CN115718905A - 一种面向vts***的多传感器信息融合方法 - Google Patents
一种面向vts***的多传感器信息融合方法 Download PDFInfo
- Publication number
- CN115718905A CN115718905A CN202211451177.4A CN202211451177A CN115718905A CN 115718905 A CN115718905 A CN 115718905A CN 202211451177 A CN202211451177 A CN 202211451177A CN 115718905 A CN115718905 A CN 115718905A
- Authority
- CN
- China
- Prior art keywords
- track
- optimal
- local
- topological
- fusion
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000002441 reversible effect Effects 0.000 claims abstract description 6
- 238000010276 construction Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims description 28
- 238000007499 fusion processing Methods 0.000 claims description 12
- 238000010187 selection method Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 230000002457 bidirectional effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种面向VTS***的多传感器信息融合方法,包括步骤为:绘制辖区、划分拓扑网格、数据流式驱动机制、构建最小计算单元、局部航迹正向关联选取最优***航迹、***航迹反向选取最优局部航迹、航迹融合滤波。本发明实现了VTS***中AIS雷达等多路传感器的信息融合,并且在实现过程中,综合考虑了局部航迹在所有***航迹中正向取最优,***航迹在候选局部航迹中反向取最优的关联方法,保证目标实现最优关联处理,并且对融合后的***航迹进行滤波处理,在整体网格框架实现较高处理效率的前提下,能够有效提升多传感器的融合性能。
Description
技术领域
本发明涉及船舶交通管理领域,特别是一种面向VTS***的多传感器信息融合方法。
背景技术
近年来,随着船舶航运业的发展、船舶种类的增多,水运行业的业务量居高不下,船舶数量尤其是运输危险品船只和水域通航的船只密度都在不断增加,水上交通事故还时有发生,船舶的航行安全和海洋生态环境等都受到极大的威胁。VTS***(船舶交通管理***),可以有效保障江河或海域通航安全,提高船舶交通利用率,减少交通事故的发生,在海运安全中具有及其重要的作用。
雷达和AIS(船舶自动识别***)是VTS***为提高航运管理效率最常用最重要的两种通信导航设备,它们提供的信息各有一定的局限性但同时又可以达到信息互补的特点。
雷达作为主动探测传感器,具有连续监测,覆盖范围广和检测目标位置、航速和方位的优点,获得较为全面的交通态势图像,但其也存在局限性,例如提供的信息有限,无法识别船名、船长船宽等静态信息等,且易受气象、海况以及地形等因素的影响。AIS属于被动式传感器,只有安装AIS设备的船只主动发送船舶信息,AIS基站才能接收到船只的信息。但其具有诸多的优点,不仅可以获取船舶实时动态信息和船名、船长船宽等静态信息,其信息精度高且信息量大,信息获取速度迅捷,并且信息的提供一般不会受到地形、天气及海上状况的影响。所以,通过信息融合处理,可以将AIS和各雷达站的信息互补,弥补各自的***缺陷,发挥各自优势,提高探测目标信息的可靠性和准确性,从而提高船舶航行的安全性。
VTS***中同时接入了AIS和多个雷达站等多个传感器信息,因此实现多路传感器的精确信息融合,提高船舶导航的准确性,降低由于误关联引起的融错导致的值班干扰等问题显得尤为重要。特别是在船舶密集、流量大的内河水域,船舶之间存在大量的追越、交叉、会遇等场景,不同传感器间的融错等问题尤为严重。VTS***中有些辖区覆盖范围很广,接入的AIS数量很大,且同时需接入一二十个雷达站才可以覆盖全辖区,因此,同时对整个辖区内的目标均进行融合处理,需要较大的计算量,且后续算法改进也可能导致复杂度、计算量的增加,因此需要设计一个可支持并行计算的数据处理架构,可支撑所有目标的融合处理计算量。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,而提供一种面向VTS***的多传感器信息融合方法,该面向VTS***的多传感器信息融合方法能实现了VTS***中AIS和多路雷达等传感器的信息融合,并且在实现过程中,综合考虑了局部航迹在***航迹中正向选取最优***航迹,***航迹在候选局部航迹中反向选取最优局部航迹的双向最优选择的关联方法,并且将辖区划分拓扑网格,组建最小计算单元,从而解决了密集水域下追越、会遇、交叉等场景下导致的误关联、融错等问题,以及利用拓扑网格组建最小计算单元的方式实现辖区覆盖范围大可能带来的较大计算量的问题。
