CN116953692A - 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 - Google Patents
一种主动雷达和被动雷达协同跟踪下的航迹关联方法 Download PDFInfo
- Publication number
- CN116953692A CN116953692A CN202311076284.8A CN202311076284A CN116953692A CN 116953692 A CN116953692 A CN 116953692A CN 202311076284 A CN202311076284 A CN 202311076284A CN 116953692 A CN116953692 A CN 116953692A
- Authority
- CN
- China
- Prior art keywords
- track
- radar
- local
- association
- passive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 25
- 230000004927 fusion Effects 0.000 claims description 16
- 238000000926 separation method Methods 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 34
- 238000010586 diagram Methods 0.000 description 25
- 238000012360 testing method Methods 0.000 description 13
- 238000004088 simulation Methods 0.000 description 9
- 230000007704 transition Effects 0.000 description 6
- 230000014759 maintenance of location Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000012093 association test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- 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
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
-
- 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
- G01S13/87—Combinations of radar systems, e.g. primary radar and secondary radar
-
- 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
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种主动雷达和被动雷达协同跟踪下的航迹关联方法,涉及信息技术领域,包括:对主动雷达的量测数据进行滤波处理,得到主动雷达的局部航迹;对被动雷达的量测数据进行滤波处理,得到被动雷达的局部航迹;确定是否存在关联航迹,关联航迹包括一对相互关联的主动雷达的局部航迹和被动雷达的局部航迹;其中,关联航迹包括航迹关联期、航迹检验期和航迹保持期,在航迹保持期,实时判断关联航迹是否保持;将关联航迹进行融合,确定目标状态估计。本发明能够得到正确的目标航迹。
Description
技术领域
本发明属于信息技术领域,具体涉及一种主动雷达和被动雷达协同跟踪下的航迹关联方法。
背景技术
雷达系统的发展是为了满足越来越复杂的任务和更多的功能,而分布式主被动雷达协同跟踪系统,是将主动雷达和被动雷达结合使用,同时利用两种雷达对目标信息进行探测,共同对目标进行跟踪。主被动雷达协同可以充分发挥主动雷达和被动雷达的效果,提高雷达生存能力、增强系统可信度。在此系统中,需要进行航迹与航迹之间的关联,用来确定哪些航迹对于同一目标,进而通过航迹融合形成全局航迹。
