验室 | 通信终端的定位跟踪方法、***、设备和可读存储介质 |
CN113155122A (zh) * | 2021-04-01 | 2021-07-23 | 广州大学 | 基于自适应滤波的机动目标跟踪方法 |
CN113721237B (zh) * | 2021-11-02 | 2022-02-08 | 南京雷电信息技术有限公司 | 一种多隶属度的目标智能匹配算法 |
CN114155425B (zh) * | 2021-12-13 | 2023-04-07 | 中国科学院光电技术研究所 | 基于高斯马尔可夫随机场运动方向估计的弱小目标检测方法 |
CN114445456B (zh) * | 2021-12-23 | 2023-04-07 | 西北工业大学 | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458169A (zh) * | 2007-12-14 | 2009-06-17 | 中国科学院沈阳自动化研究所 | 实时图像跟踪***跟踪速度测量方法 |
-
2012
- 2012-12-04 CN CN201210514479.1A patent/CN103853908B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458169A (zh) * | 2007-12-14 | 2009-06-17 | 中国科学院沈阳自动化研究所 | 实时图像跟踪***跟踪速度测量方法 |
Non-Patent Citations (2)
Title |
---|
基于时变马尔科夫转移概率的机动目标多模型跟踪;左东广等;《西安交通大学学报》;20030831;全文 * |
雷达目标跟踪算法;王莹;《中国优秀硕士学位论文全文数据库》;20080601;第36-42页、图5.1-5.2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11856295B2 (en) | 2020-07-29 | 2023-12-26 | Google Llc | Multi-camera video stabilization |
Also Published As
Publication number | Publication date |
---|---|
CN103853908A (zh) | 2014-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103853908B (zh) | 一种自适应交互式多模型的机动目标跟踪方法 | |
Liang et al. | Cirl: Controllable imitative reinforcement learning for vision-based self-driving | |
CN109866752B (zh) | 基于预测控制的双模式并行车辆轨迹跟踪行驶***的方法 | |
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
Bouton et al. | Belief state planning for autonomously navigating urban intersections | |
Huegle et al. | Dynamic input for deep reinforcement learning in autonomous driving | |
Guo et al. | Vehicle trajectory prediction method coupled with ego vehicle motion trend under dual attention mechanism | |
CN110632916B (zh) | 行动预测装置以及自动驾驶装置 | |
Wissing et al. | Trajectory prediction for safety critical maneuvers in automated highway driving | |
Schlechtriemen et al. | A probabilistic long term prediction approach for highway scenarios | |
CN115066632A (zh) | 利用模型几何学习跟踪移动对象的扩张状态的***和方法 | |
Lee et al. | Probabilistic inference of traffic participants' lane change intention for enhancing adaptive cruise control | |
CN110261859B (zh) | 一种水下机动静止交替状态目标跟踪方法 | |
Meng et al. | Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow | |
Akhtar et al. | The interacting multiple model smooth variable structure filter for trajectory prediction | |
Zubača et al. | Innovative interaction approach in imm filtering for vehicle motion models with unequal states dimension | |
CN113076988B (zh) | 基于神经网络的移动机器人视觉slam关键帧自适应筛选方法 | |
CN113033902B (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
CN112829744B (zh) | 基于纵横向耦合的车辆长时域轨迹预测方法 | |
Li et al. | Reinforcement learning based lane change decision-making with imaginary sampling | |
Moradipari et al. | Predicting parameters for modeling traffic participants | |
CN114445456B (zh) | 基于部分模型的数据驱动智能机动目标跟踪方法及装置 | |
CN114537435B (zh) | 一种自动驾驶中的实时整车轨迹规划方法 | |
CN112904855A (zh) | 基于改进动态窗口的跟随机器人局部路径规划方法 | |
KR20220027832A (ko) | 상태 결정 방법 및 장치, 로봇, 저장 매체 및 컴퓨터 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171114 Termination date: 20201204 |
|
CF01 | Termination of patent right due to non-payment of annual fee |