基于Transformer架构的多传感器智能融合多目标跟踪方法技术

本发明专利技术公开了一种基于Transformer架构的多传感器智能融合多目标跟踪方法，首先设计并获取雷达仿真数据，生成多传感器的二维量测数据，然后将多传感器的量测数据进行预处理并提取高维向量信息后输入构建好的TMSHF网络模型中，进行网络模型训练，最后将测试数据输入训练好的网络模型中，得到多目标的多传感器智能跟踪融合结果。本发明专利技术的方法结合特征级融合的最优融合思想与决策级融合易于扩展且稳定可靠的优点，从数据驱动的角度出发，跳出现有融合方法单单依靠特征级融合或决策级融合的限制，实现对多个局部传感器信息的深度利用，形成一种特征级与决策级混合的多传感器融合架构，实现了对多目标的高精度连续跟踪融合任务，可应用在自动驾驶及交通管控等领域。

【技术实现步骤摘要】

本专利技术属于雷达技术和深度学习，具体涉及一种基于transformer架构的多传感器智能融合多目标跟踪方法。

技术介绍

1、多目标跟踪技术(mtt)指的是使用可能包含噪声的传感器量测数据去连续估计多个动态目标随时间变化的位置和运动状态。解决mtt问题的方法取决于它们是否在基于模型或无模型的环境中运行，基于模型的贝叶斯方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，可实现最先进的性能(sota)。mtt有三种主要的基于贝叶斯滤波的解决方案，分别是联合概率数据关联滤波器(jpdaf)，多假设跟踪(mht)和随机有限集(rfs)方法。在jpdaf和mht中，核心思想是首先解决传感器量测数据和目标航迹之间的数据关联问题，然后应用现有的滤波方法进行跟踪。相比之下，rfs方法提供了一种同时解决跟踪和关联问题的整体方法，代表性的例子包括pmbm滤波器和glmb滤波器，两者都利用rfs框架来解决跟踪问题，实现了出色的性能。

2、单个传感器对单一目标进行状态估计，而这样的结构虽然能实现对动态目标的最优或次优估计，但抗干扰能力不强，鲁棒性较本文档来自技高网...

【技术保护点】

1.一种基于Transformer架构的多传感器智能融合多目标跟踪方法，具体步骤如下：

2.根据权利要求1所述的一种基于Transformer架构的多传感器智能融合多目标跟踪方法，其特征在于，所述步骤S1具体如下：

3.根据权利要求1所述的一种基于Transformer架构的多传感器智能融合多目标跟踪方法，其特征在于，所述步骤S2具体如下：

4.根据权利要求3所述的一种基于Transformer架构的多传感器智能融合多目标跟踪方法，其特征在于，所述步骤S2中，所述单传感器跟踪模块具体如下：

5.根据权利要求3所述的一种基于Transform...

【技术特征摘要】

1.一种基于transformer架构的多传感器智能融合多目标跟踪方法，具体步骤如下：

2.根据权利要求1所述的一种基于transformer架构的多传感器智能融合多目标跟踪方法，其特征在于，所述步骤s1具体如下：

3.根据权利要求1所述的一种基于transformer架构的多传感器智能融合多目标跟踪方法，其特征在于，所述步骤s2具体如下：

4.根据权利要求3所述的一种基于transformer架构的多传感器智能融合多目标跟踪方法，其特征在于，所述步...

【专利技术属性】
技术研发人员：易伟，张林傲，魏心炜，林驿茹，韦剑威，张辰昱，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：