买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种用于解决合并量测问题的Gibbs采样方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116577773B 。

龙图腾网通过国家知识产权局官网在2025-09-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310177471.9，技术领域涉及：G01S13/72；该发明授权一种用于解决合并量测问题的Gibbs采样方法是由赵上宇;魏平;高林;鲜昕尧设计研发完成，并于2023-02-27向国家知识产权局提交的专利申请。

本一种用于解决合并量测问题的Gibbs采样方法在说明书摘要公布了：本发明属于电子对抗技术领域，具体为一种用于解决合并量测问题的Gibbs采样方法。是为了解决在多目标跟踪应用场景中，多个目标可能只产生单个量测而引起的关联失配问题称为合并量测问题，保证在这种情况下依然能够跟踪上每一个目标。一种传统的解决方法是应用分组的思想，将可能产生合并量测的所有目标看作一个组进行处理。这种方法的缺点是，随着目标数的增加，可能会有计算爆炸问题。针对此，本发明提出将Gibbs采样的方法应用到标记多伯努利LMB滤波器中，并用高斯混合GM的方式实现，以缓解分组方法带来的计算负担。

本发明授权一种用于解决合并量测问题的Gibbs采样方法在权利要求书中公布了：1.一种用于解决合并量测问题的Gibbs采样方法，其特征在于，包括以下步骤： S1.获取预测LMB信息： 已知时刻的LMB信息，其中是时刻轨迹的标签，不同轨迹的标签互不相同；是时刻轨迹的存在概率，、和分别是时刻轨迹的第个高斯分量的权重、期望和协方差矩阵；是时刻轨迹的高斯分量数目，是时刻轨迹数目；具体方法如下： S11.对于时刻存在，时刻依然存在的轨迹，称之为存活轨迹；对于存活的轨迹，需要得到的预测信息为： ， 其中下标表示已知时刻的信息的前提下，预测得到时刻的信息； 使用Kalman运动模型进行预测，模型如下： ， 其中和分别表示时刻单个轨迹的预测运动状态和时刻单个轨迹的运动状态；是时刻的运动状态转移矩阵，将初始运动状态映射为预测后的运动状态；是时刻的过程噪声，服从期望为0，协方差矩阵为的高斯分布； 具体预测方程如下： ， ， ， ， ， 其中为时刻轨迹存活到时刻的存活概率；为矩阵转置操作； 可知在存活轨迹的预测中，标签保持不变，轨迹数目和每一个轨迹下的高斯分量数目也都不变； S12.对于时刻进入观测范围的轨迹，称之为新生轨迹；对于新生的轨迹，已知以下先验信息为： ， 其中下标代表新生轨迹，以区别于存活轨迹；为新生轨迹的标签，它的选取原则是各个新生轨迹的标签必须互不相同，且与已经使用过的存活轨迹的标签不能相同；为新生轨迹的存活概率；、和分别是时刻新生轨迹的第个高斯分量的权重、期望和协方差矩阵，有；是时刻新生轨迹的高斯分量数目，为时刻新生轨迹的总数； 将存活轨迹和新生轨迹的预测信息合并，得到预测信息： ， 其中，为时刻的预测轨迹数，也即存活轨迹数加上新生轨迹数； S2.将LMB信息转为GLMB信息： 现在已知时刻的预测LMB信息，需要在个预测轨迹中挑选出不同的轨迹的组合，作为不同的假设，构成预测GLMB信息；用假设标签集、假设权重和对应的高斯分量参数来表示预测GLMB信息为： ， 具体获取方式如下： ， ， ， 其中，是第个假设的标签上标集合；是第个假设中所有被选取的预测目标的标签的集合；是第个假设的权重，等于所有被选出的轨迹的存在概率以及所有未被选中的轨迹的不存在概率之积；是第个假设的相关高斯分量信息，由所有被选取的预测目标的高斯分量信息组成； 只保留超过权重阈值的权重，重新索引这些假设为： ， 其中为超过权重阈值的预测假设个数，满足； 预测假设的权重最后有一个归一化过程，从而得到完整的预测GLMB信息； S3.获取更新GLMB信息： 已知时刻的预测LMB信息和预测GLMB信息；利用观测信息，将预测轨迹和观测信息关联起来，然后更新相应的预测信息；需要得到的更新GLMB信息为，其中为时刻更新假设个数；关联通过Gibbs采样的方法实现，预测信息的更新通过Kalman观测模型实现；具体方法如下： S31.