CN113534164A - 一种基于主被动联合声纳阵列的目标路径跟踪方法 - Google Patents

一种基于主被动联合声纳阵列的目标路径跟踪方法 Download PDF

Info

Publication number
CN113534164A
CN113534164A CN202110563743.XA CN202110563743A CN113534164A CN 113534164 A CN113534164 A CN 113534164A CN 202110563743 A CN202110563743 A CN 202110563743A CN 113534164 A CN113534164 A CN 113534164A
Authority
CN
China
Prior art keywords
sonar
target
active
tracked
kth
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.)
Granted
Application number
CN202110563743.XA
Other languages
English (en)
Other versions
CN113534164B (zh
Inventor
王世瑞
姜和俊
荣英佼
孙广发
李梦蕾
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.)
China Ship Marine Exploration Technology Research Institute Co ltd
63983 Troops of PLA
Original Assignee
China Ship Marine Exploration Technology Research Institute Co ltd
63983 Troops of PLA
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 China Ship Marine Exploration Technology Research Institute Co ltd, 63983 Troops of PLA filed Critical China Ship Marine Exploration Technology Research Institute Co ltd
Priority to CN202110563743.XA priority Critical patent/CN113534164B/zh
Publication of CN113534164A publication Critical patent/CN113534164A/zh
Application granted granted Critical
Publication of CN113534164B publication Critical patent/CN113534164B/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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/66—Sonar tracking systems
    • 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
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于主被动联合声纳阵列的目标路径跟踪方法，涉及海洋技术领域，该方法利用主动声纳和被动声纳联合对被跟踪目标进行发现、监视和跟踪，综合规划协调阵列中各个声纳的工作状态以减少相互间干扰，在进行目标路径跟踪时，以阵列中各个声纳的量测数据为基础，通过基于先验概率的卡尔曼融合估计滤波器解算目标运动状态、处理由浅海环境干扰、传感器量测信息不同步以及系统未建模动态引起的非线性特性，并引入自适应因子处理滤波器中量测噪声方程矩阵的不确定性和时变特性，可以实现对运动的被跟踪目标的准确跟踪。

