本申请中提供了一种基于transformer结构的强机动目标跟踪方法和装置，所述方法包括：对量测轨迹进行编码和位置嵌入，得到具有状态差异的轨迹特征；将具有状态差异的轨迹特征输入到transformer编码器进行单层状态特征自注意力信息提取，得到具有不同状态信息的编码器特征；将具有不同状态信息的编码器特征和具有状态差异的轨迹特征，输入到transformer解码器进行交叉注意力提取与融合，得到融合不同相关性信息的解码器特征；基于解码器特征进行预测处理，将得到的残差轨迹和量测轨迹相加得到目标轨迹。该方法更能够学习快速变化状态的转移规律，提高强机动目标状态估计的准确性，保证了目标跟踪任务的性能。证了目标跟踪任务的性能。证了目标跟踪任务的性能。
【技术实现步骤摘要】
基于transformer结构的强机动目标跟踪方法和装置
[0001]本申请涉及雷达遥感应用
，特别涉及一种基于transformer结构的强机动目标跟踪方法和装置。
技术介绍
[0002]机动目标跟踪是空域监视、交通控制和自动导航等领域的一项重要任务，而机动目标运动的不确定性和可变性使机动目标跟踪成为一项具有挑战性的任务，尤其是机动目标的运动复杂的目标跟踪场景，对机动目标跟踪方法提出了更高的性能要求。
[0003]相关技术中，为了提高机动目标跟踪效果，在集成框架下探索了多模型方法，如交互式多模型(IMM)及其变体，多模型方法虽然通过混合估计保证了跟踪性能和计算效率，但该方法在估计目标状态之前需要预先定义运动模型，特别在跟踪强机动目标时，需要更多的时间来获得精确的运动模型，这导致状态估计的严重延迟，影响跟踪精度。基于长短期记忆(Long Short
‑
Term Memory，LSTM)结构的模型在跟踪机动性较弱的目标时表现良好，然而跟踪机动性较强的轨迹时，现有性能较好的LSTM跟踪模型比如DeepMTT模型在状态估计过程中引入了附加方法作为预处理方法，导致性能急剧下降；此外，LSTM结构的迭代运算虽然适用于序列数据，但是当序列间隔变长时，会忽略间隔较长的状态信息，难以捕捉快速变化状态间的规律，而对于强机动目标跟踪，需要足够的特征来帮助模型学习剧烈变化状态之间的转移规律。
[0004]因此，如何解决强机动目标跟踪任务中目标状态估计误差大的问题，提高强机动目标跟踪任务的性能，是本领域技术人员亟待解决的技术问题。
技术实现思路
[0005]鉴于上述问题，本申请实施例提供了一种基于transformer结构的强机动目标跟踪方法和装置，以便克服上述问题或者至少部分地解决上述问题。
[0006]本申请实施例的第一方面，公开了一种基于transformer结构的强机动目标跟踪方法，所述方法包括：
[0007]对量测轨迹进行编码和位置嵌入，得到具有状态差异的轨迹特征，所述量测轨迹是由预设时间内的多个量测数据组成的序列，所述量测轨迹是基于量测轨迹与真实轨迹之间的映射关系，对量测数据进行处理得到的；
[0008]将所述具有状态差异的轨迹特征输入到transformer编码器进行单层状态特征自注意力信息提取，得到具有不同状态信息的编码器特征；
[0009]将所述具有不同状态信息的编码器特征和所述具有状态差异的轨迹特征，输入到transformer解码器进行交叉注意力提取与融合，得到融合不同相关性信息的解码器特征；
[0010]基于所述相关性特征进行预测处理，得到残差轨迹，并将所述残差轨迹和所述量测轨迹进行相加，得到目标轨迹。
[0011]可选地，所述基于transformer结构的强机动目标跟踪方法是通过预先训练的强
机动目标跟踪模型实现的，所述强机动目标跟踪模型按照以下步骤进行训练：