为解决上述技术问题,本发明采用的技术方案是:
一种面向VTS***的多传感器信息融合方法,包括如下步骤。
步骤1、绘制辖区:在VTS***的交通管理子***客户端绘制辖区。
步骤2、划分拓扑网格:将步骤1绘制的辖区,进行拓扑网格划分。
步骤3、数据流式驱动机制:将每个雷达站或每个AIS输出的一维航迹数据均定义为局部航迹,将融合后的航迹定义为***航迹;则航迹融合处理采用数据流式驱动机制,当接收到任意最新局部航迹时,立即触发航迹融合,保障融合数据处理的实时性和有效性;整个融合过程仅在***航迹和局部航迹两个维度之间进行匹配计算。
步骤4、构建最小计算单元:持续从数据采集层接收最新局部航迹信息,并根据其最新的位置信息填充至对应的拓扑网格,并获取对应的拓扑网格编码;以当前拓扑网格编码为中心网格,并取与其相邻的8个拓扑网格,组成九宫格;每个九宫格中所包含的最新接收到的局部航迹、若干个***航迹,以及与每个***航迹关联的所有局部航迹,共同形成最小计算单元。
步骤5、局部航迹正向选取最优***航迹:局部航迹更新,并将当前局部航迹,与步骤4构建的最小计算单元中的所有***航迹,进行关联计算。
当未关联到***航迹时,则根据当前局部航迹创建新的***航迹,作为最优***航迹。
当从最小计算单元中仅关联到一个***航迹时,则已关联***航迹作为最优***航迹。
当从最小计算单元中仅关联到两个及以上***航迹时,则从已关联***航迹中,选取相似度最大的***航迹作为最优***航迹。
步骤6、最优***航迹反向选取最优局部航迹:步骤5选取的最优***航迹在属于同一传感器的局部航迹中反向选取最优局部航迹,具体选取方法为:
当最优***航迹仅具有一个相关联的局部航迹时,已关联局部航迹为最优局部航迹。
当最优***航迹具有两个及以上的相关联局部航迹时,则从已关联局部航迹中,选取相似度最大的局部航迹作为最优局部航迹。
步骤7、构建链式关联关系映射,包括如下步骤:
步骤7-1、构建:最优***航迹与选取的最优局部航迹之间形成临时链式映射。
步骤7-2、周期维持:在每个航迹更新周期内,均重复步骤4至步骤6,当临时链式映射中的最优***航迹与最优局部航迹能正、反向选取到时,则最优局部航迹次数累计加1;在设定的N个航迹更新周期内,当最优局部航迹的累计次数达到门限阈值S时,则认为临时链式映射中的最优***航迹与最优局部航迹之间满足真正的关联关系,并建立真正的链式关联关系映射;其中,N≥3。
步骤8、航迹融合,包括如下步骤:
步骤8-1、设定融合阈值Fh。
步骤8-2、设定滑窗内的航迹更新周期数量M。
步骤9、滤波:对步骤8的融合航迹进行滤波。
步骤2中,拓扑网格划分时,需满足如下三项规则:
规则一、每个拓扑网格的尺寸应该不超过5km*5km,便于计算量被充分地均摊。
规则二、划分后的每个拓扑网格均为正方形,具备相同的水平距离和垂直距离。
规则三、单个航迹的关联范围,应该被约束在其所在拓扑网格及其相邻的8个拓扑网格组成的九宫格内。
当绘制的辖区为多边形时,步骤2中,拓扑网格的划分方法,包括如下步骤:
步骤2-1、组建矩形:从多边形辖区中寻找经度最小值Lonmin、经度最大值Lonmax、纬度最小值Latmin和纬度最大值Latmax;接着,以经纬度坐标分别为(Lonmax,Latmin)、(Lonmax,Latmax)、
(Lonmin,Latmin)和(Lonmin,Latmax)的四点,作为矩形的四个角点,从而组建矩形。
步骤2-2、网格划分:通过对步骤2-1组建的矩形四周进行扩充的方式,将矩形划分为Raw*Col个大小相同的拓扑网格;其中,Raw为拓扑网格的横向划分总数,Col为拓扑网格的纵向划分总数。
步骤4中,组建九宫格时,当辖区或矩形边缘的拓扑网格处于中心格,相邻拓扑网格不满8个时,则借用对称的边缘拓扑网格,进行九宫格组建。
步骤5中,局部航迹正向选取最优***航迹的方法,包括如下步骤:
步骤51、时空统一:将当前局部航迹和最小计算单元中的所有***航迹,均进行坐标统一和时钟同步。
步骤52、建立多因素模糊集:选择与航迹相关的n个模糊因素的欧式距离u1、u2、…、ui、…un组成多因素模糊集U;其中,1≤i≤n;对每个模糊因素均分配一个关联系数,进而构成关联系数分配集A=[a1、a2、…、ai、…an];其中,a1、a2、…、ai、…an分别为u1、u2、…、ui、…un的关联系数;且
步骤53、计算相似度U,具体计算公式为:
其中:
μi=exp(-(ui 2/σi 2))
式中,μi为第i个模糊因素的隶属度值;σi为第i个模糊因素的隶属度系数,为设定常数。
步骤54、关联判断:将步骤53计算的相似度U,与设定的关联阈值Umin进行比较判定,当相似度U大于关联阈值Umin时,判定为本周期内局部航迹与对应***航迹相关联,否则,判定为本周期内局部航迹与对应***航迹不相关联。
步骤55、选取最优***航迹:根据步骤54的关联判断结果,选取最优***航迹。
步骤52中,n=4,4个模糊因素的欧式距离u1、u2、u3和u4分别为水平距离因素、垂直距离因素、航速因素、航向因素的欧式距离。
步骤53中,隶属度系数σ1、σ2、σ3和σ4分别为100、100、1和15。
步骤54中的关联阈值Umin为0.6。
式中,j表示滑窗内第j个航迹更新周期,且1≤j≤M。
Uj表示滑窗内第j个航迹更新周期时,链式关联关系映射中最优局部航迹与最优***航迹之间的相似度。
步骤8-2中,M=10。
本发明具有如下有益效果:
1、本发明将融合航迹抽象为***航迹,建立关联映射关系时综合考虑了局部航迹、***航迹间双向最优选择最优关联航迹的功能,采用数据流式驱动机制,保证数据的实时性,并且对融合航迹进行滤波处理,从而实现VTS***中多传感器的信息融合。
2、在实现过程中,采用拓扑网格的方式,将局部航迹、***航迹组建最小计算单元,在整体框架实现较高处理效率的前提下,能够有效提升密集水域下多传感器的融合性能。
3、本发明局部航迹与***航迹建立真正的关联关系前,首先,局部航迹在所有***航迹中正向选取最优***航迹,其次,***航迹在其候选局部航迹中反向选取最优局部航迹,这种双向最优选择的关联方法,可以最大限度的提高航迹关联的准确性,从而提高融合准确率,减低密集水域场景下导致的误关联、以及误关联引起的融错等问题。
附图说明
图1显示了本发明一种面向VTS***的多传感器信息融合方法的流程示意图。
图2显示了***航迹与局部航迹间的融合趋势。
图3显示了拓扑网格-九宫格的划分。
图4显示了最小计算单元的组建。
图5显示了***航迹与候选局部航迹间的链式映射表。
图6显示了局部航迹与***航迹间的双向最优选择示意图。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。
如图1和图2所示,一种面向VTS***的多传感器信息融合方法,包括如下步骤。
步骤1、绘制辖区:在VTS***的交通管理子***客户端绘制辖区。辖区范围限制了目标显示的作用区域,即仅对辖区内的AIS目标和各雷达站等传感器目标进行融合处理并显示在交通管理子***客户端。
步骤2、划分拓扑网格:将步骤1绘制的辖区,进行拓扑网格划分。
拓扑网格的划分支持分布式处理,每个拓扑网格中的处理均是相互独立的,互不干扰。
因而,在划分时,优选需满足如下三项规则:
规则一、每个拓扑网格的尺寸应该不超过5km*5km,便于计算量被充分地均摊。本实施例中,将网格划分为2km*2km,该值为默认值,也可配置。
规则二、划分后的每个拓扑网格均为正方形,具备相同的水平距离和垂直距离。
规则三、单个航迹的关联范围,应该被约束在其所在拓扑网格及其相邻的8个拓扑网格组成的九宫格内。
当绘制的辖区为多边形时,步骤2中,拓扑网格的划分方法,包括如下步骤。
步骤2-1、组建矩形:从多边形辖区中寻找经度最小值Lonmin、经度最大值Lonmax、纬度最小值Latmin和纬度最大值Latmax;接着,以经纬度坐标分别为(Lonmax,Latmin)、(Lonmax,Latmax)、(Lonmin,Latmin)和(Lonmin,Latmax)的四点,作为矩形的四个角点,从而组建矩形。
步骤2-2、网格划分:通过对步骤2-1组建的矩形四周进行扩充的方式,将矩形划分为Raw*Col个大小相同的拓扑网格;其中,Raw为拓扑网格的横向划分总数,Col为拓扑网格的纵向划分总数。
步骤3、数据流式驱动机制:将每个雷达站或每个AIS输出(也即任意传感器输出)的一维航迹数据均定义为局部航迹,将融合后的航迹定义为***航迹;则航迹融合处理采用数据流式驱动机制,当接收到任意最新局部航迹时,立即触发航迹融合,保障融合数据处理的实时性和有效性。
整个融合过程仅在***航迹、局部航迹两个维度之间进行匹配计算。如图2所示的***航迹与局部航迹间的融合趋势。
步骤4、构建最小计算单元:持续从数据采集层接收最新局部航迹信息,并根据其最新的位置信息填充至对应的拓扑网格,并获取对应的拓扑网格编码;以当前拓扑网格编码为中心网格,并取与其相邻的8个拓扑网格,组成九宫格;每个九宫格中所包含的最新接收到的局部航迹、若干个***航迹,以及与每个***航迹关联的所有局部航迹,共同形成最小计算单元。
如图3所示,组建九宫格时,当辖区或矩形边缘的拓扑网格处于中心格,相邻拓扑网格不满8个时,则借用对称的边缘拓扑网格,进行九宫格组建。如图3中左上角黑色边缘的左上角空白网格借用对称的右下角边缘拓扑网格数据,左上角黑色边缘顶部的两个空白网格借用对称的左下角两个边缘拓扑网格数据,同理,左上角黑色边缘左侧的两个空白网格借用对称的右上角两个边缘拓扑网格数据。
步骤5、局部航迹正向选取最优***航迹:局部航迹更新,并将当前局部航迹,与步骤4构建的最小计算单元中的所有***航迹,进行关联计算。
上述局部航迹正向选取最优***航迹的方法,包括如下步骤:
步骤51、时空统一:将当前局部航迹和最小计算单元中的所有***航迹,均进行坐标统一和时钟同步。
步骤52、建立多因素模糊集:选择与航迹相关的n个模糊因素的欧式距离u1、u2、…、ui、…un组成多因素模糊集U;其中,1≤i≤n;对每个模糊因素均分配一个关联系数,进而构成关联系数分配集A=[a1、a2、…、ai、…an];其中,a1、a2、…、ai、…an分别为u1、u2、…、ui、…un的关联系数;且
本实施例中,优选n=4,4个模糊因素的欧式距离u1、u2、u3和u4分别为水平距离因素、垂直距离因素、航速因素、航向因素的欧式距离。
另外,关联系数为给定已知值,可配,本实施例中,a1、a2、a3和a4优选为0.4、0.4、0.1和0.1。
步骤53、计算相似度U,具体计算公式为:
其中:
μi=exp(-(ui 2/σi 2))
式中,μi为第i个模糊因素的隶属度值;σi为第i个模糊因素的隶属度系数,为设定常数,在本实施例中,隶属度系数σ1、σ2、σ3和σ4优选分别为100、100、1和15。
步骤54、关联判断:将步骤53计算的相似度U,与设定的关联阈值Umin(优选为0.6)进行比较判定,当相似度U大于关联阈值Umin时,判定为本周期内局部航迹与对应***航迹相关联,否则,判定为本周期内局部航迹与对应***航迹不相关联。
步骤55、选取最优***航迹:根据步骤54的关联判断结果,选取最优***航迹,选取方法,优选为:
当未关联到***航迹时,则根据当前局部航迹创建新的***航迹,作为最优***航迹。
当从最小计算单元中仅关联到一个***航迹时,则已关联***航迹作为最优***航迹。
当从最小计算单元中仅关联到两个及以上***航迹时,则从已关联***航迹中,选取相似度最大的***航迹作为最优***航迹。
步骤6、最优***航迹反向选取最优局部航迹
局部航迹依据最优关联准则选择了最优***航迹,而在流式数据驱动机制下,船舶密集区多条局部航迹可能同时最优关联到同一***航迹。
步骤5选取的最优***航迹在属于同一传感器的局部航迹中反向选取最优局部航迹,具体选取方法为:
当最优***航迹仅具有一个相关联的局部航迹时,已关联局部航迹为最优局部航迹。
当最优***航迹具有两个及以上的相关联局部航迹时,则从已关联局部航迹中,选取相似度最大的局部航迹作为最优局部航迹。
步骤7、构建链式关联关系映射,包括如下步骤:
步骤7-1、构建:最优***航迹与选取的最优局部航迹之间形成如图5所示的临时链式映射。
步骤7-2、周期维持:在每个航迹更新周期内,均重复步骤4至步骤6,当临时链式映射中的最优***航迹与最优局部航迹能正、反向选取到时,则最优局部航迹次数累计加1(设置上限为8,可配置);在设定的N个航迹更新周期内,当最优局部航迹的累计次数达到门限阈值S时,则认为临时链式映射中的最优***航迹与最优局部航迹之间满足真正的关联关系,并建立真正的链式关联关系映射;其中,N≥3。图6显示了局部航迹与***航迹间的双向最优选择示意图。
经过步骤5和步骤7局部航迹与***航迹建立最优正反双向选择并确认真正关联映射关系后,此后局部航迹更新,则无需再重复查找最优***航迹,仅需持续判定该局部航迹与与之建立关联关系的***航迹间的融合状态即可。
步骤8、航迹融合,包括如下步骤:
步骤8-1、设定融合阈值Fh。
步骤8-2、设定滑窗内的航迹更新周期数量M,本实施例中,优选M=10。
式中,j表示滑窗内第j个航迹更新周期,且1≤j≤M。
Uj表示滑窗内第j个航迹更新周期时,链式关联关系映射中最优局部航迹与最优***航迹之间的相似度。
即***航迹根据前一时刻的航迹状态外推到当前时刻的状态估计,亦称之为预测状态(Px,Py,Pv,Pc),新接收到的局部航迹状态称之为测量状态(Mx,My,Mv,Mc),其中,(Px,Py,Pv,Pc)分别为预测状态下的***航迹的水平坐标系下的x方向的位置信息、y方向的位置信息、航速信息、航向信息,Mx,My,Mv,Mc)为最新局部航迹的水平坐标系下的x方向的位置信息、y方向的位置信息、航速信息、航向信息。
步骤9、滤波:本发明优选采用卡尔曼滤波算法对步骤8的融合航迹进行滤波。
融合航迹结果:
Rx=(Px,Mx)进行滤波处理,Rx为融合航迹的水平坐标系下的x方向的位置信息。
Ry=(Py,My)进行滤波处理,Rx为融合航迹的水平坐标系下的y方向的位置信息。
Rv=(Pv,Mv)进行滤波处理,Rx为融合航迹的航速信息。
Rc=(Pc,Mc)进行滤波处理,Rx为融合航迹的航向信息。
综上所述,本发明将融合航迹抽象为***航迹,建立关联映射关系时综合考虑了局部航迹、***航迹间双向最优选择最优关联航迹的功能,采用数据流式驱动机制,保证数据的实时性,并且对融合航迹进行滤波处理,从而实现VTS***中多传感器的信息融合,在实现过程中,采用拓扑网格的方式,将局部航迹、***航迹组建最小计算单元,在整体框架实现较高处理效率的前提下,能够有效提升密集水域下多传感器的融合性能。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (10)
1.一种面向VTS***的多传感器信息融合方法,其特征在于:包括如下步骤:
步骤1、绘制辖区:在VTS***的交通管理子***客户端绘制辖区;
步骤2、划分拓扑网格:将步骤1绘制的辖区,进行拓扑网格划分;
步骤3、数据流式驱动机制:将每个雷达站或每个AIS输出的一维航迹数据均定义为局部航迹,将融合后的航迹定义为***航迹;则航迹融合处理采用数据流式驱动机制,当接收到任意最新局部航迹时,立即触发航迹融合,保障融合数据处理的实时性和有效性;整个融合过程仅在***航迹和局部航迹两个维度之间进行匹配计算;
步骤4、构建最小计算单元:持续从数据采集层接收最新局部航迹信息,并根据其最新的位置信息填充至对应的拓扑网格,并获取对应的拓扑网格编码;以当前拓扑网格编码为中心网格,并取与其相邻的8个拓扑网格,组成九宫格;每个九宫格中所包含的最新接收到的局部航迹、若干个***航迹,以及与每个***航迹关联的所有局部航迹,共同形成最小计算单元;
步骤5、局部航迹正向选取最优***航迹:局部航迹更新,并将当前局部航迹,与步骤4构建的最小计算单元中的所有***航迹,进行关联计算;
当未关联到***航迹时,则根据当前局部航迹创建新的***航迹,作为最优***航迹;
当从最小计算单元中仅关联到一个***航迹时,则已关联***航迹作为最优***航迹;
当从最小计算单元中仅关联到两个及以上***航迹时,则从已关联***航迹中,选取相似度最大的***航迹作为最优***航迹;
步骤6、最优***航迹反向选取最优局部航迹:步骤5选取的最优***航迹在属于同一传感器的局部航迹中反向选取最优局部航迹,具体选取方法为:
当最优***航迹仅具有一个相关联的局部航迹时,已关联局部航迹为最优局部航迹;
当最优***航迹具有两个及以上的相关联局部航迹时,则从已关联局部航迹中,选取相似度最大的局部航迹作为最优局部航迹;
步骤7、构建链式关联关系映射,包括如下步骤:
步骤7-1、构建:最优***航迹与选取的最优局部航迹之间形成临时链式映射;
步骤7-2、周期维持:在每个航迹更新周期内,均重复步骤4至步骤6,当临时链式映射中的最优***航迹与最优局部航迹能正、反向选取到时,则最优局部航迹次数累计加1;在设定的N个航迹更新周期内,当最优局部航迹的累计次数达到门限阈值S时,则认为临时链式映射中的最优***航迹与最优局部航迹之间满足真正的关联关系,并建立真正的链式关联关系映射;其中,N≥3;
步骤8、航迹融合,包括如下步骤:
步骤8-1、设定融合阈值Fh;
步骤8-2、设定滑窗内的航迹更新周期数量M;
步骤9、滤波:对步骤8的融合航迹进行滤波。
2.根据权利要求1所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤2中,拓扑网格划分时,需满足如下三项规则:
规则一、每个拓扑网格的尺寸应该不超过5km*5km,便于计算量被充分地均摊;
规则二、划分后的每个拓扑网格均为正方形,具备相同的水平距离和垂直距离;
规则三、单个航迹的关联范围,应该被约束在其所在拓扑网格及其相邻的8个拓扑网格组成的九宫格内。
3.根据权利要求1或2所述的面向VTS***的多传感器信息融合方法,其特征在于:当绘制的辖区为多边形时,步骤2中,拓扑网格的划分方法,包括如下步骤:
步骤2-1、组建矩形:从多边形辖区中寻找经度最小值Lonmin、经度最大值Lonmax、纬度最小值Latmin和纬度最大值Latmax;接着,以经纬度坐标分别为(Lonmax,Latmin)、(Lonmax,Latmax)、(Lonmin,Latmin)和(Lonmin,Latmax)的四点,作为矩形的四个角点,从而组建矩形;
步骤2-2、网格划分:通过对步骤2-1组建的矩形四周进行扩充的方式,将矩形划分为Raw*Col个大小相同的拓扑网格;其中,Raw为拓扑网格的横向划分总数,Col为拓扑网格的纵向划分总数。
4.根据权利要求1所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤4中,组建九宫格时,当辖区或矩形边缘的拓扑网格处于中心格,相邻拓扑网格不满8个时,则借用对称的边缘拓扑网格,进行九宫格组建。
5.根据权利要求1所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤5中,局部航迹正向选取最优***航迹的方法,包括如下步骤:
步骤51、时空统一:将当前局部航迹和最小计算单元中的所有***航迹,均进行坐标统一和时钟同步;
