目標(biāo)跟蹤廣泛應(yīng)用于機(jī)器人、智能車等領(lǐng)域,隨著傳感器技術(shù)的不斷發(fā)展,擴(kuò)展目標(biāo)跟蹤在跟蹤領(lǐng)域顯得尤為重要,尤其是帶有輔助信息的擴(kuò)展目標(biāo)跟蹤方法很大程度上提高了跟蹤性能,而合作目標(biāo)作為一種輔助信息,可用來改善現(xiàn)有的擴(kuò)展目標(biāo)跟蹤方法。因此,研究合作目標(biāo)輔助的擴(kuò)展目標(biāo)跟蹤方法具有重要的理論價(jià)值與實(shí)際意義。現(xiàn)有的擴(kuò)展目標(biāo)跟蹤方法中擴(kuò)展目標(biāo)跟蹤模型的建立和數(shù)據(jù)關(guān)聯(lián)是兩個(gè)核心問題。相較于現(xiàn)有的擴(kuò)展目標(biāo)跟蹤模型,本文改進(jìn)的擴(kuò)展目標(biāo)跟蹤模型在狀態(tài)空間中引入了目標(biāo)的寬高特征、航向角特征和合作目標(biāo)的身份特征。在改進(jìn)模型的基礎(chǔ)上本文給出了改進(jìn)的跟蹤門設(shè)計(jì)方法,該方法首先利用擴(kuò)展目標(biāo)的寬高特征和航向角特征設(shè)計(jì)一個(gè)跟蹤門對所有量測集進(jìn)行篩選;然后根據(jù)擴(kuò)展目標(biāo)的位置特征設(shè)計(jì)一個(gè)跟蹤門進(jìn)行二次篩選得到候選回波量測;最后進(jìn)行關(guān)聯(lián)和濾波。對應(yīng)的實(shí)驗(yàn)驗(yàn)證了該跟蹤門設(shè)計(jì)方法可以刪除雜波等無效量測,提高關(guān)聯(lián)效率和跟蹤精度。針對合作目標(biāo)輔助的點(diǎn)目標(biāo)跟蹤方法使用模型單一的問題,給出了改進(jìn)的交互式多模型算法框架,并分別應(yīng)用于稀疏目標(biāo)與密集目標(biāo)場景。針對稀疏場景,根據(jù)擴(kuò)展目標(biāo)的寬高、身份和航向角特征來對概率數(shù)據(jù)關(guān)聯(lián)算法進(jìn)行改進(jìn)。該方法首... 

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
    1.3 問題分析
    1.4 研究內(nèi)容
    1.5 論文組織框架
第2章 相關(guān)技術(shù)分析
    2.1 擴(kuò)展目標(biāo)運(yùn)動(dòng)模型
    2.2 擴(kuò)展目標(biāo)的目標(biāo)跟蹤方法
        2.2.1 交互式多模型算法
        2.2.2 跟蹤門方法
        2.2.3 數(shù)據(jù)關(guān)聯(lián)算法
    2.3 本章小結(jié)
第3章 擴(kuò)展目標(biāo)跟蹤模型
    3.1 合作目標(biāo)跟蹤場景
    3.2 擴(kuò)展目標(biāo)跟蹤模型
        3.2.1 擴(kuò)展目標(biāo)運(yùn)動(dòng)模型
        3.2.2 合作目標(biāo)輔助的貝葉斯跟蹤模型
    3.3 擴(kuò)展目標(biāo)跟蹤門設(shè)計(jì)
    3.4 仿真實(shí)驗(yàn)
    3.5 本章小結(jié)
第4章 稀疏場景下的擴(kuò)展目標(biāo)跟蹤方法
    4.1 概述
    4.2 改進(jìn)的交互式多模型算法
    4.3 改進(jìn)的擴(kuò)展目標(biāo)跟蹤方法
        4.3.1 改進(jìn)的概率數(shù)據(jù)關(guān)聯(lián)算法
        4.3.2 基于改進(jìn)的PDA的擴(kuò)展目標(biāo)跟蹤方法
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 改進(jìn)的概率數(shù)據(jù)關(guān)聯(lián)算法仿真實(shí)驗(yàn)
        4.4.2 改進(jìn)的擴(kuò)展目標(biāo)跟蹤方法仿真實(shí)驗(yàn)
        4.4.3 實(shí)車實(shí)驗(yàn)驗(yàn)證
    4.5 本章小結(jié)
第5章 密集場景下的擴(kuò)展目標(biāo)跟蹤方法
    5.1 概述
    5.2 改進(jìn)的擴(kuò)展目標(biāo)跟蹤方法
        5.2.1 改進(jìn)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法
        5.2.2 基于改進(jìn)的JPDA的擴(kuò)展目標(biāo)跟蹤方法
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 改進(jìn)的聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)算法仿真實(shí)驗(yàn)
        5.3.2 改進(jìn)的擴(kuò)展目標(biāo)跟蹤方法仿真實(shí)驗(yàn)
        5.3.3 實(shí)車實(shí)驗(yàn)驗(yàn)證
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 主要工作與創(chuàng)新點(diǎn)
    6.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]空地概率數(shù)據(jù)關(guān)聯(lián)轉(zhuǎn)換量測濾波算法[J]. 羅玉文,柳丹,范雄華,江晶.  北京理工大學(xué)學(xué)報(bào). 2019(12)
[2]基于聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)的車用多傳感器目標(biāo)跟蹤融合算法[J]. 王鵬宇,趙世杰,馬天飛,熊曉勇,程馨.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2019(05)
[3]多擴(kuò)展目標(biāo)混合粒子濾波器[J]. 韓玉蘭,韓崇昭,薛麗.  控制工程. 2019(06)
[4]基于SIM-GM-PHD的低可觀測目標(biāo)跟蹤算法[J]. 郭云飛,潘金星.  控制與決策. 2018(01)
[5]基于廣義標(biāo)簽多伯努利濾波的可分辨群目標(biāo)跟蹤算法[J]. 朱書軍,劉偉峰,崔海龍.  自動(dòng)化學(xué)報(bào). 2017(12)
[6]擴(kuò)展目標(biāo)跟蹤的PCRLB[J]. 連峰,王婷婷,韓崇昭,張光華.  控制與決策. 2016(08)
[7]采用隨機(jī)矩陣的多擴(kuò)展目標(biāo)濾波器[J]. 韓玉蘭,朱洪艷,韓崇昭.  西安交通大學(xué)學(xué)報(bào). 2015(07)
[8]拓展目標(biāo)量測集合分割算法[J]. 閆小喜,韓崇昭,李威,連峰.  西安交通大學(xué)學(xué)報(bào). 2014(09)
[9]多模型GM-CBMeMBer濾波器及航跡形成[J]. 連峰,韓崇昭,李晨.  自動(dòng)化學(xué)報(bào). 2014(02)
[10]多傳感器信息融合及應(yīng)用[J].   電子學(xué)報(bào). 2000(12)

碩士論文
[1]基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤方法研究[D]. 王常成.上海交通大學(xué) 2017



本文編號：3650313