CN108572362B

CN108572362B - 一种tws雷达空时联合关联跟踪方法及装置

Info

Publication number: CN108572362B
Application number: CN201810089954.2A
Authority: CN
Inventors: 周共健; 王倩倩
Original assignee: Harbin Institute of Technology
Current assignee: Harbin Institute of Technology
Priority date: 2018-01-30
Filing date: 2018-01-30
Publication date: 2020-07-31
Anticipated expiration: 2038-01-30
Also published as: CN108572362A

Abstract

本发明公开一种TWS雷达空时联合关联跟踪方法及装置，所述方法包括：步骤1，利用k时刻目标状态矩阵计算重访时间间隔；步骤2，重写k时刻的状态转移矩阵和过程噪声分布矩阵；步骤3，计算k+1时刻的预测目标状态矩阵和预测协方差矩阵；步骤4，计算k+1时刻的预测观测向量矩阵和新息协方差矩阵；步骤5，利用波门进行预选，剔除未落入波门内的观测数据；步骤6，利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔；步骤7，令k＝k+1，并返回步骤2，形成闭环循环操作，进行迭代；所述装置与所述方法对应。这样，基于目标状态精确地计算重访时间间隔，实现TWS雷达目标空时状态的精确估计。

Description

一种TWS雷达空时联合关联跟踪方法及装置

技术领域

本发明涉及雷达跟踪技术领域，具体涉及一种TWS雷达空时联合关联跟踪方法及装置。

背景技术

传统的边跟踪边扫描(TWS)雷达在处理目标跟踪问题中，通常假设所有目标的重访间隔相同，且事先预可知(多令目标的重访间隔等于天线扫描周期)。由于目标与雷达之间存在相对运动，所以TWS雷达两次扫描到目标的时间间隔并不固定，若目标运动方向与天线扫描方向一致，那么时间间隔大于天线扫描周期，若目标运动方向与天线扫描方向相反，那么时间间隔小于天线扫描周期。不同目标用同一个TWS雷达检测得到的时间间隔不同，同一个目标在不同的扫描周期扫描到的时间间隔也不同。假设模型上失配的限制，使得传统的TWS雷达处理目标跟踪问题时有以下问题：

人们对于目标结果的评价，只讨论其位置信息，而关于时间分量，要么是不考虑，要么是将按照天线扫描周期来考虑。时间不准确，很难给出状态更新的准确估计。

鉴于上述缺陷，本发明创作者经过长时间的研究和实践终于获得了本发明。

发明内容

为解决上述技术缺陷，本发明采用的技术方案在于，首先提供一种TWS雷达空时联合关联跟踪方法，其包括：

步骤1，利用k时刻目标状态矩阵计算重访时间间隔；

步骤2，根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵；

步骤3，根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵；

步骤4，根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵；

步骤5，利用波门进行预选，剔除未落入波门内的观测数据；

步骤6，利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔；

步骤7，令k＝k+1，并返回步骤2，形成闭环循环操作，进行迭代。

较佳的，所述步骤1包括：

步骤1.1，对初始重访时间间隔进行估计；

步骤1.2，根据估计出的所述初始重访时间间隔，计算初始角度误差；

步骤1.3，根据初始角度误差和初始重访时间间隔，计算重访时间间隔；

步骤1.4，根据所述重访时间间隔，计算角度误差；

步骤1.5，将所述角度误差和精度进行比对，在所述角度误差的绝对值大于所述精度时，重复执行步骤1.3和步骤1.4，对所述角度误差进行迭代，直至所述角度误差的绝对值小于所述精度为止；

步骤1.6，输出所述重访时间间隔。

较佳的，所述步骤1.1中，所述初始重访时间间隔的计算公式为：

式中，T₁为初始重访时间间隔，

分别为雷达转动角速度，

为目标转动角速度，f(d)为中间函数。

较佳的，所述步骤1.2中，所述初始角度误差的计算公式为：

式中，ε₁为初始角度误差，Δα_target1为目标转动角度，

为目标转动角速度。

较佳的，所述步骤1.3中，所述重访时间间隔的计算公式为：

T₂＝T₁-ΔT₁

式中，T₂为重访时间间隔，ΔT₁为调整的时间间隔。

较佳的，所述步骤2中，所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下：

其中，w为目标的匀转动角速度。

较佳的，所述步骤4中，所述预测观测向量矩阵的计算公式为：

其中，

为预测观测向量矩阵，H(k+1)为观测矩阵。

其次提供一种与上述所述的TWS雷达空时联合关联跟踪方法对应的TWS雷达空时联合关联跟踪装置，其包括：

第一计算单元，利用k时刻目标状态矩阵计算重访时间间隔；

第二计算单元，根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵；

第三计算单元，根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵；

第四计算单元，根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵；

数据筛选单元，利用波门进行预选，剔除未落入波门内的观测数据；

第五计算单元，利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔；

迭代控制单元，令k＝k+1，并返回第二计算单元，形成闭环循环操作，进行迭代。

与现有技术比较本发明的有益效果在于：这样，基于目标状态精确地计算重访时间间隔，实现TWS雷达目标空时状态的精确估计；基于目标当前的状态，结合天线扫描的角速度，设定合适的精度，利用迭代法，对重访时间间隔进行精确预测，并且状态转移矩阵和过程噪声分布矩阵分别在重访时间间隔的基础上做出相应的调整，最终完成跟踪过程。

附图说明

为了更清楚地说明本发明各实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。

图1是本发明TWS雷达空时联合关联跟踪方法的流程图；

图2是本发明TWS雷达空时联合关联跟踪方法步骤1的流程图；

图3是本发明TWS雷达空时联合关联跟踪装置的结构图；

图4为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图；

图5为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图；

图6为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图；

图7为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图；

图8为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图；

图9为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图；

图10为100次蒙特卡洛下空时联合算法和传统的跟踪算法的真实目标的确认数目对比图；

图11为100次蒙特卡洛下空时联合算法和传统的跟踪算法的虚假航迹的确认数目对比图。

具体实施方式

以下结合附图，对本发明上述的和另外的技术特征和优点作更详细的说明。

实施例1

如图1所示，其中，所述TWS雷达空时联合关联跟踪方法包括：

步骤1，利用k时刻目标状态矩阵计算重访时间间隔；

其中，k时刻目标状态矩阵X(k)具体为：

式中，x_k、y_k分别表示目标k时刻在x,y方向的位置，

分别表示目标k时刻在x,y方向的速度。

根据常用运动模型的不同，其具有不同的状态转移矩阵和过程噪声分布矩阵，常用的运动模型有匀速直线(CV)模型，匀加速直线(CA)模型，匀转弯(CT)模型：

其中，预测目标状态矩阵是对目标状态的一步预测

预测协方差矩阵为一步预测协方差

预测观测向量矩阵和新息协方差矩阵分别为观测的一步预测

和新息协方差S(k+1)。

步骤5，利用波门进行预选，剔除未落入波门内的观测数据；

这样，基于目标状态精确地计算重访时间间隔，实现TWS雷达目标空时状态的精确估计。

实施例2

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，如图2所示，所述步骤1中，具体实现步骤如下：

步骤1.1，对初始重访时间间隔进行估计；

式中，T₁为初始重访时间间隔，

分别为雷达转动角速度，

为目标转动角速度，f(d)为中间函数。

其中，初始重访时间间隔为重访时间的初始间隔。

当TWS雷达扫描径向距离大于临界距离的目标时，有雷达转动角度±目标转动角度＝2π其中，2π为360°，即一个周期。

利用步骤1.1中算出的初始重访时间间隔T₁，对目标进行预测，得到状态向量X₁，算出其运动角度Δα_target1和角速度

代入下式，得到角度误差。

式中，ε₁为初始角度误差，Δα_target1为目标转动角度，

为目标转动角速度其中，上述两个变量的下标为target1，target1是一个中间变量，防止下标target混淆。

其中，状态向量X₁的计算公式为：

式中，X₀为初始状态向量。

其中，角速度

的计算公式为：

式中，x_k、y_k分别表示目标k时刻在x,y方向的位置，

分别表示目标k时刻在x,y方向的速度。

具体操作为：

判断误差ε₁的正负，如果ε₁＜0，则初始重访时间间隔T₁需要增大；如果ε₁＞0，则T₁需要减小，得到新的重访时间T₂。

对应公式为：

T₂＝T₁-ΔT₁

式中，T₂为重访时间间隔，ΔT₁为需要调整的时间间隔。

步骤1.4，根据所述重访时间间隔，计算角度误差；

具体步骤为：

利用步骤1.3中调整后的重访时间间隔T₂，对目标进行预测，得到状态向量X₂(其中，状态向量X₂的计算方式同X₁)，算出其目标运动角度Δα_target2和角速度

(其计算方式同上)，代入下式，得到新的角度误差ε₂。

式中，ε₂为角度误差，Δα_target2为目标转动角度，

为目标转动角速度。其中，上述两个变量的下标为target2，target2是一个中间变量，防止下标target、target1混淆。

判断角度误差ε₂与精度pre(精度pre是指角度误差的精度要求，其根据实际需要确定)的大小，如果|ε₂|＜pre，则直接跳到第六步输出T₂为重访时间；如果|ε₂|＞pre，则重复步骤1.3至步骤1.4，直到角度误差|ε₂|＜pre为止。

