CN107832575A

CN107832575A - 基于伪测量的带反馈机动目标异步航迹融合算法

Info

Publication number: CN107832575A
Application number: CN201710936093.2A
Authority: CN
Inventors: 黄大羽; 蔡云泽; 吴建民; 刘博�
Original assignee: China Aeronautical Radio Electronics Research Institute
Current assignee: China Aeronautical Radio Electronics Research Institute
Priority date: 2017-10-10
Filing date: 2017-10-10
Publication date: 2018-03-23
Anticipated expiration: 2037-10-10
Also published as: CN107832575B

Abstract

本发明公了一种基于伪测量的带反馈机动目标异步航迹融合算法，首先对模型集进行输入交互，按照模型概率及模型转移概率计算各个模型的滤波初值；然后，融合中心基于卡尔曼滤波算法计算一步预测值，获取到滤波周期内新的传感器量测信息后，按照时间轴顺序排列，向融合时刻进行递推，将传感器观测矩阵、噪声、模型预测等信息加入其中，执行异步航迹融合；之后，进行二次滤波计算模型输出，在融合中心进行输出交互得到融合中心估计值和估计误差矩阵，并反馈回到符合反馈条件的传感器。本发明通过引入带反馈的融合结构来提升算法的整体精度，使之在多传感器机动目标跟踪中取得更好的效果。

Description

基于伪测量的带反馈机动目标异步航迹融合算法

技术领域

本发明涉及多传感器探测系统中一种基于伪测量的带反馈机动目标异步航迹融合算法，涉及机动目标跟踪、异步航迹融合和信息反馈等领域。

背景技术

目标跟踪是指对来自目标的量测值进行处理，以便保持对目标现时状态的估计。在目前的技术条件下，可通过雷达、红外、可见光等多种探测手段获得量测信息，但由于传感器自身工艺、设计原理以及探测环境等客观影响，量测信息中往往包含大量的随机噪声，目标跟踪技术通过滤波器的先验模型信息消除随机噪声的影响，最终的目的是得到对于目标更精确的估计值。目前，目标跟踪技术已经广泛应用于军事领域，如飞行器的监视与调度、精确制导导弹打击目标、战场敌情监控等。

随着探测手段的多样化，现代探测环境下越发强调多传感器复合探测手段的重要性，单个传感器发挥作用有限，有其固定的探测范围与侧重点。鉴于此，多传感器探测系统受到广泛关注，并已被大量应用于目标探测、识别和跟踪等多个领域。多传感器系统是一个具有高复杂度和集成度的系统，复杂度主要来源于两个方面：量测信息的不确定性与目标运动的复杂性，复杂条件下的目标跟踪主要解决两个方面问题，也是多传感器跟踪技术的重点问题：其一，目标运动模型和观测模型的合理建立；其二是采用合适的跟踪算法。

在多传感器系统实现中，多速率是无法回避的问题。在实际运行的监测系统中，传感器间采样开始时间不一致且采样速率不同，此外，在一个多传感器系统中，可能会包含电磁、热、文本、音频、视频、射频、网络资源等多种异类数据。与同类数据相比，异类数据提供的信息具有更强的多样性和互补性，但同时也引发异步采样的处理问题。另一方面，即使是相同采样速率的同类多传感器系统，不同的通信信道延迟也会造成传感器提供给融合中心的是异步数据。由此可见，在处理航迹的估计融合问题时，传感器异步数据如何融合是无法回避的问题。

针对异步传感器数据如何融合的问题，已有研究工作有Willsky等人于1989 年提出的多尺度估计方法，Hong等人通过小波变换方法将针对异步量测问题构建的高阶系统分解为低阶系统，使用量测信息对低阶系统进行更新之后逆变换得到融合结果，Cristi和Tummala等人将状态空间的模型推断信息分解到各个不同频率对应的新息中，通过并行处理解决时序问题。以上工作均对传感器间的频率比要求较高，很难应用于实际。

1991年，为了解决高采样速率的光学传感器与低采样速率的雷达数据间的融合问题，Blair等人基于最小二乘原理，在雷达观测数据到达后，结合光学数据解算出量测估计值。该方法为跟踪算法提供了通过融合手段计算出的“伪”量测，使用量测估计值取代了真实量测，伪测量方法初见雏形。Alouani和Rice 研究了分布式情境下的相同问题，提出了含反馈的线性加权算法(linear weighted fusion，LWF)，该算法使用上一时刻融合中心航迹信息以及局部航迹信息，按照最小协方差准则得到最优融合算法。基于以上学者的工作，HuY等人在考虑航迹误差的互相关性伪测量方法基础上，设计融合算法使用融合时间间隔内的所有量测信息，进一步提高了融合精度，并且计算过程中只需要局部航迹信息，从而减少通信负担，取得了比较好的异步航迹融合效果。

在多弹协同的跟踪情景中，经常采用主从弹协同跟踪(Leader&Follow)的方式对目标进行定位。由于主弹具有更好的观测精度与计算能力，因此将主弹作为融合中心建立分布式融合系统，融合中心通过机动目标的异步航迹融合能获取较高的跟踪精度。融合中心向传感器的信息反馈通道能将高质量的航迹信息传递给局部航迹，提升多弹协同的整体跟踪精度，最终达到提升多弹打击杀伤效果的目的。此外，信息反馈能消除局部航迹的野值影响，增强探测系统的鲁棒性，在许多滤波器结构中有重要应用，因此需要研究新的融合算法以充分反馈信息提高跟踪航迹精度。

发明内容

本发明的发明目的在于提供一种基于伪测量的带反馈机动目标异步航迹融合算法，可以有效处理异步传感器数据，并结合交互式多模型算法完成对机动目标的跟踪，使用具有反馈信息的融合结构从而提高传感器的局部航迹精度，改善跟踪效果。

本发明的发明目的通过以下技术方案实现：

一种基于伪测量的带反馈机动目标异步航迹融合算法，包含以下步骤：

第一步：对于目标跟踪，融合中心将目标的复杂的运动形式分解为简单运动形式的运动模型，将运动模型输入模型集按照上一时刻t_k-1计算的模型概率μ(k-1)以及模型转移概率，计算各运动模型使用的滤波初始状态与初始误差协方差其中，序号j表示序号为j的运动模型，m表示模型集中的运动模型的数量，k表示序号为k的时刻；

第二步：使用卡尔曼滤波算法计算滤波信息一步预测值；

第三步：在时间段(t_k-1,t_k]内，按照时间轴顺序获取并排列各传感器的量测信息其中N_k表示该时间段内的量测总数；

第四步：对应运动模型j，利用传感器获取到的量测信息向时刻t_k进行递推，计算参数与

其中，与分别表示传感器i的一步预测状态估计与一步预测得到的误差协方差阵，与则表示状态估计与误差协方差阵后验估计值，表示传感器i探测获取的测量；

第五步：对应运动模型j的参数与执行该运动模型j异步航迹融合算法，计算运动模型j一步预测值和预测误差协方差矩阵；

第六步：对应运动模型j，使用二次滤波算法，获取最新的局部航迹信息作为观测点进行卡尔曼滤波，计算该运动模型的输出，即目标状态估计及其误差协方差估计

第七步：更新模型概率和模型转移概率，并使用运动模型的输出，计算该时刻融合中心的最终输出目标的状态估计和目标的误差协方差估计

第八步：检测各传感器的更新时刻，对符合条件的传感器i设计信息反馈通道，则有

采用本发明的技术，能够有效融合处理异步传感器数据，实现对机动/非机动目标的跟踪，当目标匀速情况时，本发明整体跟踪精度与传统方法(卡尔曼滤波，交互多模型IMM方法)相近；当目标发生机动时，本发明在目标机动时的跟踪精度优于传统方法。

附图说明

图1有航迹记忆且带反馈的融合结构示意。

图2目标匀速运动时局部航迹的误差比较图。

图3目标存在机动时局部航迹的误差比较图。

图4为基于伪测量的带反馈机动目标异步航迹融合算法的流程示意图。

具体实施方式

在分布式融合基础结构中，传感器独立滤波生成局部航迹，融合中心获取航迹后进行融合，依据融合中心是否利用上个融合时刻的融合结果以及融合中心是否向传感器端反馈数据，可将分布式融合结构划分为无航迹记忆且不带反馈、无航迹记忆且带反馈、有航迹记忆且不带反馈和有航迹记忆且带反馈四种类型，其本质是通过使用前一时刻的融合航迹信息改善融合精度，使用具有反馈信息的融合结构能够提高传感器的局部航迹精度。本发明通过引入带反馈的融合结构来提升算法的整体精度，使之在多传感器机动目标跟踪中取得更好的效果，融合中心获得最新的航迹估计值及其协方差矩阵后，向在融合中心滤波时刻获取量测的传感器i进行信息反馈。具体来说，在算法运行过程中，首先对模型集进行输入交互，按照模型概率及模型转移概率计算各个模型的滤波初值；然后，融合中心基于卡尔曼滤波算法计算一步预测值，获取到滤波周期内新的传感器量测信息后，按照时间轴顺序排列，向融合时刻进行递推，将传感器观测矩阵、噪声、模型预测等信息加入其中，执行异步航迹融合；之后，进行二次滤波计算模型输出，在融合中心进行输出交互得到融合中心估计值和估计误差矩阵，并反馈回到符合反馈条件的传感器。

