CN114088086B - 一种抗测量野值干扰的多目标鲁棒定位方法 - Google Patents
一种抗测量野值干扰的多目标鲁棒定位方法 Download PDFInfo
- Publication number
- CN114088086B CN114088086B CN202111402405.4A CN202111402405A CN114088086B CN 114088086 B CN114088086 B CN 114088086B CN 202111402405 A CN202111402405 A CN 202111402405A CN 114088086 B CN114088086 B CN 114088086B
- Authority
- CN
- China
- Prior art keywords
- sensor
- target
- value
- robust
- virtual observation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 48
- 238000001914 filtration Methods 0.000 claims abstract description 45
- 230000033001 locomotion Effects 0.000 claims abstract description 9
- 230000015556 catabolic process Effects 0.000 claims abstract description 7
- 238000006731 degradation reaction Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Radar Systems Or Details Thereof (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种抗测量野值干扰的多目标鲁棒定位方法,该方法包括如下步骤:根据目标的运动模型和传感器采集到的目标与传感器对间的距离差信息来建立多目标的状态模型和观测模型;基于传感器的先验信息来对观测值进行检测,找到测量野值;引入虚拟点、关联门和联合概率对检测到的测量野值进行修正;利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型;融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位。本发明减弱了由于测量野值和粒子退化对目标定位结果的影响,同时减弱较差滤波结果对最终定位结果的影响,提高了多目标定位的准确度,能够为多目标定位提供一定的基础。
Description
技术领域
本发明属于利用多传感器进行移动目标定位的技术领域,具体涉及一种抗测量野值干扰的多目标鲁棒定位方法。
背景技术
非线性滤波问题是信号处理与控制理论中的热点问题。它在许多领域都有广泛的应用,如雷达定位、信号处理、移动机器人和导航,并且在模式识别和图像处理领域中,滤波算法被成功应用于图匹配、图像分割、图像的骨架化和轮廓提取等问题。
在实际应用中,大多数***是非线性和非高斯的,对于这样的***,卡尔曼滤波将失效。随着实际状态模型与环境的多变,许多学者逐渐开始研究能够适应复杂环境的滤波算法。为了解决这一问题,提出了一种用卡尔曼滤波器逼近非线性状态空间模型的方法,即用泰勒级数展开代替状态转移方程和测量方程,但对于强非线性***,这种方法会带来较大的截断误差,同时,雅可比矩阵的处理也是一个复杂的计算过程。在此基础上,提出了无迹卡尔曼滤波算法,利用多个sigma点递归计算均值和协方差,但无迹卡尔曼滤波仍然只能利用正态分布接近真正的后验概率。现在,基于序贯重要性抽样提出了一种粒子滤波算法,将重采样技术与蒙特卡罗重要性抽样相结合。该算法是一种最优回归算法,结合蒙特卡罗思想和递归贝叶斯滤波,在处理非线性和非高斯***时具有良好的估计效果。
现有技术具有以下缺点:
1、复杂的目标运动环境会导致某一时刻的测量序列存在野值,这会导致粒子滤波的效果变差,存在定位精度不高的问题。
2、常规粒子滤波未能很好的选择最优的建立密度函数来指导粒子进行重采样,存在着粒子退化的问题。
3、同时实际环境中传感器不止一个,不同精度的测量值经过滤波获得的定位结果精度也不同,如果只是对其进行简单的求和平均会导致最后的定位结果变差,存在无法有效进行数据融合的问题。
发明内容
针对现有技术存在的问题,本发明提供一种抗测量野值干扰的多目标鲁棒定位方法,解决现有测量野值、粒子退化和较差滤波结果影响定位结果的问题。
为达到上述目的,本发明采用的技术方案如下:
一种抗测量野值干扰的多目标鲁棒定位方法,具体步骤是:根据目标的运动模型和传感器采集到的目标与传感器对间的距离差信息来建立多目标的状态模型和观测模型;基于传感器的先验信息来对观测值进行检测,找到测量野值;引入虚拟点、关联门和联合概率对检测到的测量野值进行修正;利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型;融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位。
进一步,所述的根据目标的运动模型和传感器采集到的目标与传感器对间的距离差信息来建立多目标的状态模型和观测模的内容和方法,具体包括以下步骤:
(1)多目标状态为其中 mxj(k)、myj(k)和mzj(k)分别代表移动目标的位置坐标,/>和/>分别代表移动目标x轴、y轴和z轴的速度,于是多目标的状态模型可表示为 Xj(k)=FjXj(k-1)+Γjuj(k-1),uj(k-1)为符合高斯分布的过程噪声,Fj为状态转移矩阵,Γj为状态噪声矩阵;
(2)移动目标mj(k)=[mxj(k),myj(k),mzj(k)]T与传感器ai=[axi,ayi,azi]T之间的距离关系为其中||·||表示二范数,移动目标mj(k)与传感器ai和a1间的距离差表示为/>基于距离差/>和测量噪声vj(k)的测量模型可表示为Zj(k)=H(Xj(k))+vj(k),其中/>
进一步,所述的基于传感器的先验信息来对观测值进行检测,找到测量野值的内容和方法,具体包括以下步骤:
(1)当移动目标mj(k)和传感器ai间几何距离小于传感器的通信半径Rc,该移动节点才能够感知到传感节点的无线信号;
(2)因为测量数据为距离差所以利用移动目标与传感器对之间的距离差关系来判断测量序列是否存在野值,即当/>则认为该观测值不存在野值;否则,该测量值存在野值。
进一步,所述的引入虚拟观察点、关联门和联合概率对检测到的测量野值进行修正的内容和方法,具体包括以下步骤:
(1)将椭球体的关联门等效成球体,其半径表示为其中V为椭球体的体积,于是在预测观测值/>为中心附近产生服从均值为l/2和方差为l的高斯分布的虚拟观测点/>其中Np为虚拟观测点的个数;
(2)虚拟观测点的新息可以表示为根据设定的阈值g和预测新息协方差/>来筛选有效虚拟观测点,当/>小于g时,该虚拟观测点为有效虚拟观测点;否则,剔除该虚拟观测点,经过筛选后有效虚拟观测点表示为/>其中Nv为有效虚拟观测点的个数;
(3)将有效虚拟观测点的联合概率βm2作为其权值,最后根据修正有野值的观测值。
进一步,所述的利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型的内容和方法,具体包括以下步骤:根据无迹卡尔曼滤波获得的粒子均值和对应的协方差/>构建高斯建议密度函数,作为粒子滤波中的重要性密度函数来指导粒子进行重采样,其表达式为/>以此来防止粒子退化,继而集合粒子滤波来获得状态的最小方差估计/>
进一步,所述的融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位的内容和方法,其具体包括以下步骤:
(1)对所有传感器获得的测量数据进行测量野值修正方法,继而利用修正后的测量值进行鲁棒无迹粒子滤波来获得所有的滤波结果集同时收集对应的协方差集/>
(2)根据将所有的协方差进行归一化处理,其中⊙指的是Hadamard乘积,然后利用归一化后的协方差/>和对应的滤波结果/>进行加权求和得到移动目标的最终滤波结果/>将/>中的第一行第一列、第三行第一列和第五行第一列的元素作为移动目标的定位结果/>即/>
与现有技术相比,本发明具有如下优点和有益效果:
1、当某一时刻对测量序列加入扰动时会使粒子权值分配紊乱,不同大小的扰动会对粒子产生不同的权值分配,使得较差粒子的权值可能会较大,本发明利用关联门、虚拟观测点和联合事件概率修正了测量野值,从而减弱了测量野值对多目标定位的影响程度。
2、普通的粒子滤波存在着粒子退化的问题,本发明使用无迹卡尔曼滤波获得的高斯建议密度作为粒子滤波中的重要性密度函数,从而削弱了粒子退化问题。
3、同时对最后的所有滤波结果进行了数据融合,从而减弱了较差滤波结果影响多目标定位的问题。
附图说明
图1是本发明的一种抗测量野值干扰的多目标鲁棒定位流程框图。
图2是本发明的一种抗测量野值干扰的多目标鲁棒定位详细步骤图。
图3是本发明所使用的传感器部署结构示意图。
图4是本发明的一种抗测量野值干扰的多目标鲁棒定位误差图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明结合附图1-4对技术方案和应用原理作详细的描述。
如图1所示,一种抗测量野值干扰的多目标鲁棒定位方法,步骤是:根据目标的运动模型和传感器采集到的目标与传感器对间的距离差信息来建立多目标的状态模型和观测模型;基于传感器的先验信息来对观测值进行检测,找到测量野值;引入虚拟观测点、关联门和联合概率对检测到的测量野值进行修正;利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型;融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位。
如图2所示,所述的建立多目标的状态模型和观测模型的内容和方法,具体包括以下步骤:
(1)多目标状态为多目标的状态模型表示为Xj(k)=FjXj(k-1)+Γjuj(k-1),uj(k-1)为符合高斯分布的过程噪声,Fj为状态转移矩阵,Γj为状态噪声矩阵;
(2)移动目标mj(k)=[mxj(k),myj(k),mzj(k)]T与传感器ai=[axi,ayi,azi]T之间的距离关系为其中||·||表示二范数,移动目标mj(k)与传感器ai和a1间的距离差表示为/>基于距离差/>和测量噪声vj(k)的测量模型可表示为Zj(k)=H(Xj(k))+vj(k),其中/>