步骤1.6，输出所述重访时间间隔。

输出T₂为重访时间间隔。

其中，

为天线扫描的角速度，

为目标的角速度，Δa_target为目标运动的角度，可以表示为

Δa_target＝arctan(y_k+1/x_k+1)-arctan(y_k/x_k)

式中，变量y_k+1、x_k+1、x_k、y_k分别表示k+1时刻和k时刻的x,y方向的位置。

这样，通过上述方式对重访时间间隔进行估计，能提高跟踪精度。

实施例3

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，所述步骤2中，所述运动模型为匀速直线(CV)模型，其状态转移矩阵F(k)和过程噪声分布矩阵Γ(k)分别如下：

实施例4

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，所述步骤2中，所述运动模型为匀加速直线(CA)模型，其状态转移矩阵F(k)和过程噪声分布矩阵Γ(k)分别如下：

实施例5

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，所述步骤2中，所述运动模型为匀转弯(CT)模型，其状态转移矩阵F(k)和过程噪声分布矩阵Γ(k)分别如下：

其中，w为目标的匀转动角速度。

实施例6

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，所述步骤3中，预测目标状态矩阵是对目标状态的一步预测

预测协方差矩阵为一步预测协方差

具体计算公式为：

P(k+1|k)＝F(k)P(k|k)F(k)′+Γ(k)q(k)Γ(k)′

其中，q(k)为过程噪声的标准差，F(k)、

分别表示状态转移矩阵和k时刻的状态向量，P(k|k)、F(k)′、Γ(k)′分别表示状态协方差矩阵(是k时刻的输入)，状态转移矩阵的转置和过程噪声分布矩阵的转置。

实施例7

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，步骤4中，预测观测向量矩阵和新息协方差矩阵分别为观测的一步预测

和新息协方差S(k+1)，具体计算公式为：

S(k+1)＝H(k+1)P(k+1|k)H(k+1)′+R(k+1)

其中，H(k+1)为观测矩阵，H(k+1)′为观测矩阵的转置，R(k+1)为观测噪声的协方差阵。

其中，观测矩阵为：

实施例8

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，所述步骤5中，具体步骤为：

求解统计距离d，与门限相比，若统计距离小于门限，则观测落入波门内，用该观测来更新状态；否则观测视为杂波，不进行数据关联。

其中，统计距离的计算公式为：

式中，

代表观测残差，z代表落入波门内的观测。

实施例9

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例与其不同之处在于，所述步骤6中，目标状态矩阵的计算公式为：

式中，K(k+1)为增益，β_i(k+1)为互联概率，v_i(k+1)为观测的残差。

其中，增益的计算公式为：

K(k+1)＝P(k+1|k)H(k+1)′·S(k+1)^-1

互联概率β_i(k+1)的表达式为：

其中，

式中，P_D、P_G分别为目标的检测概率和门概率，λ为杂波密度，b、e_i为中间变量，v_i(k+1)′表示观测的残差的转置。

观测的残差的计算公式为：

协方差矩阵的计算公式为：

其中，P^c(k+1|k+1)、

为过程变量。

其计算公式为：

P^c(k+1|k+1)＝[I-K(k+1)H(k+1)]P(k+1|k)，

式中，K(k+1)为增益，v_i(k+1)为观测残差，K(k+1)′、v(k+1)、v(k+1)′分别表示增益的转置，组合新息和组合新息的转置。

时间更新公式为：

其中

为预测的重访时间间隔，m_k为落入波门内的观测个数，t_i(k+1)为k+1时刻落入波门内的观测的时间，x_k+1、y_k+1分别为k+1时刻x、y方向的位置，β_i(k+1)为互联概率，t(k+1)、t(k)、T分别表示k+1时刻的时间，k时刻的时间和天线扫描周期。

本申请中，基于目标当前的状态，结合天线扫描的角速度，设定合适的精度，利用迭代法，对重访时间间隔进行精确预测，并且状态转移矩阵和过程噪声分布矩阵分别在重访时间间隔的基础上做出相应的调整，最终完成跟踪过程。

相比传统的TWS雷达关于重访时间等于天线扫描周期的假设，本发明不仅正视了TWS雷达中重访时间不确定的问题，而且还提出了能基于当前状态完成空时联合预测重访时间间隔的算法，准确地建立跟踪模型，并且结合关于重访时间的分析来综合评价跟踪的性能，实现了TWS雷达的精确跟踪。

