CN116125462A - 一种纯角度量测下机动目标跟踪方法 - Google Patents
一种纯角度量测下机动目标跟踪方法 Download PDFInfo
- Publication number
- CN116125462A CN116125462A CN202310130895.XA CN202310130895A CN116125462A CN 116125462 A CN116125462 A CN 116125462A CN 202310130895 A CN202310130895 A CN 202310130895A CN 116125462 A CN116125462 A CN 116125462A
- Authority
- CN
- China
- Prior art keywords
- sub
- target
- filter
- state
- weight
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000001914 filtration Methods 0.000 claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 210000004460 N cell Anatomy 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 abstract 1
- 238000009827 uniform distribution Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/68—Radar-tracking systems; Analogous systems for angle tracking only
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Abstract
本发明公开了一种纯角度量测下机动目标跟踪方法,根据光学探测系统的先验信息估计目标初始距离范围,划分子区间,在均匀分布假设下计算子区间滤波器权重、状态与协方差初始值;建立目标常速模型和纯方位跟踪模型,利用偏差补偿伪线性滤波方法更新子区间权重、状态与协方差,设置权重阈值,将权重小于阈值的子区间滤波器删除,减少并行计算的子区间滤波器个数;定义机动检测因子,设置机动识别阈值,当机动检测因子大于识别阈值时,利用重新初始化策略跟踪机动目标。本发明在提高机动目标纯方位定位精度的同时,极大地改善了现有纯方位跟踪方法的通用性和实时性,使得该算法可用于未来地面目标的无源定位中。
Description
技术领域
本发明属于目标跟踪领域,具体涉及一种应用于单站无源探测系统对地面目标定位时,基于距离参数化方法设计多个子区间滤波器并应用偏差补偿伪线性算法并行运算和加权融合输出目标状态,同时基于机动检测重新初始化策略的机动目标纯方位跟踪算法。实现了单站无源探测系统仅使用方位角测量数据使得目标定位误差快速收敛,同时在检测到目标机动后重新初始化子滤波器避免定位误差激增问题。
背景技术
在电子战、信息战环境下,传统的有源探测系统主动辐射电磁波信号暴露了自身目标,它不仅难以完成预定的任务,而且自身的生存也面临着严重的威胁。单站无源跟踪系统仅依靠被动接收目标辐射源的辐射信息实现探测、识别、定位与跟踪,具有隐蔽性强,设备量小,作用距离远,覆盖地域大,机动性能好等特点,更为重要的是避免了复杂的时间同步和多个观测站之间的数据融合而备受重视,对现代信息战有着极其重要的军事意义。
无源跟踪系统作为地面作战的探测环节,其计算获得的目标定位精度直接影响武器系统对打击时机的判断。因此,快速降低目标定位误差是无源跟踪系统的核心任务。一般来说,单站定位存在两个难点:一是角度测量值与目标状态之间是非线性关系,是典型的非线性跟踪问题,简单的卡尔曼滤波方法在这种条件下并不适用;二是双站定位系统中可直接基于同一周期两个观测站的角度信息对目标通过交叉定位等手段从而获取目标初始位置信息,而单站则无法利用这一方法获取目标初始位置信息,初值选取不合适将直接导致滤波器运行结果的发散甚至崩溃。
现行无源跟踪系统中的单站定位多通过连续几个采样周期的角度数据并基于目标运动特征实现初始信息估计,从而有效地获得了无源跟踪定位的初值选取依据,极大提高了跟踪滤波的稳定性。但在现今信息化作战的背景下,这一方法存在着精度有限、通用性差、初始信息估计时间长等缺点,尤其是只能对单一已知的目标运动模型进行初始信息估计,极大地制约了单站定位的应用开发。对此,基于距离参数化与非线性滤波算法相结合的单站定位方法在该背景下应运而生,即将目标初始信息分为几个区间,并认为目标在区间服从均匀分布,由该信息可获取目标在该区间的均值与协方差信息,为每个区间赋予了权重,通过非线性滤波器更新权重并基于加权融合的方式即可获取目标状态信息。它具有通用性好、精度高等特点,但解算处理复杂,耗费时间较多,尤其是目标初始距离范围较大,需要划分更多的子区间从而产生更多的子滤波器,因此计算量更大,影响实时性。
对于纯方位目标跟踪,可以通过将非线性方位测量值替换为构成众所周知的伪线性估计器(PLE)的伪线性方程来制定线性化递归贝叶斯估计器,这种方法通常被称为伪线性卡尔曼滤波器(PLKF)。与其他非线性卡尔曼滤波算法(如UKF)相比,PLKF需要的计算复杂度较低,同时提供良好的跟踪性能,但PLKF的主要缺点是存在严重的偏差问题。基于偏差补偿的伪线性卡尔曼滤波算法(BC-PLKF)通过对伪线性量测与量测矢量相关性导致的状态估计偏差项进行补偿,在保留PLKF的高稳定性和低复杂度的基础上获得更好的估计性能。所以考虑采用偏差补偿伪线性滤波替代非线性滤波算法,同时设置权重阈值,当子区间滤波器更新之后的权重小于权重阈值后,删除该滤波器,对剩下的子区间权重再重新作归一化处理,可以快速将滤波器个数下降,从而在保证滤波精度的同时极大地提高了算法的实时性。
单站定位多采取常速运动模型对目标运动建模,然而当目标发生机动时,滤波结果将不可避免的发生定位误差发散的情况。对此有学者考虑从目标运动模型入手,采取交互多模型、当前统计模型等方法重新对目标建模,但纯角度测量缺失的距离信息导致这些方法也很难产生良好的跟踪效果。
鉴于此,本发明将距离参数化与偏差补偿伪线性滤波算法引入到单站定位算法中,通过划分子区间构造子滤波器加权融合输出目标状态的方式,极大地提升了无源跟踪系统整体的通用性与精确性。同时为了避免目标发生机动时模型失配导致定位误差发散的问题,本发明在权重阈值检测至唯一滤波器的基础上,设置机动识别阈值,根据历史滤波数据计算机动检测因子,检测到机动后在原速度基础上重新初始化四个方向的子滤波器,根据量测似然函数更新子滤波器权重并加权融合输出目标状态值,减少了目标机动模型不匹配产生的滤波误差。从而在算法执行机制上,有效地克服了目标机动产生的滤波误差发散问题。
发明内容
本发明的目的在于提供一种可适用于机动目标的纯方位跟踪方法,将距离参数化与偏差补偿伪线性滤波算法引入到单站定位中,极大地提升了单站定位整体的稳定性与精确性;检测到目标机动后利用重新初始化策略增加子滤波器,避免对目标运动模型的修改,提高单站定位的跟踪精度。
实现本发明的目的技术解决方案为:一种纯角度量测下机动目标跟踪方法,包括以下步骤:
步骤1、子滤波器初值选取:获取目标初始位置与观测平台的距离区间范围,基于距离参数化的思想将该区间分为多个子区间,确定各子区间内目标初始距离的均值、标准差和权重,从而获得各子区间对应的子滤波器状态、协方差和权重的初值;
步骤2、纯方位目标跟踪:根据前一时刻每个子滤波器的状态值与协方差,结合当前时刻角度测量值,采用偏差补偿伪线性滤波算法更新子滤波器状态值与状态协方差,并根据量测似然函数更新子滤波器权重并进行归一化;
步骤3,小权重子滤波器移除:设置滤波器权重阈值,将小于权重阈值的子滤波器从计算中移除,并对其余子滤波器权重作归一化处理,当子滤波器个数为一时进入步骤4,否则进入步骤5;
步骤4、机动检测:设置机动识别阈值,计算当前时刻机动检测因子,当机动检测因子大于识别阈值时,则保持目标位置坐标不变,在速度上分出多个方向,每个速度方向对应一个新的目标状态,根据这些状态量生成子滤波器的状态初值,当下一个时刻角度测量值输入后更新这些子滤波器的状态、协方差和权重,否则直接进入步骤5;
步骤5、目标状态输出:根据各子滤波器的状态值与权重,加权融合输出当前时刻目标状态估计结果,下一个时刻再跳转步骤2。
步骤1,子滤波器初值选取,具体方法如下:
假设目标初始位置与观测平台的距离在(rmin,rmax)上分布,将该区间分为N个小区间,其中第n个小区间为(rminρn-1,rminρn),其中比例因子ρ的表达式为:
通过各区间目标距离统计信息以及获得的角度信息,实现目标各区间位置初始化;
其中,Mxn和Myn为第n个小区间内目标在两轴方向上的初始位置状态,Mpx和Mpy分别为目标在两轴方向上的初始位置协方差,θ为初始时刻测量的角度信息;
将速度初值选取为0,根据目标类型选择一个先验的速度初始标准差σv,实现目标各区间速度初始化;
步骤2,子滤波器跟踪,具体方法如下:
若当前时刻为初始时刻,采用步骤1所得子滤波器状态和协方差的初值作为对应子滤波器的输入,若当前时刻不为初始时刻,则将上一个时刻子滤波器跟踪的状态与协方差估计值作为对应子滤波器输入;在各子滤波器滤波过程中,利用伪线性卡尔曼滤波算法构造伪线性量测方程,获得伪线性量测值、伪线性量测矩阵和伪线性量测噪声,将常速运动模型作为目标运动模型,输入当前时刻目标角度测量值,在卡尔曼滤波框架下获得状态估计值和状态协方差估计值,计算伪线性卡尔曼滤波估计偏差,通过对估计误差做偏差补偿的方式更新子滤波器状态估计值,具体的:
设k时刻目标的位置和速度表示为pk和vk,目标状态向量表示为观测站位置表示为sk=[sx,k,sy,k]T,k时刻真实角度表示为βk,观察站测量得到的角度表示为测量方程表示为其中nk是均值为0、方差为的测量噪声;构造伪线性量测方程如下:
zk=Hkxk+ηk
(2)计算状态协方差预测值Pk|k-1:
除了更新各子滤波器状态信息之外,距离参数化在子滤波器滤波结束后还需获取下一时刻各区间的权重,根据量测似然函数对权重区间进行更新并进行归一化处理;
步骤3,小权重子滤波器移除,具体方法为:
设置滤波器权重阈值Tm1,将对应权重小于权重阈值的子滤波器从计算中移除,并对其余子滤波器权重作归一化处理,假设第m个子滤波器权重小于权重阈值Tm1,则其余子滤波器进行如下归一化处理,为移除小权重子滤波去再归一化后的权重;
步骤4,机动检测,具体方法如下:
定义k时刻机动检测因子为:
设置机动识别阈值Tm2,若Ik<Tm2时,认为目标未发生机动,直接输出当前滤波器的目标状态估计值;若出现Ik>Tm2时,认为目标已经发生了机动,这意味着在k时刻估计的目标新息,包括距离、航向和速度,已经偏离了真实的目标信息;
初始化前标记唯一的子滤波器为“only”,将其状态、状态协方差、权重表示为 和当检测到目标存在机动后,在k时刻初始化Nf个子滤波器,每个子滤波器具有不同的目标初始航向角值;k时刻第j个子滤波器的状态初始化表示为:
若机动检测后执行了重新初始化操作,则k时刻子滤波器权重与状态如上所示,子滤波器个数调整为N=Nf,若机动检测后未执行重新初始化操作,则k时刻子滤波器仍为原先的唯一滤波器,它的权重为1。
用新的权重与各子滤波器状态信息即可实现目标状态Xk|k的获取
一种纯角度量测下机动目标跟踪系统,基于所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
一种计算机设备,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计算机程序时,基于所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
本发明与现有技术相比,其显著优点在于:(1)引入距离参数化相较于通过数个采样周期计算目标位置,滤波稳定性得到显著提升。当目标跟踪8s以内时,该方法目标定位误差已收敛至200m以下,该方法很好的满足了实际地面作战需求;(2)引入偏差补偿伪线性滤波算法对目标状态滤波,算法结构简洁、计算复杂度低同时跟踪效果良好,该方法很好地满足了实际作战实时性要求;(3)本发明所提机动目标纯方位跟踪方法在目标发生机动后跟踪误差远远低于一般的纯方位跟踪方法,在目标跟踪通用性方面具有明显的提升,使得该算法在未来地面目标纯方位跟踪系统的工程应用成为可能。
附图说明
图1是本发明纯角度量测下机动目标跟踪方法的总流程示意图。
图2是传感器方位角测量坐标系示意图。
图3是速度方向重新初始化示意图。
图4是车体与目标运动场景示意图。
图5是测量误差较小时RPBCPLKF与MRPBCPLKF定位误差均方差示意图。
图6是测量误差较小时非线性滤波与伪线性滤波定位误差均方差示意图。
图7是测量误差较大时RPBCPLKF与MRPBCPLKF定位误差均方差示意图。
图8是测量误差较大时非线性滤波与伪线性滤波定位误差均方差示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
结合图1,本发明纯角度量测下机动目标跟踪方法,具体步骤如下:
步骤1:子滤波器初值选取
在二维平面上的角度测量时,移动观测站接收到的方位测量值如图2所示。
假设目标运动为CV模型,则有状态方程:
xk=Fxk-1+wk-1
其中,F为状态转移矩阵,wk-1是过程噪声,wk-1均值为04×1协方差为Q。
其中,T是采样周期,qx,qy为过程噪声在两个坐标轴的功率谱密度。
假设目标初始位置与观测平台的距离在(rmin,rmax)上分布,将该区间分为N个小区间,其中第n个小区间为(rminρn-1,rminρn),其中比例因子ρ的表达式为
通过各区间目标距离统计信息以及获得的角度信息,实现目标各区间位置初始化;
其中,Mxn和Myn为第n个小区间内目标在两轴方向上的初始位置状态,Mpx和Mpy分别为目标在两轴方向上的初始位置协方差,θ为初始时刻测量的角度信息;
将速度初值选取为0,根据目标类型选择一个先验的速度初始标准差σv,实现目标各区间速度初始化;
