06第六讲_关联门的选择及应用答题.pptVIP

联合概率数据关联（JPDA） X Y O Z2 Z1 Z3 目标 量测 互联矩阵 互联矩阵 目标 量测 拆分 联合事件概率计算 量测互联指示 目标检测指示 联合事件 中假量测的数量 联合事件 k时刻第i个联合事件中量测j源于目标t的事件 联合事件概率计算 第j个量测与第t个目标互联的概率 k时刻联合事件 的条件概率 互联矩阵 联合事件概率计算 Bayes公式 归一化常数： k时刻关联结果与k-1时刻量测无关 联合事件概率计算 假设：不与目标互联的虚假量测服从体积为V的均匀分布，与目标互联的量测服从正态分布，门概率PG=1。 联合事件概率计算 目标探测指示 虚假量测数目 虚假量测 真实量测 事件个数 互联 乘法定理 联合事件概率计算 检测概率 假量测数的概率密度函数 联合事件概率计算 泊松分布： 均匀分布： 联合事件概率计算 泊松分布： 均匀分布： 归一化常数 状态和协方差更新 k时刻用第j个量测对目标t进行卡尔曼滤波所得状态估计。 * 小结 * 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 * 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 * 四维椭球关联门方程为: * 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D2＜k2时，认为观测2 与观测1关联；相反地，当D2≥k2时， 则认为不关联。 * 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。下面列出速度关联公式。 * 当M=2，即二维关联时，统计速度 椭圆关联门方程为 * 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χ2分布表求得kv值（或k2v值）。当D2v＜k2v时，认为观测2与观测1关联，反之，当D2v≥k2v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 * 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。 * k值与落入概率的关系 * 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； * (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； * (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。 * 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） * 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。 * 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