基于轨迹跟踪的导线和塔架分类的制作方法
本发明总体涉及障碍物警告雷达。
背景技术：
目标跟踪或对象跟踪是在一定范围的应用中使用的算法家族。该家族的一个分支是基于点的跟踪，其中对象由点表示，与另外两个典型分支(基于内核的跟踪和基于轮廓的跟踪)相反。
在示于现在参考的图1中的基于点的跟踪中，到基于点的跟踪算法14的输入通常是来自一个或多个传感器的适当预处理12之后的原始数据10，病且习惯性地被称为快照。这是一个三维数组流，按采集时间t索引。数组元素的索引向量
基于点的跟踪算法14由检测在每一个快照中的对象的检测机构16和将对象关联到轨迹的关联机构18构成。通常使用阈值化(thresholding)来执行检测16，同时采用确定性或概率性工具。关联18典型地分为三种方法：卡尔曼滤波器(kf)、粒子滤波器(pf)和多假设跟踪(mht)，其通常通过演变对象的状态(例如，对象位置和运动)来在快照上跟踪。
例如，在雷达应用中，从天线接收到的原始数据通常经受诸如频率变换到基带、匹配滤波、傅立叶变换和模数(又名绝对值)的处理以创建距离多普勒图(range-dopplermap，rdm)，其是二维实正值数组，具有索引rmin≤r≤rmax和vmin≤v≤vmax，指示每个单元的距离(range)和多普勒速度。检测级16通常基于阈值化，静态或动态阈值化，其中在邻域上具有超过某一阈值的模数的单元被检测为对象。例如，假定由索引向量
技术实现要素：
因此，根据本发明的优选实施例，提供了一种轨迹跟踪系统。该系统包括：一组动态模型、轨迹数据库、轨迹处理机、参数提取器以及分类器。每个预期障碍类型有一个动态模型并且其对预期障碍物的法向入射点(pni)的预期轨迹进行建模。轨迹数据库存储用于正被跟踪的当前组障碍物的轨迹。轨迹处理机至少将输入检测与现有轨迹相关联并更新现有轨迹。参数提取器周期性地从轨迹提取参数，并且分类器至少基于轨迹的参数和用于轨迹的相关联的动态模型来对与轨迹相关联的障碍物进行分类。
此外，根据本发明的优选实施例，轨迹处理机包括：检测器/估计器、匹配器和扩展卡尔曼滤波器。检测器/估计器提供输入检测。匹配器根据输入检测来生长、冻结、杀死和开始轨迹，其中，针对与现有轨迹不相关联的输入检测，根据动态模型生成新轨迹。扩展卡尔曼滤波器更新由匹配器提供的每一个现有轨迹。
此外，根据本发明的优选实施例，障碍物至少是导线、塔架和杂波。
此外，根据本发明的优选实施例，系统还包括用于从一组距离多普勒图(rdm)提取对象的检测的列表的检测器/估计器。
此外，根据本发明的优选实施例，一组动态模型中的每一个模型包括状态向量，状态向量至少包括障碍物在三维空间中相对于雷达的位置、pni的多普勒速度、返回波的极化和返回波的强度。
此外，根据本发明的优选实施例，轨迹包括指示轨迹的状态的布尔标志。
此外，根据本发明的优选实施例，参数是由检测器/估计器测量并由扩展卡尔曼滤波器改善的直接参数。
此外，根据本发明的优选实施例，参数之一是障碍物的方位，其最终值由扩展卡尔曼滤波器经由障碍物的动态模型确定为至少初始测量值和过去测量值的加权函数。
此外，根据本发明的优选实施例，参数是从状态向量的元素提取的间接参数。
此外，根据本发明的优选实施例，间接参数是以下至少之一：障碍物相对于雷达的相对高度、障碍物的真实方位、障碍物的仰角和障碍物的目标签名。
此外，根据本发明的优选实施例，匹配器包括模糊解算器以求解测量值中的模糊。
此外，根据本发明的优选实施例，分类器包括参数检查器，以利用目标签名并对照目标签名数据库来确定障碍物的类别。
此外，根据本发明的优选实施例，扩展卡尔曼滤波器包括异常值拒绝测试，以在测量值偏离预期值超过轨迹的标准偏差的正倍数时拒绝测量值更新。
