珞瑜的博客

在没有此数据关联的情况下，跟踪具有已知 ID 的多个发射器部分的绘图中显示的蓝色和栗色双曲线之间的每个交点都可能是对象位置。将将此静态融合算法用于将多个到达时间测量值传输到处理中心的系统，以及将记录的信号传输到集线器并在处理它们以进行对象跟踪之前计算 TDOA 的系统。可以使用此对象标识（在来自多个接收器对的 TDOA 之间共享）分别融合来自每个对象的检测，并获得它们各自的位置和不确定性。对于此示例中使用的场景，静态融合算法能够在足够的时间时刻报告真实检测，以保持对真实对象的跟踪。

这些模型将长方体的尺寸定义为状态转换期间的常量，并且它们的估计值在滤波器的校正阶段随时间演变。下面的动画显示了在滤波器的预测阶段将具有不同概率的恒定速度和恒定转弯率模型混合在一起的效果。此示例显示了如何使用带有 IMM 过滤器的 JPDA 跟踪器来跟踪使用激光雷达传感器的对象。图像和激光雷达数据读取器从 MAT 文件中读取记录的数据，并分别输出参考图像和点云中点的位置。跟踪器块选中“启用所有轨道输出”和“启用可检测的跟踪 ID 输入”复选框，以从跟踪器输出所有轨道，并将其检测概率作为其状态的函数进行计算。

这里介绍的算法，如果调整得当，可以估计方向，并且对环境噪声源具有鲁棒性。重要的是要考虑使用传感器的情况并相应地调整滤波器。四、程序使用b版本，点击打开。正在上传…重新上传取消打开下面的“IMUOrientationExample.mlx”文件，点击运行，就可以看到上述效果。正在上传…重新上传取消关注下面公众号，后台回复关键词：惯性传感器融合估计方向，发送源码链接。

磁力计沿传感器的 X、Y 和 Z 轴检测磁场强度。精确的磁场测量对于传感器融合以及确定航向和方向至关重要。为了用于航向和方向计算，需要校准典型的低成本MEMS磁力计，以补偿环境噪声和制造缺陷。一、理想磁力计理想的三轴磁力计沿正交 X、Y 和 Z 轴测量磁场强度。在没有任何磁干扰的情况下，磁力计读数测量地球磁场。如果在传感器通过所有可能的方向旋转时进行磁力计测量，则测量值应位于球体上。球体的半径是磁场强度。要生成磁场样本，请使用对象。出于这些目的，可以安全地假设每个方向的角速度和加速度为零。

由于FIR高通滤波器的频率响应是周期性的，因此高多普勒频率下的一些能量也会被移除。此示例的重点是 MTI 处理，因此该示例使用示例模拟雷达接收器的测试信号中构建的雷达系统。MTI雷达利用运动目标相对较高的多普勒频率来抑制杂波，这些杂波通常具有零或非常低的多普勒频率。目标的速度为[100 80 0]，对应于相对于雷达的-80 m / s的径向速度。从交错PRF的图中，您可以看到第一个盲速度对应于150 kHz的多普勒频率，是均匀PRF情况的五倍。现在，使用交错的PRF模拟来自目标的反射信号。

请注意，难以维护轨道的平台（4号和7号平台）也是离雷达最远的平台。每当将新轨道分配给平台时，都会向平台的行中添加一条新线，当同时为单个平台显示多条线时，平台将为其分配多个轨道。在高度中使用非常大的协方差允许跟踪器忽略红色检测的错误高度读数，并使用其他两个雷达跟踪高度。在这些长距离下，测量噪声的 1-sigma 椭圆的凹陷导致跟踪性能较差，因为轨道掉落且多个轨道被分配给单个平台。跟踪器设置为 50，以便能够将具有大范围偏差的检测（由于长检测范围内的大气折射效应）与跟踪器中的轨迹相关联。

