交互式多模型-无迹卡尔曼滤波IMM-UKF——CV/CT/CA模型交互机动目标跟踪(模型维数不同IMM算法设计)
交互式多模型-无迹卡尔曼滤波IMM-UKF——CV/CT/CA模型交互机动目标跟踪(模型维数不同IMM算法设计)
原创不易,路过的各位大佬请点个赞
针对机动目标跟踪的探讨、技术支持欢迎联系,也可以站内私信
WX: ZB823618313
交互式多模型-无迹卡尔曼滤波IMM-UKF——CV/CT/CA模型交互机动目标跟踪(模型维数不同IMM算法设计)
- 交互式多模型-无迹卡尔曼滤波IMM-UKF——CV/CT/CA模型交互机动目标跟踪(模型维数不同IMM算法设计)
- 1. 难点分析
- 2. 设计思路/解决方案
- 2.1 CV模型: ${X}=[x, y, \dot{x}, \dot{y}]^T$
- 2.2 CT模型: ${X}=[x, y, \dot{x}, \dot{y}]^T$
- 2.3 CA模型 :${X}=[x, x, \dot{x},\dot{y},\ddot{x}, \ddot{y}]^T$
- 2.4 IMM滤波器状态维数设计
- 2.5 IMM各模型滤波器设计
- 3. IMM-UKF仿真实现
- 3.1. 仿真参数
- 3.2. 跟踪轨迹
- 3.3. 位置/速度RMSE
- 4.4. 模型概率
- 4.5. 部分代码
基于IMM机动目标跟踪算法设计最重要的核心部分主要包括:
- IMM框架
- 滤波器选择:(这里基于UKF)
- 目标运动模型:(这里基于CV CT)
1. 难点分析
针对机动目标跟踪问题,如果交互式多模型IMM框架、如模型转移概率、模型集合以及模型概率初始等确定时,IMM算法的实现(设计)主要存在两大难点:
1- 非线性滤波器的选择和集成
2- 模型集合多样、不统一
在IMM算法设计中,模型多样最直接的一个问题就是戈尔戈模型的状态维数不同,而IMM 的总体(混合)估计却只存在一个统一的状态维数,因此这就导致了很多模型组合不能直接适用于IMM 算法中。
以二维目标为例,CV模型的状态维数4,而CA模型的状态维数6,CT模型的状态维数存在两种情形4和5,singer模型状态维数为6,Jerk模型的状态维数为8,等等。这直接导致IMM滤波器状态失配。
2. 设计思路/解决方案
以典型组合
模型1:匀速运动CV(4维)
模型2:匀速转弯运动CT(4维)
模型3:匀加速运动CA(6维)
为例,进行分析。
其它不同维数的模型组合可以基于该思想,很容易的推广。哈哈哈哈哈哈啊哈哈哈,一学就会,…
2.1 CV模型: X=[x,y,x˙,y˙]T{X}=[x, y, \dot{x}, \dot{y}]^TX=[x,y,x˙,y˙]T
Xk+1=[10T0010T00100001]Xk+WkX_{k+1}=\begin{bmatrix}1&0&T&0\\0&1&0&T\\0&0&1&0\\0&0&0&1 \end{bmatrix}X_{k} + W_k Xk+1=⎣⎢⎢⎡10000100T0100T01⎦⎥⎥⎤Xk+Wk
其中WkW_kWk为零均值白噪声,其方差为:
Qk=qk2[T3/3T2/200T2/2T0000T3/3T2/200T2/2T]Q_k=q_k^2\begin{bmatrix}T^3/3&T^2/2&0&0 \\T^2/2&T&0&0 \\0&0&T^3/3&T^2/2 \\0&0& T^2/2&T\end{bmatrix}Qk=qk2⎣⎢⎢⎡T3/3T2/200T2/2T0000T3/3T2/200T2/2T⎦⎥⎥⎤
定义矩阵
Fk1=[10T0010T00100001]Fk_1=\begin{bmatrix}1&0&T&0\\0&1&0&T\\0&0&1&0\\0&0&0&1 \end{bmatrix}Fk1=⎣⎢⎢⎡10000100T0100T01⎦⎥⎥⎤, Fkcv=[Fk102]Fk_{cv}=\begin{bmatrix}Fk_1& \\& 0_2 \end{bmatrix}Fkcv=[Fk102]
2.2 CT模型: X=[x,y,x˙,y˙]T{X}=[x, y, \dot{x}, \dot{y}]^TX=[x,y,x˙,y˙]T
