CN111121770B - 一种交互式多弹多模型航迹融合方法 - Google Patents

一种交互式多弹多模型航迹融合方法 Download PDF

Info

Publication number
CN111121770B
CN111121770B CN201911401234.6A CN201911401234A CN111121770B CN 111121770 B CN111121770 B CN 111121770B CN 201911401234 A CN201911401234 A CN 201911401234A CN 111121770 B CN111121770 B CN 111121770B
Authority
CN
China
Prior art keywords
model
state
target
missile
motion
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
CN201911401234.6A
Other languages
English (en)
Other versions
CN111121770A (zh
Inventor
王新亮
陈凯
薛琪琪
王民钢
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.)
Xi'an Innno Aviation Technology Co ltd
Original Assignee
Northwestern Polytechnical University
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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201911401234.6A priority Critical patent/CN111121770B/zh
Publication of CN111121770A publication Critical patent/CN111121770A/zh
Application granted granted Critical
Publication of CN111121770B publication Critical patent/CN111121770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明涉及一种交互式多弹多模型航迹融合方法，采用马尔科夫转移矩阵，利用各模型滤波的状态估计和协方差估计信息实时确定各模型的加权系数，利用各弹的状态估计和协方差估计信息实时确定多弹的加权系数，以提高融合系统的实时性和精度。

