本节用到的字符和变量含义:
- Binning:数据分箱技术
- y ~ \tilde{y} y~:残差(或创新)向量
- y ^ \widehat{y} y :预期测量向量
- x :目标状态
- b(x) :目标状态 x 的非线性函数
- R :协方差矩阵
- v :具有协方差矩阵 R 的零均值高斯白测量噪声。
- P P P :一步预测协方差矩阵
- M:维度
- d 2 d^2 d2 :残差(或创新)向量的范数
- △LU:更新时发生的增量,是运动学和信号相关项的总和。
- △LK:更新时运动学增量。
- △LS:更新时信号相关项增量
- PD:检测的概率。
- G 0 G_0 G0 :最大似然门
- d 2 d^2 d2:残差向量的范数
y s y_s ys:信号或属性数据 or 总信号相关数据
S:测量残差协方差矩阵= HPH’+ R- βNT:新的目标密度。
- βFT:虚假目标密度。
- VC:测量体积元素,以便在每个元素内发生独立的真实目标检测和误报事件(例如,四维雷达体积元素可能由角度的波束宽度以及距离和距离速率仓宽定义。)
- PFA:虚警的概率。
6.3 门控
门控是一种消除不太可能的观察到跟踪配对的技术。 正如第 1 章中所讨论的,关于预测的测量值形成了一个门,并且所有满足门控关系(落在门内)的观测值都被考虑用于跟踪更新。实际选择观测以更新轨迹的方式取决于数据关联方法,但大多数数据关联方法利用门控以减少后期计算。
实际的门控过程是逐渐复杂化的操作过程。 一种计算效率高的方法是首先使用粗略形式的门控,例如分箱。 使用分箱方法,测量空间被划分为一个单元格(或分箱)网格。然后,一条轨迹只与它的分箱和相邻分箱中的观测值进行比较。 可以根据轨道质量和可用计算资源自适应地选择箱大小。 [13-15] 中介绍了实现粗选通的有效技术。
数据分箱技术Binning 数据分箱就是按照某种规则将数据进行分类。就像可以将水果按照大小进行分类,售卖不同的价格一样。
将 y ~ \tilde{y} y~定义为残差(或创新)向量,即实际和预期 y ^ \widehat{y} y
测量向量之间的差异。 一般来说,在第 k 次扫描时,残差向量为:
其中测量 b(x) 是目标状态 x 的非线性函数,v 是具有协方差矩阵 R 的零均值高斯白测量噪声。
在线性测量的情况下: