- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
不完备数据下基于多源异构融合的目标跟踪方法研究
摘要
面对目前自动驾驶的火热发展,高精度定位与传感器目标跟踪变得愈发重要。随
着目前自动驾驶对于安全方面的高要求,单一传感器由于其测量的局限性以及抗干扰
能力差问题,导致在实际对目标进行追踪和状态估计时,会存在一定的局限性。并且,
自动驾驶的环境可能是恶劣且复杂的,利用传感器对目标的进行观测可能会随着恶劣
环境存在信息缺失问题,在这种恶劣情况下,如何对目标进行准确定位和追踪显得尤
为重要。因此,协同开展不完备信息条件下多源异构传感器融合目标跟踪技术研究,
具有重要的研究意义。
首先,由于在复杂环境、恶劣天气下以及通信效果不佳的情况下,传感器数据会
存在一定程度的缺失。针对传感器数据存在丢失导致状态估计信息不完全,最终会影
响到后续多传感器融合的准确性的问题,本文设计了一种基于自注意力机制生成对抗
网络(SelfAttention-GenerativeAdversarialNetworks,SA-GAN)的数据填充算法。该算法
通过引入自注意力机制来捕捉传感器的长远距离依赖关系,并将该机制加入到生成器
与判别器模型当中,生成器来产生数据,判别器对数据真实性进行判断,输出真假值,
利用自注意力机制捕捉传感器信息序列中的关联和重要信息,从而得到完备的传感器
数据。实验结果表明,基于SA-GAN的数据填充算法的准确性优于生成对抗网络
(GenerativeAdversarialNetworks,GAN)与期望最大化(ExpectationMaximization,EM)等
算法,进而提高了后续传感器融合的准确性。
其次,单个传感器感知范围有限,通过传感器融合来获取目标精确信息。针对传
统融合算法未考虑历史观测信息且只进行一次线性化导致对最终结果偏离真实值,最
终影响到后续目标追踪的准确性的问题,本文设计了一种基于因子图的多传感器融合
算法。该算法通过对驾驶使用的全球定位系统(GlobalPositioningSystem,GPS)、惯性
测量单元(InertialMeasurementUnit,IMU)以及视觉里程计(VisualOdometry,VO)进行
构建因子模型,利用因子图算法充分考虑历史观测信息且多次线性化,制定完整融合
模型,最终达到对于目标的精准定位。实验结果表明,基于因子图的多传感器融合算
法充分使用历史观测信息并进行多次线性化,与扩展卡尔曼滤波(ExtendedKalman
Filter,EKF)算法相比可以提高定位精度,进而提高了对于目标追踪的准确性。
最后,单个运动模型不能完整表示目标运动状态,通过交互式多模型来匹配目标
运动状态。针对运动目标高斯噪声和脉冲噪声混合的情况下不能准确的匹配到目标的
哈尔滨工程大学硕士学位论文
实际运动状态,最终会导致目标追踪准确度低甚至丢失问题,本文设计了一种基于改
进的交互式多模型最大相关熵卡尔曼滤波(InteractingMultipleModelImproved
CorrentropyKalmanFilter,IMM-IMCKF)的目标跟踪算法,该算法引入了高斯核和
Sigmoid核的线性组合来替代原高斯核函数,以此来解决混合噪声环境下的目标追踪问
题,以获得精准的目标追踪。实验结果表明,基于IMM-IMCKF的目标跟踪算法准确
性优于MCKF-CV、IMM-KF以及IMM-MCKF等追踪算法,提高了对目标不同运动状
态的追踪能力,证明了其有效性和可靠性。
关键词:目标跟踪;数据填充;生成对抗网络;传感器融合;交互式多模型
不完备数据下基于多源异构融合的目标跟踪方法研究
Abstract
Inthefaceofthecurrenthotdevelopmentofautomaticdriving,high-precisionlocalization
andsensortargettrackingbecomemoreandmoreimportant.Withthecurrenthighsafe
文档评论(0)