本發(fā)明涉及運動目標(biāo)追蹤，尤其涉及一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法。
背景技術(shù)：
1、實時運動目標(biāo)跟蹤與決策技術(shù)是現(xiàn)代科技領(lǐng)域的重要研究方向，廣泛應(yīng)用于自動駕駛、機器人導(dǎo)航、無人機控制、安防監(jiān)控、軍事偵察以及智能交通系統(tǒng)等多個場景；隨著傳感器技術(shù)、計算能力和人工智能算法的快速發(fā)展，實時運動目標(biāo)跟蹤與決策方法在復(fù)雜動態(tài)環(huán)境下的性能要求不斷提高，傳統(tǒng)的單一目標(biāo)優(yōu)化方法往往難以滿足多維度、多約束的實際需求，還存在運動目標(biāo)跟蹤的魯棒性與精度不足；預(yù)測與觀測匹配的動態(tài)適應(yīng)性不足；多目標(biāo)優(yōu)化與硬件約束難以平衡的問題；
2、而基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法通過綜合考慮多種目標(biāo)和約束，為解決復(fù)雜問題提供了新的思路和可能性，能夠在自動駕駛、無人機導(dǎo)航、安防監(jiān)控和軍事偵察等領(lǐng)域發(fā)揮重要作用。未來，基于多目標(biāo)優(yōu)化的實時運動目標(biāo)跟蹤與決策方法將在更多場景中實現(xiàn)高效、可靠的應(yīng)用，為智能化系統(tǒng)的進一步發(fā)展提供強大支持。
技術(shù)實現(xiàn)思路
1、本發(fā)明提供一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，以解決在復(fù)雜動態(tài)場景中，傳統(tǒng)運動目標(biāo)跟蹤方法難以適應(yīng)目標(biāo)的快速運動、方向變化或噪聲干擾，導(dǎo)致跟蹤精度下降或目標(biāo)丟失的技術(shù)問題。
2、本發(fā)明的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，具體包括以下技術(shù)方案：
3、一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，包括以下步驟：
4、s1、測量運動目標(biāo)的觀測相對位置，并計算運動目標(biāo)的絕對位置；基于運動目標(biāo)的絕對位置，計算運動目標(biāo)的速度和加速度，并預(yù)測運動目標(biāo)在下一時刻的絕對位置，得到運動目標(biāo)的預(yù)測絕對位置；
5、s2、引入基于運動趨勢的動態(tài)閾值匹配算法，對下一時刻運動目標(biāo)的絕對位置與運動目標(biāo)的預(yù)測絕對位置進行匹配，生成匹配代價，并基于匹配代價判斷目標(biāo)位置；
6、s3、基于目標(biāo)位置，采用多目標(biāo)優(yōu)化算法，輸出可執(zhí)行的最優(yōu)控制指令向量。
7、優(yōu)選的，所述s2，具體包括：
8、所述基于運動趨勢的動態(tài)閾值匹配算法，引入歐式距離，量化下一時刻運動目標(biāo)的絕對位置與運動目標(biāo)的預(yù)測絕對位置的偏差，并結(jié)合動態(tài)匹配閾值，生成匹配代價。
9、優(yōu)選的，所述s2，具體包括：
10、根據(jù)雷達測量精度，定義基礎(chǔ)閾值；基于基礎(chǔ)閾值，引入調(diào)整因子，計算得到動態(tài)匹配閾值。
11、優(yōu)選的，所述s2，具體包括：
12、基于運動目標(biāo)的速度，引入指數(shù)衰減參數(shù)，并結(jié)合運動目標(biāo)的速度向量和加速度向量之間的夾角余弦，計算得到調(diào)整因子。
13、優(yōu)選的，所述s2，具體包括：
14、設(shè)置匹配代價閾值,將匹配代價與匹配代價閾值進行比較，當(dāng)匹配代價小于等于匹配代價閾值時，表示在下一時刻運動目標(biāo)的絕對位置即為目標(biāo)位置，否則，將運動目標(biāo)的預(yù)測絕對位置作為目標(biāo)位置。
15、優(yōu)選的，所述s3，具體包括：