[0012]构建强机动目标跟踪的训练数据集，所述训练数据集中每条训练数据包括：目标真实轨迹和目标量测轨迹；
[0013]将所述目标量测轨迹输入到所述强机动目标跟踪模型进行训练，得到预测残差轨迹；
[0014]根据所述目标真实轨迹和所述目标量测轨迹得到真实残差轨迹，并基于所述真实残差轨迹和所述预测残差轨迹计算出均方根误差作为损失函数；
[0015]基于所述损失函数对强机动目标跟踪模型中的训练参数进行更新，满足训练结束后条件后，得到训练好的强机动目标跟踪模型，所述训练好的强机动目标跟踪模型具有预测量测轨迹与目标轨迹的残差轨迹能力。
[0016]可选地，所述构建强机动目标跟踪的训练数据集，包括：
[0017]通过状态转移方程和观测方程分别构建目标真实轨迹和目标量测数据，所述目标真实轨迹中的每个真实轨迹数据包括：目标在二维空间中的位置坐标、目标在水平方向上的速度、目标在垂直方向上的速度，所述目标量测数据中的每个量测数据包括：传感器的量测距离和量测角度；
[0018]根据量测轨迹与真实轨迹之间的映射关系，将所述目标量测数据中的每个目标量测数据转换为真实轨迹数据的形式，得到目标量测轨迹。
[0019]可选地，所述根据量测轨迹与真实轨迹之间的映射关系，将所述目标量测数据中的每个目标量测数据转换为真实轨迹数据的形式，包括：
[0020]根据所述量测距离和所述量测角度，分别进行cos计算和sin计算，得到目标在二维空间中的量测位置坐标；
[0021]基于高斯白噪声模拟目标在水平方向上的量测速度和垂直方向上的量测速度；
[0022]将所述二维空间中的量测位置坐标、所述水平方向上的量测速度、所述垂直方向上的量测速度作为所述目标量测轨迹中的目标量测数据。
[0023]可选地，所述对量测轨迹进行编码和位置嵌入，得到具有状态差异的轨迹特征，包括：
[0024]依次利用全连接层和实例归一化层对所述量测轨迹进行处理，得到初始轨迹特征；
[0025]对所述初始轨迹特征进行固定位置编码，得到编码特征；
[0026]将所述初始轨迹特征和所述编码特征进行相加，得到所述具有状态差异的轨迹特征，所述状态差异是指构成轨迹的序列数据在时间维度上的差异。
[0027]可选地，所述transformer编码器包括N个编码器；所述将所述具有状态差异的轨迹特征输入到transformer编码器进行单层状态特征自注意力信息提取，包括：
[0028]第1个至第N个编码器基于多头注意力机制，依次对上一层编码器的输出特征进行自注意力信息提取，得到每个编码器的输出特征，其中，第1个编码器的输入特征为所述具有状态差异的轨迹特征；
[0029]将所述第N个编码器的输出特征作为具有不同状态信息的编码器特征。
[0030]可选地，transformer解码器包括N个解码器，解码器是采用裁剪解码器，所述裁剪解码器是指不使用自注意力层，只使用交叉注意力层融合来自不同层的状态特征；所述将
所述具有不同状态信息的编码器特征和所述具有状态差异的轨迹特征，输入到transformer解码器进行交叉注意力提取与融合，包括：
[0031]第1个至第N个解码器基于多头注意力机制，依次对上一层解码器的输出特征和所述具有不同状态信息的编码器特征进行交叉注意力融合，得到每个解码器的输出特征，其中，第1个解码器的输入特征为所述具有不同状态信息的编码器特征和所述具有状态差异的轨迹特征；
[0032]将所述第N个解码器的输出特征作为融合不同相关性信息的解码器特征。
[0033]可选地，所述编码器和所述解码器各自均包括：多头注意力层和前馈网络，所述前馈网络使用含噪激活函数对所述多头注意力层的输出结果进行特征提取，所述含噪激活函数是在原有tanh非线性激活函数基础上添加随机噪声得到的，所述含噪激活函数表示为：
[0034]f
ρ
(x)＝f(x)+ρ
·
σ(x)本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于transformer结构的强机动目标跟踪方法，其特征在于，所述方法包括：对量测轨迹进行编码和位置嵌入，得到具有状态差异的轨迹特征，所述量测轨迹是由预设时间内的多个量测数据组成的序列，所述量测轨迹是基于量测轨迹与真实轨迹之间的映射关系，对量测数据进行处理得到的；将所述具有状态差异的轨迹特征输入到transformer编码器进行单层状态特征自注意力信息提取，得到具有不同状态信息的编码器特征；将所述具有不同状态信息的编码器特征和所述具有状态差异的轨迹特征，输入到transformer解码器进行交叉注意力提取与融合，得到融合不同相关性信息的解码器特征；基于所述融合不同相关性信息的解码器特征进行预测处理，得到残差轨迹，并将所述残差轨迹和所述量测轨迹进行相加，得到目标轨迹。2.根据权利要求1所述的方法，其特征在于，所述基于transformer结构的强机动目标跟踪方法是通过预先训练的强机动目标跟踪模型实现的，所述强机动目标跟踪模型按照以下步骤进行训练：构建强机动目标跟踪的训练数据集，所述训练数据集中每条训练数据包括：目标真实轨迹和目标量测轨迹；将所述目标量测轨迹输入到所述强机动目标跟踪模型进行训练，得到预测残差轨迹；根据所述目标真实轨迹和所述目标量测轨迹得到真实残差轨迹，并基于所述真实残差轨迹和所述预测残差轨迹计算出均方根误差作为损失函数；基于所述损失函数对强机动目标跟踪模型中的训练参数进行更新，满足训练结束后条件后，得到训练好的强机动目标跟踪模型，所述训练好的强机动目标跟踪模型具有预测量测轨迹与目标轨迹的残差轨迹能力。3.根据权利要求2所述的方法，其特征在于，所述构建强机动目标跟踪的训练数据集，包括：通过状态转移方程和观测方程分别构建目标真实轨迹和目标量测数据，所述目标真实轨迹中的每个真实轨迹数据包括：目标在二维空间中的位置坐标、目标在水平方向上的速度、目标在垂直方向上的速度，所述目标量测数据中的每个量测数据包括：传感器的量测距离和量测角度；根据量测轨迹与真实轨迹之间的映射关系，将所述目标量测数据中的每个目标量测数据转换为真实轨迹数据的形式，得到目标量测轨迹。4.根据权利要求3所述的方法，其特征在于，所述根据量测轨迹与真实轨迹之间的映射关系，将所述目标量测数据中的每个目标量测数据转换为真实轨迹数据的形式，包括：根据所述量测距离和所述量测角度，分别进行cos计算和sin计算，得到目标在二维空间中的量测位置坐标；基于高斯白噪声模拟目标在水平方向上的量测速度和垂直方向上的量测速度；将所述二维空间中的量测位置坐标、所述水平方向上的量测速度、所述垂直方向上的量测速度作为所述目标量测轨迹中的目标量测数据。5.根据权利要求1所述的方法，其特征在于，所述对量测轨迹进行编码和位置嵌入，得到具有状态差异的轨迹特征，包括：依次利用全连接层和实例归一化层对所述量测轨迹进行处理，得到初始轨迹特征；
对所述初始轨迹特征进行固定位置编码，得到编码特征；将所述初始轨迹特征和所述编码特征进行相加，得到所述具有状态差异的轨迹特征，所述状态差异是指构成轨迹的序列数据在时间维度上的差异。6.根据权利要求1所述的方法，其特征在于，所述transformer编码器包括N个编码器；所述将所述具有...
【专利技术属性】
技术研发人员：李刚，张钰姝，何友，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。