Description

一种交互式多弹多模型航迹融合方法
技术领域
本发明属于多导弹协同攻击领域，具体涉及一种交互式多导弹航迹融合方法。
背景技术
面对日益复杂的战场环境，单一导弹越来越难以高精度的探测目标。为了提高空空导弹打击目标的成功率，采用多枚导弹协同攻击目标，多枚导弹携带多制式导引头从不同方向探测目标，并通过数据链进行数据传输，在融合中心进行航迹融合可以有效地提高目标探测的精度和可靠性。利用多方位多源信息的冗余性，保持长时间对目标的跟踪，排除敌方和环境的干扰信息，提高对目标状态和身份的估计精度，有助于为导弹末制导提供更为精确的制导信息。
目前，航迹融合系统结构主要分为集中式航迹融合结构和分布式航迹融合结构，集中式航迹融合因为其对融合中心计算量要求较高而难以实际应用，分布式航迹融合精度略低，但因为计算量小，对多源信息包容性强能够即插即用而得到广泛应用。目前常用的分布式融合方法包括简单组合、协方差加权和加权融合法，都没有考虑空空导弹在快速攻击中的角度变化，并且对多弹系统中导弹失去探测信息的情况不敏感，以致对目标探测精度提升不明显，甚至带入融合误差。
发明内容
要解决的技术问题
针对现有多弹协同探测系统中对快速变化的信息不敏感，融合精度较低的问题，本发明提出了一种交互式多弹多模型航迹融合方法。
技术方案
一种交互式多弹多模型航迹融合方法，其特征在于步骤如下：
步骤1：在惯性参考坐标系中，建立各个导弹导引头的弹目相对运动方程和目标机动运动方程；
所述的弹目相对运动方程为：
Figure BDA0002347518880000021
式中：测量信息Zj＝[rj,θj,ηj]T，为第j枚导弹与目标的弹目接近速度、俯仰角、偏航角信息，
Figure BDA0002347518880000022
为第j枚导弹量测噪声，
Figure BDA0002347518880000023
是第j枚导弹弹目相对位置信息：
Figure BDA0002347518880000024
式中：xt,yt,zt是目标位置信息，xm,j,ym,j,zm,j是第j个导弹的位置信息；
惯性参考坐标系中目标相对运动状态向量取为：
Figure BDA0002347518880000025
所述的目标机动运动方程包括匀速目标模型、匀加速目标模型、左转弯目标模型、右转弯目标模型：
匀速运动的离散化方程为：
X(k+1)＝φCV(k)X(k)+GCV(k)ω(k) (4)
式中：φCV(k)是匀速运动模型状态转移矩阵，GCV(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量；
Figure BDA0002347518880000026
其中：T为仿真滤波周期；
匀加速运动的离散化方程为：
X(k+1)＝φCA(k)X(k)+GCA(k)ω(k) (6)
式中：φCA(k)是匀加速运动模型状态转移矩阵，GCA(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量；
Figure BDA0002347518880000031
匀速转弯运动的离散化方程为：
X(k+1)＝φCT(k)X(k)+GCT(k)ω(k) (8)
式中：φCT(k)是匀速转弯运动模型状态转移矩阵，GCT(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量；
Figure BDA0002347518880000032
其中，ω'为转弯运动速率，向左转弯ω'>0，向右转弯ω'<0；
步骤2：设第j个模型表示目标的状态方程为Xj(k+1)＝φj(k)Xj(k)+Gj(k)ωj(k)，测量方程Z(k)＝H(k)X(k)+V(k)，其中H(k)由步骤1的弹目相对运动方程经过对状态向量Xn微分得到；采用交互式多模型的扩展卡尔曼滤波算法对目标进行跟踪，得到目标状态信息以及相应的误差协方差矩阵；
步骤3：通过数据链，将从弹得到的目标状态信息和误差协方差矩阵传输到主弹融合中心，利用各弹自身导航系统得到的主弹与从弹的相对位置信息，以主弹融合中心为基准补偿各从弹得到的目标状态信息；
