CN113552551B - 分布式2d传感器网航迹直接关联方法 - Google Patents

Abstract

本发明公开了一种分布式2D传感器网航迹直接关联方法，属于信息融合领域，适应于分布式2D雷达等传感器网对多目标航迹的直接关联。现有的分布式2D传感器网航迹间接关联方法在高度估计误差大时存在目标正确关联概率显著降低，漏关联概率和错误关联概率明显增大等问题。本发明提出的分布式2D传感器网航迹直接关联方法立足于解决此类问题。本发明通过利用目标航迹的统计特性，先进行点迹粗关联判别，然后再进行航迹精关联判别，无需获得高精度的目标高度估计，有效克服了现有方法应用的局限性，因此具有较强的工程应用价值和推广前景。

Description

分布式2D传感器网航迹直接关联方法

技术领域

本发明涉及一种目标航迹关联方法，特别是涉及一种2D传感器网的多目标航迹关联方法，属于信息融合领域，适应于分布式2D雷达等传感器网对多目标航迹的直接关联。

背景技术

位置层的航迹关联，是对来自多个传感器的航迹是否对应同一目标做出判决，以保证融合中心航迹数据的同一性和完整性。目前，国内外已有许多的学者对航迹关联算法进行了大量的研究，建立和发展了基于统计数学、模糊数学、灰色理论以及拓扑理论等航迹关联算法体系。但是，由于2D传感器不能提供目标的高度或俯仰信息，上述航迹关联算法难以直接应用于2D传感器网，如何实现2D传感器网的对空中目标的航迹关联是一个亟待解决的难点问题。在目前的工程应用中，常采用先估计目标高度、后进行关联处理的方法实现分布式2D传感器网航迹间接关联，该方法主要通过以下步骤实现：

1)通过几何法或极大似然法估计目标高度；

2)基于统计法或模糊与灰色理论等实现多目标航迹关联。

这种先高度估计后关联的方法具有一个明显的缺陷：目标高度估计的精度受传感器分布以及传感器和目标的相对位置的影响较大，若高度估计误差大，将显著降低目标正确关联概率，并明显增大错误关联概率和漏关联概率。

发明内容

本发明的目的是提出一种分布式2D传感器网航迹直接关联方法，解决现有的分布式2D传感器网航迹间接关联方法在高度估计误差大时目标正确关联概率显著降低，漏关联概率和错误关联概率明显增大等问题。

本发明提出的分布式2D传感器网航迹直接关联方法的技术方案包括以下步骤：

步骤1：系统初始化

(1)K为总仿真时间；

(2)D_ab表示传感器a和传感器b之间的基线距离，θ_a,b表示传感器b相对于传感器a的方位角，θ_b,a表示传感器a相对于传感器b的方位角；

(3)N为航迹关联的周期数，也即滑窗的长度；

(4)以σ_s,r和σ_s,θ分别表示传感器s的距离和方位量测误差的标准差，s＝a,b；

(5)令k＝N，对任意s∈{a,b}，获取传感器s从1时刻到N时刻的所有航迹τ_s,m＝{[r_s,m(n),θ_s,m(n)]|n＝1,2,…,N}，m＝1,2,…,M_s，其中M_s为传感器s航迹数量，[r_s,m(n),θ_s,m(n)]为航迹τ_s,m在n时刻的点迹，r_s,m(n)和θ_s,m(n)分别表示目标的距离和方位，转步骤3；

步骤2：航迹关联滑窗构建

对任意s∈{a,b}和任意m∈{1,2,…,M_s}，删除航迹τ_s,m中点迹[r_s,m(k-N),θ_s,m(k-N)]，并将k时刻传感器s新获得的点迹[r_s,m(k),θ_s,m(k)]添加至τ_s,m；

步骤3：点迹粗关联判别

(1)若k＝N，令n＝1，否则令n＝k；

(2)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，计算

和

(3)对任意i∈{1,2,…,M_a}，利用目标距离r_a,i(n)和传感器的波束宽度计算得到航迹点[r_a,i(n),θ_a,i(n)]的高度范围并计算

其中

(4)对任意j∈{1,2,…,M_b}，利用目标距离r_b,j(k)和传感器的波束宽度计算得到航迹点[r_b,j(n),θ_b,j(n)]的高度范围并计算

其中

(5)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，若有

G_a,ij(n,h_a,i(n))≤g_a,ij(n)_max

且

G_b,ij(n,h_b,j(n))≤g_b,ij(n)_max

则判别传感器a的点迹[r_a,i(n),θ_a,i(n)]与传感器b的点迹[r_b,j(n),θ_b,j(n)]相关联，否则判别不相关联；

(6)令n＝n+1，若n≤N，转(2)；

步骤4：代价矩阵构造

(1)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，若对任意n∈{k-N+1,k-N+2,…,k}，传感器a的点迹[r_a,i(n),θ_a,i(n)]与传感器b的点迹[r_b,j(n),θ_b,j(n)]均不相关联，则认为k时刻传感器a的航迹τ_a,i和传感器b的航迹τ_b,j不相关联，并令航迹τ_a,i和航迹τ_b,j的关联代价c_ij＝+∞，否则令

(2)令

构造一个M_a×M_b维的代价矩阵C；

步骤5：航迹精关联判别

(1)求解满足三个约束条件p_ij∈{0,1}，和/>下，使

达到最小的p_ij，i＝1,2,…,M_a，j＝1,2,…,M_b；

(2)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，若p_ij＝1，则判别k时刻传感器a的航迹τ_a,i和传感器b的航迹τ_b,j相关联，即该两条航迹源于同一目标，若p_ij＝0，则判别k时刻传感器a的航迹τ_a,i和传感器b的航迹τ_b,j不相联，即该两条航迹源于不同目标，输出航迹关联结果；

步骤6：令k＝k+1，若k≤N，转步骤2，否则结束算法运行。

和背景技术相比，本发明的有益效果说明：

本发明提出的分布式2D传感器网航迹直接关联方法，通过在统计特性下先进行点迹粗关联判别，在进行航迹关联判别，无需获得高精度的目标高度估计，从而有效解决了现有方法在目标高度估计误差大时目标正确关联概率显著降低，漏关联概率和错误关联概率明显增大等问题。

附图说明

附图1是本发明的分布式2D传感器网航迹直接关联方法的整体流程示意图。

附图2是本发明的分布式2D传感器网航迹直接关联方法的传感器网和目标的空间位置示意图。

附图3是本发明的分布式2D传感器网航迹直接关联方法的目标高度范围估计示意图。

附图4和附图5分别为30批和60批编队目标真实运动示意图。

具体实施方式

不失一般性，以2D雷达传感器为例，设异地配置的两部2D雷达，其地理坐标分别为(44°,108°,100m)和(44°,109°,100m)，两部雷达的采样周其均为5s，且仿真持续时间是200s，雷达的距离和方位量测误差都是服从零均值高斯分布。

附图4中有两个编队，每个编队都有10个目标在做编队飞行，其余10个目标做杂散运动。附图5有两个编队，每个编队都有20个目标在做编队飞行，其余20个目标做杂散运动。两种情况下编队飞行目标的速度是200m/s，编队的间隔为500m，杂散运动目标的速度在(100m/s～200m/s)内均匀分布，航向在(0°～360°)内均匀分布，运用Matlab进行100次蒙特卡洛仿真实验，以E_c、E_e和E_l分别表示航迹正确关联概率、错误关联概率以及漏关联概率。

下面结合附图，对本发明的分布式2D传感器网航迹直接关联方法进行详细描述。

步骤1：按发明内容部分步骤1所述的方法进行系统初始化

步骤2：按发明内容部分步骤2所述的方法进行航迹关联滑窗构建；

步骤3：按发明内容部分步骤3所述的方法进行点迹粗关联判别；

步骤4：按发明内容部分步骤4所述的方法进行代价矩阵构造；

步骤5：按发明内容部分步骤5所述的方法进行航迹精关联判别，并输出航迹关联结果；

步骤6：按发明内容部分步骤6所述的方法循环执行发明内容部分步骤2～步骤5或结束算法运行。

表1和表2分别给出了粗关联周期数N＝5和10时的仿真结果

表1 N＝5时编队运动仿真结果

表2 N＝10时编队运动仿真结果

实施例条件中，本发明提出的分布式2D传感器网的航迹直接关联方法，通过利用目标航迹的统计特性，先进行点迹粗关联判别，再进行航迹精关联判别，无需获得高精度的目标高度估计，有效解决了现有方法在目标高度估计误差大时目标正确关联概率显著降低，漏关联概率和错误关联概率明显增大等问题。因此，该方法能够有效实现分布式2D雷达网对空中目标的航迹关联，具有较大的工程实际应用价值。

