基于MHS和GRU的融合网络的机动目标跟踪方法

本发明公开基于mhs和gru的融合网络的机动目标跟踪方法，属于机动目标跟踪。

背景技术：

1、在自动驾驶系统中，传感器是感知外界环境的关键组件，其性能直接影响自动驾驶车辆的安全性和可靠性，不同类型的传感器各有其独特的优势，例如，雷达传感器具有高测距精度和高数据率的优点，能够在各种天气条件下稳定工作；激光传感器则因其高角度分辨率而能够提供详细的环境信息；红外传感器能够在昼夜、低光照条件下工作，可以检测物体的热辐射，识别温度差异，并提供高分辨率的目标热图像信息。所以将这些多源异构传感器数据进行融合，可以充分利用各种不同类型传感器的优势，提升自动驾驶系统的机动目标检测和跟踪性能。在多源异构传感器机动目标融合跟踪中，通常还存在两个显著的问题：时间异步问题和模型失配问题。

2、时间异步问题是由于各类型传感器的工作频率和数据传输速率不同，传感器故障和通信延迟等原因造成的。传感器数据的时间异步采样会导致在数据融合时出现时序不一致的问题，从而影响系统的实时性和精确性。解决时间异步问题的方法大致分为迭代状态方程方法和伪观测方法。迭代状态方程方法通过迭代每个传感器在测量采样点的状态空间模型实现系统在观测采样时刻的同步化，但当系统复杂或传感器数量较多时，这种方法的计算负担较重，难以满足实时处理的要求。

3、模型失配问题则是由于机动目标运动复杂而无法对运动进行精确建模引起的。在自动驾驶系统中，机动目标的运动模式通常是高度非线性和动态变化的。传统的状态估计方法，如卡尔曼滤波器，依赖于预先定义的运动模型，这些模型假设目标运动遵循一定的规律。然而，实际情况中，机动目标的运动往往受到多种因素影响，如道路状况、驾驶行为、环境变化等，导致运动模型与实际情况存在显著偏差。

技术实现思路

1、本发明的目的在于提供基于mhs和gru的融合网络的机动目标跟踪方法，以解决现有技术中，在多源异构传感器机动目标融合跟踪存在时间异步和模型失配的问题。

2、基于mhs和gru的融合网络的机动目标跟踪方法，为多传感器异构，为门控循环单元，所述方法包括获取机动目标轨迹数据，将机动目标轨迹数据进行时间配准，每个传感器的测量数据都输入对应的局部滤波器，通过卡尔曼滤波产生局部滤波，将时间配准后的机动目标轨迹数据划分训练集、验证集和测试集，将训练集输入基于和的融合网络进行迭代训练，每次迭代完成后将验证集输入基于和的融合网络，若不满足精度要求则返回迭代训练，若满足精度要求则将测试集输入基于和的融合网络，得到融合增益，将每个传感器的局部滤波与融合增益一起输入机动目标跟踪模型，得到机动目标跟踪结果。

3、时间配准包括，如果当前时间是传感器的采样点，采用卡尔曼滤波方法得到局部滤波和误差协方差矩阵；如果当前时间不是传感器的采样点，采用基于前一个采样时刻的局部滤波一步或多步预测作为当前时刻的局部滤波，将上一采样时刻的误差协方差矩阵作为当前时刻的误差协方差矩阵。

4、机动目标跟踪模型包括：

5、；

6、；

7、；

8、式中，为机动目标跟踪结果，为时刻向时刻的状态预测值，是单位阵，是由多个单位阵作为块组成的块矩阵，是局部滤波矩阵，是第个传感器的局部滤波值，是时刻的状态估计值，是状态转移矩阵。

9、每个都组成一个层，模块依次包括反馈输入、时间步赋值、、全连接层、输出的反馈值，其中反馈至，全连接层设有分支产生输出。

10、基于和的融合网络包括三个子网络、和，给予和初始数值，将和输入第一层，然后将基于mhs和gru融合网络的输入值输入，输出预备矩阵，和组成块矩阵，观测数据经过卡尔曼滤波得到误差协方差矩阵，将、、一起输入，得到协方差矩阵，将、、一起输入，得到，、、三个参数通过全连接层进行反馈调整，为全连接层，是预备矩阵的第个元素，是第个传感器的局部滤波和第个传感器间的局部滤波的估计误差互协方差矩阵，是基于和的融合网络的估计值和第个传感器的局部滤波的估计误差互协方差矩阵，是基于和的融合网络的协方差，，的对角元素为、、，其余位置为，第个传感器的局部滤波放在第行，第个传感器的局部滤波放在第列。

11、包括第二层、第三层、第四层，分别输入至三个层，三个层的输出生成和，其中第二层跟踪、第三层跟踪、第四层跟踪。

12、包括第五层、第六层、第七层，第五层跟踪、第六层跟踪、第七层跟踪，将和第个局部滤波器的协方差输入至第层的全连接层，，将三个全连接层的输出融合为。

13、包括第八层，第八层跟踪，将和输入第一全连接层产生，通过另一个全连接层反馈至第一全连接层。

14、首先使用机动目标跟踪模型计算用于中输入，在中生成的是基于和的融合网络的首次增益值，然后开始进行迭代，将第一次计算过程的用于中输入，在中生成的是基于和的融合网络的二次增益值，反复迭代直至满足精度要求。

15、使用机动目标跟踪模型计算包括：

16、。

17、相对比现有技术，本发明具有以下有益效果：自动纠正和适应时间配准过程中的误差，有效减少了误差积累，在跟踪精度、收敛速度和稳定性方面实现了提升；使用相对紧凑的循环神经网络rnn，可以用相对较小的数据集进行训练。

1.基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，为多传感器异构，为门控循环单元，所述方法包括获取机动目标轨迹数据，将机动目标轨迹数据进行时间配准，每个传感器的测量数据都输入对应的局部滤波器，通过卡尔曼滤波产生局部滤波，将时间配准后的机动目标轨迹数据划分训练集、验证集和测试集，将训练集输入基于和的融合网络进行迭代训练，每次迭代完成后将验证集输入基于和的融合网络，若不满足精度要求则返回迭代训练，若满足精度要求则将测试集输入基于和的融合网络，得到融合增益，将每个传感器的局部滤波与融合增益一起输入机动目标跟踪模型，得到机动目标跟踪结果。

2.根据权利要求1所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，时间配准包括，如果当前时间是传感器的采样点，采用卡尔曼滤波方法得到局部滤波和误差协方差矩阵；如果当前时间不是传感器的采样点，采用基于前一个采样时刻的局部滤波一步或多步预测作为当前时刻的局部滤波，将上一采样时刻的误差协方差矩阵作为当前时刻的误差协方差矩阵。

3.根据权利要求2所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，机动目标跟踪模型包括：

4.根据权利要求3所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，每个都组成一个层，模块依次包括反馈输入、时间步赋值、、全连接层、输出的反馈值，其中反馈至，全连接层设有分支产生输出。

5.根据权利要求4所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，基于和的融合网络包括三个子网络、和，给予和初始数值，将和输入第一层，然后将基于mhs和gru融合网络的输入值输入，输出预备矩阵，和组成块矩阵，观测数据经过卡尔曼滤波得到误差协方差矩阵，将、、一起输入，得到协方差矩阵，将、、一起输入，得到，、、三个参数通过全连接层进行反馈调整，为全连接层，是预备矩阵的第个元素，是第个传感器的局部滤波和第个传感器间的局部滤波的估计误差互协方差矩阵，是基于和的融合网络的估计值和第个传感器的局部滤波的估计误差互协方差矩阵，是基于和的融合网络的协方差，，的对角元素为、、，其余位置为，第个传感器的局部滤波放在第行，第个传感器的局部滤波放在第列。

6.根据权利要求5所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，包括第二层、第三层、第四层，分别输入至三个层，三个层的输出生成和，其中第二层跟踪、第三层跟踪、第四层跟踪。

7.根据权利要求6所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，包括第五层、第六层、第七层，第五层跟踪、第六层跟踪、第七层跟踪，将和第个局部滤波器的协方差输入至第层的全连接层，，将三个全连接层的输出融合为。

8.根据权利要求7所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，包括第八层，第八层跟踪，将和输入第一全连接层产生，通过另一个全连接层反馈至第一全连接层。

9.根据权利要求8所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，首先使用机动目标跟踪模型计算用于中输入，在中生成的是基于和的融合网络的首次增益值，然后开始进行迭代，将第一次计算过程的用于中输入，在中生成的是基于和的融合网络的二次增益值，反复迭代直至满足精度要求。

10.根据权利要求9所述的基于mhs和gru的融合网络的机动目标跟踪方法，其特征在于，使用机动目标跟踪模型计算包括：