CN115356695A - 基于渐消因子的ecef-gls偏差估计方法及装置 - Google Patents

基于渐消因子的ecef-gls偏差估计方法及装置 Download PDF

Info

Publication number
CN115356695A
CN115356695A CN202210894082.3A CN202210894082A CN115356695A CN 115356695 A CN115356695 A CN 115356695A CN 202210894082 A CN202210894082 A CN 202210894082A CN 115356695 A CN115356695 A CN 115356695A
Authority
CN
China
Prior art keywords
radar
fading factor
measurement data
ecef
deviation
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.)
Pending
Application number
CN202210894082.3A
Other languages
English (en)
Inventor
董云龙
张焱
宋晓红
张兆祥
江巍
王杰
王国庆
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.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical 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 Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202210894082.3A priority Critical patent/CN115356695A/zh
Publication of CN115356695A publication Critical patent/CN115356695A/zh
Pending legal-status Critical Current

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
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供一种基于渐消因子的ECEF‑GLS偏差估计方法及装置，该方法包括：基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差。本发明实施例提供的基于渐消因子的ECEF‑GLS偏差估计方法及装置，基于在误差估计的迭代过程引入与航迹突变时间所对应的渐消因子后，再将第一量测数据、第二量测数据代入计算，获取第一雷达和第二雷达之间的雷达系统偏差，进而引导误差配准。能够利用渐消因子弱化历史量测的影响，实现对突变系统偏差的实时估计，同时兼顾偏差估计的精度和实时性，使得目标跟踪更加稳定。

Description

基于渐消因子的ECEF-GLS偏差估计方法及装置
技术领域
本发明涉及雷达技术领域，尤其涉及一种基于渐消因子的ECEF-GLS偏差估计方法及装置。
背景技术
多传感器数据处理系统中各种误差是影响目标跟踪和数据融合质量的一个重要因素，而误差配准则是系统中的一个重要环节。配准是对雷达等传感器系统偏差进行精确估计和补偿的过程，根据用于系统偏差估计的信源类型，可以将已有的误差配准工作分为有(准)合作目标条件下的雷达误差配准问题和无合作目标条件下多雷达组网误差配准问题。有(准)合作目标的误差校准技术利用准确的目标位置数据，如合作目标的GPS数据、被动接收的准合作目标的ADS-B/AIS数据等，对雷达系统偏差进行标校。
无合作目标条件下的误差配准技术是研究的重点，其实质是参数估计反演问题，即利用多部雷达对同一目标(位置未知)的协同观测数据，基于雷达与目标之间的空间几何关系对系统偏差进行精确解算估计与补偿。最早关于雷达组网误差配准的研究算法是实时质量控制(real time quality control，RTQC)算法，后续许多雷达配准算法都是基于该算法的思路提出的。例如，将地心地固ECEF(Earth-centered Earth-fixed)坐标系引入协同探测模型，并利用最小二乘估计方法提出了基于ECEF坐标系的误差配准算法，较好地解决了远距离三坐标雷达误差配准问题。但以此类算法模型过于简单，随着雷达采样次数的增加，新的观测数据会对历史量测产生很大影响，若系统误差发生突变，利用历史量测数据所估计出的雷达系统偏差精度会大幅下降。
发明内容
本发明提供一种基于渐消因子的ECEF-GLS偏差估计方法及装置，用以解决现有技术中当系统误差发生突变或快速变化时，雷达系统偏差的估计精度较差的缺陷。
本发明提供一种基于渐消因子的ECEF-GLS偏差估计方法，包括：
基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；
基于第一量测数据、第二量测数据和所述渐消因子，确定所述第一雷达和所述第二雷达之间的雷达系统偏差；
其中，所述航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；所述第一量测数据是所述第一雷达采集的传感数据；所述第二量测数据是所述第二雷达采集的传感数据。
根据本发明提供的一种基于渐消因子的ECEF-GLS偏差估计方法，所述基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子，包括：
基于所述第一量测数据和所述第二量测数据，确定协同观测数量；
基于所述协同观测数量和所述航迹突变时间，确定所述渐消因子。
根据本发明提供的一种基于渐消因子的ECEF-GLS偏差估计方法，所述基于所述协同观测数量和所述航迹突变时间，确定所述渐消因子，包括：
基于所述协同观测数量，确定第一系数；
基于所述航迹突变时间，确定第二系数；
对所述第一系数和所述第二系数进行加权平均，确定所述渐消因子。
根据本发明提供的一种基于渐消因子的ECEF-GLS偏差估计方法，所述基于第一量测数据、第二量测数据和所述渐消因子，确定所述第一雷达和所述第二雷达之间的雷达系统偏差，包括：
基于所述第一雷达和所述第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型；
将所述渐消因子、所述第一量测数据和所述第二量测数据代入至所述系统偏差的线性模型，采用最小二乘法进行模型求解，得到所述雷达系统偏差。
根据本发明提供的一种基于渐消因子的ECEF-GLS偏差估计方法，所述最小二乘法为广义最小二乘法。
根据本发明提供的一种基于渐消因子的ECEF-GLS偏差估计方法，在所述基于所述第一雷达和所述第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型之前，还包括：
基于所述第一量测数据和所述第二量测数据，确定第一坐标和第二坐标；
将所述第一坐标和所述第二坐标，分别转化成第三坐标和第四坐标；
基于所述第三坐标和所述第四坐标，获取所述位置差；
其中，所述第一坐标和所述第二坐标处于东北天坐标系下，所述第三坐标和所述第四坐标处于地球地固ECEF坐标系下。
本发明还提供一种基于渐消因子的ECEF-GLS偏差估计装置，包括：
渐消因子确定模块，用于基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；
雷达系统偏差估计模块，用于基于第一量测数据、第二量测数据和所述渐消因子，确定所述第一雷达和所述第二雷达之间的雷达系统偏差；
其中，所述航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；所述第一量测数据是所述第一雷达采集的传感数据；所述第二量测数据是所述第二雷达采集的传感数据。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于渐消因子的ECEF-GLS偏差估计方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于渐消因子的ECEF-GLS偏差估计方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基于渐消因子的ECEF-GLS偏差估计方法。
本发明提供的基于渐消因子的ECEF-GLS偏差估计方法及装置，基于在误差估计的迭代过程引入与航迹突变时间所对应的渐消因子后，再将第一量测数据、第二量测数据代入计算，获取第一雷达和第二雷达之间的雷达系统偏差，进而引导误差配准。能够利用渐消因子弱化历史量测的影响，实现对突变系统偏差的实时估计，同时兼顾偏差估计的精度和实时性，使得目标跟踪更加稳定。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的流程示意图；
图2是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之一；
图3是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之二；
