课题进度09-模型改进
课题进度09-模型改进1. 改进方法对于双平台三角定位多目标产生虚假点的问题，这是三角交叉定位的固有缺陷，可以通过增加几何约束或者改进数据关联算法来减小虚假目标点的影响。 （1）轨迹级而非点级思路：利用时间连续性虚假目标往往是“单次交会合理、但随时间难以形成平滑轨迹”。 运动一致性检验：通过无迹卡尔曼滤波估计轨迹状态，计算预测-量测的残差，残差长期过大的轨迹判为虚假航迹，直接丢弃。 （2）增加轨迹确认阈值一条轨迹在连续多次更新过程中，真正被测量数据成功关联的次数要达到某个阈值，才把它从“临时轨迹”升级为“确认航迹”。 2. 仿真流程（1）参数设置：平台和目标的运动状态以及滤波器的参数 （2）三角交叉定位生成初始航迹：给定两平台位置和方位角求解目标位置，但是其中包含虚假目标点，使用前3个时刻的交会位置估计初始状态。 （3）UKF预测：用初始状态对下一时刻的目标状态进行预测 （4）GNN关联：航迹与测量进行匹配。每条轨迹选一个代价最小且未被别的轨迹占用的测量 （5）UKF更新：轨迹匹配到合适的测量，则更新本时刻的轨迹，如果没有则只用预测值而不更新。 3. 仿真结果 图1 目标跟踪轨迹...
课题进度08-多段航迹问题
课题进展08-多段航迹的问题 问题描述： 双平台对双目标进行跟踪时，得到的目标跟踪轨迹是多段航迹，理论上来讲只会有两段关于目标的跟踪轨迹。 原因分析： 1.航迹起始策略：每个时刻对所有角度创建新航迹 在主循环中，当没有航迹时，对所有可能的角度对都创建新航迹。对于两个平台，两个目标，组合后就会有4个角度对，其中有两个虚假目标点。（这是三角定位固有的缺陷）这些虚假目标点被初始化为航迹，成为虚假航迹。 更严重的是，每个后续时间步，所有未被当前航迹关联的角度对（包括交叉配对）都会再次被用来起始新航迹。这导致虚假航迹不断产生，形成大量短轨迹片段。 2.数据关联不完善 匈牙利算法实现有问题：最初的算法只是一个简单的贪心算法，并非真正的匈牙利算法
课题进展07-概率数据关联的文献阅读
课题进展07-文献阅读《基于概率数据关联和容积卡尔曼滤波的多目标跟踪》1. 研究问题传统单平台纯方位跟踪需要观测平台机动性高于目标才能保证系统可观测性，为克服这一问题，作者采用多个固定传感器协同观测，融合多传感器信息以估计目标状态。 主要挑战为： 非线性测量模型：方位角与目标位置之间为非线性关系 多目标数据关联：多个传感器同时接收到多个目标的方位测量，需正确匹配测量值与目标。 非线性滤波：传统卡尔曼滤波不适用于非线性系统。 2. 方法框架（1）状态空间模型与测量模型目标状态向量为： \mathbf{x}_{k}=\left[ x_{k} , \dot{x}_{k} , y_{k} , \dot{y}_{k} \right]^{\mathrm{T}}状态模型： \begin{array} {r c} {\mathbf{x}_{k}=f \left( \mathbf{x}_{k-1} \right)+\mathbf{v}_{k-1}} \\ {=\mathbf{F} \mathbf{x}_{k-1}+\mathbf{v}_{k-1}} \\ \end{array}其中$F$为状态...
课题进度06-双平台双目标跟踪
课题进度06-双平台双目标跟踪1. 参数设置采样周期：1s 总仿真时间：100s 平台1位置：（-400，0），单位：m；速度：（0，1），单位：m/s 平台2位置：（400，0），单位：m；速度：（0，1），单位m/s 两个平台向正北方向前进 目标1位置：(200,50)；速度：（-1，2）；从左侧向右下运动 目标2位置：(600,300)；速度：(-2，-1)；从右侧向左上运动 滤波算法：扩展卡尔曼滤波（EKF） 数据关联算法：全局最近邻算法（GNN） 2. 仿真结果 问题：绘制的关联航迹是一段一段的，没有形成完整的跟踪航迹。 原因： （1）GNN 关联错误导致航迹丢失或交换 当两个目标运动轨迹交叉或距离较近时，GNN（全局最近邻）采用硬分配策略，每个测量只能分配给一个航迹。如果某时刻分配错误（例如目标1的测量误配给目标2），则两条航迹都可能出现偏差，后续时刻可能因误差累积导致测量落在门限外，航迹无法更新，最终被删除。 （2）门限设置过于严格 使用的门限 gating_threshold = chi2inv(0.95, 2) 约为 5.99，这意味着只有马氏距离小于 5.99...
课题进度05-数据关联算法
课题进度05-数据关联算法1. 数据关联包括量测与目标航迹之间的关联，以及不同传感器之间的航迹关联 方法： 确定性数据关联：最近邻、全局最近邻、多假设跟踪 概率性数据关联：概率性数据关联、联合概率性数据关联、概率多假设跟踪 确定性关联计算效率高，在环境简单、量测和目标之间的关系明确时效果较好，然而在目标密集或量测噪声大的场景易于出现关联错误。 概率性关联能够更加全面地处理量测数据的不确定性和目标之间的相互影响，可以更好地应对似然模糊的数据。 2. 确定性关联2.1 最近邻数据关联算法（NN）核心原理：在某一时刻的所有量测中，只将距离跟踪目标预测位置最近的量测认定为与跟踪目标相关的真实量测。 工作步骤： （1）状态预测：基于目标的上一时刻状态（位置、速度），利用卡尔曼滤波等滤波算法，预测出目标在当前时刻的位置（即预测位置）。 （2）建立关联门：以预测位置为中心，划定一个特定的区域，称为“关联门”或“波门”（Gate）。只有落入这个区域内的观测点迹，才有可能与该目标关联。关联门的大小通常由预测的不确定性（如协方差矩阵）决定，是筛选候选观测的第一道关卡。 （3）计算统计距离：对于落入...
课题进度04
课题进度04-滤波算法对比1. 无迹卡尔曼滤波(Unscented Kalman Filter, UKF)定义： 是一种适用于非线性系统的滤波算法，被看作是扩展卡尔曼滤波(EKF)的改进版本，解决了 EKF 在处理强非线性系统时的精度低或不稳定问题。 基本思想： UKF 的核心思想是使用一组经过精心选择的采样点（称为 sigma 点）来统计地近似非线性系统的传播特性，而不是像 EKF 那样通过一阶泰勒展开对非线性函数进行线性化处理。 这些 sigma 点经过非线性系统的传播后，UKF 使用这些点的加权求和来估计状态和协方差，而无需显式计算雅可比矩阵。 数学框架： （1）状态模型 UKF 适用于如下的离散非线性系统模型： 状态转移方程： \mathbf{x}_{k} = f(\mathbf{x}_{k-1}, \mathbf{u}_{k-1}) + \mathbf{w}_{k-1} 观测方程： $\mathbf{z}_{k} = h(\mathbf{x}_k) + \mathbf{v}_k$ 其中 $\mathbf{x}_k$是状态变量 $\mathbf{u}_k$是控制输...
课题进度03
课题进度03使用均方根误差(RMSE)来描述跟踪误差。 1. 已知目标的真实轨迹(理论分析/仿真时)假设你在某一时刻 kk 对目标的位置估计值是(x_k,y_k)，而目标的真实位置是(x_k^{true},y_k^{true}) 第一步：计算单点误差 该时刻的定位误差平方为： \text{误差平方}_k=(x_k-x_k^{true})^2+(y_k-y_k^{true})^2第二步：计算累积后的均方根误差 如果你进行了 N 次独立的蒙特卡洛仿真，或者在某一时间段内有 N 个时刻的跟踪数据，那么位置均方根误差的计算公式为： 2. 不知道目标的真实轨迹(实际工程中)在真实的水下跟踪场景中，我们往往无法知道目标的确切位置（如果知道了就不需要跟踪了）。这种情况下，我们无法直接使用上面的公式。此时，均方根误差通常被用来衡量滤波器输出本身的稳定性，即一致性。 在这种情况下，计算依据的是滤波器提供的协方差矩阵 P_k 第一步：提取协方差 卡尔曼滤波或粒子滤波在给出位置估计(\hat{x}, \hat{y}) 的同时，还会给出一个协方差矩阵，它描述了滤波器对自己估计结果的“不确定度”。 对于二...