相关技术中,对主被动雷达协同跟踪的航迹关联的问题,已有不少研究者提出了技术方案。目前针对于主被动雷达协同跟踪的航迹关联主要有以下两个思路:第一种是基于统计学的航迹关联算法,如最邻近算法(NN)、MK-NN算法等,其中MK-NN航迹关联算法主要通过定义主被动雷达的航迹关联质量、脱离质量和航迹间位置差的平均范数等来解决,通过历史检验和当前的检验相结合将整个算法分为关联、检验和保持三个时期。在关联检验进入保持期后,关联对和关联映射赋值便确定了,不再进行假设检验和正确性检查。第二种是基于模糊数学的航迹关联算法。模糊综合函数算法主要是基于模糊集理论的思想,根据隶属度函数和综合函数的具体模型的选择来计算综合相似度,同时引入航迹关联质量来进行关联判断,从而判断主被动雷达是否跟踪同一目标。
现有技术中,针对于MK-NN航迹关联算法而言,当关联检验进入保持期后,关联对和关联映射赋值便确定了,不再进行假设检验和正确性检查,此时可以完全确定两条航迹成功关联。但是在实际应用中,当主动雷达和被动雷达同时跟踪同一目标,如果算法已经进入保持期,其中主动雷达受到无源干扰,此时若再直接将主被动雷达的局部航迹进行融合,势必会得到错误的结果。
因此,亟需改善现有技术中存在的缺陷。
发明内容
为了解决现有技术中存在的上述问题,本发明提供了一种主动雷达和被动雷达协同跟踪下的航迹关联方法。本发明要解决的技术问题通过以下技术方案实现:
第一方面,本发明提供一种主动雷达和被动雷达协同跟踪下的航迹关联方法,包括:
对主动雷达的量测数据进行滤波处理,得到主动雷达的局部航迹;对被动雷达的量测数据进行滤波处理,得到被动雷达的局部航迹;
确定是否存在关联航迹,关联航迹包括一对相互关联的主动雷达的局部航迹和被动雷达的局部航迹;其中,关联航迹包括航迹关联期、航迹检验期和航迹保持期,在航迹保持期,实时判断关联航迹是否保持;
将关联航迹进行融合,确定目标状态估计。
本发明的有益效果:
本发明提供的一种主动雷达和被动雷达协同跟踪下的航迹关联方法,针对于主被动雷达协同跟踪且受到雷达无源干扰的情况下,在MK-NN算法的基础上,保留关联期和检查期,对保持期进行改进,引入滑窗法实时的进行航迹关联,在识别出主动雷达受到干扰后,将被动雷达的局部航迹作为融合航迹输出,得到最终正确的目标航迹。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明实施例提供的主动雷达和被动雷达协同跟踪下的航迹关联方法的一种流程图;
图2是本发明实施例提供的MK-NN算法的跟踪的一种效果图;
图3是本发明实施例提供的目标方位角跟踪的一种效果图;
图4是本发明实施例提供的目标的俯仰角跟踪的一种效果图;
图5是本发明实施例提供的MK-NN算法的跟踪的另一种效果图;
图6是本发明实施例提供的MK-NN算法的跟踪的另一种效果图;
图7是本发明实施例提供的MK-NN算法的跟踪的另一种效果图;
图8是本发明实施例提供的MK-NN算法与本发明的效果对比的一种示意图;
图9是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图;
图10是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图;
图11是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图;
图12是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图;
图13是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述,但本发明的实施方式不限于此。
请参见图1所示,图1是本发明实施例提供的主动雷达和被动雷达协同跟踪下的航迹关联方法的一种流程图,本发明所提供的一种主动雷达和被动雷达协同跟踪下的航迹关联方法,包括:
S101、对主动雷达的量测数据进行滤波处理,得到主动雷达的局部航迹;对被动雷达的量测数据进行滤波处理,得到被动雷达的局部航迹。
具体而言,本实施例中,分别对主动雷达和被动雷达的量测数据和状态变量数据进行近似线性化处理,得到处理后的量测数据和状态变量数据;再对处理后的量测数据和状态变量数据进行扩展卡尔曼滤波处理,得到主动雷达的局部航迹和被动雷达的局部航迹;具体为:
雷达n关于机动目标的非线性状态转移方程Xn,k+1和量测方程Zn,k分别为:
Xn,k+1=f(Xn,k)+Wn,k (1);
其中,Xn,k+1为第k+1时刻的状态变量,f(Xn,k)为状态向量转移函数,Wn,k为第k时刻的服从高斯分布的主动雷达的噪声输入;Zn,k为主动雷达的量测数据,为量测向量转移函数,Vn,k为量测噪声向量。
将公式(1)进行泰勒级数展开并保留一阶项,得到的近似线性化的状态转移方程,其表达式为:
其中,为对当前时刻的状态变量进行滤波后得到的状态转移滤波值,Xn,k为当前时刻的状态变量。
上式(3)的雅克比矩阵定义为:
其中,Fk为状态转移方程的雅克比矩阵。
根据状态转移方程的雅克比矩阵,解得的近似线性化后的状态变量的表达式为:
Xn,k+1=FkXn,k+Φn,k+Wn,k (5);
其中,Fk为状态转移方程的雅克比矩阵,Xn,k+1为第k+1时刻的状态变量,Wn,k为第k时刻的服从高斯分布的主动雷达的噪声输入。
将公式(2)在状态预测值处进行泰勒级数展开,并保留一阶项,可得:
其中,Zn,k为当前时刻的量测数据,为下一时刻的状态预测值。
上式(7)中的雅克比矩阵定义为:
其中,Hn,k为量测方程的雅克比矩阵。
根据量测方程的雅克比矩阵,解得的近似线性化的主动雷达量测数据满足下述公式:
Zn,k=Hn,kXn,k+Γn,k+Vn,k (9);
其中,Zn,k为近似线性化后的当前时刻的量测数据,Vn,k为第k时刻的服从高斯分布的主动雷达的噪声输入,Hn,k为量测方程的雅克比矩阵。
通过以上方法,分别得到主动雷达的近似线性的量测数据和状态变量数据、以及被动雷达的近似线性的量测数据和状态变量数据。
将状态转移方程和量测方程近似线性化之后,利用标准卡尔曼滤波器进行目标运动状态的估计,根据上一时刻主动雷达和被动雷达的状态变量滤波值,确定当前时刻主动雷达和被动雷达的状态变量的预测值;再根据状态变量预测值确定量测数据的预测值和状态变量误差协方差矩阵的预测值;在根据主动雷达和被动雷达的状态变量误差协方差矩阵的预测值,确定主动雷达和动雷达的滤波增益;最后根据滤波增益、上一时刻的状态变量滤波值和量测数据等,确定当前时刻的状态变量滤波值和状态变量误差值协方差矩阵,即得到扩展卡尔曼滤波的滤波结果;具体过程为:
根据上一时刻的目标状态滤波值对当前时刻的目标状态进行预测,其表达式为:
其中,为当前时刻主动雷达的状态变量的预测值,/>为上一时刻的主动雷达的状态变量的滤波值。
根据目标状态预测值获取量测预测值,其表达式为:
其中,Zn,k|k-1为主动雷达量测数据的预测值。
雷达的状态误差协方差矩阵的预测值的表达式为:
其中,Pn,k|k-1为状态误差协方差矩阵的预测值,Fk为状态转移方程的雅克比矩阵,Qn,k为量测噪声协方差矩阵,Pn,k为状态误差协方差矩阵。
雷达的滤波增益的表达式为:
其中,Kn,k为滤波增益。
对目标的状态和对应的状态误差协方差矩阵进行更新,其表达式为:
Pn,k=[I-Kn,kHn,k]Pn,k|k-1 (16);
其中,为当前时刻的状态变量滤波值。
根据目标状态的表达式,获取主动雷达的局部航迹和被动雷达的局部航迹。
S102、确定是否存在关联航迹,关联航迹包括一对相互关联的主动雷达的局部航迹和被动雷达的局部航迹;其中,关联航迹包括航迹关联期、航迹检验期和航迹保持期,在航迹保持期,实时判断关联航迹是否保持。
具体而言,本实施例中,主动雷达和被动雷达可以存在多条航迹,可以将主动雷达的多条航迹与被动雷达的多条航迹一一进行匹配,确定其是否关联。
在关联期内,可以通过修正的K近邻域法,确定每一个主动雷达的局部航迹和被动雷达的局部航迹之间的关联系数或脱离系数。然后根据关联系数,确定进入航迹关联期;再判断是否进入航迹检验期间,在航迹检验期内确定基本关联航迹的关联指数;若基本关联航迹的关联指数大于或者等于第二关联阈值,可以将该对基本关联航迹确定为关联航迹。若存在关联航迹则可以进入航迹保持期。在航迹保持期时,实时判断关联航迹是否保持;根据是否实时保持关联,输出系统航迹作为目标的航迹。
本实施例中,在关联期内,通过修正的K近邻域法,确定主动雷达的局部航迹和被动雷达的局部航迹的状态估计误差值,然后根据状态估计误差值,对主动雷达的局部航迹和被动雷达的局部航迹进行N0次假设检验。若第l次的假设检验的结果为真,则给第l时刻的关联系数加1;否则,给第l时刻的脱离系数加1。若一对局部航迹之间的关联系数大于或者等于第一关联阈值,则将该对局部航迹确定为基本关联航迹;若一对局部航迹之间的脱离系数大于第一脱离阈值,则停止、撤销对该对局部航迹的关联。
