CN109164419B - 基于交互式多模型的多平台无序量测处理方法 - Google Patents

基于交互式多模型的多平台无序量测处理方法 Download PDF

Info

Publication number
CN109164419B
CN109164419B CN201810928364.4A CN201810928364A CN109164419B CN 109164419 B CN109164419 B CN 109164419B CN 201810928364 A CN201810928364 A CN 201810928364A CN 109164419 B CN109164419 B CN 109164419B
Authority
CN
China
Prior art keywords
model
vector
measurement
filtering
covariance
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
Application number
CN201810928364.4A
Other languages
English (en)
Other versions
CN109164419A (zh
Inventor
刘美云
张佳琦
周昆正
孙建军
关超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 20 Research Institute
Original Assignee
CETC 20 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 20 Research Institute filed Critical CETC 20 Research Institute
Priority to CN201810928364.4A priority Critical patent/CN109164419B/zh
Publication of CN109164419A publication Critical patent/CN109164419A/zh
Application granted granted Critical
Publication of CN109164419B publication Critical patent/CN109164419B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/28—Details of pulse systems
    • G01S7/285—Receivers

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种基于交互式多模型的多平台无序量测处理方法，首先初始化各运动模型、各雷达参数并滤波；然后接收各雷达点迹，按照点迹产生时刻进行排序；对各个有序的点迹按照产生时刻的先后顺序依次利用IMM算法进行滤波；对逆序的点迹，按照时间顺序选择产生时刻最晚的一个，采用基于交互式多模型的逆序滤波方法进行滤波。本发明能够提高多平台传感器融合的精度，并能兼顾无序量测处理带来的时延和存储空间的问题，是一种可工程化的解决方案。

Description

基于交互式多模型的多平台无序量测处理方法
技术领域
本发明涉及多平台雷达数据融合处理，特别涉及多平台雷达数据的无序量测处理问题。
背景技术
目标跟踪技术扩展到多平台传感器时，因为不同类型的传感器具有不同的采样率、预处理时间以及数据通信延迟，导致出现多个传感器量测无序到达融合中心的现象，即无序量测现象。当前针对无序量测现象的滤波方法主要有：丢弃延迟量测法、重新滤波法、数据缓存法和直接更新法。丢弃延迟量测法会造成大量信息丢失，导致目标跟踪精度下降甚至丢失目标。对于重新滤波法，存储量和计算量随传感器数目、目标数目及延迟时间的增长而显著增加。数据缓存法需要较大的存储空间而且输出严重滞后。直接更新法直接使用无序量测更新当前时刻的状态估计，使其达到或逼近量测顺序处理时的滤波精度。在多平台融合系统中，由于时延、存储空间和精度都需要考量，因此需要采用直接更新法，而传统的直接更新法一般只针对单模型滤波，但是基于目前多平台融合系统中用到的三坐标雷达，对其的处理需要采用交互式多模型滤波方法来对目标状态进行精确估计，传统的单模型无序量测处理方法已不能满足精度要求。
发明内容
为了克服现有技术的不足，本发明提供一种基于交互式多模型的多平台无序量测处理方法，搭建了多平台交互式多模型的逆序滤波框架，并对各个运动模型的无序量测处理进行了详细设计，此方法可以通过对无序量测的有效处理提高多平台传感器融合的精度，并能兼顾无序量测处理带来的时延和存储空间的问题，是一种可工程化的解决方案。
本发明解决其技术问题所采用的技术方案包括以下步骤：
假定给定系统的状态向量为x，量测向量为z，其线性状态方程和非线性量测方程分别为Xk＝x(k)＝F(k,k-1)x(k-1)+v(k,k-1)和z(k)＝h(x(k),k)+w(k)，其中，F(k,k-1)是状态转移矩阵；v(k,k-1)是服从Gauss分布的零均值过程噪声，h是非线性量测函数，w(k)是服从Gauss分布的零均值量测噪声；过程噪声和量测噪声互不相关，其协方差阵分别为Q(k)和R(k)，状态向量的协方差阵为Pk；
交互式多模型滤波中采用了四种运动模型，包括匀速模型CV、常加速度模型CA、转弯模型CT和当前统计模型CS，四种运动模型的状态转移矩阵依次为F1、F2、F3、F4，过程噪声协方差矩阵依次为Q1、Q2、Q3、Q4；
假设融合周期为T，在起始时刻为tk-1、结束时刻为tk的第k个处理周期，融合中心到达了多个量测，若量测产生时刻的时戳早于起始时刻tk-1，则定义其为逆序点迹，若量测产生时刻的时戳大于等于起始时刻tk-1，则定义其为顺序点迹；选择顺序点迹中距离结束时刻tk最近的量测标记为
Figure BDA0001765910100000021
选择逆序点迹中距离起始时刻tk-1最近的量测标记为
Figure BDA0001765910100000022
其中
Figure BDA0001765910100000023
为传感器1的量测点迹，
Figure BDA0001765910100000024
为传感器2的量测点迹，t代表量测产生时刻的时戳，D表示距离，A表示方位，E表示俯仰；两个传感器在距离、方位、俯仰上的系统误差分别为
Figure BDA0001765910100000025
和
Figure BDA0001765910100000026
tk＞t1＞tk-1＞t2；
根据各传感器的系统误差，初始化测量噪声协方差矩阵
Figure BDA0001765910100000027
和
Figure BDA0001765910100000028
根据初始量测z(0)，对初始状态向量X0和初始协方差P0进行设置；
针对三维雷达量测，状态向量采用9维列向量，相应的协方差阵即为9*9维方阵，具体地：
X0＝[x1 0 0 x4 0 0 x7 0 0]；
P0＝diag([1e6,1e3,1,1e6,1e3,1,1e6,1e3,1])；
其中x1、x4、x7通过对初始量测z0＝(t0,D0,A0,E0)进行坐标转换得出，即(x1,x4,x7)＝POLE2XYZ(D0,A0,E0)，POLE2XYZ表示将量测值从极坐标系转至直角坐标系。
对各个顺序点迹按照时间顺序依次利用IMM算法进行滤波；对
Figure BDA00017659101000000210
利用IMM算法进行滤波得到状态估计向量X'k和协方差向量P'k，并更新各个模型的模型概率；
基于状态估计向量X'k和协方差向量P'k，对
Figure BDA0001765910100000029
利用基于交互式多模型的逆序滤波算法进行滤波，对当前状态估计向量X'k和协方差向量P'k进行更新，具体过程如下：
a)利用求逆函数对CA、CS、CT三个模型的状态转移矩阵直接求逆，求CV模型的非奇异子矩阵求逆，然后补维(用“0”值进行补维，补维后的规模同CV模型的状态转移矩阵)，生成最终的状态转移逆矩阵；
b)基于交互式多模型的框架，在各个运动模型的滤波更新阶段，根据一步延迟逆序滤波EKF-A1算法，求从时刻tk到时刻t2的向后预测状态向量和协方差阵，对当前状态估计向量X'k和协方差向量P'k进行更新，最终求出状态估计向量Xk和协方差向量Pk，模型概率不变；
5)输出滤波结果，即状态估计向量Xk和协方差向量Pk。
