CN111008364B

CN111008364B - 一种双观测者协同被动定位方法及系统

Info

Publication number: CN111008364B
Application number: CN201911251117.6A
Authority: CN
Inventors: 梁源; 徐兵
Original assignee: Beijing Yiqing Technology Co ltd
Current assignee: Beijing Yiqing Technology Co ltd
Priority date: 2019-12-09
Filing date: 2019-12-09
Publication date: 2023-05-09
Anticipated expiration: 2039-12-09
Also published as: CN111008364A

Abstract

本发明公开了一种双观测者协同被动定位方法及系统。该方法包括：获取上一时刻选定模型的滤波信息和当前时刻观测者的观测量；根据选定模型相互转移概率和上一时刻选定模型正确描述目标运动的概率确定上一时刻选定模型混合概率；根据上一时刻选定模型混合概率和上一时刻选定模型的滤波信息计算滤波信息初始值；滤波信息初始值包括滤波估计结果初始值和滤波估计误差协方差初始矩阵；分别计算当前时刻每一观测者的目标无源跟踪定位结果；根据当前时刻每一观测者的目标无源跟踪定位结果进行加权融合处理，得到融合后的目标跟踪定位结果。采用本发明的方法及系统，具有能够在提升定位精度的同时缩短定位时间的优点。

Description

一种双观测者协同被动定位方法及系统

技术领域

本发明涉及目标跟踪定位技术领域，特别是涉及一种双观测者协同被动定位方法及系统。

背景技术

辐射源定位是电子对抗侦察中举足轻重的部分，对目标的消灭和摧毁依靠着对威胁目标的精准定位。辐射源定位的方式通过定位终端是否主动发射信号分为有源定位和无源定位两种方式。有源定位的定位方式是通过定位终端主动发射信号如声呐、激光和雷达来对目标进行定位，该方式的优势是可以二十四小时无间断工作，同时具有很高的定位精度。然而由于其主动发射大功率信号也带来了缺陷，即较易被发现，因而造成无法估量的后果。无源定位的定位方式是定位终端不主动发射信号，仅利用目标的无意辐射和有意辐射信号来进行目标定位的方式。相比有源定位来说，无源定位系统隐蔽性更强，能够增强作战实力并避开对方进攻，从而取得先机。由于无源定位更胜一筹，因此逐步在目标定位领域占据了主导地位。

目前，对辐射源进行定位的方法多采用集中式算法，需要大量通信量，算法所需计算量较大，定位所需时间较长，因此，如何在尽量短的时间内对辐射源进行精准定位成为亟待解决的问题。

发明内容

本发明的目的是提供一种双观测者协同被动定位方法及系统，具有能够在提升定位精度的同时缩短定位时间的优点。

为实现上述目的，本发明提供了如下方案：

一种双观测者协同被动定位方法，包括：

获取上一时刻选定模型的滤波信息和当前时刻观测者的观测量；所述选定模型的个数为多个，所述选定模型为交互式多模型算法中的模型；所述滤波信息包括滤波估计结果和滤波估计误差协方差矩阵；所述观测者的个数为两个，所述观测量包括观测值相对于目标的方位角和俯仰角；

根据所述选定模型相互转移概率和上一时刻选定模型正确描述目标运动的概率确定上一时刻选定模型混合概率；

根据所述上一时刻选定模型混合概率和所述上一时刻选定模型的滤波信息计算滤波信息初始值；所述滤波信息初始值包括滤波估计结果初始值和滤波估计误差协方差初始矩阵；

分别计算当前时刻每一观测者的目标无源跟踪定位结果；

根据所述当前时刻每一观测者的目标无源跟踪定位结果进行加权融合处理，得到融合后的目标跟踪定位结果。

可选的，所述计算当前时刻每一观测者的目标无源跟踪定位结果，具体包括：

根据所述滤波信息初始值和所述当前时刻观测者的观测量，分别对所述选定模型进行容积卡尔曼滤波计算，得到每一个选定模型当前时刻的滤波信息；

根据所述每一个选定模型当前时刻的滤波信息进行加权融合处理，得到观测者自身的目标无源跟踪定位结果。

可选的，所述根据所述滤波信息初始值和所述当前时刻观测者的观测量，分别对所述选定模型进行容积卡尔曼滤波计算，得到每一个选定模型当前时刻的滤波信息，具体包括：

采用Cholesky分解法分解所述滤波估计误差协方差初始矩阵，得到容积点；

根据所述容积点和所述选定模型对应的状态转移模型确定协方差一步预测结果；

采用Cholesky分解法分解所述协方差一步预测结果，得到更新后的容积点；

根据所述更新后的容积点确定选定模型当前时刻的滤波信息。

可选的，所述根据所述更新后的容积点确定选定模型当前时刻的滤波信息，具体包括：

根据所述更新后的容积点进行观测量进一步预测，得到观测向量映射结果和观测量进一步预测结果；

根据所述观测向量映射结果和所述观测量进一步预测结果计算预测观测协方差矩和交互协方差；

根据所述预测观测协方差矩和所述交互协方差确定选定模型当前时刻的滤波信息。

本发明还提供一种双观测者协同被动定位系统，包括：

数据获取模块，用于获取上一时刻选定模型的滤波信息和当前时刻观测者的观测量；所述选定模型的个数为多个，所述选定模型为交互式多模型算法中的模型；所述滤波信息包括滤波估计结果和滤波估计误差协方差矩阵；所述观测者的个数为两个，所述观测量包括观测值相对于目标的方位角和俯仰角；

上一时刻选定模型混合概率确定模块，用于根据所述选定模型相互转移概率和上一时刻选定模型正确描述目标运动的概率确定上一时刻选定模型混合概率；

滤波信息初始值计算模块，用于根据所述上一时刻选定模型混合概率和所述上一时刻选定模型的滤波信息计算滤波信息初始值；所述滤波信息初始值包括滤波估计结果初始值和滤波估计误差协方差初始矩阵；

观测者目标无源跟踪定位结果计算模块，用于分别计算当前时刻每一观测者的目标无源跟踪定位结果；

融合后的目标跟踪定位结果确定模块，用于根据所述当前时刻每一观测者的目标无源跟踪定位结果进行加权融合处理，得到融合后的目标跟踪定位结果。

可选的，观测者目标无源跟踪定位结果计算模块，具体包括：

容积卡尔曼滤波计算子模块，用于根据所述滤波信息初始值和所述当前时刻观测者的观测量，分别对所述选定模型进行容积卡尔曼滤波计算，得到每一个选定模型当前时刻的滤波信息；

观测者目标无源跟踪定位结果计算子模块，用于根据所述每一个选定模型当前时刻的滤波信息进行加权融合处理，得到观测者自身的目标无源跟踪定位结果。

可选的，容积卡尔曼滤波计算子模块，具体包括：

滤波估计误差协方差初始矩阵分解单元，用于采用Cholesky分解法分解所述滤波估计误差协方差初始矩阵，得到容积点；

协方差一步预测结果确定单元，用于根据所述容积点和所述选定模型对应的状态转移模型确定协方差一步预测结果；

协方差一步预测结果分解单元，用于采用Cholesky分解法分解所述协方差一步预测结果，得到更新后的容积点；

选定模型当前时刻的滤波信息确定单元，用于根据所述更新后的容积点确定选定模型当前时刻的滤波信息。

可选的，所述选定模型当前时刻的滤波信息确定单元，具体包括：

观测量进一步预测子单元，用于根据所述更新后的容积点进行观测量进一步预测，得到观测向量映射结果和观测量进一步预测结果；

预测观测协方差矩和交互协方差计算子单元，用于根据所述观测向量映射结果和所述观测量进一步预测结果计算预测观测协方差矩和交互协方差；

选定模型当前时刻的滤波信息确定子单元，用于根据所述预测观测协方差矩和所述交互协方差确定选定模型当前时刻的滤波信息。

与现有技术相比，本发明的有益效果是：

本发明提出了一种双观测者协同被动定位方法及系统，采用分布式架构，解决了传统集中式目标跟踪定位算法中，通信量较大，对于融合中心的计算能力有较高要求，系统鲁棒性不足的问题，具有更强的稳定性与适应性。

此外，本发明采用“IMM算法(交互式多模型算法)+CKF算法(容积卡尔曼滤波算法)”实现观测者对于目标的本地跟踪，“IMM+CKF”算法具有对目标机动性变化较强的适应性，通过采用多个模型同时计算的方式，确保了跟踪算法对于目标运动模型的准确覆盖，从而有效保证了目标的无源定位精度，防止出现因为目标机动变化频繁而导致的目标模型不匹配问题。同时CKF算法与传统的EKF(扩展kalman滤波)、UKF(无迹kalman滤波)等非线性算法相比，具有更高的滤波精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中基于双观测者的分布式协同无源定位算法流程图；

