JP7105711B2

JP7105711B2 - Tracking device

Info

Publication number: JP7105711B2
Application number: JP2019043167A
Authority: JP
Inventors: 秀治鈴木
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2019-03-08
Filing date: 2019-03-08
Publication date: 2022-07-25
Anticipated expiration: 2039-03-08
Also published as: JP2020144092A

Description

本発明は、目標の追尾処理を行う追尾処理装置に関する。 The present invention relates to a tracking processing device that performs target tracking processing.

追尾処理装置は、センサの観測情報に基づいて、目標の運動諸元を推定しつつ、観測時刻ごとに当該運動諸元を逐次更新して行く装置である。目標の運動諸元には、目標位置、目標速度及び目標加速度が含まれる。センサの観測情報には、目標の運動諸元に関する観測値、及び目標の運動諸元を観測したときの観測時刻が含まれる。 The tracking processing device is a device that sequentially updates the motion specifications for each observation time while estimating the motion specifications of the target based on the observation information of the sensor. Target motion specifications include target position, target velocity, and target acceleration. The observation information of the sensor includes observation values relating to the motion specifications of the target and observation times when the motion specifications of the target were observed.

追尾処理を行うフィルタとして、インタラクティング多重モデル（ＩｎｔｅｒａｃｔｉｎｇＭｕｌｔｉｐｌｅＭｏｄｅｌ：以下「ＩＭＭ」と表記）フィルタが提案されている。ＩＭＭフィルタは、複数の運動モデルを用いて目標の運動諸元を推定し、これらを重みづけ統合するフィルタである。ＩＭＭフィルタは、高速目標及び高加速度目標に対する追尾精度に優れるが、加速度変化を伴う運動に対しては追尾精度が劣化するという欠点がある。 As a filter for performing tracking processing, an interacting multiple model (hereinafter referred to as "IMM") filter has been proposed. The IMM filter is a filter that estimates target motion specifications using a plurality of motion models and weights and integrates them. The IMM filter has excellent tracking accuracy for high-speed targets and high-acceleration targets, but has the disadvantage of degraded tracking accuracy for motions that accompany changes in acceleration.

ＩＭＭフィルタの派生として、可変構造化（ＶａｒｉａｂｌｅＳｔｒｕｃｔｕｒｅｄ：以下「ＶＳ」と表記）－ＩＭＭフィルタが提案されている。ＶＳ－ＩＭＭフィルタは、ＩＭＭフィルタの一種であり、道路等の制約条件に基づき目標の運動諸元の推定に用いる運動モデルを動的に切り替えることが特徴である。ＶＳ－ＩＭＭフィルタは、運動モデルを動的に切り替えることにより、加速度変化を伴う目標に対しても、ＩＭＭフィルタに比べて追尾精度がよいという特徴がある。なお、ＶＳ－ＩＭＭフィルタのアルゴリズムについては、下記非特許文献１に説明されているので、ここでの詳細な説明は省略する。 As a derivative of the IMM filter, a Variable Structured (hereinafter referred to as "VS")-IMM filter has been proposed. The VS-IMM filter is a type of IMM filter, and is characterized by dynamically switching the motion model used for estimating the target motion specifications based on the constraint conditions such as the road. The VS-IMM filter dynamically switches motion models, so that it has a feature of better tracking accuracy than the IMM filter, even for a target that accompanies changes in acceleration. Note that the algorithm of the VS-IMM filter is described in Non-Patent Document 1 below, so a detailed description thereof will be omitted here.

Ｂ．Ｐａｎｎｅｔｉｅｒ，ｅｔａｌ．”ＶＳ－ＩＭＭｕｓｉｎｇｒｏａｄｍａｐｉｎｆｏｒｍａｔｉｏｎｆｏｒａｇｒｏｕｎｄｔａｒｇｅｔｔｒａｃｋｉｎｇ”［平成３１年３月７日検索］インターネット＜URL:http://fusion.isif.org/proceedings/fusion05CD/Content/papers/8f9b23c0483536cd8eba7a5e2304.pdf＞B. Pannetier, et al. "VS-IMM using road map information for a ground target tracking" [searched on March 7, 2019] Internet <URL: http://fusion.isif.org/proceedings/fusion05CD/Content/papers/8f9b23c0483536cd8eba7a5e2304.pdf>

しかしながら、上記非特許文献１に代表されるＶＳ－ＩＭＭフィルタにおいては、事前に制約条件が設定される必要がある。ところが、航空機等の在空目標に対しては適切な制約条件の設定が困難である。このため、運動モデルの切り替えを誤ると、かえって追尾性能が劣化するという問題がある。 However, in the VS-IMM filter represented by Non-Patent Document 1 above, it is necessary to set constraints in advance. However, it is difficult to set appropriate constraint conditions for airborne targets such as aircraft. For this reason, there is a problem that the tracking performance deteriorates if the motion model is switched erroneously.