本发明的有益效果是：针对多平台融合系统中三坐标雷达无序量测大量存在的问题，通过搭建有效的处理框架，对有序点迹和逆序点迹分别进行处理，设计了一种有效的基于交互多模型的逆序滤波方法，使得各个点迹得到了合理的利用，从而提高了滤波精度并兼顾考虑了处理容量和处理时间的问题，解决了多平台融合中无序量测处理的难题。
附图说明
图1是本发明的方法流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明，本发明包括但不仅限于下述实施例。
本发明解决其技术问题所采用的技术方案包括以下步骤：
1)初始化各个运动模型的参数、各平台雷达的误差参数以及滤波初始化参数；
2)接收各个平台的雷达点迹，按照点迹产生时刻进行排序；并根据雷达点迹量测信息中的时戳值依次判断点迹是否存在逆序；
3)对各个有序的点迹按照产生时刻的先后顺序依次利用IMM算法进行滤波；
4)对逆序的点迹，按照时间顺序选择产生时刻最晚的一个，采用基于交互式多模型的逆序滤波方法进行滤波；
5)输出滤波结果。
其中，本发明的特点在于搭建了无序量测处理的框架，并设计了一种简单有效的基于交互式多模型的逆序滤波方法，在此滤波方法中，采用了单模型内部逆序滤波更新的方式，即该逆序点迹只进行各单模型状态估计，但不对各模型概率进行更新操作，这种方式不仅可以有效提高精度，而且降低了计算量和存储量。
本发明采用的滤波算法均是基于扩展卡尔曼框架，问题描述如下：
假定给定系统的状态向量为x，量测向量为z，其线性状态方程和非线性量测方程如下
Xk＝x(k)＝F(k,k-1)x(k-1)+v(k,k-1)
z(k)＝h(x(k),k)+w(k)
其中，F(k,k-1)是状态转移矩阵；v(k,k-1)是服从Gauss分布的零均值过程噪声，h是非线性量测函数，w(k)是服从Gauss分布的零均值量测噪声。过程噪声和量测噪声互不相关，其协方差阵分别为Q(k)和R(k)，状态向量的协方差阵为Pk。
交互式多模型滤波中采用了四种运动模型：CV(匀速模型)、CA(常加速度模型)，CT(转弯模型)、CS(当前统计模型)，四种运动模型的状态转移矩阵依次为F1,F2,F3,F，4过程噪声协方差矩阵依次为Q1,Q2,Q3,Q4；逆序滤波算法本发明中采用EKF-A1。
其中，不同平台的雷达传感器有两类，下文中称为雷达1和雷达2。雷达1和雷达2均为三坐标雷达，得到的量测为z＝(t,D,A,E)，其中t代表量测产生时刻的时戳，D表示距离，A表示方位，E表示俯仰。假设雷达1在距离、方位、俯仰上的系统误差为
Figure BDA0001765910100000041
雷达2在距离、方位、俯仰上的系统误差为
Figure BDA0001765910100000042
假设融合周期为T，在第k(时刻为tk)处理周期时，融合中心到达了两个量测
Figure BDA0001765910100000043
Figure BDA0001765910100000044
其中
Figure BDA0001765910100000045
为传感器1的量测点迹，
Figure BDA0001765910100000046
为传感器2的量测点迹，并假设上个处理周期为第k-1(时刻为tk-1)周期，且假设tk＞t1＞tk-1＞t2；
1)初始化
a)根据各传感器的系统误差，初始化测量噪声协方差矩阵
Figure BDA0001765910100000047
和
Figure BDA0001765910100000048
b)根据本方法中采用的CV、CA、CS、CT四个运动模型参数和融合周期T，初始化过程噪声协方差矩阵Q1,Q2,Q3,Q4和状态转移矩阵F1,F2,F3,F4；
c)根据初始量测，对初始状态向量X0和初始协方差P0进行设置；
X0＝[x1 0 0 x4 0 0 x7 0 0]，其中x1、x4、x7通过对初始量测z(0)进行坐标转换得出；
P0＝diag([1e6,1e3,1,1e6,1e3,1,1e6,1e3,1])；
2)根据量测信息中的时戳对点迹进行排序，并判断是否逆序：若点迹时戳t＜tk-1则为逆序点迹。
因此，可判断出
Figure BDA0001765910100000051
为正序到来的点迹，而
Figure BDA0001765910100000052
为逆序点迹。
3)对各个有序的点迹按照时间顺序依次利用IMM算法进行滤波；
对
Figure BDA0001765910100000053
利用IMM算法进行滤波得到状态估计向量X'k和协方差向量P'k，并更新模型概率；
4)基于点迹排序结果，在所有逆序点迹中选取时戳最大的一个，采用基于交互式多模型的逆序滤波方法进行滤波；
基于状态估计向量X'k和协方差向量P'k，对
Figure BDA0001765910100000054
利用基于交互式多模型的逆序滤波算法进行滤波，对当前状态估计向量X'k和协方差向量P'k进行更新，具体过程如下：
a)求解状态转移逆矩阵：利用MATLAB中的求逆函数对CA,CS,CT三个模型的状态转移矩阵直接求逆即可；对于CV模型，由于其状态转移矩阵不是非奇异矩阵，无法直接求逆，因此首先求其非奇异子矩阵，对子矩阵求逆，然后补维生成最终的状态转移逆矩阵。
b)基于交互式多模型的框架，在各个单模型滤波更新阶段，根据一步延迟逆序滤波EKF-A1算法，求从时刻tk到时刻t2的向后预测状态向量和协方差阵，对当前状态估计向量X'k和协方差向量P'k进行更新，最终求出状态估计向量Xk和协方差向量Pk，模型概率不变；
5)输出滤波结果，即状态估计向量Xk和协方差向量Pk。

Claims (1)

1.一种基于交互式多模型的多平台无序量测处理方法，其特征在于包括下述步骤：
假定给定系统的状态向量为x，量测向量为z，其线性状态方程和非线性量测方程分别为Xk＝x(k)＝F(k,k-1)x(k-1)+v(k,k-1)和z(k)＝h(x(k),k)+w(k)，其中，F(k,k-1)是状态转移矩阵；v(k,k-1)是服从Gauss分布的零均值过程噪声，h是非线性量测函数，w(k)是服从Gauss分布的零均值量测噪声；过程噪声和量测噪声互不相关，其协方差阵分别为Q(k)和R(k)，状态向量的协方差阵为Pk；
交互式多模型滤波中采用了四种运动模型，包括匀速模型CV、常加速度模型CA、转弯模型CT和当前统计模型CS，四种运动模型的状态转移矩阵依次为F1、F2、F3、F4，过程噪声协方差矩阵依次为Q1、Q2、Q3、Q4；
假设融合周期为T，在起始时刻为tk-1、结束时刻为tk的第k个处理周期，融合中心到达了多个量测，若量测产生时刻的时戳早于起始时刻tk-1，则定义其为逆序点迹，若量测产生时刻的时戳大于等于起始时刻tk-1，则定义其为顺序点迹；选择顺序点迹中距离结束时刻tk最近的量测标记为
Figure FDA0001765910090000011
选择逆序点迹中距离起始时刻tk-1最近的量测标记为
Figure FDA0001765910090000012
其中
Figure FDA0001765910090000013
为传感器1的量测点迹，
Figure FDA0001765910090000014
为传感器2的量测点迹，t代表量测产生时刻的时戳，D表示距离，A表示方位，E表示俯仰；两个传感器在距离、方位、俯仰上的系统误差分别为
Figure FDA0001765910090000015
和
Figure FDA0001765910090000016
tk＞t1＞tk-1＞t2；
根据各传感器的系统误差，初始化测量噪声协方差矩阵
Figure FDA0001765910090000017
和
Figure FDA0001765910090000018
根据初始量测z(0)，对初始状态向量X0和初始协方差P0进行设置；
针对三维雷达量测，状态向量采用9维列向量，相应的协方差阵即为9*9维方阵，具体地：
X0＝[x1 0 0 x4 0 0 x7 0 0]；
P0＝diag([1e6,1e3,1,1e6,1e3,1,1e6,1e3,1])；
其中x1、x4、x7通过对初始量测z0＝(t0,D0,A0,E0)进行坐标转换得出，即(x1,x4,x7)＝POLE2XYZ(D0,A0,E0)，POLE2XYZ表示将量测值从极坐标系转至直角坐标系；
对各个顺序点迹按照时间顺序依次利用IMM算法进行滤波；对
Figure FDA0001765910090000021
利用IMM算法进行滤波得到状态估计向量X'k和协方差向量P′k，并更新各个模型的模型概率；
基于状态估计向量X'k和协方差向量P′k，对
Figure FDA0001765910090000022
利用基于交互式多模型的逆序滤波算法进行滤波，对当前状态估计向量X'k和协方差向量P′k进行更新，具体过程如下：
a)利用求逆函数对CA、CS、CT三个模型的状态转移矩阵直接求逆，求CV模型的非奇异子矩阵求逆，然后补维生成最终的状态转移逆矩阵；
b)基于交互式多模型的框架，在各个运动模型的滤波更新阶段，根据一步延迟逆序滤波EKF-A1算法，求从时刻tk到时刻t2的向后预测状态向量和协方差阵，对当前状态估计向量X'k和协方差向量P′k进行更新，最终求出状态估计向量Xk和协方差向量Pk，模型概率不变；
5)输出滤波结果，即状态估计向量Xk和协方差向量Pk。
CN201810928364.4A 2018-08-15 2018-08-15 基于交互式多模型的多平台无序量测处理方法 Active CN109164419B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810928364.4A CN109164419B (zh) 2018-08-15 2018-08-15 基于交互式多模型的多平台无序量测处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810928364.4A CN109164419B (zh) 2018-08-15 2018-08-15 基于交互式多模型的多平台无序量测处理方法

Publications (2)

Publication Number Publication Date
CN109164419A CN109164419A (zh) 2019-01-08
CN109164419B true CN109164419B (zh) 2022-07-05

Family

ID=64895743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810928364.4A Active CN109164419B (zh) 2018-08-15 2018-08-15 基于交互式多模型的多平台无序量测处理方法

Country Status (1)