图4是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之三；
图5是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之四；
图6是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之五；
图7是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之六；
图8是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之七；
图9是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之八；
图10是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之九；
图11是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之十；
图12是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之十一；
图13是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之十二；
图14是本发明提供的基于渐消因子的ECEF-GLS偏差估计装置的结构示意图；
图15是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
本申请中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
图1是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的流程示意图。如图1所示，本发明实施例提供的基于渐消因子的ECEF-GLS偏差估计方法，包括：步骤101、基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子。
其中，航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；。第一量测数据是第一雷达采集的传感数据。第二量测数据是第二雷达采集的传感数据。
需要说明的是，本发明实施例提供的基于渐消因子的ECEF-GLS偏差估计的执行主体为基于渐消因子的ECEF-GLS偏差估计装置。基于渐消因子的ECEF-GLS偏差估计装置也可以设置在雷达组网中的融合数据中心。
基于渐消因子的ECEF-GLS偏差估计装置的应用场景为，在雷达组网中的第一雷达A和第二雷达B对目标进行协同探测时，随着雷达采样次数增加，若由于系统环境因素或者自身设备因素致使雷达系统偏差发生了突变，则引入与突变情况对应的渐消因子对雷达系统偏差进行修正。
需要说明的是，第一量测数据，是指由第一雷达A对协同探测目标所采集的传感数据，该数据包括协同探测目标在以第一雷达A为中心的坐标系下的径向距离、方位角和俯仰角。
第二量测数据，是指由第二雷达B对协同探测目标所采集的传感数据，该数据包括协同探测目标在以第二雷达B为中心的坐标系下的径向距离、方位角和俯仰角。
第一量测数据和第二量测数据分别被上传至融合数据中心，以供融合数据中心根据第一量测数据和第二量测数据对协同探测目标的航迹进行拟合并预测下一航迹点，若预测出的下一航迹点与根据实际量测数据拟合出的下一航迹点之间的误差大于或者等于某一阈值，则认定下一航迹点对应的时间为航迹突变时间。反之，若二者差值小于某一阈值，则认定航迹并未发生突变。
其中，航迹突变时间作为时间灵敏度参量，可以表征雷达系统偏差的变化快慢程度。
具体地，在步骤101中，基于渐消因子的ECEF-GLS偏差估计装置将融合数据中心所反馈的航迹突变时间，再根据时间灵敏度和渐消因子之间的对应关系，确定与航迹突变时间对应的渐消因子。
步骤102、基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差。
具体地，在步骤102中，基于渐消因子的ECEF-GLS偏差估计装置将渐消因子引入系统偏差估计模型的迭代过程，以形成新的系统偏差估计模型，而后将第一量测数据、第二量测数据代入至新的系统偏差估计模型，迭代计算出第一雷达和第二雷达之间的雷达系统偏差。
其中，雷达系统偏差，用于对雷达组网中的第一雷达A和第二雷达B采集的量测数据进行配准，以使得两个雷达在时间和空间上统一，为后续的目标跟踪和数据融合提供精确的数据来源。
本发明实施例基于在误差估计的迭代过程引入与航迹突变时间所对应的渐消因子后，再将第一量测数据、第二量测数据代入计算，获取第一雷达和第二雷达之间的雷达系统偏差，进而引导误差配准。能够利用渐消因子弱化历史量测的影响，实现对突变系统偏差的实时估计，同时兼顾偏差估计的精度和实时性，使得目标跟踪更加稳定。
在上述任一实施例的基础上，基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子，包括：基于第一量测数据和第二量测数据，确定协同观测数量。
具体地，在步骤101中，基于渐消因子的ECEF-GLS偏差估计装置根据第一量测数据和第二量测数据，确定在一个扫描周期(一帧中两部雷达能协同观测到的目标数量，作为协同观测数量。
基于协同观测数量和航迹突变时间，确定渐消因子。
具体地，基于渐消因子的ECEF-GLS偏差估计装置结合协同观测数量和航迹突变时间，共同决定关于渐消因子的选取。
若仅考虑航迹突变时间，则渐消因子相对较大，此时，历史量测影响过大，导致算法时间灵敏度下降，对于快速变化的系统偏差，估计性能恶化。
若仅考虑协同观测数量，则渐消因子相对较小，此时，历史量测影响过小，当两部雷达协同观测的目标数量较少时，就没有足够多的协同观测支撑误差配准的准确估计。
本发明实施例基于协同观测数量和航迹突变时间，共同决定关于渐消因子的选取，能够在保证协同观测的目标数量充足的同时，还能较好体现系统偏差偏差的变化情况，以实现对突变系统偏差的实时估计。
在上述任一实施例的基础上，基于协同观测数量和航迹突变时间，确定渐消因子，包括：基于协同观测数量，确定第一系数。
具体地，基于渐消因子的ECEF-GLS偏差估计装置根据一个扫描周期内实际的协同观测数量，以及协同观测数量的目标值，计算出第一系数。
其中，第一系数，是指根据协同观测数量满足误差配准需求的条件，所拟合出的系数。第一系数用于指示配准精度。
本发明实施例对第一系数的计算过程不做具体限定，示例性地，其计算过程如下：
假定在系统偏差恒定条件下，误差配准需要nmax个协同观测目标(即协同观测数量的目标值)，才能实现误差精确估计，若每帧n个协同观测目标(即一个扫描周期内实际的协同观测数量)，则需要κ(nmax/n)个扫描周期，才能使配准满足精度要求。
其中，κ是考虑渐消因子影响而配置的放大系数。示例性地，κ值大于或者等于2。
且，如设定渐消因子小于或者等于0.01时，历史观测可以忽略不计，则可以将第一系数C1表示为：
Figure BDA0003768697010000091
基于航迹突变时间，确定第二系数。
具体地，基于渐消因子的ECEF-GLS偏差估计装置根据两部雷达之间的最大扫描周期，和航迹突变时间，计算出第二系数。
其中，第二系数，是指根据满足误差配准时间灵敏度需求的条件，所拟合出的系数。第二系数用于指示系统偏差的时间灵敏度。
本发明实施例对第二系数的计算过程不做具体限定，示例性地，其计算过程如下：
若已知两部雷达中扫描周期的最大值为Tmax，则要满足渐消因子小于或者等于0.01的条件，则可以将第二系数C2表示为：
Figure BDA0003768697010000101
其中，TS为航迹突变时间。
对第一系数和第二系数进行加权平均，确定渐消因子。
具体地，基于渐消因子的ECEF-GLS偏差估计装置将第一系数和第二系数进行对比，其对比结果包括两种：对比成功和对比失败。
其中，对比成功，是指第二系数大于第一系数的情况，则可以在分别以第一系数和第二系数为起始点的区间内，选取任意值作为渐消因子。
若任务需求更关注于配准精度，渐消因子的取值则可以更靠近第一系数，若任务需求更关注于适应系统偏差的时间灵敏度，渐消因子的取值则可以更靠近第二系数。本发明实施例对渐消因子的选取原则不作具体限定。
可选地，以第一系数C1作为渐消因子的取值下限，第二系数C2则为其取值下限，并为第一系数C1和第二系数C2赋予不同的权重值，通过加权平均计算出渐消因子ρ，其计算公式如下：
ρ＝k1*C1+k2*C2
其中，k1为与第一系数C1对应的权重值，k2为与第二系数C2对应的权重值，且k1+k2＝1。本发明实施例对k1和k2的取值不作具体限定。
示例性地，k1和k2相等，均为0.5。
对比失败，是指第二系数小于或者等于第一系数的情况，则得出结论现有协同量测数量不足以满足系统偏差配准时间灵敏度要求。即只能按照第一系数或者第二系数，在满足一种条件的情况下设置渐消因子。或者调整雷达自身参数，使其同时满足两种条件后，选取渐消因子。
本发明实施例分别利用协同观测数量和航迹突变时间，将计算出的第一系数和第二系数作为渐消因子的上下限，并通过加权平均的方式计算出渐消因子，能够在保证协同观测的目标数量充足的同时，还能较好体现系统偏差偏差的变化情况，使得突变系统偏差的实时估计配准精度和实时性。
在上述任一实施例的基础上，基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差，包括：基于第一雷达和第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型。
具体地，在步骤102中，对于两部雷达相距大于预设阈值时，基于渐消因子的ECEF-GLS偏差估计装置分别将两部雷达为中心的局部坐标系转换至同一个公共参考坐标系下之后，利用在同一坐标系下的空间几何关系，构造出量测与系统偏差之间的线性关系模型。
将渐消因子、第一量测数据和第二量测数据代入至系统偏差的线性模型，采用最小二乘法进行模型求解，得到雷达系统偏差。
具体地，基于渐消因子的ECEF-GLS偏差估计装置将渐消因子引入至系统偏差的线性模型的迭代计算中，以更新偏差估计公式，将第一量测数据和第二量测数据代入至更新后的偏差估计公式，计算出雷达系统偏差。
其中，迭代的是待配准的量测，迭代次数是根据要配准的量测个数所决定的。
本发明实施例基于将第一量测数据和第二量测数据转换到同一公共参考坐标系下，构建系统偏差的线性模型，通过引入渐消因子对方程进行求解，得到雷达系统偏差，实现对系统误差的准确估计，进而消除系统误差，提升数据融合的可靠性。
在上述任一实施例的基础上，最小二乘法为广义最小二乘法。
具体地，充分考虑了地球地形的影响，基于渐消因子的ECEF-GLS偏差估计装置在对系统偏差的线性模型所对应的线性方程求解的过程中，可以利用广义最小二乘法进行迭代计算，直至公共坐标系下两部雷达的量测之间的差值最小迭代结束，得到雷达系统偏差。
广义最小二乘法，是一种最小方差估计,估计结果有效，而且若忽略模型线性化引入的误差，估计精度可以达到克拉美-罗下界(Cramer-Rao Lower Bound，CRLB)。
本发明实施例以两部雷达之间的量测差值最小为目的，通过广义最小二乘法对系统偏差的线性模型进行迭代计算，得到雷达系统偏差，实现对系统误差的准确估计，进而消除系统误差，提升数据融合的可靠性。
在上述任一实施例的基础上，在基于第一雷达和第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型之前，还包括：基于第一量测数据和第二量测数据，确定第一坐标和第二坐标。
其中，第一坐标和第二坐标处于东北天坐标系下。
具体地，基于渐消因子的ECEF-GLS偏差估计装置根据第一量测数据和第二量测数据之间的空间几何关系，拟合出第一坐标和第二坐标。
其中，第一坐标，是指在以第一雷达在局部东北天坐标系中的坐标位置。第二坐标，是指在以第二雷达在局部东北天坐标系中的坐标位置。
将第一坐标和第二坐标，分别转化成第三坐标和第四坐标。
其中，第三坐标和第四坐标处于地球地固ECEF坐标系下。
具体地，基于渐消因子的ECEF-GLS偏差估计装置可以分别将第一坐标和第二坐标，结合东北天坐标系和ECEF坐标系之间的转换关系，将坐标转换到以地心为原点的ECEF坐标系中，获取第三坐标和第四坐标。
基于第三坐标和第四坐标，获取位置差。
具体地，基于渐消因子的ECEF-GLS偏差估计装置利用“两部雷达在没有系统偏差和随机误差时，在ECEF坐标系中位置相同”这一空间几何关系，以第三坐标和第四坐标之间的位置差近似于0为目的，构造出量测与系统偏差之间的线性关系模型。
本发明实施例对系统偏差的线性模型的构建和求解过程不作具体限定。示例性地，下面给出一个利用系统偏差的线性模型估计雷达系统偏差的具体实施过程：
设定第一雷达A和第二雷达B的协同观测场景为,(LA,λA,HA)和(LB,λB,HB)分别为雷达A和B的地理坐标，(xAS,yAS,zAS)和(xBS,yBS,zBS)分别为雷达A和B的ECEF坐标(即第三坐标和第四坐标)，(xAl,yAl,zAl)和(xBl,yBl,zBl)为其对应的局部东北天坐标(即第一坐标和第二坐标)。则雷达A和B的系统偏差β可以表示为：
β＝[rA,ΔθA,ΔηA,ΔrB,ΔθB,ΔηB]T
其中，ΔrA和ΔrB分别为雷达A和B在径向距离上的系统偏差，ΔθA和ΔθB分别为雷达A和B在方位角上的系统偏差，ΔηA和ΔηB分别为雷达A和B在俯仰角上的系统偏差。
再将雷达A和B对协同探测目标的第k组量测数据合并乘成对应的第k个量测向量
Figure BDA0003768697010000141
(包含系统偏差和随机误差)，即
Figure BDA0003768697010000142
其中，(rA(k)θA(k)ηA(k))为雷达A对第k个协同观测目标所采集的第一量测数据，该数据包括该协同观测目标的径向距离rA(k)、方位角θA(k)和俯仰角ηA(k)。
(rB(k)θB(k)ηB(k))为雷达B对第k个协同观测目标所采集的第二量测数据，该数据包括该协同观测目标的径向距离rB(k)、方位角θB(k)和俯仰角ηB(k)。
而
Figure BDA0003768697010000143
为两部雷达对协同探测目标的第k个不包含随机误差的量测向量。在剔除掉随机误差后的系统偏差的初始值为β′，并假设β′＝[0 0 0 0 0 0]′。
则通过不包含随机误差的量测向量，可以获得第一坐标和第二坐标：
Figure BDA0003768697010000144
Figure BDA0003768697010000151
将以上第一坐标和第二坐标均转换到ECEF坐标系中：
Figure BDA0003768697010000152
Figure BDA0003768697010000153
其中，TA和TB分别为雷达A和雷达B所对应的坐标变换矩阵。
根据第三坐标和第四坐标之间的位置差建立量测与系统偏差之间的线性关系模型
Figure BDA0003768697010000154
令：
Figure BDA0003768697010000155
将上述公式在β′和
Figure BDA0003768697010000156
处分别进行一阶泰勒展开，并忽略高阶分量：
Figure BDA0003768697010000157
并且，
Figure BDA0003768697010000158
Figure BDA0003768697010000159
其中，
Figure BDA0003768697010000161
Figure BDA0003768697010000162
Figure BDA0003768697010000163
Figure BDA0003768697010000164
对于同一目标，
Figure BDA0003768697010000165
可构造如下的量测与系统偏差的线性模型：
Y＝Hβ+ξ
其中，
Figure BDA0003768697010000166
H＝[G1 G2 … Gk … GN]′
Figure BDA0003768697010000167
N为配准量测个数，
Figure BDA0003768697010000171
为两部雷达量测的随机误差向量。
Figure BDA0003768697010000172
根据Y＝Hβ+ξ所示的线性关系，运用广义最小二乘估计可以得出雷达系统偏差的准确估计：
Figure BDA0003768697010000173
Figure BDA0003768697010000174
因为∑ξ为3N×3N的分块矩阵{∑1∑2…∑k…∑N}，所以在其利用广义最小二乘法的迭代计算过程引入渐消因子ρ可以表示为：
Figure BDA0003768697010000175
Figure BDA0003768697010000176
其中，渐消因子ρ的取值范围处于[0,1]之间。
令，
Figure BDA0003768697010000177
Figure BDA0003768697010000178
则，
Figure BDA0003768697010000179
Figure BDA00037686970100001710
图2是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之一。图3是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之二。图4是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之三。图5是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之四。图6是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之五。图7是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之六。图8是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之七。图9是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之八。图10是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之九。图11是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之十。图12是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之十一。图13是本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的仿真结果示意图之十二。如图2-图13所示，将本发明给出的修正的ECEF-GLS算法(渐消因子合理)与常规的ECEF-GLS算法通过仿真实验比较情况。
其中，横坐标为雷达进行采样扫描周期，纵坐标为雷达在径向距离、方位角和俯仰角上所估计出的雷达系统偏差。
实验一：实验假设两部雷达协同探测区域航迹数量15，并人为设定系统偏差在1000扫描周期发生突变，其他条件与ECEF-GLS常规算法保持一致，其目标跟踪效果如图2-图7所示。
从图2-图4所指示的第一雷达A分别在径向距离、方位角和俯仰角上所估计出的雷达系统偏差的变化趋势，可以看出，在航机突变时间为1000扫描周期时，常规的ECEF-GLS算法受历史测量影响，导致这三方面的系统偏差绝对值均远大于系统误差的理想值。而本发明实施例的修正的ECEF-GLS算法，则在突变时间处远离系统误差的理想值，随着采样增加，逐步在上一次采样基础上引入渐消因子使三方面的系统偏差逐渐趋近于系统误差的理想值。同理，对于从图5-图7所指示的第二雷达B分别在径向距离、方位角和俯仰角上所估计出的雷达系统偏差的变化趋势，也可得出上述结论。
实验2：环境同实验1，分别选取较小渐消因子、较大渐消因子和合理渐消因子，其目标跟踪效果如图8-图13所示。
从图8-图10所指示的第一雷达A分别在径向距离、方位角和俯仰角上所估计出的雷达系统偏差的变化趋势，可以看出，在航机突变时间为1000扫描周期时，较小渐消因子在这三方面所得到的偏差精度不稳定，而较大渐消因子导致的系统偏差绝对值均远大于系统误差的理想值。而本发明实施例中，基于协同观测数量和航迹突变时间，所共同决定的合理渐消因子，则只在突变时间处远离系统误差的理想值，随着采样增加，逐步在上一次采样基础上引入渐消因子使三方面的系统偏差逐渐稳定的趋近于系统误差的理想值。同理，对于从图11-图13所指示的第二雷达B分别在径向距离、方位角和俯仰角上所估计出的雷达系统偏差的变化趋势，也可得出上述结论。
本发明实施例基于将第一量测数据和第二量测数据确定两部雷达在局部东北天坐标系下的第一坐标和第二坐标，在将其转换至ECEF坐标系下之后，通过第三坐标和第四坐标，获取位置差，以构建系统偏差的线性模型。实现对系统误差的准确估计，进而消除系统误差，提升数据融合的可靠性。
图14是本发明提供的基于渐消因子的ECEF-GLS偏差估计装置的结构示意图。在上述任一实施例的基础上，如图14所示，本发明实施例提供的基于渐消因子的ECEF-GLS偏差估计装置，包括：渐消因子确定模块1410和雷达系统偏差估计模块1420，其中：
渐消因子确定模块1410，用于基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子。
雷达系统偏差估计模块1420，用于基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差。
其中，航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；。第一量测数据是第一雷达采集的传感数据。第二量测数据是第二雷达采集的传感数据。
具体地，渐消因子确定模块1410和雷达系统偏差估计模块1420顺次电连接。
渐消因子确定模块1410将融合数据中心所反馈的航迹突变时间，再根据时间灵敏度和渐消因子之间的对应关系，确定与航迹突变时间对应的渐消因子。
雷达系统偏差估计模块1420将渐消因子引入系统偏差估计模型的迭代过程，以形成新的系统偏差估计模型，而后将第一量测数据、第二量测数据代入至新的系统偏差估计模型，迭代计算出第一雷达和第二雷达之间的雷达系统偏差。
可选地，渐消因子确定模块1410包括协同观测数量确定单元和渐消因子确定单元，其中：
协同观测数量确定单元，用于基于第一量测数据和第二量测数据，确定协同观测数量。
渐消因子确定单元，用于基于协同观测数量和航迹突变时间，确定渐消因子。
可选地，渐消因子确定单元包括第一系数确定子单元、第二系数确定子单元和渐消因子确定子单元，其中：
第一系数确定子单元，用于基于协同观测数量，确定第一系数。
第二系数确定子单元，用于基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子。
渐消因子确定子单元，用于对第一系数和第二系数进行加权平均，确定渐消因子。
可选地，雷达系统偏差估计模块1420包括建模单元和估计单元，其中：
建模单元，用于基于第一雷达和第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型。
估计单元，用于将渐消因子、第一量测数据和第二量测数据代入至系统偏差的线性模型，采用最小二乘法进行模型求解，得到雷达系统偏差。
可选地，最小二乘法为广义最小二乘法。
可选地，雷达系统偏差估计模块1420还包括第一坐标获取单元、第二坐标获取单元和位置差获取单元，其中：
第一坐标获取单元，用于基于第一量测数据和第二量测数据，确定第一坐标和第二坐标。
第二坐标获取单元，用于将第一坐标和第二坐标，分别转化成第三坐标和第四坐标。
位置差获取单元，用于基于第三坐标和第四坐标，获取位置差。
其中，第一坐标和第二坐标处于东北天坐标系下，第三坐标和第四坐标处于地球地固ECEF坐标系下。
本发明实施例提供的基于渐消因子的ECEF-GLS偏差估计装置，用于执行本发明上述基于渐消因子的ECEF-GLS偏差估计方法，其实施方式与本发明提供的基于渐消因子的ECEF-GLS偏差估计方法的实施方式一致，且可以达到相同的有益效果，此处不再赘述。
本发明实施例基于在误差估计的迭代过程引入与航迹突变时间所对应的渐消因子后，再将第一量测数据、第二量测数据代入计算，获取第一雷达和第二雷达之间的雷达系统偏差，进而引导误差配准。能够利用渐消因子弱化历史量测的影响，实现对突变系统偏差的实时估计，同时兼顾偏差估计的精度和实时性，使得目标跟踪更加稳定。