实施例10

如上述所述的TWS雷达空时联合关联跟踪方法，本实施例为与其对应的TWS雷达空时联合关联跟踪装置，如图3所示，所述TWS雷达空时联合关联跟踪装置包括：

第一计算单元1，利用k时刻目标状态矩阵计算重访时间间隔；

第二计算单元2，根据重访时间间隔重写k时刻的状态转移矩阵和过程噪声分布矩阵；

第三计算单元3，根据k时刻的状态转移矩阵和过程噪声分布矩阵计算k+1时刻的预测目标状态矩阵和预测协方差矩阵；

其中，预测目标状态矩阵是对目标状态的一步预测

预测协方差矩阵为一步预测协方差

第四计算单元4，根据观测矩阵和k+1时刻的预测目标状态矩阵和预测协方差矩阵计算k+1时刻的预测观测向量矩阵和新息协方差矩阵；

预测观测向量矩阵和新息协方差矩阵分别为观测的一步预测

和新息协方差S(k+1)。

数据筛选单元5，利用波门进行预选，剔除未落入波门内的观测数据；

第五计算单元6，利用落入波门内的观测数据计算k+1时刻的目标状态矩阵、协方差矩阵、重访时间间隔；

迭代控制单元7，令k＝k+1，并返回第二计算单元，形成闭环循环操作，进行迭代。

实施例11

如上述所述的TWS雷达空时联合关联跟踪方法及TWS雷达空时联合关联跟踪装置，本实施例为对其进行仿真实验的实验结果。

在进行仿真实验时，假设目标为匀速直线运动，其状态转移方程为：

X(k+1)＝F(k)X(k)+G(k)×n(k)

其中状态转移矩阵F(k)可以表示为

过程噪声为零均值的高斯白噪声，其分布矩阵Γ(k)可表示为

目标的观测方程为Z(k+1)＝h(X(k+1))+W(k+1)，其中

r与α分别表示目标的径向距离和方位角。量测噪声是零均值的高斯白噪声，协方差

目标的角速度可以表示为

具体的仿真场景如下：目标的初始位置为X₁＝[4000 -20 4000 20]，目标观测的检测概率为0.9，过程噪声标准差为10^-3(m/s²)，雷达的观测噪声的距离标准差为20m，角度标准差为0.001rad。天线扫描周期T＝20s，共60次扫描，进行100次的蒙特卡洛仿真。

具体实施步骤：

第一步：初始化

初始化前两个坐标点，滤波从第三点开始。针对两坐标雷达的数据处理问题，系统的状态向量表示为

而直角坐标系下的量测值z(k)为

其中，r和θ分别为极坐标系下雷达的目标径向距离和方位角测量数据。那么系统的初始状态可利用前两个时刻的测量值z(0)和z(1)来确定，即

k时刻量测噪声在直角坐标系下的协方差为：

其中：

和

分别为径向距离和方位角测量误差的协方差，而

由量测噪声协方差的各元素可得四维状态向量情况下的初始协方差阵为：

并且滤波器从第三个点开始滤波。

第二步：利用当前时刻的状态估计重访时间间隔

利用当前时刻状态的位置与速度，求解其角速度，然后进行迭代求解，直至满足精度为止，输出预测的重访时间间隔T₂。

第三步：重写状态转移矩阵和过程噪声分布矩阵

第四步：计算状态的一步预测

和一步预测协方差

其中，q(k)为过程噪声的标准差。

第五步：计算观测的一步预测

和新息协方差S(k+1)：

其中，R(k+1)为观测噪声的协方差阵。

第六步：波门预选：

求解统计距离

与门限相比，若统计距离小于门限，则观测落入波门内，用该观测来更新状态；否则观测视为杂波，不进行数据关联。

第七步：利用落入波门内的观测进行状态更新：

状态更新：

其中，K(k+1)＝P(k+1|k)H(k+1)′·S(k+1)^-1为增益，β_i(k+1)为互联概率，其表达式

为

其中

状态协方差更新：

其中，P^c(k+1|k+1)＝[I-K(k+1)H(k+1)]P(k+1|k)，

时间更新：

其中T₂为预测的重访时间间隔，T_i(k+1)为k+1时刻落入波门内的观测的时间，

基于该仿真实验，得出图4-图11的仿真结果，具体为：

图4为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图，从图中可以看出空时联合算法在10到40步的跟踪精度明显优于传统的跟踪算法，而后趋于平稳。

