CN117109588A - 一种面向智能航行的多源探测多目标信息融合方法 - Google Patents
一种面向智能航行的多源探测多目标信息融合方法 Download PDFInfo
- Publication number
- CN117109588A CN117109588A CN202311077495.3A CN202311077495A CN117109588A CN 117109588 A CN117109588 A CN 117109588A CN 202311077495 A CN202311077495 A CN 202311077495A CN 117109588 A CN117109588 A CN 117109588A
- Authority
- CN
- China
- Prior art keywords
- target
- information
- fusion
- association
- sensor
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000004927 fusion Effects 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims description 67
- 238000005259 measurement Methods 0.000 claims description 63
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000013179 statistical model Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical group CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 abstract description 10
- 238000012937 correction Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- G01C21/203—Specially adapted for sailing ships
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及船舶智能航行技术领域,具体涉及一种面向智能航行的多源探测多目标信息融合方法,包括:基于IMMUKF算法周期性对多源目标进行跟踪估计和时间同步,得到各传感器所检测的多目标运动信息;初始化融合目标,并进行目标航迹起始;单传感器多目标检测信息与融合目标航迹关联;在航迹关联过程中,以AIS目标的运动信息为基准,计算关联上的雷达目标以及避碰声呐目标的位置误差,并进行传感器误差校正;将当前周期接收的多传感器多目标运动信息与关联匹配上的融合目标进行多目标航迹融合;通过M‑N逻辑法进行融合多目标的航迹关联终结判断。本发明可提高多目标属性感知完整性和运动状态感知精度。
Description
技术领域
本发明涉及船舶智能航行技术领域,更具体的说是涉及一种面向智能航行的多源探测多目标信息融合方法。
背景技术
近年来随着人工智能技术的发展,船舶智能航行研究得到了迅猛的发展,其中水面目标的感知能力与感知效果直接关系着避碰决策与航行安全。水面船舶现有感知手段依赖于AIS***、具有ARPA功能的雷达、光电跟踪***、电子海图等设备,在船舶密度大、天气恶劣、本船或目标船机动运动等复杂水域场景下,直接依赖于AIS、具有ARPA功能的雷达传感器将会出现目标虚警率及漏检率增加、目标运动信息精度下降、目标部分信息缺失等,难以满足智能航行需求。
目前,AIS***与具有ARPA功能的雷达目标关联方法比较成熟,传统的AIS目标与雷达目标航迹关联方法仅适用于两种传感器间的关联匹配,对于进行智能航行的船舶,拥有多种感知信息来源(如视频图像、声呐等)、甚至多部雷达,且在复杂场景下航行时可能存在单一传感器性能下降、受海况地理地形影响,传感器探测信息不稳定、航迹误关联等情况,此时,如何实时接入当前所有感知传感器探测信息,并实时输出当前感知到的所有目标相对完整、准确的运动状态及属性信息是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种面向智能航行的多源探测多目标信息融合方法,可提高多目标属性感知完整性和运动状态感知精度。
为了实现上述目的,本发明采用如下技术方案:
一种面向智能航行的多源探测多目标信息融合方法,包括以下步骤:
S1、以本船为坐标原点,建立坐标系,将多源传感器检测到的目标统一到该坐标系下;
S2、基于IMMUKF算法周期性对多源目标进行跟踪估计和时间同步,得到各传感器所检测的多目标运动信息,并建立多目标列表;
S3、将初始时刻接收的第一个传感器检测信息作为多目标列表中的初始融合目标;
S4、后续接收的单传感器多目标检测信息与多目标列表内的融合目标进行航迹关联;
S5、在航迹关联过程中,找出关联匹配上的AIS目标、具有APRA功能的雷达目标以及避碰声呐目标,以AIS目标的运动信息为基准,计算关联上的雷达目标以及避碰声呐目标的位置误差,并进行传感器误差校正;
