欢迎访问西安知识产权运营服务平台
摘要
【 中文摘要 】
一种基于预测网络和更新网络的多目标自适应跟踪方法，实现步骤如下：利用生成的预测网络和更新网络的训练集，分别训练用于从目标历史位置向量中学习运动方式来预测目标位置向量的预测网络，以及用于通过从量测中学习噪声特性来更新目标位置向量的更新网络。利用训练好的预测网络预测目标的位置向量；利用全局最近邻GNN算法，为待跟踪目标分配对应量测；利用训练好的更新网络从量测中更新目标位置向量。本发明通过两种网络分别预测和更新目标的位置，摆脱了模型和噪声先验的限制，使得本发明在跟踪多目标时自适应处理多种运动方式的同时提高了跟踪精度。
【 英文摘要 】
A multi-target adaptive tracking method based on prediction network and update network The implementation steps are as follows : using the generated training sets of the prediction network and the update network, respectively train the prediction network for predicting the target position vector by learning the motion pattern from the target historical position vector, and the update network for learning the noise characteristics from the measurements. Update the target position vector Use the trained prediction network to predict the position vector of the target; the global nearest neighbor GNN algorithm is used to assign corresponding measurements to the target to be tracked; updating the target position vector from the measurements using the trained update network. The invention predicts and updates the position of the target through two networks respectively, getting rid of the limitation of the model and the noise prior, so that the invention improves the tracking accuracy while adaptively processing multiple movement modes when tracking multiple targets.
分类号
其他著录项
| 代理机构 | 陕西电子工业专利中心 61205 |
| 代理人 | 田文英; 王品华 |
| 申请语言 | 汉语 |
| 审查员 | 田俊峰 |
其中，
表示第l个目标在第k个采样时刻的状态向量，k＝1,2,...,n，
表示第l个目标在k‑1个采样时刻的状态转移矩阵，
表示第l个目标在第k‑1个采样时刻的状态向量，
表示第l个目标由第k‑1个采样时刻转移至第k个采样时刻的过程中的噪声向量。
其中，
表示第l个目标在第k个采样时刻的带噪声量测向量，Hk表示状态向量由状态空间映射到观测空间的转换矩阵，
表示第l个目标在第k个采样时刻由状态向量转换为量测向量过程中的噪声向量。
其中，M表示预测网络的训练集中训练样本的总数，
表示第ip个训练样本的输入序列中包含的向量总数，
表示第ip个训练样本的标签序列中的第r个向量，
表示第ip个训练样本的输入序列经预测网络输出序列中的第r个向量，||·||2表示求二范数。
其中，M′表示更新网络的训练集中训练样本的总数，
表示第iu个训练样本中输入序列所包含的向量总数，
表示第iu个训练样本中标签序列中的第r′个向量，
表示第iu个训练样本中的输入序列经更新网络输出序列中的第r′个向量。
其中，xp表示第p个目标在当前采样时刻的位置向量，zq表示当前采样时刻的第q个带噪声量测向量，D表示状态向量和带噪声量测向量的维度，xp(d)表示xp中第d维的数值，zq(d)表示zq中第d维的数值。