目录一、介绍二、估计直升机的叶片速度三、直升机回声模拟四、叶片返回微多普勒分析五、汽车雷达中的行人识别六、行人微多普勒提取七、总结八、程序本例介绍了由于目标旋转而对目标进行雷达回波时微多普勒效应的基本概念。可以使用微多普勒特征来帮助识别目标。由于多普勒效应，移动目标会在雷达回波中引入频移。但是，由于大多数目标不是刚体，因此除了平台运动外，目标的不同部分通常还存在其他振动和旋转。例如，当直升机飞行时，其叶片旋转，或者当一个人走路时，他们的手臂自然摆动。这些微尺度运动会产生额外的多普勒频移，称为微多普勒效应，可

此外，对于每个半径，通过改变入射角来模拟 10 个运动剖面，遵循 10 条随机生成的围绕视线的正弦曲线。在小波时间散射网络中要指定的关键参数是时间不变的尺度、小波变换的数量以及每个小波滤波器组中每个倍频程的小波数量。请注意，此示例中使用的数据集不需要高级技术，但描述了工作流，因为这些技术可以扩展到更复杂的问题。很明显，前面显示的雷达回波的特点是变化变慢，如前所述，瞬态大幅减少。在更复杂的数据集中，原始数据可能本质上变化太大，模型无法从原始数据中学习鲁棒特征，您可能需要在使用 LSTM 之前诉诸特征提取。

因此，车辆1上的履带融合器必须意识到，它从车辆2获得的该物体的履带实际上不包含任何由独立来源更新的新信息。要区分包含新信息的轨道和仅重复信息的轨道，必须将车辆 2 定义为车辆 1 上轨道融合器的外部源。然后，车辆1融合物体轨道并将其传输到车辆2，车辆2现在将轨道与自己的轨道融合并意识到物体。随着仿真的继续，车辆2也能够检测和跟踪停放在侧面的车辆，并将它们与来自车辆1的轨道融合在一起。街道的右侧包含停放的车辆。结果，车辆 2 上的履带融合器维护的大多数轨道首先由车辆 1 广播的轨道初始化。

此示例演示如何使用安装在 ego 车辆上的激光雷达传感器捕获的激光雷达点云数据来检测、分类和跟踪车辆。此示例中使用的激光雷达数据是从高速公路驾驶方案中记录的。在此示例中，对点云数据进行分段，以确定使用网络的对象类别。具有交互式多模型滤波器的联合概率数据关联（JPDA）跟踪器用于跟踪检测到的车辆。一、概述感知模块在实现具有ADAS系统的车辆的完全自主性方面发挥着重要作用。激光雷达和摄像头是感知工作流程中必不可少的传感器。

传统的多目标跟踪器，​如跟踪器GNN（GNN）跟踪器，跟踪器JPDA（JPDA）跟踪​器假设每个传感器报告每个对象的一个测量值。为了使用传统的跟踪器来使用激光雷达跟踪对象，通常对来自潜在对象的点云进行预处理并聚类成新的测量类型。这些新的测量通常定义对象的位置和尺寸方面，当对象靠得太近时，这种分割激光雷达数据并聚类到边界框的工作流容易出现聚类缺陷。的属性允许定义用于激光雷达模拟的平台的几何图形。在此示例中，轨迹与实线之间的距离是使用距离函数轨迹“真实距离”定义的，该函数包含在下面的支持函数中。

在此示例中，您将使用经典的分割算法和基于距离的聚类分析算法。​这些示例显示了如何使用安装在自我车辆顶部的激光雷达传感器的测量值来跟踪车辆。由于状态包含有关目标大小的信息，因此测量模型包括传感器感知到的中心点偏移和边界框收缩的影响，这是由于自遮挡[1]等效应造成的。它还显示更精细的跟踪详细信息，例如每个跟踪的估计位置的误差协方差及其运动模型概率（用 cv 和 ct 表示）。现在，分析场景中的不同事件，并了解激光雷达测量模型、联合概率数据关联和交互多模型过滤器的组合如何帮助实现对车辆轨迹的良好估计。

本示例展示了如何生成表面杂波和目标回波，以便模拟移动目标指示器 （MTI） 雷达。执行 MTI 滤波并检查生成的距离剖面和多普勒光谱。通过观察宽侧和斜侧轨迹以及雷达天线主瓣内的目标位置来证明平台几何形状的影响。

在此示例中，学习了如何设置轨迹级融合算法，以融合来自雷达和激光雷达传感器的轨迹。还学习了如何使用广义最佳子模式度量及其关联组件来评估跟踪算法。

在自我车辆上安装传感器。使用汽车应用中常用的激光雷达冰球。冰球是一个小型传感器，可以安装在四旋翼飞行器上。对激光雷达冰盘使用以下规范：范围分辨率： 3 厘米最大范围：100 m360 度方位角跨度，0.2° 分辨率30 度仰角跨度，2° 分辨率更新速率： 10 Hz倾斜 90° 安装以向下看接下来，使用雷达工具箱中的系统对象添加雷达。若要将此传感器添加到 UAV 平台，需要定义自定义适配器类。使用目标的网格几何来定义雷达模型的长方体尺寸。

雷达系统依靠目标反射或散射来检测和识别目标。目标反射越强，雷达接收器返回的回波就越大，从而获得更高的信噪比（SNR）和更高的检测可能性。在雷达系统中，从目标反射的能量由雷达横截面（RCS）决定，定义为sigma代表RCS，R是雷达与目标之间的距离，Es是从目标反射的信号的场强，以及Ei是入射到目标上的信号的场强。通常，目标向各个方向散射能量，RCS是入射角，散射角和信号频率的函数。RCS 取决于目标的形状和构建目标的材料。用于RCS的常用单位包括平方米或dBsm。

此示例演示如何构建适用于无人机 （UAV） 或四轴飞行器的 IMU + GPS 融合算法。此示例使用加速度计、陀螺仪、磁力计和 GPS 来确定无人机的方向和位置。一、模拟设置设置采样率。在典型系统中，加速度计和陀螺仪以相对较高的采样率运行。在融合算法中处理来自这些传感器的数据的复杂性相对较低。相反，GPS以及在某些情况下的磁力计以相对较低的采样率运行，并且与处理它们相关的复杂性很高。在该融合算法中，磁力计和GPS样本以相同的低速率一起处理，加速度计和陀螺仪样本以相同的高速率一起处理。

着陆是飞行中安全的关键阶段。飞机在最后接近着陆时必须与跑道对齐，逐渐下降到地面，并降低其地面速度，同时使其安全地保持在失速速度之上。所有这些步骤都是为了确保飞机轻轻接触地面，以减少对乘客的风险，并避免对飞机或跑道造成物理损坏。这些规则可以很容易地由航空专业人员定义，或者可以使用机器学习从跟踪数据中推断出来。在此示例中，假设已定义规则。主要机场通常有多个朝向不同方向的跑道。接近的飞机由机场塔楼的空中交通管制员引导，降落在当时与风向最对齐的跑道之一上。在进近过程中，控制器根据跟踪系统监控飞机。

此示例说明如何使用 Simulink生成和融合 IMU 传感器数据。可以准确地对加速度计、陀螺仪和磁力计的行为进行建模，并融合它们的输出以计算方向。

此外，通过使用多个检测，跟踪器可以估计每个物体的位置，速度，尺寸和方向。由于在函数中为车辆尺寸定义了更高的确定性，因此即使最佳拟合的椭圆具有非常低的长度，跟踪器也不会折叠这些车辆的长度。与点对象跟踪器（通常考虑检测的一个分区（簇））相反，跟踪器PHD创建一组检测的多个可能分区，并根据PHD滤波器中的当前组件对其进行评估。这种可观察部分包括车辆的后表面，即直接在自我车辆的前面或车辆的正面直接在自我车辆的正后方，例如，车辆的后面和正面分别位于自我车辆的正前方和后面。因此，其估计的椭圆与实际形状具有更好的重叠。

