《第六讲关联门的选择及应用【高级课堂】.ppt》由会员分享，可在线阅读，更多相关《第六讲关联门的选择及应用【高级课堂】.ppt（49页珍藏版）》请在三一文库上搜索。
1、第六讲 关联门的选择及应用,学习幻灯,6.1 关联门的选择,数据关联时，通常采用关联门相关的方法实现目标数据的关联：以前一采样周期预测点为中心，设置一个关联门。 在实际应用中，采用什么样的关联门，与许多因素有关，其中包括所要求的落入概率、相关关联门的形状、种类及其尺寸或大小等。,2,学习幻灯,一、关联门的形状,有椭圆形关联门、矩形关联门，扇形关联门等。,3,学习幻灯,一般选用,极坐标进行关联时，最好选用相关关联门为斜距、方位上的扇形关联门； 对于自由点迹的初始关联门，由于不知道点迹的运动方向，采用环形关联门，即以点迹为中心的一个圆环。,4,学习幻灯,二、关联门的类型,实际系统中，对同一个目标跟
2、踪系统，根据目标运动状态的不同，有多种不同关联门选择方法。 在跟踪的各个阶段，目标的运动特性等不同，关联门的选择都有所不同。 为对付各种目标的各种运动状态，可能要设置多种关联门。,5,学习幻灯,关联门的选择,关联开始时，对传感器给出的自由点迹，为 捕获目标和对航迹初始化，关联门一般要大些，且 应该是一个环形无方向性的关联门； 对非机动目标，由于速度比较恒定，设置一 个小关联门； 民航机在高空平稳段飞行时，几乎就是典型的 匀速直线运动；,6,学习幻灯,飞机起飞与降落阶段，或对机动比较小的目 标一般采用一个中等程度的关联门； 对机动很大的目标需要一个大关联门； 跟踪过程中，由于干扰等原因，跟丢已经
3、建 立航迹的目标时，就要在原来关联门的基础上扩大 关联门，对目标进行再捕获。,7,学习幻灯,相关关联门的设置,1)对自由点迹建立新航迹时，为捕获目标，设 置无方向性的环形初始大关联门； 2)目标处于匀速直线运动的非机动状态时，设 置小关联门； 3)目标处于小机动状态时，设置中关联门； 4)目标转弯大机动或目标丢失后再捕获时，设 置大关联门。,8,学习幻灯,关联门的自适应,在对目标跟踪的过程中，目标的机动与否，在 跟踪方程中是有体现的。 滤波器的残差，在一定程度上就能反映目标的 机动的程度，以此可采用自适应关联门。,9,学习幻灯,三、关联门的尺寸,1、初始关联门 作用：为首次出现还没有建立航迹的
4、自由点迹 或航迹头设立的。 特点：由于不知道目标的运动 方向，所以应是一个以航迹头为中 心的360的环形大型关联门。,10,学习幻灯,设置,距离环的内径和外径满足： R1 VminT R2 VmaxT T表示采样时间间隔，Vmax和Vmin分别表示目 标的最大和最小运动速度。,11,学习幻灯,说明,在采样周期T内，为捕获到上述速度范围内目标，采用目标的最大和最小运动速度，已经足够； 公式中的速度是目标运动的径向速度； 通常径向速度要小于目标的运动速度，除非目标向着传感器或背离传感器飞行。,12,学习幻灯,2、大关联门,作用：为大机动目标和目标丢失后再捕获设立 特点：是扇形形状的关联门， 两边相
5、等，两个圆弧的长度决定于 到传感器的距离R和夹角。R和 表示边长和夹角。 R (Vmax-Vmin) T 13,13,学习幻灯,说明,相同夹角所对应的弧长对不同的距离差别较 大，应用夹角大小时考虑离传感器距离，可按不同 的距离设置不同的。 设置关联门大小时，参考目标最大转弯半径 目标机动：目标在运动过程中，偏离原来的航 向，或产生加速度，或转弯，或进行升降运动。,14,学习幻灯,说明,适用较高采样频率的系统中； 如果采样周期较长，目标机动，偏离原航向一个较大的角，可能目标跑到关联门外，目标丢失； 对该情况，要扩大关联波门，对目标重新进行捕获。扩大的关联门称机动关联门。,15,学习幻灯,3、 小
6、关联门,主要应用： 针对非机动目标或处于匀速直线运动状态的目 标而设立。,16,学习幻灯,特点, 目标匀速直线运动时，要保证落入关联门概 率大于99.5； 关联门最小尺寸不应小于三倍测量误差的均 方根值，即R3； 通常用于稳定跟踪情况。,17,学习幻灯,4、中关联门,应用： 具有小机动的目标，转弯加速度不超过1g-2g， 在小关联门的3的基础上，再加上(1-2)，中关 联门的最小尺寸应不小于5。,18,学习幻灯,跟踪过程中关联门变化,19,学习幻灯,说明,采用三维立体关联门； 捕获后，随着目标稳定飞行，跟踪门逐渐变小； 目标转弯机动时，马上采用机动关联门，然后又变成小关联门。 目标跟踪过程中，
7、对目标机动检测非常重要，有了机动的征兆，才能选择机动关联门。,20,学习幻灯,6.2 状态关联及关联门的应用,一、位置关联及关联门 设经空间、时间校准后的两个观测的归一化统计距离定义为： A：观测误差矩阵 S：误差协方差矩阵,21,学习幻灯,简单起见，假定当M=2时，处在关联门中心的观测1的坐标为X1、Y1，即观测1的位置X1、Y1与预测位置相对应，观测2的坐标为X2、Y2。这时观测误差矩阵,设X2-X1，Y2-Y1的随机误差相互独立，且均值为零，方差分别为2x及2y，这时X2-X1及Y2-Y1的误差协方差矩阵为：,22,学习幻灯,S的逆为：,代入后 得,或,23,学习幻灯,可以看出，D2是一
8、个归一化的随机变量。当X2-X1及Y2-Y1为正态分布时，则D2=x服从自由度为M的2分布,M为测量维数。实际上这就把第二个点迹是否落入关联门内的问题变成了一个统计检验的问题。根据2检验，若随机变量D2小于临界值2，就认为是试验成功或接受该检验，否则就认为试验失败或者说该检验被拒绝。成功就说明第二个点迹落入关联门之内，落入概率为,24,学习幻灯,随机变量落入门限之外的概率，即拒绝概率,这样就把关联门的大小与落入概率P联系起来了。由以上表达式可以看出，关联门的边界与2相对应，关联门的大小主要取决于误差X和Y。临界点2可根据自由度M及所给定的落入概率P由2分布表中查到。 对单传感器来说，随机变量D
9、2小于临界值2就意味着第二个点迹与第一个点迹是同一个目标的反射点迹，关联成功。,25,学习幻灯,将D2=k2代入，k是常数，并用坐标变量X及Y分别代替X2及Y2，则得一椭圆方程，这就是椭圆关联门方程。,为二维椭圆关联门公式。椭圆中心是点(X1，Y1)。 kX及kY是椭圆的两个半轴。,26,学习幻灯, 如前面指出的一样，还可将椭圆关联门变换成矩形关联门。 取2kX和2kY作为矩形的两个边长。当关联准则为,时，则认为观测2与观测1关联；当,时，则认为两个观测不关联。很明显，当k相同时，点迹落入矩形关联门的概率比落入椭圆关联门的概率要大。,27,学习幻灯,M=3时的三维椭球关联门方程：,当统计距离,
10、时，则认为观测2与观测1关联，否则不关联。也可以使用三维矩形立方体关联门，三维矩形立体关联门的三个边长分别为2kX、2kY、 2kZ。,28,学习幻灯,时，则为关联。当,时，则不关联。 ,当满足,29,学习幻灯,结论,多维关联时，只要有一维不满足关联条件，就认为关联失败。,30,学习幻灯,二、位置-速度关联,1、位置-速度统一关联 2、位置-速度分别关联,31,学习幻灯,1. 位置速度统关联 假设 、 、 为观测1的速度分量， 、 、 为观测2的速度分量， 、 、 分别为 及 的随机误差的均方根值。 当M=4时，即四维位置速度关联时，统计距离,32,学习幻灯,四维椭球关联门方程为:,33,学习
