传感器融合和跟踪工具箱
设计，模拟和测试多传感器跟踪和定位系统
传感器融合和跟踪工具箱™包括用于设计，仿真和测试系统的算法和工具，这些系统融合来自多个传感器的数据，以维持态势意识和本地化。参考实施例提供了用于监控和自主系统的多目标跟踪和传感器融合开发的起点，包括空中，星载，地面，船载和水下系统。
您可以从现实世界传感器融合数据，包括主动和被动雷达，声纳，LIDAR，EO / IR，IMU和GPS。您还可以从虚拟传感器生成合成数据，以在不同方案下测试算法。该工具箱包括多目标跟踪器和估计过滤器，用于评估组合网格级别，检测级别和对象或跟踪级融合的架构。它还提供指标，包括OSPA和GOSPA，用于对地面真相场景验证性能。
对于模拟加速或快速原型，工具箱支持C代码生成。金宝app
开始:
免费白皮书
自主系统的传感器融合与跟踪
空域监控
使用来自主动和无源传感器的数据跟踪多个对象，例如雷达，ADS-B和EO / IR传感器。自定义跟踪器以处理机动对象。
跟踪带有地球中心情景的飞机。
空间监视
使用来自雷达传感器的数据跟踪多个星式载对象以产生空间情境感知。您可以配置跟踪器以使用Keplerian运动模型或其他轨道模型。
使用开普勒运动模型跟踪太空碎片。
单一传感器跟踪
建模和仿真多目标跟踪器，以执行智能传感器所需的处理。这包括将原始数据转换为对象轨道列表。
集中式融合
使用集中跟踪器跟踪扩展的目标，该跟踪器融合来自多个传感器和传感器模式的数据。使用概率假设密度(PHD)跟踪器来估计运动物体的运动学，以及物体的尺寸和方向。对于复杂的城市环境，实现一个基于随机有限集(RFS)网格的跟踪器来跟踪每个网格单元的占用及其运动学。
Track-Level融合
融合来自多个跟踪源的轨迹，以提供更全面的环境评估。评估具有带宽限制的系统和采用谣言控制以消除陈旧结果的系统中的迹对迹融合架构。
估算过滤器和数据关联
使用丰富的估计滤波器库估计对象状态，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。找出二维分配问题或S-D分配问题的最佳或k-最佳金宝搏官方网站解。将检测分配给检测，将检测分配给轨道，或将轨道分配给轨道。
仅使用非高斯过滤器跟踪。
多目标跟踪器
将估计过滤器，分配算法和跟踪管理逻辑集成到多目标跟踪器中以使检测到曲目。将传感器数据转换为检测格式，并使用全局最近邻（GNN）跟踪器进行简单方案。轻松切换到联合概率数据关联跟踪器（JPDA），多个假设跟踪器（MHT）或PHD跟踪器，用于具有挑战性的场景，例如跟踪存在测量歧义的紧密间隔的目标。
扩展对象和基于网格的跟踪器
使用PHD跟踪器跟踪扩展对象的运动学，大小和方向。使用高分辨率传感器数据，如激光雷达和雷达点云，跟踪基于网格的RFS跟踪器，估计复杂城市环境中网格单元的动态特性。
Track-Level融合
由跟踪传感器或其他跟踪融合对象产生的熔丝轨迹。在带宽受限的系统中构建分散跟踪系统。减少谣言传播以消除陈旧的跟踪结果。
融合体系结构
探索跟踪架构和评估跟踪融合，中央级跟踪或混合跟踪架构之间的设计权衡。使用静态（检测）融合将检测与仅角度和仅限的范围传感器相结合，例如IR，ESM或BISTOG雷达。
跟踪采用分布式同步无源传感器。
对象轨迹和姿势生成
与跟踪场景设计师应用程序交互定义场景，并生成MATLAB脚本，定义和转换真实的位置，速度，和不同参考框架中的对象的方向。
主动和被动传感器型号
模型有源传感器（包括雷达，声纳和LIDAR）以产生对象的检测。模拟各方位角，高程或两者的机械和电子扫描。模型雷达警告接收器（RWR），电子支持测量（ESM），被动声纳和红外传感器，以产生仅用于跟踪方金宝app案的角度检测。使用发射器和传感器模型多晶雷达和声纳系统。
蒙特卡洛模拟
使用不同的随机噪声值进行蒙特卡罗模拟。干扰地面真实值和传感器配置，以增加测试的稳健性。
INS传感器模型
型号惯性测量单元（IMU），GPS，高度计和INS传感器。调谐环境参数，例如模型的温度和噪声属性，以模拟真实世界的环境。
建立IMU和GPS传感器模型，测试惯性融合算法。
方向估计
保险丝加速度计和磁力计读数模拟电子罗盘（eNompass）。保险丝加速度计，陀螺和磁力计读数，姿态和前线参考系统（AHRS）过滤器估算取向。
姿态估计
使用惯性传感器和GPS估计有或没有非完整航向约束的姿态。在没有GPS的情况下，通过高度计或目视里程计融合惯性传感器来确定姿态。
使用熔融IMU和相机数据的可视惯性径流。
场景可视化
绘制物体的方向和速度，地面真实轨迹，传感器测量，和三维轨迹。情节检测和跟踪不确定性。可视化轨道id与历史轨迹。
剧院绘图的多平台场景。
传感器和跟踪指标
生成轨道建立，维护和删除指标，包括轨道长度，跟踪中断和跟踪ID递送。估算轨道精度，具有位置，速度，加速度和横摆率根均值误差（RMSE）或平均归一化估计误差平方（Anee）。使用集成OSPA和GOSPA指标在单一分数中总结性能。使用Allan方差分析惯性传感器噪声。
优化过滤器和跟踪器
调整多目标跟踪器的参数，如分配阈值，滤波器初始化函数和确认和删除阈值以最大化性能。将结果与跟踪器和跟踪器配置进行比较。自动调谐滤波器以优化噪声参数。
代码生成
生成C/ c++和MEX代码的模拟加速或桌面原型使用Matlab编码器™。应用成本计算阈值以减少计算分配成本的时间。
