雷达：Tracking radar targets with multiple reflection points 文档解析

1. Introduction

1.1. Tracking Module

在“雷达处理”栈中，

• tracking 算法是localization 处理层的具体动作。
• Tracker将在Detection 层输入上工作，
• 并向classification 层提供localization 信息

利用 high resolution Radar sensors高分辨率雷达，detection 层能够感应现实targets的多次反射，从而提供丰富的测量vectors 矢量集（在某些情况下，每帧数千个矢量），称为点云 Point Cloud。
每个测量向量代表一个reflection 反射点，具有Range范围，Azimuth方位角和Radial velocity径向速度。 每个测量向量是可靠性信息。

Tracking 层将输入point cloud 点云数据，执行 target localization目标定位，并将结果（目标列表 a Target List）报告给classification 层。 因此，tracker 跟踪器的输出是一组具有某些属性（如position, velocity, physical dimensions, point density, 位置，速度，物理尺寸，点密度和其他特征）的可跟踪对象，分类器可以使用这些属性来进行识别决策。

1.2. Radar Geometry

下图显示了，在时刻n时，的 single reflection 单个反射点。 现实生活中的雷达目标由多个反射点表示。 每个点都由 range, angle, and radial velocity (range rate) 范围，角度和径向速度（范围率）表示：

1.3. Choice of Tracking Coordinate System

为了方便目标运动推测target motion extrapolation，我们选择在 Cartesian coordinates笛卡尔系中进行跟踪。 这允许简单的 Newtonian linear prediction 牛顿模型。

我们选择将测量输入保持在 polar 极坐标中以避免误差耦合coupling。 我们将使用EKF来跟踪状态和测量向量之间的相关性。

Tracking 可以在2D或3D笛卡尔空间中进行。 对于每个空间，我们使用CV恒定速度模型或CA恒定加速度模型。

1.4 2D Space Geometry

角位置坐标转换为笛卡尔坐标

使用

目的是使用距离，角度和多普勒（径向速度） range, angle, and Doppler (radial velocity) 的测量(带有噪声)来跟踪对象的位置

1.5. 2D Space, Constant Velocity Model

state ：

vector ????(????) is defined in Cartesian coordinates,

???? is a transition matrix

and ????(????) is the vector of process noise with covariance matrix ????(????) of size 4×4.

measurement :includes range, angle and radial velocity

The relationship between the state and measurement vector is expressed as:

???? is a measurement matrix,

the function tan−1(????,????) is defined as

and ????(????) is vector of measurement noise with covariance matrix ????(????) of size 3×3.

另外，对于非线性情况使用EKF。
In above formulation, the measurement vector ????(????) is related to the state vector ????(????) via a non-linear relation.
Because of this, we use Extended Kalman filter (EKF), which simplifies the relation between ????(????)and ????(????) by retaining only the first term in the Taylor series expansion of ????(∙).

where, ????????????????(????) is a-priori estimation(先验) of state vector at time n based on n-1 measurement

Calculating partial derivatives (see the Appendix below): 计算偏导数（请参阅下面的附录）：

1.6. 2D Space, Constant Acceleration Model

state ：

state vector ????(????) is defined in Cartesian coordinates,

???? is a transition matrix

and ????(????) is the vector of process noise with covariance matrix ????(????) of size 6×6.

The input measurement vector ????(????) ： includes range, angle and radial velocity

the state and measurement vector is expressed as:

EKF：

1.7. 3D Space, Geometry

• sensor is positioned at the origin.
• . Target is moving with velocity vector ????.
• Measurement vector ???? includes range, azimuth方位角， elevation仰角 and radial velocity
  
  State vector in Cartesian coordinates will be ???????????????? for constant velocity model,
  

and ???????????????? for constant velocity model:

1.8. 3D Space, Constant Velocity Model (3DV) and Constant Acceleration (3DA) models

state ：

where the state vector ????(????) is defined in Cartesian coordinates. For 3D space, we use ????????????????or ????????????????as defined in previous paragraph.

Transition matrix ???? is

and ????(????) is the vector of process noise with covariance matrix ????(????) of size 6×6 or 9x9.

The input measurement vector ????(????) includes range, azimuth, elevation, and radial velocity

The relationship between the state and measurement vector is expressed as:

Where, ???? is a measurement matrix,

the function tan−1(????,????) is defined as

and ????(????) is vector of measurement noise with covariance matrix ????(????) of size 4×4.

