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,这些系统可以融合来自多个传感器的数据,以保持态势感知和定位。参考实例为监视和自主系统的多目标跟踪和传感器融合开发提供了起点,包括机载、星载、地基、船载和水下系统。
您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滤波器,用于评估结合网格级、检测级和目标或跟踪级融合的体系结构。它还提供指标,包括OSPA和GOSPA,用于验证地面真实场景的性能。
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传感器等主动和被动传感器的数据跟踪多个目标。定制跟踪器来处理机动对象。
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。
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。
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。
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。
多目标跟踪器
将估计滤波器、分配算法和轨迹管理逻辑集成到多目标跟踪器中,将检测融合到轨迹中。将传感器数据转换为检测格式,并在简单的场景中使用全局最近邻(GNN)跟踪器。可以轻松切换到联合概率数据关联跟踪器(JPDA)、多假设跟踪器(MHT)或PHD跟踪器,用于具有挑战性的场景,如跟踪存在测量模糊的紧密间隔目标。
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。
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。
融合架构
探索跟踪器体系结构,评估在跟踪融合、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(检测)融合来结合仅角度传感器和仅距离传感器的检测,如红外、ESM或双基地雷达。
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。
蒙特卡罗模拟
使用不同的随机噪声值执行Monte Carlo仿真。涉及地面真理和传感器配置,以提高测试鲁棒性。
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。
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。
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。
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。
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。
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。
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计算分配成本的时间。