根据研究重点的不同,从群目标跟踪的建模和滤波算法方面展开综述,主要包括:量测处理、扩展外形建模、内部关系建模、群分裂/合并建模以及滤波算法等.最后,基于群目标跟踪现有研究进展和未来可能面临的挑战,对群目标跟踪领域需要重点研究和关注的方向作了展望.
本文以山西省西山煤田某一工作面为试验区，在分析地面沉降全球卫星导航系统（GNSS）监测数据特征的基础上，利用两种卡尔曼滤波方法（普通和总体卡尔曼滤波）对矿区地面沉降GNSS监测数据进行了处理与评价，同时对比了两种卡尔曼滤波方法的均方根误差分布情况。试验结果表明，两种滤波方法的滤波结果与观测值趋势大致相同，但存在少数异常点。下沉量越大的监测点，滤波结果与观测值的差异越大，但总体卡尔曼滤波的差异明显小于普通卡尔曼滤波，特别是对于下沉量较大的监测点。下沉量越大的监测点，其均方根误差越大，总体卡尔曼滤增大的速度远小于普通卡尔曼滤波，总体卡尔曼滤波均方根误差的最大值小于0.1 m，普通卡尔曼滤波的则接近0.4 m。
为了降低室内环境下INS/UWB组合导航中有色测量噪声（CMN）对导航精度的影响，本文对高斯-马尔可夫CMN下的分布式KF（dKF）进行了改进，使用可变CFM，使CFM能够随着导航环境的变化而变化。针对分布式KF，局部滤波器利用INS和UWB分别测量的距离之差作为其观测量，对目标行人的位置进行预估。在此基础上，主滤器通过融合局部滤波器的估计值来估计目标行人当前时刻的位置。实验表明，与标准dKF相比，使用可变CFM改进的dKF可以将定位均方根误差（RMSE）降低26.85%。
一个完整的 SLAM（simultaneous localizationandmapping） 框架包括传感器数据、 前端、 后端、 回环检测与建图，如图1所示，其中，前端将传感器的数据抽象成适用于估计的模型，回环检测判断机器人是否经过已知的位置。而后端接受不同时刻前端测量的位姿和回环检测的信息并对它们进行优化，从而得到全局一致的轨迹。建图则是根据状态估计得到的轨迹建立与任务要求相对应的地图。通常,仅含有前端和局部后端的框架被称为里程计, 而带有回环检测和全局后端的完整框架被称为 SLAM。
EKF的目的是使卡尔曼滤波器能够应用于机器人等非线性运动系统，EKF生成的状态估计比仅使用实际测量值更准确。在本文中，我们将简要介绍扩展卡尔曼滤波器，并了解传感器融合的工作原理。为了讨论EKF，我们将考虑一种机器人车（自驾车车辆在这种情况下）。如下图所示，我们可以在一个全局坐标系中为这辆车建模，坐标为：Xglobal、Yglobal和Zglobal（面朝上）。X_car和Y_car坐标属于以线速度（V）和角速度（ω）移动的车的坐标系。横向角（γ）测量汽车绕全局Z轴旋转的程度。
基于全球船舶自动识别系统（Automatic Identification System，AIS）数据的船舶轨迹异常行为快速检测对于保障船舶航行安全、辅助安全监管具有重要意义。AIS数据具有容量大、更新频率快的特点，而当前AIS轨迹异常行为检测方法依赖于大量的训练样本与历史数据，实用性与普适性较差，难以用于船舶轨迹异常行为快速检测。为此，本文定义了船舶追踪、航速、航向、位置4种异常行为检测模型，提出了一种基于卡尔曼滤波的船舶AIS轨迹异常行为检测方法，实现了船舶AIS轨迹的异常行为快速检测与报警。实验选取经过我国东海部分地区3天的AIS数据，对实验结果的正确性与耗时进行分析，结果表明模型可以满足异常即时发现、即时处理的应用需求。
基于PM2.5（Fine Particulate Matter）浓度、地表温度（Land Surface Temperature，LST）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、植被覆盖度（Vegetation Coverage，VC）、土地利用等数据，借助综合评价指数（Comprehensive Evaluation Index，CEI），本文对2000―2015年京津冀环境质量进行了评估。结果表明：京津冀整个地区，CEI呈逐步退化和退化的面积分别占34.88%和4.15%，主要位于东南部的天津，河北邢台、邯郸等地。京津冀城市建成区，CEI呈退化和逐步退化的比例分别达到54.80%和25.87%。46.76%和39.86%的城市扩张用地的环境质量分别呈现逐步退化和退化状态。京津冀？LST值呈现西北、东南低，中部高的分布态势，？PM2.5和？VC均呈现从东南向西北减小的趋势。相关分析表明？PM2.5、？VC和？LST的变化对城市建成区及其城市扩张用地的环境质量有显著影响，其中？PM2.5浓度变化是导致城市建成区及其扩张用地环境质量恶化的最主要因素。
GlobeLand30数据已被广泛应用于生态、环境、气候等研究领域，对其进行精度验证是保证GlobeLand30产品推广应用的首要前提。本文提出了一种基于众源地理数据的GlobeLand30人造地表精度验证方法：首先利用随机抽样的方法布设样本点，其次应用LDA （latent Dirichlet allocation）主题模型计算众源数据文档的地表覆盖主题，最后通过构建样本点与GlobeLand30数据产品之间的混淆矩阵，以实现人造地表数据的精度验证。研究区域为我国27个省级行政区，众源地理数据选用POI数据，对本文提出的方法进行了实例验证。结果表明：2000年和2010年的人造地表总体精度分别为87.63%和88.81%，这与GlobeLand30人造地表第三方评价精度86.97%相近，验证了本文方法的有效性。
没有账户，需要注册
时序大模型是面向时间序列数据的基础大模型，以 Transformer 等架构为核心，通过在海量多领域时序数据上进行预训练，学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练，时序大模型具备强大的迁移能力，只需少量样本微调或零样本提示，即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中，它能够直接处理传感器、设备测点产生的海量时序信号，挖掘设备状态演变规律，支撑设备故障预警、工况识别与生产趋势预判，为工业智能落地提供底层模型能力。如：中服云的CServerAIR
2025年，全球人工智能市场规模达到3909亿美元，中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张，制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初，中国日均词元(Token)调用量为1000亿;至2025年底，跃升至100万亿;2026年3月，已突破140万亿，两年增长超千倍。这些数字背后，是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造，聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据，实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量，助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送，有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型，筑牢安全生产与节能减排双重发展防线。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
Vibe Coding的真正意义，不是让所有人都变成传统意义上的程序员，而是让更多人能够把场景知识转化为可运行的软件，也让专业开发者可以用新的方式实现工作。自然语言降低了表达意图的门槛，工具和Skil扩展了AI的执行能力，反馈与验证则决定结果是否可靠。未来会出现更多由个人和小团队创造的长尾软件，也会出现更严格的工程治理。但无论工具怎样 进步，选择解决什么问题、判断何时可以发布、决定系统使用范围和受众，这些关乎判断和责任的事，始终需要人来完成。
智能体治理是一项复杂的系统工程，需要政府、企业、学界、社会等多元主体协同参与。一是推动责任共担机制落地。明确基础能力提供者、技术支持者、产品分发者、服务运营者、使用者等各类主体的义务边界，推动供应链各环节的安全责任落实。鼓励行业组织制定自律公约和最佳实践指南，引导企业主动披露安全信息、参与协同治理。二是促进开放互联与公平竞争。
基于国产化软硬件技术栈，打造端到端全链路国产化、自主可控的信创云电脑解决方案，为企业用户提供高安全、高稳定性 高效便捷的信创云电脑服务，满足大中小企业、行业用户的国产化安全办公需求。
全球算力产业正经历以人工智能为核心驱动力的深刻变革，智算供给能力实现快速扩容。算力规模方面，据中国信通院测算，截至2026年6月底，美国智算规模约10805EFLOPS(FP16，下同)，较2025年底增加约3105EFLOPS，2026上半年增速高达40.3%;国智算规模达到2185EFLOPS，较2025年上半年增加1397EFLOPS，增速高达177.3%，与美国共同构成全球智算扩张的两大主引擎。欧 展方阳 洲、日韩等发达经济体持续加大智算基础设施投入，智算底座建设稳步推进，全球智算供给格局加速演进。全球算力技术路线加速迭代，呈现多技术路径并行演进
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