多功能雷达可以搜索目标，确认新轨道，并重新访问轨道以更新状态。为了执行这些功能，多功能雷达通常由资源管理器管理，该资源管理器创建用于搜索、确认和跟踪的雷达任务。这些任务是根据优先级和时间安排的，因此，在每个时间步长中，多功能雷达都可以将其波束指向所需的方向。在此示例中，对于用于跟踪机动目标的雷达，有两个相互冲突的要求：目标的数量及其初始位置通常事先不知道。因此，雷达必须不断搜索感兴趣的区域才能找到目标。此外，雷达需要在进入雷达覆盖区域后立即检测并建立对每个目标的跟踪。目标机动的时间段事先是未知的。

此示例演示如何生成空中交通管制方案，模拟来自机场监视雷达 （ASR） 的雷达检测，以及如何配置全球最近邻 （GNN） 跟踪器以使用雷达检测来跟踪模拟目标。在此示例中，了解了跟踪器基于历史记录的逻辑如何促进跟踪。​还了解了轨道在滑行时轨迹不确定性如何增长，以及当轨道被新检测更新时轨迹不确定性如何减小。

一、空间碎片设想此示例显示了如何使用自定义运动模型对以地球为中心的轨迹进行建模，如何配置单静态模式以生成对空间碎片的合成检测，以及如何设置多目标跟踪器来跟踪模拟目标。一、空间碎片设想在低地球轨道（LEO）中有超过30000个大型碎片物体（直径大于10厘米）和超过100万个较小的碎片物体。这些碎片可能对人类在太空中的活动造成危险，损坏运行中的卫星，并迫使时间敏感且代价高昂的避免机动。随着空间活动的增加，减少和监测空间碎片变得至关重要。

所有船只都位于雷达的视野范围内，并且由于船只的尺寸远大于雷达的范围和方位角分辨率，因此可以沿着雷达可见的船只表面进行多次检测。这在海洋监视等情况下非常重要，其中传感器检测到的物体的大小大于传感器的分辨率，从而导致沿船表面生成多个检测。您可以验证PHD对船舶位置的估计位于船舶中心附近，并且估计尺寸合理地接近船舶的实际尺寸，由轨道椭圆与船舶的重叠表示。此示例演示如何生成海洋场景，模拟来自海洋监视雷达的雷达检测，并配置多目标概率假设密度 （PHD） 跟踪器以使用雷达检测估计模拟船舶的位置和大小。

上表列出了发射星座中的40颗卫星，并显示了具有相关轨道ID的跟踪卫星。这要么意味着卫星的轨道没有通过两个雷达之一的视野，要么卫星的轨迹已经下降。为了保证在太空中的安全运行并防止与其他卫星或已知碎片的碰撞，正确检测和跟踪新发射的卫星非常重要。默认情况下，导入的卫星轨道使用SGP4轨道传播算法进行传播，该算法为LEO对象提供了良好的精度。这项任务包括几个过程：检测和识别新物体并将其添加到目录中，更新目录中的已知物体轨道，跟踪其整个生命周期中的轨道变化以及预测大气中的再入。然后，模拟雷达检测并在循环中生成轨迹。

在图中，白线表示真实轨迹，黄线表示雷达跟踪器估计的轨迹。飞机上应答器的添加增加了雷达设施和飞机之间的双向通信，从而实现非常准确的位置估计，并有利于控制中心的决策。真实位置和速度可从“使用 OSPA”指标获得，以比较仅来自雷达、仅 ADS-B 和来自与 ADS-B 融合的雷达的跟踪质量。但是，在此示例中，将属性设置为 ，以便在以地球为中心的地球固定 （ECEF） 帧中输出检测结果，这允许跟踪器处理来自公共帧中不同雷达站点的所有检测。在上面的快照中，飞机在ADS-B通信范围内，并建立了新的ADS-B轨道。

磁力计通常以低于 IMU 的速率运行，高度计以最低速率运行。示例演示如何融合来自 3 轴加速度计、3 轴陀螺仪、3 轴磁力计（通常称为磁、角速率和重力的 MARG 传感器）和 1 轴高度计的数据，以估计方向和高度。要在模拟运行时查看估计的位置和方向以及地面实况，请将变量设置为。加速度计、陀螺仪和磁力计使用进行模拟。高度计是使用 .传感器配置中使用的值对应于实际MEMS传感器值。磁力计和高度计测量噪声是由内部卡尔曼滤波器中使用的与传感器相关的观测噪声。随着仿真的继续，振荡的幅度会增加。

这使我们可以轻松地对直线和恒定转弯进行建模，并具有额外的自由度，可以在直线段和曲线段之间平滑过渡。同样，空气中的物体会经历重力的影响，遵循抛物线（二次）路径。需要更多的航点来适应这些变化，但是轨迹的其余部分需要更少的点。第三个轨迹，如下所示，代表了一架速度更高的飞机。它由两个恒定的转弯组成，飞机在第二个转弯的中间减速。一旦知道（并设置了）物体穿过空间的物理路径，物体的速度作为行进距离的函数就通过三次埃尔米特插值来确定。在此示例中，学习了内部使用的插值符背后的概念，并展示了如何使用少量航点重现场景。

本示例展示了如何使用艾伦方差来确定MEMS陀螺仪的噪声参数。这些参数可用于在仿真中对陀螺仪进行建模。陀螺仪测量建模为：三个噪声参数N（角度随机游走）、K（速率随机游走）和B（偏置不稳定性）是使用从静止陀螺仪记录的数据估计的。

目录一、算法目的二、跟踪系统的辅助输入和全局参数-PedestrianTrackingFromMovingCameraExample三、为跟踪系统初始化创建系统对象-setupSystemObjects四、初始化轨道-initializeTracks五、检测人员-detectPeoplepeopleDetectorACF六、预测现有轨道的新位置-predictNewLocationsOfTracks七、将检测分配给轨道-detectionToTrackAssignment..

另一方面，基于网格的方法允许无对象模型的表示，这有助于在具有大量对象的复杂场景中进行有效的碰撞检查。该概率可以合并到最优性标准的成本函数中，以考虑系统中的不确定性，并在不增加计划员的时间范围的情况下做出更好的决策。），以及自我飞行器在轨迹上的计划位置。在此示例中，您使用两种不同的策略对终端状态进行采样，具体取决于车辆在参考路径上的位置，在下图中显示为蓝色和绿色区域。在此示例中，学习了如何使用基于网格的跟踪器中的动态地图预测，以及如何将动态地图与局部路径规划算法集成，以便在动态复杂环境中为自我车辆生成轨迹。

在比较直接路径接收脉冲时，到达的第二个脉冲具有两者中较高的幅度，表明传播距离较短。与直接路径相比，其余脉冲的幅度减小，这是由于通道底部的多次反射，每个反射都会导致损耗。接下来，脉冲在深水中的投影仪和水听器之间传输，使用Bellhop产生的路径以“Munk”声速曲线传输脉冲。对于此方案，有两条没有界面反射的直接路径，以及八条在顶部和底部表面都有反射的路径。请注意，z 坐标确定深度，零对应于通道的顶面，x-y 平面中的距离绘制为源和目标之间的范围。在主动声纳系统中，声波传播到目标，被目标散射，并由水听器接收。

本例显示了双基地极化雷达的系统级仿真。该示例为不同的发射和接收阵列极化配置生成接收信号的距离多普勒图，并展示了如何使用圆极化天线来避免由于目标的偏振散射特性而丢失线性极化信号。

本示例展示了如何模拟满足天气观测要求的极化多普勒雷达回波。雷达在天气观测、灾害检测、降水分类和量化以及预报方面发挥着关键作用。此外，极化雷达以前所未有的质量和信息提供多参数测量。此示例演示如何模拟扫描分布式天气目标区域的极化多普勒雷达。仿真根据众所周知的NEXRAD雷达规范推导出雷达参数。合成接收到的脉冲后，进行雷达频谱矩估计和极化矩估计。将估计值与NEXRAD基本事实进行比较，从中获得误差统计数据并评估数据质量。一、雷达定义。

