(2)

1.基于OSPA 距离的多传感器多目标航迹关联与融合方法，其特征在于，该方法包括：步骤(1)建立系统模型，获取估计航迹集；

(2)

步骤(2)基于OSPA 距离度量各个估计航迹集之间的距离，获得属于同一目标的估计航迹集；

步骤(3)对属于同一目标的估计航迹集采用联邦滤波器融合方法进行航迹的融合。

(2)

2.如权利要求1所述的基于OSPA 距离的多传感器多目标航迹关联与融合方法，其特征在于，步骤(1)具体是：采用面向航迹的多假设跟踪算法分别获得I个传感器、J个目标的估计航迹集；建立系统模型，其状态方程、偏差方程与量测方程数学描述为： 其中，k为时间序列，xk和xk+1分别为k时刻和k+1时刻的状态向量，Ak+1,k为状态转移矩阵，bk和bk+1为k时刻和k+1时刻的输入矩阵，Bk+1,k为输入矩阵对应的系数矩阵， 为第i个传感器在k时刻的观测向量， 为第i个传感器在k时刻的状态观测矩阵， 为第i个传感器在k时刻的系数矩阵，wk、 分别为在k时刻系统状态噪声向量、系统偏差噪声向量和第i个传感器的量测噪声向量，i＝1,2,…,I。

(2)

3.如权利要求2所述的基于OSPA 距离的多传感器多目标航迹关联与融合方法，其特征在于，步骤(2)具体是：(2)

根据获得的I个传感器、J个目标的估计航迹集，分别采用OSPA 距离度量各个估计航迹集之间的距离，得出属于同一目标的估计航迹集合；

第i个传感器获得的第j个目标的估计航迹其中， 为在k时刻第i个传感器跟踪第j个目标的估计状态集；

第i个传感器获得的所有目标航迹 其中，Ji为第i个传感器获得的目标航迹个数，∪为集合符号， 表示从j到Ji的元素集合；

所有传感器观测到的目标航迹目标航迹关联即为任意两个不同传感器对应的目标航迹集合 和 之间的距离评价， i1≠i2； 分别表示第i1个、第i2个传感器对应的估计目标个数；OSPA距离表示为两个集合之间的距离：其中，p为距离阶

次，p＝1,2，c为水平参数，Πn为集合{1,2,…,n}的所有排列方式，n是 内的元素个数，π(l)为其中第l种排列方式，k1、k2分别为第i1个、第i2个传感器对应的时间序列，为目标航迹集合 与 之间的距离。

(2)

4.如权利要求3所述的基于OSPA 距离的多传感器多目标航迹关联与融合方法，其特征在于，步骤(3)具体是：首先在各子滤波器和主滤波器之间进行信息分配：式中，Qk为过程激励噪声协方差， 为在k时刻各子滤波器与主滤波器的后验估计协方差协方差阵， 为其协方差阵，M为子滤波器个数，Mz表示主滤波器；βm＞0，为各子滤波器信息分配系数，并满足信息分配原则：为主滤波器信息分配系数； 为在k时刻各子滤波器与主滤波器的后验状态估计值，为全局估计值；

在各子滤波器和主滤波器之间独立进行时间更新：式中， 为在k时刻各子滤波器与主滤波器的先验状态估计值， 为在k时刻各子滤波器与主滤波器的先验估计协方差，Φk为状态转移矩阵，Γk为过程噪声分布矩阵，T表示转置；

在各个子滤波器中进行量测更新：式中，

为在k+1时刻各子滤波器与主滤波器的后验估计协方差， 为在k+1时刻各子滤波器与主滤波器的后验状态估计值，H为状态变量到观测的转换矩阵，R为测量噪声协方差，为在k+1时刻各子滤波器的测量值；

将各个子滤波器的局部估计信息按照下式进行融合，得到全局的最优估计：式中， 为在k+1时刻的全局最优后验状态估计值， 为在k+1时刻的全局最优后验估计协方差， 为在k+1时刻主滤波器的先验状态估计值， 为在k+1时刻主滤波器的先验估计协方差。

(2)

5.如权利要求2所述的基于OSPA 距离的多传感器多目标航迹关联与融合方法，其特征在于：步骤(1)中所述的系统状态噪声向量、系统偏差噪声向量和第i个传感器的量测噪声向量均是零均值高斯白噪声序列。