S6、将当前周期接收的基于IMMUKF算法跟踪后的多传感器多目标运动信息与关联匹配上的融合目标进行多目标航迹融合;
S7、通过M-N逻辑法进行融合多目标的航迹关联终结判断,若M个时刻中连续N个时刻某传感器所检测的目标与融合目标未关联,则该目标与该传感器航迹关联终结。
进一步的,S1中,多源传感器所检测的目标至少包括:雷达目标、AIS目标、电子海图提取物标、视频图像检测目标、避碰声呐目标和激光雷达目标。
进一步的,S2中,针对AIS目标,进行状态更新和预测的过程为:
根据MMSI船号,初始化每个AIS目标的状态及协方差;经过T周期,若当前时刻有多目标信息输入,则判断有无同一MMSI船号信息,若有同一MMSI船号信息,则将同一MMSI船号的目标信息作为量测信息进行IMMUKF状态更新;
IMMUKF状态更新过程如下:
设置包含匀速模型、匀加速模型和当前统计模型的模型集,用以覆盖船舶目标的不同机动情况;根据传感器接收目标的编号将初始时刻接收的不同目标的运动信息作为模型集中的初始状态,并初始化目标状态的协方差、模型的切换矩阵和模型概率向量;
通过IMMUKF算法,进行输入交互、滤波计算、模型概率更新和输出交互,获取同一MMSI船号的AIS目标量测的运动状态滤波更新结果;
若同一MMSI船号的AIS目标经过T周期后,无多目标数据输入,则进行IMMUKF预测,IMMUKF预测过程如下:
输入交互过程与IMMUKF状态更新过程一致,滤波计算过程利用状态转移矩阵、过程协方差进行状态协方差的预测;模型概率不更新,沿用上一时刻的模型概率;输出交互过程,使用上一时刻的模型概率进行运动状态估计;
若当前接收AIS目标的MMSI船号为新出现的目标,则将该目标视为新目标,则对该目标进行初始化处理,并进入多目标列表。
进一步的,S2中,AIS目标信息包含MMSI船号、船长船宽和航行状态,在多目标跟踪估计与时间同步过程中将该信息同步添加至多目标列表内。
进一步的,S2中,针对具有ARPA功能的雷达目标,目标预测和更新过程为:
输入初始时刻的雷达多目标信息,根据雷达目标批号初始化每个目标的状态及协方差;经过T周期,若当前时刻有多目标信息输入,则判断有无同一目标批号信息,若有同一目标批号,则将同一目标批号的目标信息作为量测信息进行IMMUKF状态更新,更新过程与AIS目标更新过程一致;
若雷达多目标信息输入中,无同一雷达目标批号信息,则雷达多目标信息为新目标或航迹断裂后的同一目标,则进行数据关联判断,数据关联判断过程为:
获取目标的距离、方位、航速、航向,基于欧式距离构建模糊多因素集U={u1mn,u2mn,u3mn,u4mn},其中m,n表示具有ARPA功能的雷达上一时刻观测的目标m和当前时刻目标量测n,u1mn、u2mn、u3mn、u4mn分别表示距离、方位、航速、航向的单因素集;
计算每个单因素集中目标与量测信息的关联隶属度,当关联隶属度大于阈值时,判定为初步关联;若只有一个量测与目标初步关联,则量测与目标关联;若有多个量测与目标初步关联,则选取关联隶属度最大的量测与目标关联;
基于关联后的量测信息进行IMMUKF状态更新,更新过程与AIS目标更新过程一致;
若无量测与目标关联,则量测信息作为新目标进行航迹起始,对该新目标进行初始化处理后进入多目标列表,并对该新目标进行IMMUKF预测,预测过程与AIS目标预测过程一致;
若雷达目标经过T周期后,无多目标数据输入,则进行IMMUKF预测,预测过程与AIS目标预测过程一致。
进一步的,计算每个单因素集中目标与量测信息的关联隶属度,包括:
计算每个单因素集的关联隶属度;
引入因素权重模糊集,给不同单因素集分配不同权重A=[ω1,ω2,ω3,ω4],ω1,ω2,ω3,ω4分别为目标距离、方位、航速、航向的权重值;
计算目标与量测信息关联隶属度。
进一步的,S2中,针对避碰声呐目标和激光雷达目标,目标更新和预测过程为:
若避碰声呐和激光雷达多目标输入信息有各自的目标批号,则多目标跟踪估计与时间同步步骤同具有ARPA功能的雷达多目标跟踪估计与时间同步步骤相同;
若避碰声呐和激光雷达本身不具备多目标跟踪功能,未进行目标跟踪以及目标批号维护,则将避碰声呐和激光雷达多目标初始化;经过T周期,若有量测信息,则将输入作为量测信息,并基于模糊多因素数据关联算法,将量测与目标数据关联,并进行IMMUKF状态更新,当无量测时,则进行IMMUKF状态预测,状态更新和预测过程与AIS目标更新和预测过程一致。
进一步的,S4包括:
计算模糊多因素关联隶属度,通过速度大小自适应判断模糊关联不同因素的权值;
通过优化后的双门限关联判断规则进行航迹关联判断。
进一步的,计算模糊多因素关联隶属度时,通过速度大小自适应计算速度因素和航向因素对应的权值,速度因素权值ω3和航向因素权值ω4的计算公式如下:
其中,航速v≤v1时为低速航行,航速v>v2时为高速航行,v1为判断低速航行速度阈值,v2为判断高速航行速度阈值。
进一步的,优化后的双门限关联判断规则包括第一门限关联判断规则和第二门限关联判断规则,其中,第一门限关联判断规则为:
在t时刻,计算传感器第j个目标与所有N个融合目标的关联隶属度cji(t),其中,i=1,2,…N,设置第一个隶属度关联门限AT1;