Xk+1=[1sin(ωT)ω0−1−cos(ωT)ω0cos(ωT)0−sin(ωT)01−cos(ωT)ω1sin(ωT)ω0sin(ωT)0cos(ωT)]Xk+WkX_{k+1}=\begin{bmatrix}1&\frac{\sin(\omega T)}{\omega}&0&-\frac{1-\cos(\omega T)}{\omega}\\0&\cos(\omega T)&0&-\sin(\omega T)\\0&\frac{1-\cos(\omega T)}{\omega}&1&\frac{\sin(\omega T)}{\omega}\\0&\sin(\omega T)&0&\cos(\omega T)\end{bmatrix}X_{k} + W_k Xk+1=⎣⎢⎢⎡1000ωsin(ωT)cos(ωT)ω1−cos(ωT)sin(ωT)0010−ω1−cos(ωT)−sin(ωT)ωsin(ωT)cos(ωT)⎦⎥⎥⎤Xk+Wk
其中WkW_kWk为零均值白噪声,其方差为:
Qk=qk2[T3/3T2/200T2/2T0000T3/3T2/200T2/2T]Q_k=q_k^2\begin{bmatrix}T^3/3&T^2/2&0&0 \\T^2/2&T&0&0 \\0&0&T^3/3&T^2/2 \\0&0& T^2/2&T\end{bmatrix}Qk=qk2⎣⎢⎢⎡T3/3T2/200T2/2T0000T3/3T2/200T2/2T⎦⎥⎥⎤
或者为(两种形式都可以用,下面一代码形式给出)
Qk= q2*[2*(w1*T-sin(w1*T))/w1^3 0 (1-cos(w1*T))/w1^2 (w1*T-sin(w1*T))/w1^2 ;0 2*(w1*T-sin(w1*T))/w1^3 -(w1*T-sin(w1*T))/w1^2 (1-cos(w1*T))/w1^2 ;(1-cos(w1*T))/w1^2 -(w1*T-sin(w1*T))/w1^2 T 0 ;(w1*T-sin(w1*T))/w1^2 (1-cos(w1*T))/w1^2 0 T;];
定义矩阵
Fk2=[1sin(ωT)ω0−1−cos(ωT)ω0cos(ωT)0−sin(ωT)01−cos(ωT)ω1sin(ωT)ω0sin(ωT)0cos(ωT)]Fk_2=\begin{bmatrix}1&\frac{\sin(\omega T)}{\omega}&0&-\frac{1-\cos(\omega T)}{\omega}\\0&\cos(\omega T)&0&-\sin(\omega T)\\0&\frac{1-\cos(\omega T)}{\omega}&1&\frac{\sin(\omega T)}{\omega}\\0&\sin(\omega T)&0&\cos(\omega T)\end{bmatrix}Fk2=⎣⎢⎢⎡1000ωsin(ωT)cos(ωT)ω1−cos(ωT)sin(ωT)0010−ω1−cos(ωT)−sin(ωT)ωsin(ωT)cos(ωT)⎦⎥⎥⎤, Fkct=[Fk202]Fk_{ct}=\begin{bmatrix}Fk_2& \\& 0_2 \end{bmatrix}Fkct=[Fk202]
2.3 CA模型 :X=[x,x,x˙,y˙,x¨,y¨]T{X}=[x, x, \dot{x},\dot{y},\ddot{x}, \ddot{y}]^TX=[x,x,x˙,y˙,x¨,y¨]T
Xk+1=[10T0T2/20010T0T2/20010T000010T000010000001]Xk+WkX_{k+1}=\begin{bmatrix}1&0&T&0&T^2/2&0\\0&1&0&T&0&T^2/2\\0&0&1&0&T&0 \\0&0&0&1&0&T \\0&0&0&0&1&0 \\0&0&0&0&0&1 \end{bmatrix}X_{k} + W_k Xk+1=⎣⎢⎢⎢⎢⎢⎢⎡100000010000T010000T0100T2/20T0100T2/20T01⎦⎥⎥⎥⎥⎥⎥⎤Xk+Wk
其中WkW_kWk为零均值白噪声,其方差为:
Qk3=q3^2*[T^5/20 0 T^4/8 0 T^3/6 0;0 T^5/20 0 T^4/8 0 T^3/6;T^4/8 0 T^3/3 0 T^2/2 0;0 T^4/8 0 T^3/3 0 T^2/2;T^3/6 0 T^2/2 0 T 00 T^3/6 0 T^2/2 0 T];
定义矩阵
Fk3=[10T0T2/20010T0T2/20010T000010T000010000001]Fk_3=\begin{bmatrix}1&0&T&0&T^2/2&0\\0&1&0&T&0&T^2/2\\0&0&1&0&T&0 \\0&0&0&1&0&T \\0&0&0&0&1&0 \\0&0&0&0&0&1 \end{bmatrix}Fk3=⎣⎢⎢⎢⎢⎢⎢⎡100000010000T010000T0100T2/20T0100T2/20T01⎦⎥⎥⎥⎥⎥⎥⎤, Fkca=Fk3Fk_{ca}=Fk_3Fkca=Fk3
2.4 IMM滤波器状态维数设计
滤波状态设计为:
X=[x,x,x˙,y˙,x¨,y¨]T{X}=[x, x, \dot{x},\dot{y},\ddot{x}, \ddot{y}]^TX=[x,x,x˙,y˙,x¨,y¨]T
目标真实航迹生成方程:
第一阶段:
Xk+1=FkcvXk+WkX_{k+1}=Fk_{cv}X_{k} + W_k Xk+1=FkcvXk+Wk
第二阶段:
Xk+1=FkctXk+WkX_{k+1}=Fk_{ct}X_{k} + W_k Xk+1=FkctXk+Wk
第三阶段:
Xk+1=FkcaXk+WkX_{k+1}=Fk_{ca}X_{k} + W_k Xk+1=FkcaXk+Wk
代码:
%% 产生真实轨迹for k=1:t1X=Fk_cv*X+Gk_cv*sqrtm(Qk1)*randn(4,1); %产生真实轨迹X_true(:,k,index)=X;endfor k=t1+1:t2X=Fk_ct*X+Gk_ct*sqrtm(Qk2)*randn(4,1);X_true(:,k,index)=X;endfor k=t2+1:stepsX=Fk3*X+Gk_ca*sqrtm(Qk3)*randn(6,1);X_true(:,k,index)=X;end
这样目标状态统一为X=[x,x,x˙,y˙,x¨,y¨]T{X}=[x, x, \dot{x},\dot{y},\ddot{x}, \ddot{y}]^TX=[x,x,x˙,y˙,x¨,y¨]T 6维,实际上在CV和CT运动模型中,FkctFk_{ct}Fkct和FkcvFk_{cv}Fkcv最后两行均为0,因此CVCT模型对加速并没有产生任何作用,加速度的引入只是为了满足状态维数。
同样,GkctGk_{ct}Gkct和GkcvGk_{cv}Gkcv最后两行均为0,为6x4的矩阵,为了让CVCT的4路噪声满足6维状态。
存在的问题:这样用0对齐维数,直接导致CV和CT的过程噪声方差奇异、进而导致滤波估计协方差奇异,使得矩阵分解失败、没办法产生采样点。(目标大多数非线性滤波器都是基于矩近似的采样滤波,e.g.,UKF,CKF,DDF,QKF…)
2.5 IMM各模型滤波器设计
思路:采用变维思想。针对不同模型的局部滤波器,只对该模型真实包含的状态进行滤波更新,其余状态保持不变。
CV模型局部滤波:x^k∣kcv=[x^k∣k(1),x^k∣k(2),x^k∣k(3),x^k∣k(4)]T\hat{x}_{k|k}^{cv}=[\hat{x}_{k|k}(1), \hat{x}_{k|k}(2), \hat{x}_{k|k}(3),\hat{x}_{k|k}(4)]^Tx^k∣kcv=[x^k∣k(1),x^k∣k(2),x^k∣k(3),x^k∣k(4)]T
x^k∣kcv=x^k∣k−1cv+Kz(zk−z^k∣k−1)Pk∣kcv=Pk∣k−1−KkSkKk′(5)\textcolor{#FF0000}{ \begin{aligned} \hat{x}_{k|k}^{cv}&=\hat{x}_{k|k-1}^{cv}+K_z\left(z_k-\hat{z}_{k|k-1}\right)\\ P_{k\mid k}^{cv}&=P_{k\mid k-1}-K_kS_kK_k' \end{aligned}} \tag{5}x^k∣kcvPk∣kcv=x^k∣k−1cv+Kz(zk−z^k∣k−1)=Pk∣k−1−KkSkKk′(5)
注意:滤波中采用的参数矩阵为Fk1∈R4Fk1\in\mathbb{R}^4Fk1∈R4,Qk1∈R4Qk1\in\mathbb{R}^4Qk1∈R4,上面右定义并给出。
CT模型局部滤波:x^k∣kct=[x^k∣k(1),x^k∣k(2),x^k∣k(3),x^k∣k(4)]T\hat{x}_{k|k}^{ct}=[\hat{x}_{k|k}(1), \hat{x}_{k|k}(2), \hat{x}_{k|k}(3),\hat{x}_{k|k}(4)]^Tx^k∣kct=[x^k∣k(1),x^k∣k(2),x^k∣k(3),x^k∣k(4)]T
x^k∣kct=x^k∣k−1ct+Kz(zk−z^k∣k−1)Pk∣kct=Pk∣k−1−KkSkKk′(5)\textcolor{#FF0000}{ \begin{aligned} \hat{x}_{k|k}^{ct}&=\hat{x}_{k|k-1}^{ct}+K_z\left(z_k-\hat{z}_{k|k-1}\right)\\ P_{k\mid k}^{ct}&=P_{k\mid k-1}-K_kS_kK_k' \end{aligned}} \tag{5}x^k∣kctPk∣kct=x^k∣k−1ct+Kz(zk−z^k∣k−1)=Pk∣k−1−KkSkKk′(5)
注意:滤波中采用的参数矩阵为Fk2∈R4Fk2\in\mathbb{R}^4Fk2∈R4,Qk2∈R4Qk2\in\mathbb{R}^4Qk2∈R4,上面右定义并给出。
CA模型局部滤波:x^k∣kca=x^k∣k\hat{x}_{k|k}^{ca}=\hat{x}_{k|k}x^k∣kca=x^k∣k
x^k∣kca=x^k∣k−1ca+Kz(zk−z^k∣k−1)Pk∣kca=Pk∣k−1−KkSkKk′(5)\textcolor{#FF0000}{ \begin{aligned} \hat{x}_{k|k}^{ca}&=\hat{x}_{k|k-1}^{ca}+K_z\left(z_k-\hat{z}_{k|k-1}\right)\\ P_{k\mid k}^{ca}&=P_{k\mid k-1}-K_kS_kK_k' \end{aligned}} \tag{5}x^k∣kcaPk∣kca=x^k∣k−1ca+Kz(zk−z^k∣k−1)=Pk∣k−1−KkSkKk′(5)
注意:滤波中采用的参数矩阵为Fk3∈R4Fk3\in\mathbb{R}^4Fk3∈R4,Qk3∈R4Qk3\in\mathbb{R}^4Qk3∈R4,上面右定义并给出。
代码实现:
%filer1
[xk_UKF1,Pk_UKF1,A_UKF1] = fun_2UKF_cvct(X_update_hat1,P_update_hat1,Fk1,Gk1,Z_true(:,k,index),Qk1,sigma_r,sigma_b,xp(:,1));%filer2
[xk_UKF2,Pk_UKF2,A_UKF2] = fun_2UKF_cvct(X_update_hat2,P_update_hat2,Fk2,Gk2,Z_true(:,k,index),Qk2,sigma_r,sigma_b,xp(:,1));%filer3
[xk_UKF3,Pk_UKF3,A_UKF3] = fun_2UKF(X_update_hat3,P_update_hat3,Fk3,Gk3,Z_true(:,k,index),Qk3,sigma_r,sigma_b,xp(:,1));
3. IMM-UKF仿真实现
3.1. 仿真参数
一、目标模型:CV CT CA
第一阶段:1:39s,匀速运动CV
第二阶段:40:91s,匀速圆周运动CT,角速度:5∗π/180;5*\pi/180;5∗π/180;
第三阶段:92:150s,匀加速运动CA