所述的基于传感器的先验信息来对观测值进行检测,找到测量野值的内容和方法,具体包括以下步骤:
(1)当移动目标mj(k)和传感器ai间几何距离小于通信半径传感器Rc,该移动节点才能够感知到传感节点的无线信号;
(2)因为测量的数据为所以利用移动目标与传感器对之间的距离差关系来判断测量序列是否存在野值,即当/>则认为该观测值不存在野值;否则,该测量值存在野值。
所述的修正观测野值的内容和方法,具体包括以下步骤:
(1)将椭球体的关联门等效成球体,其半径表示为其中V为椭球体的体积,于是在预测观测值/>为中心附近产生服从均值为l/2和方差为l的高斯分布的虚拟观测点/>其中Np为虚拟观测点的个数;
(2)虚拟观测点的新息可以表示为根据设定的阈值g和预测新息协方差/>来对筛选有效虚拟观测点,当/>小于g时,该虚拟观测点为有效虚拟观测点;否则,剔除该虚拟观测点,经过筛选后有效虚拟观测点表示为/>其中Nv为有效虚拟观测点的个数;
(3)将有效虚拟观测点的联合概率βm2作为其权值,最后根据修正有野值的观测值。
所述的利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型的内容和方法,具体包括以下步骤:
(1)根据权利要求4修正后的观测值构成新的观测集合Zj(k),结合粒子和协方差/>来构造缩放Sigma点集,同时每个Sigma点对应的均值权重和协方差权值分别表示为Wm和Wc,根据状态方程对Sigma点集进行一步预测,根据预测Sigma点集来计算粒子预测均值/>和预测协方差/>
(2)基于步骤(5.1)中的预测均值和协方差重新构造Sigma点集继而根据测量模型计算预测观测量/>且根据Wm和/>计算观测均值/>计算得到自协方差矩阵PZ(k),Z(k)和互协方差矩阵PX(k),Z(k),同时卡尔曼增益的更新公式表达为继而更新粒子均值/>和其协方差/>
(3)根据和/>构建的高斯建议密度函数作为粒子滤波中的重要性密度函数,其表达式为/>继而集合粒子滤波来获得状态的最小方差估计。
所述的融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位的内容和方法,其具体包括以下步骤:
(1)利用修正后的测量值进行权利要求5的鲁棒无迹粒子滤波来获得所有的滤波结果集后,同时收集对应的协方差集/>
(2)根据将所有的协方差进行归一化处理,其中⊙指的是Hadamard乘积,然后利用归一化后的协方差/>和对应的滤波结果/>进行加权求和得到移动目标的最终滤波结果/>将/>中的第一行第一列、第三行第一列和第五行第一列的元素作为移动目标的定位结果/>即/>
如图3所示,传感器a1、a2、a3和a4分别部署在二维定位空间的四个角,移动小车在定位区域沿着图中的虚线进行运动,以传感器a1为基站,其余3个传感器在移动小车的运动过程中获得不同时刻所对应的距离差信息。
如图4所示,所描述的是移动目标进行匀速运动时,在100秒采样时间内本发明对移动目标的定位误差。
本发明公开的一种抗测量野值干扰的多目标鲁棒定位方法,根据定位区域的几何尺寸对传感器进行部署和坐标标定,基于目标的运动模型和传感器与移动目标间的距离差建立状态模型和观测模型;利用传感器的先验信息对测量野值进行检测与判别;然后对测量的野值进行修正;融合具有鲁棒特性的无迹粒子滤波进行多目标定位,减弱较差滤波结果对定位的影响。本发明能够修正测量野值,且能够结合无迹卡尔曼滤波和粒子滤波来获得较好的多目标定位结果,从而为多目标定位提供稳定的服务。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.一种抗测量野值干扰的多目标鲁棒定位方法,其特征是:根据目标的运动模型和传感器采集到的目标与传感器对间的距离差信息来建立多目标的状态模型和观测模型;基于传感器的先验信息来对观测值进行检测,找到测量野值;引入虚拟点、关联门和联合概率对检测到的测量野值进行修正;利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型;融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位;
所述引入虚拟观察点、关联门和联合概率对检测到的测量野值进行修正的内容和方法,具体包括以下步骤:
(1)将椭球体的关联门等效成球体,其半径表示为其中V为椭球体的体积,于是在预测观测值/>为中心附近产生服从均值为l/2和方差为l的高斯分布的虚拟观测点/>m1=1,2,...,Np,其中Np为虚拟观测点的个数;
(2)虚拟观测点的新息可以表示为根据设定的阈值g和预测新息协方差/>来筛选有效虚拟观测点,当/>小于g时,该虚拟观测点为有效虚拟观测点;否则,剔除该虚拟观测点,经过筛选后有效虚拟观测点表示为/>m2=1,2,...,Nv,其中Nv为有效虚拟观测点的个数;
(3)将有效虚拟观测点的联合概率βm2作为其权值,最后根据修正有野值的观测值;
所述利用修正后的测量值推导具有鲁棒特性的无迹粒子滤波模型的内容和方法,具体包括以下步骤:
根据无迹卡尔曼滤波获得的粒子均值和其对应的协方差/>构建高斯建议密度函数,作为粒子滤波中的重要性密度函数来指导粒子进行重采样,其表达式为以此来防止粒子退化,继而集合粒子滤波来获得状态的最小方差估计/>
