CN117572408A - 一种大测量误差下雷达高速高机动目标跟踪方法 - Google Patents
一种大测量误差下雷达高速高机动目标跟踪方法 Download PDFInfo
- Publication number
- CN117572408A CN117572408A CN202410063543.1A CN202410063543A CN117572408A CN 117572408 A CN117572408 A CN 117572408A CN 202410063543 A CN202410063543 A CN 202410063543A CN 117572408 A CN117572408 A CN 117572408A
- Authority
- CN
- China
- Prior art keywords
- target
- measurement
- east
- north
- radar
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000006243 chemical reaction Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 229930184760 Radarin Natural products 0.000 claims 1
- 238000009499 grossing Methods 0.000 abstract 1
- 239000002245 particle Substances 0.000 description 9
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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
本发明涉及一种大测量误差下雷达高速高机动目标跟踪方法。该方法包括：通过坐标转换，将雷达极坐标系下的测量值转换为东‑北‑天坐标系下的测量值；通过设置滑窗函数，对前后几个时刻的量测进行预处理，降低测量值的原始测量误差；设置较大且为偶数值的滤波初始化时间段，估计该时间段内测量值的平均值和测量误差的标准差；采用解耦方式，将三维空间中九维状态向量的估计问题转化为一维空间中三个三维状态向量的估计问题；采用匀加速运动模型对坐标转换后的三维量测分别进行滤波；设置滑窗，利用过去一段时间的状态估计，通过二次拟合方法对当前时刻的状态估计进行平滑和修正。本发明通过减小目标展现出来的机动性来降低跟踪难度。
Description
技术领域
本发明属于雷达数据处理领域，具体涉及一种大测量误差下雷达高速高机动目标跟踪方法。
背景技术
目前常用的机动目标跟踪方法主要包括交互式多模型方法0、变结构多模型方法（J.Lan and X.R.Li，“Equivalent-model augmentation for variable-structuremultiple-model estimation，"IEEE Trans.Aerosp.Electron.Syst.， vol.49，no.4，pp.2615-2630,2013.）、粒子滤波方法（YinS,ZhuX.Intelligent Particle Filter andIts Application to Fault Detectionof Nonlinear System【J】.IEEE TransactionsonIndustrial Electronics，2015,62（6）：3852-3861.）等。
其中，交互式多模型方法使用固定的模型集，变结构多模型方法使用可变的模型集。这两种方法虽然能够通过多种运动模型的协同调用较好地匹配目标的机动，但存在的明显问题是多模型并行运算导致的计算量大以及多模型竞争导致的的跟踪延迟，并且当传感器测量误差较大时可能造成模型的错配。粒子滤波方法理论上能够通过粒子在运动空间的密集采样匹配目标所有运动形式，但由于粒子权重的更新依赖于建议密度，在目标运动模式频繁改变的情况下很难获得与目标机动性一致的先验密度，解决这一问题的方法是大量增加粒子数目，但与交互式多模型类似，粒子的并行运算和竞争同样会导致计算量大、跟踪延迟以及粒子错配的问题。在雷达跟踪场景下，计算量大将导致火控计算机资源被过度占用从而影响其它探测性能，跟踪延迟将导致目标状态无法准确估计，模型错配将导致跟踪误差增加。
目前在交互式多模型、粒子滤波研究领域出现了多种改进方法，如通过神经网络学习跟踪误差、优化模型配置等，但仍然难以从本质上解决这三个基本问题。另外，早期使用的机动目标跟踪模型如Singer模型0、CS模型0、Jerk模型0等依赖目标机动的先验知识来设定滤波参数，当模型与目标运动不匹配时容易发散，难以满足雷达高速高机动目标跟踪需求。
以上方法无法准确匹配目标机动的原因主要包括以下两个方面：一是目标机动性强导致的运动模型突变，使得刚通过多帧量测迭代滤波建立起来的跟踪模型无法适应目标运动的新变化，造成跟踪误差增加；二是测量误差大导致的目标量测偏离滤波器预测区域，使得滤波器无法准确地匹配运动模型，从而也造成跟踪误差增加。当同时出现测量误差大以及目标高机动时，目标跟踪的难度会急剧增加。
因此，亟需设计一种能解决上述技术问题的大测量误差下雷达高速高机动目标跟踪方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供了一种大测量误差下雷达高速高机动目标跟踪方法，通过减小目标展现出来的机动性来降低跟踪难度。为了达到上述发明目的，本发明采用以下技术方案：
本发明的一种大测量误差下雷达高速高机动目标跟踪方法，其特殊之处在于包括以下步骤：
步骤1：雷达数据处理系统获取雷达测量的点迹数据并进行点迹凝聚处理后，得到目标的唯一测量值，之后数据处理系统通过坐标转换，将雷达极坐标系下的测量值转换为东-北-天坐标系下的测量值；
所述步骤1的具体过程为：
在雷达目标跟踪中，量测信息通常在以飞机为原点的极坐标或者球坐标系下获得，对于三维雷达，其量测信息包括目标径向距离，方位角/>和俯仰角/>，而目标的运动状态向量通常设为：/>
其中，分别为目标在东-北-天三个方向上的位置，/>分别为对应的东-北-天三个方向上的目标速度，/>分别为对应的东-北-天三个方向上的目标加速度，这时，系统量测和目标状态之间具有如下的非线性方程：
（1）
其中，分别为系统测量得到的距离、方位角和俯仰角，/>分别为相互独立的距离、方位角和俯仰角测量误差，通常假设为零均值的高斯噪声，并将其标准差分别记为/>、/>和/>，基于量测方程（1），通过坐标转换可获得东-北-天坐标系下的目标量测为
（2）
其中，分别为东-北-天坐标系下的目标位置的量测。
步骤2：雷达数据处理系统通过设置滑窗函数，对通过步骤1获取的当前时刻及之前多个时刻的量测进行预处理，降低量测的原始测量误差，并消除由于坐标转换引起的转换误差，同时避免复杂的转换误差估计和补偿运算；
所述步骤2的具体过程为：设置长度为L的滑窗，并设定滑窗的权重矩阵，通过对当前时刻/>以及之前L-1个时刻的量测进行加权求和，估计当前时刻的量测值：
（3）
其中，分别表示/>时刻的东-北-天向位置量测，/>分别表示时刻/>的东-北-天向量测估计值，每一个权重满足/>且所有权重之和满足/>。
步骤3：雷达数据处理系统通过步骤2获取预处理的量测后，通过设置一个较长且为偶数值的滤波初始化时间段，估计该时间段内量测的平均值和测量误差的标准差，避免由于测量误差大以及初始化时间短导致的滤波参数设置不准确问题；
所述步骤3的具体步骤为：
通过步骤2获取预处理的量测，之后设置初始化时间段长度为2N，即，通过对前N个时刻预处理之后的量测取平均值，可以获取目标位置的一个估计值为
（4）
其中，分别表示前N个时刻目标东-北-天向位置的估计值。
同样，通过对后N个时刻预处理之后的量测取平均值，可以获取目标位置的另一个估计值为
（5）
其中，分别表示后N个时刻目标东-北-天向位置的估计值。
将通过公式（4）获得的目标位置的估计值和通过公式（5）获得的目标位置的估计值相减，并与时间差相除可得1:2N时刻内目标速度的估计值为
（6）
其中，分别表示1:2N时刻内目标东-北-天向速度的估计值，并将这个值作为第2N时刻目标速度的估计值，即
（7）
其中，分别表示1:2N时刻内目标东-北-天向速度的估计值。
根据前后N个时刻目标位置的估计值以及1:2N时刻内目标速度的估计值，可得第2N时刻目标位置的估计值为
（8）
其中，分别表示1:2N时刻内目标东-北-天向位置的估计值，/>为N:2N时刻内的时间差的1/2，/>为1:N时刻内的时间差的1/2。
从而完成目标状态估计的初始化；
步骤4：雷达数据处理系统根据量测波动情况估计测量误差的标准差。
所述步骤4的具体步骤为：
通过步骤3得到了目标的状态估计初值，此时，根据预处理之后的当前及之前2N个时刻的量测波动情况，估计测量误差的标准差如下
（9）
（10）
（11）
其中，分别表示估计出的东-北-天向测量误差的标准差。
步骤5：雷达数据处理系统采用匀加速（Constant Acceleration, CA）运动模型对坐标转换后的三维量测分别进行卡尔曼滤波，将东-北-天三维空间中九维状态向量的估计问题转化为东向、北向和天向各一维空间中三维状态向量/>、/>和/>的估计问题，从而大大降低目标体现出来的机动性；
所述步骤5的具体步骤为：通过步骤2获得预处理后的一维量测集合，和/>，通过步骤3获得目标状态估计的初始值/>和，通过步骤4估计出测量误差的标准差/>之后，采用CA模型以及标准卡尔曼滤波器对目标东向运动状态/>、北向运动状态/>和天向运动状态进行估计。
本发明的一种大测量误差下雷达高速高机动目标跟踪方法，具有以下有益效果：
1、利用Matlab处理相同实测数据情况下，与采用交互式多模型的机动目标跟踪方法相比，本发明在仅采用CA模型条件下，对目标位置、速度的跟踪误差平均降低50%以上，跟踪延迟平均降低90%以上，相同资源配置下运算速度平均提升100倍以上，最高提升197倍；
2、利用Matlab处理相同实测数据情况下，与未采用长滑窗技术的滤波初始化方法相比，目标位置和速度初值的估计准确度平均提升50%和80%以上；