根据本发明的优选实施例，提供了一种轨迹跟踪方法，其包括：具有每个预期障碍物的法向入射点(pni)的预期轨迹的一组动态模型，其中每个预期障碍物类型有一个动态模型；存储用于正被跟踪的当前组障碍物的轨迹；将输入检测与现有轨迹相关联；更新现有轨迹；周期性地从轨迹提取参数；以及至少基于轨迹的参数和用于轨迹的相关联的动态模型来对与轨迹相关联的障碍物进行分类。
此外，根据本发明的优选实施例，方法还包括：提供输入检测；根据输入检测来生长、冻结、杀死和开始轨迹，其中，针对与现有轨迹不相关联的输入检测，根据动态模型生成新轨迹；以及更新由匹配器提供的每个现有轨迹。
此外，根据本发明的优选实施例，方法还包括从一组距离多普勒图(rdm)提取对象的检测的列表。
此外，根据本发明的优选实施例，关联包括求解测量值中的模糊。
此外，根据本发明的优选实施例，分类包括利用目标签名对照目标签名的数据库来确定障碍物的类别。
最后，根据本发明的优选实施例，更新包括当测量值偏离预期值超过轨迹的标准偏差的正倍数时拒绝测量值更新。
附图说明
被视为本发明的主题被特别地指出并清楚地要求在说明书的结论部分中。然而，通过结合附图阅读时参考以下详细描述，可以最好地理解本发明的组织和操作方法以及其目的、特征和优点，其中：
图1是现有技术的对象跟踪系统的框图说明，图2是示出直升机从侧面和从上方接近导线的示意性说明；
图3是接近导线的直升机和对于直升机的3个不同位置的导线的得到的垂直入射点(pni)的示意性说明；
图4是接近塔架的直升机和对于直升机的3个不同位置的塔架的得到的pni的示意性说明；
图5是朝向其间伸展有导线的两个塔架移动的直升机的示意性说明；
图6是根据本发明的优选实施例构造和操作的轨迹跟踪系统的框图说明；
图7是在理解图6的系统中有用的一组示例性距离多普勒图(rdm)的说明；
图8是在理解图6的系统中有用的基于预测的匹配操作的示意性说明；
图9是形成图6的系统的部分的扩展卡尔曼滤波器的更新操作的流程图说明；以及
图10是在理解图6的系统中有用的使用两个天线的干涉测量测量到达角(aoa)中的模糊(ambiguity)曲线的图形说明。
将理解，为了说明的简单和清楚起见，图中所示的元件不一定按比例绘制。例如，为了清楚起见，一些元件的尺寸可能相对于其他元件被夸大。此外，在认为适当的情况下，可以在附图中重复附图标记以指示对应或类似的元件。
具体实施方式
在下面的详细描述中，许多具体细节被阐述以便提供对本发明的透彻理解。然而，本领域技术人员将理解，可以在没有这些具体细节的情况下实践本发明。在其他情况下，没有详细描述众所周知的方法、过程和组件，以免使本发明难以理解。
申请人已经认识到，对于被安装在直升机上并观察静止目标(其此后被称为“障碍物”)的障碍物警告雷达(owr)，对障碍物(特别是导线和塔架(pylon))进行分类，并使用它们的“动态模型”将它们与杂波(clutter)区分开来，是可能的。通常，对象相对于地面分为静态和动态对象。静态障碍物的动态模型仅源于雷达的运动，而动态障碍物的动态模型源于雷达移动和障碍物的运动。结果，由跟踪算法推断的障碍物的动态模型是静态障碍物和动态障碍物之间的有利区分因素，并且在一些情况下，是在不同类型的动态障碍物之间的有利区分因素。此外，动态模型可以在障碍物和杂波之间进行区别，并且因此可以用于抑制误报警。
在用于低空飞行的飞行器的导线和塔架检测的上下文中，本发明估计障碍物相对于雷达的表观(apparent)轨迹，并根据包括将用于拒绝误报警的非障碍物假设的几种现有假说对障碍物的类型进行分类，估计表征障碍物并且不能直接从原始检测提取的间接隐含(underlying)参数，并试图提高对直接从原始检测提取的障碍物的直接参数的估计的准确性。