本实施例中,主动雷达的局部航迹和被动雷达的局部航迹的状态估计误差值满足下述公式:
其中,为主动雷达的局部航迹和被动雷达的局部航迹在第l时刻的状态估计误差值,/>为局部结点r在第l时刻的主动雷达的局部航迹的估计值,Pi r(l/l)为主动雷达的局部航迹估计值的误差协方差,/>为局部节点ir在第l时刻的被动雷达的局部航迹的估计值,/>为被动雷达的局部航迹估计值的误差协方差。
本实施例中,根据状态估计误差值对主动雷达的局部航迹和被动雷达的局部航迹进行如下假设检验:
其中,Lij(l)为关联准则,为域值矢量。
若假设检验的结果为真,则关联系数可以满足下述公式:
Mij(l)=Mij(l-1)+1 (19);
其中,Mij(l)为第l时刻的关联系数。
若假设检验的结果为假,则脱离系数满足下述公式:
Dij(l)=Dij(l-1)+1 (20);
其中,Dij(l)为第l时刻的脱离系数。
需要说明的是,关联系数和脱离系数之和为关联期点数,即为关联期进行假设检验的总次数。
需要说明的是,第一关联阈值的取值范围可以为:3·N0/4≤Mij(N0)≤N0,这样可以提高航迹关联的准确性。
在本发明的一种可选地实施例中,若在关联期内出现多条局部航迹与另一条局部航迹关联时,可以将位置差矢量序列平均范数最小的一条作为关联航迹;如果关联期结束时某一航迹仍未找到匹配的关联对,则进行冗余关联,选择关联系数最大的一条航迹作为该航迹的关联航迹。若存在两条航迹之间的关联系数大于或者等于绝对关联阈值,则不论这两条航迹是否关联其他航迹,都将这两条航迹确定为基本关联航迹。
在本发明的一种可选地实施例中,基本关联航迹已经有很大的概率相互关联,但是仍然存在关联错误的可能,为了减小关联误差,可以通过严格的检验条件对基本关联航迹进行多次关联检查。若基本关联航迹通过一次关联检查,则对基本关联航迹的关联指数加1,若不通过,则对关联指数减1,关联指数的初始值为0。若基本关联航迹的关联指数大于等于第二关联阈值,则将基本关联航迹确定为关联航迹。若关联指数小于等于第二脱离阈值则撤销对这两条航迹的关联。若关联指数为中间值还可以额外再对该基本关联航迹进行多次关联检查。
例如,若在检查期内一共对基本关联航迹进行3次关联检查,若该对基本关联航迹的关联指数为3,即第二关联阈值,则将该对基本关联航迹确定为关联航迹。若该对基本关联航迹的关联指数小于等于-1,即第二脱离阈值,则撤销该对基本关联航迹的关联。若该对基本关联航迹的关联指数为1,即中间值,可以再对该对基本关联航迹进行2次关联检查,根据这5次关联检查得到的关联指数在进行判断。
应理解,检查期内进行关联检查的总次数不同,第二关联阈值和第二撤销阈值、中间值的具体数值也随之变化。
在本发明的一种可选地实施例中,通过当前航迹点对整条航迹的方差进行检验,得到检验统计量。根据检验统计量的大小确定此次关联检查是否通过。每次关联检查的检验统计量满足下述公式:
其中,ωij(l)为检验统计量,为局部结点r在第l时刻的主动雷达的局部航迹的估计值,Pi r(l/l)为主动雷达的局部航迹估计值的误差协方差,/>为局部节点ir在第l时刻的被动雷达局的部航迹的估计值,/>为被动雷达的局部航迹估计值的误差协方差,β为修正系数。
若此次关联检查的检验统计量小于或者等于统计阈值,则确定基本关联航迹通过此次关联检查。否则,确定基本关联航迹没有通过此次关联检查。
在本发明的一种可选地实施例中,在航迹保持期,实时判断关联航迹是否保持,包括:
根据关联轨迹中的主动雷达的局部轨迹和被动雷达的局部轨迹,使用滑窗方法实时判断关联轨迹是否保持。
其中,使用滑窗方法实时判断关联轨迹是否保持,包括:
构建缓存区,缓存区中点迹的数量为N1;
确定采样周期,将当前采样周期的点迹放入缓存区的最后一个位置,将缓存区中后N1-1个点迹前移一个位置;
获取点迹的实时统计量,如果关联成功的点迹数量小于第一阈值,则缓存区不再更新,确定关联轨迹没有保持。
实时统计量的表达式为:
其中,dij(l)为实时统计量,为局部节点r在第l时刻的主动雷达的局部航迹的估计值,Pi r(l/l)为主动雷达的局部航迹估计值的误差协方差,/>为局部节点ir在第l时刻的被动雷达的局部航迹的估计值,/>为被动雷达的局部航迹估计值的误差协方差,i为主动雷达,j为被动雷达。
可选地,第一阈值根据实时统计量的自由度nx和显著性水平α确定的。
可选地,实时统计量服从χ2分布。
可以理解的是,进入航迹保持期的主动雷达的局部航迹和被动雷达的局部航迹之间已经高度关联,但是如果其中一条航迹受到外界干扰,航迹产生了偏移,此时再直接将两条已经进入保持期的局部航迹进行融合,势必会得到错误的结果,因此在保持期同样采用严格检验条件对关联对的正确性进行实时关联检查。
S103、将关联航迹进行融合,确定目标状态估计。
具体而言,本实施例中,对于主动雷达的局部航迹与被动雷达的局部航迹关联成功的情况,将两个局部航迹进行融合;对于在航迹保持期,主动雷达的局部航迹与被动雷达的局部航迹没有关联成功的情况,将被动雷达的局部航迹作为目标状态估计。
本实施例中,航迹融合是将关联航迹按照一定准则合并成系统航迹的过程。本实施例采用凸组轨迹融合算法。
主动雷达和被动雷达的目标状态估计和预测协方差矩阵分别为和/>P1和P2。航迹融合的主要工作是通过融合算法得到更优的目标状态估计/>以及预测协方差矩阵PF。在进行航迹融合时,两条航迹的估计误差是相互独立的。
凸组轨迹融合算法是通过最小均方估计误差原则对两条轨迹进行融合的,融合后的目标轨迹状态估计值的表达式为:
其中,PF为融合后的预测协方差,其表达式为:
PF=P1(P1+P2)-1P2=(P1 -1+P2 -1)-1 (24);
对于航迹关联失败的情况,由于雷达无源干扰只针对于主动雷达,因此将被动雷达的航迹作为融合航迹输出,目标状态估计为:
PF=P2 (26)。
综上所述,本发明提供的主动雷达和被动雷达协同跟踪下的航迹关联方法,针对于主被动雷达协同跟踪且受到雷达无源干扰的情况下,在MK-NN算法的基础上,保留关联期和检查期,对保持期进行改进,引入滑窗法实时的进行航迹关联,在识别出主动雷达受到干扰后,将被动雷达的局部航迹作为融合航迹输出,得到最终正确的目标航迹。
在本发明的一种可选地实施例中,通过仿真实验对上述实施例提供的方法的效果进行验证。
一、仿真参数
设置仿真实验对MK-NN和本发明的抗干扰能力进行验证和对比。
仿真场景的设置是装载雷达的飞行器对机动目标的探测跟踪,在跟踪过程中,会受到雷达无源干扰的影响。具体如下:载有雷达的飞机(以下简称载机)沿X轴做匀加速直线运动,初始时刻状态为:
radar(0)=[50m,0m/s,2m/s2,100m,0m/s,0m/s2,2100m,0m/s,-2m/s2];
机动目标沿X轴做匀速直线运动,机动目标初始状态为:
X(0)=[50m,50m/s,0m/s2,100m,0m/s,0m/s2,100m,0m/s,0m/s2];
其中,主动雷达的测距误差标准差为3m,方位角和俯仰角的测量误差标准差为0.3rad,被动雷达的方位角和俯仰角的测量误差标准差为0.2rad,扫描周期都为20ms,假设在1300点时刻时,在机动目标周围加入雷达无源干扰,导致主动雷达量测相对于目标沿Y轴做匀速直线运动,初始状态为:
passive(0)=[50m,50m/s,0m/s2,100m,-5m/s,0m/s2,100m,0m/s,0m/s2];
将上述过程进行100次蒙特卡洛仿真。
二、仿真结果
图2~图7为采用MK-NN算法的跟踪效果图。
请参见图2所示,图2是本发明实施例提供的MK-NN算法的跟踪的一种效果图,由图可见,分别是真实目标轨迹,机载雷达运动轨迹,以及主动雷达、被动雷达单独跟踪效果,经过MK-NN算法关联后,主被动雷达融合跟踪效果图,可以看出被动雷达稳定跟踪机动目标,而主动雷达在受到无源干扰后,偏移目标航迹,而采用MK-NN算法,即使主动雷达受到干扰,主被动雷达依旧关联,从而融合结果也偏离目标航迹。
请参见图3所示,图3是本发明实施例提供的目标方位角跟踪的一种效果图,与图1同理,被动雷达稳定跟踪,主动雷达受到干扰,从而主被动雷达关联后融合结果跟踪失败。
请参见图4所示,图4是本发明实施例提供的目标的俯仰角跟踪的一种效果图,由图可见,该仿真场景下对俯仰角跟踪无影响。
请参见图5和图6所示,图5是本发明实施例提供的MK-NN算法的跟踪的另一种效果图,图6是本发明实施例提供的MK-NN算法的跟踪的另一种效果图;分别表示主动雷达、被动雷达、主被动雷达融合对目标的距离均方根误差和方位角均方根误差,由图可见,主动雷达在受到干扰后,误差急剧变大,而被动雷达由于未受到干扰,跟踪效果良好,因此主被动融合跟踪误差也变大。
请参见图7所示,图7是本发明实施例提供的MK-NN算法的跟踪的另一种效果图,图7为由于该仿真场景下对俯仰角跟踪无影响,因此俯仰角均方根误差都很小,但依旧可看出由于被动雷达的角度量测误差较小,因此被动雷达的俯仰角均方根误差最小,主动雷达较大。
图8~图13为MK-NN与本发明的效果对比图,为更好体现对比效果,只保留航迹关联后主被动雷达融合后的效果图。
请参见图8所示,图8是本发明实施例提供的MK-NN算法与本发明的效果对比的一种示意图,采用MK-NN算法的跟踪轨迹在受到干扰后,偏离目标,而本发明目标跟踪轨迹在主动雷达受到干扰后,在判定主被动雷达不关联时,不再进行航迹融合,直接采用被动雷达航迹作为跟踪结果,因此仍能稳定跟踪目标。
请参见图9所示,图9是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图,针对于方位角跟踪,采用MK-NN算法的方位角跟踪在受到干扰后,同样偏离目标,而本发明稳定跟踪。
请参见图10所示,图10是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图,针对于俯仰角跟踪,可以看出,该仿真场景下对俯仰角跟踪无影响。
请参见图11所示,图11是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图,由图可见,采用MK-NN算法的距离均方根误差值,在主动雷达受到干扰后,误差急剧变大,而本发明,在判定主被动雷达不关联时,不再进行航迹融合,直接采用被动雷达航迹作为跟踪结果,因此距离跟踪效果较好。
请参见图12所示,图12是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图,针对于方位角均方根误差,采用MK-NN算法,在主动雷达受到干扰后,误差急剧变大,而本发明跟踪效果良好。
请参见图13所示,图13是本发明实施例提供的MK-NN算法与本发明的效果对比的另一种示意图,由于该仿真场景下对俯仰角跟踪无影响,两者的俯仰角均方根误差都很小。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外,本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (8)
1.一种主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,包括:
对主动雷达的量测数据进行滤波处理,得到主动雷达的局部航迹;对被动雷达的量测数据进行滤波处理,得到被动雷达的局部航迹;
确定是否存在关联航迹,所述关联航迹包括一对相互关联的所述主动雷达的局部航迹和所述被动雷达的局部航迹;其中,所述关联航迹包括航迹关联期、航迹检验期和航迹保持期,在所述航迹保持期,实时判断所述关联航迹是否保持;
将所述关联航迹进行融合,确定目标状态估计。
2.根据权利要求1所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,所述在所述航迹保持期,实时判断所述关联航迹是否保持,包括:
根据所述关联轨迹中的所述主动雷达的局部轨迹和所述被动雷达的局部轨迹,使用滑窗方法实时判断所述关联轨迹是否保持。
3.根据权利要求2所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,所述使用滑窗方法实时判断所述关联轨迹是否保持,包括:
构建缓存区,所述缓存区中点迹的数量为N1;
确定采样周期,将当前采样周期的点迹放入所述缓存区的最后一个位置,将缓存区中后N1-1个点迹前移一个位置;
获取点迹的实时统计量,如果关联成功的点迹数量小于第一阈值,则缓存区不再更新,确定所述关联轨迹没有保持。
4.根据权利要求3所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,所述实时统计量的表达式为:
其中,dij(l)为实时统计量,为局部节点r在第l时刻的主动雷达的局部航迹的估计值,Pi r(l/l)为主动雷达的局部航迹估计值的误差协方差,/>为局部节点ir在第l时刻的被动雷达的局部航迹的估计值,/>为被动雷达的局部航迹估计值的误差协方差,i为主动雷达,j为被动雷达。