11、幻灯,当M=6时，即六维位置速度关联时，统计距离和六维椭球关联门方程分别为,在给定落入概率P时，可以求得M=4或M=6时的关联门的尺寸因子k2的值。当D2k2时，认为观测2 与观测1关联；相反地，当D2k2时， 则认为不关联。,34,学习幻灯,2、位置-速度分别关联 给定落入概率P，维数M增大时，关联门的空间体积随之增大，使更多的假点迹和其它目标所形成的点迹落入关联门之内，这将使错判概率增大，这是位置速度统一关联的不足之处。 为克服该不足，采用位置速度分别关联，即为降低维数M，先进行位置关联，如位置关联成功，再进行速度关联。只有位置关联和速度关联先后同时成功，才认为观测2与观测1关联。下面列出
12、速度关联公式。,35,学习幻灯,当M=2，即二维关联时，统计速度,椭圆关联门方程为,36,学习幻灯,统计速度,kv为速度关联门的尺寸因子，给定速度落入概率Pv时，可查2分布表求得kv值（或k2v值）。当D2vk2v时，认为观测2与观测1关联，反之，当D2vk2v时，认为观测2与观测1不关联。,当M=3时，即三维关联时，三维椭球关联门方程为,37,学习幻灯,速度关联也可用二维矩形或三维矩形关联门。 位置速度关联中，注意正确计算 因位置速度分别关联要求同时满足位置关联条件和速度关联条件， 所以当位置关联和速度关联都采用相同维数M时，则位置速度分别关联克服了位置速度统一关联的不足之处。,38,学习幻
13、灯,k值与落入概率的关系,39,学习幻灯,实现关联的步骤,(1)根据前一周期的测量值、目标运动速度和扫 描周期，计算外推值或预测值； (2)以前一周期的外推值或预测值为中心，设置 本周期的关联门； (3)利用当前周期的测量值和前一周期的预测值 及给定的误差，计算统计加权距离D2；,40,学习幻灯,(4)根据给定的落入概率P、自由度M，由 分布 表中查出临界值 ； (5)由 求出门限 ，将加权距离与关联门 限 比较； (6)判断是否关联， 为关联成功， 为关联失败；,41,学习幻灯,(7)如果关联成功，则用测量值取代预测值，如 果关联失败，将当前测量值送入数据库，若干周期 之后，若是虚警，即在这
14、些周期中没有延续点迹数 据与它关联，弃之，若是新航迹的点迹，则按航迹 起始的原则，建立新航迹。,42,学习幻灯,6.3 常用的数据关联方法,1、最邻近数据关联（NNDA） 2、全局最邻近数据关联 3、概率数据关联（PDA） 4、联合概率数据关联（JPDA） 5、交互多模型法（IMM）,43,学习幻灯,一、最邻近数据关联,基本方法： 把落在关联门之内并且与被跟踪目标的预测位 置“最邻近”的观测点迹作为关联点迹。 “最邻近”指观测点迹在统计意义上离被跟踪 目标的预测位置最近。,44,学习幻灯,关系示意,假定有航迹i， 关联门为二维矩形 门，其中除预测位 置外，包含三个观 测点迹l、2、3，直 观上
15、看，点迹2应为 “最邻近”点迹。 关联门、航迹最新预测位置、本采样周期的观测点迹及最近观测点迹间的关系,45,学习幻灯,主要应用,适用于跟踪空域中存在单目标或目标数较少的 情况，即只适用于对稀疏目标环境的目标跟踪。 主要优点：运算量小，易于实现 主要缺点：目标密度较大时，容易跟错目标,46,学习幻灯,统计距离的定义,设在第k次扫描前，已建立N条航迹。第k次新观测为 Zj(k)，j=1，2，N。 第i条航迹的关联门内，观测j和航迹i差矢量定义为测量 值和预测值间差，即滤波器残差eij(k)： 滤波器残差： 统计距离(平方)为： 这是判断点迹为“最邻近”点迹的度量标准。,47,学习幻灯,说明,实际计算时，选择最小的残差eij(k)就满足离预测位置最近的条件； 按统计距离最近的准则，离预测位置最近的点迹 在密集多目标环境中未必是被跟踪目标的最佳配 对点迹，这是该方法容易跟错目标的原因。,48,学习幻灯,小结,49,学习幻灯,