16、在多目標(biāo)優(yōu)化算法的實現(xiàn)過程中，基于目標(biāo)位置，引入跟蹤誤差項和控制成本項，結(jié)合權(quán)重系數(shù)，構(gòu)建并求解目標(biāo)函數(shù)，輸出可執(zhí)行的最優(yōu)控制指令向量。
17、優(yōu)選的，所述s3，具體包括：
18、所述跟蹤誤差項，引入歐式距離，量化跟蹤系統(tǒng)的預(yù)測位置與目標(biāo)位置之間的偏差；所述跟蹤系統(tǒng)的預(yù)測位置是基于當(dāng)前跟蹤系統(tǒng)的位置，結(jié)合控制指令在雷達采樣時間間隔內(nèi)生成的位移計算得到；所述控制成本項，通過計算控制指令向量的平方歐式范數(shù)得到。
19、優(yōu)選的，所述s3，具體包括：
20、在多目標(biāo)優(yōu)化算法的實現(xiàn)過程中，通過梯度下降法求解目標(biāo)函數(shù)，并對控制指令向量施加速度約束和加速度約束；當(dāng)目標(biāo)函數(shù)的迭代次數(shù)達到預(yù)設(shè)的最大迭代次數(shù)時，停止迭代，輸出當(dāng)前控制指令向量作為最優(yōu)控制指令向量，用于跟蹤系統(tǒng)的執(zhí)行。
21、本發(fā)明的技術(shù)方案的有益效果是：
22、1、基于運動目標(biāo)在連續(xù)時刻的絕對位置數(shù)據(jù)，采用有限差分法計算運動目標(biāo)的速度和加速度，準(zhǔn)確反映了運動目標(biāo)的運動狀態(tài)，通過簡單高效的數(shù)值計算，實現(xiàn)了對運動目標(biāo)動態(tài)特性的實時捕捉，為后續(xù)基于勻加速運動模型的預(yù)測提供了關(guān)鍵輸入，提升了跟蹤系統(tǒng)對目標(biāo)運動趨勢的適應(yīng)能力。
23、2、基于計算得到的運動目標(biāo)的絕對位置、速度和加速度，采用勻加速運動模型預(yù)測運動目標(biāo)在下一時刻的絕對位置，充分利用了運動目標(biāo)當(dāng)前的運動狀態(tài)，生成高可信度的預(yù)測結(jié)果，為目標(biāo)匹配提供了參考，增強了跟蹤系統(tǒng)在復(fù)雜動態(tài)場景下的魯棒性。
24、3、通過計算觀測位置與預(yù)測位置的歐氏距離，并結(jié)合動態(tài)匹配閾值，生成匹配代價，判斷觀測位置是否屬于運動目標(biāo)；通過引入調(diào)整因子，動態(tài)適應(yīng)目標(biāo)的運動趨勢，特別是在高速運動或方向變化頻繁的場景下，能夠有效區(qū)分目標(biāo)與噪聲，提升了目標(biāo)跟蹤的精度和可靠性。
25、4、采用多目標(biāo)優(yōu)化算法整合跟蹤誤差和控制成本，生成可執(zhí)行的控制指令，跟蹤誤差項驅(qū)動跟蹤系統(tǒng)接近目標(biāo)位置，保持跟蹤精度，控制成本項限制控制指令大小，減少能量消耗和急變；通過梯度下降法求解目標(biāo)函數(shù)，同時施加速度和加速度約束，確?？刂浦噶钤谟布芰Ψ秶鷥?nèi)可執(zhí)行，有效平衡了跟蹤精度和跟蹤系統(tǒng)能耗，降低了機械應(yīng)力或操作成本，提高了跟蹤系統(tǒng)的實用性和可持續(xù)性。
1.一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s2，具體包括：
3.根據(jù)權(quán)利要求2所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s2，具體包括：
4.根據(jù)權(quán)利要求3所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s2，具體包括：
5.根據(jù)權(quán)利要求4所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s2，具體包括：
6.根據(jù)權(quán)利要求1所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s3，具體包括：
7.根據(jù)權(quán)利要求6所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s3，具體包括：
8.根據(jù)權(quán)利要求7所述的一種基于多目標(biāo)優(yōu)化算法的實時運動目標(biāo)跟蹤與決策方法，其特征在于，所述s3，具體包括：