5.根据权利要求1所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,所述将所述关联航迹进行融合,确定目标状态估计,包括:
在所述航迹保持期,所述关联航迹保持,则将相互关联的所述主动雷达的局部航迹和所述被动雷达的局部航迹进行融合,得到目标状态估计;
在所述航迹保持期,所述关联航迹没有保持,根据所述被动雷达的局部航迹,得到目标状态估计。
6.根据权利要求5所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,所述目标状态估计的表达式为:
其中,为所述主动雷达的局部航迹,/>为所述被动雷达的局部航迹,P1为所述主动雷达的局部航迹的预测协方差矩阵,P2为所述被动雷达的局部航迹的预测协方差矩阵,PF为融合后的局部航迹的预测协方差矩阵。
7.根据权利要求6所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,所述融合后的局部航迹的预测协方差矩阵的表达式为:
PF=P1(P1+P2)-1P2=(P1 -1+P2 -1)-1;
其中,P1为主动雷达的局部航迹的预测协方差矩阵,P2为所述被动雷达的局部航迹的预测协方差矩阵,PF为所述融合后的局部航迹的预测协方差矩阵。
8.根据权利要求1所述的主动雷达和被动雷达协同跟踪下的航迹关联方法,其特征在于,通过修正的K近邻域法,确定是否存在关联轨迹,包括:
通过修正的K近邻域法,在所述航迹关联期内,确定每个主动雷达的局部航迹和每个被动雷达的局部航迹之间的关联系数或脱离系数,所述关联系数和所述脱离系数之和为关联期点数;
根据所述关联系数和所述脱离系数,确定基本关联航迹,进入航迹关联期,所述基本关联航迹包括的所述主动雷达的局部航迹和所述被动雷达的局部航迹之间的关联系数大于或者等于第一关联阈值;
确定所述基本关联航迹的所述主动雷达的局部航迹和被动雷达的局部航迹之间的关联指数;
将所述主动雷达的局部航迹和被动雷达的局部航迹之间的关联指数大于或者等于第二关联阈值的所述基本关联航迹确定为所述关联航迹,即进入航迹检验期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076284.8A CN116953692A (zh) | 2023-08-24 | 2023-08-24 | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311076284.8A CN116953692A (zh) | 2023-08-24 | 2023-08-24 | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116953692A true CN116953692A (zh) | 2023-10-27 |
Family
ID=88453080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311076284.8A Pending CN116953692A (zh) | 2023-08-24 | 2023-08-24 | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116953692A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233745A (zh) * | 2023-11-15 | 2023-12-15 | 哈尔滨工业大学(威海) | 一种在非平稳平台的对海机动目标跟踪方法 |
-
2023
- 2023-08-24 CN CN202311076284.8A patent/CN116953692A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233745A (zh) * | 2023-11-15 | 2023-12-15 | 哈尔滨工业大学(威海) | 一种在非平稳平台的对海机动目标跟踪方法 |