为了讨论静态和动态障碍物之间的差异，我们首先介绍术语垂直入射点(pni)，其是对象上的点，发射波从该点被反射回接收器。它类似于当被rf波照射时，导线的镜面反射(specularity)，与导线直径相比，该rf波的波长大。在这种情况下，导线具有高的镜面反射，这意味着来自入射波的大部分能量将以与入射角相等的角度反射，但在其法线附近反射。雷达截面(rcs)测量技术和蜂窝通信领域的研究表明，在高波长范围内存在也来自诸如塔架、塔和建筑物的点障碍物的大量的镜面反射。
考虑由rf波照射的薄直导线，雷达的接收机仅接收来自导线上的单个点(pni，其是从雷达至导线的法线与导线相交所在的点)的回波。
现在参考图2，其示出了接近导线22的直升机20。为说明目的，图2是不按比例的。pni的位置由p表示，并且直升机20的位置由o表示。为了清楚起见，导线22用实线示出；相对于直升机20，其实际半径可能非常小。连接p和o的线是视线(los)，且直升机运动的方向是飞行线(lof)。左手侧图示出了三维空间中的格局，且右手侧绘图示出了顶视图中的格局。方位角α和仰角γ以及los的长度r确定了pni在空间中相对于直升机运动的位置p。角度φ描述了导线的极化(polarization)，即导线与其在水平空间上的投影之间的角度，并完成了相对于直升机20在三维空间中拉出导线22所需的信息。换句话说，(r、α、γ)是3个极坐标，其足以确定为点的pni在三维空间中相对于直升机的位置。为了完成为穿过pni的线的导线的展示，给出了另外两个角度：极化φ以及los和导线之间的直角，这是由反射的镜面反射暗示的。总而言之，由于镜面反射，4元(4-tupple)(r、α、γ、φ)传达了关于导线在三维空间中相对于直升机的位置的完整信息。
随着直升机20移动，并与它的在直升机20上的雷达一起移动，从直升机20至导线22的法线21也移动，除其中雷达直接沿至导线的法线移动的情况之外。因此，pni随着雷达的移动而移动，即，导线的pni表现为动态障碍物。在现在简要地参考的图3中，对于直升机的3个不同位置示出了导线的pni，每个位置具有其自己的pni，表示为p1、p2和p3。
不同于导线，塔架的pni在惯性坐标系中是静态的。这是因为点障碍物的典型几何结构，其包含几乎在任何方向上与雷达垂直的一些表面。在现在简要地参考的图4中，存在位于雷达的视场(fov)中的塔架24，其中雷达处于塔架高度的中间某处的水平。无论雷达和塔架之间的角度如何，塔架24都反向散射入射rf波，并且即使直升机20接近塔架24，pni的位置p也不会发生太大变化。为清楚起见，对于直升机的3个不同位置的pni表示为p1、p2和p3，其中这3个点可能位于相同位置或非常相似的位置。
pni的动态因此严重依赖障碍物类型。现在参考图5，其示出了直升机20上的雷达的俯视图，该直升机20朝向塔架24(用空心圆圈(opencircle)表示)移动，导线在塔架之间伸展。假定宽波束雷达(安装在直升机上)，使得导线和塔架在雷达的fov内，当雷达沿着虚线的方向上移动时，导线的pni(实心圆圈)沿着导线随从雷达到导线的法线的移动而移动，而两个塔架的pni(实心方块)在它们的位置基本上是静止的。
杂波的动态模型，诸如在观察导线和塔架时也可能是可见的，更复杂，并且受到一系列因素的影响，诸如表面的定义参数、景观、雷达信号的载波频率和波的极化。然而，在许多情况下，杂波的动态模型在运动学上是不可接受的，并且这个事实可以作为障碍物和杂波之间的区别因素。
现在所参照的图6示出了轨迹跟踪系统30，用于将快照序列中的每一个检测到的对象关联到现有的或新的轨迹并基于轨迹的动态模型对对象进行分类，其中，对于导线、对于塔架(或其它点障碍物)以及对于零星的杂波，轨迹可具有不同的特性。
轨迹跟踪系统30可以包括轨迹数据库34、轨迹处理机35、一组模型38、参数提取器40和分类器42。轨迹处理机35可包括检测器/估计器31、匹配器41和扩展卡尔曼滤波器(ekf)36。ekf36可以包括时间更新器44和位置估计器46。