本発明は、上記に鑑みてなされたものであって、運動モデルの切り替えが適切に実施されないことによって生じ得る追尾精度の劣化を抑制することができる追尾処理装置を得ることを目的とする。 SUMMARY OF THE INVENTION It is an object of the present invention to provide a tracking processing apparatus capable of suppressing deterioration in tracking accuracy that may occur due to improper switching of motion models.

上述した課題を解決し、目的を達成するために、本発明は、センサからの観測情報に基づいて目標の追尾処理を行う追尾処理装置である。追尾処理装置は、第１の運動モデルからなる第１の運動モデル群が構築され、観測情報を入力して第１のインタラクティング多重モデルフィルタによる演算処理を行う第１の演算部を備える。また、追尾処理装置は、第１の演算部によって演算された第１の運動モデルの確率に基づいて、第２の運動モデルを選定する運動モデル切替部を備える。更に、追尾処理装置は、観測情報及び運動モデル切替部によって選定された選定情報に基づいて、第２の運動モデルからなる第２の運動モデル群が構築され、第１のインタラクティング多重モデルフィルタとは別に構築された第２のインタラクティング多重モデルフィルタによる演算を行う第２の演算部を備える。 In order to solve the above-described problems and achieve the object, the present invention is a tracking processing device that performs target tracking processing based on observation information from a sensor. The tracking processing device has a first motion model group constructed from a first motion model, and includes a first computation unit that inputs observation information and performs computation processing by a first interacting multiple model filter. The tracking processing device also includes a motion model switching unit that selects the second motion model based on the probability of the first motion model calculated by the first calculation unit. Further, the tracking processing device constructs a second motion model group consisting of second motion models based on the observation information and the selection information selected by the motion model switching unit, and the first interacting multiple model filter and has a second computation unit that performs computation by a second interacting multiple model filter constructed separately.

本発明に係る追尾処理装置によれば、運動モデルの切り替えが適切に実施されないことによって生じ得る追尾精度の劣化を抑制することができるという効果を奏する。 According to the tracking processing device of the present invention, it is possible to suppress degradation of tracking accuracy that may occur due to improper switching of motion models.

実施の形態に係る追尾処理装置の構成を示すブロック図1 is a block diagram showing the configuration of a tracking processing device according to an embodiment; FIG. 第１の演算部及び第２の演算部で使用するＩＭＭフィルタの構成例を示す図FIG. 4 is a diagram showing a configuration example of an IMM filter used in the first calculation unit and the second calculation unit; 実施の形態における第１の演算部及び第２の演算部の詳細構成を示す図FIG. 3 is a diagram showing detailed configurations of a first arithmetic unit and a second arithmetic unit according to the embodiment; 実施の形態における第１の演算部による処理の概念の説明に使用する図FIG. 4 is a diagram used for explaining the concept of processing by the first computing unit in the embodiment; 実施の形態における第２の演算部による処理の概念の説明に使用する図FIG. 4 is a diagram used for explaining the concept of processing by a second computing unit in an embodiment; 実施の形態における運動モデル切替部に構築されるデータベースの一例を示す図FIG. 4 is a diagram showing an example of a database constructed in the motion model switching unit according to the embodiment; FIG. 実施の形態の追尾処理装置におけるハードウェア構成の一例を示すブロック図1 is a block diagram showing an example of a hardware configuration in a tracking processing device according to an embodiment; FIG. 実施の形態の追尾処理装置におけるハードウェア構成の他の例を示すブロック図FIG. 4 is a block diagram showing another example of the hardware configuration in the tracking processing device according to the embodiment;

以下に添付図面を参照し、本発明の実施の形態に係る追尾処理装置について詳細に説明する。なお、以下の実施の形態により、本発明が限定されるものではない。 A tracking processing device according to an embodiment of the present invention will be described in detail below with reference to the accompanying drawings. In addition, the present invention is not limited by the following embodiments.