步骤2:子滤波器跟踪
对纯方位角度测量噪声做如下变换:
然后我们可以得到伪线性量测方程:
zk=Hkxk+ηk
伪线性卡尔曼滤波算法(PLKF)步骤如下:
(1)状态预测
(2)状态协方差预测
Pk|k-1=FPk-1|k-1FT+Q
(3)计算增益
(4)状态更新
(5)状态协方差更新
Pk|k=(I4×4-KkHk)Pk|k-1
其中,dk和Rk真实值无法获得,采用近似值计算:
ek=Ak+Bk+Ck
其中,第一项Ak来自k-1时刻误差的传播,这不是导致PLKF中有偏差估计的原因。第二项Bk来自Hk和wk-1之间相关性的偏差,如果我们假设过程噪声wk-1相对较小,那么Bk可以忽略。当涉及到第三项Ck时,它传播了Hk和ηk之间的相关性产生的偏差,这不能忽略,因为它们都包含角度测量噪声nk。因此,我们可以得出结论,是Hk和ηk之间的相关性导致了有偏估计,如果我们可以补偿Ck项的偏差,则可以减少的估计偏差。
其中,M=[I2×2 02×2]。
偏差补偿伪线性卡尔曼滤波算法(BC-PLKF)步骤如下:
滤波步骤如下;
(2)计算状态协方差预测值Pk|k-1:
除了更新各子滤波器状态信息之外,距离参数化在子滤波器滤波结束后还需获取下一时刻各区间的权重,根据量测似然函数对权重区间进行更新并进行归一化处理;
设置滤波器权重阈值Tm1,将对应权重小于权重阈值的子滤波器从计算中移除,并对其余子滤波器权重作归一化处理,假设第m个子滤波器权重小于权重阈值Tm1,则其余子滤波器进行如下归一化处理,为移除小权重子滤波去再归一化后的权重;
步骤3:机动检测重新初始化
当经过小权重子滤波器移除至只剩唯一滤波器时,定义k时刻机动检测因子为:
设置机动识别阈值Tm2,若Ik<Tm2时,认为目标未发生机动,直接输出当前滤波器的目标状态估计值;若出现Ik>Tm2时,认为目标已经发生了机动,这意味着在k时刻估计的目标新息(距离、航向和速度)已经偏离了真实的目标信息;
当检测到目标存在机动后,在k时刻初始化Nf个子滤波器,每个子滤波器具有不同的目标初始航向角值;
若机动检测后执行了重新初始化操作,则k时刻子滤波器权重与状态如上所示,子滤波器个数调整为N=Nf。若机动检测后未执行重新初始化操作,则k时刻子滤波器仍为原先的唯一滤波器,它的权重为1;
最终根据各子滤波器的权重与状态信息,确定k时刻算法输出的目标状态Xoutk的;
一种纯角度量测下机动目标跟踪系统,基于所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
一种计算机设备,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计算机程序时,基于所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
实施例
为了验证本发明方案的有效性,进行如下仿真实验。
1.仿真条件
本文以考虑改变车体移动模式对目标进行距离估计,采取“匀加速-匀转弯-匀速”的运动模式,车体最大速度为60km/h。在该运动条件下,车体具体移动如下:初始速度为(0,0),在1-10s内做加速度为(0.8m/s2,-0.8m/s2)的匀加速运动;在10-25s内做转弯速度为π/15的匀转弯运动;在30-155s内做匀速直线运动。目标具体移动如下:初始位置为(2000m,2000m),初始速度为(-5.9m/s,-5.9m/s),在1-40s内做匀速直线运动;在40-55s内做转弯速度为π/15的匀转弯运动;在55-100s内做速度为(5.9m/s,5.9m/s)的匀速直线运动;在100-115s内做转弯速度为-π/15的匀转弯运动;在115-155s内做速度为(-5.9m/s,-5.9m/s)的匀速直线运动。运动场景如图4所示。
假设初始距离在(500m,3000m)之间,子区间个数N=4,按照距离参数化方法划分子区间,给定每个子区间的状态量、状态协方差和权重初值,子滤波器权重阈值设置为0.01,机动检测自由度W1=30,机动识别阈值设置为100,重新初始化子滤波器个数Nf=4。蒙特卡洛仿真实验次数为200次,采样时间T=0.1s,角度测量误差分为两种情况讨论,一是角度测量误差较小时,方位角误差σ1=0.1mrad;二是角度测量误差较大时,方位角误差σ2=1mrad。
2.仿真内容和结果分析
(1)角度测量误差较小时
将距离参数化偏差补偿伪线性卡尔曼滤波方法(RPBCPLKF)与本文所提的基于距离参数化和偏差补偿伪线性滤波相结合的机动目标纯方位跟踪方法(MRPBCPLKF)同时进行仿真比较,仿真结果如图5所示。将本文所提方法中偏差补偿伪线性卡尔曼滤波(BCPLKF)与扩展卡尔曼滤波(EKF)、容积卡尔曼滤波(CKF)和伪线性卡尔曼滤波(PLKF)同时进行仿真比较,仿真结果如图6所示。
在方位角测量误差σ1=0.1mrad条件下,未进行机动修正的RPBCPLKF算法在45s处出现了滤波器崩溃无法输出滤波结果的严重问题,而MRPBCPLKF算法在目标机动后误差保持在200m以下,实现了良好的跟踪效果。通过将两种伪线性滤波方法与两种典型的非线性滤波方法跟踪误差仿真比较,可以看出BCPLKF改善了PLKF的估计偏差问题,在测量误差较小时拥有最好的跟踪效果。
(2)角度测量误差较大时
将距离参数化偏差补偿伪线性卡尔曼滤波方法(RPBCPLKF)与本文所提的基于距离参数化和偏差补偿伪线性滤波相结合的机动目标纯方位跟踪方法(MRPBCPLKF)同时进行仿真比较,仿真结果如图7所示。将本文所提方法中偏差补偿伪线性卡尔曼滤波(BCPLKF)与扩展卡尔曼滤波(EKF)、容积卡尔曼滤波(CKF)和伪线性卡尔曼滤波(PLKF)同时进行仿真比较,仿真结果如图8所示。
在方位角测量误差σ2=1mrad条件下,未进行机动修正的RPBCPLKF算法在目标发生机动后滤波误差出现了严重的发散现象,而MRPBCPLKF算法减小了目标机动后的滤波误差。通过将两种伪线性滤波方法与两种典型的非线性滤波方法跟踪误差仿真比较,可以看出BCPLKF改善了PLKF的估计偏差问题,在测量误差较大时也拥有与非线性滤波算法接近的跟踪效果。
综上所述,为了提高纯方位目标跟踪的精确性与通用性,本发明提出了一种纯角度量测下机动目标跟踪方法,仿真结果证明了该方法的有效性和可行性,使得该算法可用于地面目标的无源定位中。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (8)
1.一种纯角度量测下机动目标跟踪方法,其特征在于,包括以下步骤:
步骤1、子滤波器初值选取:获取目标初始位置与观测平台的距离区间范围,基于距离参数化的思想将该区间分为多个子区间,确定各子区间内目标初始距离的均值、标准差和权重,从而获得各子区间对应的子滤波器状态、协方差和权重的初值;
步骤2、纯方位目标跟踪:根据前一时刻每个子滤波器的状态值与协方差,结合当前时刻角度测量值,采用偏差补偿伪线性滤波算法更新子滤波器状态值与状态协方差,并根据量测似然函数更新子滤波器权重并进行归一化;
步骤3,小权重子滤波器移除:设置滤波器权重阈值,将小于权重阈值的子滤波器移除,并对其余子滤波器权重作归一化处理,当子滤波器个数为一时进入步骤4,否则进入步骤5;
步骤4、机动检测:设置机动识别阈值,计算当前时刻机动检测因子,当机动检测因子大于识别阈值时,则保持目标位置坐标不变,在速度上分出多个方向,每个速度方向对应一个新的目标状态,根据这些状态量生成子滤波器的状态初值,当下一个时刻角度测量值输入后更新这些子滤波器的状态、协方差和权重,否则直接进入步骤5;
步骤5、目标状态输出:根据各子滤波器的状态值与权重,加权融合输出当前时刻目标状态估计结果,下一个时刻再跳转步骤2。
2.根据权利要求1所述的纯角度量测下机动目标跟踪方法,其特征在于,步骤1,子滤波器初值选取,具体方法如下:
假设目标初始位置与观测平台的距离在(rmin,rmax)上分布,将该区间分为N个小区间,其中第n个小区间为(rminρn-1,rminρn),其中比例因子ρ的表达式为:
通过各区间目标距离统计信息以及获得的角度信息,实现目标各区间位置初始化;
其中,Mxn和Myn为第n个小区间内目标在两轴方向上的初始位置状态,Mpx和Mpy分别为目标在两轴方向上的初始位置协方差,θ为初始时刻测量的角度信息;
将速度初值选取为0,根据目标类型选择一个先验的速度初始标准差σv,实现目标各区间速度初始化;
3.根据权利要求1所述的纯角度量测下机动目标跟踪方法,其特征在于,步骤2,子滤波器跟踪,具体方法如下:
若当前时刻为初始时刻,采用步骤1所得子滤波器状态和协方差的初值作为对应子滤波器的输入,若当前时刻不为初始时刻,则将上一个时刻子滤波器跟踪的状态与协方差估计值作为对应子滤波器输入;在各子滤波器滤波过程中,利用伪线性卡尔曼滤波算法构造伪线性量测方程,获得伪线性量测值、伪线性量测矩阵和伪线性量测噪声,将常速运动模型作为目标运动模型,输入当前时刻目标角度测量值,在卡尔曼滤波框架下获得状态估计值和状态协方差估计值,计算伪线性卡尔曼滤波估计偏差,通过对估计误差做偏差补偿的方式更新子滤波器状态估计值,具体的:
设k时刻目标的位置和速度表示为pk和vk,目标状态向量表示为观测站位置表示为sk=[sx,k,sy,k]T,k时刻真实角度表示为βk,观察站测量得到的角度表示为测量方程表示为其中nk是均值为0、方差为的测量噪声;构造伪线性量测方程如下:
zk=Hkxk+ηk
(2)计算状态协方差预测值Pk|k-1:
除了更新各子滤波器状态信息之外,距离参数化在子滤波器滤波结束后还需获取下一时刻各区间的权重,根据量测似然函数对权重区间进行更新并进行归一化处理;
5.根据权利要求3所述的纯角度量测下机动目标跟踪方法,其特征在于,步骤4,机动检测,具体方法如下:
定义k时刻机动检测因子为:
设置机动识别阈值Tm2,若Ik<Tm2时,认为目标未发生机动,直接输出当前滤波器的目标状态估计值;若出现Ik>Tm2时,认为目标已经发生了机动,这意味着在k时刻估计的目标新息,包括距离、航向和速度,已经偏离了真实的目标信息;
初始化前标记唯一的子滤波器为“only”,将其状态、状态协方差、权重表示为 和当检测到目标存在机动后,在k时刻初始化Nf个子滤波器,每个子滤波器具有不同的目标初始航向角值;k时刻第j个子滤波器的状态初始化表示为:
若机动检测后执行了重新初始化操作,则k时刻子滤波器权重与状态如上所示,子滤波器个数调整为N=Nf,若机动检测后未执行重新初始化操作,则k时刻子滤波器仍为原先的唯一滤波器,它的权重为1。
6.一种纯角度量测下机动目标跟踪系统,其特征在于,基于权利要求1-5任一项所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
7.一种计算机设备,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计算机程序时,基于权利要求1-5任一项所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
8.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,基于权利要求1-5任一项所述的纯角度量测下机动目标跟踪方法,实现纯角度量测下的机动目标跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130895.XA CN116125462A (zh) | 2023-02-17 | 2023-02-17 | 一种纯角度量测下机动目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310130895.XA CN116125462A (zh) | 2023-02-17 | 2023-02-17 | 一种纯角度量测下机动目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116125462A true CN116125462A (zh) | 2023-05-16 |
Family
ID=86309879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310130895.XA Pending CN116125462A (zh) | 2023-02-17 | 2023-02-17 | 一种纯角度量测下机动目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116125462A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843727A (zh) * | 2023-09-01 | 2023-10-03 | 广东师大维智信息科技有限公司 | 一种跨视频源的目标交接定位方法及系统 |
-
2023
- 2023-02-17 CN CN202310130895.XA patent/CN116125462A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843727A (zh) * | 2023-09-01 | 2023-10-03 | 广东师大维智信息科技有限公司 | 一种跨视频源的目标交接定位方法及系统 |
CN116843727B (zh) * | 2023-09-01 | 2023-11-24 | 广东师大维智信息科技有限公司 | 一种跨视频源的目标交接定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Karlsson et al. | Recursive Bayesian estimation: bearings-only applications | |
CN107192995B (zh) | 一种多层次信息融合的纯方位水下目标跟踪算法 | |
Kalandros et al. | Tutorial on multisensor management and fusion algorithms for target tracking | |
Akca et al. | Multiple model Kalman and Particle filters and applications: A survey | |
CN116125462A (zh) | 一种纯角度量测下机动目标跟踪方法 | |
CN111913175A (zh) | 一种传感器短暂失效下带补偿机制的水面目标跟踪方法 | |
CN112766304A (zh) | 一种基于稀疏贝叶斯学习的机动阵列方位估计方法 | |
Liu et al. | Navigation algorithm based on PSO-BP UKF of autonomous underwater vehicle | |
Petetin et al. | Marginalized particle PHD filters for multiple object Bayesian filtering | |
García-Fernández et al. | Iterated statistical linear regression for Bayesian updates | |
Dyckman et al. | Particle filtering to improve GPS/INS integration | |
Havangi | An adaptive particle filter based on PSO and fuzzy inference system for nonlinear state systems | |
Son et al. | SIMM method based on acceleration extraction for nonlinear maneuvering target tracking | |
CN114993341A (zh) | 一种基于天基测量的运载火箭弹道估计方法及装置 | |
Peng et al. | An IMM-VB algorithm for hypersonic vehicle tracking with heavy tailed measurement noise | |
Naga Divya et al. | Stochastic analysis approach of extended H-infinity filter for state estimation in uncertain sea environment | |
Han et al. | Linear recursive automotive target tracking filter for advanced collision warning systems | |
Wang et al. | Particle filter for state and parameter estimation in passive ranging | |
Hashemi et al. | Doppler and bearing tracking using fuzzy adaptive unscented Kalman filter | |
Fong et al. | Radar sensor fusion via federated unscented Kalman filter | |
Dak et al. | Estimation and interception of a spiralling target on reentry in the presence of non-Gaussian measurement noise | |
Afonin et al. | The adaptive kalman filter in aircraft control and navigation systems | |
Lee et al. | Rao-blackwellized unscented particle filter for a handheld unexploded ordnance geolocation system using IMU/GPS | |
CN109035301B (zh) | 一种基于斥力模型修正随机矩阵算法的群组目标跟踪方法 | |
Tang et al. | Underwater target tracking algorithm based on nonlinear RTS smoothing SVD-UKF with adaptive coefficients |
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 |