传感器融合和跟踪工具箱
设计，模拟和测试多传感器跟踪和定位系统
传感器融合和跟踪工具箱™包括用于设计、模拟和测试系统的算法和工具，该系统融合来自多个传感器的数据，以保持态势感知和定位。参考例子为监视和自主系统的多目标跟踪和传感器融合发展提供了起点，包括机载、星载、地基、舰载和水下系统。
你可以融合来自真实世界传感器的数据，包括主动和被动雷达、声纳、激光雷达、EO/IR、IMU和GPS。您还可以从虚拟传感器生成合成数据，以在不同的场景下测试算法。工具箱包括多目标跟踪器和估计过滤器，用于评估结合网格级、检测级和目标或轨迹级融合的架构。它还提供了度量标准，包括OSPA和GOSPA，用于根据地面真实场景验证性能。
对于仿真加速度或快速原型设计，工具箱支持C代码生成。万博1manbetx
开始：
免费白皮书
自治系统传感器融合和跟踪
空域监控
利用雷达、ADS-B和EO/IR等主动和被动传感器的数据跟踪多个目标。自定义跟踪器来处理机动对象。
跟踪带有地球中心情景的飞机。
太空监控
使用来自雷达传感器的数据跟踪多个星式载对象以产生空间情境感知。您可以配置跟踪器以使用Keplerian运动模型或其他轨道模型。
跟踪空间碎片使用KEPLERIAN运动模型。
使用LIDAR扩展对象跟踪。
单传感器跟踪
模拟和模拟多目标跟踪器，以执行智能传感器所需的处理。这包括将原始数据转换为对象轨道列表。
使用从激光点云生成的3D边界框跟踪对象。
集中融合
跟踪扩展对象，其中具有集中式跟踪器，可使来自多个传感器和传感器方式的数据。使用概率假设密度（PHD）跟踪器来估计移动物体的运动学以及物体的尺寸和方向。对于复杂的城市环境，实现随机有限集（RFS）网格的跟踪器，以跟踪每个网格单元的占用率以及其运动学。
从城市环境中的多个激光器的追踪数据融合数据。
轨道级融合
来自多个跟踪源的保险丝轨道，提供更全面的环境估计。在具有带宽约束和使用谣言控制的系统中评估系统中的跟踪融合架构，以消除陈旧结果。
带LIDAR和雷达传感器的轨道电平融合。
多目标跟踪器
将估计过滤器，分配算法和跟踪管理逻辑集成到多目标跟踪器中以使检测到曲目。将传感器数据转换为检测格式，并使用全局最近邻（GNN）跟踪器进行简单方案。轻松切换到联合概率数据关联跟踪器（JPDA），多个假设跟踪器（MHT）或PHD跟踪器，用于具有挑战性的场景，例如跟踪存在测量歧义的紧密间隔的目标。
跟踪距离较近的测量不明确的目标。
扩展对象和基于网格的跟踪器
使用PHD跟踪器跟踪扩展对象的运动学，大小和方向。使用高分辨率传感器数据，如激光雷达和雷达点云，跟踪基于网格的RFS跟踪器，估计复杂城市环境中网格单元的动态特性。
扩展目标跟踪与尺寸和方向估计。
轨道级融合
通过跟踪传感器或其他轨道跟踪融合对象生成的保险丝轨道。带宽约束系统中的建筑师分散跟踪系统。减少谣言传播以消除陈旧的跟踪器结果。
两辆车之间的跟踪融合。
融合架构
探索跟踪体系结构并评估跟踪到跟踪融合、中央级跟踪或混合跟踪体系结构之间的设计权衡。使用静态(探测)融合来结合仅角度和仅距离传感器的探测，如IR, ESM，或双基地雷达。
跟踪使用分布式同步无源传感器。
物体轨迹和姿态生成
使用跟踪方案设计器应用程序以交互方式定义方案并生成定义和转换不同参考帧中对象的真实位置，速度和方向的MATLAB脚本。
主动和被动传感器模型
模型有源传感器（包括雷达，声纳和LIDAR）以产生对象的检测。模拟各方位角，高程或两者的机械和电子扫描。模型雷达警告接收器（RWR），电子支持测量（ESM），被动声纳和红外传感器，以产生仅用于跟踪方万博1manbetx案的角度检测。使用发射器和传感器模型多晶雷达和声纳系统。
用多静电传感器跟踪。
蒙特卡罗模拟
使用不同的随机噪声值执行Monte Carlo仿真。扰乱地面实况和传感器配置，以提高测试的稳健性。
干扰轨迹和传感器以生成测试数据。
INS传感器模型
型号惯性测量单元（IMU），GPS，高度计和INS传感器。调谐环境参数，例如模型的温度和噪声属性，以模拟真实世界的环境。
模型IMU和GPS传感器以测试惯性融合算法。
定位估计
保险丝加速度计和磁力计读数模拟电子罗盘（eNompass）。保险丝加速度计，陀螺和磁力计读数，姿态和前线参考系统（AHRS）过滤器估算取向。
通过融合惯性传感器来估计平台的方向。
姿态估计
使用惯性传感器和GPS的非完整标题约束估计姿势。通过熔化具有高度计或视觉径管的惯性传感器来确定没有GPS的姿势。
使用熔融IMU和相机数据的可视惯性径流。
场景可视化
绘制物体的方向和速度，地面真实轨迹，传感器测量和3D轨道。绘制检测和跟踪不确定性。使用历史记录路径可视化轨道ID。
剧院绘图的多平台场景。
传感器和跟踪指标
生成轨道建立，维护和删除指标，包括轨道长度，跟踪中断和跟踪ID递送。估算轨道精度，具有位置，速度，加速度和横摆率根均值误差（RMSE）或平均归一化估计误差平方（Anee）。使用集成OSPA和GOSPA指标在单一分数中总结性能。使用Allan方差分析惯性传感器噪声。
综合跟踪指标，以评估跟踪器性能与地面真相。
调整过滤器和跟踪器
调整多目标跟踪器的参数，如分配阈值，滤波器初始化函数和确认和删除阈值以最大化性能。将结果与跟踪器和跟踪器配置进行比较。自动调谐滤波器以优化噪声参数。
用GM-PHD跟踪器跟踪密集杂波中的目标目标。
代码生成
生成C / C ++和MEX代码进行仿真加速度或桌面原型使用Matlab编码器™。应用成本计算阈值以减少用于计算分配成本的时间。
跟踪数千个目标与生成的代码，以最快的模拟时间。
RFS跟踪器
使用基于网格的随机有限集（RFS）跟踪器跟踪对象
轨迹生成
使用以地球为中心的航点创建轨迹
惯性传感器的过滤器调谐器
自动调整INS，IMU和AHRS过滤器的惯性传感器融合性能
蒙特卡罗模拟
干扰跟踪场景、传感器和轨迹，以创建用于测试的大型数据集
LIDAR传感器模型
生成合成点云作为跟踪方案的一部分
跟踪方案设计器应用程序
将跟踪方案进入应用程序以进行可视化和重新设计
INS传感器
模型并模拟Simulink中的INS传感器万博1manbetx
运动模型
模拟歌手加速运动
看看发行说明有关这些特性和相应功能的详细信息。