所述融合多传感器的鲁棒无迹粒子滤波结果实现多目标定位的内容和方法,具体包括以下步骤:
(1)对所有传感器获得的测量数据进行测量野值修正,继而利用修正后的测量值进行鲁棒无迹粒子滤波来获得所有的滤波结果集同时收集对应的协方差集/>
(2)根据将所有的协方差进行归一化处理,其中⊙指的是Hadamard乘积,然后利用归一化后的协方差/>和对应的滤波结果/>进行加权求和得到移动目标的最终滤波结果/>将/>中的第一行第一列、第三行第一列和第五行第一列的元素作为移动目标的定位结果/>即/>
2.根据权利要求1所述的一种抗测量野值干扰的多目标鲁棒定位方法,其特征是:所述根据目标的运动模型和传感器采集到的目标与传感器对间的距离差信息来建立多目标的状态模型和观测模型的内容和方法,具体包括以下步骤:
(1)多目标状态为j∈n,其中mxj(k)、myj(k)和mzj(k)分别代表移动目标的位置坐标,/>和/>分别代表移动目标x轴、y轴和z轴的速度,于是多目标的状态模型可表示为Xj(k)=FjXj(k-1)+Γjuj(k-1),uj(k-1)为符合高斯分布的过程噪声,Fj为状态转移矩阵,Γj为状态噪声矩阵;
(2)移动目标mj(k)=[mxj(k),myj(k),mzj(k)]T与传感器ai=[axi,ayi,azi]T之间的距离关系为i∈m,其中||·||表示二范数,移动目标mj(k)与传感器ai和a1间的距离差表示为/>基于距离差/>和测量噪声vj(k)的测量模型可表示为Zj(k)=H(Xj(k))+vj(k),其中/>
3.根据权利要求1所述的一种抗测量野值干扰的多目标鲁棒定位方法,其特征是:所述基于传感器的先验信息来对观测值进行检测,找到测量野值的内容和方法,具体包括以下步骤:
(1)当移动目标mj(k)和传感器ai间几何距离小于传感器的通信半径Rc,该移动节点才能够感知到传感节点的无线信号;
(2)因为测量数据为距离差所以利用移动目标与传感器对之间的距离差关系来判断测量序列是否存在野值,即当/>则认为该观测值不存在野值;否则,该测量值存在野值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111402405.4A CN114088086B (zh) | 2021-11-23 | 2021-11-23 | 一种抗测量野值干扰的多目标鲁棒定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111402405.4A CN114088086B (zh) | 2021-11-23 | 2021-11-23 | 一种抗测量野值干扰的多目标鲁棒定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114088086A CN114088086A (zh) | 2022-02-25 |
CN114088086B true CN114088086B (zh) | 2023-11-24 |
Family
ID=80303855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111402405.4A Active CN114088086B (zh) | 2021-11-23 | 2021-11-23 | 一种抗测量野值干扰的多目标鲁棒定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114088086B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607107A (zh) * | 2017-09-14 | 2018-01-19 | 斯坦德机器人(深圳)有限公司 | 一种基于先验信息的Slam方法和装置 |
CN108983215A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法 |
CN111047627A (zh) * | 2019-11-14 | 2020-04-21 | 中山大学 | 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 |
CN111896008A (zh) * | 2020-08-20 | 2020-11-06 | 哈尔滨工程大学 | 一种改进的鲁棒无迹卡尔曼滤波组合导航方法 |
CN111983927A (zh) * | 2020-08-31 | 2020-11-24 | 郑州轻工业大学 | 一种新型的最大协熵椭球集员滤波方法 |
-
2021
- 2021-11-23 CN CN202111402405.4A patent/CN114088086B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607107A (zh) * | 2017-09-14 | 2018-01-19 | 斯坦德机器人(深圳)有限公司 | 一种基于先验信息的Slam方法和装置 |
CN108983215A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 一种基于最大互相关熵自适应无迹粒子滤波器的目标跟踪方法 |
