Sensor Fusion and Tracking Toolbox

 

Sensor Fusion and Tracking Toolbox

设计、仿真和测试多传感器跟踪和定位系统

开始:

监控系统跟踪

从安装在固定平台和移动平台上的有源和无源传感器获取数据,使用这些数据跟踪监控区域目标。

空域监测

从雷达、ADS-B 和 EO/IR 传感器等有源和无源传感器获取数据,使用这些数据跟踪多个目标。针对机动目标,您可以自定义跟踪器。

雷达系统沿航线跟踪飞机。

基于地心场景跟踪飞机。

空间监测

使用从雷达传感器获取的数据跟踪多个星载目标,实现空间态势感知。您可以配置跟踪器,以使用开普勒运动模型或其他轨道模型。

雷达系统跟踪绕地飞行的太空垃圾。

使用开普勒运动模型跟踪太空垃圾。

地面监测和海上监测

使用高分辨率雷达和激光雷达传感器,在陆基和海上应用中跟踪扩展目标。

使用激光雷达跟踪扩展目标。

自主系统跟踪

使用摄像头、雷达和激光雷达数据跟踪扩展目标,改进自动驾驶车辆的感知系统。融合来自多个传感器的点云、检测和轨道,估计这些目标的位置、运动学特性、范围和方向。

单传感器跟踪

对多目标跟踪器进行建模和仿真,以执行智能传感器所需的处理。这类处理包括将原始数据转换为目标跟踪列表。

使用基于激光雷达点云生成的三维边界框跟踪目标。

集中融合

使用融合多个传感器和传感器模态数据的集中跟踪器,对扩展目标进行跟踪。使用概率假设密度 (PHD) 跟踪器,估计移动目标的运动学特性以及目标的尺寸和方向。在复杂的城市环境中,实现基于网格的随机有限集 (RFS) 跟踪器跟踪每个网格单元的空间使用量及其运动学特性。

在城市驾驶场景中使用动态占据栅格地图。

轨道级融合

融合多个跟踪源的轨道,更全面地估计环境。评估轨道间融合架构,可针对带宽受限的系统,以及利用谣传控制来消除过时结果的系统。

激光雷达和雷达传感器的轨道级融合。

多目标跟踪

集成并配置卡尔曼和粒子滤波器、数据关联算法及多传感器多目标跟踪器。对所跟踪目标持一个或多个假设。

估计滤波器和数据关联

工具箱提供多种可用于估计目标状态的估计滤波器,包括线性和非线性卡尔曼滤波器、多模型滤波器和粒子滤波器。查找二维分配问题或 S 维分配问题的最佳解或 k-最佳解。在检测与检测、检测与轨道、轨道与轨道之间进行分配。

多个传感器跟踪单个目标在覆盖范围的移动。

使用非高斯滤波器进行纯距离跟踪。

多目标跟踪器

将估计滤波器、分配算法和轨道管理逻辑集成到多目标跟踪器中,以将检测融合到轨道。将传感器数据转换为检测值格式,使用全局最近邻 (GNN) 跟踪器处理简单场景。针对较难处理的场景,如跟踪测量不明确的密集目标,也可以轻松改用联合概率数据关联跟踪器 (JPDA)、多假设跟踪器 (MHT) 或 PHD 跟踪器。

跟踪测量不明确的密集目标。

扩展目标和基于网格的跟踪器

使用 PHD 跟踪器跟踪扩展目标的运动学特性、大小和方向。利用激光雷达和雷达点云等高分辨率传感器数据,通过基于网格的 RFS 跟踪器进行跟踪,估计复杂城市环境中网格单元的动态特征。

基于尺寸和方向估计跟踪扩展目标。

集中跟踪与分散跟踪

建立集中跟踪架构和分散跟踪架构,在通信带宽限制内融合传感器报告。使用不同的方法进行状态和状态协方差融合。

轨道级融合

融合由跟踪传感器或其他轨道间融合目标生成的轨道。在带宽受限的系统中设计分散跟踪系统。抑制谣传,消除过时的跟踪器结果。

融合架构

探索跟踪器架构,评估轨道间融合、中心级跟踪与混合跟踪架构之间的设计权衡。通过静态(检测)融合对纯角度传感器和纯距离传感器(如 IR、ESM 或双基雷达)的检测进行整合。

分布式同步无源传感器,使用纯角度检测来跟踪多个目标。

使用分布式同步无源传感器进行跟踪。

跟踪场景仿真

生成传感器报告以测试跟踪系统。定义多平台场景,使用基于航点和基于运动学特性的轨迹为每个平台生成运动性能曲线。将传感器模型和签名关联到每个平台,采用统计方法来模拟报告。通过蒙特卡罗模拟得出仿真真值,用以验证和确认跟踪系统。

目标轨迹和姿态生成

使用跟踪场景设计器交互式定义场景,生成 MATLAB 脚本,在不同参考系中定义并转换目标的真实位置、速度和方向。

有源和无源传感器模型

对有源传感器(包括雷达、声纳和激光雷达)进行建模,生成目标检测。仿真方位角和/或仰角的机械和电子扫描。对雷达预警接收机 (RWR)、电子支持测量 (ESM)、无源声纳和红外传感器进行建模,生成用于跟踪场景的纯角度检测。使用发射器和传感器对多基雷达和声纳系统进行建模。

使用多基传感器进行跟踪。

蒙特卡罗模拟

使用不同的随机噪声值进行蒙特卡罗模拟。扰动真值和传感器配置,提高测试稳健性。

扰动轨迹和传感器,生成测试数据。

跟踪平台定位

执行 IMU、GPS 和高度计传感器融合,确定方向和位置随时间发生的变化,同时启用移动平台跟踪。使用针对不同传感器配置、输出要求和运动约束进行优化的算法,估计惯性导航系统 (INS) 的方向和位置随时间发生的变化。

INS 传感器模型

对惯性测量单元 (IMU)、GPS、高度计和 INS 传感器进行建模。调整温度等环境参数以及模型的噪声属性,以模拟真实环境。

使用 IMU 和 GPS 传感器生成数据,用于开发和测试惯性融合算法。

对 IMU 和 GPS 传感器进行建模,测试惯性融合算法。

方向估计

将加速度计与磁力计读数融合以仿真电子罗盘 (eCompass)。借助航姿参考系统 (AHRS) 滤波器实现加速度计、陀螺仪和磁力计读数融合,用以估计方向。

通过融合惯性传感器估计平台方向。

姿态估计

使用惯性传感器和 GPS 估计姿态,无论是否具备非完整航向约束。将惯性传感器与高度计或视觉里程计融合,在不具备 GPS 的情况下确定姿态。

在 GPS 受限的环境中,使用视觉惯性测距法定位自主车辆。

使用融合的 IMU 和摄像头数据进行视觉惯性测距。

可视化和分析

根据真值对跟踪系统性能开展分析和评估。

场景可视化

绘制目标方向和速度、真值轨迹、传感器测量值和三维轨迹。绘制检测和跟踪不确定性。使用历史踪迹可视化轨道 ID。

在具有三个传感器和多个目标的多平台场景中生成的检测。

多平台场景剧院图。

传感器和跟踪指标

生成跟踪的建立、维护和删除指标,包括跟踪长度、跟踪中断和跟踪 ID 交换。通过位置、速度、加速度和偏航率均方根误差 (RMSE) 或平均归一化估计误差平方 (ANEES) 估计跟踪准确性。使用 OSPA 和 GOSPA 综合指标,通过单一分值总结性能。使用 Allan 方差分析惯性传感器噪声。

使用综合跟踪指标根据真值评估跟踪器性能。

调节滤波器和跟踪器

调整多目标跟踪器参数(例如分配阈值、滤波器初始化函数、确认和删除阈值)以实现最佳性能。比较各种跟踪器及跟踪器配置的结果。自动调节 INS 滤波器,优化噪声参数。

使用 GM-PHD 跟踪器,在有密集杂波的情况下跟踪多个点目标。

算法加速和代码生成

加速仿真,方法包括应用粗略门控、生成 C/C++ 和 MEX 代码以及使用工作进程池。

代码生成

使用 MATLAB Coder™ 生成用于仿真加速或桌面原型的 C/C++ 和 MEX 代码。应用成本计算阈值,从而缩短分配成本计算时间。

生成代码以实现最快仿真,从而跟踪数千个目标。