若cji(t)≥AT1;则传感器第j个目标与第i个融合目标初步关联,若有M个融合目标与传感器第j个目标初步关联(M≥1),则取出传感器第j个目标与所有初步关联的M个融合目标的关联隶属度的最大值,如下所示:max(cjI(t))=max(cj1(t) cj2(t) … cjM(t));
则传感器第j个目标与所有初步关联的M个融合目标中隶属度最大的第i个融合目标关联;
第二门限关联判断规则为:
从t时刻开始回溯R个点,对于l=1,2,...,R,逐点计算传感器第j个目标与第i个融合目标关联隶属度cljI(t),定义隶属度关联门限AT2,如果满足:max(cljI(t))≥AT2,则回溯点数关联质量mjI的计算方式为:
mjI(l)=mjI(l-1)+1 (mjI(0)=0)
否则,回溯点数关联质量mjI的计算方式为:
mjI(l)=mjI(l-1)
当满足回溯点数关联质量第二门限mjI(R)≥L时,则传感器目标j与融合目标i关联,进行后续航迹融合。
经由上述的技术方案可知,与现有技术相比,本发明具有以下有益效果:
本发明接收船舶的具有ARPA功能的雷达、AIS、电子海图、激光雷达、光电视频、红外视频、避碰声呐等多源探测目标量测信息或局部航迹信息,以融合目标为关联中心,以IMMUKF为单传感器滤波更新及时间同步算法,以自适应模糊多因素及优化双门限方法为多传感器多目标航迹关联算法,以基于误差校正的协方差交叉融合算法为航迹融合算法,进行融合目标航迹起始、维持及终结的编号维护,提高多目标属性感知完整性、运动状态感知精度。
本发明可以实现面向智能航行的船舶在不同航行场景、航行工况下多源探测多目标信息的跟踪及融合处理,降低单一传感器感知探测性能下降、传感器探测信息不稳定、复杂地理地形、高海况、航迹误关联等情况下对船舶安全航行的影响,通过多源探测传感器提高多目标属性感知完整性、运动状态感知精度,满足工程实际需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的面向智能航行的多源探测多目标信息融合方法的简易流程图;
图2为本发明提供的面向智能航行的多源探测多目标信息融合方法的详细流程图。
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。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。
实施例一
如图1所示,本发明实施例公开了一种面向智能航行的多源探测多目标信息融合方法,包括以下步骤:
S1、以本船为坐标原点,建立坐标系,将多源传感器检测到的目标统一到该坐标系下;
S2、基于IMMUKF(交互式多模型无迹卡尔曼滤波)算法周期性对多源目标进行跟踪估计和时间同步,得到各传感器所检测的多目标运动信息,并建立多目标列表;
S3、将初始时刻接收的第一个传感器检测信息作为多目标列表中的初始融合目标;
S4、后续接收的单传感器多目标检测信息与多目标列表内的融合目标进行航迹关联;
S5、在航迹关联过程中,找出关联匹配上的AIS目标、具有APRA功能的雷达目标以及避碰声呐目标,以AIS目标的运动信息为基准,计算关联上的雷达目标以及避碰声呐目标的位置误差,并进行传感器误差校正;
S6、将当前周期接收的基于IMMUKF算法跟踪后的多传感器多目标运动信息与关联匹配上的融合目标进行多目标航迹融合;
S7、通过M-N逻辑法进行融合多目标的航迹关联终结判断,若M个时刻中连续N个时刻某传感器所检测的目标与融合目标未关联,则该目标与该传感器航迹关联终结。
实施例二
S1、以本船为坐标原点,建立东北天坐标系,将雷达目标、AIS目标、电子海图提取物标、视频图像检测目标、避碰声呐目标和激光雷达目标转换到东北天坐标系。
S2、基于IMMUKF算法对AIS、雷达、避碰声呐、激光雷达多目标跟踪估计与时间同步:
设置统一的目标跟踪周期T,基于IMMUKF跟踪算法将AIS目标、雷达目标、避碰声呐目标,通过目标编号和模糊多因素距离及历史双门限航迹关联算法进行自适应数据关联,通过判断有无量测分别进行多目标的运动状态的更新及预测,实现不同传感器间的时间同步,最后输出多目标运动状态信息。具体来说:
(1)针对AIS目标,进行状态更新和预测的过程为:
根据MMSI船号,初始化每个AIS目标的状态x0及协方差p0;经过T周期,若当前时刻有多目标信息输入,则判断有无同一MMSI船号信息,若有同一MMSI船号信息,则将同一MMSI船号的目标信息作为量测信息进行IMMUKF状态更新;
IMMUKF状态更新过程如下:
设置包含匀速(CV)模型、匀加速(CA)模型和当前统计模型的模型集,用以覆盖船舶目标的不同机动情况;其中,CV模型模拟目标做匀速直线运动,CA模型模拟目标做匀加速直线运动,当前统计模型是一个带自适应的Singer模型用来模拟目标的机动运动。根据传感器接收目标的编号将初始时刻接收的不同目标的运动信息xa0作为模型集中的初始状态并初始化目标状态的协方差Pj(0|0)Pa(0|0)、模型的切换矩阵Pba和模型概率向量ub(0);其中a,b∈[1,M],M为模型集中模型个数,M=3。
通过IMMUKF算法,进行输入交互、滤波计算、模型概率更新和输出交互,获取同一MMSI船号的AIS目标量测的运动状态滤波更新结果,对k+1时刻有:
a)输入交互
对于第a个模型,有,
其中,k表示k时刻,Pa 0(k|k)分别表示目标的第j个模型在k时刻输入交互后的状态和协方差估计。
b)滤波计算
根据Pa 0(k|k),对第j个模型进行UKF滤波,从而得到更新的状态估计以及估计协方差Pa(k+1|k+1)。
c)模型概率更新
对于第j个模型,其似然函数为Λa(k+1),模型更新方程为:
d)输出交互
其中,和P(k+1|k+1)为输出交互后目标k+1时刻状态和协方差的预测估计值。
若同一MMSI船号的AIS目标经过T周期后,无多目标数据输入,则进行IMMUKF预测,IMMUKF预测过程如下:
输入交互过程与IMMUKF状态更新过程一致,滤波计算过程由于缺少量测,则仅利用UKF滤波过程中的状态转移矩阵、过程协方差进行状态协方差的预测;由于缺少量测信息,CV、CA与当前统计模型的模型概率不更新,沿用上一时刻的模型概率;输出交互过程,使用上一时刻的模型概率进行运动状态估计;
若当前接收AIS目标的MMSI船号为新出现的目标,则将该目标视为新目标,则对该目标进行初始化处理,并进入多目标列表。
AIS目标信息包含MMSI船号、船长船宽和航行状态,在多目标跟踪估计与时间同步过程中将该信息同步添加至多目标列表内。
(2)针对具有ARPA功能的雷达目标,目标预测和更新过程为:
输入初始时刻的雷达多目标信息,根据雷达目标批号初始化每个目标的状态xm0及协方差pm0,其中m表示第m个目标;经过T周期,若当前时刻有多目标信息输入,则判断有无同一目标批号信息,若有同一目标批号,则将同一目标批号的目标信息作为量测信息进行IMMUKF状态更新,更新过程与AIS目标更新过程一致,即S2(1);
若雷达多目标信息输入中,无同一雷达目标批号信息,则雷达多目标信息为新目标或航迹断裂后的同一目标,则进行数据关联判断,数据关联判断过程为:
获取目标的距离、方位、航速、航向,基于欧式距离构建模糊多因素集U={u1mn,u2mn,u3mn,u4mn},其中m,n表示具有ARPA功能的雷达上一时刻观测的目标m和当前时刻目标量测n,u1mn、u2mn、u3mn、u4mn分别表示距离、方位、航速、航向的单因素集;
计算每个单因素集中目标与量测信息的关联隶属度,每个单因素集的关联隶属度的计算公式为:
其中,rqij(k)表示k时刻目标m和目标n第q个单因素集的关联隶属度;τq和分别表示第q个单因素集的调整系数和方差;
引入因素权重模糊集,给不同单因素集分配不同权重A=[ω1,ω2,ω3,ω4],ω1,ω2,ω3,ω4分别为目标距离、方位、航速、航向的权重值;
计算上一时刻目标m与当前时刻量测n模糊多因素信息关联隶属度A*R,其中,R=[r1mn,r2mn,r3mn,r4mn]。
设定关联隶属度阈值thed,当关联隶属度A*R>thed时,判定为初步关联;若只有一个量测与目标初步关联,则量测与目标关联;若有多个量测与目标初步关联,则选取关联隶属度最大的量测与目标关联;
基于关联后的量测信息进行IMMUKF状态更新,更新过程与AIS目标更新过程一致,即S2(1)。
若无量测与目标关联,则量测信息作为新目标进行航迹起始,对该新目标进行初始化处理后进入多目标列表,并对该新目标进行IMMUKF预测,预测过程与AIS目标预测过程一致,即S2(1)。
若雷达目标经过T周期后,无多目标数据输入,则进行IMMUKF预测,预测过程与AIS目标预测过程一致,即S2(1)。
(3)针对避碰声呐目标和激光雷达目标,目标更新和预测过程为:
若避碰声呐和激光雷达多目标输入信息有各自的目标批号,则多目标跟踪估计与时间同步步骤同具有ARPA功能的雷达多目标跟踪估计与时间同步步骤相同,即S2(2)。
若避碰声呐和激光雷达本身不具备多目标跟踪功能,未进行目标跟踪以及目标批号维护,则将避碰声呐和激光雷达多目标初始化;经过T周期,若有量测信息,则将输入作为量测信息,并基于模糊多因素数据关联算法,进行数据关联判断,将当前时刻量测与上一时刻目标数据关联,具体步骤同具有ARPA功能的雷达多目标跟踪估计与时间同步步骤相同,即S2(2),并进行IMMUKF状态更新,当无量测时,则进行IMMUKF状态预测,状态更新和预测过程与AIS目标更新和预测过程一致,即S2(1)。
通过上述(1)-(3)的多传感器多目标跟踪估计与时间同步后,输出更新后的多传感器多目标运动状态。
S3、融合目标初始化及航迹起始:
初始化融合目标,即初始时刻接收的第一个传感器获得的IMMUKF多目标跟踪估计数据作为初始融合目标。
S4、后接收的单传感器多目标与融合目标航迹关联:
将多目标跟踪估时空同步后的AIS、具有ARPA功能的雷达、激光雷达、避碰声呐、电子海图、光电视频探测的多目标均与多目标列表进行航迹关联。
具体包括:
(1)根据目标的距离、方位、航速、航向构建模糊多因素集U={u1ij,u2ij,u3ij,u4ij},其中i,j表示不同传感器探测的目标i和目标j,u1ij、u2ij、u3ij、u4ij分别表示距离、方位、航速、航向的单因素集。计算模糊多因素关联隶属度,计算步骤同基于模糊多因素数据关联算法过程,即S2(2)。
通过速度大小自适应计算速度因素和航向因素对应的权值,速度因素权值ω3和航向因素权值ω4计算公式如下:
其中,航速v≤v1时为低速航行,航速v>v2时为高速航行;v1为为判断低速航行速度阈值,v2为判断高速航行速度阈值,v1和v2均根据专家经验设定。
由公式可知,对于视觉图像检测的多目标信息,利用其方位信息与融合目标中距离最近的目标进行航迹关联。直接计算方位信息的单因素关联隶属度,并进行后续的双门限关联判断规则判断是否关联。
(2)通过优化后的双门限关联判断规则进行航迹关联判断。
优化后的双门限关联判断规则包括第一门限关联判断规则和第二门限关联判断规则,其中,第一门限关联判断规则为:
在t时刻,计算传感器第j个目标与所有N个融合目标的关联隶属度cji(t),其中,i=1,2,…N,设置第一个隶属度关联门限AT1;
若cji(t)≥AT1;则传感器第j个目标与第i个融合目标初步关联,若有M个融合目标与传感器第j个目标初步关联(M≥1),则取出传感器第j个目标与所有初步关联的M个融合目标的关联隶属度的最大值,如下所示:max(cjI(t))=max(cj1(t) cj2(t) … cjM(t));
则传感器第j个目标与所有初步关联的M个融合目标中隶属度最大的第i个融合目标关联;
第二门限关联判断规则为:
从t时刻开始回溯R个点,对于l=1,2,...,R,逐点计算传感器第j个目标与第i个融合目标关联隶属度cljI(t),定义隶属度关联门限AT2,如果满足:max(cljI(t))≥AT2,则回溯点数关联质量mjI的计算方式为:
mjI(l)=mjI(l-1)+1 (mjI(0)=0)
否则,回溯点数关联质量mjI的计算方式为:
mjI(l)=mjI(l-1)
当满足回溯点数关联质量第二门限mjI(R)≥L时,则传感器目标j与融合目标i关联,进行后续航迹融合。
S5、通过传感器目标与融合目标的航迹关联,找出关联匹配上的AIS目标与具有ARPA功能的雷达目标、避碰声呐目标,以AIS目标运动信息为基准,计算关联上的雷达目标与AIS目标/>的位置误差,计算关联上的避碰声呐目标/>与AIS目标/>的位置误差,并实时更新雷达目标与避碰声呐目标的量测信息,进行误差校正,将误差矫正后的雷达目标量测进行IMMUKF预测更新,见S2(2),将误差矫正后的避碰声呐目标量测进行IMMUKF预测更新,见S2(3)。
S6、将当前接收的通过设定周期IMMUKF跟踪后的多传感器探测多目标信息与关联匹配上的融合目标基于协方差交叉航迹融合算法进行多目标航迹融合,若当前接收的为具有ARPA功能的雷达、避碰声呐经过IMMUKF处理的多目标信息,则首先进行误差矫正,再进行航迹融合,航迹融合公式如下:
其中,和/>分别为不同传感器探测的关联上的目标i和目标j的IMMUKF估计值,pi,pj分别为IMMUKF的估计协方差,/>分别为目标融合后的状态与协方差。
当光电视频、红外视频图像检测目标与融合目标航迹关联后,将关联上的视频图像目标检测的类型等属性信息添加到融合目标信息中。当电子海图提取目标与融合目标航迹关联后,若融合目标被具有ARPA功能的雷达或激光雷达探测到,则更新目标的类型为浮标并添加目标的电子海图来源,若融合目标来源仅为电子海图,则用电子海图提取位置信息更新融合目标信息。
S7、通过M-N逻辑法进行融合多目标的航迹关联终结判断,若M个时刻中连续N个时刻传感器目标与融合目标未关联,则该目标与该传感器航迹关联终结。或,若M个时刻中连续N个时刻未收到该目标的量测,则该目标判定终结。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种面向智能航行的多源探测多目标信息融合方法,其特征在于,包括以下步骤:
S1、以本船为坐标原点,建立坐标系,将多源传感器检测到的目标统一到该坐标系下;
S2、基于IMMUKF算法周期性对多源目标进行跟踪估计和时间同步,得到各传感器所检测的多目标运动信息,并建立多目标列表;
S3、将初始时刻接收的第一个传感器检测信息作为多目标列表中的初始融合目标;
S4、后续接收的单传感器多目标检测信息与多目标列表内的融合目标进行航迹关联;
S5、在航迹关联过程中,找出关联匹配上的AIS目标、具有APRA功能的雷达目标以及避碰声呐目标,以AIS目标的运动信息为基准,计算关联上的雷达目标以及避碰声呐目标的位置误差,并进行传感器误差校正;
S6、将当前周期接收的基于IMMUKF算法跟踪后的多传感器多目标运动信息与关联匹配上的融合目标进行多目标航迹融合;
S7、通过M-N逻辑法进行融合多目标的航迹关联终结判断,若M个时刻中连续N个时刻某传感器所检测的目标与融合目标未关联,则该目标与该传感器航迹关联终结。
2.根据权利要求1所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,S1中,多源传感器所检测的目标至少包括:雷达目标、AIS目标、电子海图提取物标、视频图像检测目标、避碰声呐目标和激光雷达目标。
3.根据权利要求1所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,S2中,针对AIS目标,进行状态更新和预测的过程为:
根据MMSI船号,初始化每个AIS目标的状态及协方差;经过T周期,若当前时刻有多目标信息输入,则判断有无同一MMSI船号信息,若有同一MMSI船号信息,则将同一MMSI船号的目标信息作为量测信息进行IMMUKF状态更新;
IMMUKF状态更新过程如下:
设置包含匀速模型、匀加速模型和当前统计模型的模型集,用以覆盖船舶目标的不同机动情况;根据传感器接收目标的编号将初始时刻接收的不同目标的运动信息作为模型集中的初始状态,并初始化目标状态的协方差、模型的切换矩阵和模型概率向量;
通过IMMUKF算法,进行输入交互、滤波计算、模型概率更新和输出交互,获取同一MMSI船号的AIS目标量测的运动状态滤波更新结果;
若同一MMSI船号的AIS目标经过T周期后,无多目标数据输入,则进行IMMUKF预测,IMMUKF预测过程如下:
输入交互过程与IMMUKF状态更新过程一致,滤波计算过程利用状态转移矩阵、过程协方差进行状态协方差的预测;模型概率不更新,沿用上一时刻的模型概率;输出交互过程,使用上一时刻的模型概率进行运动状态估计;
若当前接收AIS目标的MMSI船号为新出现的目标,则将该目标视为新目标,则对该目标进行初始化处理,并进入多目标列表。
4.根据权利要求3所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,S2中,AIS目标信息包含MMSI船号、船长船宽和航行状态,在多目标跟踪估计与时间同步过程中将该信息同步添加至多目标列表内。
5.根据权利要求3所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,S2中,针对具有ARPA功能的雷达目标,目标预测和更新过程为:
输入初始时刻的雷达多目标信息,根据雷达目标批号初始化每个目标的状态及协方差;经过T周期,若当前时刻有多目标信息输入,则判断有无同一目标批号信息,若有同一目标批号,则将同一目标批号的目标信息作为量测信息进行IMMUKF状态更新,更新过程与AIS目标更新过程一致;
若雷达多目标信息输入中,无同一雷达目标批号信息,则雷达多目标信息为新目标或航迹断裂后的同一目标,则进行数据关联判断,数据关联判断过程为:
获取目标的距离、方位、航速、航向,基于欧式距离构建模糊多因素集U={u1mn,u2mn,u3mn,u4mn},其中m,n表示具有ARPA功能的雷达上一时刻观测的目标m和当前时刻目标量测n,u1mn、u2mn、u3mn、u4mn分别表示距离、方位、航速、航向的单因素集;
计算每个单因素集中目标与量测信息的关联隶属度,当关联隶属度大于阈值时,判定为初步关联;若只有一个量测与目标初步关联,则量测与目标关联;若有多个量测与目标初步关联,则选取关联隶属度最大的量测与目标关联;
基于关联后的量测信息进行IMMUKF状态更新,更新过程与AIS目标更新过程一致;
若无量测与目标关联,则量测信息作为新目标进行航迹起始,对该新目标进行初始化处理后进入多目标列表,并对该新目标进行IMMUKF预测,预测过程与AIS目标预测过程一致;
若雷达目标经过T周期后,无多目标数据输入,则进行IMMUKF预测,预测过程与AIS目标预测过程一致。
6.根据权利要求5所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,计算每个单因素集中目标与量测信息的关联隶属度,包括:
引入因素权重模糊集,给不同单因素集分配不同权重A=[ω1,ω2,ω3,ω4],ω1,ω2,ω3,ω4分别为目标距离、方位、航速、航向的权重值;
计算目标与量测信息关联隶属度。
7.根据权利要求4所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,S2中,针对避碰声呐目标和激光雷达目标,目标更新和预测过程为:
若避碰声呐和激光雷达多目标输入信息有各自的目标批号,则多目标跟踪估计与时间同步步骤同具有ARPA功能的雷达多目标跟踪估计与时间同步步骤相同;
若避碰声呐和激光雷达本身不具备多目标跟踪功能,未进行目标跟踪以及目标批号维护,则将避碰声呐和激光雷达多目标初始化;经过T周期,若有量测信息,则将输入作为量测信息,并基于模糊多因素数据关联算法,将量测与目标数据关联,并进行IMMUKF状态更新,当无量测时,则进行IMMUKF状态预测,状态更新和预测过程与AIS目标更新和预测过程一致。
8.根据权利要求1所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,S4包括:
计算模糊多因素关联隶属度,通过速度大小自适应判断模糊关联不同因素的权值;
通过优化后的双门限关联判断规则进行航迹关联判断。
9.根据权利要求8所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,计算模糊多因素关联隶属度时,通过速度大小自适应计算速度因素和航向因素对应的权值,速度因素权值ω3和航向因素权值ω4的计算公式如下:
其中,航速v≤v1时为低速航行,航速v>v2时为高速航行,v1为判断低速航行速度阈值,v2为判断高速航行速度阈值。
10.根据权利要求8所述的面向智能航行的多源探测多目标信息融合方法,其特征在于,优化后的双门限关联判断规则包括第一门限关联判断规则和第二门限关联判断规则,其中,第一门限关联判断规则为:
在t时刻,计算传感器第j个目标与所有N个融合目标的关联隶属度cji(t),其中,i=1,2,…N,设置第一个隶属度关联门限AT1;
若cji(t)≥AT1;则传感器第j个目标与第i个融合目标初步关联,若有M个融合目标与传感器第j个目标初步关联(M≥1),则取出传感器第j个目标与所有初步关联的M个融合目标的关联隶属度的最大值,如下所示:
max(cjI(t))=max(cj1(t) cj2(t) … cjM(t));
则传感器第j个目标与所有初步关联的M个融合目标中隶属度最大的第i个融合目标关联;
第二门限关联判断规则为:
从t时刻开始回溯R个点,对于l=1,2,...,R,逐点计算传感器第j个目标与第i个融合目标关联隶属度cljI(t),定义隶属度关联门限AT2,如果满足:max(cljI(t))≥AT2,则回溯点数关联质量mjI的计算方式为:
mjI(l)=mjI(l-1)+1(mjI(0)=0)
否则,回溯点数关联质量mjI的计算方式为:
mjI(l)=mjI(l-1)
当满足回溯点数关联质量第二门限mjI(R)≥L时,则传感器目标j与融合目标i关联,进行后续航迹融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077495.3A CN117109588B (zh) | 2023-08-25 | 2023-08-25 | 一种面向智能航行的多源探测多目标信息融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311077495.3A CN117109588B (zh) | 2023-08-25 | 2023-08-25 | 一种面向智能航行的多源探测多目标信息融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117109588A true CN117109588A (zh) | 2023-11-24 |
CN117109588B CN117109588B (zh) | 2024-04-30 |
Family
ID=88794208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311077495.3A Active CN117109588B (zh) | 2023-08-25 | 2023-08-25 | 一种面向智能航行的多源探测多目标信息融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117109588B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101628154B1 (ko) * | 2015-03-05 | 2016-06-08 | 국방과학연구소 | 수신 신호 세기를 이용한 다중 표적 추적 방법 |
CN106767760A (zh) * | 2016-12-30 | 2017-05-31 | 中国船舶重工集团公司第七0七研究所 | 基于多维度的多源船舶目标融合方法 |
CN108562923A (zh) * | 2018-04-16 | 2018-09-21 | 大连海事大学 | 一种基于ais船站的多源信息融合船舶定位方法 |
CN110888126A (zh) * | 2019-12-06 | 2020-03-17 | 西北工业大学 | 基于多源传感器的无人船信息感知***数据综合处理方法 |
WO2020133449A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳市大疆创新科技有限公司 | 目标航迹确定方法、目标跟踪***与车辆 |
CN115061139A (zh) * | 2022-07-01 | 2022-09-16 | 重庆邮电大学 | 一种面向智能驾驶车辆的多传感器融合方法及*** |
CN115902866A (zh) * | 2022-11-15 | 2023-04-04 | 武汉华之洋科技有限公司 | 一种船用光电多源目标融合探测处理方法 |
WO2023138053A1 (zh) * | 2022-01-18 | 2023-07-27 | 舟山市质量技术监督检测研究院 | 一种无人水面艇航迹融合方法及装置 |
-
2023
- 2023-08-25 CN CN202311077495.3A patent/CN117109588B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101628154B1 (ko) * | 2015-03-05 | 2016-06-08 | 국방과학연구소 | 수신 신호 세기를 이용한 다중 표적 추적 방법 |
CN106767760A (zh) * | 2016-12-30 | 2017-05-31 | 中国船舶重工集团公司第七0七研究所 | 基于多维度的多源船舶目标融合方法 |
CN108562923A (zh) * | 2018-04-16 | 2018-09-21 | 大连海事大学 | 一种基于ais船站的多源信息融合船舶定位方法 |
WO2020133449A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳市大疆创新科技有限公司 | 目标航迹确定方法、目标跟踪***与车辆 |
CN110888126A (zh) * | 2019-12-06 | 2020-03-17 | 西北工业大学 | 基于多源传感器的无人船信息感知***数据综合处理方法 |
WO2023138053A1 (zh) * | 2022-01-18 | 2023-07-27 | 舟山市质量技术监督检测研究院 | 一种无人水面艇航迹融合方法及装置 |
CN115061139A (zh) * | 2022-07-01 | 2022-09-16 | 重庆邮电大学 | 一种面向智能驾驶车辆的多传感器融合方法及*** |
CN115902866A (zh) * | 2022-11-15 | 2023-04-04 | 武汉华之洋科技有限公司 | 一种船用光电多源目标融合探测处理方法 |
Non-Patent Citations (4)
Title |
---|
ZHENG JIA-CHUN; YU HAO; WANG SU-XIN; LONG YAN; MENG FAN-BIN: "Distributed adaptive multi-sensor multi-target tracking algorithm", JOURNAL OF CHINESE INERTIAL TECHNOLOGY, 31 August 2015 (2015-08-31) * |
张小龙;郑佳春;林长川;胡晓瑞;陈巧萍;朱双双;: "基于BP网络的雷达与AIS目标关联算法与仿真", ***仿真学报, no. 03, 31 March 2015 (2015-03-31) * |
李松;程咏梅;王会宾;高仕博;: "时间偏差校准分布式多传感器多目标跟踪算法", 西北工业大学学报, no. 04, 31 August 2020 (2020-08-31) * |
邢旭峰;谢仕义;黄妙芬;杨光照;黄山;: "基于近海雷达与AIS探测目标融合算法研究", 海洋技术学报, no. 03, 30 June 2020 (2020-06-30) * |
Also Published As
Publication number | Publication date |
---|---|
CN117109588B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110850403B (zh) | 一种多传感器决策级融合的智能船水面目标感知识别方法 | |
CN109100714B (zh) | 一种基于极坐标系的低慢小目标跟踪方法 | |
CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
CN110546459B (zh) | 具有数据融合的机器人跟踪导航 | |
CN110542885A (zh) | 一种复杂交通环境下的毫米波雷达目标跟踪方法 | |
WO2012009947A1 (zh) | 特征迹驱动的多目标跟踪装置及方法 | |
KR102466804B1 (ko) | 이미지 세그멘테이션을 이용한 자율 운항 방법 | |
CN115080903B (zh) | 一种基于智能优化算法的海上多目标多模态匹配融合方法 | |
CN113064422B (zh) | 基于双神经网络强化学习的自主水下航行器路径规划方法 | |
CN113281718B (zh) | 一种基于激光雷达场景流估计的3d多目标跟踪***及方法 | |
Lee et al. | Probabilistic inference of traffic participants' lane change intention for enhancing adaptive cruise control | |
CN112802195B (zh) | 一种基于声呐的水下机器人连续占据建图方法 | |
CN117109588B (zh) | 一种面向智能航行的多源探测多目标信息融合方法 | |
Qin et al. | Research on information fusion structure of radar and AIS | |
CN113673787B (zh) | 一种无人集群多域探测数据航迹关联与预测方法 | |
CN116466701A (zh) | 一种无人水面艇能耗最小轨迹规划方法 | |
CN113296139B (zh) | 一种自适应图像光流与rtk融合测姿方法 | |
CN115953570A (zh) | 结合模板更新与轨迹预测的孪生网络目标跟踪方法 | |
CN115239814A (zh) | 一种基于深度学习和ukf算法结合的3d车辆跟踪方法 | |
CN115130523A (zh) | 基于隐马尔可夫模型的飞行目标行为意图预测方法 | |
CN114384509A (zh) | 一种智能驾驶车辆数据支持的安全行驶决策生成方法 | |
CN113511194A (zh) | 一种纵向避撞预警方法及相关装置 | |
CN117890903B (zh) | 一种基于雷视匹配的无人艇航迹修正方法 | |
Perera et al. | A gm-phd filter with estimation of probability of detection and survival for individual targets | |
CN115291616B (zh) | 一种基于近端策略优化算法的auv动态避障方法 |
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 |