CN111047627A (zh) * | 2019-11-14 | 2020-04-21 | 中山大学 | 一种平滑约束无迹卡尔曼滤波方法及目标跟踪方法 |
CN111896008A (zh) * | 2020-08-20 | 2020-11-06 | 哈尔滨工程大学 | 一种改进的鲁棒无迹卡尔曼滤波组合导航方法 |
CN111983927A (zh) * | 2020-08-31 | 2020-11-24 | 郑州轻工业大学 | 一种新型的最大协熵椭球集员滤波方法 |
Non-Patent Citations (2)
Title |
---|
A Single-Way Ranging Localization of AUVs Based on PSO of Outliers Elimination;Xinnan Fan,et al;《Journal of Robotics》;第1-15页 * |
An Indoor Localization Algorithm Based on Modified Joint Probabilistic Data Association for Wireless Sensor Network;Long Cheng, et al;《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》;第第17卷卷(第第1期期);第 63-72页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114088086A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110865343B (zh) | 基于lmb的粒子滤波检测前跟踪方法及*** | |
Engel et al. | Deeplocalization: Landmark-based self-localization with deep neural networks | |
CN112731371B (zh) | 一种激光雷达与视觉融合的集成化目标跟踪***及方法 | |
CN104715154B (zh) | 基于kmdl准则判据的核k‑均值航迹关联方法 | |
CN115061139A (zh) | 一种面向智能驾驶车辆的多传感器融合方法及*** | |
Yap et al. | A particle filter for monocular vision-aided odometry | |
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*** | |
Mallick et al. | Out-of-sequence measurement processing for tracking ground target using particle filters | |
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 | |
CN112649802B (zh) | 高分辨传感器弱小多目标检测前跟踪方法 | |
Yu et al. | Camera-radar data fusion for target detection via Kalman filter and Bayesian estimation | |
Chen et al. | A graph-based track-before-detect algorithm for automotive radar target detection | |
CN115840221A (zh) | 基于4d毫米波雷达实现目标特征提取与多目标跟踪的方法 | |
CN104777465B (zh) | 基于b样条函数任意扩展目标形状及状态估计方法 | |
Ren et al. | Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle | |
CN113030940B (zh) | 一种转弯机动下的多星凸型扩展目标跟踪方法 | |
CN114035187A (zh) | 一种自动驾驶***的感知融合方法 | |
CN113191427A (zh) | 一种多目标车辆跟踪方法及相关装置 | |
CN114088086B (zh) | 一种抗测量野值干扰的多目标鲁棒定位方法 | |
Ebert et al. | Deep radar sensor models for accurate and robust object tracking | |
CN115950414A (zh) | 一种不同传感器数据的自适应多重融合slam方法 | |
CN115471526A (zh) | 基于多源异构信息融合的自动驾驶目标检测与跟踪方法 | |
CN117437770A (zh) | 一种目标状态估计方法、装置、电子设备和介质 | |
CN113511194A (zh) | 一种纵向避撞预警方法及相关装置 | |
CN113702941A (zh) | 一种基于改进icp的点云测速方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |