目标定位跟踪系统概述

一、观测系统:目标、观测站、坐标系。

  1. 观测站如雷达、声纳等传感器。
  2. 坐标系:二维、三维直角坐标系(描述确定位置);极坐标系(r,cita)、球坐标系(r,cita,fai)(利用角度描述位置)
  3. 为了实现定位,信息提炼成距离或者角度两类信息。定位分为模糊定位与精确定位

二、目标定位:只是估计位置,目标跟踪需要更多的工作,如目标探测、定位、状态估计、轨迹预测等,一般需要多个观测站完成。

  1.        探测:目的是发现目标;
  2.        分类:区分不同种类目标的过程,即数据关联,方法有:近邻、聚类、联合概率关联等
  3.         定位:完成对目标位置的估计,如最小二乘法
  4.         状态估计:利用滤波算法做信息融合,达到对目标参数的估计,为了消除噪声,引入卡尔曼、粒子滤波等十分关键。
  5.         跟踪维持:目标在检测区域内移动,新旧区域的联系,需要使用继承数据,保持跟踪撒

三、跟踪轨迹

  1. 真实轨迹:目标自身移动的运动轨迹;
  2. 估计轨迹:观测站的观测数据形成轨迹
  3. 由于观测站采样周期的数据可能是没有时间配准的,并且有些数据收到干扰,可能存在虚警等噪声点,有必要进行数据关联:设置跟踪门限,删去奇异值,最后进行滤波得到状态,并利用滤波估计的位置信息进行轨迹拟合。
  4. 数据关联的目的:确定它与历史数据的关系:时间上是否需要配准;该时刻数据与历史数据是否属于同一个目标元。若出现新目标,需要启用航迹起始算法,估计目标初始状态,建立型数据库目标数据集合。

四、最小二乘原理

通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以可以简便的求出未知数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。

推理如下:

目标定位跟踪系统概述_第1张图片

 最小二乘法应用:既可以用于对静止目标的定位,也可以对移动的目标进行定位,由于生活中大多数用于移动中的目标定位。

1.移动目标计算机仿真建模

目标运动模型:X(k)=F*X(k)+Tu(k);Z(k)=sqrt((x(k)-xi)^2+(y(k)-yi)^2+v(k),如下:

%计算机模拟目标运动模型
dt=1;
Time=30;
X=zeros(4,Time);
x0=0;y0=0;vx=0.8;vy=0.6;
X(:,1)=[x0,vx,y0,vy];

F=[1,dt,0,0;0,1,0,0;0,0,1,dt;0,0,0,1];
G=[dt^2/2,0;dt,0;0,dt^2/2;0,dt];
Q=0.1;%u的方差,过程噪声,改变这个可以改变曲线
u=sqrt(Q)*randn(2,Time);

for k=2:Time
    X(:,k)=F*X(:,k-1)+G*u(:,k);
end

figure
hold on;box on;
plot(X(1,:),X(3,:),'-r*')

目标定位跟踪系统概述_第2张图片目标定位跟踪系统概述_第3张图片

目标定位跟踪系统概述_第4张图片

2.基于距离观测的运动目标定位

定位估计与真实轨迹对比:

目标定位跟踪系统概述_第5张图片

定位估计与真实位置的偏差:

目标定位跟踪系统概述_第6张图片

 3.纯方位角的运动目标定位

R=0.001*pi/180时的轨迹与定位偏差图:

目标定位跟踪系统概述_第7张图片目标定位跟踪系统概述_第8张图片

 R=0.01*pi/180时的轨迹与定位偏差图:

 目标定位跟踪系统概述_第9张图片目标定位跟踪系统概述_第10张图片

  R=0.1*pi/180时的轨迹与定位偏差图:

 目标定位跟踪系统概述_第11张图片目标定位跟踪系统概述_第12张图片

 由此可以看出,随着噪声的增大,目标定位的结果越差,验证了传感器信息足够可靠对提高精度至关重要。定位算法只是最大限度减少误差。

你可能感兴趣的:(目标跟踪,聚类,人工智能,最小二乘法,matlab)