步骤4：基于各弹得到的误差协方差矩阵，采用马尔科夫转移矩阵，确定多弹实时的概率，并对步骤3得到的多条弹道进行加权融合得到对目标的状态估计。
所述的步骤2中具体步骤如下：
各个模型之间的转移由马尔科夫概率转移矩阵确定，其中的元素pij表示目标由第i个运动模型转移到第j个运动模型的概率。则多模型的实时概率分配分为以下步骤：
1.输入交互(模型j)
模型j的预测概率为：
Figure BDA0002347518880000041
模型i到模型j的混合概率：
Figure BDA0002347518880000042
模型j的混合协状态估计：
Figure BDA0002347518880000043
模型j的混合协方差估计
Figure BDA0002347518880000044
2.Kalman滤波(模型j)
预测状态：
Figure BDA0002347518880000051
预测误差协方差：
Figure BDA0002347518880000052
卡尔曼增益：
Kj(k)＝Pj(k|k-1)HT[HPj(k|k-1)HT+R(k)]-1 (16)
滤波状态：
Figure BDA0002347518880000053
滤波协方差：
Pj(k|k)＝[I-Kj(k)H(K)]Pj(k|k-1) (18)
其中：R(k)为滤波器的噪声方差阵。
3.模型概率更新
模型j的似然函数为：
Figure BDA0002347518880000054
其中：
Figure BDA0002347518880000055
Sj(k)＝H(k)Pj(k|k-1)H(k)T+R(k)
模型j的概率密度为：
Figure BDA0002347518880000056
其中：
Figure BDA0002347518880000057
4.输出交互
总的状态估计：
Figure BDA0002347518880000058
总的协方差估计：
Figure BDA0002347518880000061
所述的步骤3中具体步骤如下：
以地心地固系ECEF为公共坐标系融合各弹信息，先将东北天坐标系下目标位置转换到ECEF系下，再在ECEF系下矢量补偿各弹间的导航信息；
定义局部笛卡尔坐标系为东北天坐标系定义，由东北天坐标系转换到ECEF系转换公式为：
Figure BDA0002347518880000062
其中，x1,y1,z1为目标在跟踪坐标系下即东北天坐标系的坐标，xe1,ye1,ze1为x1,y1,z1在ECEF系中的转换坐标，Ls,λs,Hs为各弹的大地信息；
Figure BDA0002347518880000063
其中，xs,ys,zs为导航系统得到的各传感器的ECEF坐标，xt,yt,zt为转换后得到的目标的地理坐标。
所述的步骤4中具体步骤如下：
1.融合中心输入
导弹n的输入状态估计和误差协方差估计分别为步骤3输出的状态估计和步骤2输出的误差协方差估计：
Xn(k)＝X(k|k),Pn(k)＝P(k|k) (26)
得到导弹n的一步预测状态估计和误差协方差估计：
Figure BDA0002347518880000064
2.模型概率更新
导弹n的似然函数为：
Figure BDA0002347518880000071
其中：vn(k)＝Z(k)-H(k)Xn(k|k-1)]，Sn(k)＝H(k)Pn(k|k-1)H(k)T+R(k)；
导弹n的概率密度为：
Figure BDA0002347518880000072
其中：
Figure BDA0002347518880000073
3.输出交互
总的状态估计：
Figure BDA0002347518880000074
总的协方差估计：
Figure BDA0002347518880000075
得到多弹探测系统的融合航迹X(k)和协方差估计P(k)。
有益效果
本发明提出的一种交互式多弹多模型航迹融合方法，采用马尔科夫转移矩阵，利用各模型滤波的状态估计和协方差估计信息实时确定各模型的加权系数，利用各弹的状态估计和协方差估计信息实时确定多弹的加权系数，以提高融合系统的实时性和精度。
