基于轨迹跟踪的导线和塔架分类制造技术

轨迹跟踪系统包括一组动态模型、轨迹数据库、轨迹处理机，参数提取器和分类器。每个预期的障碍物类型有一个动态模型，它对预期障碍物的法向入射点(PNI)的预期轨迹进行建模。轨迹数据库存储正被跟踪的当前组障碍物的轨迹。轨迹处理机至少将输入检测与现有轨迹相关联并更新现有轨迹。参数提取器周期性地从轨迹中提取参数，并且分类器至少基于轨迹的参数和和用于轨迹的相关联的动态模型来对与轨迹相关联的障碍物进行分类。

Classification of Wire and Tower Based on Trajectory Tracking

The trajectory tracking system includes a set of dynamic models, trajectory database, trajectory processor, parameter extractor and classifier. Each expected obstacle type has a dynamic model, which models the expected trajectory of the normal incidence point (PNI) of the expected obstacle. The trajectory database stores the trajectories of the current group of obstacles being tracked. The trajectory processor at least correlates the input detection with the existing trajectory and updates the existing trajectory. The parameter extractor periodically extracts parameters from the trajectory, and the classifier classifies the obstacles associated with the trajectory at least based on the parameters of the trajectory and the associated dynamic model for the trajectory.

【技术实现步骤摘要】
【国外来华专利技术】基于轨迹跟踪的导线和塔架分类
本专利技术总体涉及障碍物警告雷达。
技术介绍
目标跟踪或对象跟踪是在一定范围的应用中使用的算法家族。该家族的一个分支是基于点的跟踪，其中对象由点表示，与另外两个典型分支(基于内核的跟踪和基于轮廓的跟踪)相反。在示于现在参考的图1中的基于点的跟踪中，到基于点的跟踪算法14的输入通常是来自一个或多个传感器的适当预处理12之后的原始数据10，病且习惯性地被称为快照。这是一个三维数组流，按采集时间t索引。数组元素的索引向量是位置，并且由采集时间t索引的一系列位置被称为轨迹并且是基于点的跟踪算法14的输出。基于点的跟踪算法14由检测在每一个快照中的对象的检测机构16和将对象关联到轨迹的关联机构18构成。通常使用阈值化(thresholding)来执行检测16，同时采用确定性或概率性工具。关联18典型地分为三种方法：卡尔曼滤波器(KF)、粒子滤波器(PF)和多假设跟踪(MHT)，其通常通过演变对象的状态(例如，对象位置和运动)来在快照上跟踪。例如，在雷达应用中，从天线接收到的原始数据通常经受诸如频率变换到基带、匹配滤波、傅立叶变换和模数(又名绝对值)的处理以创建距离多普勒图(Range-Dopplermap，RDM)，其是二维实正值数组，具有索引Rmin≤r≤Rmax和Vmin≤v≤Vmax，指示每个单元的距离(range)和多普勒速度。检测级16通常基于阈值化，静态或动态阈值化，其中在邻域上具有超过某一阈值的模数的单元被检测为对象。例如，假定由索引向量描述的单元中的这样的对象(其中r(t)和v(t)分别是时间t时的距离和多普勒速度)，则轨迹是基于点的跟踪算法的输出。
技术实现思路
因此，根据本专利技术的优选实施例，提供了一种轨迹跟踪系统。该系统包括：一组动态模型、轨迹数据库、轨迹处理机、参数提取器以及分类器。每个预期障碍类型有一个动态模型并且其对预期障碍物的法向入射点(PNI)的预期轨迹进行建模。轨迹数据库存储用于正被跟踪的当前组障碍物的轨迹。轨迹处理机至少将输入检测与现有轨迹相关联并更新现有轨迹。参数提取器周期性地从轨迹提取参数，并且分类器至少基于轨迹的参数和用于轨迹的相关联的动态模型来对与轨迹相关联的障碍物进行分类。此外，根据本专利技术的优选实施例，轨迹处理机包括：检测器/估计器、匹配器和扩展卡尔曼滤波器。检测器/估计器提供输入检测。匹配器根据输入检测来生长、冻结、杀死和开始轨迹，其中，针对与现有轨迹不相关联的输入检测，根据动态模型生成新轨迹。扩展卡尔曼滤波器更新由匹配器提供的每一个现有轨迹。此外，根据本专利技术的优选实施例，障碍物至少是导线、塔架和杂波。此外，根据本专利技术的优选实施例，系统还包括用于从一组距离多普勒图(RDM)提取对象的检测的列表的检测器/估计器。此外，根据本专利技术的优选实施例，一组动态模型中的每一个模型包括状态向量，状态向量至少包括障碍物在三维空间中相对于雷达的位置、PNI的多普勒速度、返回波的极化和返回波的强度。此外，根据本专利技术的优选实施例，轨迹包括指示轨迹的状态的布尔标志。此外，根据本专利技术的优选实施例，参数是由检测器/估计器测量并由扩展卡尔曼滤波器改善的直接参数。此外，根据本专利技术的优选实施例，参数之一是障碍物的方位，其最终值由扩展卡尔曼滤波器经由障碍物的动态模型确定为至少初始测量值和过去测量值的加权函数。此外，根据本专利技术的优选实施例，参数是从状态向量的元素提取的间接参数。此外，根据本专利技术的优选实施例，间接参数是以下至少之一：障碍物相对于雷达的相对高度、障碍物的真实方位、障碍物的仰角和障碍物的目标签名。此外，根据本专利技术的优选实施例，匹配器包括模糊解算器以求解测量值中的模糊。此外，根据本专利技术的优选实施例，分类器包括参数检查器，以利用目标签名并对照目标签名数据库来确定障碍物的类别。此外，根据本专利技术的优选实施例，扩展卡尔曼滤波器包括异常值拒绝测试，以在测量值偏离预期值超过轨迹的标准偏差的正倍数时拒绝测量值更新。根据本专利技术的优选实施例，提供了一种轨迹跟踪方法，其包括：具有每个预期障碍物的法向入射点(PNI)的预期轨迹的一组动态模型，其中每个预期障碍物类型有一个动态模型；存储用于正被跟踪的当前组障碍物的轨迹；将输入检测与现有轨迹相关联；更新现有轨迹；周期性地从轨迹提取参数；以及至少基于轨迹的参数和用于轨迹的相关联的动态模型来对与轨迹相关联的障碍物进行分类。此外，根据本专利技术的优选实施例，方法还包括：提供输入检测；根据输入检测来生长、冻结、杀死和开始轨迹，其中，针对与现有轨迹不相关联的输入检测，根据动态模型生成新轨迹；以及更新由匹配器提供的每个现有轨迹。此外，根据本专利技术的优选实施例，方法还包括从一组距离多普勒图(RDM)提取对象的检测的列表。此外，根据本专利技术的优选实施例，关联包括求解测量值中的模糊。此外，根据本专利技术的优选实施例，分类包括利用目标签名对照目标签名的数据库来确定障碍物的类别。最后，根据本专利技术的优选实施例，更新包括当测量值偏离预期值超过轨迹的标准偏差的正倍数时拒绝测量值更新。附图说明被视为本专利技术的主题被特别地指出并清楚地要求在说明书的结论部分中。然而，通过结合附图阅读时参考以下详细描述，可以最好地理解本专利技术的组织和操作方法以及其目的、特征和优点，其中：图1是现有技术的对象跟踪系统的框图说明，图2是示出直升机从侧面和从上方接近导线的示意性说明；图3是接近导线的直升机和对于直升机的3个不同位置的导线的得到的垂直入射点(PNI)的示意性说明；图4是接近塔架的直升机和对于直升机的3个不同位置的塔架的得到的PNI的示意性说明；图5是朝向其间伸展有导线的两个塔架移动的直升机的示意性说明；图6是根据本专利技术的优选实施例构造和操作的轨迹跟踪系统的框图说明；图7是在理解图6的系统中有用的一组示例性距离多普勒图(RDM)的说明；图8是在理解图6的系统中有用的基于预测的匹配操作的示意性说明；图9是形成图6的系统的部分的扩展卡尔曼滤波器的更新操作的流程图说明；以及图10是在理解图6的系统中有用的使用两个天线的干涉测量测量到达角(AoA)中的模糊(ambiguity)曲线的图形说明。将理解，为了说明的简单和清楚起见，图中所示的元件不一定按比例绘制。例如，为了清楚起见，一些元件的尺寸可能相对于其他元件被夸大。此外，在认为适当的情况下，可以在附图中重复附图标记以指示对应或类似的元件。具体实施方式在下面的详细描述中，许多具体细节被阐述以便提供对本专利技术的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践本专利技术。在其他情况下，没有详细描述众所周知的方法、过程和组件，以免使本专利技术难以理解。申请人已经认识到，对于被安装在直升机上并观察静止目标(其此后被称为“障碍物”)的障碍物警告雷达(OWR)，对障碍物(特别是导线和塔架(pylon))进行分类，并使用它们的“动态模型”将它们与杂波(clutter)区分开来，是可能的。通常，对象相对于地面分为静态和动态对象。静态障碍物的动态模型仅源于雷达的运动，而动态障碍物的动态模型源于雷达移动和障碍物的运动。结果，由跟踪算法推断的障碍物的动态模型是静态障碍物和动态障碍物之间的有利区分因素，并且在一些情况下，是在不同类型的动态障碍物之间的有利区分因素。此外本文档来自技高网...

【技术保护点】
1.一种轨迹跟踪系统，包括：每个预期障碍物的法向入射点(PNI)的预期轨迹的一组动态模型，其中每个预期障碍类型有一个动态模型；轨迹数据库，用于存储正被跟踪的当前组障碍物的轨迹；轨迹处理机，用于至少将输入检测与现有轨迹相关联并更新所述现有轨迹；参数提取器，用于周期性地从所述轨迹提取参数；以及分类器，用于至少基于所述轨迹的所述参数和用于所述轨迹的相关联的所述动态模型来对与所述轨迹相关联的障碍物进行分类。

【技术特征摘要】
【国外来华专利技术】2016.08.11 US 15/234,2821.一种轨迹跟踪系统，包括：每个预期障碍物的法向入射点(PNI)的预期轨迹的一组动态模型，其中每个预期障碍类型有一个动态模型；轨迹数据库，用于存储正被跟踪的当前组障碍物的轨迹；轨迹处理机，用于至少将输入检测与现有轨迹相关联并更新所述现有轨迹；参数提取器，用于周期性地从所述轨迹提取参数；以及分类器，用于至少基于所述轨迹的所述参数和用于所述轨迹的相关联的所述动态模型来对与所述轨迹相关联的障碍物进行分类。2.根据权利要求1所述的轨迹跟踪系统，其中，所述轨迹处理机包括：检测器/估计器，用于提供所述输入检测；匹配器，用于根据所述输入检测来生长、冻结、杀死和开始轨迹，其中，针对与现有轨迹不相关联的输入检测，根据所述动态模型生成新轨迹；以及扩展卡尔曼滤波器，用于更新由所述匹配器提供的每一个现有轨迹。3.根据权利要求1所述的轨迹跟踪系统，其中，所述障碍物至少是导线、塔架和杂波。4.根据权利要求1所述的轨迹跟踪系统，还包括用于从一组距离多普勒图(RDM)提取对象的检测的列表的检测器/估计器。5.根据权利要求1所述的轨迹跟踪系统，其中，所述一组动态模型中的每一个模型包括状态向量，所述状态向量至少包括障碍物在三维空间中相对于雷达的位置、所述PNI的多普勒速度、返回波的极化和返回波的强度。6.根据权利要求2所述的轨迹跟踪系统，其中，所述轨迹包括指示所述轨迹的状态的布尔标志。7.根据权利要求1所述的轨迹跟踪系统，其中，所述参数是由所述检测器/估计器测量并由所述扩展卡尔曼滤波器改善的直接参数。8.根据权利要求7所述的轨迹跟踪系统，其中，所述参数之一是障碍物的方位，其最终值由所述扩展卡尔曼滤波器经由所述障碍物的动态模型确定为至少初始测量值和过去测量值的加权函数。9.根据权利要求5所述的轨迹跟踪系统，其中，所述参数是从所述状态向量的元素提取的间接参数。10.根据权利要求9所述的轨迹跟踪系统，其中，所述间接参数是以下至少之一：障碍物相对于雷达的相对高度、所述障碍物的真实方位、所述障碍物的仰角和所述障碍物的目标签名。11.根据权利要求1所述的轨迹跟踪系统，其中，所述匹配器包括模糊解算器以求解测量值中的模糊。12.根据权利要求10所述的轨迹跟踪系统，其中，所述分类器包括参数检查器，以利用所述目标签名并对照目标签名数据库来确定障碍物的类别。13...

【专利技术属性】
技术研发人员：A·斯拉帕克，S·谢加尔，
申请(专利权)人：罗德雷达有限责任公司，
类型：发明
国别省市：以色列,IL