CN105182311B - 全向雷达数据处理方法及*** - Google Patents
全向雷达数据处理方法及*** Download PDFInfo
- Publication number
- CN105182311B CN105182311B CN201510552858.3A CN201510552858A CN105182311B CN 105182311 B CN105182311 B CN 105182311B CN 201510552858 A CN201510552858 A CN 201510552858A CN 105182311 B CN105182311 B CN 105182311B
- Authority
- CN
- China
- Prior art keywords
- target
- radar
- mark
- state
- module
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及雷达数据处理技术领域,公开了一种全向雷达数据处理方法及***。该方法包括步骤:确定目标所在网格;与邻近网格内的目标相关;进行极坐标卡尔曼滤波;利用前一级滤波结果进行直角坐标卡尔曼滤波;进行目标航迹管理。本发明通过对雷达探测空域进行网格划分,进行邻域关联可有效降低计算量,提高***的运行速度;使用分步式多级卡尔曼滤波模型,可以有效利用双方的优点,提高整个雷达***的测量精度。
Description
技术领域
本发明涉及雷达数据处理技术领域,更具体地说,是涉及一种全向雷达数据处理方法及***。
背景技术
近来,随着无线通信技术的飞速发展,雷达已经成为通讯设备的关键性器件,对于通信的质量、广播以及电视等业务也起着决定性的作用。雷达数据处理是指雷达在取得目标的径向距离、径向速度、方位和俯仰角等测量数据后进行的互联、跟踪、滤波、平滑、预测等处理,这些处理可以有效抑制测量过程中引起的随机误差,精确估计目标位置和运动参数,预测目标的下一位置,形成稳定的目标航迹。随着信息技术的发展,雷达数据处理的研究有以下几个发展方向:高速计算与并行处理;多传感器信息融合与控制一体化;搜索、跟踪、引导、识别、打击及指挥一体化。
其中,现阶段复杂环境下的多目标跟踪、数据互联,以及机动目标的跟踪仍然是数据处理***的难点和关键。雷达数据处理***的处理流程及功能特点与雷达的特征有密切关系,特别是多目标的跟踪、相关过程与雷达扫描体制有密切联系,大多数雷达数据处理***是针对一般传统的机械扫描或电子扫描阵列雷达。然而,受波束宽度限制,在某一探测周期内,机械扫描雷达或电子扫描阵列雷达只是探测某一方向的目标,这些雷达数据处理***在进行多目标点迹与航迹数据关联时,仅需要考虑某一方向的目标。全向探测雷达与一般扫描体制雷达不同,在探测周期内同时向全空域探测目标,有其固有的特征,需要实时处理同时到达的大量目标点迹,多目标跟踪相关的计算量远远超过一般雷达***。由于全向探测雷达在某一探测周期探测全向空域范围内的目标,需要同时处理大量的目标点迹数据,多目标跟踪相关计算过程复杂,计算量呈几何级数增长,传统的数据处理技术不能满足在线实时计算要求,需要采用新的技术方法来提高数据处理***的性能。
并且,雷达数据处理***一般在以雷达为中心的极坐标系中观测目标,而在直角坐标系中进行相关、滤波等处理。直角坐标卡尔曼滤波器要求雷达的方向角测量值较为准确,否则方向角测量误差会在X方向与Y方向引入耦合问题,整个***的跟踪性能会有大幅度的下降。同时,直角坐标卡尔曼滤波对机动目标跟踪能力弱,需要进行测量误差转换,增加***的计算量。全向探测雷达测角的基本方法是比幅测角,工程上实现时测角精度易受噪声、地形等因素影响,单一的直角坐标滤波模型不适应全向雷达数据处理要求。
发明内容
针对现有技术的上述缺陷,本发明所要解决的技术问题是如何提高全向探测雷达的多目标跟踪能力。
为解决上述技术问题,一方面,本发明提供了一种全向雷达数据处理方法,包括步骤:
对获取的点迹数据进行解析处理,得到点迹的距离、方位角,并估计出点迹所在的网格;
对于每一点迹,判断其与邻近网格内已经建立航迹的目标是否相关;
使用满足目标相关要求的点迹对目标的极坐标卡尔曼滤波器状态进行更新,输出目标的最新状态信息给下一级滤波器;
使用上一级滤波器输出的结果对目标的直角坐标卡尔曼滤波器状态进行更新,如果目标没有更新信息,则进行预推,输出目标最新的航迹信息;