附图说明
图1三枚导弹协同攻击目标示意图
图2交互式多模型EKF示意图
图3三维空间内多导弹攻击目标示意图
图4三枚导弹航迹融合示意图
图5三弹系统目标位置信息估计误差
图6三弹系统目标速度信息估计误差
图7三弹系统目标加速度信息估计误差
具体实施方式
现结合实施例、附图对本发明作进一步描述：
如图1所示，以三枚雷达导引头导弹组网的多弹协同系统为例，说明交互式多弹多模型航迹融合系统：
步骤一：建立弹目相对运动方程和目标机动运动方程
惯性直角坐标系下雷达导引头的弹目相对运动方程：
Figure BDA0002347518880000081
式中：测量信息[rn,θn,ηn]T，为第n枚导弹与目标的弹目相对位置、俯仰角、偏航角信息；
Figure BDA0002347518880000082
为第n枚导弹测量相对位置精度方差、俯仰角精度方差、偏航角精度方差；
Figure BDA0002347518880000083
是第n枚导弹弹目相对位置信息，弹目相对位置方程为：
Figure BDA0002347518880000084
式中：xt,yt,zt是目标位置信息，xm,n,ym,n,zm,n是第n个导弹的位置信息。
惯性参考坐标系中目标相对运动状态向量取为：
Figure BDA0002347518880000085
[xn、yn、zn]是第n枚导弹弹目相对位置矢量，
Figure BDA0002347518880000086
是第n枚导弹速度矢量，
Figure BDA0002347518880000091
是第n枚导弹加速度矢量。
目标机动运动方程包括匀速目标模型、匀加速目标模型、左转弯目标模型、右转弯目标模型。
匀速运动的离散化方程为：
X(k+1)＝φCV(k)X(k)+GCV(k)ω(k) (4)
式中：φCV(k)是匀速运动模型状态转移矩阵，GCV(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量。
Figure BDA0002347518880000092
其中：T为仿真滤波周期。
匀加速运动的离散化方程为：
X(k+1)＝φCA(k)X(k)+GCA(k)ω(k) (6)
式中：φCA(k)是匀加速运动模型状态转移矩阵，GCA(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量。
Figure BDA0002347518880000093
匀速转弯运动的离散化方程为：
X(k+1)＝φCT(k)X(k)+GCT(k)ω(k) (8)
式中：φCT(k)是匀速转弯运动模型状态转移矩阵，GCT(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量。
Figure BDA0002347518880000101
其中，ω'为转弯运动速率，向左转弯ω'>0，向右转弯ω'<0。
步骤二：各弹交互式多模型卡尔曼滤波
如图2所示，交互多模型是一种软切换算法，使用两个或更多的模型来描述工作过程中可能的状态，设第j个模型表示目标的状态方程为Xj(k+1)＝φj(k)Xj(k)+Gj(k)ωj(k)，测量方程Z(k)＝H(k)X(k)+V(k)，其中H(k)由步骤一的弹目相对运动方程经过对状态向量Xn微分得到。
各个模型之间的转移由马尔科夫概率转移矩阵确定，其中的元素pij表示目标由第i个运动模型转移到第j个运动模型的概率。则多模型的实时概率分配分为以下步骤：
5.输入交互(模型j)
模型j的预测概率为：
Figure BDA0002347518880000102
模型i到模型j的混合概率：
Figure BDA0002347518880000103
模型j的混合协状态估计：
Figure BDA0002347518880000111
模型j的混合协方差估计
Figure BDA0002347518880000112
6.Kalman滤波(模型j)
预测状态：
Figure BDA0002347518880000113
预测误差协方差：
Figure BDA0002347518880000114
卡尔曼增益：
Kj(k)＝Pj(k|k-1)HT[HPj(k|k-1)HT+R(k)]-1 (16)
滤波状态：
Figure BDA0002347518880000115
滤波协方差：
Pj(k|k)＝[I-Kj(k)H(K)]Pj(k|k-1) (18)
其中：R(k)为滤波器的噪声方差阵。
7.模型概率更新
模型j的似然函数为：
Figure BDA0002347518880000116
其中：
Figure BDA0002347518880000117
Sj(k)＝H(k)Pj(k|k-1)H(k)T+R(k)
模型j的概率密度为：
Figure BDA0002347518880000118
其中：
Figure BDA0002347518880000121
8.输出交互
总的状态估计：
Figure BDA0002347518880000122
总的协方差估计：
Figure BDA0002347518880000123
步骤三：通过数据链利用导航系统信息补偿各弹状态估计
如图3所示，各从弹传递到融合中心的状态估计分别基于各自坐标系，需要利用导航信息进行补偿。
以地心地固系(ECEF)为公共坐标系融合各弹信息，先将东北天坐标系下目标位置转换到ECEF系下，再在ECEF系下矢量补偿各弹间的导航信息。
定义局部笛卡尔坐标系为东北天坐标系(定义)，由东北天坐标系转换到ECEF系转换公式为：
Figure BDA0002347518880000124
其中，x1,y1,z1为目标在跟踪坐标系下(东北天坐标系)的坐标，xe1,ye1,ze1为x1,y1,z1在导航坐标系系(ECEF系)中的转换坐标，Ls,λs,Hs为各弹的大地信息(经纬高)。
Figure BDA0002347518880000125
其中，xs,ys,zs为导航系统得到的各传感器的ECEF坐标，xt,yt,zt为转换后得到的目标的地理坐标。
Figure BDA0002347518880000131
步骤四：利用马尔科夫转移矩阵对多条弹道状态信息进行加权融合得到对目标的状态估计。
具体航迹融合架构如图4所示，多个导弹同时探测目标，同一时刻各个导弹的探测精度有高有低甚至可能存在量测缺失的情况，通过马尔科夫转移矩阵确定各导弹输出状态估计的概率，假设第n个导弹的目标状态估计为Xn(k)，误差协方差估计为Pn(k)。
4.融合中心输入(导弹n)
导弹n的输入状态估计和误差协方差估计分别为步骤三输出的状态估计和步骤二输出的误差协方差估计：
Xn(k)＝X(k|k),Pn(k)＝P(k|k) (26)
并且得到导弹n的一步预测状态估计和误差协方差估计：
Figure BDA0002347518880000132
5.模型概率更新
导弹n的似然函数为：
Figure BDA0002347518880000133
其中：vn(k)＝Z(k)-H(k)Xn(k|k-1)]，Sn(k)＝H(k)Pn(k|k-1)H(k)T+R(k)；
导弹n的概率密度为：
Figure BDA0002347518880000134
其中：
Figure BDA0002347518880000135
6.输出交互
总的状态估计：
Figure BDA0002347518880000141
总的协方差估计：
Figure BDA0002347518880000142
由此步骤可以得到多弹探测系统的融合航迹X(k)和协方差估计P(k)。
仿真条件：目标初始高度5000m,初始速度400m/s，在空间XYZ内做法向过载6g机动运动，三枚导弹初始高度2000m，速度800m/s，初始俯仰角和偏航角都为0，分别通过比例导引法跟踪目标，比例系数为4，测量信息加入测速精度为5m/s，测角精度为0.5°的白噪声，仿真时间50s。仿真结果如图5-7所示，考虑非线性和伪测量噪声情况下，多弹多模型系统的目标速度估计精度<10m/s，加速度估计精度<1g，相对于经典kalman滤波方法，滤波速度提高10％。

Claims (4)

1.一种交互式多弹多模型航迹融合方法，其特征在于步骤如下：
步骤1：在惯性参考坐标系中，建立各个导弹导引头的弹目相对运动方程和目标机动运动方程；
所述的弹目相对运动方程为：
Figure FDA0003742031670000011
式中：测量信息Zj＝[rj,θj,ηj]T，为第j枚导弹与目标的弹目接近速度、俯仰角、偏航角信息，
Figure FDA0003742031670000012
为第j枚导弹量测噪声，
Figure FDA0003742031670000013
是第j枚导弹弹目相对位置信息：
Figure FDA0003742031670000014
式中：xt,yt,zt是目标位置信息，xm,j,ym,j,zm,j是第j个导弹的位置信息；
惯性参考坐标系中目标相对运动状态向量取为：
Figure FDA0003742031670000015
所述的目标机动运动方程包括匀速目标模型、匀加速目标模型、左转弯目标模型、右转弯目标模型：
匀速运动的离散化方程为：
X(k+1)＝φCV(k)X(k)+GCV(k)ω(k) (4)
式中：φCV(k)是匀速运动模型状态转移矩阵，GCV(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量；
Figure FDA0003742031670000016
其中：T为仿真滤波周期；
匀加速运动的离散化方程为：
X(k+1)＝φCA(k)X(k)+GCA(k)ω(k) (6)
式中：φCA(k)是匀加速运动模型状态转移矩阵，GCA(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量；
Figure FDA0003742031670000021
匀速转弯运动的离散化方程为：
X(k+1)＝φCT(k)X(k)+GCT(k)ω(k) (8)
式中：φCT(k)是匀速转弯运动模型状态转移矩阵，GCT(k)是状态噪声向量转移矩阵，X(k)是k时刻目标运动状态向量，ω(k)是k时刻的状态噪声向量；
Figure FDA0003742031670000022
其中，ω'为转弯运动速率，向左转弯ω'＞0，向右转弯ω'＜0；
步骤2：设第j个模型表示目标的状态方程为Xj(k+1)＝φj(k)Xj(k)+Gj(k)ωj(k)，测量方程Z(k)＝H(k)X(k)+V(k)，其中H(k)由步骤1的弹目相对运动方程经过对状态向量Xk微分得到；采用交互式多模型的扩展卡尔曼滤波算法对目标进行跟踪，得到目标状态信息以及相应的误差协方差矩阵；
步骤3：通过数据链，将从弹得到的目标状态信息和误差协方差矩阵传输到主弹融合中心，利用各弹自身导航系统得到的主弹与从弹的相对位置信息，以主弹融合中心为基准补偿各从弹得到的目标状态信息；
步骤4：基于各弹得到的误差协方差矩阵，采用马尔科夫转移矩阵，确定多弹实时的概率，并对步骤3得到的多条弹道进行加权融合得到对目标的状态估计。
2.根据权利要求1所述的一种交互式多弹多模型航迹融合方法，其特征在于所述的步骤2中具体步骤如下：
各个模型之间的转移由马尔科夫概率转移矩阵确定，其中的元素pij表示目标由第i个运动模型转移到第j个运动模型的概率；则多模型的实时概率分配分为以下步骤：
1.输入交互：模型j
模型j的预测概率为：
Figure FDA0003742031670000031
模型i到模型j的混合概率：
Figure FDA0003742031670000032
模型j的混合协状态估计：
Figure FDA0003742031670000033
模型j的混合协方差估计
Figure FDA0003742031670000041
2.Kalman滤波：模型j
预测状态：
Figure FDA0003742031670000042
预测误差协方差：
Figure FDA0003742031670000043
卡尔曼增益：
Kj(k)＝Pj(k|k-1)HT[HPj(k|k-1)HT+R(k)]-1 (16)
滤波状态：
Figure FDA0003742031670000044
滤波协方差：
Pj(k|k)＝[I-Kj(k)H(K)]Pj(k|k-1) (18)
其中：R(k)为滤波器的噪声方差阵；
3.模型概率更新
模型j的似然函数为：
Figure FDA0003742031670000045
其中：
Figure FDA0003742031670000046
Sj(k)＝H(k)Pj(k|k-1)H(k)T+R(k)
模型j的概率密度为：
Figure FDA0003742031670000047
其中：
Figure FDA0003742031670000048
4.输出交互
总的状态估计：
Figure FDA0003742031670000051
总的协方差估计：
Figure FDA0003742031670000052
3.根据权利要求1所述的一种交互式多弹多模型航迹融合方法，其特征在于所述的步骤3中具体步骤如下：
以地心地固系ECEF为公共坐标系融合各弹信息，先将东北天坐标系下目标位置转换到ECEF系下，再在ECEF系下矢量补偿各弹间的导航信息；
定义局部笛卡尔坐标系为东北天坐标系定义，由东北天坐标系转换到ECEF系转换公式为：
Figure FDA0003742031670000053
其中，x1,y1,z1为目标在跟踪坐标系下即东北天坐标系的坐标，xe1,ye1,ze1为x1,y1,z1在ECEF系中的转换坐标，Ls,λs,Hs为各弹的大地信息；
Figure FDA0003742031670000054
其中，xs,ys,zs为导航系统得到的各传感器的ECEF坐标，xt,yt,zt为转换后得到的目标的地理坐标。
4.根据权利要求1所述的一种交互式多弹多模型航迹融合方法，其特征在于所述的步骤4中具体步骤如下：
1.融合中心输入
导弹n的输入状态估计和误差协方差估计分别为步骤3输出的状态估计和步骤2输出的误差协方差估计：
Xn(k)＝X(k|k),Pn(k)＝P(k|k) (26)
得到导弹n的一步预测状态估计和误差协方差估计：
Figure FDA0003742031670000061
2.模型概率更新
导弹n的似然函数为：
Figure FDA0003742031670000062
其中：vn(k)＝Z(k)-H(k)Xn(k|k-1)]，Sn(k)＝H(k)Pn(k|k-1)H(k)T+R(k)；
导弹n的概率密度为：
Figure FDA0003742031670000063
其中：
Figure FDA0003742031670000064
3.输出交互
总的状态估计：
Figure FDA0003742031670000065
总的协方差估计：
Figure FDA0003742031670000066
得到多弹探测系统的融合航迹X(k)和协方差估计P(k)。
CN201911401234.6A 2019-12-31 2019-12-31 一种交互式多弹多模型航迹融合方法 Active CN111121770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911401234.6A CN111121770B (zh) 2019-12-31 2019-12-31 一种交互式多弹多模型航迹融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911401234.6A CN111121770B (zh) 2019-12-31 2019-12-31 一种交互式多弹多模型航迹融合方法