CN117233745B (zh) * | 2023-11-15 | 2024-02-09 | 哈尔滨工业大学(威海) | 一种在非平稳平台的对海机动目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113074739B (zh) | 基于动态鲁棒容积卡尔曼的uwb/ins融合定位方法 | |
CN112613532B (zh) | 基于雷达与循环神经网络补全红外融合的动目标跟踪方法 | |
CN106443622A (zh) | 一种基于改进联合概率数据关联的分布式目标跟踪方法 | |
CN116953692A (zh) | 一种主动雷达和被动雷达协同跟踪下的航迹关联方法 | |
CN109975798A (zh) | 一种基于毫米波雷达与摄像头的目标检测方法 | |
CN109581359A (zh) | 一种esm无源信息与雷达有源信息关联的方法 | |
CN111259332B (zh) | 一种杂波环境下的模糊数据关联方法及多目标跟踪方法 | |
CN109214432B (zh) | 一种多传感器多目标联合检测、跟踪与分类方法 | |
Stachniss et al. | Analyzing gaussian proposal distributions for mapping with rao-blackwellized particle filters | |
CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN113466890A (zh) | 基于关键特征提取的轻量化激光雷达惯性组合定位方法和系统 | |
CN113433828B (zh) | 一种多机器人动态目标跟踪协同控制方法 | |
Qian et al. | An INS/DVL integrated navigation filtering method against complex underwater environment | |
Zhu et al. | Accurate position estimation of mobile robot based on cyber-physical-social systems (CPSS) | |
Li et al. | An improved observation model for Monte-Carlo localization integrated with reliable reflector prediction | |
Han et al. | A multi-platform cooperative localization method based on dead reckoning and particle filtering | |
CN115098609A (zh) | 多传感器联合空时偏差校准及多目标关联融合方法及装置 | |
CN113219452A (zh) | 未知视域下的分布式多雷达联合配准与多目标跟踪方法 | |
Yan et al. | Explainable Gated Bayesian Recurrent Neural Network for Non-Markov State Estimation | |
CN116973908A (zh) | 一种基于主动雷达和红外传感器的目标追踪及抗干扰方法 | |
Kim et al. | Multitarget tracking with lidar and stereo vision based on probabilistic data association fir filter | |
CN116704388B (zh) | 一种基于视觉的多无人机协同目标定位方法 | |
CN114088086B (zh) | 一种抗测量野值干扰的多目标鲁棒定位方法 | |
Agate et al. | Signature-aided tracking using association hypotheses | |
Tian et al. | Robust Sensor Bias Estimation Based on the Bounded Variables Least Trimmed Squares |
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 |