System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于目标跟踪,特别涉及一种基于门控循环单元(gru)的交互多模型(imm)小型鸟类目标跟踪方法。
技术介绍
1、随着航空业的飞速发展,空中航空器的飞行架次及体量不断增大,因此航空器与鸟碰撞发生鸟击事件的频次不断攀升。目前,单光子计数激光雷达逐步被应用于低空空域的鸟类目标探测。由于单光子计数激光雷达扫描速率慢,致使被监视区域内目标的点云刷新率低,观测所得的鸟类目标运动轨迹呈现出运动模态变化多、变化快的特性,这使得系统难以对运动目标进行有效地跟踪和检测。因此,亟需研究解决在低采样率条件下的鸟类目标跟踪技术。
2、目标跟踪是一个激光雷达监视中的经典问题,其主要原理是根据激光雷达的历史回波信息对目标轨迹进行跟踪。目标跟踪技术可分为基于深度学习与基于传统滤波两类方法。其中基于深度学习是利用其直接从数据中学习复杂运动模式的能力如长短期记忆(lstm)和门控循环单元(gru),直接依赖网络结构和网络训练中所用到的数据实现目标位置估计,对于运动模型没有依赖性,但需要高采样频率的历史数据的帮助,仍无法应用于低采样率的激光雷达系统。基于传统滤波的方法是首先根据目标运动模型对目标的位置进行预测,然后再利用预测位置与观测位置估计目标位置。常用的两步定位法主要包括卡尔曼滤波器(kf)、扩展卡尔曼滤波器(ekf)、无迹卡尔曼滤波器(ukf)和粒子滤波器(pf)等。扩展卡尔曼滤波器及其各种改进算法需要计算非线性函数雅可比矩阵,忽略了非线性函数的泰勒展开的高阶项,因此计算复杂度较高。扩展卡尔曼滤波器类算法优点在于近线性和连续状态方程及观测
技术实现思路
1、为了解决上述问题,本专利技术的目的在于提供一种基于门控循环单元的交互多模型小型鸟类目标跟踪方法。
2、为了达到上述目的,本专利技术提供的基于门控循环单元的交互多模型小型鸟类目标跟踪方法包括按顺序进行的下列步骤:
3、1)利用n个gru运动模型来捕捉小型鸟类目标的运动变化并分别获得小型鸟类目标位置的预测值,然后根据gru运动模型的概率对n个gru运动模型提供的小型鸟类目标位置的预测值进行组合,获得当前时刻小型鸟类目标位置的预测值;
4、2)从步骤1)中获得的小型鸟类目标位置的预测值中过滤掉激光雷达扫描过程中产生的虚警位置值,得到当前小型鸟类目标位置的真实扫描值;
5、3)利用步骤1)中得到的小型鸟类目标位置的预测值和步骤2)中得到的当前小型鸟类目标位置的真实扫描值,利用扩展卡尔曼方法推导出当前时刻小型鸟类目标位置的估计值和小型鸟类目标位置的估计值误差范围对应的协方差矩阵;
6、4)利用步骤3)中得到的小型鸟类目标位置的估计值和小型鸟类目标位置的估计值误差范围对应的协方差矩阵来更新gru运动模型的概率。
7、在步骤1),所述利用n个gru运动模型来捕捉小型鸟类目标的运动变化并分别获得小型鸟类目标位置的预测值,然后根据gru运动模型的概率对n个gru运动模型提供的小型鸟类目标位置的预测值进行组合,获得当前时刻小型鸟类目标位置的预测值的具体方法如下:
8、所述gru运动模型由输入层、隐藏层和输出层组成;对于第j个gru运动模型,在输入层,将k时刻小型鸟类目标位置的估计值和真实扫描值作为gru运动模型的输入写为:
9、
10、其中,为k时刻第j个gru运动模型对应的小型鸟类目标位置的估计值,zk为k时刻小型鸟类目标位置的真实扫描值;那么k+1时刻即当前时刻第j个gru运动模型提供的小型鸟类目标位置的预测值为:
11、
12、其中,l为连续输入的小型鸟类目标位置的长度;结合n个gru运动模型提供的小型鸟类目标位置的预测值,根据gru运动模型的概率,给出k+1时刻小型鸟类目标位置的预测值xk+1/k:
13、
14、其中,为k时刻第j个gru运动模型的概率。
15、在步骤2),所述从步骤1)中获得的小型鸟类目标位置的预测值中过滤掉激光雷达扫描过程中产生的虚警位置值,得到当前小型鸟类目标位置的真实扫描值的具体方法如下:
16、首先基于匀速直线模型和匀速转弯模型的组合,同时利用上述小型鸟类目标位置的估计值和预测值,构造一个近似小型鸟类目标位置变化对应的状态转移矩阵:
17、fk+1/k=αfcv+(1-α)fct (4)
18、
19、其中,fcv和fct分别为匀速直线运动和匀速转弯运动对应的状态转移矩阵,表示为:
20、
21、
22、上两式中,t为时间步长,ω为匀速转弯模型中的角速度;然后,根据近似小型鸟类目标位置变化对应的状态转移矩阵fk+1/k计算出k+1时刻小型鸟类目标位置的预测值的误差范围对应的协方差矩阵sk+1/k:
23、