t1=39; t2=91; t3=steps;%% 产生真实轨迹for k=1:t1X=Fk_cv*X+Gk_cv*sqrtm(Qk1)*randn(4,1); %产生真实轨迹X_true(:,k,index)=X;endfor k=t1+1:t2X=Fk_ct*X+Gk_ct*sqrtm(Qk2)*randn(4,1);X_true(:,k,index)=X;endfor k=t2+1:stepsX=Fk3*X+Gk_ca*sqrtm(Qk3)*randn(6,1);X_true(:,k,index)=X;end
二、测量模型:2D主动雷达
在二维情况下,雷达量测为距离和角度
rkm=rk+r~kbkm=bk+b~k{r}_k^m=r_k+\tilde{r}_k\\ b^m_k=b_k+\tilde{b}_krkm=rk+r~kbkm=bk+b~k
其中
rk=(xk−x0)+(yk−y0)2)bk=tan−1yk−y0xk−x0r_k=\sqrt{(x_k-x_0)^+(y_k-y_0)^2)}\\ b_k=\tan^{-1}{\frac{y_k-y_0}{x_k-x_0}}\\ rk=(xk−x0)+(yk−y0)2)bk=tan−1xk−x0yk−y0
[x0,y0][x_0,y_0][x0,y0]为雷达坐标,一般情况为0。雷达量测为zk=[rk,bk]′z_k=[r_k,b_k]'zk=[rk,bk]′。雷达量测方差为
Rk=cov(vk)=[σr200σb2]R_k=\text{cov}(v_k)=\begin{bmatrix}\sigma_r^2 & 0 \\0 & \sigma_b^2 \end{bmatrix}Rk=cov(vk)=[σr200σb2]且σr=70m\sigma_r=70mσr=70m, σb=0.3o\sigma_b=0.3^oσb=0.3o。
三、性能评估
RMSE(Root mean-squared error):蒙塔卡罗次数M=500M=500M=500,x^k∣ki\hat{x}_{k|k}^ix^k∣ki为第iii次仿真得到的估计。
RMSE(x^)=1M∑i=1M(xk−x^k∣ki)(xk−x^k∣ki)′\text{RMSE}(\hat{x})=\sqrt{\frac{1}{M}\sum_{i=1}^{M}(\mathbf{x}_k-\hat{\mathbf{x}}_{k|k}^i)(\mathbf{x}_k-\hat{\mathbf{x}}_{k|k}^i)'}RMSE(x^)=M1i=1∑M(xk−x^k∣ki)(xk−x^k∣ki)′
Position RMSE(x^)=1M∑i=1M(xk−x^k∣ki)2+(yk−y^k∣ki)2\text{Position RMSE}(\hat{x})=\sqrt{\frac{1}{M}\sum_{i=1}^{M}(x_k-\hat{x}_{k|k}^i)^2+(y_k-\hat{y}_{k|k}^i)^2}Position RMSE(x^)=M1i=1∑M(xk−x^k∣ki)2+(yk−y^k∣ki)2
Velocity RMSE(x^)=1M∑i=1M(x˙k−x˙^k∣ki)2+(y˙k−y˙^k∣ki)2\text{Velocity RMSE}(\hat{x})=\sqrt{\frac{1}{M}\sum_{i=1}^{M}(\dot{x}_k-\hat{\dot{x}}_{k|k}^i)^2+(\dot{y}_k-\hat{\dot{y}}_{k|k}^i)^2}Velocity RMSE(x^)=M1i=1∑M(x˙k−x˙^k∣ki)2+(y˙k−y˙^k∣ki)2
ANEES(average normalized estimation error square),nnn 为状态维数,Pk∣ki\mathbf{P}_{k|k}^iPk∣ki为第iii次仿真滤波器输出的估计协方差
3.2. 跟踪轨迹
3.3. 位置/速度RMSE
4.4. 模型概率
4.5. 部分代码
%模型概率初始化
m=[0.8;0.1;0.1];
%模型转移概率
Pa=[0.8 0.1 0.1;0.1 0.8 0.1;0.1 0.1 0.8;];
