一种基于LSTM的多雷达系统误差配准方法及装置

一种基于lstm的多雷达系统误差配准方法及装置
技术领域
1.本发明属于信息融合技术领域，尤其涉及一种基于lstm的多雷达系统误差配准方法及装置。


背景技术：

2.多雷达航迹目标跟踪是利用多个传感器观测获取的目标信息，通过不同层次、不同融合级别的算法处理得到比单个传感器更精确的估计的过程。从此概念提出以来其研究成果已经广泛应用于军用领域和民用领域，军用领域包括导弹拦截、飞行器侦查和追踪、预警突防、战场实时监控等。民用领域涵盖地面人体跟踪、交通监管、空中客机管制、海域航船监测及当下比较热门的无人车辆驾驶、计算机视觉方面的人脸识别、手势跟踪等。雷达凭借其全天候的工作状态，成为了战略防御系统的重要传感器之一，基于系统误差配准的目标跟踪也成为了备受关注的技术手段。
3.系统误差配准是航迹融合跟踪任务中的第一步，系统误差是雷达观测系统中存在的一种确定性的误差，无法通过滤波方式进行去除，需要事先进行估计，再进行补偿的过程，是航迹融合目标跟踪的首要前提和关键任务。如果航迹不能正确补偿系统误差，不仅会导致目标跟踪误差比理论值大，多雷达的跟踪效果不如单雷达，更有可能会导致同一目标产生多条航迹，丧失了雷达组网系统本身的优势，对航迹跟踪乃至后续的航迹融合和态势评估等任务造成很大的影响。
4.目前，传统的多雷达系统大都基于系统误差为恒定值，会导致误差估计的精度大大下降。


技术实现要素：

5.本发明的目的是提供一种基于lstm的多雷达系统误差配准方法及装置，以提升系统误差的估计精度。
6.本发明采用以下技术方案：一种基于lstm的多雷达系统误差配准方法，包括以下步骤：
7.获取目标航迹，目标航迹位于多雷达系统中多个雷达探测区域的重叠区域；
8.根据目标航迹生成每个时刻的特征序列；
9.以每个时刻的特征序列为输入数据，通过探测区域分类网络确定每个时刻目标在重叠区域的位置信息；
10.基于位置信息确定多雷达系统中每个雷达的系统误差。
11.优选的，根据目标航迹生成每个时刻的特征序列包括：
12.根据目标航迹生成在多雷达系统坐标系中每个时刻的第一目标位置坐标；
13.根据多雷达系统中每个雷达的位置坐标和目标位置坐标生成极坐标系下每个时刻的第二目标位置坐标；
14.将每个雷达在每个时刻对应的第二目标位置坐标组合，得到每个时刻的特征序
列。
15.优选的，探测区域分类网络为lstm网络，具体包括依次连接的lstm层、全连接层、softmax层和分类层；
16.lstm层的输入维度与特征序列的维度相同。
17.优选的，基于位置信息确定多雷达系统中每个雷达的系统误差：
18.根据位置信息确定目标在重叠区域中的子区域编号；
19.基于子区域编号查询每个雷达的系统误差表，并确定子区域编号在每个雷达的系统误差表中对应的系统误差。
20.优选的，系统误差表基于雷达的径向距和方位角生成。
21.优选的，lstm网络的训练方法为：
22.生成真实目标航迹；
23.基于每个雷达的系统误差表为真实目标航迹添加不同的系统误差，得到每个雷达的探测航迹；
24.根据每个雷达的探测航迹生成对应的极坐标值；
25.组合每个时刻每个雷达对应的极坐标值，得到每个时刻的训练特征序列；
26.组合每个时刻的训练特征序列，生成lstm网络的训练样本集。
27.优选的，lstm网络的损失函数为交叉熵分类损失函数。
28.本发明的另一种技术方案：一种基于lstm的多雷达系统误差配准装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于lstm的多雷达系统误差配准方法。
29.本发明的有益效果是：本发明通过将多个雷达探测区域的重叠区域根据不同的字区域赋予不同的系统误差，可以大大提升系统误差的精度；同时通过探测区域分类网络可以修正目标航迹的位置信息，得到更准确的目标位置信息，从而进一步提升系统误差估计精度。
附图说明
30.图1为本发明一种基于lstm的多雷达系统误差配准方法的原理图；
31.图2为本发明实施例探测区域分类网络的架构示意图；
32.图3为本发明仿真验证实施例中不同雷达不同探测范围扇形区域块内的系统误差数值示意图；
33.图4为本发明仿真验证实施例中子区域划分示意图；