実施の形態．
図１は、実施の形態に係る追尾処理装置１００の構成を示すブロック図である。実施の形態に係る追尾処理装置１００は、センサからの観測情報に基づいて、目標の追尾処理を行う装置である。実施の形態に係る追尾処理装置１００は、図１に示すように、第１の演算部２０、運動モデル切替部３０及び第２の演算部４０を備えている。なお、第１の演算部２０、運動モデル切替部３０及び第２の演算部４０は機能区分であり、機能区分の変更に伴って図１とは異なる構成を採ってもよい。 Embodiment.
FIG. 1 is a block diagram showing the configuration of a tracking processing device 100 according to an embodiment. The tracking processing device 100 according to the embodiment is a device that performs target tracking processing based on observation information from a sensor. The tracking processing device 100 according to the embodiment includes a first computing unit 20, a motion model switching unit 30 and a second computing unit 40, as shown in FIG. Note that the first calculation unit 20, the motion model switching unit 30, and the second calculation unit 40 are functional divisions, and may adopt a configuration different from that in FIG. 1 as the functional divisions are changed.

図１に示すように、追尾処理装置１００には、センサ１０からの観測情報が入力される。観測情報には、目標５０の運動諸元に関する観測値と、目標の運動諸元を観測したときの観測時刻とが含まれる。以下、「目標の運動諸元」を「目標運動諸元」と呼ぶ。なお、観測値とは、センサ１０が観測した観測情報の値である。 As shown in FIG. 1 , the tracking processing device 100 receives observation information from the sensor 10 . The observation information includes observation values relating to the motion specifications of the target 50 and observation times when the target motion specifications were observed. Hereinafter, the “target motion specification” will be referred to as “target motion specification”. Note that an observed value is a value of observation information observed by the sensor 10 .

追尾処理装置１００の外部には、表示装置１１０が備えられている。表示装置１１０は、表示手段の一例である。追尾処理装置１００の演算結果は、表示装置１１０に出力される。追尾処理装置１００の演算結果は、図１では図示しない記憶装置に出力されてもよい。 A display device 110 is provided outside the tracking processing device 100 . The display device 110 is an example of display means. The calculation result of the tracking processing device 100 is output to the display device 110 . The calculation result of the tracking processing device 100 may be output to a storage device (not shown in FIG. 1).

次に、追尾処理装置１００を構成する各構成部間の信号又は情報の流れについて説明する。 Next, the flow of signals or information between the components that make up the tracking processing device 100 will be described.

センサ１０は、目標５０を観測する。センサ１０による観測情報１１は、第１の演算部２０及び第２の演算部４０に伝送される。観測情報１１には、センサ１０が観測した目標運動諸元に関する情報と、センサ１０が目標５０を観測したときの観測時刻に関する情報が含まれる。 Sensor 10 observes target 50 . Observation information 11 by the sensor 10 is transmitted to the first calculation unit 20 and the second calculation unit 40 . The observation information 11 includes information on target motion specifications observed by the sensor 10 and information on observation time when the sensor 10 observes the target 50 .

第１の演算部２０には、上述した観測情報１１が入力される。第１の演算部２０は、観測情報１１に基づいて、ＩＭＭフィルタによる追尾の演算処理を行う。ＩＭＭフィルタによる演算処理の詳細は、後述する。第１の演算部２０は、演算結果２１を運動モデル切替部３０に伝送する。演算結果２１には、ＩＭＭフィルタによる演算処理の過程で生成される運動モデルの確率であるモデル確率に関する情報が含まれる。なお、モデル確率に代え、もしくは加え、目標の旋回加速度に関する情報を伝送してもよい。 The observation information 11 described above is input to the first calculation unit 20 . Based on the observation information 11, the first calculation unit 20 performs tracking calculation processing using the IMM filter. The details of the arithmetic processing by the IMM filter will be described later. The first calculation unit 20 transmits the calculation result 21 to the motion model switching unit 30 . The calculation result 21 includes information on the model probability, which is the probability of the motion model generated in the process of calculation processing by the IMM filter. In place of or in addition to the model probability, information regarding the turning acceleration of the target may be transmitted.

運動モデル切替部３０には、上述した演算結果２１が入力される。運動モデル切替部３０は、第１の演算部２０から出力される演算結果２１に基づいて生成した選定情報３１を第２の演算部４０に伝送する。選定情報３１は、第２の演算部４０に設定する運動モデルの組合せ、もしくは第２の演算部４０に設定する運動モデルの選定に関する情報である。 The calculation result 21 described above is input to the motion model switching unit 30 . The motion model switching unit 30 transmits the selection information 31 generated based on the calculation result 21 output from the first calculation unit 20 to the second calculation unit 40 . The selection information 31 is information about a combination of motion models set in the second calculation unit 40 or selection of motion models set in the second calculation unit 40 .

第２の演算部４０には、上述した観測情報１１及び選定情報３１が入力される。第２の演算部４０は、観測情報１１及び選定情報３１に基づいて、ＩＭＭフィルタによる追尾の演算処理を行う。第２の演算部による演算処理によって、目標運動諸元が推定される。第２の演算部４０によって推定された推定結果、即ち目標運動諸元の推定結果４１は、表示装置１１０に伝送される。 The observation information 11 and the selection information 31 described above are input to the second calculation unit 40 . The second calculation unit 40 performs tracking calculation processing using the IMM filter based on the observation information 11 and the selection information 31 . The target motion specifications are estimated by the arithmetic processing by the second arithmetic unit. The estimation result estimated by the second calculation unit 40 , that is, the estimation result 41 of the desired motion dimension is transmitted to the display device 110 .

次に、図２を参照して、ＩＭＭフィルタの処理の概要について説明する。図２は、第１の演算部２０及び第２の演算部４０で使用するＩＭＭフィルタの構成例を示す図である。ＩＭＭフィルタは、図２に示すように、モデル部５１と、混合処理部５２と、平滑処理部５３と、更新処理部５４と、統合処理部５５とを具備する。 Next, with reference to FIG. 2, an overview of the processing of the IMM filter will be described. FIG. 2 is a diagram showing a configuration example of an IMM filter used in the first arithmetic section 20 and the second arithmetic section 40. As shown in FIG. The IMM filter includes a model section 51, a mixing processing section 52, a smoothing processing section 53, an update processing section 54, and an integration processing section 55, as shown in FIG.

モデル部５１は、複数の運動モデルを有する。図２では、Ｍｏｄｅｌ１、Ｍｏｄｅｌ２及びＭｏｄｅｌ３という名称の３つのモデルを例示しているが、モデルの数は２又は４以上であってもよい。即ち、モデルの数は、複数であればよい。 The model unit 51 has a plurality of motion models. Although FIG. 2 illustrates three models named Model1, Model2 and Model3, the number of models may be two or four or more. That is, the number of models should be plural.

混合処理部５２は、モデル確率の予測値、混合モデル確率、第１の平滑値である混合平滑値、及び混合平滑誤差共分散行列を演算する。混合平滑誤差共分散行列は、混合平滑値の誤差の広がりの程度を表す行列である。これらの演算処理は、以下の（１）～（４）式を用いて実施される。 The mixture processing unit 52 calculates predicted values of model probabilities, mixed model probabilities, mixed smoothed values that are first smoothed values, and mixed smoothed error covariance matrices. The mixed smoothing error covariance matrix is a matrix representing the degree of error spread of the mixed smoothed value. These calculation processes are performed using the following equations (1) to (4).

上記（１）式は、モデル確率の予測値を演算する式である。上記（２）式は、混合モデル確率を演算する式である。上記（３）式は、混合平滑値を演算する式である。上記（４）式は、混合平滑誤差共分散行列を演算する式である。 The above formula (1) is a formula for calculating the predicted value of the model probability. The above equation (2) is an equation for calculating the mixture model probability. The above equation (3) is an equation for calculating a mixed smoothed value. The above equation (4) is an equation for calculating the mixed smoothing error covariance matrix.

上記（１）～（４）式において、それぞれの記号又は表記の意味は、以下の通りである。 In the above formulas (1) to (4), the meanings of the respective symbols or notations are as follows.

μ：モデル確率
ｋ：今回のサンプリング時刻ｔ_kを表すインデックス
ｋ－１：前回のサンプリング時刻ｔ_k-1を表すインデックス
π_ij：モデルｉからモデルｊへの遷移確率
ｉ，ｊ：モデルを識別するインデックス
(ｉ)：モデルｉにおける計算結果
(ｊ)：モデルｊにおける計算結果
ｘ：目標状態量（位置、速度）
Ｐ：誤差共分散行列
Σ_j：インデックスｊによる総和
^＾：目標状態量の推定値（予測値）
^－：混合処理結果（平滑値）
^′：転置 μ: model probability k: index representing current sampling time t _k k−1: index representing previous sampling time t _k−1 π _ij : transition probability from model i to model j i, j: model identification index
(i): Calculation result in model i
(j): Calculation result for model j x: Target state quantity (position, velocity)
P: Error covariance matrix Σ _j : Sum by index j
^{^} : Estimated value of target state quantity (predicted value)
^- : Mixed processing result (smoothed value)
^′ : Transpose

また、平滑処理部５３は、目標状態量の予測値及びその誤差共分散行列である予測誤差共分散行列、観測ベクトルの残差ベクトル及びその共分散行列である残差共分散行列、カルマンゲイン行列、並びに目標状態量の平滑値及びその誤差共分散行列である平滑誤差共分散行列を演算する。なお、ここで言う予測誤差共分散行列は、目標状態量の予測値の誤差の広がりの程度を表す行列である。また、ここで言う平滑誤差共分散行列は、目標状態量の平滑値の誤差の広がりの程度を表す行列である。これらの演算処理は、以下の（５）～（１１）式を用いて実施される。 In addition, the smoothing unit 53 is a prediction error covariance matrix that is a predicted value of the target state quantity and its error covariance matrix, a residual covariance matrix that is a residual vector of the observation vector and its covariance matrix, a Kalman gain matrix , and a smoothed error covariance matrix, which is the smoothed value of the target state quantity and its error covariance matrix. Note that the prediction error covariance matrix referred to here is a matrix representing the degree of error spread of the prediction value of the target state quantity. Further, the smoothed error covariance matrix referred to here is a matrix representing the degree of error spread of the smoothed value of the target state quantity. These calculation processes are performed using the following equations (5) to (11).

上記（５）式は、目標状態量の予測値を演算する式である。上記（６）式は、目標状態量の予測誤差共分散行列を演算する式である。上記（７）式は、残差ベクトルを演算する式である。上記（８）式は、残差共分散行列を演算する式である。上記（９）式は、カルマンゲイン行列を演算する式である。上記（１０）式は、目標状態量の平滑値を演算する式である。上記（１１）式は、目標状態量の平滑誤差共分散行列を演算する式である。 The above equation (5) is an equation for calculating the predicted value of the target state quantity. The above formula (6) is a formula for calculating the prediction error covariance matrix of the target state quantity. The above equation (7) is an equation for calculating the residual vector. The above equation (8) is an equation for calculating the residual covariance matrix. The above equation (9) is an equation for calculating the Kalman gain matrix. The above equation (10) is an equation for calculating the smoothed value of the target state quantity. The above equation (11) is an equation for calculating the smoothed error covariance matrix of the target state quantity.

上記（５）～（１１）式において、それぞれの記号又は表記の意味は、上記の記載の他、以下の通りである。 In the above formulas (5) to (11), the meanings of the respective symbols or descriptions are as follows, in addition to those described above.

Ｑ：システム雑音行列
Ｈ：観測行列
Ｒ：観測雑音行列
Ｆ：状態遷移行列
Ｓ：残差共分散行列
Ｋ：カルマンゲイン行列 Q: System noise matrix H: Observation matrix R: Observation noise matrix F: State transition matrix S: Residual covariance matrix K: Kalman gain matrix

また、更新処理部５４は、モデル尤度及びモデル確率を演算する。これらの演算処理は、以下の（１２），（１３）式を用いて実施される。 The update processing unit 54 also calculates model likelihood and model probability. These calculation processes are performed using the following equations (12) and (13).

上記（１２），（１３）式において、それぞれの記号又は表記の意味は、上記の記載の他、以下の通りである。 In the above formulas (12) and (13), the meanings of the respective symbols or descriptions are as follows, in addition to the description above.

Ｌ：モデル尤度
Ｎ(ｚ，ａ，Ａ)：平均ａ、共分散行列Ａの３変量正規分布のｚにおける確率密度関数 L: model likelihood N (z, a, A): probability density function at z of trivariate normal distribution with mean a and covariance matrix A

そして、統合処理部５５は、統合平滑値及びその誤差共分散行列である統合平滑誤差共分散行列を演算する。これらの演算処理は、以下の（１４），（１５）式を用いて実施される。 Then, the integration processing unit 55 calculates an integrated smoothed value and an integrated smoothed error covariance matrix, which is an error covariance matrix thereof. These calculation processes are performed using the following equations (14) and (15).

なお、上記の説明では、それぞれの処理部に特有の演算処理について説明したが、各処理部間において、処理に必要な情報が伝送されることは言うまでもない。また、更新処理部５４の演算結果は、遅延部５６によって遅延処理が施されて混合処理部５２にフィードバックされる。即ち、遅延部５６によって、１サンプリング時刻前の演算結果が混合処理部５２に入力される。そして、各処理部において、上記の演算処理が繰り返し実施される。 In the above description, arithmetic processing specific to each processing unit has been described, but needless to say, information necessary for processing is transmitted between each processing unit. Further, the calculation result of the update processing unit 54 is subjected to delay processing by the delay unit 56 and fed back to the mixing processing unit 52 . That is, the delay unit 56 inputs the calculation result one sampling time before to the mixing processing unit 52 . Then, the above arithmetic processing is repeatedly performed in each processing unit.

次に、実施の形態に係る追尾処理装置１００における要部の動作について、図３から図６の図面を参照して説明する。図３は、実施の形態における第１の演算部２０及び第２の演算部４０の詳細構成を示す図である。図４は、実施の形態における第１の演算部２０に構築される運動モデルの例を示す図である。図５は、実施の形態における第２の演算部４０に構築される運動モデルの例を示す図である。図６は、実施の形態における運動モデル切替部３０に構築されるデータベースの一例を示す図である。 Next, the operation of the main part of the tracking processing device 100 according to the embodiment will be described with reference to FIGS. 3 to 6. FIG. FIG. 3 is a diagram showing detailed configurations of the first arithmetic unit 20 and the second arithmetic unit 40 in the embodiment. FIG. 4 is a diagram showing an example of a motion model constructed in the first computing section 20 in the embodiment. FIG. 5 is a diagram showing an example of a motion model constructed in the second computing section 40 in the embodiment. FIG. 6 is a diagram showing an example of a database constructed in the exercise model switching unit 30 according to the embodiment.

図３に示すように、第１の演算部２０及び第２の演算部４０には、図２に示すＩＭＭフィルタが用いられる。第１の演算部２０のモデル部５１に設定される運動モデルの例は、図４に示されている。なお、以下の記載において、第１の演算部２０に構築される運動モデルを「第１の運動モデル」と呼び、第１の運動モデルを集めたものを「第１の運動モデル群」と呼ぶ場合がある。また、第２の演算部４０に構築される運動モデルを「第２の運動モデル」と呼び、第２の運動モデルを集めたものを「第２の運動モデル群」と呼ぶ場合がある。 As shown in FIG. 3, the IMM filter shown in FIG. 2 is used for the first arithmetic unit 20 and the second arithmetic unit 40. As shown in FIG. An example of a motion model set in the model section 51 of the first calculation section 20 is shown in FIG. In the following description, the motion model constructed in the first computing unit 20 will be referred to as the "first motion model", and the collection of the first motion models will be referred to as the "first motion model group". Sometimes. Also, the motion model constructed in the second computing unit 40 may be called a "second motion model", and a collection of the second motion models may be called a "second motion model group".

第１の演算部２０において、運動モデルを構築する際には、目標が等速運動、加減速運動、上下方向の旋回運動、又は左右方向の旋回運動を行う可能性を考慮する。これにより、図４には、等速、加速、減速、上旋回、下旋回、左旋回及び右旋回という７種類の運動モデルが用意されている。但し、図３には、それら７種類の運動モデルのうちの３つのモデルが示されている。 When constructing the motion model in the first computing unit 20, the possibility of the target performing uniform motion, acceleration/deceleration motion, vertical turning motion, or horizontal turning motion is taken into consideration. As a result, seven types of motion models are prepared in FIG. 4: constant velocity, acceleration, deceleration, upward turning, downward turning, left turning, and right turning. However, FIG. 3 shows three models out of the seven types of exercise models.

第１の演算部２０では、７種類の運動モデルのうち、どの運動モデルが実際の目標の挙動に近いのかの指標であるモデル確率が演算される。モデル確率の演算式は、上記（１４）式である。モデル確率は、演算結果２１として、運動モデル切替部３０に伝送される。 The first computing unit 20 computes a model probability, which is an index of which motion model, out of the seven types of motion models, is closer to the actual behavior of the target. The calculation formula for the model probability is the above formula (14). The model probability is transmitted to the motion model switching unit 30 as the calculation result 21 .

運動モデル切替部３０は、モデル確率に基づいて、運動モデルの組合せを選定する。ここで、第１の演算部２０によって演算されたモデル確率により、例えば、下旋回モデルが実際の目標の挙動に近いという結果が出たと仮定する。この場合、運動モデル切替部３０は、下旋回方向に網を張るような運動モデルの組合せ、即ち下旋回方向に特化した運動モデルの組合せを選定する。選定した運動モデルの組合せに関する情報は、選定情報３１として、第２の演算部４０に伝送される。 The exercise model switching unit 30 selects a combination of exercise models based on the model probabilities. Here, it is assumed that the model probability calculated by the first calculation unit 20 yields a result that, for example, the downward turning model is close to the actual behavior of the target. In this case, the motion model switching unit 30 selects a combination of motion models that spreads a net in the downward turning direction, that is, a combination of motion models specialized for the downward turning direction. Information about the selected combination of motion models is transmitted to the second calculation unit 40 as selection information 31 .

第２の演算部４０では、選定情報３１に基づいて、運動モデルが構築される。第２の演算部４０のモデル部５１に設定される運動モデルの例は、図５に示されている。図５には、進路ベクトルよりも下方側において、下低旋回、下中旋回、下高旋回、下左旋回及び下右旋回という５種類の運動モデルが用意されている。但し、図３には、それら５種類の運動モデルのうちの３つのモデルが示されている。 The second calculation unit 40 constructs a motion model based on the selection information 31 . An example of the motion model set in the model section 51 of the second calculation section 40 is shown in FIG. In FIG. 5, five types of motion models are prepared on the lower side of the course vector, ie, downward-low turning, downward-middle turning, downward-high turning, downward-left turning, and downward-right turning. However, FIG. 3 shows three models out of the five types of exercise models.

図５において、５種類の運動モデルは、進路ベクトルに直交する平面内に描かれている破線の円において、円の中心の位置、及び互いに直交する２本の直径の各両端の位置に向かう矢印線によって識別されている。第２の演算部４０は、これらの運動モデルに基づいて、上述した演算処理を実施し、目標運動諸元の推定結果４１を出力する。 In FIG. 5, the five types of motion models are represented by arrows pointing to the position of the center of the circle and the positions of both ends of the two diameters that are perpendicular to each other in the dashed circle drawn in the plane perpendicular to the course vector. identified by lines. The second calculation unit 40 performs the above-described calculation processing based on these motion models, and outputs an estimation result 41 of desired motion specifications.

上述のように、第２の演算部４０では、目標の旋回方向に特化した細部の運動モデルが設定される。これにより、目標の実挙動と運動モデルとがマッチするため、平滑演算の精度を向上させることができる。 As described above, in the second calculation unit 40, a detailed motion model specialized for the target turning direction is set. As a result, since the actual behavior of the target matches the motion model, it is possible to improve the accuracy of the smoothing calculation.

また、第２の演算部４０では、目標の実挙動に合致した運動モデルのみで演算が行われる。これにより、演算処理の負荷を軽減できるので、平滑演算の精度を確保しつつ、演算時間の短縮化を図ることができる。 Further, in the second calculation unit 40, calculations are performed only with the motion model that matches the actual behavior of the target. As a result, the load of arithmetic processing can be reduced, so that it is possible to shorten the arithmetic time while ensuring the accuracy of the smoothing arithmetic.

なお、第１の演算部２０と第２の演算部４０とでは、同じＩＭＭフィルタの構成としているが、処理の内容は異なる。図３にも示すように、第１の演算部２０は、統合処理を実施する必要はない。これにより、第１の演算部２０の処理負荷は、通常のＩＭＭフィルタの処理負荷よりも小さくできる。 Although the first arithmetic unit 20 and the second arithmetic unit 40 have the same IMM filter configuration, the contents of processing are different. As also shown in FIG. 3, the first calculation unit 20 does not need to perform integration processing. As a result, the processing load on the first calculation unit 20 can be made smaller than the processing load on the normal IMM filter.

次に、運動モデル切替部３０による上記処理の具体例について説明する。上述のように、運動モデル切替部３０は、運動モデルの組合せを選定する。これを実現するには、予めデータベースとして保持してもよい。また、第１の演算部２０で演算された旋回加速度に基づいてモデルを生成してもよい。ここで、前者を第１の手法、後者を第２の手法と呼び、以下に詳細な内容を説明する。 Next, a specific example of the above processing by the motion model switching unit 30 will be described. As described above, the motion model switching unit 30 selects a combination of motion models. In order to realize this, the data may be stored in advance as a database. Alternatively, a model may be generated based on the turning acceleration calculated by the first calculation unit 20 . Here, the former is called the first method, and the latter is called the second method, and detailed contents will be described below.

＜第１の手法＞
図６には、運動モデル切替部３０に構築されるデータベースの一例が表形式で示されている。図６において、「モデル名」の項に記載されている運動モデルが第１の演算部２０に設定される運動モデルであり、「細部モデル名」の項に記載されている運動モデルが第２の演算部４０に設定される運動モデルである。図６の例であれば、第１の演算部２０によって演算されたモデル確率において、上旋回のモデル確率が相対的に高いと判定された場合には、上低旋回、上中旋回及び上高旋回を含むＢ１～Ｂｎのｎ個の運動モデルを選定し、その情報を第２の演算部４０に伝送する。なお、図６のように、モデル名を記号等で識別しておけば、それらの記号等を第２の演算部４０に伝送することで、運動モデルの設定が可能になる。また、相対的に高いと判定されたモデル確率が複数ある場合を考慮して、それに対応する細部モデルをデータベースとして構築しておいてもよい。 <First method>
FIG. 6 shows an example of a database constructed in the exercise model switching unit 30 in tabular form. In FIG. 6, the motion model described in the "model name" section is the motion model set in the first calculation unit 20, and the motion model described in the "detailed model name" section is the second motion model. It is a motion model set in the calculation unit 40 of. In the example of FIG. 6, when it is determined that the model probability of an upward turn is relatively high in the model probabilities calculated by the first computing unit 20, an up-low turn, an up-middle turn, and an up-high turn are determined. Select n motion models B1 to Bn including turning, and transmit the information to the second computing unit 40 . If the model name is identified by a symbol or the like as shown in FIG. Also, in consideration of the case where there are multiple model probabilities determined to be relatively high, detailed models corresponding to them may be constructed as a database.