如由关于扩展卡尔曼滤波器的wikipedia条目(en.wikipedia.org/wiki/extended_kalman_filter)指出的，卡尔曼滤波器具有状态转换方程和观测模型。用于离散计算的状态转移方程是：
xk＝f(xk-1，uk)+wk(1)
并且用于离散推算的观察模型是：
zk＝h(xk)+vk(2)
其中xk是状态向量，uk是外部输入的向量，诸如来自导航系统的控制输入，wk和vk是过程和观察噪声；
扩展卡尔曼滤波器的时间更新器44可以用预测方程预测下一个状态，并且位置估计器46可通过将实际测量值与预测的测量值进行比较，使用以下类型的方程来更新变量：
yk＝zk-h(xk|k-1)(3)
其中zk是来自rdm的测量值，且yk是测量值和预测测量值之间的误差。
在跟踪系统30中，每个轨迹可以作为来自该组模型38的模型开始，其中每一个模型可以是反映一种类型的障碍物或pni的时间行为的动态模型。基于时间的动态模型可以由每个障碍物类型向量函数ftype(x(t),u(t),t)表示，其输入可以是过去状态向量x(t)(任一状态向量或更多)，以及影响pni的动态的任何外部输入u(t)。状态向量x(t)的元素可以定量地描述pni在某个给定时间t的状态。例如，障碍物的pni的状态向量可以包括(除其它外)，障碍物在三维空间中相对于雷达的位置，pni的多普勒速度，返回波的极化和返回波的强度。向量函数ftype(x(t),u(t),t)可用于预测当前时间之前的某个给定时间t+1的状态向量x(t)。
在ekf36的动态模型的示例性实现可以包括如jerrym.mendel的书“lessonsindigitalestimationtheory”中描述的时间更新方程(又名预测方程)，其通过引用的方式并入于此。ekf36的预测方程由每一-障碍物-类型状态-向量模型控制如下：
考虑，例如，直升机20以恒定速度v0在直线上移动，并限定，例如，4元状态向量：
其中r(t)是在时间t时pni离直升机的距离，v(t)是在时间t时pni相对于直升机的多普勒速度，α(t)是在时间t时pni的相对于直升机的飞行线的方位，γ(t)是在时间t时pni相对于直升机的飞行线的高度。也表示了状态向量x(t)的第k个元素xk。
对于水平伸展的导线的pni的示例性的状态向量模型可以是：
对于塔架的pni的示例性函数可以是：
将理解，对于导线和塔架的pni的其它函数可以用于代替方程5、6和7，并包括在本发明中。
可以以ekf36中的44实施的时间更新方程可以对于离散时间情况使用矩阵乘法，或者对于连续时间情况作为一组微分方程，以公式表示。而且，动态模型可以相对于输入向量是线性的，或者相对于输入向量是非线性的。
将理解的是，相区别类型的障碍物的pni的动态模型是不同的。换句话说，导线的pni的动态模型可以不同于塔架、或建筑物或地形特征的pni的动态模型。因此，该组模型38可以包含任何类型的可观察障碍物的动态模型。
到轨迹跟踪系统30的输入可以是通过检测器/估计器31从预处理器14接收的一组rdm。现在简要参考的示例性的一组rdm示于图7中。每个rdm提供来自接收数组天线的单个端口的输入，其中接收数组天线可以具有n个端口。需要注意，组中的所有rdm都与从时间t0开始的相同时间间隔相关。如本领域所公知的，检测器/估计器31可以从该组rdm中提取对象的检测的列表。每个检测可以通过诸如距离、多普勒速度、方位和极化方向的一组参数来描述。
跟踪系统30可以在轨迹数据库34中保持现有轨迹的列表，其中现有轨迹中的每个轨迹与雷达的fov内的障碍物，或者更精确地，雷达的fov内的pni，相关联。每个轨迹可以由‘轨迹描述符’描述，该‘轨迹描述符’包括一组参数，轨迹可以从该组参数进一步演变，并且可以从该组参数提取障碍物特征。
匹配器41可以与对已经存在于轨迹数据库42中的轨迹的列表的接收一起接收来自检测器/估计器31的检测的列表。匹配器41可以将每个检测拟合到现有轨迹中的一个，可以在轨迹描述符中写入匹配的检测，并且可以将更新的轨迹发送到ekf36。