34.图5为本发明仿真验证实施例中系统误差的rmse结果图。
具体实施方式
35.下面结合附图和具体实施方式对本发明进行详细说明。
36.随着机器学习和深度学习地不断发展，近年来也有利用数据驱动来完成系统误差配准的方法出现。由于雷达点迹信息量少的特殊性以及时序性，这些方法往往不能单独存在，一般思路为将网络与相应滤波器进行结合，利用网络将所构建相应的特征数据输入给传统机器学习或者深度学习网络，完成对系统误差的估计。这一思路目前还处于探索阶段，
尚未有公认且成熟的方法出现。
37.故本发明针对上述方法的一些不足，特设计一种基于lstm的多雷达系统误差配准方法，以深度学习能够模拟复杂非线性映射的优点，综合利用多雷达航迹数据的信息交互提高系统误差分类判别的准确性，实现降低在考虑空间分布结构情况下系统误差估计的不准确性。
38.系统误差配准作为雷达点迹融合跟踪的首要任务，传统方法多需要足够的先验信息并设置准确的先验参数，以先验模型已知和先验模型未知的系统误差配准方法常会带来系统误差数值不稳定，系统发散等问题。
39.因此本发明考虑使用数据驱动的方法，结合lstm深度学习网络完成系统误差的配准任务。以模拟传感器系统误差是会随着时间演变的动态变化未知量的情况下进行系统偏差配准为研究背景展开工作，将传感器系统偏差根据扇形空间区域划分，分别标记为不同的偏差数值，以此来模拟随时间演变的动态变化未知量。该深度学习网络通过综合利用多传感器数据的信息交互有望显著提高系统偏差判别的准确性，完成系统误差的配准任务。
40.本发明公开了一种基于lstm的多雷达系统误差配准方法，包括以下步骤：获取目标航迹，目标航迹位于多雷达系统中多个雷达探测区域的重叠区域；根据目标航迹生成每个时刻的特征序列；以每个时刻的特征序列为输入数据，通过探测区域分类网络确定每个时刻目标在重叠区域的位置信息；基于位置信息确定多雷达系统中每个雷达的系统误差。
41.本发明通过将多个雷达探测区域的重叠区域根据不同的子区域赋予不同的系统误差，可以大大提升系统误差的精度；同时通过探测区域分类网络可以修正目标航迹的位置信息，得到更准确的目标位置信息，从而进一步提升系统误差估计精度。
42.本发明实施例中的探测区域分类网络为lstm网络，如图2所示，具体包括依次连接的lstm层、全连接层、softmax层和分类层；lstm层的输入维度与特征序列的维度相同。
43.首先需要对lstm网络进行训练，具体的训练方法为：生成真实目标航迹；基于每个雷达的系统误差表为真实目标航迹添加不同的系统误差，得到每个雷达的探测航迹；根据每个雷达的探测航迹生成对应的极坐标值；组合每个时刻每个雷达对应的极坐标值，得到每个时刻的训练特征序列；组合每个时刻的训练特征序列，生成lstm网络的训练样本集。训练过程中lstm网络的损失函数为交叉熵分类损失函数。
44.更为具体的，lstm网络训练方法如图1所示，通过以下步骤实现。
45.首先，生成的真实目标航迹，将一部分真实目标航迹训练用，另一部分测试用。然后对真实目标航迹添加量测噪声和系统误差。考虑到系统误差与雷达空间区域分布相关，本实施例中采用数值赋值法代替基于雷达探测的系统误差模型，构建了系统误差空间分布模型，即系统误差表。
46.具体的，系统误差表基于雷达的径向距和方位角生成。根据不同的径向距和方位角扇将雷达探测区域的扇形范围内进行的网格划分，分为不同的子区域，并将不同的子区域分别设置不同的径向距系统误差和方位角系统误差，在经过不同的扇形块网格区域范围时，局部航迹数据被添加了所在的扇形块网格范围(即子区域)内的系统误差，在不同时刻下，随着点迹与雷达距离之间径向距和方位角大小的变化，系统误差的数值也随着进行相应的变化。
47.进一步，根据加了系统误差的航迹生成每个时刻的特征序列。具体为根据目标航
迹生成在多雷达系统坐标系中每个时刻的第一目标位置坐标；根据多雷达系统中每个雷达的位置坐标和目标位置坐标生成极坐标系下每个时刻的第二目标位置坐标；将每个雷达在每个时刻对应的第二目标位置坐标组合，得到每个时刻的特征序列。上述特征序列的生成过程同样也应用于具体的系统误差配准过程。
48.得到每个时刻的特征序列后，将航迹所有时刻的特征序列组合输入到探测区域分类网络中，也就是lstm网络。