Description

一种基于主被动联合声纳阵列的目标路径跟踪方法
技术领域
本发明涉及海洋技术领域，尤其是一种基于主被动联合声纳阵列的目标路径跟踪方法。
背景技术
浅水运动目标的指在小于10米的水深中能够自主运动的各类人造航行器，这些目标体积小、运动速度慢，很难被岸基探测设施发现，因此无法进行准确的识别和跟踪。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于主被动联合声纳阵列的目标路径跟踪方法，本发明的技术方案如下：
一种基于主被动联合声纳阵列的目标路径跟踪方法，该方法包括：
在每个检测时段内，控制主被动联合声纳阵列中各个声纳的工作状态保持不变，主被动联合声纳阵列中的声纳包括若干个主动声纳和被动声纳，每个被跟踪目标对应至少一个声纳；
对于每个被跟踪目标，在第i个检测时刻通过主被动联合声纳阵列中对应的声纳获取被跟踪目标的Ni个量测变量记为
Figure BDA0003079955250000011
其中第k个量测变量
Figure BDA0003079955250000012
表示被跟踪目标与第k个声纳之间的距离，k≥1；
根据第k-1个状态变量
Figure BDA0003079955250000013
及其对应的第k-1个均方根矩阵
Figure BDA0003079955250000014
计算得到第k个预测值
Figure BDA0003079955250000015
其中
Figure BDA0003079955250000016
和
Figure BDA0003079955250000017
为预设初始值；
根据第k个预测值
Figure BDA0003079955250000018
第k-1个状态变量
Figure BDA0003079955250000019
和第k-1个均方根矩阵
Figure BDA00030799552500000110
确定状态变量与量测变量之间的第k个耦合方差矩阵
Figure BDA00030799552500000111
利用第k个量测变量
Figure BDA00030799552500000112
第k个预测值
Figure BDA00030799552500000113
和第k个耦合方差矩阵
Figure BDA00030799552500000114
更新得到第k个状态变量
Figure BDA00030799552500000115
及其对应的第k个均方根矩阵
Figure BDA00030799552500000116
若k<Ni，则令k＝k+1并再次执行根据第k-1个状态变量
Figure BDA00030799552500000117
及其对应的第k-1个均方根矩阵
Figure BDA00030799552500000118
计算得到第k个预测值
Figure BDA00030799552500000119
的步骤；
若k＝Ni，则利用得到的Ni个状态变量对被跟踪目标进行路径跟踪；
在当前检测时段结束时，基于主被动联合声纳阵列中各个声纳的波束干扰关系调整主被动联合声纳阵列中各个声纳的工作状态，并在下个检测时段重新进行目标路径跟踪。
其进一步的技术方案为，该方法还包括：
基于先验概率的滤波器确定状态变量与量测变量的联合高斯概率密度服从
Figure BDA0003079955250000021
分布且有：
Figure BDA0003079955250000022
Figure BDA0003079955250000023
第k个预测值
Figure BDA0003079955250000024
及其方差矩阵
Figure BDA0003079955250000025
为：
Figure BDA0003079955250000026
Figure BDA0003079955250000027
状态变量与量测变量之间的第k个耦合方差矩阵
Figure BDA0003079955250000028
为：
Figure BDA0003079955250000029
采用高斯噪声特性进行线性变换后确定第k个预测值
Figure BDA00030799552500000210
和第k个耦合方差矩阵
Figure BDA00030799552500000211
其中，Hk(Xi)＝||Xi||2且Xi表示状态变量，
Figure BDA00030799552500000212
Figure BDA00030799552500000213
为零均值高斯白噪声的方差矩阵，
Figure BDA00030799552500000214
为预设初始值。
其进一步的技术方案为，第k个预测值
Figure BDA00030799552500000215
第k个耦合方差矩阵
Figure BDA00030799552500000216
其中，Nx为系数且2Nx为[0,k]区间内最大的偶数，r为系数，
Figure BDA00030799552500000217
Figure BDA00030799552500000218
其进一步的技术方案为，更新得到第k个状态变量
Figure BDA00030799552500000219
及其对应的第k个均方根矩阵
Figure BDA00030799552500000220
包括确定：
Figure BDA00030799552500000221
Figure BDA0003079955250000031
其中，函数QR()用于对矩阵进行QR分解，
Figure BDA0003079955250000032
是零均值高斯白噪声的方差矩阵
Figure BDA0003079955250000033
的均方根矩阵，
Figure BDA0003079955250000034
表示
Figure BDA0003079955250000035
对应的增益矩阵。
其进一步的技术方案为，零均值高斯白噪声的方差矩阵
Figure BDA0003079955250000036
的特征值与第k个量测变量
Figure BDA0003079955250000037
的大小相关，方法还包括：
计算
Figure BDA0003079955250000038
Figure BDA0003079955250000039
是第i个检测时段之前的所有量测变量的均值；
检测是否满足
Figure BDA00030799552500000310
其中，
Figure BDA00030799552500000311
为预设参数；
若
Figure BDA00030799552500000312
则利用与
Figure BDA00030799552500000313
相关的第k个自适应伸缩因子
Figure BDA00030799552500000314
补偿
Figure BDA00030799552500000315
得到
Figure BDA00030799552500000316
并修正
Figure BDA00030799552500000317
其进一步的技术方案为，第k个自适应伸缩因子
Figure BDA00030799552500000318
Figure BDA00030799552500000319
Figure BDA00030799552500000320
是
Figure BDA00030799552500000321
的均方根矩阵。
其进一步的技术方案为，结合主被动联合声纳阵列中各个声纳的波束干扰关系调整主被动联合声纳阵列中各个声纳的工作状态，包括：
将被跟踪目标分配给目标主动声纳的目标波束并打开目标主动声纳切换至目标波束，目标主动声纳是与被跟踪目标距离最近的一个主动声纳，每个主动声纳对应至少两个探测角度范围不同的有向波束，目标波束是主动声纳的探测角度范围与被跟踪目标的方位信息匹配的一个有向波束；根据波束干扰关系关闭与目标主动声纳的目标波束存在波束干扰的波束。
其进一步的技术方案为，主被动联合声纳阵列用于探测至少两个不同的被跟踪目标，则在调整各个声纳的工作状态时：
通过被动声纳检测新出现的被跟踪目标，新出现的被跟踪目标未被分配给任何主动声纳，将所有新出现的被跟踪目标以及所有已被分配给对应的目标主动声纳的被跟踪目标按照处理优先级依次进行重新分配，并相应调整各个声纳的工作状态。
其进一步的技术方案为，被跟踪目标的处理优先级与被跟踪目标的目标属性对应，则方法还包括：在通过被动声纳第一次检测到被跟踪目标时，根据被跟踪目标的频率域信息确定被跟踪目标的目标属性。
其进一步的技术方案为，被跟踪目标的处理优先级与被跟踪目标的运动速度对应，跟踪目标的运动速度越快、则对应的处理优先级越高。
本发明的有益技术效果是：
本申请公开了一种基于主被动联合声纳阵列的目标路径跟踪方法，该方法利用主动声纳和被动声纳联合对被跟踪目标进行发现、监视和跟踪，在这样的系统中，主动声纳和被动声纳按照各自的工作条件要求被布置在浅水区域中不同的空间位置上，作为系统中的测量节点提供测量数据，该方法综合规划协调阵列中各个传感器的开关机工作时隙，可以充分考虑了声纳之间的信号干扰。而由于导致的阵列获得的测量信号在时间上的不同步属性，该方法以阵列中声纳的量测数据为基础，通过基于先验概率的卡尔曼融合估计滤波器解算目标运动状态、处理由浅海环境干扰、传感器量测信息不同步以及系统未建模动态引起的非线性特性，并引入自适应因子处理滤波器中量测噪声方程矩阵的不确定性和时变特性，可以实现对运动的被跟踪目标的准确跟踪。
附图说明
图1是本申请的主被动联合声纳阵列的结构示意图。
图2是本申请的目标路径跟踪方法对一个检测时刻的数据进行融合处理的流程示意图。
图3是利用自适应伸缩因子进行修正时的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于主被动联合声纳阵列的目标路径跟踪方法，该方法利用多个声纳构成的主被动联合声纳阵列来进行目标路径跟踪，主被动联合声纳阵列中包括若干个排列形成预定阵列形式的主动声纳和被动声纳，如图1所示。其中，每个被动声纳对应一个全向波束、能够测量360角度范围内的目标。每个主动声纳对应至少两个探测角度范围不同的有向波束，每个有向波束只能探测相应的探测角度范围内的目标，且在同一个时刻，一个主动声纳对应的所有的有向波束中最多只有一个在工作，有向波束之间的切换时间较短可以忽略不计、可以认为是在瞬时完成的。