当然，可能会发生没有匹配的检测的轨迹，诸如当障碍物不再位于雷达的fov中并且无法被直接观察到时。在这种情况下，跟踪系统30可以保持遵循轨迹达预定时间，以便承受目标的临时或短期隐藏的影响。如果没有将检测分配给该轨迹的持续时间短于预定义的时间，则匹配器41可以将轨迹描述符标记为“冻结”，仅通过检查来处理而没有支持检测。匹配器41可以通过在将它们转发到ekf36之前在轨迹描述符内设置布尔标志来影响这个。如果经过的持续时间长于预定义的时间，则匹配器41可以不向ekf36提供轨迹描述符并可以将其从轨迹数据库42去除。
还可能发生将存在未分配给任何轨迹的检测。例如，当系统启动时，轨迹数据库42可以是空的，并且因此，所有的第一检测将不会被分配给任何轨迹。在此情况下，匹配器41可以为形成该组模型38的部分的每个模型准备一个‘轨迹描述符’，例如，用于导线的描述符和用于塔架的描述符。这些初始轨迹将被移动到ekf36。除非pni对于导线和塔架处于相同的位置，否则将只有初始轨迹之一是正确的。算法将遵循每个轨迹，并且预计错误的轨迹将在短时间后死亡，在此期间将没有检测匹配到任何错误的轨迹。
ekf36可以接收轨迹描述符并且可以基于在其相关联的轨迹描述符中的布尔标志演变每个轨迹，如在下文中更详细地描述的。ekf36还可以使用来自直升机20的导航系统的数据，诸如直升机速度、加速度和航向。演变的轨迹可以存储在轨迹数据库42中用于下一个操作。
参数提取器40可以监控轨迹数据库42并可以根据每个轨迹的描述符对其轨迹存储在数据库中的每个障碍物提取增强的一组参数。应当理解，由于描述符包含由ekf操作产生的参数，所以通常，在测量值中一些参数不被直接观察到。
分类器42可以检查每一障碍的参数并且可以确定那些参数指示的对象的类型。分类器42可以利用的事实之一可以是来自该组模型38的轨迹所匹配的动态模型的类型。
详细地，检测器/估计器31的输入可以是由预处理器14提供的一系列rdm(每个都配备有时间戳)。检测器/估计器31的输出可以是潜在检测的列表；每一个都赋予有一组参数，下文称为‘直接参数’。
‘检测器’部分的操作可以基于某些阈值化方法，例如，通过检测具有超过某个阈值的大小的rdm的那些条目。阈值可以是固定的任意值，或者是动态的值，以满足预先指定的优化标准，例如恒定误报警率(cfar)。
‘估计器’部分的操作是估计用于每个检测的一组直接参数。该组包含距离、多普勒速度、方位角和极化取向，并且可以通过各种已知的估计算法来估计，诸如用于距离和多普勒速度的最大值发现，以及用于方位角和极化取向的由ralpho.schmidt在其文章“multipleemitterlocationandsignalparameterestimation”(ieeetransactionsonantennasandpropagation,34(3):276-280,1986年3月)中描述的music(多信号分类(multiplesignalclassification))和由a.、roy,r.、kailath,t.在他们的文章“estimationofsignalparametersviarotationalinvariancetechniques-esprit”(nineteenthasilomarconferenceoncircuits,systemsandcomputers,pp.83–89,1985)中描述的esprit(通过旋转不变技术估计信号参数(estimationofsignalparametersviarotationalinvariancetechniques))。