24、其中,sk为k时刻小型鸟类目标位置的估计值的误差范围对应的协方差矩阵,qk+1/k为系统噪声所导致的误差范围对应的协方差矩阵;k+1时刻第d个激光雷达获得的扫描值zk+1,d为当前小型鸟类目标位置的真实扫描值的概率可以表示为:
25、
26、其中,sk+1/k为k+1时刻小型鸟类目标位置的预测值的误差范围对应的协方差矩阵,xk+1/k为k+1时刻小型鸟类目标位置的预测值;通过在离散状态空间中找到使上述概率φ(zk+1,d)达到最大的激光雷达扫描值,即认为找出k+1时刻小型鸟类目标位置的真实扫描值zk+1,其余的激光雷达扫描值均被当作激光雷达扫描过程中产生的虚警位置值滤除掉。
27、在步骤3),所述利用步骤1)中得到的小型鸟类目标位置的预测值和步骤2)中得到的当前小型鸟类目标位置的真实扫描值,利用扩展卡尔曼方法推导出当前时刻小型鸟类目标位置的估计值和小型鸟类目标位置的估计值误差范围对应的协方差矩阵的具体方法如下:
28、由小型鸟类目标位置的真实扫描值确定出对应的观测矩阵hk+1,并根据扩展卡尔曼方法确定出增益系数gk+1:
29、
30、其中,rk+1为激光雷达扫描值误差对应的协方差矩阵;最后基于上述增益系数gk+1和小型鸟类目标位置的真实扫描值zk+1推导出k+1时刻小型鸟类目标位置的估计值以及小型鸟类目标位置的估计值误差范围对应的协方差矩阵sk+1:
31、
32、sk+1=(i-gk+1hk+1)sk+1/k(12)
33、在步骤4),所述利用步骤3)中得到的小型鸟类目标位置的估计值和小型鸟类目标位置的估计值误差范围对应的协方差矩阵来更新gru运动模型的概率的具体方法如下:
34、在推导出小型鸟类目标位置的估计值和相应误差范围对应本文档来自技高网...
【技术保护点】
1.一种基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:所述基于门控循环单元的交互多模型小型鸟类目标跟踪方法包括按顺序进行的下列步骤:
2.根据权利要求1所述的基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:在步骤1),所述利用n个GRU运动模型来捕捉小型鸟类目标的运动变化并分别获得小型鸟类目标位置的预测值,然后根据GRU运动模型的概率对n个GRU运动模型提供的小型鸟类目标位置的预测值进行组合,获得当前时刻小型鸟类目标位置的预测值的具体方法如下:
3.根据权利要求1所述的基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:在步骤2),所述从步骤1)中获得的小型鸟类目标位置的预测值中过滤掉激光雷达扫描过程中产生的虚警位置值,得到当前小型鸟类目标位置的真实扫描值的具体方法如下:
4.根据权利要求1所述的基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:在步骤3),所述利用步骤1)中得到的小型鸟类目标位置的预测值和步骤2)中得到的当前小型鸟类目标位置的真实扫描值,利用扩展卡尔曼方法推导出当前时刻小型鸟
5.根据权利要求1所述的基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:在步骤4),所述利用步骤3)中得到的小型鸟类目标位置的估计值和小型鸟类目标位置的估计值误差范围对应的协方差矩阵来更新GRU运动模型的概率的具体方法如下:
...【技术特征摘要】
1.一种基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:所述基于门控循环单元的交互多模型小型鸟类目标跟踪方法包括按顺序进行的下列步骤:
2.根据权利要求1所述的基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:在步骤1),所述利用n个gru运动模型来捕捉小型鸟类目标的运动变化并分别获得小型鸟类目标位置的预测值,然后根据gru运动模型的概率对n个gru运动模型提供的小型鸟类目标位置的预测值进行组合,获得当前时刻小型鸟类目标位置的预测值的具体方法如下:
3.根据权利要求1所述的基于门控循环单元的交互多模型小型鸟类目标跟踪方法,其特征在于:在步骤2),所述从步骤1)中获得的小型鸟类目标位置的预测值中过滤掉激光雷达扫...
【专利技术属性】
技术研发人员:韩冰,王红昌,苏志刚,郝敬堂,赵欣怡,
申请(专利权)人:中国民航大学,
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。