在主被动联合声纳阵列中，主动声纳在被跟踪目标进入其探测范围后开始发射声信号输出测量信息，而被跟踪目标是否进入主动声纳的探测范围，则由被动声纳来判断，主动声纳和被动声纳共同协调工作实现目标路径跟踪。但是主动声纳在工作时需要发射声信号实现对目标的探测，这种信号是被动声纳工作时的干扰源，同时不同主动声纳之间也会彼此构成干扰源，因此在主被动联合声纳阵列工作过程中，需要对各个声纳的开关机状态进行规划使得彼此间可以协调工作，本申请的协调过程如下：
在初始时刻、主被动联合声纳阵列刚开始工作时，所有被动声纳都处于开机状态，所有主动声纳都处于关机状态，当被动声纳发现被跟踪目标时可以获取到其距离信息和方位信息，然后根据主被动联合声纳阵列的排布结构，将该被跟踪目标分配给目标主动声纳的目标波束并打开目标主动声纳切换至目标波束，目标主动声纳是与被跟踪目标距离最近的一个主动声纳，目标波束是主动声纳的探测角度范围与被跟踪目标的方位信息匹配的一个有向波束。然后根据波束干扰关系关闭与目标主动声纳的目标波束存在波束干扰的波束，与目标主动声纳的目标波束存在波束干扰的波束可能是被动声纳的全向波束也可能是主动声纳的其中一个有向波束。一旦被跟踪目标分配给相应的主动声纳的有向波束，则被动声纳不再处理与该被跟踪目标的相关信息。
主被动联合声纳阵列中各个波束之间的波束干扰关系可以根据排布结构预先确定，若两个波束同时工作时彼此会造成干扰、则这两个波束存在波束干扰，否则两个波束不存在波束干扰、可以同时工作，且根据上述介绍，可以认为同一个主动声纳对应的各个有向波束之间都是存在波束干扰的。
在主被动联合声纳阵列的工作过程中，被跟踪目标往往不只有一个，当有多个被跟踪目标时，就需要考虑在探测资源冲突的情况下优先探测哪些被跟踪目标，因此需要确定各个被跟踪目标的处理优先级。被跟踪目标的处理优先级与被跟踪目标的目标属性对应，则在通过被动声纳第一次检测到被跟踪目标时，根据被跟踪目标的频率域信息确定被跟踪目标的目标属性，目标属性常见的包括舰船和蛙人等等，不同目标属性对应的处理优先级通常预先配置。可选的，被跟踪目标的处理优先级还与被跟踪目标的运动速度对应，被跟踪目标的运动速度越快、则对应的处理优先级越高，这是因为运动速度较慢的被跟踪目标可以用外推数据替代量测数据，而运动速度较快的被跟踪目标则需要更多的量测数据才能实现准确跟踪。实际处理时，被跟踪目标的处理优先级可以通过目标属性和运动速度的任一项来确定，较为优选的，本申请的一个实施例中，将目标属性作为第一层次的优先级的划分依据，将运动速度作为第二层次的优先级的划分依据，同时通过这两个参数来对各个被跟踪目标的处理优先级进行排序。
然后基于各个被跟踪目标的处理优先级来调整各个声纳的工作状态，具体的：将所有被跟踪目标按照处理优先级依次进行重新分配，所有被跟踪目标包括通过被动声纳检测新出现的被跟踪目标以及已经出现过的被跟踪目标，新出现的被跟踪目标未被分配给任何主动声纳，已经出现过的被跟踪目标则已经被分配给对应的目标主动声纳。在对每个被跟踪目标进行重新分配时，具体做法与上述单个被跟踪目标的方法类似，本申请不再详细赘述。
每隔预定时长根据探测结果重新调整主被动联合声纳阵列中各个声纳的工作状态，而在每两次调整之间的时间段内，主被动联合声纳阵列中各个声纳的工作状态保持不变，本申请将两次调整之间的时间段定义为一个检测时段，则在每个检测时段内、各个声纳的工作状态保持不变，在当前检测时段结束时，重新调整各个声纳的工作状态进入下个检测时段。
如上所述，每个被跟踪目标在进入主被动联合声纳阵列的范围内后，会被分配给至少一个声纳的波束，也即每个被跟踪目标对应至少一个声纳，主被动联合声纳阵列中的各个声纳可以获取到对应的被跟踪目标的相关信息记为量测变量，包括如上提到的频率域信息、距离信息和方位信息等等。但是各个声纳的量测变量对应的时间是不具备统一的时间戳的，而且浅海声传播信道的复杂特性导致主动、被动声纳测量噪声很难用确定性统计参数描述，而是呈现出高非线性、强时变性特征，因此这些不同步的量测变量需要进一步融合计算才能实现路径跟踪，本申请利用基于先验概率的卡尔曼融合估计滤波器来实现融合计算。
被跟踪目标的运动方程定义为如下形式Xi＝FiXi-1+Wi，Xi＝[xp,i,xv,i,yp,i,yv,i]T是描述被跟踪目标在第i个检测时刻的运动状态的向量也即状态变量，xp,i表示被跟踪目标以坐标系x轴为参考的位置，xv,i表示被跟踪目标以坐标系x轴为参考的速度，yp,i表示被跟踪目标以坐标系y轴为参考的位置，yv,i表示被跟踪目标以坐标系y轴为参考的速度，坐标系x轴通常选取所在地的地理东向，坐标系y轴选取地理北向。Fi是由运动学方程确定的状态转移矩阵，Wi为零均值高斯白噪声，其方差矩阵定义为Qi。在第i个检测时刻，将通过主被动联合声纳阵列中对应的声纳共获取被跟踪目标的Ni个量测变量记为
Figure BDA0003079955250000061
其中第k个量测变量
Figure BDA0003079955250000062
表示被跟踪目标与第k个声纳之间的距离，k≥1。在一个检测时段内，可以有多个检测时刻。
量测模型写成
Figure BDA0003079955250000071