匹配器41可以接收来自检测器/估计器31的列表，以及来自轨迹数据库42的描述符的列表，描述符指定已由轨迹跟踪系统30保持的轨迹。轨迹描述符是一组参数，其包含(除其他外)指示该轨迹的状态的布尔标志、动态模型类型和它的隐含参数。匹配器41的输出可以是检测的列表及它们对轨迹描述符的分配，或者是已经存在的轨迹或者是新的轨迹。
匹配器41可以首先尝试将每个检测匹配到现有轨迹。这可以使用基于度量的方法来进行，诸如最近邻或最大似然。图8示出了基于预测的匹配的示例。首先，时间更新器44可以根据附录1中提供的卡尔曼滤波器的时间更新方程更新(步骤60)每个轨迹描述符，以便预测轨迹在时间t时的预期位置。时间更新方程也产生预测误差的协方差矩阵k(k+1)，其反过来可以用于改善基于几何最小距离的匹配，因为沿着与较大特征值相关联的矩阵k的特征向量的距离实际上短于沿着与较小特征值相关联的矩阵k的特征向量的距离。这被称为在步骤62中确定的mahalonobis距离。然后，将对轨迹具有最大特征值的检测与轨迹匹配。此阶段的结果是三个列表：(i)检测轨迹对(来自步骤72)；(ii)没有适当检测的轨迹(来自步骤76)；以及(iii)没有匹配轨迹的检测(来自步骤74)，所有这些都在下面更详细地描述。
在第二阶段，如现在将参考的图9详述的，匹配器41可以基于来自第一阶段的结果更新每个轨迹的描述符(步骤60和62)。轨迹描述符中的两个字段促进了此阶段，布尔冻结标志和遗忘因子。当检测与轨迹匹配时，冻结标志为假，在此情况下，ekf36可以使用测量值(步骤66)和时间更新方程(步骤60和62)来更新(步骤70)轨迹，但仅在去除“异常值”(高于或低于阈值的值)之后(步骤69)。当没有检测与该轨迹匹配时，该冻结标志为真，在此情况下，ekf36可以仅使用时间更新方程来更新(步骤68)轨迹。遗忘因子是从某max_time参数朝向零计数的计数器，该max_time参数描述轨迹被保持而没有匹配的检测的最大容许时间。一旦达到零，轨迹被从轨迹储备(backlog)中去除。总结并返回参考图8，匹配器41的操作可以分为四个操作：
轨迹生长72：分配到现有轨迹的检测用于更新(生长)所分配的轨迹。在此情况下，匹配器41的输出是由分配的检测强化的描述符。此外，冻结标志和遗忘因子分别设置为‘假’和‘max_time’。
轨迹出生74：不与任何现有轨迹相关联的剩余的检测通过创建新的轨迹描述符来发起新的轨迹，该组模型38中的每个模型一个描述符，以检测作为用于每一个新轨迹的第一位置。
另外，作为对以下描述的方位中的众所周知的模糊的补救，匹配器41可以对方位查找表(lut)中的每个合法值发起轨迹，使得新的轨迹数是该组模型38中的模型的数量和方位lut中的合法方位值的数量的乘积。
对于每个新描述符，冻结标志和遗忘因子分别设置为‘假’和‘max_time’。
轨迹冻结76：由于若干原因可能会发生未分配给任何检测的轨迹，例如：(i)这不是真障碍物而是误报警，(ii)障碍物从雷达的fov离开，(iii)对象受到了地面特征或陆地覆盖的遮挡，以及(iv)误检测。在此情况下，匹配器41可以将冻结标志设置为真，并且可以将遗忘因子字段减少从最后的rdm开始经过的时间。
轨迹死亡78：当遗忘因子达到零，也就是，自匹配到此轨迹的最后检测开始，一旦max_time消逝了，则轨迹描述符被从轨迹数据库42去除，并且不发送到ekf36。
ekf36的目标是更新轨迹描述符。ekf36可以从匹配器41接收检测轨迹对的列表。检测用作用于ekf36的测量值更新方程(诸如方程3)的测量值zt，并且轨迹描述符描述这些测量值所分配至的动态模型。ekf36还从直升机20的导航系统接收形成ekf36的外部输入ut的部分的数据。使用测量值zt、控制向量ut和轨迹的动态模型(来自方程4)，ekf36可以更新位于轨迹描述符中的状态向量xt。轨迹描述符中的指针指示来自该组预定动态模型38中的哪个动态模型被用于当前轨迹。