图2为本发明实施例中基于双观测者的分布式协同无源定位算法时序示意图；

图3为本发明实施例中IMM+CKF算法流程示意图；

图4为本发明实施例中基于双观测者的分布式协同无源定位算法仿真运行结果估计轨迹对比示意图；

图5为本发明实施例中基于双观测者的分布式协同无源定位算法仿真运行结果X轴定位误差示意图；

图6为本发明实施例中基于双观测者的分布式协同无源定位算法仿真运行结果Y轴定位误差示意图；

图7为本发明实施例中基于双观测者的分布式协同无源定位算法仿真运行结果Z轴定位误差示意图；

图8为本发明实施例中与传统算法的跟踪误差对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种双观测者协同被动定位方法及系统，能够在存在双观测者的情况下，对目标实现分布式协同无源定位。本发明采用分布式算法结构，与传统的集中式算法不同，分布式算法需要的通信量较少，不需要中心节点，算法所需计算量较小，同时具备了对故障鲁棒性强的优点。方法计算流程如下，可分为三个阶段：1.本地数据处理阶段：每个观测者仅利用自身所获得无源信息对目标进行无源定位，具体操作为观测者利用自身获得的无源信息，结合相关非线性滤波算法，获得目标的无源定位结果，并将无源定位结果转换为信息形式；2.通信阶段：两个观测者之间互相分享自身在阶段1中获得目标定位结果，具体操作为每个观测者都向对方发送自身在阶段1中获得无源定位结果的信息形式；3.融合阶段：将阶段1获得的自身无源定位结果(信息形式)与阶段2获得的另一个观测者的无源定位结果(信息形式)进行融合，将融合后的结果(信息形式)进行转换计算，得到最终的目标无源定位结果。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例

算法整体流程框图如图1所示。系统时序图如图2所示。

具体流程包括以下步骤：

步骤1：每个观测者根据自身传感器所敏感到的目标信息(为观测者与目标之间的相对角度(俯仰角与方位角))，利用IMM算法+CKF(Cubature Kalman filter，容积Kalman滤波)算法独立进行目标跟踪估计，得到本平台的目标跟踪估计结果，并将该目标跟踪结果转换为信息形式。

为方便下文进行介绍，定义两个观测者分别为观测者a和观测者b，本部分主要介绍“IMM算法+CKF算法”，该算法的计算流程图如图3所示，参照图3，该算法的具体计算流程如下所示(以观测者a的计算过程为例进行说明)：

由于该算法为递推计算形式，则以第k步的计算过程为例进行说明，定义第k-1步中，CA模型(匀加速模型)的计算结果为：

与P₁(k-1|k-1)，分别对应为第k-1步的CA模型的滤波估计结果与滤波估计误差协方差矩阵；CV模型(匀速模型)的计算结果为：

与P₂(k-1|k-1)，分别对应为第k-1步的CV模型的滤波估计结果与滤波估计误差协方差矩阵；Singer模型的计算结果为：

与P₃(k-1|k-1)，分别对应为第k-1步的Singer模型的滤波估计结果与滤波估计误差协方差矩阵。

同时定义第k步中，观测者a所获得观测量为

其中θ_a,

分别为观测者a相对于目标的方位角和俯仰角。

在上述定义的基础上，执行输入交互操作，具体如下：

本算法中共包含3个模型(CA模型(对应模型1)，CV模型(对应模型2)，Singer模型(对应模型3))，采用一个马尔科夫链来描述这三个模型之间的转换，该马尔科夫链的转移概率矩阵为：

Pro(k)矩阵中各元素都是非负的，并且各行元素之和等于1。pro_ij(k)代表在第k步中，由模型i转移至模型j的概率。依据上述转移概率矩阵，输入交互执行如下：

其中，

为归一化常数；u_ij(k-1|k-1)为混合概率，u_i(k-1)为第k-1步的对应的模型概率，由k-1步计算中得到。

则可以进一步得到：

在上述

与

的基础上，进行后续滤波计算如下：(三个模型计算为并行计算，此处为介绍方便，分别对模型1,2,3的滤波过程进行介绍)

