传感器融合和跟踪工具箱™包括用于设计、模拟和测试系统的算法和工具，该系统融合来自多个传感器的数据，以保持态势感知和定位。参考实例为监视和自主系统的多目标跟踪和传感器融合开发提供了起点，包括机载、星载、陆基、舰载和水下系统。
您可以融合来自真实世界传感器的数据，包括主动和被动雷达、声纳、激光雷达、EO/IR、IMU和GPS。您还可以从虚拟传感器生成合成数据，以在不同场景下测试您的算法。该工具箱包括多对象跟踪器和评估过滤器，用于评估结合了网格级、检测级和对象或跟踪级融合的体系结构。它还提供了包括OSPA和GOSPA在内的度量标准，用于根据地面真实场景验证性能。
对于模拟加速或快速原型，工具箱支持C和c++代码生成。
开始:
空域监视
使用主动和被动传感器(如雷达、ADS-B和EO/IR传感器)的数据跟踪多个目标。定制跟踪器来处理机动对象。
以地球为中心的场景跟踪飞机。
用开普勒运动模型跟踪空间碎片。
单一传感器跟踪
建模和模拟多目标跟踪器，以执行智能传感器所需的处理。这包括将原始数据转换为对象跟踪列表。
集中式融合
使用集中式跟踪器跟踪扩展对象，该跟踪器融合了来自多个传感器和传感器模式的数据。使用概率假设密度(PHD)跟踪器来估计运动物体的运动学，以及物体的尺寸和方向。对于复杂的城市环境，实现基于随机有限集(RFS)网格的跟踪器来跟踪每个网格单元的占用情况及其运动学。
Track-Level融合
从多个跟踪源引信跟踪，以提供更全面的环境估计。在带宽受限的系统和使用谣言控制来消除陈旧结果的系统中，评估履带到履带融合架构。
多目标跟踪器
将估计过滤器、分配算法和跟踪管理逻辑集成到多目标跟踪器中，将检测融合到跟踪中。将传感器数据转换为检测格式，并在简单的场景中使用全局最近邻(GNN)跟踪器。轻松切换到联合概率数据关联跟踪器(JPDA)、多假设跟踪器(MHT)或PHD跟踪器，以应对具有挑战性的场景，如跟踪测量存在歧义的紧密间隔目标。
扩展对象和基于网格的跟踪器
使用PHD跟踪器跟踪扩展对象的运动学、大小和方向。利用激光雷达和雷达点云等高分辨率传感器数据，使用基于网格的RFS跟踪器进行跟踪，以估计复杂城市环境中网格单元的动态特性。
Track-Level融合
由跟踪传感器或其他航迹到航迹融合对象生成的融合航迹。在带宽受限的系统中设计分散的跟踪系统。减少谣言传播，消除陈旧的跟踪结果。
融合体系结构
探索跟踪器架构，并评估在轨迹到轨迹融合、中央级跟踪或混合跟踪架构之间的设计权衡。使用静态(检测)融合来结合来自仅角度和仅距离传感器的检测，如IR, ESM或双基地雷达。
使用分布式同步无源传感器跟踪。
物体轨迹和姿态生成
与跟踪场景设计器应用程序交互定义场景，并生成定义和转换不同参考系中对象的真实位置、速度和方向的MATLAB脚本。
主动和被动传感器模型
模拟主动传感器(包括雷达、声纳和激光雷达)，以生成对目标的探测。模拟跨越方位角、仰角或两者的机械和电子扫描。模型雷达预警接收器(RWR)、电子支撑测量(ESM)、被动声纳和红外传感器，以生成仅用于跟踪场景的角度探测。模型多静电雷达和声纳系统与发射器和传感器。
蒙特卡罗模拟
使用不同的随机噪声值执行蒙特卡洛模拟。扰动地面真值和传感器配置，以增加测试的鲁棒性。
INS传感器模型
模型惯性测量单元(IMU)， GPS，高度计和INS传感器。调整环境参数，例如模型的温度和噪声特性，以模拟真实环境。
模拟IMU和GPS传感器以测试惯性融合算法。
定位估计
熔断器加速计和磁强计读数模拟电子罗盘(eCompass)。融合加速度计、陀螺仪和磁强计读数与姿态和航向参考系统(AHRS)滤波器，以估计方向。
姿态估计
利用惯性传感器和GPS估计有和没有非完整航向约束的姿态。在没有GPS的情况下，通过融合惯性传感器与高度计或视觉里程计来确定姿态。
使用融合IMU和相机数据的视觉惯性里程计。
场景可视化
绘制物体的方向和速度、地面真实轨迹、传感器测量和3D轨迹。情节检测和跟踪不确定性。用历史轨迹可视化轨迹id。
多平台场景的戏剧情节。
传感器和跟踪指标
生成音轨建立、维护和删除指标，包括音轨长度、音轨中断和音轨ID交换。用位置、速度、加速度和偏航率均方根误差(RMSE)或平均归一化估计误差平方(ANEES)来估计跟踪精度。使用集成的OSPA和GOSPA指标在单个分数中总结性能。利用艾伦方差分析惯性传感器噪声。
调谐过滤器和跟踪器
优化多目标跟踪器的参数，如分配阈值、过滤器初始化函数、确认和删除阈值，以实现性能最大化。比较跟踪器和跟踪器配置之间的结果。自动调优INS滤波器以优化噪声参数。
代码生成
生成C/ c++和MEX代码，用于模拟加速或桌面原型的使用MATLAB编码器™。应用成本计算阈值以减少用于计算分配成本的时间。
产品资源:
接下来是什么?
您也可以从以下列表中选择网站: