基于贝叶斯推理Transformer架构的智能多目标关联跟踪方法技术

本发明专利技术公开了一种基于贝叶斯推理Transformer架构的智能多目标关联跟踪方法(BAIT)，结合了经典贝叶斯滤波(BF)递归推理优势以及Transformer处理长序列任务的能力。首先BAIT在预测过程中采用一个状态预测编码器来充分提取目标过往运动信息；然后仿照经典BF递归推理结构，在状态预测与滤波更新之间采用一个关联解码器来实现目标与量测的最优匹配关联；接着基于目标过往运动信息和关联结果，采用状态更新解码器估计出当前帧目标运动状态。最终通过结合经典BF迭代推理结构，BAIT可实现复杂数据关联场景下的高精度目标关联跟踪任务。本方法具有高精度、连续性、精准关联等优点，可以应用在军事、民用等诸多领域。

【技术实现步骤摘要】

本专利技术属于雷达技术和深度学习领域，具体涉及一种基于贝叶斯推理transformer架构的智能多目标关联跟踪方法。

技术介绍

1、多目标跟踪任务(mtt)指是利用一系列不精确的传感器量测值来预测未知且随时间变化的目标的运动轨迹。mtt的应用范围广泛，包括行人跟踪、自动驾驶、水下作战等诸多领域。目前在mtt领域中应用最广泛的方法是基于贝叶斯滤波的算法。在已知精确的多目标模型且观测结果由低维、单个目标检测组成的情况下，基于模型的贝叶斯方法可实现最优异的性能。基于贝叶斯滤波的卡尔曼滤波(kf)是利用贝叶斯定理和线性系统动力学模型，通过递归更新目标状态的概率分布，实现目标轨迹估计和预测的一种经典方法。此外，随机有限集(rfs)框架也被广泛用于以贝叶斯方式建模mtt问题。例如，概率假设密度(phd)滤波器及其扩展cardinalized phd(cphd)滤波器是无需显式数据关联，在复杂环境下跟踪多目标的强大工具。代表性的方法还包括pmbm滤波器和glmb滤波器，两者都利用rfs框架来解决跟踪问题，理论上使贝叶斯最优估计成为可能。

2、贝叶斯滤波框架在本文档来自技高网...

【技术保护点】

1.基于贝叶斯推理Transformer架构的智能多目标关联跟踪方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的基于贝叶斯推理Transformer架构的智能多目标关联跟踪方法，其特征在于，所述步骤S1具体方法为：首先根据目标运动状态方程以及传感器观测模型生成仿真量测数据，作为深度学习网络的数据集；

3.根据权利要求2所述的基于贝叶斯推理Transformer架构的智能多目标关联跟踪方法，其特征在于，所述步骤S2具体如下：为了清晰的解释数据关联问题，将测量扩展为：

4.根据权利要求3所述的基于贝叶斯推理Transformer架构的智能多目标关...

【技术特征摘要】

1.基于贝叶斯推理transformer架构的智能多目标关联跟踪方法，其特征在于，具体步骤如下：

2.根据权利要求1所述的基于贝叶斯推理transformer架构的智能多目标关联跟踪方法，其特征在于，所述步骤s1具体方法为：首先根据目标运动状态方程以及传感器观测模型生成仿真量测数据，作为深度学习网络的数据集；

3.根据权利要求2所述的基于贝叶斯推理transformer架构的智能多目标关联跟踪方法，其特征在于，所述步骤s2具体如下：为了清晰的解释数据关联问题，将测量扩展为：

4.根据权利要求3所述的基于贝叶斯推理transformer架构的智能多目标关联跟踪方法，其特征在于，所述步骤s3具体...

【专利技术属性】
技术研发人员：易伟，魏心炜，林驿茹，张林傲，邹至源，韦剑威，李武军，孔令讲，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：