3、通过量测预处理，以一种极为简易的方式消除了坐标转换引起的误差，而在去偏转换量测等方法中，往往需要通过复杂的误差估计和补偿运算才能实现；显著降低了雷达探测数据的测量误差，并以很低的计算成本消除了坐标转换引起的误差，避免了去偏转换量（DebiasedConverted Measurement, DCM）和无偏转换量测（Unbiased ConvertedMeasurement, UCM）方法中复杂的转换误差估计和补偿运算；
4、相比未采用量测预处理的跟踪方法，本发明显著提升了目标跟踪精度，并且所有滤波参数均可自适应设定，避免了人为设置滤波参数引起的模型失配问题，进一步减小了大测量误差造成的状态估计抖动问题。
5、通过解耦滤波，大大降低了高速高机动目标体现出来的机动性，使得可以利用普通滤波器完成高机动目标跟踪，避免了交互式多模型等复杂算法造成的计算成本高以及跟踪延迟等问题。
附图说明
图1为本发明一种大测量误差下雷达高速高机动目标跟踪方法的方法实现流程图；
图2为仿真数据的量测预处理效果图；
图3为仿真数据的速度初始化估计值图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例
如图1所示，本发明实施例提供的一种大测量误差下雷达高速高机动目标跟踪方法，该方法包括：
步骤1：雷达数据处理系统获取雷达测量的点迹数据并进行点迹凝聚处理后，得到目标的唯一测量值，之后数据处理系统通过坐标转换，将雷达极坐标系下的测量值转换为东-北-天坐标系下的测量值；
所述步骤1的具体过程为：
在雷达目标跟踪中，量测信息通常在以飞机为原点的极坐标或者球坐标系下获得，对于三维雷达，其量测信息包括目标径向距离，方位角/>和俯仰角/>，而目标的运动状态向量通常设为：/>
其中，分别为目标在东-北-天三个方向上的位置，/>分别为对应的东-北-天三个方向上的目标速度，/>分别为对应的东-北-天三个方向上的目标加速度，这时，系统量测和目标状态之间具有如下的非线性方程：
（1）
其中，分别为系统测量得到的距离、方位角和俯仰角，/>分别为相互独立的距离、方位角和俯仰角测量误差，通常假设为零均值的高斯噪声，并将其标准差分别记为/>、/>和/>，基于量测方程（1），通过坐标转换可获得东-北-天坐标系下的目标量测为
（2）
其中，分别为东-北-天坐标系下的目标位置的量测。
步骤2：雷达数据处理系统通过设置滑窗函数，对通过步骤1获取的当前时刻及之前多个时刻的量测进行预处理，降低量测的原始测量误差，并消除由于坐标转换引起的转换误差，同时避免复杂的转换误差估计和补偿运算；
所述步骤2的具体过程为：设置长度为L的滑窗，并设定滑窗的权重矩阵，通过对当前时刻/>以及之前L-1个时刻的量测进行加权求和，估计当前时刻的量测值：
（3）
其中，分别表示时刻/>的东-北-天向位置量测，/>分别表示时刻的东-北-天向量测估计值，每一个权重满足/>且所有权重之和满足/>。经过步骤2处理后的量测如附图2所示。
步骤3：雷达数据处理系统通过步骤2获取预处理的量测后，通过设置一个较长且为偶数值的滤波初始化时间段，估计该时间段内量测的平均值和测量误差的标准差，避免由于测量误差大以及初始化时间短导致的滤波参数设置不准确问题；
所述步骤3的具体步骤为：
通过步骤2获取预处理的量测，之后设置初始化时间段长度为2N，即。通过对前N个时刻预处理之后的量测取平均值，可以获取目标位置的一个估计值为
（4）
其中，分别表示前N个时刻目标东-北-天向位置的估计值。
同样，通过对后N个时刻预处理之后的量测取平均值，可以获取目标位置的另一个估计值为
（5）
其中，分别表示后N个时刻目标东-北-天向位置的估计值。
将通过公式（4）获得的目标位置的估计值和通过公式（5）获得的目标位置的估计值相减，并与时间差相除可得1:2N时刻内目标速度的估计值为
（6）
其中，分别表示1:2N时刻内目标东-北-天向速度的估计值，并将这个值作为第2N时刻目标速度的估计值，即
（7）
其中，分别表示1:2N时刻内目标东-北-天向速度的估计值。
根据前后N个时刻目标位置的估计值以及1:2N时刻内目标速度的估计值，可得第2N时刻目标位置的估计值为
（8）
其中，分别表示1:2N时刻内目标东-北-天向位置的估计值，/>为N:2N时刻内的时间差的1/2，/>为1:N时刻内的时间差的1/2。
从而完成目标状态估计的初始化，如附图3所示。
步骤4：雷达数据处理系统根据量测波动情况估计测量误差的标准差。
所述步骤4的具体步骤为：
通过步骤3得到了目标的状态估计初值，此时，根据预处理之后的当前及之前2N个时刻的量测波动情况，估计测量误差的标准差如下
（9）
（10）
（11）
其中，分别表示估计出的东-北-天向测量误差的标准差。
步骤5：雷达数据处理系统采用匀加速（Constant Acceleration, CA）运动模型对坐标转换后的三维量测分别进行卡尔曼滤波，将东-北-天三维空间中九维状态向量的估计问题转化为东向、北向和天向各一维空间中三维状态向量/>、/>和/>的估计问题，从而大大降低目标体现出来的机动性；
所述步骤5的具体步骤为：通过步骤2获得预处理后的一维量测集合，和/>，通过步骤3获得目标状态估计的初始值/>和，通过步骤4估计出测量误差的标准差/>之后，采用CA模型以及标准卡尔曼滤波器对目标东向运动状态/>、北向运动状态/>和天向运动状态进行估计。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (6)
1.一种大测量误差下雷达高速高机动目标跟踪方法，其特征在于包括以下步骤：
步骤1：雷达数据处理系统获取雷达测量的点迹数据并进行点迹凝聚处理后，得到目标的唯一测量值，之后数据处理系统通过坐标转换，将雷达极坐标系下的测量值转换为东-北-天坐标系下的测量值；
步骤2：雷达数据处理系统通过设置滑窗函数，对通过步骤1获取的当前时刻及之前多个时刻的量测进行预处理，降低量测的原始测量误差，并消除由于坐标转换引起的转换误差，同时避免复杂的转换误差估计和补偿运算；
步骤3：雷达数据处理系统通过步骤2获取预处理的量测后，通过设置一个较长且为偶数值的滤波初始化时间段，估计该时间段内量测的平均值和测量误差的标准差，避免由于测量误差大以及初始化时间短导致的滤波参数设置不准确问题；
步骤4：雷达数据处理系统根据量测波动情况估计测量误差的标准差；
步骤5：雷达数据处理系统采用匀加速（Constant Acceleration, CA）运动模型对坐标转换后的三维量测分别进行卡尔曼滤波，将东-北-天三维空间中九维状态向量的估计问题转化为东向、北向和天向各一维空间中三维状态向量/>、/>和/>的估计问题，从而大大降低目标体现出来的机动性。
2.按照权利要求1所述的一种大测量误差下雷达高速高机动目标跟踪方法，其特征在于所述步骤1的具体过程为：
在雷达目标跟踪中，量测信息通常在以飞机为原点的极坐标或者球坐标系下获得，对于三维雷达，其量测信息包括目标径向距离，方位角/>和俯仰角/>，而目标的运动状态向量通常设为：/>，
其中，分别为目标在东-北-天三个方向上的位置，/>分别为对应的东-北-天三个方向上的目标速度，/>分别为对应的东-北-天三个方向上的目标加速度，这时，系统量测和目标状态之间具有如下的非线性方程：
（1）
其中，分别为系统测量得到的距离、方位角和俯仰角，/>分别为相互独立的距离、方位角和俯仰角测量误差，通常假设为零均值的高斯噪声，并将其标准差分别记为/>、/>和/>，基于量测方程（1），通过坐标转换可获得东-北-天坐标系下的目标量测为
（2）
其中，分别为东-北-天坐标系下的目标位置的量测。
3.按照权利要求1所述的一种大测量误差下雷达高速高机动目标跟踪方法，其特征在于所述步骤2的具体过程为：设置长度为L的滑窗，并设定滑窗的权重矩阵，通过对当前时刻/>以及之前L-1个时刻的量测进行加权求和，估计当前时刻的量测值：
（3）
其中，分别表示时刻/>的东-北-天向位置量测，/>分别表示时刻/>的东-北-天向量测估计值，每一个权重满足/>且所有权重之和满足/>。
4.按照权利要求1所述的一种大测量误差下雷达高速高机动目标跟踪方法，其特征在于所述步骤3的具体步骤为：
通过步骤2获取预处理的量测，之后设置初始化时间段长度为2N，即，通过对前N个时刻预处理之后的量测取平均值，可以获取目标位置的一个估计值为
（4）
其中，分别表示前N个时刻目标东-北-天向位置的估计值；
同样，通过对后N个时刻预处理之后的量测取平均值，可以获取目标位置的另一个估计值为
（5）
其中，分别表示后N个时刻目标东-北-天向位置的估计值；
将通过公式（4）获得的目标位置的估计值和通过公式（5）获得的目标位置的估计值相减，并与时间差相除可得1:2N时刻内目标速度的估计值为
（6）
其中，分别表示1:2N时刻内目标东-北-天向速度的估计值，并将这个值作为第2N时刻目标速度的估计值，即
（7）
其中，分别表示1:2N时刻内目标东-北-天向速度的估计值；
根据前后N个时刻目标位置的估计值以及1:2N时刻内目标速度的估计值，可得第2N时刻目标位置的估计值为
（8）
其中，分别表示1:2N时刻内目标东-北-天向位置的估计值，/>为N:2N时刻内的时间差的1/2，/>为1:N时刻内的时间差的1/2；
从而完成目标状态估计的初始化。
5.按照权利要求1所述的一种大测量误差下雷达高速高机动目标跟踪方法，其特征在于所述步骤4的具体步骤为：
通过步骤3得到了目标的状态估计初值，此时，根据预处理之后的当前及之前2N个时刻的量测波动情况，估计测量误差的标准差如下
（9）
（10）
（11）
其中，分别表示估计出的东-北-天向测量误差的标准差。
6.按照权利要求1所述的一种大测量误差下雷达高速高机动目标跟踪方法，其特征在于所述步骤5的具体步骤为：
通过步骤2获得预处理后的一维量测集合，/>和/>，通过步骤3获得目标状态估计的初始值/>和/>，通过步骤4估计出测量误差的标准差/>之后，采用CA模型以及标准卡尔曼滤波器对目标东向运动状态、北向运动状态/>和天向运动状态/>进行估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410063543.1A CN117572408B (zh) | 2024-01-17 | 2024-01-17 | 一种大测量误差下雷达高速高机动目标跟踪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410063543.1A CN117572408B (zh) | 2024-01-17 | 2024-01-17 | 一种大测量误差下雷达高速高机动目标跟踪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117572408A true CN117572408A (zh) | 2024-02-20 |
| CN117572408B CN117572408B (zh) | 2024-04-16 |
Family
ID=89862897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410063543.1A Active CN117572408B (zh) | 2024-01-17 | 2024-01-17 | 一种大测量误差下雷达高速高机动目标跟踪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117572408B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2015147317A (ru) * | 2015-11-03 | 2017-05-10 | Федеральное государственное бюджетное учреждение "3 Центральный научно-исследовательский институт" Министерства обороны Российской Федерации | Способ обнаружения маневра баллистического объекта по выборкам произведений дальности на радиальную скорость и устройство для его реализации |
| CN108037663A (zh) * | 2017-12-07 | 2018-05-15 | 电子科技大学 | 一种基于变维滤波算法的机动目标跟踪方法 |
| EP3514571A1 (fr) * | 2018-01-18 | 2019-07-24 | Thales | Procede de pistage d'une cible aerienne, et radar mettant en oeuvre un tel procede |
| CN111025909A (zh) * | 2019-12-23 | 2020-04-17 | 哈尔滨工程大学 | 船舶运动控制系统的Kalman三自由度解耦滤波方法 |
| CN114741659A (zh) * | 2022-04-24 | 2022-07-12 | 江苏集萃清联智控科技有限公司 | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 |
| CN116679296A (zh) * | 2023-05-06 | 2023-09-01 | 西安电子科技大学 | 一种基于主辅复合滤波的远程高速目标雷达跟踪方法 |
-
2024
- 2024-01-17 CN CN202410063543.1A patent/CN117572408B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2015147317A (ru) * | 2015-11-03 | 2017-05-10 | Федеральное государственное бюджетное учреждение "3 Центральный научно-исследовательский институт" Министерства обороны Российской Федерации | Способ обнаружения маневра баллистического объекта по выборкам произведений дальности на радиальную скорость и устройство для его реализации |
| CN108037663A (zh) * | 2017-12-07 | 2018-05-15 | 电子科技大学 | 一种基于变维滤波算法的机动目标跟踪方法 |
| EP3514571A1 (fr) * | 2018-01-18 | 2019-07-24 | Thales | Procede de pistage d'une cible aerienne, et radar mettant en oeuvre un tel procede |
| CN111025909A (zh) * | 2019-12-23 | 2020-04-17 | 哈尔滨工程大学 | 船舶运动控制系统的Kalman三自由度解耦滤波方法 |
| CN114741659A (zh) * | 2022-04-24 | 2022-07-12 | 江苏集萃清联智控科技有限公司 | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 |
| CN116679296A (zh) * | 2023-05-06 | 2023-09-01 | 西安电子科技大学 | 一种基于主辅复合滤波的远程高速目标雷达跟踪方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIN BIN FU: "Maneuvering target tracking with improved unbiased FIR filter", 2014 INTERNATIONAL RADAR CONFERENCE, 16 March 2015 (2015-03-16) * |
| 张卓然;叶广强;赵晓林;: "强跟踪修正SRCKF算法在单站无源跟踪中的应用", 计算机工程, no. 07, 15 July 2016 (2016-07-15) * |
| 张召: "高超声速机动目标跟踪模型与状态估计算法研究", 中国博士学位论文全文数据库 信息科技辑, 15 January 2021 (2021-01-15) * |
| 张闯;赵修斌;庞春雷;徐杰;张建安;: "改进新息自适应交互多模的GPS/SINS组合导航滤波算法", 空军工程大学学报(自然科学版), no. 06, 25 December 2015 (2015-12-25) * |
| 李一兵;王博;张兰;: "基于CA模型的转换坐标卡尔曼滤波", 弹箭与制导学报, no. 02, 15 April 2008 (2008-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117572408B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104793201B (zh) | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 | |
| CN106443661B (zh) | 基于无迹卡尔曼滤波的机动扩展目标跟踪方法 | |
| CN109508445A (zh) | 一种带有色量测噪声和变分贝叶斯自适应卡尔曼滤波的目标跟踪方法 | |
| CN106680806A (zh) | 一种多雷达点迹融合方法 | |
| CN115731268A (zh) | 基于视觉/毫米波雷达信息融合的无人机多目标跟踪方法 | |
| CN112051569B (zh) | 雷达目标跟踪速度修正方法及装置 | |
| CN108717174B (zh) | 基于信息论的预测快速协方差交互融合无源协同定位方法 | |
| CN116182837A (zh) | 基于视觉激光雷达惯性紧耦合的定位建图方法 | |
| CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及系统 | |
| CN111460636A (zh) | 不完全量测数据驱动下的机动扩展目标混合交互式强跟踪滤波方法 | |
| CN112328959A (zh) | 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法 | |
| CN117572408B (zh) | 一种大测量误差下雷达高速高机动目标跟踪方法 | |
| CN111896946B (zh) | 一种基于航迹拟合的连续时间目标跟踪方法 | |
| CN111736144B (zh) | 一种仅用距离观测的机动转弯目标状态估计方法 | |
| CN110728026B (zh) | 一种基于角速度量测的末端弹道目标被动跟踪方法 | |
| CN117310642A (zh) | 一种基于多尺度聚类的多雷达密集群目标航迹关联方法 | |
| 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 | |
| CN104849697B (zh) | 一种基于去偏坐标转换的α‑β滤波方法 | |
| CN114415157B (zh) | 一种基于水声传感器网络的水下目标多模型跟踪方法 | |
| CN106443623B (zh) | 一种天波超视距雷达目标与电离层参数联合估计方法 | |
| CN112083410A (zh) | 机动目标跟踪方法 | |
| CN106405519B (zh) | 基于跟踪信息的isar成像时间段选择方法 | |
| CN113514823B (zh) | 一种基于伪谱的多模型机动目标检测前跟踪方法 | |
| CN113534131B (zh) | 基于gm-phd的运动参数估计组合平滑滤波方法 | |
| CN114993108B (zh) | 一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 |
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 |