课题进度02
课题进度02-双平台单目标跟踪仿真使用双平台单目标被动纯方位角跟踪，目标做匀速直线运动，采用扩展卡尔曼滤波。 跟踪误差的大小不仅取决于传感器的精度，还取决于目标与两个平台相对位置的几何形状 纯方位跟踪： 理想情况：当两个平台与目标形成的夹角接近90°时，定位最准，误差最小 糟糕情况：当目标运动到两个平台的连线附近，或者目标与两个平台的夹角变得非常小（趋于 0°或 180°）时，几何形状发生“退化”。 图中在19s左右出现的误差高峰，可能是因为目标恰好穿过了两个平台连线的延长线方向。在这个瞬间，两个方位角几乎平行，算法很难通过两条几乎平行的线交汇出准确的点。 几何精度因子(GDOP)：平台的几何分布影响最终的跟踪误差。 数学表达式： \mathrm{GDOP}=\sqrt{\mathrm{trace}[(H^TR^{-1}H)^{-1}]} H 是观测矩阵（雅可比矩阵），描述测量值对状态的敏感度 RR 是测量噪声协方差矩阵 (HTR−1H)−1(HTR−1H)−1 是估计协方差矩阵的一部分，反映了定位不确定度 GDOP 越小，定位精度越高；GDOP 越大，定位精度越差。
课题进度01
课题进度01-双平台纯方位目标跟踪使用双平台被动纯方位角跟踪，目标做匀速直线运动，采用扩展卡尔曼滤波。 1. 参数设置采样周期：1s 总仿真时间：100s 平台1位置：（-400，0），单位：m；速度：（0，1），单位：m/s 平台2位置：（400，0），单位：m；速度：（0，1），单位m/s 两个平台向正北方向前进 目标初始状态（x, y, vx, vy）：(100,100,-2,5)，朝着西北方向前进。 2. 扩展卡尔曼滤波首先介绍一下卡尔曼滤波(KF)，它是将一个系统的观测值和预测值进行贝叶斯融合，得出一个最优估计，但是针对的只是线性系统，所以对于非线性系统就需要用到扩展卡尔曼滤波(EKF)。 扩展卡尔曼滤波(EKF) 用一阶泰勒展开将非线性系统近似为线性系统，然后在这个线性化的系统中使用传统的卡尔曼滤波进行状态更新。 状态转移方程（系统模型）: x_k=f(x_{k-1},u_{k-1})+w_{k-1}观测方程（测量模型）： z_k=h(x_k)+v_k$x_k$：系统在第k步的状态向量 $u_{k-1}$：控制输入 $w_{k-1}$：过程噪声，假设服从零均值，协...
Ubuntu连接USB设备
Ubuntu连接USB设备1. 连接设备在Windows和Ubuntu虚拟机同时打开的情况下，将USB设备连接到电脑上，虚拟机会弹出以下窗口，如下图所示： 如果想要将USB设备连接到虚拟机上，只需要选择对应的虚拟机就行 点击“确定”之后，USB设备即可连接到虚拟机。 点击左侧边框的图标即可打开USB设备的文件夹。 2. 切换设备在虚拟机底部边框中点击这个小图标，选择“断开连接(连接主机)”，就可以连接到Windows电脑上。 3. 其他设置在连接USB设备的时候每次都会弹出连接到哪个设备，有点繁琐，这时就可以设置固定连接一个设备，就不用每次都点击选择。 在虚拟机中依次点击“编辑->首选项->USB”即可更改连接的设备。 4. 注意事项如果插入U盘在ubuntu中不显示，需要我们对U盘进行配置，点击设置→USB兼容性，选择USB 3.0（这一块看你U盘传输属性，如果是3.0，你就选择3.0；如果是2.0，你就选择2.0），我的Ubuntu版本较高，所以支持3.1。