Publications (2)

Publication Number Publication Date
CN111121770A CN111121770A (zh) 2020-05-08
CN111121770B true CN111121770B (zh) 2022-09-13

Family

ID=70505707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911401234.6A Active CN111121770B (zh) 2019-12-31 2019-12-31 一种交互式多弹多模型航迹融合方法

Country Status (1)

Country Link
CN (1) CN111121770B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577489B (zh) * 2020-12-08 2024-05-07 北京电子工程总体研究所 一种基于交互多模型滤波的导引头视线转率提取方法
CN113639594B (zh) * 2021-05-27 2022-05-03 西北工业大学 一种多弹协同系统的模糊关联融合方法
CN113239472B (zh) * 2021-07-09 2021-09-21 中国科学院自动化研究所 一种基于强化学习的导弹制导方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110514209A (zh) * 2019-08-27 2019-11-29 东南大学 一种交互式多模型组合导航方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7719461B1 (en) * 2008-08-05 2010-05-18 Lockheed Martin Corporation Track fusion by optimal reduced state estimation in multi-sensor environment with limited-bandwidth communication path
CN104793201B (zh) * 2015-05-04 2018-04-24 哈尔滨工业大学 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法
CN107832575B (zh) * 2017-10-10 2021-07-16 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
CN107908895B (zh) * 2017-12-01 2020-11-13 哈尔滨工业大学 一种基于imm滤波器主动防御视线策略协同制导律设计方法
CN109782269B (zh) * 2018-12-26 2021-04-20 北京壹氢科技有限公司 一种分布式多平台协同有源目标跟踪方法
CN109813299A (zh) * 2019-03-06 2019-05-28 南京理工大学 一种基于交互多模型的组合导航信息融合方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110514209A (zh) * 2019-08-27 2019-11-29 东南大学 一种交互式多模型组合导航方法

Also Published As

Publication number Publication date
CN111121770A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN110375730B (zh) 基于imu和uwb融合的室内定位导航系统
CN111121770B (zh) 一种交互式多弹多模型航迹融合方法
Kendrick et al. Estimation of aircraft target motion using orientation measurements
CN103776453B (zh) 一种多模型水下航行器组合导航滤波方法
CN111273298B (zh) 基于波浪滑翔器组网技术的水下声学目标定位与跟踪方法
CN101832738A (zh) 一种远程空空导弹多平台协同制导系统及其实现方法
Lin et al. Adaptive EKF-CMAC-based multisensor data fusion for maneuvering target
CN114510076A (zh) 基于无迹变换的目标协同探测与制导一体化方法及系统
Esmailifar et al. Cooperative localization of marine targets by UAVs
CN111598232A (zh) 利用深度学习卷积神经网络估计复杂微动空间锥体目标参数的方法
Esmailifar et al. Moving target localization by cooperation of multiple flying vehicles
Pak et al. State estimation algorithms for localization: A survey
CN113076634A (zh) 一种多机协同无源定位方法、装置及系统
CN110728026B (zh) 一种基于角速度量测的末端弹道目标被动跟踪方法
Zhao et al. Cooperative localization based on robust GPS and Radar fusion for multiple aerial vehicles
CN116257818A (zh) 多智能体近距离作战动目标协同定位方法
Wolfe et al. Multiple model distributed ekf for teams of target tracking uavs using t test selection
Shi et al. Cooperative trajectory optimization of UAVs in approaching stage using feedback guidance methods
KR102252825B1 (ko) 지향각의 시간 지연을 보상하는 시선각속도 추정 장치 및 이를 포함하는 비행체
CN113689501A (zh) 一种基于收敛点的双机协同目标机定位跟踪控制方法
Lu et al. A new performance index for measuring the effect of single target tracking with Kalman particle filter
JP3199623B2 (ja) 目標追尾方法およびその方法を用いたレーダ装置
CN116358564B (zh) 无人机蜂群质心运动状态跟踪方法、系统、设备及介质
CN116774216A (zh) 一种基于被动雷达测角的飞行器集群协同目标定位快速联合优化方法
Ma et al. A Method of Passive Localization Based on Unscented Kalman Filter

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20230113

Address after: 710077 Room 12004, Block A, Xi'an National Digital Publishing Base, No.996, Tiangu 7th Road, Yuhua Street Office, Hi tech Zone, Xi'an, Shaanxi

Patentee after: XI'AN INNNO AVIATION TECHNOLOGY Co.,Ltd.

Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an

Patentee before: Northwestern Polytechnical University