图15示例了一种电子设备的实体结构示意图，如图15所示，该电子设备可以包括：处理器(processor)1510、通信接口(Communications Interface)1520、存储器(memory)1530和通信总线1540，其中，处理器1510，通信接口1520，存储器1530通过通信总线1540完成相互间的通信。处理器1510可以调用存储器1530中的逻辑指令，以执行基于渐消因子的ECEF-GLS偏差估计方法，该方法包括：基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差；其中，航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；；第一量测数据是第一雷达采集的传感数据；第二量测数据是第二雷达采集的传感数据。
此外，上述的存储器1530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于渐消因子的ECEF-GLS偏差估计方法，该方法包括：基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差；其中，航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；第一量测数据是第一雷达采集的传感数据；第二量测数据是第二雷达采集的传感数据。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于渐消因子的ECEF-GLS偏差估计方法，该方法包括：基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；基于第一量测数据、第二量测数据和渐消因子，确定第一雷达和第二雷达之间的雷达系统偏差；其中，航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；第一量测数据是第一雷达采集的传感数据；第二量测数据是第二雷达采集的传感数据。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于渐消因子的ECEF-GLS偏差估计方法，其特征在于，包括：
基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；
基于第一量测数据、第二量测数据和所述渐消因子，确定所述第一雷达和所述第二雷达之间的雷达系统偏差；
其中，所述航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；所述第一量测数据是所述第一雷达采集的传感数据；所述第二量测数据是所述第二雷达采集的传感数据。
2.根据权利要求1所述的基于渐消因子的ECEF-GLS偏差估计方法，其特征在于，所述基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子，包括：
基于所述第一量测数据和所述第二量测数据，确定协同观测数量；
基于所述协同观测数量和所述航迹突变时间，确定所述渐消因子。
3.根据权利要求2所述的基于渐消因子的ECEF-GLS偏差估计方法，其特征在于，所述基于所述协同观测数量和所述航迹突变时间，确定所述渐消因子，包括：
基于所述协同观测数量，确定第一系数；
基于所述航迹突变时间，确定第二系数；
对所述第一系数和所述第二系数进行加权平均，确定所述渐消因子。
4.根据权利要求1所述的基于渐消因子的ECEF-GLS偏差估计方法，其特征在于，所述基于第一量测数据、第二量测数据和所述渐消因子，确定所述第一雷达和所述第二雷达之间的雷达系统偏差，包括：
基于所述第一雷达和所述第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型；
将所述渐消因子、所述第一量测数据和所述第二量测数据代入至所述系统偏差的线性模型，采用最小二乘法进行模型求解，得到所述雷达系统偏差。
5.根据权利要求4所述的基于渐消因子的ECEF-GLS偏差估计方法，其特征在于，所述最小二乘法为广义最小二乘法。
6.根据权利要求4所述的基于渐消因子的ECEF-GLS偏差估计方法，其特征在于，在所述基于所述第一雷达和所述第二雷达在同一坐标系下的位置差，构建系统偏差的线性模型之前，还包括：
基于所述第一量测数据和所述第二量测数据，确定第一坐标和第二坐标；
将所述第一坐标和所述第二坐标，分别转化成第三坐标和第四坐标；
基于所述第三坐标和所述第四坐标，获取所述位置差；
其中，所述第一坐标和所述第二坐标处于东北天坐标系下，所述第三坐标和所述第四坐标处于地球地固ECEF坐标系下。
7.一种基于渐消因子的ECEF-GLS偏差估计装置，其特征在于，包括：
渐消因子确定模块，用于基于融合数据中心反馈的航迹突变时间，确定第一雷达和第二雷达进行协同观测的渐消因子；
雷达系统偏差估计模块，用于基于第一量测数据、第二量测数据和所述渐消因子，确定所述第一雷达和所述第二雷达之间的雷达系统偏差；
其中，所述航迹突变时间是根据融合数据中心基于所述第一量测数据和所述第二量测数据所反馈的关联错误率综合确定；所述第一量测数据是所述第一雷达采集的传感数据；所述第二量测数据是所述第二雷达采集的传感数据。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述基于渐消因子的ECEF-GLS偏差估计方法。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于渐消因子的ECEF-GLS偏差估计方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述基于渐消因子的ECEF-GLS偏差估计方法。
CN202210894082.3A 2022-07-27 2022-07-27 基于渐消因子的ecef-gls偏差估计方法及装置 Pending CN115356695A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210894082.3A CN115356695A (zh) 2022-07-27 2022-07-27 基于渐消因子的ecef-gls偏差估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210894082.3A CN115356695A (zh) 2022-07-27 2022-07-27 基于渐消因子的ecef-gls偏差估计方法及装置

Publications (1)

Publication Number Publication Date
CN115356695A true CN115356695A (zh) 2022-11-18

Family

ID=84031795

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210894082.3A Pending CN115356695A (zh) 2022-07-27 2022-07-27 基于渐消因子的ecef-gls偏差估计方法及装置

Country Status (1)

Country Link
CN (1) CN115356695A (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443605A (zh) * 2016-10-14 2017-02-22 中国人民解放军海军航空工程学院 基于实时质量控制ecef‑gls系统误差自适应配准方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443605A (zh) * 2016-10-14 2017-02-22 中国人民解放军海军航空工程学院 基于实时质量控制ecef‑gls系统误差自适应配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
董云龙 等: ""基于渐消因子的估计算法"", 网络优先出版地址：HTTPS://KNS.CNKI.NET/KCMS/DETAIL/11.2422.TN.20220611.1419.006.HTML, 11 June 2022 (2022-06-11), pages 1 - 4 *

Similar Documents

Publication Publication Date Title
CN108255791B (zh) 基于分布式传感器一致性的机动目标跟踪方法
CN109597864A (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
CN103383261B (zh) 一种改进型无损卡尔曼滤波室内动目标定位方法
CN111985093A (zh) 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法
KR100816269B1 (ko) 언센티드 필터를 적용한 강인한 동시 위치 추정 및 지도작성 방법
CN108267731B (zh) 无人机目标跟踪系统的构建方法及应用
CN107633256A (zh) 一种多源测距下联合目标定位与传感器配准方法
CN110426689B (zh) 一种基于em-cks的机载多平台多传感器系统误差配准算法
CN111693084B (zh) 一种基于误差相似性的测量误差补偿方法
CN109782240A (zh) 一种基于递推修正的多传感器系统误差配准方法和系统
CN112083457B (zh) 一种神经网络优化的imm卫星定位导航方法
CN110187337B (zh) 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统
CN113933798B (zh) 一种基于相似性原理的全局传感器系统误差分区配准算法
CN108303095A (zh) 适用于非高斯系统的鲁棒容积目标协同定位方法
CN114139109B (zh) 一种目标跟踪方法、系统、设备、介质及数据处理终端
CN119573712A (zh) 基于智能寻优算法优化的卡尔曼滤波导航信息融合方法
CN109061556A (zh) 一种基于弹性网络的稀疏迭代波达角估计方法
CN115356695A (zh) 基于渐消因子的ecef-gls偏差估计方法及装置
CN107966697B (zh) 一种基于渐进无迹卡尔曼的移动目标跟踪方法
CN112881981B (zh) 多种失配情况下无线传感器阵列空间处理增益损失的方法
CN114565020A (zh) 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法
CN114459484A (zh) 航迹初始化方法及装置
CN114019801A (zh) 基于改进天牛搜索的无人机转弯速率和状态估计方法
CN119644375B (zh) 一种基于滑动窗口的区域相对对流层延迟建模方法
CN105259564B (zh) 一种星载和差比幅单脉冲测向定位方法、装置及系统

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