Pa=[0.9 0.05 0.05;0.05 0.9 0.05;0.05 0.05 0.9;];%误差存储
X_true=zeros(4,steps,runs);
Z_true=zeros(2,steps,runs);
X_err_IMM=zeros(4,steps,runs);
X_IMM=zeros(4,steps,runs);
PI=zeros(3,steps,runs);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%randn('state',sum(100*clock)); %每次给不同的状态重置随机数产生器(因为clock每次都不同)%%for index=1:runs %蒙特卡洛次数index %显示运行次数%滤波初始化X=X_aver_zero+sqrtm(P_zero)*randn(4,1);%产生真实X0%三个滤波器的初始化 xk_UKF1=X_aver_zero; %X(0|0)= X_aver_zeroPk_UKF1=P_zero; %P(0|0)= P_zeroxk_UKF2=X_aver_zero;Pk_UKF2=P_zero;xk_UKF3=X_aver_zero;Pk_UKF3=P_zero;t1=39; t2=91; t3=99;t4=131;t5=steps;%% 产生真实轨迹for k=1:t1X=Fk1*X+Gk*sqrtm(Qk1)*randn(4,1); %产生真实轨迹X_true(:,k,index)=X;endfor k=t1+1:t2X=Fk2*X+Gk*sqrtm(Qk2)*randn(4,1);X_true(:,k,index)=X;endfor k=t2+1:stepsX=Fk1*X+Gk*sqrtm(Qk1)*randn(4,1);X_true(:,k,index)=X;end
% % for k=t3+1:t4
% % X=Fk3*X+Gk*sqrtm(Qk3)*randn(4,1);
% % X_true(:,k,index)=X;
% % end
% % for k=t4+1:t5
% % X=Fk1*X+Gk*sqrtm(Qk1)*randn(4,1);
% % X_true(:,k,index)=X;
% % end%% 状态递归实现for k=1:stepsv=normrnd(v_mu,[sigma_r; sigma_b]);%雷达噪声% 雷达测量[r,b] = measurements2(X_true(:,k,index),xp(:,1)); %rm=距离,bm=角度 dm=多普勒速度rm=r+v(1);bm=b+v(2);Z_true(:,k,index)=[rm,bm]';
原创不易,路过的各位大佬请点个赞
交互式多模型-无迹卡尔曼滤波IMM-UKF——CV/CT/CA模型交互机动目标跟踪(模型维数不同IMM算法设计)相关推荐
- 交互式多模型-扩展卡尔曼滤波IMM-EKF——机动目标跟踪中的应用
交互式多模型-扩展卡尔曼滤波IMM-EKF--机动目标跟踪中的应用 原创不易,路过的各位大佬请点个赞 针对机动目标跟踪的探讨.技术支持欢迎联系,也可以站内私信 WX: ZB823618313 机动目标 ...
- 交互式多模型-无迹卡尔曼滤波IMM-UKF算法matlab实现(跟踪场景二)
交互式多模型-无迹卡尔曼滤波IMM-UKF算法matlab实现--机动目标跟踪 原创不易,路过的各位大佬请点个赞 针对机动目标跟踪的探讨.技术支持欢迎联系,也可以站内私信 WX: ZB82361831 ...
- 交互式多模型算法IMM——机动目标跟踪中的应用
机动目标跟踪--交互式多模型算法IMM 原创不易,路过的各位大佬请点个赞 WX: ZB823618313 机动目标跟踪--交互式多模型算法IMM 机动目标跟踪--交互式多模型算法IMM 1. 对机动目 ...
- 滤波笔记三:无迹卡尔曼滤波(UKF)
参考资料: 无迹卡尔曼滤波(UKF)超详细解释_咸鱼.m的博客-CSDN博客_ukf https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in- ...
