公开(公告)号：CN118707511A

公开(公告)日：2024-09-27

申请号：CN202410858623.6

申请日：2024-06-28

Applicant: 电子科技大学

Inventor： 易伟 ,  魏心炜 ,  林驿茹 ,  张林傲 ,  邹至源 ,  韦剑威 ,  李武军 ,  孔令讲

IPC: G01S13/72 ,  G06N3/0455 ,  G06N3/047 ,  G06N3/08 ,  G06N5/04

Abstract: 本发明公开了一种基于贝叶斯推理Transformer架构的智能多目标关联跟踪方法(BAIT)，结合了经典贝叶斯滤波(BF)递归推理优势以及Transformer处理长序列任务的能力。首先BAIT在预测过程中采用一个状态预测编码器来充分提取目标过往运动信息；然后仿照经典BF递归推理结构，在状态预测与滤波更新之间采用一个关联解码器来实现目标与量测的最优匹配关联；接着基于目标过往运动信息和关联结果，采用状态更新解码器估计出当前帧目标运动状态。最终通过结合经典BF迭代推理结构，BAIT可实现复杂数据关联场景下的高精度目标关联跟踪任务。本方法具有高精度、连续性、精准关联等优点，可以应用在军事、民用等诸多领域。

公开(公告)号：CN118823065A

公开(公告)日：2024-10-22

申请号：CN202410899209.X

申请日：2024-07-05

Applicant: 电子科技大学

Inventor： 易伟 ,  张林傲 ,  魏心炜 ,  林驿茹 ,  韦剑威 ,  张辰昱 ,  李武军 ,  孔令讲

IPC: G06T7/246 ,  G06V10/764 ,  G06V10/766 ,  G06V10/82 ,  G06N3/0499

Abstract: 本发明公开了一种基于Transformer架构的多传感器智能融合多目标跟踪方法，首先设计并获取雷达仿真数据，生成多传感器的二维量测数据，然后将多传感器的量测数据进行预处理并提取高维向量信息后输入构建好的TMSHF网络模型中，进行网络模型训练，最后将测试数据输入训练好的网络模型中，得到多目标的多传感器智能跟踪融合结果。本发明的方法结合特征级融合的最优融合思想与决策级融合易于扩展且稳定可靠的优点，从数据驱动的角度出发，跳出现有融合方法单单依靠特征级融合或决策级融合的限制，实现对多个局部传感器信息的深度利用，形成一种特征级与决策级混合的多传感器融合架构，实现了对多目标的高精度连续跟踪融合任务，可应用在自动驾驶及交通管控等领域。

公开(公告)号：CN117607853A

公开(公告)日：2024-02-27

申请号：CN202311592175.1

申请日：2023-11-24

Applicant: 电子科技大学

Inventor： 易伟 ,  魏心炜 ,  张林傲 ,  张辰昱 ,  陈林秀 ,  林驿茹 ,  刘晓凯 ,  孔令讲

IPC: G01S13/72 ,  G01S7/41 ,  G06F30/27 ,  G06F17/11 ,  G06F17/16 ,  G06F17/18

Abstract: 本发明公开了一种基于状态回归Transformer架构的多目标高精度连续跟踪方法，首先设计并获取雷达仿真数据，生成二维量测，通过场景预处理，从X‑Y坐标量测中提取特征到高维向量输入到构建好的SR‑MT3网络模型中，进行网络模型训练，最后将测试数据输入训练好的网络模型中，得到多目标的估计跟踪结果。本发明的方法从深度学习数据驱动的角度出发，跳出传统贝叶斯方法模型依赖、数据关联困难等局限性，解决了原MT3算法无法进行连续跟踪的问题、初始化时间长导致的航迹起始缓慢问题以及无法充分利用所有量测数据信息导致的跟踪后期精度下降问题，实现了对雷达多目标的高精度在线连续跟踪，拥有实时性、高精度、连续性等优点，可以应用在自动驾驶、车辆跟踪等诸多领域。