CN108267731B - 无人机目标跟踪系统的构建方法及应用 - Google Patents
无人机目标跟踪系统的构建方法及应用 Download PDFInfo
- Publication number
- CN108267731B CN108267731B CN201810099625.6A CN201810099625A CN108267731B CN 108267731 B CN108267731 B CN 108267731B CN 201810099625 A CN201810099625 A CN 201810099625A CN 108267731 B CN108267731 B CN 108267731B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- maneuvering target
- target
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于测量误差校正的无人机目标跟踪模型构建方法,将独立增量原理引入到CDKF算法中,用以提高无人机机载雷达对机动目标跟踪的精度。根据机动目标的状态向量和搭载机载雷达设备的无人机的状态向量通过机动目标的状态方程Xk=Φk/k‑1Xk‑1+wk‑1和量测方程构建为无人机目标跟踪模型。本发明还公开了一种采用上述无人机目标跟踪模型构建方法构建的模型的应用,用于建立基于ICDKF模型的目标跟踪滤波器以实现无人机对机动目标的跟踪。该应用方法利用ICDKF算法对机动目标的位置、速度和加速度进行估计,从而达到减少量测方程中未知系统误差对机动目标状态估计的影响,降低滤波发散的现象,提高目标跟踪的滤波精度,增强滤波的稳定性。
Description
技术领域
本发明属于机动目标追踪和非线性滤波算法的技术领域,具体涉及一种无人机目标跟踪系统的构建方法及应用,用于提高无人机对目标的跟踪精度。
背景技术
无人机对机动目标的跟踪监视是无人机应用领域的重要研究内容,受到了广发的关注。无人机通过机载雷达等设备测量机动目标的距离和角度等信息,实现对目标的坐标和轨迹进行精确估计,并对未来目标位置做出精准预测。而对机动目标进行稳定跟踪的首要问题是对目标的状态估计。目前在目标跟踪领域常见的估计滤波算法有维纳滤波、α-β滤波、卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波器等滤波器。但是在工程实践中,对机动目标的测量数据往往含有未知的系统误差,忽略这些未知系统无法的影响,将会极大地降低机动目标的位置、速度和加速度的状态估计精度,甚至会导致滤波器发散。
基于斯特林插值原理的中心微分卡尔曼滤波(CDKF)是一种平衡了了非线性状态估计精度与计算复杂度之间的矛盾的有效算法。
发明内容
考虑到目标跟踪的机载雷达的测量数据往往含有未知的系统量测误差的问题,本发明将独立增量原理引入到CDKF算法中,提出了能够有效消除目标轨迹跟踪测量数据中未知系统误差的增量中心微分卡尔曼滤波(ICDKF)方法,用以提高无人机机载雷达对机动目标跟踪的精度。
为解决上述技术问题,本发明采用如下技术方案:
设计一种无人机目标跟踪系统的构建方法,包含以下步骤:
步骤一,选择与机动目标运动模式匹配的运动模型一、与搭载机载雷达的无人机运动模式匹配的运动模型二,以恒定时间t为间隔获取机动目标的状态向量无人机的状态向量搭载机载雷达的无人机实际测得其与机动目标的距离和角度的一系列样本数据,其中,在k时刻,xk为水平方向的位置;为水平方向的速度;为水平方向的加速度;yk为垂直方向的位置;为垂直方向的速度;为垂直方向的加速度;T表示矩阵的转置;
Xk=Φk/k-1Xk-1+wk-1 (1)
其中式(1)、(2)的状态转移矩阵为:
步骤二,通过无人机搭载的机载雷达测得无人机和机动目标的距离、角度,以此作为量测值,建立相应的量测方程;但是考虑到量测值中的未知系统误差,基于独立增量原理建立机载雷达的增量量测方程:
Δzk=zk-zk-1是增量量测向量;zk是量测向量,vk是量测噪声;
步骤三,针对机动目标跟踪问题,基于公式(1)和(3)建立相应的非线性离散增量系统:
Xk=Φk/k-1Xk-1+wk-1 (5)
其中,系统噪声wk和量测噪声vk为零均值的高斯白噪声,相应的方差阵分别为Qk和Rk,并且wk和vk满足:
与现有技术相比,该离散增量系统模型建模方法的有益技术效果在于:基于独立增量原理,采用量测方程中的增量形式获取量测数据序列中的未知系统误差。
本发明还提供一种利用上述无人机目标跟踪系统实现机动目标跟踪的方法,基于利用上述非线性离散增量系统模型,建立基于ICDKF模型的目标跟踪滤波器,该方法包括以下步骤:
其中λ为刻度因子,表示中心微分间隔大小,λ≥1;
步骤C.计算第k步的时间更新Sigma采样点和一步预测状态估计
其中,上标“-”表示先验估计;
相应的第k步一步预测的误差方差阵
其中,相应的权值为
步骤D.对Sigma点进行重采样
步骤E.计算第k步的量测更新方程
步骤F.计算第k步的增益矩阵Kk
其中
步骤G.第k步的状态估计为
相应的估计误差方差阵为
步骤H.重复步骤A.~步骤G.以实现无人机对机动目标的跟踪,得到机动目标的位置、速度和加速度的估计。
该应用方法利用ICDKF算法对机动目标的位置、速度和加速度进行估计,从而达到减少量测方程中未知系统误差对机动目标状态估计的影响,降低滤波发散的现象,提高目标跟踪的滤波精度,增强滤波的稳定性。
本发明的有益效果:利用独立增量原理预先消除量测数据序列中的未知系统误差,并建立机载雷达对机动目标的增量量测模型,同时结合经典的CDKF算法设计了一种新的ICDKF算法。通过仿真验证和试飞检验,表明该算法能够有效地消除量测数据序列中的未知系统误差,提高机动目标的状态(包括位置、速度和加速度)估计精度,增强目标跟踪滤波算法的鲁棒性和无人机对机动目标跟踪的稳定性。
附图说明
图1为本发明的机动目标跟踪流程图。
图2为本发明的增量中心微分卡尔曼滤波算法原理图。
图3为本发明的CDKF和ICDKF的误差对比图。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式,但以下实施例只是用来详细说明本发明,并不以任何方式限制本发明的范围。
一种无人机目标跟踪系统的构建方法,参见图1-2,包括以下步骤:
步骤一,根据机动目标的特点,选择适当的机动目标模型,比如直线运动模型、匀加速运动模型和联合转弯模型等。此处设定机动目标做匀加速运动,建立机动目标的状态方程,同时设定无人机搭载机载雷达做匀加速直线运动。
在笛卡尔坐标下,机动目标做平面匀加速直线运动,基于机动目标的坐标、速度和加速度建立机动目标的运动学模型:
Xk=Φk/k-1Xk-1+wk-1 (2)
步骤二,建立机动目标的量测方程。通过无人机搭载的机载雷达测得无人机和机动目标的距离、角度,以此作为量测值,建立相应的量测方程。但是考虑到量测值中的未知系统误差,基于独立增量原理建立机载雷达的增量量测方程:
Δzk=zk-zk-1是增量量测向量;zk是量测向量,vk是量测噪声。
步骤三,针对机动目标跟踪问题,基于公式(1)和(3)建立相应的非线性离散增量系统:
Xk=Φk/k-1Xk-1+wk-1 (6)
其中,系统噪声wk和量测噪声vk为零均值的高斯白噪声,相应的方差阵分别为Qk和Rk,并且wk和vk满足:
根据经验,发明人获取的系统噪声方差阵Qk和量测噪声方差阵Rk矩阵如下:
观测次数为N=50,采样时间为t=0.5s。
步骤四,一种利用上述无人机目标跟踪系统实现机动目标跟踪的方法,参见图1-2,利用上述非线性离散增量系统模型,即式(6)和式(7),建立基于ICDKF模型的目标跟踪滤波器:
(3)计算第k步的时间更新Sigma采样点和一步预测状态估计
式中,上标“-”表示先验估计。
相应的第k步一步预测的误差方差阵
其中,相应的权值为
(4)对Sigma点进行重采样
(5)计算第k步的量测更新方程
(6)计算第k步的增益矩阵Kk
其中
(7)第k步的状态估计为
相应的估计误差方差阵为
通过本步骤中的以上7步循环可实现无人机对机动目标的跟踪,得到机动目标的位置、速度和加速度的估计。
参见图3,从图3中可以看出CDKF滤波误差均值为40以上,而ICDKF的滤波误差均值在20以内,也即ICDKF的状态估计误差比CDKF的状态估计误差小。由此可以看出,本发明的ICDKF方法具有较高的精度,能更好地对机动目标进行跟踪。
应当明白,本发明的技术方案并不仅仅适用于无人机,其技术原理适用于移动物体的目标追踪,且在应用领域的移植并不需要付出创造性劳动。
上面结合附图和实施例对本发明作了详细的说明,但是,所属技术领域的技术人员能够理解,在不脱离本发明宗旨的前提下,还可以对上述实施例中的各个具体参数进行变更,形成多个具体的实施例,均为本发明的常见变化范围,在此不再一一详述。
Claims (3)
1.一种无人机目标跟踪系统的构建方法,其特征在于,包含以下步骤:
步骤一,选择与机动目标运动模式匹配的运动模型一、与搭载机载雷达的无人机运动模式匹配的运动模型二,以恒定时间t为间隔获取机动目标的状态向量无人机的状态向量搭载机载雷达的无人机实际测得其与机动目标的距离和角度的一系列样本数据,其中,在k时刻,xk为水平方向的位置;为水平方向的速度;为水平方向的加速度;yk为垂直方向的位置;为垂直方向的速度;为垂直方向的加速度;T表示矩阵的转置;
建立运动学模型:
Xk=Φk/k-1Xk-1+wk-1 (1)
步骤二,通过所述机载雷达测得其与机动目标的距离、角度,以此作为量测值,建立增量量测方程:
Δzk=zk-zk-1是增量量测向量;zk是量测向量,vk是量测噪声;
步骤三,针对机动目标跟踪问题,基于公式(1)和(3)建立相应的非线性离散增量系统:
Xk=Φk/k-1Xk-1+wk-1 (5)
其中,wk和vk满足:
式(7)中,Qk为系统噪声wk的方差阵;Rk为量测噪声vk的方差阵;δkj为Kroneckerδ函数,当k=j时,δkj=1;当k≠j时,δkj=0。
2.一种利用权利要求1所述的无人机目标跟踪系统对机动目标跟踪的方法,其特征在于,包括以下步骤:
其中λ为刻度因子,表示中心微分间隔大小,λ≥1;
步骤C.计算第k步的时间更新Sigma采样点和一步预测状态估计
其中,上标“-”表示先验估计;
相应的第k步一步预测的误差方差阵
其中,相应的权值为
步骤D.对Sigma点进行重采样
步骤E.计算第k步的量测更新方程
步骤F.计算第k步的增益矩阵Kk
其中
步骤G.第k步的状态估计为
相应的估计误差方差阵为
步骤H.重复步骤A.~步骤G.以实现无人机对机动目标的跟踪,得到机动目标的位置、速度和加速度的估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810099625.6A CN108267731B (zh) | 2018-02-01 | 2018-02-01 | 无人机目标跟踪系统的构建方法及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810099625.6A CN108267731B (zh) | 2018-02-01 | 2018-02-01 | 无人机目标跟踪系统的构建方法及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108267731A CN108267731A (zh) | 2018-07-10 |
CN108267731B true CN108267731B (zh) | 2020-03-31 |
Family
ID=62777190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810099625.6A Active CN108267731B (zh) | 2018-02-01 | 2018-02-01 | 无人机目标跟踪系统的构建方法及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108267731B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110441748A (zh) * | 2019-06-24 | 2019-11-12 | 西安电子科技大学 | 一种基于幅度信息的α-β滤波方法 |
CN110749322B (zh) * | 2019-10-22 | 2021-05-14 | 北京航空航天大学 | 一种基于测速信息的目标跟踪方法 |
CN111158382A (zh) * | 2020-01-19 | 2020-05-15 | 郑州轻工业大学 | 基于无线超宽带网络的无人车定位模型构建方法及系统 |
CN111693984B (zh) * | 2020-05-29 | 2023-04-07 | 中国计量大学 | 一种改进的ekf-ukf动目标跟踪方法 |
CN111969979B (zh) * | 2020-08-31 | 2023-03-31 | 郑州轻工业大学 | 一种最小误差熵cdkf滤波器方法 |
CN112985389B (zh) * | 2021-02-18 | 2023-05-02 | 三峡大学 | 基于无人机运动状态的激光充电跟踪方法 |
CN117849777A (zh) * | 2024-01-09 | 2024-04-09 | 珠海横琴高乐通无人机系统有限公司 | 船载无人机定位导航方法、装置、电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
US9507019B1 (en) * | 2012-04-20 | 2016-11-29 | L-3 Communications Corp. | Method for acquiring and tracking an in-flight target |
CN107300697A (zh) * | 2017-06-07 | 2017-10-27 | 南京航空航天大学 | 基于无人机的运动目标ukf滤波方法 |
-
2018
- 2018-02-01 CN CN201810099625.6A patent/CN108267731B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9507019B1 (en) * | 2012-04-20 | 2016-11-29 | L-3 Communications Corp. | Method for acquiring and tracking an in-flight target |