- 滤波算法 | 无迹卡尔曼滤波(UKF)算法及其MATLAB实现
目录 简介 UKF滤波 滤波流程和公式 MATLAB程序 结论 简介 本文接着分享位姿跟踪和滤波算法中用到的一些常用程序,希望为后来者减少一些基础性内容的工作时间.以往分享总结见文章:位姿跟踪 | 相 ...
- 交互式多模型-粒子滤波IMM-PF—在机动目标跟踪中的应用/matlab实现
交互式多模型-粒子滤波IMM-PF-在机动目标跟踪中的应用/matlab实现 原创不易,路过的各位大佬请点个赞 WX: ZB823618313 交互式多模型-粒子滤波IMM-PF-在机动目标跟踪中的应 ...
- 机动目标跟踪——目标模型概述(匀速运动CV模型)
机动目标跟踪--目标模型概述 原创不易,路过的各位大佬请点个赞 WX: ZB823618313 机动目标跟踪--目标模型概述 机动目标跟踪--目标模型概述 1. 对机动目标跟踪的理解 2. 目标模型概 ...
- 机动目标跟踪——匀速运动CV模型
机动目标跟踪--匀速运动CV模型 原创不易,路过的各位大佬请点个赞 WX: ZB823618313 机动目标跟踪--目标模型概述 机动目标跟踪--匀速运动CV模型 1. 对机动目标跟踪的理解 2. 目 ...
- 机动目标跟踪——匀加速运动CA模型(二维)
机动目标跟踪--匀加速运动CA模型(二维) 原创不易,路过的各位大佬请点个赞 WX: ZB823618313 机动目标跟踪--目标模型概述 机动目标跟踪--匀加速运动CA模型(二维) 1. 对机动目标 ...
- 机动目标跟踪—匀速转弯CT模型/匀速圆周运动
机动目标跟踪-匀速转弯CT模型/匀速圆周运动 原创不易,路过的各位大佬请点个赞 针对机动目标跟踪的探讨.技术支持欢迎联系,也可以站内私信 WX: ZB823618313 机动目标跟踪-匀速转弯CT模型 ...
最新文章
- 智源沙龙:人工智能的技术发展与投资
- 零基础如何学爬虫技术?
- 红旗linux添加usb无线网卡,在Ubuntu 8.10中安装无线网卡RTL8187SE驱动
- java输出减法表,Calendarjava时间加减法和格式化输出
- ISA 2006利用Bandwidth Splitter定制带宽和限制流量
- HDU 4422 The Little Girl who Picks Mushrooms(简单题)
- 配置Windows server 用户和组权限实验详解
- 一个在ns3平台基于UDP协议实现的拥塞控制仿真框架
- 天原笔记(3)气旋与反气旋
- 网络通信详解-深入浅出
- angularjs2学习教程
- 机器学习中的分类算法
- 趋势面法优缺点_趋势面分析法
- JVM进阶(十二):JAVA 可视化分析工具实战
- 三国志战略版:Daniel_平民福音-“黑科技阵法”三势阵
- (C语言)字符串函数strcpy和strlen的实现,以及简单的文字编程题(派大星看了都会写)
- 好牛逼的技术——Android运行时Crash自动恢复框架:Recovery
- 设计 | 最新免费无版权可商用字体下载
- 北斗三号频点_【导航论坛】北斗三号卫星导航信号及接收策略
- thinkphp5多级控制器及其使用
热门文章
- 程序员常用英语单词汇总
- 吴翰清​(道哥)眼中的机器智能:计算机的再发展
- 在Mac上将移动磁盘格式化为FAT32分区
- 无人机基础知识:多旋翼无人机自动控制原理与算法
- php 连接局域网打印机,如何添加局域网打印机?局域网打印机添加方法介绍
- 星岚技术 Win7 x64 无精简完整版 V2020.11
- 神是什么?神即道 道法自然 如来 ---《天道》王志文饰丁元英 左小青饰芮小丹
- MXF Operational Pattern 1a (OP1a)
- spss可以关键词词频分析吗_词频分析研究的现状、方法及工具,你值得拥有
- 093 一个人的固执里,藏着低水平的认知