EKF：

where, ????????????????(????) is a-priori estimation of state vector at time n based on n-1 measurements

Calculating partial derivatives (see the Appendix below):

2. Kalman Filter Operations

2.1. Prediction Step
(see my other blog):

2.2. Update Step
(see my other blog):

2.3. Design of Process Noise Matrix

????（????）的选择对于卡尔曼滤波器的行为很重要。 如果????太小，则滤波器在其预测模型中会过分自信，并且会偏离实际解。 如果????太大，则滤波器会受到测量噪声的太大影响，并且表现欠佳。

运动系统（可以使用牛顿运动方程式建模的系统）是连续的，即它们的输入和输出可以在任意时间点变化。 但是，此处使用的卡尔曼滤波器是离散的。 我们定期对系统进行采样。 因此，我们必须在上式中找到噪声项的离散表示。 这取决于我们对噪声行为做出的假设。 我们将考虑两种不同的噪声模型。

2.3.1. Continuous White Noise Model

假设我们需要对position, velocity, and acceleration位置，速度和加速度进行建模。 然后我们可以假设每个离散时间步长的加速度都是恒定的。 当然，系统中存在过程噪声，因此加速度实际上不是恒定的。 跟踪的物体会由于外部未建模的力而随着时间改变加速度。 在本节中，我们将假设加速度以连续时间零均值白噪声变化。

由于噪声不断变化，我们将需要integrate 积分以获得针对所选discretization interval 离散化间隔的 discrete noise 离散噪声。 我们在这里不做证明，但是噪声离散化的方程是

????????是连续噪声。

????（????）????????????????（????）是连续噪声的投影
基于我们在????时刻的过程模型????（????）。

我们想知道在离散间隔Δ????中向系统添加了多少噪声，因此我们在间隔[0，Δ????]上对该表达式进行积分。

For the second order Newtonian system, the fundamental matrix is

We now define the continuous noise as

$\Phi$ 是白噪声的频谱密度。

这可以导出derived，但超出了当前的任务范围。

在实践中，我们通常不知道噪声的频谱密度 spectral density of the noise，因此这变成了“工程”因素-我们通过实验调整这个数字，直到滤波器达到预期效果为止。

我们可以看到，将乘以的矩阵有效地将功率谱密度 power spectral density分配给了加速度项。

这很有道理； 我们假设系统具有恒定的加速度，但噪声引起的变化除外。 噪音会改变加速度。

Computing the integral, we obtain

Extrapolating back to 6 states,

2.3.2. Piecewise White Noise Model 分段白噪声模型

噪声的另一种模型假设最高阶项（例如，加速度）在每个时间段的持续时间内是恒定的，但在每个时间段都不同，并且每个时间段之间都是不相关的。 换句话说，每个时间步长的加速度都有不连续的跳跃。 这与上面的模型有细微的差别，在上面的模型中，我们假定最后一项施加了一个连续变化的噪声信号。

We will model this as

其中$\Gamma$ 是系统的噪声增益gain of the system，而????是恒定的分段加速度（或速度或加速度，等等）。

For the second order system 二阶系统

在一个时间段内，加速度的变化为????（????），速度的变化为????（????）∆????，位置变化为will（????）∆????^2 / 2。

The covariance of the process noise is 过程噪声的协方差为

目前尚不清楚该模型是否比连续模型更正确-两者都近似于实际物体所发生的情况。 只有经验和实验才能指导适当的模型。 可以预期，任何一个模型都能提供合理的结果，但通常一个模型的性能会优于另一个模型。

第二个模型的优点是我们可以用????^2建模噪声，可以用运动和期望的误差量来描述噪声。 第一个模型要求我们指定频谱密度，这不是很直观，但是由于噪声是在整个时间段内积分的，因此它更容易处理变化的时间样本。 但是，这些不是固定的规则-根据测试过滤器的性能和/或您对物理模型行为的了解，使用任何模型（或您自己设计的模型）。

一个好的经验法则是将 ???? 设置为:0.5*∆????至∆????，

其中∆????是加速度在采样周期之间变化的最大值。

实际上，我们选择一个数字，对数据进行模拟，然后选择一个合适的值。

3. Group Tracking

4.1. Group Tracker

Tracking 算法被实现为一个库library。

Application task 应用程序使用配置参数创建算法实例，该配置参数描述sensor, scenery, and behavior of radar targets。