ekf方程、时间更新和测量值更新对于线性和非线性动态模型方程，以及对于离散时间和连续时间演变，稍有不同。然而，这些方程组对于本领域技术人员来说是众所周知的，并且可以在文献中广泛地找到。
此外，ekf36可以根据由匹配器41设置的轨迹描述符中的布尔标志冻结标志来操作，如上所述。
如图9中所示，当冻结标志为‘真’时，ekf36可以在不增加任何新的测量值的情况下更新描述符。也就是说，它可以仅基于先前数据和时间戳并且仅使用时间更新方程来预测障碍物的位置。
当冻结标志为‘假’时，ekf36可使用匹配的检测计算测量值更新方程。
ekf36还可以基于“创新”的值(又名残差)和轨迹的估计的状态向量的标准偏差之间的比率来执行异常值拒绝测试(步骤69)。当创新超过标准偏差的某个倍数时，ekf36可以拒绝测量值更新并且可以仅使用时间更新方程来更新轨迹。这可以用于避免由于误配错误检测而使轨迹偏离。可以基于与期望值的偏差超过轨迹的标准偏差的倍数来识别错误检测或异常值。
参数提取器40可以检查在轨迹数据库中的轨迹的描述符，并且可以输出在雷达fov中的障碍物的列表，附有从轨迹描述符提取的一组参数(直接或间接)。
直接参数可以包括也立即由检测器/估计器31所导出的参数。然而，根据轨迹描述符对这些参数的估计常常随时间而得到改善，因为ekf36随着时间的推移更新这些参数，并且因此，在轨迹描述符中找到的参数值可能更准确。
例如，该障碍物的测得的方位可能由劣化snr的临时干扰恶化，在此情况下，测得的方位可以从真实方位偏离。由于方位是模型的隐含参数之一，并且是状态向量的条目之一，因此ekf36可以通过经由障碍物的动态模型加权组合噪声测量值、过去测量值(其可能更准确)和影响方位的其他参数来改善估计。结果，参数提取器40可以根据作为轨迹描述符的部分的状态向量输出方位值，而不是瞬时测得的方位值。
间接参数可包括在动态模型中涉及，但检测器/估计器31可能难以提取，的一组参数。例如，障碍物相对于雷达的相对高度，或者如果存在某种模糊性，则为真实方位。可以直接或间接地使用状态向量的元素提取该组间接参数。
示例性的间接参数可以是障碍物的仰角(elevation)γ，其可以使用关系
另一个例子是障碍物的目标签名(ts)，其包含(除其它外)在水平和竖直极化返回处的雷达截面(rcs)、以及rdm的内的目标半径的数值描述。可以通过替代障碍物的返回的大小(其由检测器/估计器31测量)及其在障碍物的rcs模型中相对于直升机20的位置(其对于导线和对于塔架而言是不同的)来提取rcs。
分类器42的目标可以基于参数提取器40的输出来决定障碍物类型(‘地’、‘塔架’、‘导线’或‘误报警’)。
显然，分类器42的最具信息性的参数是动态模型的类型。因此，分类器42可首先在参数提取器40的输出中读取动态模型的类型。这给出了障碍物的类型。然而，在许多情况下，用户可能对这种一般描述不满意并且希望有导线的或塔架的更详细的描述。在那种情况下，分类器42可以考虑参数提取器40的输出中的其他参数，诸如目标签名(ts)，并且可以将其与导线和塔架的预定义的目录进行比较。预定义的目录可以包括导线(例如，通过平行导线的数量、它们的布置、材料和直径而分类)和塔架(例如，通过它们的形状和材料而分类)的列表，以及对于每种类型的ts。分类器42可以选择其ts最接近由参数提取器40提取的ts的障碍物类型。例如，分类器42可以使用ts值作为特征，然后可以使用任何判别方法将相应的障碍物分类为四类，例如，使用主成分分析(pca)。
正如上文所提到的，某些类型的测量在测量过程中引入不可避免的“模运算”，这可能导致将测量值混叠到比真实值更低的值上。例如，当脉冲重复频率(prf)太高而不能直接采样距离时，或者在多普勒测量中，当prf太低而无法直接采样多普勒频率时，或者在干涉测量方位测量中，当天线之间的距离太宽而不能直接采样相位差时，这种情况发生在距离测量中。众所周知，为了避免方位中的模糊，两个天线之间的空间应小于波长的一半。然而，这并不总是可能的，并且导致模糊。