图5为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图，从图中可以看出空时联合算法的跟踪精度一直优于传统的跟踪算法。

图6为100次蒙特卡洛单目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图，从图中可以看出空时联合算法的时间估计精度与传统的跟踪算法的相比，有着显著提升。

图7为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的位置分量的RMSE对比图，二者在该场景下关于位置的跟踪精度区别不是很明显，但是空时联合算法的精度仍略优于传统的跟踪算法。

图8为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的速度分量的RMSE对比图，空时联合算法的速度估计精度优于传统的跟踪算法。

图9为100次蒙特卡洛多目标空时联合算法和传统的跟踪算法的时间分量的RMSE对比图，从图中可以看出空时联合算法的时间精度相较于传统的跟踪算法的精度有大幅提升。

图10为100次蒙特卡洛下空时联合算法和传统的跟踪算法的真实目标的确认数目对比图，可以看出二者在确认真实航迹的收敛速度相当，而且均能正确跟踪真实航迹。

图11为100次蒙特卡洛下空时联合算法和传统的跟踪算法的虚假航迹的确认数目对比图，二者在8步到25步的虚假航迹产生数相当，而在49步到54步时，空时联合算法的虚假航迹数明显少于传统的跟踪算法的虚假航迹数。

由此可见，相比传统的TWS雷达关于重访时间等于天线扫描周期的假设，本发明不仅正视了TWS雷达中重访时间不确定的问题，而且还提出了能基于当前状态完成空时联合预测重访时间间隔的算法，准确地建立跟踪模型，并且结合关于重访时间的分析来综合评价跟踪的性能，实现了TWS雷达的精确跟踪。

以上所述仅为本发明的较佳实施例，对本发明而言仅仅是说明性的，而非限制性的。本专业技术人员理解，在本发明权利要求所限定的精神和范围内可对其进行许多改变，修改，甚至等效，但都将落入本发明的保护范围内。

Claims

1.一种TWS雷达空时联合关联跟踪方法，其特征在于，包括：

步骤1，利用k时刻目标状态矩阵计算重访时间间隔；

步骤5，利用波门进行预选，剔除未落入波门内的观测数据；

步骤7，令k＝k+1，并返回步骤2，形成闭环循环操作，进行迭代；

所述步骤1包括：

步骤1.1，对初始重访时间间隔进行估计；

步骤1.4，根据所述重访时间间隔，计算角度误差；

步骤1.6，输出所述重访时间间隔。

2.如权利要求1所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤1.1中，所述初始重访时间间隔的计算公式为：

式中，T₁为初始重访时间间隔，

分别为雷达转动角速度，

为目标转动角速度，f(d)为中间函数。

3.如权利要求1所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤1.2中，所述初始角度误差的计算公式为：

式中，ε₁为初始角度误差，Δα_target1为目标转动角度，

为目标转动角速度。

4.如权利要求1所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤1.3中，所述重访时间间隔的计算公式为：

T₂＝T₁-ΔT₁

式中，T₂为重访时间间隔，ΔT₁为需要调整的时间间隔。

5.如权利要求1-4中任一所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤2中，所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下：

6.如权利要求1-4中任一所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤2中，所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下：

7.如权利要求1-4中任一所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤2中，所述状态转移矩阵F(k)和所述过程噪声分布矩阵Γ(k)分别如下：

其中，w为目标的匀转动角速度。

8.如权利要求1-4中任一所述的TWS雷达空时联合关联跟踪方法，其特征在于，所述步骤4中，所述预测观测向量矩阵的计算公式为：

其中，

为述预测观测向量矩阵，H(k+1)为观测矩阵。

9.一种与权利要求1-8中任一所述的TWS雷达空时联合关联跟踪方法对应的TWS雷达空时联合关联跟踪装置，其特征在于，包括：

第一计算单元，利用k时刻目标状态矩阵计算重访时间间隔；

迭代控制单元，令k＝k+1，并返回第二计算单元，形成闭环循环操作，进行迭代；

所述利用k时刻目标状态矩阵计算重访时间间隔包括：

第一步，对初始重访时间间隔进行估计；

第二步，根据估计出的所述初始重访时间间隔，计算初始角度误差；

第三步，根据初始角度误差和初始重访时间间隔，计算重访时间间隔；

第四步，根据所述重访时间间隔，计算角度误差；

第五步，将所述角度误差和精度进行比对，在所述角度误差的绝对值大于所述精度时，重复执行第三步和第四步，对所述角度误差进行迭代，直至所述角度误差的绝对值小于所述精度为止；

第六步，输出所述重访时间间隔。