从 Application Task context应用程序任务上下文 每帧调用一次算法。 可以创建组跟踪器的多个实例。

3.2. Group Tracking Block Diagram

3.3. Prediction Step

我们使用卡尔曼滤波器预测过程，根据在时间n-1估计的状态和过程协方差矩阵，估计时间n的跟踪组质心。 我们为每个可跟踪对象计算先验状态和协方差估计。 在这一步，我们还计算测量矢量估计。

3.4. Association Step

假设存在一个或多个tracks以及相关的预测状态向量。
对于每个给定的track ，我们形成一个关于预测质心的门gate。

gate口应考虑以下因素：

• 目标操纵maneuver，
• 组的分散dispersion of the group
• 测量噪声

我们使用组残差协方差矩阵在跟踪组质心周围的3D测量空间中构建椭球。 ellipsoid 椭球将代表选通函数，以限定我们在时间n观察到的单个测量结果。 门功能设计在以下部分中说明

对于门内的测量，我们将归一化距离函数作为成本函数进行计算，以将测量与每个轨迹相关联

assignment process将成本函数最小化，一次将一项测量分配给最近的track。 这将创建与每个轨道相关的一组测量

3.4.1. Gating Function

gating function 选通函数代表了我们愿意接受的创新数量，在当前轨道上存在给定的当前不确定性状态

To measure the amount of uncertainty, we define the group residual covariance matrix as

注意，该组协方差矩阵????_????在measurement group 测量组的成员与group centroid组质心之间。

将 group residual covariance 组残差协方差与用于单个目标跟踪的公式进行比较。

上式表示由于目标机动而引起的质心的不确定性，
并且类似于用于单个目标跟踪的术语。

项????????是测量误差协方差矩阵。 由于我们正在测量坐标中构建门，因此无需任何变换

最后，项????????是群轨迹离散矩阵的估计。

对于每个现有track ????，对于我们在时间n获得的所有测量向量j，我们定义一个距离函数????????????2，该距离函数表示新测量添加到现有轨道上的创新量。

我们定义卡方检验（因为M高斯随机变量的平方和为零，均值是自由度为M的卡方分布）限制了我们愿意接受的创新量

边界条件表示以测量向量的先期期望为中心的任意取向的椭球，

而????则是我们要接受到组中的到测量的最大距离。

但是，选择常数shown存在稳定性问题。

考虑下面的图片。在XY坐标中具有相同浇口中心且G = 16的两个椭球被显示。

较大的椭球代表具有较大分散度的????????矩阵。

因此，参数????可以看作是described所描述的预期误差的恒定体积放大因子。现在，想象一下状态，是小组跟踪将测量与较大但仍可接受的归一化距离相关联。

这种“获取”的结果是，磁道变得更加分散，协方差矩阵增大，门控椭圆也增大，从而导致更远的采集。

反之，通过更紧凑的测量，色散减小，导致门控体积越来越小。

因此，提出的门控解决方案基于恒定体积的概念。

我们正在寻找产生相同体积椭圆体的门控功能。

给定恒定体积????我们计算``????’’

现在，分散度很大的组轨道将看到递减的范围，从而导致较不积极的轨道获取。

具有访问分散性的轨道（具有不兼容度量的轨道）将被拆分。 那是期望的行为。

3.4.2. Scoring Function

下图显示了门后的情况，其中测量向量{????1，????2，????3，????7}通过绿色轨道的门控测试，而向量{????3，????4，????5，????8，????9}通过蓝色的门控测试 跟踪

如[2]中所示，与将观测值j分配给磁道I相关的似然函数（假设残差的高斯分布）为

|????????| 是轨道 的残差协方差矩阵的行列式，????????????2 =????????????????（????????）????????????，????????????是从观测????到轨道residual的残差矢量。

为了最大化``????????????’’，通过取对数，我们得出我们想要最小化的评分标准：

3.5. Allocation Step

对于不与任何轨道相关联的测量（位于任何现有闸门之外），将分配并初始化新的组跟踪器。 这是一个迭代过程，类似于DBSCAN聚类算法。 由于它仅用于剩余的测量，因此非常简单。

我们首先选择一个领先的测量值，然后设置一个与其相等的质心（范围/角度）。

起点的径向速度用于展开其他候选人的径向速度。

我们一次检查一个候选对象，首先检查该点是否在速度范围内（速度检查，然后是距离检查）。

如果通过，将重新计算质心，并将点添加到群集中。 完成后，我们将执行几项针对集群的合格测试。 我们可能需要查看最少的测量次数，足够强大的组合SNR和/或最小量的形心动态。

如果通过，我们将创建（分配）新的跟踪对象，并使用关联的点来初始化色散矩阵。 点数较少的聚类将被忽略。

3.6. Updating Step

此过程类似于2.2中描述的步骤。 下面我们仅概述差异。

基于在关联步骤计算的关联测量值集来更新Tracks。

对于每个Tracks ，我们首先计算????^（????），它是所有相关测量值的平均值

然后，我们使用与之相关的所有度量的平均值来计算 amount of innovation 创新量：

Then, we compute residual centroid covariance matrix:
然后，我们计算残留质心协方差矩阵：

where ???????? is a measurement noise covariance matrix, computed as below:

????????是群轨迹离散矩阵的估计，
????????是与给定轨道相关的测量次数，
N ̂是给定轨迹所跟踪的目标中元素的估计数量，
????（????????，????）是一个加权因子，它是观测值和目标中元素估计数量的函数。

根据上式，测量噪声协方差矩阵是两个因素的总和。

第一项``????????/????????’'表示由于雷达测量误差而导致的质心测量误差，并且因与跟踪质心相关的测量次数而减少。

第二项表示不确定性，因为并非所有元素都已被观察到。

我们将没有错误检测（????????≤????̂）的情况的加权因子定义为

请注意此函数的限制：当检测到所有元素时，????（????????，????）= 0

当我们收到单个相关测量值时，????（????????，????）= 1。

我们将????作为配置参数，并按如下所述递归估算????????。

对于测量向量????（????）= [????（????）????（????）????̇（????）]????，色散矩阵为

一旦计算????????，其余步骤（计算卡尔曼增益，状态和协方差矩阵）与2.2中相同。

3.7. Maintenance Step

每个轨道都经历事件的生命周期。 在维护步骤中，我们可能决定更改状态或删除不再使用的轨道。

4. Implementation Details

4.1. Group Tracker

跟踪算法被实现为一个库。 应用程序任务使用配置参数创建算法实例，该配置参数描述传感器，场景和雷达目标的行为。 从应用程序任务上下文每帧调用一次算法。 可以创建组跟踪器的多个实例。

下图说明了算法在每个帧调用期间执行的步骤。 算法以极坐标（范围，角度，多普勒）输入测量数据，并在笛卡尔空间中跟踪对象。 因此，我们使用扩展卡尔曼滤波器（EKF）流程。

首先基于场景边界标记点云输入。有些点可能被标记为“边界外”，在关联和分配过程中将被忽略。

预测函数根据在时间n-1估计的状态和过程协方差矩阵估计时间n的跟踪组质心。

我们为每个可跟踪对象计算先验状态和误差协方差估计。

在这一步，我们还计算测量矢量估计。关联功能允许每个跟踪单元指示每个测量点是否“足够近”（门控），如果是，则提供出价值（评分）。点数分配给最高出价者。

未分配的点正在通过分配功能。在分配过程中，首先根据点在测量坐标中的接近度将它们合并为一组。每个集合成为分配决策的候选者。它必须通过多项测试才能成为新的轨道。

一旦通过，就分配新的跟踪单元。在“更新”步骤中，将根据一组关联点来更新轨道。我们计算创新，卡尔曼增益以及后验状态向量和误差协方差。

除经典EKF外，误差协方差计算还包括测量噪声协方差矩阵中的组色散。

报告功能查询每个跟踪单元并产生算法输出。

4.2. Building and using the library

该算法以现成的makefile基础结构作为源代码提供。 可以构建库来支持2D或3D几何。 应用程序应包括库（2D或3D），因为它
需要。 配置将在模块创建时传递给算法实例。 下一章介绍了配置参数。 以流量监控（TM）和人数统计（PC）用例的建议值为例。 与以前（仅2D）版本的更改以红色突出显示。

4.3. Configuration Parameters

配置参数用于配置跟踪算法。 它们应根据特定的场景和目标特性进行调整，以匹配客户用例。 参数分为强制性和可选（高级）。 强制性参数如下所述。

4.3.1 强制配置参数

4.3.2. Advanced parameters

高级参数分为几组。 每个集合都可以省略，默认值将由算法使用。 客户应修改所需的参数以获得更好的性能。

Scenery Parameters

这组参数描述了场景。 它允许用户为跟踪器配置预期的边界和静态行为区域。 用户最多可以定义2个边界框和2个静态框。 方框坐标以米为单位，传感器位于笛卡尔（X，Y）空间的（0，0，0）。

Measurement Standard Deviation Parameters

This set of parameters is ignored

Allocation Parameters

点云中报告的反射点与现有跟踪实例相关联。 未关联的点是分配决策的主题。 每个候选点都聚集到一个分配集中。 要加入集合，每个点都必须位于集合质心的maxDistance和maxVelThre之内。 形成集合后，它必须具有多个setPointsThre成员，并通过最小速度和SNR阈值

State Transition Parameters

每个跟踪实例可以处于FREE，DETECT或ACTIVE状态。每帧一次实例可以获取HIT（具有与目标实例关联的非零点）或MISS（没有关联的点）事件。

一旦处于“自由”状态，则由分配决策进行到“检测”状态的转换。有关分配决策配置参数，请参见上一节。进入DETECT状态后，我们将使用det2active阈值来转换为ACTIVE状态的连续命中次数，或使用det2free阈值来转换回FREE状态的连续未命中次数。

进入活动状态后，MISS（无关联点）的处理如下：

-如果目标位于“静态区域”，并且目标运动模型接近静态，则假定我们没有检测到的原因是因为我们将它们删除为“静态杂波”。在这种情况下，我们增加未命中计数，并使用static2free阈值“延长预期寿命”静态目标。

-如果目标不在静态区域内，则假定我们未获得分数的原因是目标正在退出。在这种情况下，我们使用exit2free阈值来快速释放现有目标。

-否则，（意味着目标在“静态区域”中，但在径向投影中具有非零运动），我们假定未进行检测的原因是该目标被其他目标遮挡了。在这种情况下，我们将根据模型继续进行目标运动，并使用active2free阈值。

Gating Parameters

Gating parameters选通参数集在关联过程中用于为可以与给定轨迹关联的点提供边界。 这些参数是特定于目标的。

对于2D几何形状，门控体积可以估计为椭圆体的体积，计算公式为

例如，将车辆视为雷达目标。 对于车辆中心，我们可能希望达到+/- 4m的范围（????= 8），方位角+/- 3度（????= 6???? / 180）和径向速度+/- 2m / s（????= 4），产生的体积约为16。

除了设置门控椭圆体的体积外，还可以施加限制以防止椭圆体过度拉伸。 极限是预期目标的几何形状和运动的函数。 例如，将DepthLimit设置为8m将不允许门功能延伸超过8m的深度。

4.4. Memory Requirements

具有250个测量点和20条轨道的组跟踪器实现的初始内存占用量是80KB数据和20KB程序空间。

5. Performance

跟踪效果可以直观地表示为三类指标：

1.跟踪可靠性Tracking Reliability，它显示跟踪器在缺少轨道，误报，不匹配，无法恢复轨道等方面犯了多少错误。

2.跟踪精度Tracking Precision，表示对正确跟踪的对象的准确特征的估计程度，

3.跟踪分辨率Tracking Resolution，表示要分别跟踪的两个对象之间需要多少特征分离

5.1。 追踪可靠性

测量跟踪可靠性的测试用例是模拟的随机寿命测试。 我们在流量监控使用案例中对跟踪器性能进行了建模。

5.1.1。 测试用例描述

传感器的几何结构如下图所示。 通过随机泊松过程模拟交通，其中车辆以随机速度到达4车道交叉口。 交叉路口由交通信号灯控制，具有针对绿色，黄色和红色信号的预定延迟。 停止线距离传感器20m。 车辆运动采用以下规则建模：

1.除非前方没有障碍物，否则每辆车均保持恒定速度。 障碍物可以是前方的其他车辆，也可以是红色或黄色的交通信号灯。

2.前方有障碍物时，车辆将减速以匹配障碍物速度。 减速度限制为给定车辆类型所允许的最大值。

3.车辆保持2m的安全距离。

4.清除障碍物后，车辆将加速行驶。 每种车辆类型都配置了加速步骤和最大加速量

可靠性测试至少模拟10分钟的流量。

传感器输出（点云）是随机生成的，并在从移动车辆捕获的测试数据之后进行建模。 该模型包括反射点数量，范围/角度空间中的点分布以及云中的多普勒信息分布的统计建模。 每个车辆在任何时候都由一个点云（具有范围/角度和径向速度信息的反射点集）表示。

注意：假设来自多个车辆的点云是可加的，所以我们没有对由于多个物体而导致的the point cloud degradation点云退化建模。

对于点云合成，我们从两种检测层配置的现场测试中收集了反射点

• 配置A，具有“最大可能”的反射（单一范围CFAR-CASO，多普勒尺寸无窗口,0.2deg DoA）

• 配置B，大约有1/3的反射（双通范围/多普勒CFAR-CASO，0.2deg DoA）

跟踪器输入点云，将反射点与跟踪的对象相关联，预测和建模对象的行为，然后将估计的对象属性输出到上一层。

每个配置在两个子情况下运行：

上层处理通过将地面真实情况与跟踪器输出进行比较来估计跟踪误差。

作为基本事实，我们考虑模拟车辆矩形的质心。

对于每个轨道，基于全局时间戳，我们将同步地面真点和跟踪器输出。

我们针对跟踪器存在的所有时间实例分别计算均方误差。

如果均方误差在任何时候均未超过所需阈值，则我们声明对对象的正确跟踪，否则，则声明跟踪错误事件。

此外，上层处理对25m车道上的对象数进行计数。 此计数也将与地面真实数字进行比较。

5.1.2. Results

待办事项：由于展开功能的更改，需要重新运行配置A测试

使用此随机种子可以重复进行测试：测试输出（10分钟的影片）保存在此处：

错误分析表明，大多数错误都分为两种情况：

a）由于错误分割而导致的错误，即在某些情况下，跟踪器观察到组内过于分散，并决定将组分为两个不同的对象

b）由于原始采集而导致的错误，即，轨道在开始时与地面实况存在明显偏差，并且收敛速度不够快

5.2. Tracking Precision

跟踪精度表示对正确跟踪的对象的精确特征的估计程度。 该分数与跟踪器识别和跟踪对象的能力无关。 对于正确跟踪的对象，我们计算：

1.位置跟踪精度Position Tracking Precision. 。 这是匹配对象的预期位置误差（均值和偏差）的量度

2.速度跟踪精度Velocity Tracking Precision. 。 这是匹配对象的预期速度误差（均值和偏差）的量度。 显示跟踪器估算物体速度的能力

3.尺寸跟踪精度Size Tracking Precision.。 这是匹配对象的预期尺寸误差（均值和偏差）的度量。 显示跟踪器估算对象大小的能力

5.2.1。 测试用例描述

为了跟踪精度，我们使用与上述相同的随机寿命测试案例。 我们仅采用“成功跟踪”的对象，并通过比较跟踪的对象与实际情况得出这些情况下的错误统计信息。

5.2.2。 结果

对于成功跟踪的对象（95％的情况，请参阅跟踪可靠性测试结果），观察到以下内容：

5.3。 追踪解析度

跟踪分辨率表示要分别跟踪的两个现实对象之间需要多少特征分离。 可以在“范围/角度/速度”中测量特征分离。 我们为初始分离和动态（分离）设计了单独的测试用例。

5.3.1. Initial Separation Tests

测试用例描述

我们针对范围，角度和径向速度分离设计了三个单独的测试用例。 我们模拟车辆进入

a）距离差（同一车道，两辆车，相同速度，在给定距离上一个接一个）

b）角度差（相同范围，不同车道，相同速度）

c）速度差（相邻车道，最小角度差，不同速度）

对于所有测试，我们都在寻求跟踪器在95％以上的情况下分配并成功跟踪两个对象作为单独对象所需的最小间隔。

5.3.2. Dynamic Separation Tests

测试用例描述设计了一个单独的测试，在入口处，两个对象是不可区分的。 跟踪器应分配一个跟踪对象。

但是，由于速度差异，在几十帧之后，跟踪器将能够触发拆分事件并跟踪两个目标。 当追踪器在大于95％的情况下执行拆分时，我们将测量所需的分隔量（以“范围”，“角度”和“速度”）。

6. References

[1] https://github.com/rlabbe/Kalman-and-Bayesian-Filters-in-Python
[2] Samuel S. Blackman. Multi-Target Tracking with Radar Applications, Artech House, 1986
[3] Muhammad Ikram, Nano radar DSP Algorithm Module, Tracking module description

最后

以上就是任性月饼为你收集整理的【雷达】Tracking radar targets with multiple reflection points1. Introduction2. Kalman Filter Operations3. Group Tracking4. Implementation Details5. Performance6. References的全部内容，希望文章能够帮你解决【雷达】Tracking radar targets with multiple reflection points1. Introduction2. Kalman Filter Operations3. Group Tracking4. Implementation Details5. Performance6. References所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。