使用Kalman观测模型进行更新，模型如下： ， 其中表示时刻单个轨迹的运动状态；是时刻的观测函数，将预测运动状态映射为更新后的运动状态；是时刻的观测噪声，服从期望为0，协方差矩阵为的高斯分布； 计算成本矩阵，它的元素值反映了将某个预测轨迹和某个观测值相关联的相对可能性，它是一个的矩阵，矩阵中位置处的元素值： ，其中，为时刻预测轨迹被传感器检测到的检测概率；为对矩阵求行列式操作；矩阵 ，为的雅可比矩阵，为函数在处的偏导数；是时刻的观测集中第个单观测，在合并量测情况下，由一个或多个轨迹产生，或者由杂波产生；是时刻观测的数目；为杂波在观测空间上的强度函数； S32.对于每一个预测假设，分别要做次Gibbs采样，产生个更新假设；其中为四舍五入操作；每一个预测假设的Gibbs采样都是独立进行的，且流程一致，因此只给出一个预测假设的采样过程，其余预测假设的采样遍历此步骤即可，具体流程如下： S321.根据Gibbs采样的思想，第一次无需采样，直接任意指定初始样本值即可；初始值为该预测假设中所有的预测轨迹均和关联，也即该预测假设中所有的预测轨迹漏检；该预测假设产生的第一个更新假设的标签集和相应的高斯分量信息均不变，即，；假设权重，其中代表多目标指数；该更新权重的获取可以理解为，在原预测假设权重的基础上，乘以该预测假设中所有轨迹漏检的概率；由于所有预测轨迹都漏检，因此所有的观测都是由杂波产生，因此再乘以所有观测均为杂波的强度函数；这样，就得到了第一个更新假设； S322.从第二个到第更新假设开始，每一次Gibbs采样都按照成本矩阵来进行，对第二个更新假设具体是：首先只保留中对应于的行，每一行的采样代表该预测假设中一个预测目标和观测的关联过程；由于合并量测中，多个目标可能对应同一个观测，因此每一行的采样方法一样：对于中任意一行，找出所有大于等于1的元素，列出它们的元素值，进行归一化处理，按照概率进行采样，采样的元素对应的列数即为轨迹的关联值；如果所有元素均小于1，则选取最大的元素对应的列数作为；处理完该预测假设下所有预测轨迹对应的行之后，则完成了一次预测假设的更新；该预测假设产生的第二个更新假设的标签集不变，即；假设权重，该更新权重的获取方式是将S321步中的替换为；高斯分量信息通过Kalman滤波器更新，具体如下， ， ， ， 其中为Kalman增益矩阵，为单位矩阵；然后将预测轨迹的所有高斯分量归一化，即可得到更新假设的高斯分量信息为： ， 其中对于该预测假设下所有的预测轨迹，都有，即高斯分量的数目全都保持不变； 其余假设遍历S322即可； S323.完成个更新假设后，如果其中有重复的关联结果，则去掉重复，得到个关联结果不重复的更新假设；若没有重复的，则令；重新索引为； S33.将所有的预测假设按照S32步处理，然后将所有的更新假设权重归一化，得到完整的更新GLMB信息； S4.将GLMB信息转回LMB信息： 得到更新后的LMB信息，具体获取方式如下： ， ， ， ， ， 更新轨迹的标签从所有的更新假设的标签集中选取；更新轨迹的存在概率为所有包含该轨迹的更新假设的权重之和；高斯分量信息是更新GLMB信息中带有相同标签的高斯分量信息的集合；为更新轨迹高斯分量数目，取决于该轨迹和多少个观测有关联；为更新轨迹的数目； S5.轨迹修剪： 首先只保留大于等于存在概率门限的更新轨迹； 然后对于余留下来的轨迹，需要继续清理各自的高斯分量，分为高斯剪枝、高斯合并和高斯限数三个步骤：高斯剪枝和去除轨迹同理，只保留高于门限的高斯分量；高斯合并是将在状态空间上接近的所有高斯分量合并为一个高斯分量；高斯限数是指，如果一个轨迹的高斯分量数目超过上限，则保留个权重较大的分量；最后，归一化这些高斯分量权重，得到修剪后的LMB信息为； S6.状态估计： 首先估计时刻目标数：，其中表示取集合元素数目操作；即存在概率超过门限的轨迹视为目标，该时刻目标数的估计等于所有超过门限的轨迹数之和； 再来估计每个目标的运动状态：，其中；即对于每一个被判定为目标的轨迹，采用期望最大期望估计法，用高斯分量的加权和作为目标状态的估计； 最后，得到时刻的状态提取信息； 完成第一个时刻的跟踪后，后续步骤不断迭代，得到完整的跟踪轨迹。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新西区西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。