使用该函数计算来自目标场景的分辨率单元的信号能量与来自处理到目标场景的相同分辨率单元（或雨水 SCR）中的雨水返回的能量的比率。给定雷达的主要参数（例如工作频率、天线尺寸和带宽）及其安装的平台（例如高度、速度、安装位置），确定性能参数，例如占地面积、方位角和距离分辨率、SAR 图像的信噪比 （SNR） 和噪声等效反射率 （NER）。请注意，在低掠角下，海洋RCS的变化要大得多，并且水平极化信号的RCS低于相同海况下60度以下放牧角度的垂直极化信号。对于给定的带宽，距离分辨率会随着掠角的增加而恶化。

可以使用三种不同的方法来生成检测结果 — 从特定传感器生成检测结果，为安装在给定平台上的所有传感器生成检测结果，以及在跟踪方案中生成所有检测项。生成模拟雷达检测的第一步是创建一个跟踪场景，其中模拟了一个或多个移动目标的运动。重新启动并运行方案，生成方案中的所有检测项，并绘制检测项。此示例演示如何基于传感器、平台和整个场景，以三种不同的方法创建跟踪场景、模拟目标运动和模拟雷达检测。与传感器记录相比，使用场景生成和传感器仿真的主要好处是能够创建罕见且具有潜在危险的场景，并使用这些场景测试传感器融合算法。

此示例演示如何对雷达监视网络进行建模，并模拟由多个机载和地面雷达平台生成的检测。在此示例中，学习了如何定义方案，包括可以是静止或运动的目标和平台。学习了如何可视化地面实测 轨迹、 传感器波束、 检测和相关测量不确定度。可以通过跟踪和融合算法处理此合成数据，以评估其在此方案中的性能。还可以修改此示例以针对不同的目标类型和机动练习多目标跟踪器。七、程序使用b版本，点击打开。

RWR拦截雷达信号，从截获的脉冲中提取波形参数，并估计发射器的位置。请注意，尽管脉冲序列到达特定的延迟，但第一个脉冲到达的时间延迟与RWR无关，因为它没有知识传输时间，并且必须不断监控其环境。由于RWR不知道发射波形中使用的确切中心频率，因此它首先使用一组滤波器，每个滤波器调谐到略有不同的RF中心频率，将接收的数据划分为子频段。这种操作的另一个好处是，每个子带中的信号可以下采样至100 MHz的采样频率，而不是对RWR覆盖的整个带宽进行采样。这样，您只需要检测图像中的峰值，而不是检测图像中的线。

在第一个脉冲期间，天线 1 通过天线 N-1 接收的杂波返回与第二个脉冲期间天线 2 通过天线 N 接收的杂波返回相同。该算法可能需要搜索角度和多普勒的所有组合来定位目标，但对于示例，由于确切知道目标的位置，因此可以将处理器定向到该点。然而，接收到的信号不仅包含来自目标的反射回波，还包含来自被照亮地表的回波。然而，由于干扰器的白噪声性质，接收到的干扰信号占据了整个多普勒频段。在以下部分中，您将模拟来自目标、杂波和干扰器的返回，并说明 STAP 技术如何过滤来自接收信号的干扰。假设元件间距是波形波长的一半。

例如，如果发射器的波形类型为1，并且传感器将其包含在波形列表中，则传感器知道如何处理发射器的发射（例如，使用匹配的滤波器）并实现与该波形相关的处理增益。用于对这种类型的雷达进行建模。但是，当雷达的波束经过ESM传感器的位置时，ESM传感器会检测到雷达，并通过绘制源自传感器的线来指示估计的位置。对于此方案，将单基地雷达连接到方案顶部的平台（第二个平台），并将ESM传感器连接到方案底部的平台（第一个平台）。因此，当雷达发射器的视场扫过目标平台时，ESM传感器会检测到目标平台，而目标仍在ESM传感器的视场内。