其中H(Xi,Xk)＝||Xi-Xk||2，Xk表示第k个声纳的坐标值。Vi k为零均值高斯白噪声，其方差矩阵定义为
Figure BDA0003079955250000072
由于测量精度与距离有相关性，所以
Figure BDA0003079955250000073
的特征值与所述第k个量测变量
Figure BDA0003079955250000074
的大小相关，也即
Figure BDA0003079955250000075
是距离的函数，可以记为
Figure BDA0003079955250000076
本申请利用基于先验概率的滤波器进行量测变量和状态变量的更新，具体方法实现如下：
定义第i个检测时刻获取到的Ni个量测变量记为
Figure BDA0003079955250000077
从第一个检测时刻到第i个检测时刻的全部量测变量记为Z1:i，第i-1个检测时刻的先验概率密度函数记为p(Xi-1|Z1:i-1)，第i-1个检测时刻到第i个检测时刻的状态转移概率密度函数记为p(Xi|Xi-1)，状态变量Xi与第k个量测变量
Figure BDA0003079955250000078
之间的似然函数为
Figure BDA0003079955250000079
在上述定义下，滤波过程分为三部分：
(1)初始化：设定初始时刻的概率分布函数p(X0)。
(2)预测：p(Xi|Z1:i-1)＝∫p(Xi|Xi-1)p(Xi-1|Z1:i-1)dXi-1。
(3)量测更新：
Figure BDA00030799552500000710
(4)量测空间更新：
Figure BDA00030799552500000711
在上述算法中，为了提高概率密度函数计算效率，采用高斯噪声特性进行线性变换，具体的：
(1)预测环节的状态变量预测计算公式为：
Figure BDA00030799552500000712
Pi|i-1＝FiPi-1|i-1Fi T+Qi；
(2)量测更新环节的状态变量与量测变量的联合概率密度计算公式为：
Figure BDA00030799552500000713
其中，
Figure BDA00030799552500000714
(3)量测空间更新环节的状态变量与量测变量的联合概率密度计算公式为：
Figure BDA0003079955250000081
其中，
Figure BDA0003079955250000082
联合高斯概率密度服从以下分布：
Figure BDA0003079955250000083
其中：
Figure BDA0003079955250000084
Figure BDA0003079955250000085
第k个预测值
Figure BDA0003079955250000086
及其方差矩阵
Figure BDA0003079955250000087
分别由如下两个公式计算：
Figure BDA0003079955250000088
Figure BDA0003079955250000089
状态变量与量测变量之间的第k个耦合方差矩阵
Figure BDA00030799552500000810
为：
Figure BDA00030799552500000811
其中，Hk(Xi)＝||Xi||2且Xi表示状态变量，
Figure BDA00030799552500000812
Figure BDA00030799552500000813
为零均值高斯白噪声的方差矩阵，
Figure BDA00030799552500000814
为预设初始值。
基于上述算法原理得到采用高斯噪声特性对基于先验概率的滤波器进行线性变换后的卡尔曼融合估计滤波器，在第i个检测时刻的量测更新过程为：
(1)确定第i个检测时刻的状态变量的初始值
Figure BDA00030799552500000815
及其均方根矩阵的初始值
Figure BDA00030799552500000816
除此之外还会定义方差矩阵Pi|i。
其中，
Figure BDA00030799552500000817
Fi是由运动学方程确定的状态转移矩阵，
Figure BDA00030799552500000818
为预设的值、通常可以定义为大于0的实数。方差矩阵Pi|i通常可以定义为一个正定矩阵。
Figure BDA00030799552500000819
Si-1|i-1是Pi-1|i-1的均方根矩阵，Pi-1|i-1是第i-1个检测时刻的方差矩阵且通常为一个正定矩阵、SQ,i是零均值高斯白噪声Wi的方差矩阵Qi的均方根矩阵。
(2)根据第k-1个状态变量
Figure BDA00030799552500000820
及其对应的第k-1个均方根矩阵
Figure BDA00030799552500000821
计算得到第k个预测值
Figure BDA00030799552500000822
计算公式为
Figure BDA00030799552500000823
其中，Nx为系数且2Nx为[0,k]区间内最大的偶数，r为系数，
Figure BDA00030799552500000824
(3)确定状态变量与量测变量之间的第k个耦合方差矩阵