对所有目标航迹的生命周期进行管理,并向终端输出所有航迹的最新状态信息。
优选地,所述方法还包括步骤:
将雷达探测空域划分成等量的正方形或正方体网格区域,所述网格的边长由雷达可探测目标的最大飞行速度与雷达探测周期决定。
优选地,所述相关的判断进一步包括步骤:
粗略判断点迹包含的信息是否满足目标的运动趋势,排除明显不符合目标运动趋势的点迹;
采用最近邻域关联算法进行点迹与目标航迹的关联。
优选地,所述目标的极坐标卡尔曼滤波器状态中,所述目标的运动方程为X(k+1)=Φ(k+1|k)X(k)+Γ(k)W(k),雷达***测量方程为Z(k)=H(k)X(k)+N(k);
其中,为k时刻目标状态向量,包括径向距离分量R(k)、径向速度分量方向角分量θ(k)和角速度分量Φ(k+1|k)为状态转移矩阵,Γ(k)为干扰矩阵,W(k)为目标运动噪声向量,为雷达测量向量,包括径向距离分量ZR(k)和方向角测量分量Zθ(k),H(k)为测量矩阵,N(k)为测量噪声向量。
优选地,所述对目标的极坐标卡尔曼滤波器状态进行更新包括步骤:
一方面,在k时刻估计目标状态,对下一时刻的目标状态进行预测并进行测量预测,根据测量方程和测量预测值计算新息,对不同点迹统计间隔,得到统计距离最小点迹新息;
另一方面,在k时刻估计协方差,对下一时刻的协方差进行预测,进行新息协方差计算,随后计算增益矩阵;
根据上述两方面的处理结果更新目标状态,同时根据增益矩阵更新协方差。
在本发明的另一方面,还同时提供一种全向雷达数据处理***,包括:
解析模块,用于对获取的点迹数据进行解析处理,得到点迹的距离、方位角,并估计出点迹所在的网格;
相关模块,用于对于每一点迹,判断其与邻近网格内已经建立航迹的目标是否相关;
极坐标滤波模块,用于使用满足目标相关要求的点迹对目标的极坐标卡尔曼滤波器状态进行更新,输出目标的最新状态信息给下一级滤波器;
直角坐标滤波模块,用于使用上一级滤波器输出的结果对目标的直角坐标卡尔曼滤波器状态进行更新,如果目标没有更新信息,则进行预推,输出目标最新的航迹信息;
目标航迹管理模块,用于对所有目标航迹的生命周期进行管理,并向终端输出所有航迹的最新状态信息。
优选地,所述***还包括:
空域划分模块,用于将雷达探测空域划分成等量的正方形或正方体网格区域,所述网格的边长由雷达可探测目标的最大飞行速度与雷达探测周期决定。
优选地,所述相关模块中进一步包括:
排除模块,用于粗略判断点迹包含的信息是否满足目标的运动趋势,排除明显不符合目标运动趋势的点迹;
关联模块,用于采用最近邻域关联算法进行点迹与目标航迹的关联。
优选地,所述极坐标滤波模块中,所述目标的运动方程为X(k+1)=Φ(k+1|k)X(k)+Γ(k)W(k),雷达***测量方程为Z(k)=H(k)X(k)+N(k);
其中,为k时刻目标状态向量,包括径向距离分量R(k)、径向速度分量方向角分量θ(k)和角速度分量Φ(k+1|k)为状态转移矩阵,Γ(k)为干扰矩阵,W(k)为目标运动噪声向量,为雷达测量向量,包括径向距离分量ZR(k)和方向角测量分量Zθ(k),H(k)为测量矩阵,N(k)为测量噪声向量。
优选地,所述极坐标滤波模块中进一步包括:
统计间隔模块,用于在k时刻估计目标状态,对下一时刻的目标状态进行预测并进行测量预测,根据测量方程和测量预测值计算新息,对不同点迹统计间隔,得到统计距离最小点迹新息;
增益模块,用于在k时刻估计协方差,对下一时刻的协方差进行预测,进行新息协方差计算,随后计算增益矩阵;
更新模块,用于根据上述两模块的处理结果更新目标状态,同时根据增益矩阵更新协方差。
与现有技术相比,本发明通过对雷达探测空域进行网格划分,进行邻域关联可有效降低计算量,提高***的运行速度;使用分步式多级卡尔曼滤波模型,可以有效利用双方的优点,提高整个雷达***的测量精度。
附图说明
图1是全向探测雷达数据处理***结构图;
图2是本发明一种全向雷达数据处理方法其中一实施例的流程图;
图3是本发明一种全向雷达数据处理方法其中一实施例中的空域网格划分区域图;
图4是本发明一种全向雷达数据处理方法其中一实施例中的极坐标卡尔曼滤波递推计算过程及最近领域关联算法。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例为实施本发明的较佳实施方式,所述描述是以说明本发明的一般原则为目的,并非用以限定本发明的范围。本发明的保护范围应当以权利要求所界定者为准,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
全向探测雷达数据处理***需要实时在线处理雷达信号处理器送出的点迹,实现对多目标航迹的管理,包括航迹生命周期管理、点迹与航迹关联、航迹滤波平滑、预测等。全向探测雷达数据处理***结构如图1所示,***可以运行在一台装有实时操作***的多处理器计算机(或两台计算机)上,通过PCI总线(或其它高速通讯方式)从信号处理机获取点迹数据,通过网络(或其他通讯方式)向显示控制终端输出航迹数据,两级滤波进程分别部署在两个处理器上,实行分步式计算,两个处理器运行的进程之间可以使用远程进程调用(RPC)通信方式进行数据交换。
如图2所示,在本发明的一个实施例中,全向雷达数据处理方法共分为五个流程步骤:
(步骤101)确定目标所在的网格:对从信号处理机获取的点迹数据进行解析处理,得到点迹的距离、方位角,并估计出点迹所在的网格。
(步骤102)与邻近目标内的目标相关:对于每一点迹,判断其与邻近网格内已经建立航迹的目标是否相关。为了减少计算量,该相关过程可以分为两个阶段,第一阶段可以粗略判断点迹包含的信息(距离、方位、径向速度)是否满足目标的运动趋势,排除明显不符合目标运动趋势的点迹;第二阶段采用常用的最近邻域关联算法,该算法需要使用极坐标卡尔曼滤波器的部分中间结果(统计间隔)。
(步骤103)极坐标卡尔曼滤波:使用满足目标相关要求的点迹对目标的极坐标卡尔曼滤波器状态进行更新,输出目标的最新状态(距离值、方位值)信息给下一级滤波器。
(步骤104)直角坐标卡尔曼滤波:使用上一级滤波器输出的结果对目标的直角坐标卡尔曼滤波器状态进行更新,如果目标没有更新信息,则进行预推,输出目标最新的航迹信息。
(步骤105)目标航迹管理:由航迹管理模块对所有目标航迹的生命周期进行管理,如创建新目标的航迹,消除长时间没有更新的航迹,并向终端输出所有航迹的最新状态信息。
其中,在本发明的方法中,为处理探测周期内的大量点迹数据,有效减少点迹与目标航迹之间的相关计算量,可将探测空域划分成等量的正方形网格区域,如图3所示,网格的边长L由雷达可探测目标的最大飞行速度Vmax与雷达探测周期T决定:L=Vmax×T。
对数据处理***收到的每一点迹,按照以下方法与已有目标航迹进行相关:
将雷达探测空域划分为m行×n列个网格;
根据点迹信息中的距离R和方向角θ,确定点迹所在的网格(i,j);
对网格(i-1,j-1)、(i-1,j)、(i-1,j+1)、(i,j-1)、(i,j)、(i,j+1),(i+1,j-1)、(i+1,j)、(i+1,j+1)中的所有目标航迹与点迹进行相关判断。
进一步地,对于三坐标雷达,可以使用正方体网格去划分三维覆盖空域,划分方法及相关过程与二维空间类似。
直角坐标卡尔曼滤波器在X方向与Y方向存在解耦问题,对机动目标跟踪能力弱,需要进行测量误差转换,计算量大,但卡尔曼滤波能够有效消除目标运动噪声,航迹收敛较快,航迹平滑。考虑到雷达测量值R与θ完全不相关,因此滤波可在R方向上和θ方向上分别进行,即使用极坐标卡尔曼滤波器。极坐标滤波器可以更好的跟踪机动目标,有效消除R方向和θ方向的雷达测量随机误差,不需要误差转换,相关时计算量小,但航迹收敛慢。综合两种滤波器的优缺点,本发明在数据处理***中使用两级滤波器,第一级为极坐标滤波器,第二级为直角坐标滤波器。第一级的极坐标滤波器输入的是点迹,输出目标航迹至第二级滤波器,第二级进一步平滑、预推目标航迹。由于***使用最近邻域关联算法进行点迹与航迹关联,所以需要极坐标滤波器预先计算统计间隔,其中极坐标卡尔曼滤波过程中有:
目标的运动方程X(k+1)=Φ(k+1|k)X(k)+Γ(k)W(k);以及雷达***测量方程Z(k)=H(k)X(k)+N(k)。
其中,为k时刻目标状态向量,包括径向距离分量R(k)、径向速度分量方向角分量θ(k)和角速度分量Φ(k+1|k)为状态转移矩阵,Γ(k)为干扰矩阵,W(k)为目标运动噪声向量,为雷达测量向量,包括径向距离分量ZR(k)和方向角测量分量Zθ(k),H(k)为测量矩阵,N(k)为测量噪声向量。
极坐标卡尔曼滤波递推计算过程及最近领域关联算法如图4所示,具体包括:
一方面,在k时刻估计目标状态,有k时刻的目标状态估计值对下一时刻(k+1时刻)的目标状态进行预测,有目标状态预测值其中函数Φ(k+1|k)为状态转移矩阵;进行测量预测,有测量预测值其中函数H(k+1)为测量矩阵;计算新息对不同点迹统计间隔其中函数di(k)为统计间隔,S(k)为新息协方差矩阵;得到统计距离最小点迹新息Vi(k+1)。
另一方面,在k时刻估计协方差,有k时刻的估计协方差矩阵P(k|k);对下一时刻(k+1时刻)的协方差进行预测,有预测协方差矩阵P(k+1|k)=Φ(k+1|k)P(k|k)ΦT(k+1|k)+Q(k+1),其中函数Q(k+1)为运动噪声随机向量协方差矩阵。
;进行新息协方差计算,有新息协方差矩阵S(k+1)=H(k+1)P(k+1|k)HT(k+1)+C(K+1);C(k+1)为测量噪声随机向量协方差矩阵,计算增益矩阵K(k+1)=P(k+1|k)HT(k+1)S-1(k+1);
根据上述两方面的处理结果(上述两方面可根据需要并行处理)更新目标状态
本领域普通技术人员可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,包括上述实施例方法的各步骤,而所述的存储介质可以是:ROM/RAM、磁碟、光盘、存储卡等。因此,本领域相关技术人员应能理解,与本发明的方法相对应的,本发明还同时包括一种全向雷达数据处理***,与上述方法步骤一一对应地,该***包括:
解析模块,用于对获取的点迹数据进行解析处理,得到点迹的距离、方位角,并估计出点迹所在的网格;
相关模块,用于对于每一点迹,判断其与邻近网格内已经建立航迹的目标是否相关;
极坐标滤波模块,用于使用满足目标相关要求的点迹对目标的极坐标卡尔曼滤波器状态进行更新,输出目标的最新状态信息给下一级滤波器;
直角坐标滤波模块,用于使用上一级滤波器输出的结果对目标的直角坐标卡尔曼滤波器状态进行更新,如果目标没有更新信息,则进行预推,输出目标最新的航迹信息;
目标航迹管理模块,用于对所有目标航迹的生命周期进行管理,并向终端输出所有航迹的最新状态信息。
本发明中,基于最近邻域关联算法的多目标相关计算只发生在第一级滤波器,第一级滤波器输入点迹,输出目标航迹至第二级滤波器,第二级进一步平滑、预推目标航迹。两级滤波器数据传输只发生在航迹级别,数据量小,可将两级滤波过程部署在不同的处理器上进行分步式计算,用以提高整个***的运算速度。分步式多级滤波模型相对于单一滤波模型,没有增加***的计算负担,在一定程度减少了计算量,达到实时在线计算要求。
与现有技术相比,本发明所提供的一种全向雷达数据处理方法,由于采用全向雷达探测空域网格划分法,用于多目标相关过程,可有效降低计算量,提高***的运行速度,使在一般的实时操作***上实现在线实时处理全向雷达数据成为可能。此外,由于采用分步式多级滤波模型可以提高全向雷达数据处理***的整体跟踪性能。第一级极坐标滤波器可有效跟踪机动目标,消除R方向和θ方向的测量随机误差,同时不需要误差转换,点迹与航迹相关联时计算量小。第二级直角坐标滤波器对第一级滤波器的输出航迹进行进一步滤波、预推,有效消除整体雷达***的随机误差,较快收敛、平滑航迹,提高整个全向雷达***的测量精度。将两级滤波过程部署在不同的处理器上进行分步式计算,可有效提高***的运算速度。分步式多级滤波模型相对于单一滤波模型,可综合利用不同滤波器的优点,降低计算量,全面提高全向数据处理***的整体性能,提高全向雷达***的测量精度。
上述说明示出并描述了本发明的若干优选实施例,但如前所述,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述发明构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种全向雷达数据处理方法,其特征在于,所述方法包括步骤:
对获取的点迹数据进行解析处理,得到点迹的距离、方位角,并估计出点迹所在的网格;
对于每一点迹,判断其与邻近网格内已经建立航迹的目标是否相关;
使用满足目标相关要求的点迹对目标的极坐标卡尔曼滤波器状态进行更新,输出目标的最新状态信息给下一级滤波器;
使用上一级滤波器输出的结果对目标的直角坐标卡尔曼滤波器状态进行更新,如果目标没有更新信息,则进行预推,输出目标最新的航迹信息;
对所有目标航迹的生命周期进行管理,并向终端输出所有航迹的最新状态信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括步骤:
将雷达探测空域划分成等量的正方形或正方体网格区域,所述网格的边长由雷达可探测目标的最大飞行速度与雷达探测周期决定。
3.如权利要求1所述的方法,其特征在于,所述相关的判断进一步包括步骤:
粗略判断点迹包含的信息是否满足目标的运动趋势,排除明显不符合目标运动趋势的点迹;
采用最近邻域关联算法进行点迹与目标航迹的关联。
4.如权利要求1所述的方法,其特征在于,所述目标的极坐标卡尔曼滤波器状态中,所述目标的运动方程为X(k+1)=Φ(k+1|k)X(k)+Γ(k)W(k),雷达***测量方程为Z(k)=H(k)X(k)+N(k);
其中,为k时刻目标状态向量,包括径向距离分量R(k)、径向速度分量方向角分量θ(k)和角速度分量Φ(k+1|k)为状态转移矩阵,Γ(k)为干扰矩阵,W(k)为目标运动噪声向量,为雷达测量向量,包括径向距离分量ZR(k)和方向角测量分量Zθ(k),H(k)为测量矩阵,N(k)为测量噪声向量,X(k+1)为k+1时刻目标状态向量。
5.如权利要求1所述的方法,其特征在于,所述对目标的极坐标卡尔曼滤波器状态进行更新包括步骤:
一方面,在k时刻估计目标状态,对下一时刻的目标状态进行预测并进行测量预测,根据测量方程和测量预测值计算新息,对不同点迹统计间隔,得到统计距离最小点迹新息;
另一方面,在k时刻估计协方差,对下一时刻的协方差进行预测,进行新息协方差计算,随后计算增益矩阵;
根据上述两方面的处理结果更新目标状态,同时根据增益矩阵更新协方差。
6.一种全向雷达数据处理***,其特征在于,所述***包括:
解析模块,用于对获取的点迹数据进行解析处理,得到点迹的距离、方位角,并估计出点迹所在的网格;
相关模块,用于对于每一点迹,判断其与邻近网格内已经建立航迹的目标是否相关;
极坐标滤波模块,用于使用满足目标相关要求的点迹对目标的极坐标卡尔曼滤波器状态进行更新,输出目标的最新状态信息给下一级滤波器;
直角坐标滤波模块,用于使用上一级滤波器输出的结果对目标的直角坐标卡尔曼滤波器状态进行更新,如果目标没有更新信息,则进行预推,输出目标最新的航迹信息;
目标航迹管理模块,用于对所有目标航迹的生命周期进行管理,并向终端输出所有航迹的最新状态信息。
7.如权利要求6所述的***,其特征在于,所述***还包括:
空域划分模块,用于将雷达探测空域划分成等量的正方形或正方体网格区域,所述网格的边长由雷达可探测目标的最大飞行速度与雷达探测周期决定。
8.如权利要求6所述的***,其特征在于,所述相关模块中进一步包括:
排除模块,用于粗略判断点迹包含的信息是否满足目标的运动趋势,排除明显不符合目标运动趋势的点迹;
关联模块,用于采用最近邻域关联算法进行点迹与目标航迹的关联。
9.如权利要求6所述的***,其特征在于,所述极坐标滤波模块中,所述目标的运动方程为X(k+1)=Φ(k+1|k)X(k)+Γ(k)W(k),雷达***测量方程为Z(k)=H(k)X(k)+N(k);
其中,为k时刻目标状态向量,包括径向距离分量R(k)、径向速度分量方向角分量θ(k)和角速度分量Φ(k+1|k)为状态转移矩阵,Γ(k)为干扰矩阵,W(k)为目标运动噪声向量,为雷达测量向量,包括径向距离分量ZR(k)和方向角测量分量Zθ(k),H(k)为测量矩阵,N(k)为测量噪声向量,X(k+1)为k+1时刻目标状态向量。
10.如权利要求6所述的***,其特征在于,所述极坐标滤波模块中进一步包括:
统计间隔模块,用于在k时刻估计目标状态,对下一时刻的目标状态进行预测并进行测量预测,根据测量方程和测量预测值计算新息,对不同点迹统计间隔,得到统计距离最小点迹新息;
增益模块,用于在k时刻估计协方差,对下一时刻的协方差进行预测,进行新息协方差计算,随后计算增益矩阵;
更新模块,用于根据上述两模块的处理结果更新目标状态,同时根据增益矩阵更新协方差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510552858.3A CN105182311B (zh) | 2015-09-02 | 2015-09-02 | 全向雷达数据处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510552858.3A CN105182311B (zh) | 2015-09-02 | 2015-09-02 | 全向雷达数据处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105182311A CN105182311A (zh) | 2015-12-23 |
CN105182311B true CN105182311B (zh) | 2017-09-22 |
Family
ID=54904511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510552858.3A Active CN105182311B (zh) | 2015-09-02 | 2015-09-02 | 全向雷达数据处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105182311B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842184B (zh) * | 2015-12-03 | 2019-12-17 | 中国航空工业集团公司雷华电子技术研究所 | 一种基于波束调度的多目标探测与跟踪方法 |
CN106932771A (zh) * | 2017-03-30 | 2017-07-07 | 成都紫瑞青云航空宇航技术有限公司 | 一种雷达仿真目标航迹跟踪方法及*** |
CN108872975B (zh) * | 2017-05-15 | 2022-08-16 | 蔚来(安徽)控股有限公司 | 用于目标跟踪的车载毫米波雷达滤波估计方法、装置及存储介质 |
CN109031269B (zh) * | 2018-06-08 | 2020-07-07 | 上海西井信息科技有限公司 | 基于毫米波雷达的定位方法、***、设备及存储介质 |
CN109143224B (zh) * | 2018-08-28 | 2023-01-20 | 中国电子科技集团公司第三十六研究所 | 一种多目标关联方法和装置 |
CN109598946B (zh) * | 2018-11-19 | 2022-01-07 | 南京理工大学 | 一种基于雷达体制的多车道测速方法 |
CN110203204A (zh) * | 2019-05-17 | 2019-09-06 | 深圳森云智能科技有限公司 | 一种车辆周边环境感知方法 |
CN110244274A (zh) * | 2019-07-03 | 2019-09-17 | 北京遥感设备研究所 | 一种基于全向搜索的位置滤波方法 |
CN116047495B (zh) * | 2023-03-31 | 2023-06-02 | 昆明理工大学 | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 |
CN115825914B (zh) * | 2023-02-14 | 2023-04-25 | 北京七星华创微波电子技术有限公司 | 一种雷达微波功率合成数据信息处理方法 |
CN116008945B (zh) * | 2023-03-24 | 2023-05-23 | 中安锐达(北京)电子科技有限公司 | 一种基于车载四面二维相控阵雷达航迹关联方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2228667A1 (en) * | 2009-03-11 | 2010-09-15 | BAE Systems PLC | Sensor for determining velocity |
CN101655561A (zh) * | 2009-09-14 | 2010-02-24 | 南京莱斯信息技术股份有限公司 | 基于联合卡尔曼滤波的多点定位数据与雷达数据融合方法 |
CN102253375B (zh) * | 2011-04-02 | 2013-05-29 | 海华电子企业(中国)有限公司 | 雷达多目标数据互联方法 |
CN102322861B (zh) * | 2011-05-31 | 2013-03-13 | 电子科技大学 | 一种航迹融合方法 |
JP6059665B2 (ja) * | 2012-02-08 | 2017-01-11 | 古野電気株式会社 | レーダ信号処理装置、レーダ装置、及びレーダ信号処理方法 |
CN103926583B (zh) * | 2014-05-04 | 2015-03-25 | 中国人民解放军空军预警学院监控***工程研究所 | 一种岸基近程雷达自动跟踪处理方法及装置 |
CN104237879B (zh) * | 2014-09-09 | 2016-08-17 | 中国电子科技集团公司第二十八研究所 | 一种雷达***中的多目标跟踪方法 |
CN104749576B (zh) * | 2015-04-08 | 2017-08-25 | 四川九洲空管科技有限责任公司 | 一种多雷达航迹关联融合方法 |
CN104730510B (zh) * | 2015-04-08 | 2017-06-06 | 四川九洲空管科技有限责任公司 | 一种多雷达航迹融合方法 |
-
2015
- 2015-09-02 CN CN201510552858.3A patent/CN105182311B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105182311A (zh) | 2015-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105182311B (zh) | 全向雷达数据处理方法及*** | |
EP3427008B1 (en) | Laser scanner with real-time, online ego-motion estimation | |
Mallios et al. | EKF-SLAM for AUV navigation under probabilistic sonar scan-matching | |
JP6456141B2 (ja) | 地図データの生成 | |
CN113781582A (zh) | 基于激光雷达和惯导联合标定的同步定位与地图创建方法 | |
CN108896986A (zh) | 一种基于预测值的量测转换序贯滤波机动目标跟踪方法 | |
CN102622762A (zh) | 使用深度图的实时相机跟踪 | |
CN107526070A (zh) | 天波超视距雷达的多路径融合多目标跟踪算法 | |
CN111025283A (zh) | 雷达与球机联动的方法及装置 | |
CN107861123A (zh) | 一种穿墙雷达在复杂环境下对多运动目标实时跟踪的方法 | |
CN106932771A (zh) | 一种雷达仿真目标航迹跟踪方法及*** | |
JP4116898B2 (ja) | 目標追尾装置 | |
CN109765928A (zh) | 基于移动多智能体编队的协作式控制与目标跟踪方法 | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及*** | |
CN111739066B (zh) | 一种基于高斯过程的视觉定位方法、***及存储介质 | |
CN102184554B (zh) | 基于激活区域背景感知的红外目标跟踪方法 | |
CN110231620A (zh) | 一种噪声相关***跟踪滤波方法 | |
JP2017524932A (ja) | ビデオ支援着艦誘導システム及び方法 | |
CN106546976A (zh) | 一种基于长周期非均匀采样目标跟踪处理方法及装置 | |
CN111812978A (zh) | 一种多无人机协作slam方法与*** | |
Padial et al. | Correlation of imaging sonar acoustic shadows and bathymetry for ROV terrain-relative localization | |
Tsyganov et al. | Adaptive eetimation of a moving object trajectory using sequential hypothesis testing | |
CN102645646B (zh) | 一种多信源不确定融合定位方法 | |
CN102426357B (zh) | 一种具有图像确认的多目标跟踪方法 | |
JP2004117017A (ja) | センサバイアス誤差推定用の目標位置決定方法 |
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 |