Claims (1)

1.分布式2D传感器网航迹直接关联方法，其特征包括以下步骤：

步骤1：变量初始化

(1)K为总仿真时间；

(2)D_ab表示传感器a和传感器b之间的基线距离，θ_a,b表示传感器b相对于传感器a的方位角，θ_b,a表示传感器a相对于传感器b的方位角；

(3)N为航迹关联的周期数，也即滑窗的长度；

(4)以σ_s,r和σ_s,θ分别表示传感器s的距离和方位量测误差的标准差，s＝a,b；

(5)令k＝N，对任意s∈{a,b}，获取传感器s从1时刻到N时刻的所有航迹τ_s,m＝{[r_s,m(n),θ_s,m(n)]|n＝1,2,…,N}，m＝1,2,…,M_s，其中M_s为传感器s航迹数量，[r_s,m(n),θ_s,m(n)]为航迹τ_s,m在n时刻的点迹，r_s,m(n)和θ_s,m(n)分别表示目标的距离和方位，转步骤3；

步骤2：航迹关联滑窗构建

对任意s∈{a,b}和任意m∈{1,2,…,M_s}，删除航迹τ_s,m中点迹[r_s,m(k-N),θ_s,m(k-N)]，并将k时刻传感器s新获得的点迹[r_s,m(k),θ_s,m(k)]添加至τ_s,m；

步骤3：点迹粗关联判别

(1)若k＝N，令n＝1，否则令n＝k；

(2)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，计算

和

(3)对任意i∈{1,2,…,M_a}，利用目标距离r_a,i(n)和传感器的波束宽度计算得到航迹点[r_a,i(n),θ_a,i(n)]的高度范围并计算

其中

(4)对任意j∈{1,2,…,M_b}，利用目标距离r_b,j(k)和传感器的波束宽度计算得到航迹点[r_b,j(n),θ_b,j(n)]的高度范围并计算

其中

(5)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，若有

G_a,ij(n,h_a,i(n))≤g_a,ij(n)_max

且

G_b,ij(n,h_b,j(n))≤g_b,ij(n)_max

则判别传感器a的点迹[r_a,i(n),θ_a,i(n)]与传感器b的点迹[r_b,j(n),θ_b,j(n)]相关联，否则判别不相关联；

(6)令n＝n+1，若n≤N，转(2)；

步骤4：代价矩阵构造

(1)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，若对任意n∈{k-N+1,k-N+2,…,k}，传感器a的点迹[r_a,i(n),θ_a,i(n)]与传感器b的点迹[r_b,j(n),θ_b,j(n)]均不相关联，则认为k时刻传感器a的航迹τ_a,i和传感器b的航迹τ_b,j不相关联，并令航迹τ_a,i和航迹τ_b,j的关联代价c_ij＝+∞，否则令

(2)令

构造一个M_a×M_b维的代价矩阵C；

步骤5：航迹精关联判别

(1)求解满足三个约束条件p_ij∈{0,1}，和/>下，使

达到最小的p_ij，i＝1,2,…,M_a，j＝1,2,…,M_b；

(2)对任意i∈{1,2,…,M_a}和任意j∈{1,2,…,M_b}，若p_ij＝1，则判别k时刻传感器a的航迹τ_a,i和传感器b的航迹τ_b,j相关联，即该两条航迹源于同一目标，若p_ij＝0，则判别k时刻传感器a的航迹τ_a,i和传感器b的航迹τ_b,j不相联，即该两条航迹源于不同目标，输出航迹关联结果；

步骤6：令k＝k+1，若k≤N，转步骤2，否则结束算法运行。