Figure BDA0003079955250000091
本申请根据第k个预测值
Figure BDA0003079955250000092
第k-1个状态变量
Figure BDA0003079955250000093
和第k-1个均方根矩阵
Figure BDA0003079955250000094
来计算
Figure BDA0003079955250000095
计算公式为：
Figure BDA0003079955250000096
(4)更新得到第k个状态变量
Figure BDA0003079955250000097
及其对应的第k个均方根矩阵
Figure BDA0003079955250000098
在更新时，主要利用第k个量测变量
Figure BDA0003079955250000099
第k个预测值
Figure BDA00030799552500000910
和第k个耦合方差矩阵
Figure BDA00030799552500000911
计算公式为：
Figure BDA00030799552500000912
Figure BDA00030799552500000913
其中，函数QR()用于对矩阵进行QR分解，
Figure BDA00030799552500000914
是零均值高斯白噪声的方差矩阵
Figure BDA00030799552500000915
的均方根矩阵，
Figure BDA00030799552500000916
表示
Figure BDA00030799552500000917
对应的增益矩阵，由测量值的高斯分布以及估计值的高斯分布的乘积确定，实际计算过程中，一般可近似地将
Figure BDA00030799552500000918
取值为单位矩阵。
(5)若k<Ni，则令k＝k+1并再次执行根据第k-1个状态变量
Figure BDA00030799552500000919
及其对应的第k-1个均方根矩阵
Figure BDA00030799552500000920
计算得到第k个预测值
Figure BDA00030799552500000921
的步骤，也即继续确定第k+1个状态变量。
(6)若k＝Ni，则利用得到的Ni个状态变量对被跟踪目标进行路径跟踪。
到第i+1个检测时刻再利用上述循环进行处理以及路径跟踪。
在上述方法中，如上提到
Figure BDA00030799552500000922
的特征值与所述第k个量测变量
Figure BDA00030799552500000923
的大小相关，而计算过程中真实距离很难获得，如果未能保持连续的估计，估计器容易出现发散的情况，为了计算的连续性，提高估计器的自适应特性和鲁棒性，该实施例还会利用与
Figure BDA00030799552500000924
相关的第k个自适应伸缩因子
Figure BDA00030799552500000925
补偿
Figure BDA00030799552500000926
具体的：
计算
Figure BDA00030799552500000927
Figure BDA00030799552500000928
是第i个检测时段之前的所有量测变量的均值，
Figure BDA00030799552500000929
的公式见上已公开内容。
检测是否满足
Figure BDA00030799552500000930
其中，
Figure BDA00030799552500000931
为预设参数。
若
Figure BDA00030799552500000932
则基于
Figure BDA00030799552500000933
和
Figure BDA0003079955250000101
按照上述方法进行计算。
若
Figure BDA0003079955250000102
则利用与
Figure BDA0003079955250000103
相关的第k个自适应伸缩因子
Figure BDA0003079955250000104
补偿
Figure BDA0003079955250000105
得到
Figure BDA0003079955250000106
并修正
Figure BDA0003079955250000107
得到
Figure BDA0003079955250000108
然后基于
Figure BDA0003079955250000109
和
Figure BDA00030799552500001010
进行计算，后续具体的方法都是类似的。
在上述过程中，自适应伸缩因子
Figure BDA00030799552500001011
的计算公式为
Figure BDA00030799552500001012
其中
Figure BDA00030799552500001013
Figure BDA00030799552500001014
是
Figure BDA00030799552500001015
的均方根矩阵。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (10)

1.一种基于主被动联合声纳阵列的目标路径跟踪方法，其特征在于，所述方法包括：
在每个检测时段内，控制主被动联合声纳阵列中各个声纳的工作状态保持不变，所述主被动联合声纳阵列中的声纳包括若干个主动声纳和被动声纳，每个被跟踪目标对应至少一个声纳；
对于每个被跟踪目标，在第i个检测时刻通过所述主被动联合声纳阵列中对应的声纳获取所述被跟踪目标的Ni个量测变量记为
Figure FDA0003079955240000011
其中第k个量测变量
Figure FDA0003079955240000012
表示所述被跟踪目标与第k个声纳之间的距离，k≥1；
根据第k-1个状态变量
Figure FDA0003079955240000013
及其对应的第k-1个均方根矩阵
Figure FDA0003079955240000014
计算得到第k个预测值
Figure FDA0003079955240000015
其中
Figure FDA0003079955240000016
和
Figure FDA0003079955240000017
为预设初始值；
根据所述第k个预测值
Figure FDA0003079955240000018
所述第k-1个状态变量
Figure FDA0003079955240000019
和所述第k-1个均方根矩阵
Figure FDA00030799552400000110
确定状态变量与量测变量之间的第k个耦合方差矩阵
Figure FDA00030799552400000111
利用所述第k个量测变量
Figure FDA00030799552400000112
第k个预测值
Figure FDA00030799552400000113
和所述第k个耦合方差矩阵
Figure FDA00030799552400000114
更新得到第k个状态变量
Figure FDA00030799552400000115
及其对应的第k个均方根矩阵
Figure FDA00030799552400000116
若k<Ni，则令k＝k+1并再次执行所述根据第k-1个状态变量
Figure FDA00030799552400000117
及其对应的第k-1个均方根矩阵
Figure FDA00030799552400000118
计算得到第k个预测值
Figure FDA00030799552400000119
的步骤；
若k＝Ni，则利用得到的Ni个状态变量对所述被跟踪目标进行路径跟踪；
在当前检测时段结束时，基于所述主被动联合声纳阵列中各个声纳的波束干扰关系调整所述主被动联合声纳阵列中各个声纳的工作状态，并在下个检测时段重新进行目标路径跟踪。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于先验概率的滤波器确定状态变量与量测变量的联合高斯概率密度服从
Figure FDA00030799552400000120
分布且有：
Figure FDA00030799552400000121
Figure FDA00030799552400000122
第k个预测值
Figure FDA00030799552400000123
及其方差矩阵
Figure FDA00030799552400000124
为：
Figure FDA0003079955240000021
Figure FDA0003079955240000022
状态变量与量测变量之间的第k个耦合方差矩阵
Figure FDA0003079955240000023
为：
Figure FDA0003079955240000024
采用高斯噪声特性进行线性变换后确定所述第k个预测值
Figure FDA0003079955240000025
和所述第k个耦合方差矩阵
Figure FDA0003079955240000026
其中，Hk(Xi)＝||Xi||2且Xi表示状态变量，
Figure FDA0003079955240000027
Figure FDA0003079955240000028
为零均值高斯白噪声的方差矩阵，
Figure FDA0003079955240000029
为预设初始值。
3.根据权利要求1或2所述的方法，其特征在于，
所述第k个预测值
Figure FDA00030799552400000210
所述第k个耦合方差矩阵
Figure FDA00030799552400000211
其中，Nx为系数且2Nx为[0,k]区间内最大的偶数，r为系数，
Figure FDA00030799552400000212
Figure FDA00030799552400000213
4.根据权利要求1或2所述的方法，其特征在于，所述更新得到第k个状态变量
Figure FDA00030799552400000214
及其对应的第k个均方根矩阵
Figure FDA00030799552400000215
包括确定：
Figure FDA00030799552400000216
Figure FDA00030799552400000217
其中，函数QR()用于对矩阵进行QR分解，
Figure FDA00030799552400000218
是零均值高斯白噪声的方差矩阵
Figure FDA00030799552400000219
的均方根矩阵，
Figure FDA00030799552400000220
表示
Figure FDA00030799552400000221
对应的增益矩阵。
5.根据权利要求2所述的方法，其特征在于，零均值高斯白噪声的方差矩阵
Figure FDA00030799552400000222
的特征值与所述第k个量测变量
Figure FDA00030799552400000223
的大小相关，所述方法还包括：
计算
Figure FDA00030799552400000224
Figure FDA00030799552400000225
是所述第i个检测时段之前的所有量测变量的均值；
检测是否满足
Figure FDA00030799552400000226
其中，
Figure FDA00030799552400000227
为预设参数；
若
Figure FDA00030799552400000228
则利用与
Figure FDA00030799552400000229
相关的第k个自适应伸缩因子
Figure FDA00030799552400000230
补偿
Figure FDA00030799552400000231
得到
Figure FDA00030799552400000232
并修正
Figure FDA0003079955240000031
6.根据权利要求5所述的方法，其特征在于，
所述第k个自适应伸缩因子
Figure FDA0003079955240000032
Figure FDA0003079955240000033
是
Figure FDA0003079955240000034
的均方根矩阵。
7.根据权利要求1所述的方法，其特征在于，所述结合所述主被动联合声纳阵列中各个声纳的波束干扰关系调整所述主被动联合声纳阵列中各个声纳的工作状态，包括：
将所述被跟踪目标分配给目标主动声纳的目标波束并打开所述目标主动声纳切换至所述目标波束，所述目标主动声纳是与所述被跟踪目标距离最近的一个主动声纳，每个所述主动声纳对应至少两个探测角度范围不同的有向波束，所述目标波束是所述主动声纳的探测角度范围与所述被跟踪目标的方位信息匹配的一个有向波束；根据波束干扰关系关闭与所述目标主动声纳的目标波束存在波束干扰的波束。
8.根据权利要求7所述的方法，其特征在于，所述主被动联合声纳阵列用于探测至少两个不同的被跟踪目标，则在调整各个声纳的工作状态时：
通过被动声纳检测新出现的被跟踪目标，所述新出现的被跟踪目标未被分配给任何主动声纳，将所有新出现的被跟踪目标以及所有已被分配给对应的目标主动声纳的被跟踪目标按照处理优先级依次进行重新分配，并相应调整各个声纳的工作状态。
9.根据权利要求8所述的方法，其特征在于，被跟踪目标的处理优先级与所述被跟踪目标的目标属性对应，则所述方法还包括：在通过被动声纳第一次检测到被跟踪目标时，根据所述被跟踪目标的频率域信息确定所述被跟踪目标的目标属性。
10.根据权利要求8所述的方法，其特征在于，被跟踪目标的处理优先级与所述被跟踪目标的运动速度对应，跟踪目标的运动速度越快、则对应的处理优先级越高。
CN202110563743.XA 2021-05-24 2021-05-24 一种基于主被动联合声纳阵列的目标路径跟踪方法 Active CN113534164B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110563743.XA CN113534164B (zh) 2021-05-24 2021-05-24 一种基于主被动联合声纳阵列的目标路径跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110563743.XA CN113534164B (zh) 2021-05-24 2021-05-24 一种基于主被动联合声纳阵列的目标路径跟踪方法

Publications (2)

Publication Number Publication Date
CN113534164A true CN113534164A (zh) 2021-10-22
CN113534164B CN113534164B (zh) 2023-12-12

Family

ID=78124372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110563743.XA Active CN113534164B (zh) 2021-05-24 2021-05-24 一种基于主被动联合声纳阵列的目标路径跟踪方法

Country Status (1)

Country Link
CN (1) CN113534164B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201799A (zh) * 2022-09-09 2022-10-18 昆明理工大学 一种用于声呐的时变卡尔曼滤波跟踪方法
CN118112570A (zh) * 2024-02-23 2024-05-31 哈尔滨工程大学 一种深海异构主被动声纳融合定位方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109188443A (zh) * 2018-06-29 2019-01-11 中国船舶重工集团公司第七〇五研究所 一种基于交互多模型的被动目标跟踪方法
CN110728026A (zh) * 2019-09-16 2020-01-24 南京理工大学 一种基于角速度量测的末端弹道目标被动跟踪方法
CN111596296A (zh) * 2019-12-19 2020-08-28 上海大学 一种基于前视声呐图像的水下目标跟踪方法
CN111948657A (zh) * 2020-07-28 2020-11-17 哈尔滨工程大学 一种基于多模粒子滤波的机动弱目标检测前跟踪方法
CN112630783A (zh) * 2020-11-26 2021-04-09 海鹰企业集团有限责任公司 一种被动声呐目标跟踪方法
WO2021082571A1 (zh) * 2019-10-29 2021-05-06 苏宁云计算有限公司 机器人跟踪方法、装置、设备及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109188443A (zh) * 2018-06-29 2019-01-11 中国船舶重工集团公司第七〇五研究所 一种基于交互多模型的被动目标跟踪方法
CN110728026A (zh) * 2019-09-16 2020-01-24 南京理工大学 一种基于角速度量测的末端弹道目标被动跟踪方法
WO2021082571A1 (zh) * 2019-10-29 2021-05-06 苏宁云计算有限公司 机器人跟踪方法、装置、设备及计算机可读存储介质
CN111596296A (zh) * 2019-12-19 2020-08-28 上海大学 一种基于前视声呐图像的水下目标跟踪方法
CN111948657A (zh) * 2020-07-28 2020-11-17 哈尔滨工程大学 一种基于多模粒子滤波的机动弱目标检测前跟踪方法
CN112630783A (zh) * 2020-11-26 2021-04-09 海鹰企业集团有限责任公司 一种被动声呐目标跟踪方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115201799A (zh) * 2022-09-09 2022-10-18 昆明理工大学 一种用于声呐的时变卡尔曼滤波跟踪方法
CN118112570A (zh) * 2024-02-23 2024-05-31 哈尔滨工程大学 一种深海异构主被动声纳融合定位方法及系统
CN118112570B (zh) * 2024-02-23 2024-09-13 哈尔滨工程大学 一种深海异构主被动声纳融合定位方法及系统

Also Published As

Publication number Publication date
CN113534164B (zh) 2023-12-12

Similar Documents

Publication Publication Date Title
CN109100714B (zh) 一种基于极坐标系的低慢小目标跟踪方法
CN107045125B (zh) 一种基于预测值量测转换的交互多模型雷达目标跟踪方法
WO2021082571A1 (zh) 机器人跟踪方法、装置、设备及计算机可读存储介质
CN110286357B (zh) 一种基于水声探测的目标运动定位方法
CN113534164A (zh) 一种基于主被动联合声纳阵列的目标路径跟踪方法
CN105445732B (zh) 在密集杂波条件下利用多径观测的目标航迹初始化方法
CN110749891A (zh) 一种可估计未知有效声速的自适应水下单信标定位方法
Masmitja et al. Range-only single-beacon tracking of underwater targets from an autonomous vehicle: From theory to practice
CN110555398A (zh) 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法
Demim et al. Simultaneous localisation and mapping for autonomous underwater vehicle using a combined smooth variable structure filter and extended kalman filter
Yang et al. Kalman filter based localization and tracking estimation for HIMR RFID systems
CN113963025A (zh) 水下自适应机动目标快速跟踪及追踪方法
Zhu et al. Kalman-based underwater tracking with unknown effective sound velocity
CN109782290B (zh) 一种防止跟踪偏离的自动水声目标方位跟踪方法
CN104020468B (zh) 一种基于二次雷达的近距离目标更新周期的计算方法
Qin et al. Research on information fusion structure of radar and AIS
JP2011516825A (ja) パーティクルフィルターに基づく音響センサーを利用した３次元空間での客体追跡方法
CN110412531B (zh) 杂波情况下基于幅值信息的接收站路径优化方法
Masmitja et al. Underwater mobile target tracking with particle filter using an autonomous vehicle
CN110376574B (zh) 一种基于多基地被动声纳观测数据的目标跟踪方法
CN103940430B (zh) 一种状态受限移动多传感器配置及多目标跟踪方法
Tsyganov et al. Adaptive eetimation of a moving object trajectory using sequential hypothesis testing
CN112083410A (zh) 机动目标跟踪方法
Peng et al. Maneuvering Target Tracking Using Current Statistical Model Based Adaptive UKF for Wireless Sensor Network.
Li Hybrid localization based on time of arrival and phase difference of arrival fusion

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