步骤52、建立多因素模糊集:选择与航迹相关的n个模糊因素的欧式距离u1、u2、…、ui、…un组成多因素模糊集U;其中,1≤i≤n;对每个模糊因素均分配一个关联系数,进而构成关联系数分配集A=[a1、a2、…、ai、…an];其中,a1、a2、…、ai、…an分别为u1、u2、…、ui、…un的关联系数;且
步骤53、计算相似度U,具体计算公式为:
其中:
式中,μi为第i个模糊因素的隶属度值;σi为第i个模糊因素的隶属度系数,为设定常数;
步骤54、关联判断:将步骤53计算的相似度U,与设定的关联阈值Umin进行比较判定,当相似度U大于关联阈值Umin时,判定为本周期内局部航迹与对应***航迹相关联,否则,判定为本周期内局部航迹与对应***航迹不相关联;
步骤55、选取最优***航迹:根据步骤54的关联判断结果,选取最优***航迹。
6.根据权利要求5所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤52中,n=4,4个模糊因素的欧式距离u1、u2、u3和u4分别为水平距离因素、垂直距离因素、航速因素、航向因素的欧式距离。
7.根据权利要求6所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤53中,隶属度系数σ1、σ2、σ3和σ4分别为100、100、1和15。
8.根据权利要求7所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤54中的关联阈值Umin为0.6。
10.根据权利要求9所述的面向VTS***的多传感器信息融合方法,其特征在于:步骤8-2中,M=10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211451177.4A CN115718905B (zh) | 2022-11-18 | 2022-11-18 | 一种面向vts***的多传感器信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211451177.4A CN115718905B (zh) | 2022-11-18 | 2022-11-18 | 一种面向vts***的多传感器信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115718905A true CN115718905A (zh) | 2023-02-28 |
CN115718905B CN115718905B (zh) | 2023-10-24 |
Family
ID=85255655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211451177.4A Active CN115718905B (zh) | 2022-11-18 | 2022-11-18 | 一种面向vts***的多传感器信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718905B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908836A (zh) * | 2023-07-13 | 2023-10-20 | 大连海事大学 | 一种融合多传感器信息的usv环境感知方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100118895A1 (en) * | 2008-09-22 | 2010-05-13 | Codrut Radu Radulescu | Network timing synchronization systems |
CN102707276A (zh) * | 2012-05-23 | 2012-10-03 | 中国人民解放军海军航空工程学院 | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 |
CN108490432A (zh) * | 2018-05-18 | 2018-09-04 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种导航雷达***中全局目标跟踪的方法 |
CN109639512A (zh) * | 2019-01-28 | 2019-04-16 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种vts多传感器信息综合处理***的热备份方法 |
CN111829505A (zh) * | 2020-01-08 | 2020-10-27 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器航迹质量外推航迹融合方法 |
CN111968046A (zh) * | 2020-07-21 | 2020-11-20 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
CN113962300A (zh) * | 2021-10-18 | 2022-01-21 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种融合雷达与ais的船舶精确关联方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
-
2022
- 2022-11-18 CN CN202211451177.4A patent/CN115718905B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100118895A1 (en) * | 2008-09-22 | 2010-05-13 | Codrut Radu Radulescu | Network timing synchronization systems |
CN102707276A (zh) * | 2012-05-23 | 2012-10-03 | 中国人民解放军海军航空工程学院 | 基于目标拓扑信息的ais与雷达航迹抗差关联算法 |
CN108490432A (zh) * | 2018-05-18 | 2018-09-04 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种导航雷达***中全局目标跟踪的方法 |
CN109639512A (zh) * | 2019-01-28 | 2019-04-16 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种vts多传感器信息综合处理***的热备份方法 |
CN111829505A (zh) * | 2020-01-08 | 2020-10-27 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 多传感器航迹质量外推航迹融合方法 |
CN111968046A (zh) * | 2020-07-21 | 2020-11-20 | 南京莱斯网信技术研究院有限公司 | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 |
WO2022074643A1 (en) * | 2020-10-08 | 2022-04-14 | Edgy Bees Ltd. | Improving geo-registration using machine-learning based object identification |
CN113962300A (zh) * | 2021-10-18 | 2022-01-21 | 中船重工鹏力(南京)大气海洋信息***有限公司 | 一种融合雷达与ais的船舶精确关联方法 |
Non-Patent Citations (4)
Title |
---|
JIAOJIAO HAN等: "Fast track association using multiple attributes", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》, pages 3860 - 3865 * |
JUNHA ROH等: "Multimodal Trajectory Prediction via Topological Invariance for Navigation at Uncontrolled Intersections", 《CONFERENCE ON ROBOT LEARNING. PMLR》, pages 1 - 12 * |
孙延东: "多源信息融合技术在VTS中的应用", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 03, pages 036 - 206 * |
杨峰等: "基于空间拓扑特征及小波变换的分布式航迹关联", 《指挥信息***与技术》, vol. 11, no. 2, pages 33 - 38 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908836A (zh) * | 2023-07-13 | 2023-10-20 | 大连海事大学 | 一种融合多传感器信息的usv环境感知方法 |
CN116908836B (zh) * | 2023-07-13 | 2024-03-08 | 大连海事大学 | 一种融合多传感器信息的usv环境感知方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115718905B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zissis et al. | A distributed spatial method for modeling maritime routes | |
