热门标签 | HotTags
当前位置:  开发笔记 > 人工智能 > 正文

多目标跟踪技术

多目标跟踪MTT,边扫边跟TWS是MTT的一种特殊情况。机载雷达TWS属于微波单探测器MTT技术问题。概率数据关联PDA,多假设跟踪MHT࿰

多目标跟踪MTT,边扫边跟TWS是MTT的一种特殊情况。机载雷达TWS属于微波单探测器MTT技术问题。

概率数据关联PDA,多假设跟踪MHT,多帧分配MFA,模糊理论,随机集理论,神经网络,粒子滤波。


1.机载空空多目标跟踪

(1)攻击:典型的特点是作战飞机具有多目标跟踪和多目标攻击的能力,从而能在较远的作用距离上同时发现并跟踪多个有威胁的目标,并与火控系统配合发射多枚导弹、分别攻击不同的目标,达到先敌发现、先发制人、以少胜多的目的。

(2)预警:利用多目标跟踪技术可以跟踪多达上百个有威胁的目标,不仅可以大大提高预警能力,而且在战斗中还可以及时为空中和地面部队提供战场信息,形成一个空中指挥中心,对提高各种武器系统的作战效能、减少伤亡、控制战场事态起着重要的作用。

2.机载空地多目标跟踪

完成对地面多个目标的跟踪和监视。


MTT主要的内容包括:坐标变换(完成对跟踪坐标系和状态变量的选择)、航迹起始(如何从点迹建立航迹)、数据关联(完成点迹与航迹的配对)、跟踪维持或称跟踪算法(完成对被跟踪目标的滤波和预测)、航迹消除(种植不需要或者不能继续跟踪的航迹)、性能评估。


设计MTT时坐标系和状态变量选择的好坏,关系到MTT的性能和计算量的大小。


不同的探测条件导致雷达检测出的目标具有不同的特点,如,空空目标具有机动性强、机动和非机动同时存在等特点,空海和空面目标具有检测概率低、目标相互靠近、目标运动速度慢及转弯机动性强等特点,总体来讲,在航迹起始中最困难的是:

(1)机动和非机动目标的航迹起始;(2)相互靠近目标的航迹起始;(3)低检测概率下的航迹起始;(4)密集杂波和干扰环境下的航迹起始。


对机动目标的跟踪主要的两个问题:一方面是建立更符合实际目标机动情况的跟踪模型和新的跟踪滤波方法;另一方面是采用各种机动分析、估计方法以及通过新的理论改进跟踪滤波方法。

多目标数据关联是MTT技术中最重要和最困难的问题。它所面临的主要问题除关联域大小的确定外,还有从当前N个与上次M个点迹及已形成的T个目标航迹中判断那个点迹属于那个目标。当一个目标的点迹同时落入两个以上目标的关联域内,或几个目标的点迹同时落入一个目标的关联域内时,或目标和杂波的数目增加时,都是数据关联变得更复杂。近年来又提出了在杂波和干扰背景下的多目标跟踪问题,解决这一问题也存在数据关联问题。因此,数据关联问题在MTT技术中显得非常重要。


地/海面慢动目标跟踪的主要困难是低检测概率下的航迹起始和数据关联。

相控阵雷达,由于其波束的捷变性和扫描图形的种类多,特别是在MTT状态对多个目标进行回扫时,雷达的扫描方式、波束的移动时间往往不是等间隔连续变化的,而是根据目标的运动、周边态势,及所处的电磁环境等因素变化。所以相控阵雷达多目标跟踪的主要困难时点迹预处理和变采样周期的跟踪滤波方法。

总之,一套性能良好的MTT系统,应能在下述条件下利用测量数据跟踪多个目标:

(1)存在杂波或干扰及接受机噪声引起的虚警,

这里写图片描述
(2)目标的检测概率小于1,这里写图片描述; 
(3)目标的航迹可能起始或终止于任意时刻、任何空间; 
(4)目标可能发生机动; 
(5)由于信号处理能力的有限,测量数据不是很准确,存在测量误差; 
(6)由于编队或交叉飞行,目标航机靠的很近。