首先对模型1(CA模型)应用CKF进行滤波计算，如下：

1.通过Cholesky分解误差协方差矩阵P₁ ⁰(k-1|k-1)：

S_k-1表示P₁ ⁰(k-1|k-1)经过Cholesky分解后得到的结果，计算容积点(s是一个循环变量，用于循环1～2n之中的全部数，s＝1,2,n.)：

其中ξ_s是下面集合的第s列，

其中n等于9。

2.进行时间更新，具体包含如下计算步骤：

对所有的容积点进行状态一步预测：

上式中，

表示经过预测的容积点，Φ_CA为CA模型对应的状态转移模型，具体形式为：

执行协方差一步预测：

其中，

T为系统采样间隔

3.进行状态更新，具体包含如下计算步骤：

对P₁ ⁰(k|k-1)做Cholesky分解

S_k|k-1表示P₁ ⁰(k|k-1)经过Cholesky分解后得到的结果，进而计算新的容积点：

观测值一步预测：

其中，

表示由预测容积点所对应得到的预测观测值，

表示对全部

求取均值得到的结果，h为非线性观测向量映射，具体为：

其中x(1),x(2),x(3)分别为输入向量x的第1,2,3个元素，x_a,y_a,z_a分别为观测者a的位置坐标。atan为反正切函数。

计算预测观测协方差矩：

R为观测噪声协方差矩阵；观测向量和状态向量的交互协方差为：

计算状态更新：

状态误差协方差更新：

继续对模型2(CV模型)应用CKF进行滤波计算，如下：

1.通过Cholesky分解误差协方差矩阵P₂ ⁰(k-1|k-1)：

计算容积点(s＝1,2,...,2n)：

其中ξ_s是下面集合的第s列

其中n等于9。

2.进行时间更新，具体包含如下计算步骤：

3.对所有的容积点进行状态一步预测：

上式中，Φ_CV为CV模型对应的状态转移模型，具体形式为：

执行协方差一步预测：

其中，

T为系统采样间隔

3.进行状态更新，具体包含如下计算步骤：

对P₂ ⁰(k|k-1)做Cholesky分解

进而计算新的容积点：

观测值一步预测：

其中，h为非线性观测向量映射，具体为：

计算预测观测协方差矩：

计算状态更新：

其中，

状态误差协方差更新：

继续对模型3(Singer模型)应用CKF进行滤波计算，如下：

1.通过Cholesky分解误差协方差矩阵P₃ ⁰(k-1|k-1)：

计算容积点(s＝1,2,...,2n)：

其中ξ_s是下面集合的第s列

其中n等于9。

2.进行时间更新，具体包含如下计算步骤：

3.对所有的容积点进行状态一步预测：

上式中，Φ_Singer为Singer模型对应的状态转移模型，具体形式为：

α为经验常数，一般为20。

执行协方差一步预测：

其中，

T为系统采样间隔。

3.进行状态更新，具体包含如下计算步骤：

对P₃ ⁰(k|k-1)做Cholesky分解

进而计算新的容积点：

观测值一步预测：

其中，h为非线性观测向量映射，具体为：

计算预测观测协方差矩：

计算状态更新：

其中，状态误差协方差更新：

在三个模型分别执行完各自滤波计算后，进一步执行如下计算：

模型概率更新：

其中，c为归一化常数，且

而∧_j(k)为观测Z_a(k)的似然函数，满足：

其中，exp为指数函数，

进一步执行输出交互，将各模型独立取得的滤波结果进行加权融合，得到的结果作为最终结果进行输出：

其中，

表示观测者a在k时刻所得到的最终目标跟踪结果，P_a(k|k)表示观测者a在k时刻所得到的最终目标跟踪结果所对应的滤波误差协方差矩阵。

可以看出，滤波器的总输出是多个滤波器估计结果的加权平均值，权重即为该时刻模型正确描述目标运动的概率，简称为模型概率。其中，

P_a(k|k)为分别代表状态估计结果与滤波误差方差。

将同样的操作执行在观测者b上，则进一步可得：

P_b(k|k)。在此基础上，将上述结果转换为其信息形式：

Y_a(k|k)＝(P_a(k|k))^-1

Y_b(k|k)＝(P_b(k|k))^-1

步骤2：双观测者之间通过通讯链路实现步骤1中的目标跟踪结果的共享。

通过双观测者之间的通讯链路实现观测结果的信息共享，经过信息共享后，每个观测者所获得信息如下：

观测者a获得的信息：

y_a(k|k)，y_b(k|k)，Y_a(k|k)，Y_b(k|k)。

观测者b获得的信息：

y_a(k|k)，y_b(k|k)，Y_a(k|k)，Y_b(k|k)。

步骤3：每一个观测将步骤1获得的自身无源定位结果与步骤2获得的另一个观测者的无源定位结果进行融合，将融合后的结果(信息形式)进行转换计算，得到最终的目标无源定位结果并进行输出。

以观测者a的融合为例进行说明，融合计算方式为：

其中

与

即是融合后的结果(信息形式)，将其转换为滤波结果形式：

其中，

与

即是最终得到的观测者a在k时刻的目标无源跟踪定位结果，观测者b的计算过程类似，此处不再继续描述。

将步骤3得到的滤波结果作为最终的目标跟踪结果进行持续性输出，仿真结果如图4至图7所示。从上述图中可以看出，三轴向的位置误差均被有效地限制在一定的容许范围内而不发散，也就说明了本发明算法可以实现对目标的长时间稳定跟踪。同时为了进一步说明该算法的优势，将采用同样分布式算法架构的“IMM+EKF”算法的位置定位RMSE(RootMean Squared Error，均方根误差)与本发明中所设计的算法的位置定位RMSE在同一张图中给出，如图8所示。从图8中可以看出，与传统“IMM+EKF”算法相比，利用本发明所设计的算法，具有更小的RMSE，即误差更小，也就说明与传统“IMM+EKF”算法相比，本发明所设计算法的跟踪精度更优。

本发明还公开了一种双观测者协同被动定位系统，包括：

数据获取模块，用于获取上一时刻选定模型的滤波信息和当前时刻观测者的观测量；选定模型的个数为多个，选定模型为交互式多模型算法中的模型；滤波信息包括滤波估计结果和滤波估计误差协方差矩阵；观测者的个数为两个，观测量包括观测值相对于目标的方位角和俯仰角。

上一时刻选定模型混合概率确定模块，用于根据选定模型相互转移概率和上一时刻选定模型正确描述目标运动的概率确定上一时刻选定模型混合概率。

滤波信息初始值计算模块，用于根据上一时刻选定模型混合概率和上一时刻选定模型的滤波信息计算滤波信息初始值；滤波信息初始值包括滤波估计结果初始值和滤波估计误差协方差初始矩阵。

观测者目标无源跟踪定位结果计算模块，用于分别计算当前时刻每一观测者的目标无源跟踪定位结果。

观测者目标无源跟踪定位结果计算模块，具体包括：

容积卡尔曼滤波计算子模块，用于根据滤波信息初始值和当前时刻观测者的观测量，分别对选定模型进行容积卡尔曼滤波计算，得到每一个选定模型当前时刻的滤波信息。

容积卡尔曼滤波计算子模块，具体包括：

滤波估计误差协方差初始矩阵分解单元，用于采用Cholesky分解法分解滤波估计误差协方差初始矩阵，得到容积点。

协方差一步预测结果确定单元，用于根据容积点和选定模型对应的状态转移模型确定协方差一步预测结果；

协方差一步预测结果分解单元，用于采用Cholesky分解法分解协方差一步预测结果，得到更新后的容积点。

选定模型当前时刻的滤波信息确定单元，用于根据更新后的容积点确定选定模型当前时刻的滤波信息。

选定模型当前时刻的滤波信息确定单元，具体包括：

观测量进一步预测子单元，用于根据更新后的容积点进行观测量进一步预测，得到观测向量映射结果和观测量进一步预测结果；

预测观测协方差矩和交互协方差计算子单元，用于根据观测向量映射结果和观测量进一步预测结果计算预测观测协方差矩和交互协方差；

选定模型当前时刻的滤波信息确定子单元，用于根据预测观测协方差矩和交互协方差确定选定模型当前时刻的滤波信息。

观测者目标无源跟踪定位结果计算子模块，用于根据每一个选定模型当前时刻的滤波信息进行加权融合处理，得到观测者自身的目标无源跟踪定位结果。

融合后的目标跟踪定位结果确定模块，用于根据当前时刻每一观测者的目标无源跟踪定位结果进行加权融合处理，得到融合后的目标跟踪定位结果。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上，本说明书内容不应理解为对本发明的限制。

Claims

1.一种双观测者协同被动定位方法，其特征在于，包括：

分别计算当前时刻每一观测者的目标无源跟踪定位结果；

2.根据权利要求1所述的双观测者协同被动定位方法，其特征在于，所述计算当前时刻每一观测者的目标无源跟踪定位结果，具体包括：

3.根据权利要求2所述的双观测者协同被动定位方法，其特征在于，所述根据所述滤波信息初始值和所述当前时刻观测者的观测量，分别对所述选定模型进行容积卡尔曼滤波计算，得到每一个选定模型当前时刻的滤波信息，具体包括：

4.根据权利要求3所述的双观测者协同被动定位方法，其特征在于，所述根据所述更新后的容积点确定选定模型当前时刻的滤波信息，具体包括：

5.一种双观测者协同被动定位系统，其特征在于，包括：

6.根据权利要求5所述的双观测者协同被动定位系统，其特征在于，观测者目标无源跟踪定位结果计算模块，具体包括：

7.根据权利要求6所述的双观测者协同被动定位系统，其特征在于，容积卡尔曼滤波计算子模块，具体包括：

8.根据权利要求7所述的双观测者协同被动定位系统，其特征在于，所述选定模型当前时刻的滤波信息确定单元，具体包括：