Wang et al. | Evolution of the topography of tidal flats and sandbanks along the Jiangsu coast from 1973 to 2016 observed from satellites | |
CN104091470B (zh) | 一种基于多数据融合的航道交通信息预测方法及应用 | |
CN111157982A (zh) | 基于岸基雷达的智能船舶船岸协同目标跟踪***和方法 | |
Daranda | Neural network approach to predict marine traffic | |
CN102711239B (zh) | 基于rss指纹数据库的二次模糊聚类室内定位方法 | |
CN110501006B (zh) | 一种异类传感器联合航迹关联与跟踪方法 | |
CN107194040B (zh) | 基于双向水流的水质监测网络多目标优化部署方法 | |
CN112558076B (zh) | 基于组网天气雷达覆盖域的体扫描模式计算方法与应用 | |
DE60028433T2 (de) | Verfahren zur Ortsbestimmung terrestrischer Mobilfunkgeräte aus einem Luftfahr zeug | |
CN115577324B (zh) | 雷达和船舶自动识别***数据融合方法及***、存储介质 | |
Chang et al. | Vessel traffic analysis for maritime intelligent transportation system | |
CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
CN112347218B (zh) | 无人船艇的环境地图生成方法及无人船艇感知*** | |
CN111968046A (zh) | 一种基于拓扑结构的雷达光电传感器目标关联融合方法 | |
CN115718905A (zh) | 一种面向vts***的多传感器信息融合方法 | |
CN110458089B (zh) | 一种基于高低轨光学卫星观测的海上目标关联***及方法 | |
CN104392113B (zh) | 一种近海海面冷空气大风风速的估算方法 | |
CN107430004A (zh) | 用于计算至少一艘船的水面速的方法和用于推导在该船的路径上每个点处的漂移向量的方法 | |
CN101865995A (zh) | 一种机场雷达信号的处理方法 | |
CN117389305A (zh) | 一种无人机巡检路径规划方法、***、设备及介质 | |
Stateczny | Radar water level sensors for full implementation of the river information services of border and lower section of the Oder in Poland | |
CN114445572B (zh) | 一种基于DeeplabV3+的陌生海域中障碍物即时定位与地图构建方法 | |
CN113793031B (zh) | 海底管线风险预测方法及装置 | |
CN113298113B (zh) | 基于列车车载卫星定位观测数据的轨道沿线环境分类方法 |
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 | ||
CP01 | Change in the name or title of a patent holder |
Address after: 211153 No.32 Changqing street, Jiangning Development Zone, Nanjing City, Jiangsu Province Patentee after: China Shipbuilding Pengli (Nanjing) Atmospheric and Ocean Information System Co.,Ltd. Address before: 211153 No.32 Changqing street, Jiangning Development Zone, Nanjing City, Jiangsu Province Patentee before: CSIC PRIDE (NANJING) ATMOSPHERE MARINE INFORMATION SYSTEM Co.,Ltd. |
|
CP01 | Change in the name or title of a patent holder |