CN104330083A (zh) * | 2014-10-27 | 2015-02-04 | 南京理工大学 | 基于平方根无迹卡尔曼滤波的多机器人协同定位算法 |
CN107300697A (zh) * | 2017-06-07 | 2017-10-27 | 南京航空航天大学 | 基于无人机的运动目标ukf滤波方法 |
Non-Patent Citations (2)
Title |
---|
Improved Average Consensus Scalable Algorithm of Target Tracking for Wireless Sensor Network;Hui Long et al.;《2012 24th Chinese Control and Decision Conference》;20121231;第3336-3341页 * |
一种改进中心差分卡尔曼滤波方法;杨宏等;《计算机工程与应用》;20101015;第46卷(第19期);第132-134、137页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108267731A (zh) | 2018-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108267731B (zh) | 无人机目标跟踪系统的构建方法及应用 | |
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN109508445B (zh) | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 | |
CN110375730B (zh) | 基于imu和uwb融合的室内定位导航系统 | |
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN107084714B (zh) | 一种基于RoboCup3D的多机器人协作目标定位方法 | |
CN104713560B (zh) | 基于期望最大化的多源测距传感器空间配准方法 | |
CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN108645415A (zh) | 一种船舶航迹预测方法 | |
CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
CN108490433A (zh) | 基于序贯滤波的空时偏差联合估计与补偿方法及系统 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN110375772A (zh) | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 | |
CN109115228B (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
CN108827288A (zh) | 一种基于对偶四元数的降维捷联惯性导航系统初始对准方法及系统 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及系统 | |
CN111693984A (zh) | 一种改进的ekf-ukf动目标跟踪方法 | |
Pelka et al. | Introduction, discussion and evaluation of recursive Bayesian filters for linear and nonlinear filtering problems in indoor localization | |
CN113587926A (zh) | 一种航天器空间自主交会对接相对导航方法 | |
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
CN109000638A (zh) | 一种小视场星敏感器量测延时滤波方法 | |
CN108519595A (zh) | 联合多传感器配准与多目标跟踪方法 | |
CN110426689B (zh) | 一种基于em-cks的机载多平台多传感器系统误差配准算法 | |
CN114995403B (zh) | 相关噪声及非高斯干扰下轮式移动机器人轨迹跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |