《International Journal of Naval Architecture and Ocean Engineering》:A Track-to-track Fusion Method for Tracking Maritime Obstacles
编辑推荐:
为确保安全航行,准确跟踪海上障碍物至关重要。为此广泛采用AIS(自动识别系统)、雷达(RADAR)、激光雷达(LiDAR)及摄像机等多类传感器估计周围障碍物状态,但各传感器在探测距离与量测频率上存在差异,单一传感器难以实现稳定精确跟踪,故需融合各传感器优劣互补
为确保安全航行,准确跟踪海上障碍物至关重要。为此广泛采用AIS(自动识别系统)、雷达(RADAR)、激光雷达(LiDAR)及摄像机等多类传感器估计周围障碍物状态,但各传感器在探测距离与量测频率上存在差异,单一传感器难以实现稳定精确跟踪,故需融合各传感器优劣互补。本研究提出一种航迹-航迹融合(Track-to-Track Fusion)方法,通过融合雷达与摄像机数据提升海上障碍物跟踪精度。雷达数据采用单元平均恒虚警率(CA-CFAR, Cell Averaging-Constant False Alarm Rate)算法处理,摄像机数据采用YOLOv11(You Only Look Once v11)进行海上障碍物检测,两传感器检测值分别通过扩展卡尔曼滤波(EKF, Extended Kalman Filter)建立各自航迹,再应用加权移动平均(WMA, Weighted Moving Average)算法的航迹-航迹融合方法予以集成。研究人员利用模拟海上环境的虚拟仿真器在多种会遇场景下验证所提方法。结果表明:相较于单传感器跟踪方法(基准100%),航迹-航迹融合方法的位置均跟踪误差为9.91 m(95.81%)、对地航向(COG, Course Over Ground)为10.88°(71.10%)、对地航速(SOG, Speed Over Ground)为1.34 kn(79.68%);即位置、COG、SOG误差分别降低4.19%、28.90%和20.32%,显著优于单传感器方法,说明航迹-航迹融合有效提升了海上障碍物跟踪可靠性。
《International Journal of Naval Architecture and Ocean Engineering》刊载的该研究针对船舶航行中单一传感器(AIS、雷达、可见光相机、LiDAR)各自存在探测盲区、更新率低、受天气影响大等局限,难以稳定精确地跟踪海上障碍物(如他船、浮标)的问题,提出并验证了一种基于雷达与可见光相机数据航迹?航迹融合(Track-to-Track Fusion)的海上障碍物状态估计方法,经虚拟仿真多会遇场景验证可显著降低位置、COG、SOG的跟踪误差,对提升自主航行或辅助驾驶系统的感知可靠性具重要工程意义。
主要关键技术方法:研究人员利用虚拟海上仿真器生成头对头(Head?on)、追越(Following)、交叉(Crossing)及坏天气交叉四类会遇场景,雷达回波经二维CA?CFAR算法提取目标距离方位并转换至全局坐标系,相机图像用48428张标注样本训练YOLOv11检测目标船体框并依地平线几何估算距离方位;两传感器观测值分别送入扩展卡尔曼滤波(EKF)独立建航迹,借助结合CPD(Coherent Point Drift)与最近邻(NN, Nearest Neighbor)的数据关联匹配同一目标航迹,采用Fast Covariance Intersection(FCI)进行传感器?系统航迹协方差融合,最终用加权移动平均(WMA)平滑融合输出。
研究结果:
- 2.
海上障碍物检测(Maritime obstacle detection)
2.1 雷达数据的CA?CFAR算法:研究人员对雷达二维反射强度图像应用二维CA?CFAR,设置保护单元与训练单元,依虚警概率Pfa=0.05动态计算检测门限,将检测到的相对距离与方位结合本船GPS/姿态转换至全局坐标系。结论:相比固定阈值法,CA?CFAR可自适应海杂波变化,降低虚警率并提高检测稳定性。
2.2 相机数据的目标检测模型:研究人员采用YOLOv11在48428张仿真海上图像(训练:验证:测试=8:1:1)上训练,以检测框底边中心作为水面接触点,结合像平面内地平线像素距离估算目标距离与方位并转至全局坐标系。结论:YOLOv11可有效检测复杂海面背景下目标船,为近距离高精度量测提供数据源。
- 3.
基于航迹?航迹融合的海上障碍物跟踪(Maritime obstacle tracking using track?to?track fusion)
3.1 用于海上障碍物跟踪的EKF:研究人员定义状态向量为全局坐标系下位置(x,y)、SOG(v)、COG(φ),采用极坐标速度参数化的运动模型做预测,再用带量测雅可比矩阵的更新步修正,过程噪声协方差Q=diag(10,10,1,0.5),雷达量测噪声R=diag(36,36),相机R=diag(64,64)。结论:EKF可分别对异采样率的雷达与相机观测序列建立连续局部航迹。
3.2 数据关联(Data association):研究人员先用CPD算法对齐多传感器点集,再用NN算法依空间邻近及SOG、目标尺寸匹配误差(<20%)确认同一目标并赋予唯一ID。结论:CPD+NN联合关联可在多船邻近时减少误匹配,保证航迹配对正确。
3.3 航迹?航迹融合方法(Track?to?track fusion method)
3.3.1 系统航迹生成:对比Sensor?to?Sensor(两传感器航迹互外推同步后融合)与Sensor?to?Global(仅外推系统航迹与到更新传感器航迹融合)两种方案,后者计算效率更高且易扩展。结论:Sensor?to?Global架构适合实时多传感器系统。
3.3.2 传感器航迹融合:研究人员采用FCI算法在不明航迹相关性下按协方差加权融合系统航迹与传感器航迹,权重因子由Niehsen近似公式直接计算免迭代。结论:FCI可保守地给出一致融合估计,避免过置信。
3.3.3 融合结果平滑:因两传感器航迹可能存在跳变,研究人员对FCI融合结果施加一阶WMA平滑(αWMA=0.5),即当前输出=α·上一融合+(1?α)·当前FCI融合。结论:WMA抑制瞬时传感器噪声引起的突变,使融合轨迹更平滑稳定。
- 4.
应用(Applications)
研究人员在四种场景中对比单传感器EKF跟踪与两种航迹?航迹融合结果(Ground Truth取目标船AIS数据):
— 场景1(Head?on):Sensor?to?Global融合位置误差8.55 m(87.29%)、COG 22.28°(53.72%)、SOG 1.04 kn(84.47%),优于单独雷达与相机。结论:融合弥补雷达近距初期波动与相机测距不准。
— 场景2(Following):Sensor?to?Global融合COG误差7.09°(33.45%)、SOG 1.70 kn(75.83%),明显优于雷达单独跟踪。结论:相机高帧率补偿雷达稀疏更新,Sensor?to?Global比Sensor?to?Sensor在稀疏更新段更稳定。
— 场景3(Crossing):Sensor?to?Global融合COG 2.86°(57.47%)、SOG 0.73 kn(56.69%),综合性能最佳。结论:雷达与相机互补时段有效提升角度与速度估计。
— 场景4(Bad Weather Crossing):相机与雷达均受雨衰与海杂波影响,融合位置略差于雷达单独,但Sensor?to?Sensor融合COG 3.93°(79.11%)、SOG 1.48 kn(77.18%)仍优于单传感器。结论:即便恶劣天气,合理融合仍可部分抵消单传感器退化。
讨论与结论翻译:研究人员提出并验证了一种利用雷达CA?CFAR检测与相机YOLOv11检测、分别EKF建航迹后经CPD+NN数据关联、FCI航迹?航迹融合及WMA平滑的海上障碍物跟踪方法。通过虚拟仿真四种会遇场景验证表明:雷达单独跟踪均值误差为位置10.29 m、COG 18.42°、SOG 1.66 kn;航迹?航迹融合(Sensor?to?Sensor与Sensor?to?Global综合均值)位置9.91 m(95.81%)、COG 10.88°(71.10%)、SOG 1.34 kn(79.68%),较雷达单独跟踪误差分别降低4.19%(位置)、28.90%(COG)、20.32%(SOG)。结果表明所提航迹?航迹融合方法有效结合雷达远距离稳定探测与相机高时间分辨率及近距离角度优势,显著提升海上障碍物跟踪精度与鲁棒性,对实船智能航行感知系统具应用价值。未来将在更极端海况、夜间及增加多传感器(AIS/LiDAR等)条件下进一步验证,并开展实船数据田间试验。