49.在该实施例中，为了便于理解，定义多雷达系统为两个雷达系统。lstm网络将输入指定为大小为4(输入数据的特征数量)的序列，指定包含128个隐含单元的lstm层，并输出完整序列。最后，在网络中包含一个大小为19的全连接层，后跟softmax层和分类层，以此来指定19个类(对应19个子区域)。经过处理后的特征序列通过单层lstm层，经过全连接层提取空间分布模型的特征，再经过softmax层将特征结果用概率的形式表达，最后经过分类层对概率结果进行类别分类，最终完成网络的训练。
50.在深度学习的领域中，lstm已经是一个经典且成熟的一种循环神经网络，常用于对序列数据进行分类、学习序列数据的时间步之间的长期依存关系，以深度学习为前沿的机器学习方法越来越多，慢慢逐渐更多地应用于时间序列分析数据分类的研究之中，得到了业界广泛认可和应用。
51.本发明利用lstm主要目的是对多雷达航迹序列数据的每个时刻进行分类，向网络里面同时输入两个雷达对于一个目标的航迹数据，先经过包含多个隐含层的lstm层，输出完整的航迹序列数据，经过全连接层、softmax层和分类层，以此来提取出每个时刻的目标位于的子区域(即模式分类)
52.lstm作为一种特殊的rnn网络，引入了cell单元，单元中有三种可以调节信息的结构：遗忘门结构、输入门结构、输出门结构。
53.长短时记忆网络(lstm)引入了记忆单元和各种门控单元，以解决经典循环神经网络模型存在的长期信息保存的问题。lstm通过输入门、遗忘门、输出门来控制记忆单元的状态。这三个门都是以sigmoid为激活函数的全连接层。当前时刻的输入和上一时刻的隐藏状态分别进入这三个门，得到三个范围在(0,1)的输出，来有选择的添加或删除记忆单元中的信息。具体的运算过程如下：
54.i
t
＝σ(x
twxi
+h
t-1whi
+
bi
)，
55.f
t
＝σ(x
twxf
+h
t-1whf
+bf)，
56.o
t
＝σ(x
twxo
+h
t-1who
+b
o)
，
57.其中，x
t
是输入，h
t-1
是上一时刻的隐藏状态，i
t
、f
t
、o
t
分别是输入门、遗忘门、输出门，σ是sigmoid激活函数。用c
t
表示记忆单元，用表示当前时刻计算出的要往记忆单元中添加的信息，计算公式如下所示
[0058][0059][0060]
由公式可以得知t时刻的记忆单元状态是由两部分构成的，一部分来自于上一时刻的记忆单元，并通过遗忘门，决定要保留多少记忆单元的历史信息。另一部分来自于计算出的当前状态，并通过输入门，决定要把多少当前信息加入到记忆单元中。通过相加运算而
不是直接的替换运算，使得长短时记忆网络可以更好的捕捉序列中的长距离依赖关系。
[0061]
这些门结构可以学习序列数据中哪些信息是有效的，需要保留下来的，辨别哪些是不需要的，需要删除的。这样做的好处是它可以根据长的序列数据去传递相关信息从而进行预测。
[0062]
lstm网络对多个雷达的系统误差空间分布结构(即子区域组成的重叠探测区域)分别进行特征提取，将多个雷达的空间分布特征(即每个子区域的特征)进行融合，以此来加强多雷达空间重叠的特征提取。
[0063]
使用序列到序列的lstm深度神经网络，同时在网络中包含一个全连接层，后面加上softmax层和分类层。全连接层有着用来将学到的“分布式特征表示”映射到样本标记空间的作用，softmax层是对深度学习网络的输出结果进行一次换算，将网络输出的结果用概率的形式表现出来，分类层用来对概率结果进行类别分类。最后将多个雷达探测同一个目标的位置数据一起输入，可以进行多个雷达数据的信息交互，以此来训练深度神经网络对序列数据的每个时刻的分类，分别输出多个雷达序列数据中每个时刻目标位于的子区域，至此整个网络完成了空间分布下系统误差配准的任务。
[0064]
为训练上述深度神经网络，需要构造大量的训练样本。在构造训练样本时目标在两个雷达视域探测范围内从任意位置、沿着任意方向、依据一定速度范围内开始运动，目的是用来仿真雷达点迹量测数据。将生成的直角坐标系下的两个雷达点迹数据(x1,y1)，(x2,y2)转换成极坐标系下的径向距和方位角(ρ1,θ1)，(ρ2,θ2)，并添加所处对应空间范围内的径向距系统误差和方位角系统误差数值，具体公式如下表示，其中xk是系统模型的状态向量。
[0065][0066][0067]
其中，xk(1)表示目标在直角坐标系下的横坐标，xk(3)表示目标在直角坐标系下的纵坐标。
[0068]
如图3所示，本实施例中将两个雷达视域探测范围按照径向距的大小分别划分为五个环形区域块，每个环形区域块按照不同的方位角大小划分为3个区域。两个雷达探测范围空间有大部分的重合，重合范围内的区域又有相互重叠的情况，所以一共将每个时刻的目标数据分为19种分类标签即重叠区域一共为19个)，网络需完成目标的多分类任务，整个网络的损失函数由交叉熵分类损失函数构成。
[0069]
对于损失函数，选择使用交叉熵损失函数来刻画网络分类结果与真值的偏离程度。交叉熵损失函数的标准形式如下
[0070][0071]
公式中的x、y、n分别表示训练样本序号、训练样本真实标签、lstm网络的预测标签和训练样本总数。其中，样本标签应该表示为编码的格式，lstm网络的预测标签应该是不同类别的概率分布。
[0072]
接下来，将经过系统误差模块处理后的两个雷达训练样本一起输入到深度神经网络里进行信息的交互，经过训练的lstm深度神经网络会在多雷达探测范围的扇形划分区域
块边界进行区分。考虑到网络自身带来的误差，未必能将超出多雷达扇形探测区域范围边界外的量测数据进行系统误差的估计，在此设置将超出雷达探测范围边界的航迹进行消除处理，以免对网络的训练造成影响。
[0073]
更为具体的，训练样本中一共生成了5000条局部航迹，经过数据预处理和系统误差模块的处理，两个雷达一共生成10000条局部航迹的数据，将每个时刻对应的特征序列输入lstm深度神经网络并输出完整序列，每条输入序列有四个特征数量，这四个特征对应两个雷达对同一个目标探测的径向距和方位角，四个特征分别是雷达a的径向距、方位角和雷达b的径向距、方位角。
[0074]
在生成航迹的过程中使用匀速直线(cv)运动模型作为动态演化模型，目标的运动方程与量测方程如下：
[0075]
x(k+1)＝f
·
x(k)+μ(k)，
[0076][0077]
其中，x(k+1)代表目标在(k+1)时刻状态值，f为状态转移矩阵，x(k)代表目标在k时刻状态值，μ(k)代表系统噪声，z(k)代表传感器在k时刻的量测值，h为量测矩阵，b(k)代表传感器在k时刻的系统误差数值，代表量测噪声，x表示目标在x方向上的坐标值，代表目标在x方向上的速度，y表示目标在y方向上的坐标值，代表目标在y方向上的速度，x方向和y方向均是多雷达系统所在的直角坐标系中的x轴方向和y轴方向。
[0078]
状态转移矩阵和量测矩阵如下：
[0079][0080][0081]
其中，t表示雷达的扫描周期。
[0082]
最后将多雷达点迹数据进行分类，得到每个时刻目标所在子区域的编号，再根据子区域的位置查询系统误差表得到具体的的系统误差值，将雷达点迹数据进行系统误差的配准，消除掉由传感器自身原因导致的误差，并进行滤波器的滤波处理，尽可能地降低由于量测噪声对局部航迹目标跟踪的不准确性。至此，训练过程完毕。
[0083]
在实际应用中，根据位置信息确定目标在重叠区域中的子区域编号；基于子区域编号查询每个雷达的系统误差表，并确定子区域编号在每个雷达的系统误差表中对应的系统误差。
[0084]
另外，为了说明本发明方法的有效性，进行了如下仿真验证实施例：
[0085]
设置2d多雷达空间分布航迹仿真环境，两个雷达在直角坐标系下探测范围为0-100000m，雷达位置分别是(0,0)和(105,0)，扫描周期为t＝1s。假定航迹阶段目标一直做匀速直线运动，其速度范围为30m/s～50m/s，设置一个目标，目标的初始位置坐标在二维探测范围平面内随机产生。两个雷达各自探测区域如图3所示。单个雷达的在每个区域中的系统
误差是固定的，设置不同的系统误差，对应得到在雷达探测范围内每个子区域对应的系统误差数值。
[0086]
对以上航迹均进行多次蒙特卡洛仿真实验(每一次蒙特卡洛仿真实验会根据对应的误差值生成一条新的航迹)，分别以在径向距和方位角位置估计的均方根误差(root mean square error，rmse)作为衡量跟踪方法优劣的指标，其计算公式如下式所示，其中为某一维上第k时刻的第i次蒙特卡洛仿真后的径向距估计值和方位角估计值，r
i,k
，θ
i,k
为径向距真实值和方位角真实值，mc为蒙特卡洛仿真次数，由此可以得到每条航迹在各个时刻的rmse，其值越低表明跟踪方法越具有优势。
[0087][0088][0089]
仿真场景在二维平面下设置量测噪声和系统误差数值，其中径向距量测噪声标准差为100m，方位角量测噪声标准差为0.003rad。
[0090]
表1为仿真场景下径向距系统误差数值，表2为仿真场景下方位角系统误差数值。
[0091]
表1
[0092][0093]
表2
[0094][0095]
该方法采用了数值赋值方法而非基于雷达探测原理的误差模型，对雷达探测区域进行网格剖分，在网格上设置不同的径向距偏差和方位角偏差，削弱了雷达系统误差模型复杂、难于建立的困难，采用赋值方法得到系统误差的区域分布。
[0096]
针对雷达探测区域进行网格剖分，划定一块区域d覆盖待估计系统误差的区域，如图4所示。雷达空间探测的距离范围是[d0,dm],0＜d0＜dm，其中，距离指到雷达的距离，d0为最小距离，dm为最大距离。其方位角范围是[β0,βn]，其中0＜β0＜βn＜360，表示与正北所成的角度；取d0＜d1…
＜dm将距离范围划分m份(本实施例中m＝5)，取β0＜β1…
＜βn，将方位角范围划分为n(本实施例中n＝3)份，网格的顶点称为节点，记到雷达距离为di。以b雷达为例，例如雷达点迹的径向距处于d0～d1，则该雷达点迹的径向距系统误差赋值为150m，如果方位角处于β0～β1之中，则该雷达点迹的方位角系统误差赋值为0.229
°
。
[0097]
rmse结果图5表明，图5(a)和图5(b)分别代表对一条航迹(采样周期为1s，一共采
样1000个点)进行1000次蒙特卡洛仿真后，由lstm网络估计出的雷达b的径向距rmse结果、方位角rmse结果。横坐标代表1000个采样点，纵坐标代表rmse的数值(rmse越小证明效果越好)，根据这两个图可知，雷达b方位角偏差rmse最大值仅为0.000991464，径向距偏差rmse最大值仅为9.91464，精确度非常高。
[0098]
图5(c)和(d)分别代表对一条航迹(采样周期为1s，一共采样1000个点)进行1000次蒙特卡洛仿真后，由网络估计出的雷达a的径向距rmse结果、方位角rmse结果。横坐标代表1000个采样点，纵坐标代表rmse的数值(rmse越小证明效果越好)。根据这两个图可知，雷达a方位角偏差rmse最大值仅为0.000752994，径向距偏差rmse最大值仅为7.52994，，精确度更高于雷达a。
[0099]
由此可知，基于lstm的多雷达系统误差配准方法在系统误差的估计上精确度高，能有效的在空间分布场景下进行多个系统误差的估计与配准。综上，本发明提出了一种基于lstm的系统误差配准方法，考虑将系统误差根据扇形空间区域划分，构造系统误差空间分布模型，利用数据驱动深度学习的方式，综合考虑目标的空间分布信息，发挥深度学习的优势，显著抑制了系统误差估计的容错率。相较于传统系统误差配准方法，只需要根据系统误差和量测噪声大小来粗略调整超参数即可，可以简化传统方法超参数的选择和调优过程，以大量雷达数据代替先验信息，克服精确先验参数难以获取的问题。
[0100]
本发明将传感器系统误差根据扇形空间区域划分构建系统误差空间分布模型，不同区域分别标记为不同的误差数值，用来模拟系统误差是随着时间演变的动态变化未知量，通过综合利用多传感器数据信息交互的方法，弱化了传统方法对精确先验参数的需求，综合考虑了目标的空间分布信息，显著抑制了系统误差估计的容错率。
[0101]
本发明还公开了一种基于lstm的多雷达系统误差配准装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种基于lstm的多雷达系统误差配准方法。
[0102]
本发明再一种实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0103]
本发明再一种实施例提供了一种计算机程序产品，当计算机程序产品在数据存储设备上运行时，使得数据存储设备执行时可实现上述各个方法实施例中的步骤。
[0104]
所述集成的单元模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到存储设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0105]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0106]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0107]
在本发明所提供的实施例中，应该理解到，所揭露的装置/设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0108]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0109]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。

技术特征：
1.一种基于lstm的多雷达系统误差配准方法，其特征在于，包括以下步骤：获取目标航迹，所述目标航迹位于多雷达系统中多个雷达探测区域的重叠区域；根据所述目标航迹生成每个时刻的特征序列；以每个时刻的特征序列为输入数据，通过探测区域分类网络确定每个时刻目标在所述重叠区域的位置信息；基于所述位置信息确定多雷达系统中每个雷达的系统误差。2.如权利要求1所述的一种基于lstm的多雷达系统误差配准方法，其特征在于，根据所述目标航迹生成每个时刻的特征序列包括：根据目标航迹生成在多雷达系统坐标系中每个时刻的第一目标位置坐标；根据多雷达系统中每个雷达的位置坐标和所述目标位置坐标生成极坐标系下每个时刻的第二目标位置坐标；将每个雷达在每个时刻对应的第二目标位置坐标组合，得到每个时刻的特征序列。3.如权利要求2所述的一种基于lstm的多雷达系统误差配准方法，其特征在于，所述探测区域分类网络为lstm网络，具体包括依次连接的lstm层、全连接层、softmax层和分类层；所述lstm层的输入维度与所述特征序列的维度相同。4.如权利要求3所述的一种基于lstm的多雷达系统误差配准方法，其特征在于，基于所述位置信息确定多雷达系统中每个雷达的系统误差：根据所述位置信息确定目标在重叠区域中的子区域编号；基于所述子区域编号查询每个雷达的系统误差表，并确定所述子区域编号在每个雷达的系统误差表中对应的系统误差。5.如权利要求4所述的一种基于lstm的多雷达系统误差配准方法，其特征在于，所述系统误差表基于雷达的径向距和方位角生成。6.如权利要求4或5所述的一种基于lstm的多雷达系统误差配准方法，其特征在于，所述lstm网络的训练方法为：生成真实目标航迹；基于每个雷达的系统误差表为所述真实目标航迹添加不同的系统误差，得到每个雷达的探测航迹；根据每个雷达的所述探测航迹生成对应的极坐标值；组合每个时刻每个雷达对应的极坐标值，得到每个时刻的训练特征序列；组合每个时刻的训练特征序列，生成所述lstm网络的训练样本集。7.如权利要求6所述的一种基于lstm的多雷达系统误差配准方法，其特征在于，所述lstm网络的损失函数为交叉熵分类损失函数。8.一种基于lstm的多雷达系统误差配准装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种基于lstm的多雷达系统误差配准方法。

技术总结
本发明公开了一种基于LSTM的多雷达系统误差配准方法及装置，获取目标航迹，目标航迹位于多雷达系统中多个雷达探测区域的重叠区域；根据目标航迹生成每个时刻的特征序列；以每个时刻的特征序列为输入数据，通过探测区域分类网络确定每个时刻目标在重叠区域的位置信息；基于位置信息确定多雷达系统中每个雷达的系统误差；本发明通过将多个雷达探测区域的重叠区域根据不同的字区域赋予不同的系统误差，可以大大提升系统误差的精度；同时通过探测区域分类网络可以修正目标航迹的位置信息，得到更准确的目标位置信息，从而进一步提升系统误差估计精度。统误差估计精度。统误差估计精度。


技术研发人员：刘准钆 周嘉琪 杨衍波
受保护的技术使用者：西北工业大学
技术研发日：2023.05.23
技术公布日：2023/8/23