Country Link
CN (1) CN109164419B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109856628B (zh) * 2019-01-11 2023-09-26 中国船舶集团有限公司第七二四研究所 一种基于扫描雷达的目标三维加速度运动模型计算方法
CN110807942B (zh) * 2019-09-24 2021-11-02 上海汽车工业(集团)总公司 智能驾驶汽车航迹更新方法及其更新系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944873A (zh) * 2012-11-27 2013-02-27 西安电子科技大学 基于多频点回波幅度逆序统计量的低空目标检测方法
CN103941233A (zh) * 2014-03-04 2014-07-23 中国人民解放军海军航空工程学院 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法
CN104730510A (zh) * 2015-04-08 2015-06-24 四川九洲空管科技有限责任公司 一种多雷达航迹融合方法
CN104777477A (zh) * 2015-04-28 2015-07-15 中国电子科技集团公司第二十研究所 多波形雷达距离补盲方法
CN105527613A (zh) * 2015-12-24 2016-04-27 珠海纳睿达科技有限公司 一种数据处理系统和方法
CN107015945A (zh) * 2017-04-10 2017-08-04 哈尔滨工业大学 一种基于混合转移分布的高阶交互式多模型滤波方法
CN107193012A (zh) * 2017-05-05 2017-09-22 江苏大学 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102944873A (zh) * 2012-11-27 2013-02-27 西安电子科技大学 基于多频点回波幅度逆序统计量的低空目标检测方法
CN103941233A (zh) * 2014-03-04 2014-07-23 中国人民解放军海军航空工程学院 一种多平台主被动传感器协同跟踪的雷达间歇交替辐射控制方法
CN104730510A (zh) * 2015-04-08 2015-06-24 四川九洲空管科技有限责任公司 一种多雷达航迹融合方法
CN104777477A (zh) * 2015-04-28 2015-07-15 中国电子科技集团公司第二十研究所 多波形雷达距离补盲方法
CN105527613A (zh) * 2015-12-24 2016-04-27 珠海纳睿达科技有限公司 一种数据处理系统和方法
CN107015945A (zh) * 2017-04-10 2017-08-04 哈尔滨工业大学 一种基于混合转移分布的高阶交互式多模型滤波方法
CN107193012A (zh) * 2017-05-05 2017-09-22 江苏大学 基于imm‑mht算法的智能车激光雷达机动多目标跟踪方法
CN107832575A (zh) * 2017-10-10 2018-03-23 中国航空无线电电子研究所 基于伪测量的带反馈机动目标异步航迹融合算法

Also Published As

Publication number Publication date
CN109164419A (zh) 2019-01-08

Similar Documents

Publication Publication Date Title
CN108896047B (zh) 分布式传感器网络协同融合与传感器位置修正方法
CN106443661B (zh) 基于无迹卡尔曼滤波的机动扩展目标跟踪方法
CN103644903B (zh) 基于分布式边缘无味粒子滤波的同步定位与地图构建方法
CN101661104B (zh) 基于雷达/红外量测数据坐标转换的目标跟踪方法
CN111795686A (zh) 一种移动机器人定位与建图的方法
CN108267731B (zh) 无人机目标跟踪系统的构建方法及应用
CN112285676A (zh) 激光雷达与imu外参标定方法及装置
CN104713560A (zh) 基于期望最大化的多源测距传感器空间配准方法
CN107402381A (zh) 一种迭代自适应的多机动目标跟踪方法
CN103529424B (zh) 一种基于rfid及ukf实现室内目标快速跟踪的方法
CN104035083A (zh) 一种基于量测转换的雷达目标跟踪方法
CN109164419B (zh) 基于交互式多模型的多平台无序量测处理方法
CN103176179A (zh) Sar雷达回波实时模拟方法
CN110595479B (zh) 一种基于icp算法的slam轨迹评估方法
CN113310505B (zh) 传感器系统的外参标定方法、装置及电子设备
CN109509207B (zh) 一种对点目标和扩展目标进行无缝跟踪的方法
CN107797106A (zh) 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法
CN109212519B (zh) 基于bf-dlstm的窄带雷达目标跟踪方法
CN113763434B (zh) 一种基于卡尔曼滤波多运动模型切换的目标轨迹预测方法
CN104777465B (zh) 基于b样条函数任意扩展目标形状及状态估计方法
CN116659513A (zh) 一种基于节点优化选择与因子图的多auv协同定位方法及系统
CN114265047A (zh) 一种大潜深auv的定位基阵联合标校方法
CN111736144B (zh) 一种仅用距离观测的机动转弯目标状态估计方法
CN109188420B (zh) 基于深度长短期记忆网络的窄带雷达目标跟踪方法
CN114061592B (zh) 基于多模型的自适应鲁棒auv导航方法

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