下面通过一组实验数据来对本发明作进一步的详细说明。

待观测目标运动状态为：在步长100以内，沿x轴做匀速运动；在步长100至 160间做转弯运动；在步长160至220间做匀速运动；在步长220至260之间做转弯运动；在步长260至300之间为匀速运动，仿真总步长为300，仿真周期为T＝0.1s，因此仿真总时长为30s。单个传感器观测方程为z_k＝[1 0 0]x_k+v_k，其中，z_k表示时刻t_k的测量、x_k表示时刻t_k目标的状态、v_k表示测量误差。目标初始状态为 [1000m 20m/s 0m/s²]，滤波器的初始状态为[1010m20m/s 0m/s²]，采用交互多模型IMM方法滤波时，各模型的并行滤波器采用相同的初始状态，协方差矩阵初值取三维的单位矩阵。构造含有两个传感器的探测环境，传感器1采样周期为0.2s，传感器2采样周期为0.3s，传感器的观测噪声的方差为25m。两个传感器有航迹记忆且带反馈的融合结构如图1所示。如图4所示，本实验具体实现过程给出如下：

第一步：输入交互。针对已经建立的模型集按照上一时刻(t_k-1时刻)计算的模型概率μ(k-1)以及模型转移概率计算各运动模型使用的滤波初值：

式中，表示t_k-1时刻运动模型i的状态估计，Pⁱ(k-1|k-1)表示t_k-1时刻运动模型i的误差协方差估计，μ_ij(k-1|k-1)为从运动模型i转移为运动模型j的混合概率。

第二步：信息滤波。在融合中心计算信息滤波一步预测值：

P(k|k-1)＝F(k)P(k-1|k-1)F^T(k)+Q(k)

其中，Q(k)表示过程噪声协方差阵，Φ(t_k-1,t_k)表示时刻t_k-1到t_k目标的状态转移矩阵。

第三步：顺序排列量测信息。在融合周期(t_k-1,t_k]内，按照时间顺序排列各传感器量测信息N_k表示在融合周期内测量的数目。

第四步：向融合时刻递推观测信息。传感器按排列顺序向融合中心传递在融合周期(t_k-1,t_k]取得的信息量，将这些观测信息量向融合时刻t_k进行递推，计算得到参数：

式中包含传感器的观测矩阵、量测及其噪声等信息，其中，与分别表示传感器i的一步预测状态估计与一步预测得到的误差协方差阵，与则表示状态估计与误差协方差阵后验估计值，表示传感器i探测获取的测量。

第五步：各运动模型执行异步航迹融合。对应运动模型j的参数与执行该运动模型j异步航迹融合算法，计算运功模型j一步预测值和预测误差协方差矩阵：

其中，I表示单位矩阵，X_k、Y_k、L_k表示中间变量，计算方法为：

式中，设置中间参数：则的计算过程为：

当i＝1，

当i＝2,3,...,N_k，

第六步：二次滤波。对应运动模型j，使用二次滤波算法计算该模型的输出，从而提高观测信息在结果中的比重，其计算公式为：

其中，K_k表示卡尔曼增益矩阵，由卡尔曼滤波可计算获得，表示融合周期与测量周期不同步情况下，最新的局部航迹信息与模型概率加权得到的在融合时刻的新量测。

第七步：输出交互。更新各运动模型的概率，并使用二次滤波的输出，计算该时刻融合中心的最终输出

第八步：信息反馈。检测各传感器的更新时刻，对符合条件的传感器i设计信息反馈通道，则有

图2和图3分别比较了目标匀速运动以及存在机动时，卡尔曼滤波、交互多模型IMM滤波以及含有信息反馈信息的交互多模型IMM滤波局部航迹误差曲线。由图可知，在目标匀速的情况下，本发明的方法与卡尔曼滤波、IMM 相比，算法整体误差相近；当目标存在机动时，本方面的方法在机动时刻精度较好，优于卡尔曼滤波，这是因为融合中心将精度更高的估计值反馈回局部航迹中，因此能降低该传感器的局部航迹跟踪误差。

可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims

1.一种基于伪测量的带反馈机动目标异步航迹融合算法，包含以下步骤：

第二步：使用卡尔曼滤波算法计算滤波信息一步预测值；