如何对上述MTT系统的性能进行正确的评价也是需要研究和解决的问题。MTT系统性能评估方法分两种:(1)传统的蒙特卡洛模拟法;(2)解析分析法。蒙特卡罗模拟法的优点是直观、可普遍适应于各种情况,缺点是计算量大、负责。目前实际应用中大多采用这种方法,但缺少普遍使用的性能评估的准则。解析方法是一种理论分析的方法,不需要大量的计算,但也没有普遍使用的解析方法,一般都针对某种具体的方法进行分析评定,普遍适应性差。

利用MTT性能评估不仅可以分析在一定的作战环境下某种MTT系统能达到的性能,从而选择最佳MTT系统设计方案,而且还可以反过来确定所要求达到的性能,从而选择最佳MTT系统设计方案,即对雷达系统的辅助设计,因此性能评估是研究MTT系统非常重要的手段。

MTT技术中存在的主要问题和关键技术。 
1.坐标系的选择 
(1)直角坐标系 
(2)球坐标系 
(3)北东下坐标系 
(4)混合坐标系 
(5)航迹定向坐标系 
2.点迹录取与预处理 
点迹录取是实现MTT的第一步,它主要由下属几部分功能组成: 
注:TWS为机载脉冲多普勒火控雷达 
(1)提高俯仰角精度 
一般采用按目标回波幅度进行加权求质心方法解决;进一步也可按信噪比(SNR)或天线增益梯度进行加权修正;更复杂的方法则是利用单脉冲测角原理获得俯仰角或将俯仰角通道改为点扫。 
(2)多余回波或点迹消除逻辑 
多余回波消除的任务是合并由一个目标产生的多个点迹,确定多个目标。处理时应注意在密集目标环境下对多个目标的分辨。 
由于跟踪目标数量多,为了减少计算量,处理时需要将扫描区域分成若干扇区进行处理。根据划定的扇区,当雷达天线扫描过每个扇区后,首先按扇区进行扇区内多余回波消除处理,将一个目标产生的多个目标回拨合并成一个目标的点迹。随着天线的扫面,目标也在运动,两个相邻扇区之间的点迹可能来自同一个目标。因此,存在相邻两个扇区的多余点迹消除预处理问题。扇区内多余点迹消除预处理完成后,在下一个雷达天线帧对相邻扇区边缘跨扇区的点迹进行相邻扇区多余点迹消除,将跨在两个扇区之间的多余点迹合并。为了保证对相邻扇区边缘跨扇区的点迹进行正确处理,设计时需要将方位和距离重叠半个扇区。 
(3)多目标分辨 
应有一种处理方法能分辨多个相近的空间目标,以便真正做到多目标跟踪和威胁判断。

3.航迹起始、确定和消除 
航迹起始一般由三部分组成:(1)建立源生航迹(航迹头);(2)建立临时航迹;(3)确认临时航迹,建立可靠航迹。

航迹消除包括两个部分:(1)消除由虚假信号产生的临时航迹;(2)消除由于目标飞出雷达探测区域或目标威胁等级降低或降低由驾驶员强迫终止的可靠航迹。

4.数据关联

代表性的方法有:最近邻法、航迹分裂法、高斯和法、0-1整数规划法、最大似然法、全邻域法、概率数据关联法(PDA)、联合概率数据关联法(JP-DA)、简化的概率数据关联法(SJPDA)、多假设法(MHT)、概率多假设(PMHT)法、交互多模式概率数据关联法(IMPDA)和神经网络概率数据关联法(NPDA)等。

上述方法可以大致分为价值函数值法、贝叶斯法两大类。价值函数值法以观测序列的似然比为基础,依赖于目标的时间累积信息(观测时间序列);贝叶斯方法则侧重利用空间累积信息(空间概率数据关联)。




推荐阅读
  • 本文探讨了卷积神经网络(CNN)中感受野的概念及其与锚框(anchor box)的关系。感受野定义了特征图上每个像素点对应的输入图像区域大小,而锚框则是在每个像素中心生成的多个不同尺寸和宽高比的边界框。两者在目标检测任务中起到关键作用。 ... [详细]
  • 机器学习中的相似度度量与模型优化
    本文探讨了机器学习中常见的相似度度量方法,包括余弦相似度、欧氏距离和马氏距离,并详细介绍了如何通过选择合适的模型复杂度和正则化来提高模型的泛化能力。此外,文章还涵盖了模型评估的各种方法和指标,以及不同分类器的工作原理和应用场景。 ... [详细]
  • 智能车间调度研究进展
    本文综述了基于强化学习的智能车间调度策略,探讨了车间调度问题在资源有限条件下的优化方法。通过数学规划、智能算法和强化学习等手段,解决了作业车间、流水车间和加工车间中的静态与动态调度挑战。重点讨论了不同场景下的求解方法及其应用前景。 ... [详细]
  • Coursera ML 机器学习
    2019独角兽企业重金招聘Python工程师标准线性回归算法计算过程CostFunction梯度下降算法多变量回归![选择特征](https:static.oschina.n ... [详细]
  • 机器学习核心概念与技术
    本文系统梳理了机器学习的关键知识点,涵盖模型评估、正则化、线性模型、支持向量机、决策树及集成学习等内容,并深入探讨了各算法的原理和应用场景。 ... [详细]
  • 2017年人工智能领域的十大里程碑事件回顾
    随着2018年的临近,我们一同回顾过去一年中人工智能领域的重要进展。这一年,无论是政策层面的支持,还是技术上的突破,都显示了人工智能发展的迅猛势头。以下是精选的2017年人工智能领域最具影响力的事件。 ... [详细]
  • 本文档旨在帮助开发者回顾游戏开发中的人工智能技术,涵盖移动算法、群聚行为、路径规划、脚本AI、有限状态机、模糊逻辑、规则式AI、概率论与贝叶斯技术、神经网络及遗传算法等内容。 ... [详细]
  • 基于2-channelnetwork的图片相似度判别一、相关理论本篇博文主要讲解2015年CVPR的一篇关于图像相似度计算的文章:《LearningtoCompar ... [详细]
  • 在上一篇文章中,我们初步探讨了神经网络的基础概念,并通过一个简单的例子——将摄氏度转换为华氏度——介绍了单个神经元的工作原理。本文将继续探索神经网络的应用,特别是如何构建一个基本的分类器。 ... [详细]
  • 在Ubuntu 16.04中使用Anaconda安装TensorFlow
    本文详细介绍了如何在Ubuntu 16.04系统上通过Anaconda环境管理工具安装TensorFlow。首先,需要下载并安装Anaconda,然后配置环境变量以确保系统能够识别Anaconda命令。接着,创建一个特定的Python环境用于安装TensorFlow,并通过指定的镜像源加速安装过程。最后,通过一个简单的线性回归示例验证TensorFlow的安装是否成功。 ... [详细]
  • 李宏毅机器学习笔记:无监督学习之线性方法
    无监督学习主要涵盖两大类别:一是聚类与降维,旨在简化数据结构;二是生成模型,用于从编码生成新的数据样本。本文深入探讨了这些技术的具体应用和理论基础。 ... [详细]
  • 吴恩达推出TensorFlow实践课程,Python基础即可入门,四个月掌握核心技能
    量子位报道,deeplearning.ai最新发布了TensorFlow实践课程,适合希望使用TensorFlow开发AI应用的学习者。该课程涵盖机器学习模型构建、图像识别、自然语言处理及时间序列预测等多个方面。 ... [详细]
  • 本文详细介绍了Java编程语言中的核心概念和常见面试问题,包括集合类、数据结构、线程处理、Java虚拟机(JVM)、HTTP协议以及Git操作等方面的内容。通过深入分析每个主题,帮助读者更好地理解Java的关键特性和最佳实践。 ... [详细]
  • 自学编程与计算机专业背景者的差异分析
    本文探讨了自学编程者和计算机专业毕业生在技能、知识结构及职业发展上的不同之处,结合实际案例分析两者的优势与劣势。 ... [详细]
  • 本文探讨如何利用人工智能算法自动区分网页是详情页还是列表页,介绍具体的实现思路和技术细节。 ... [详细]
author-avatar
OP尋一
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有