匹配器41可以通过采取以下步骤解决模糊：
对于每种可能的测量类型，可以准备查找表(lut)，其包含测量值可以采用的所有合法值。例如，现在参考的图10描述了使用两个天线的干涉测量来测量到达角(aoa)中的模糊曲线，其中天线之间的距离是9cm，其大于15厘米的波长的一半。在图10中，x轴是在-90到90度范围中的以度计的测得的方位，并且y轴是在相同范围中的以度计的真实方位。将理解，图10中的模糊意味着对于一些测得值而言不止单个可能的值。例如，对于60度(用102标记)的示例性的测得到达角，真实方位可以是-53.2度(用圆104标记)或60度(用圆106标记)。在此情况下，对60度的lut记录可以包含-53.2和60的值。基于测得的方位，lut中的其他记录也可以具有对于真实角度的多个值。
从实现的角度来看，可能通过对曲线进行近似并通过替代每个曲线中的测得的方位而提取可能的值，或通过数组，并在测得的方位未隐含地出现在lut中时内插2个最接近的值，来准备模糊lut。
在检测器/估计器31(图6)已经生成测量值之后，在模糊lut中寻找可能遭受模糊的每个值。如果lut指示单个合法值(即，没有模糊且合法值是测得的值)，则仅发起单个轨迹。如果存在多于单个合法值，则对于每个合法值，匹配器41可以发起不同的轨迹。如果存在多个模糊测量值，则匹配器41可以为每个模糊测量值保持不同的轨迹。例如，如果方位中存在模糊并且距离中存在模糊，使得方位的模糊lut和距离的模糊lut指示对于方位的两个有效值和对于距离的两个有效值，则匹配器41可以发起四个轨迹，因为存在方位和距离的有效值的四种组合。这个想法是，那些保持为错误值的轨迹将在短时间后消失，因为模糊测量值的错误值将与障碍物的动态模型不匹配。
除非特别声明，否则如从前面的讨论中显而易见的，应该理解的是，在整个说明书中，利用诸如“处理”、“计算”、“推算”、“确定”等的术语的讨论是指任何类型的通用计算机的动作和/或过程，该通用计算机是诸如客户端/服务器系统、移动计算设备、智能设备或类似的电子计算设备，其将计算系统的寄存器和/或存储器内的表示为物理(诸如电子)量的数据操纵和/或转换为计算系统的存储器、寄存器或其他此类信息储存、传输或显示设备内的类似地表示为物理量的其他数据。
本发明的实施例可以包括用于执行于此的操作的装置。该装置可以为所需目的而专门构造，或者它可以包括由存储在计算机中的计算机程序选择性地激活或重新配置的通用计算机。当由软件指令时，所得到的装置可以将通用计算机变成如于此所讨论的发明元件。指令可以定义与期望的计算机平台一起操作的本发明的设备。这样的计算机程序可以储存在计算机可读储存介质中，诸如但不限于任何类型的盘，包括光盘、磁光盘、只读存储器(rom)、易失性和非易失性存储器、随机存取存储器(ram)、电可编程只读存储器(eprom)、电可擦除和可编程只读存储器(eeprom)、磁卡或光卡、闪存，钥匙盘(disk-on-key)或适用于存储电子指令并且能够耦合到计算机系统总线的任何其他类型的介质。
于此所提出的处理和显示并不固有地与任何特定计算机或其它装置相关。根据于此的教导，各种通用系统可以与程序一起使用，或者可以证明构造更专用的装置以执行期望的方法是方便的。从下面的描述中可以看出各种这些系统的所需结构。另外，没有参考任何特定编程语言来描述本发明的实施例。将理解，可以使用各种编程语言来实现如于此所述的本发明的教导。
尽管已经于此示出和描述了本发明的某些特征，但是对于本领域技术人员来说，将出现许多修改、替换、改变和等同物。因此，应当理解，所附权利要求旨在涵盖落入本发明的真正精神内的所有这些修改和变化。
- 还没有人留言评论。精彩留言会获得点赞！