＜第２の手法＞
まず、説明の前提として、各運動モデルを［加減速の加速度，左右旋回の加速度，上下旋回の加速度］で表記する。また、各加速度の大きさを、重力加速度を表すＧの倍数で表記する。 <Second method>
First, as a premise of the explanation, each motion model is described by [acceleration of acceleration/deceleration, acceleration of left/right turning, acceleration of up/down turning]. In addition, the magnitude of each acceleration is represented by a multiple of G representing gravitational acceleration.

例えば、第１の演算部２０によって演算されたモデル確率において、等速モデル［０Ｇ，０Ｇ，０Ｇ］及び下旋回加速度モデル［０Ｇ，０Ｇ，－９Ｇ］のモデル確率がそれぞれ０．５で、その他の運動モデルのモデル確率が０だと仮定する。この場合、モデル確率に応じた加重平均を行うと、第１の演算部２０における目標加速度推定値は［０Ｇ，０Ｇ，－４．５Ｇ］となる。この結果に基づき、運動モデル切替部３０は、［０Ｇ，０Ｇ，－４．５Ｇ］を中心とする運動モデル群を設定し、第２の演算部４０に設定する。また、例えば、［±２Ｇ，±２Ｇ，－４．５±２Ｇ］という格子状の運動モデルを指定し、この設定情報を第２の演算部４０に伝送し、第２の演算部４０の側で運動モデルを設定してもよい。 For example, in the model probabilities calculated by the first calculation unit 20, the model probabilities of the constant velocity model [0G, 0G, 0G] and the downward turning acceleration model [0G, 0G, -9G] are each 0.5, and the model probabilities of the other Assume that the model probability of the motion model of is zero. In this case, if weighted averaging is performed according to the model probability, the target acceleration estimated value in the first calculator 20 will be [0G, 0G, -4.5G]. Based on this result, the motion model switching unit 30 sets a motion model group centered on [0G, 0G, −4.5G] and sets it in the second calculation unit 40 . Also, for example, a grid motion model of [±2G, ±2G, −4.5±2G] is specified, this setting information is transmitted to the second computation unit 40, and the second computation unit 40 side You can set the motion model with .

上記のように、第１及び第２の手法の何れを用いても、第２の演算部４０において、運動モデルの動的な変更が可能となる。なお、ここで言う「動的」とは、時間変化に伴って運動モデルが切り替わる様を意味する。従来では、例えば上記非特許文献１に示されるように、道路等の制約情報に基づいて第２の演算部４０に相当する構成部に設定される運動モデルを切り替えることが行われていた。即ち、従来技術の考え方では、「第１の演算部２０」に該当する構成部は存在する理由がなかった。航空機等の在空目標を対象とする追尾処理装置では、空間という環境に制約条件が存在しない。このため、上記非特許文献１のように、運動モデルを時間変化に伴って切り替えるということが困難であった。 As described above, the motion model can be dynamically changed in the second calculation unit 40 using either of the first and second methods. It should be noted that the term “dynamic” used herein means that the motion model is switched with time. Conventionally, as shown in Non-Patent Document 1, for example, the motion model set in the component corresponding to the second calculation unit 40 has been switched based on constraint information such as roads. In other words, according to the concept of the conventional technology, there is no reason for the existence of a component corresponding to the "first arithmetic unit 20". In a tracking processing device for an airborne target such as an aircraft, there are no constraints in the space environment. For this reason, it was difficult to switch motion models according to time changes, as in Non-Patent Document 1 above.

これに対し、実施の形態に係る手法では、追尾処理を行うＩＭＭフィルタによる演算部を二重に有し、前段の演算部による演算結果に基づいて、後段の演算部のＩＭＭフィルタに設定される運動モデルを切り替える構成とした。これにより、制約条件が存在しない空間を対象とする追尾処理装置への適用が可能になる。 On the other hand, in the method according to the embodiment, the IMM filter that performs the tracking process is provided in duplicate, and based on the calculation result of the previous-stage calculation unit, the IMM filter is set in the subsequent-stage calculation unit. It is configured to switch motion models. This makes it possible to apply the tracking processing device to a space in which no constraint exists.

従って、実施の形態に係る手法を適用した追尾処理装置によれば、制約条件の設定が困難である航空機等の在空目標に対しても、後段の演算部において運動モデルを動的に切り替えることができる。これにより、加速度変化を伴う運動を実施した場合についても、精度良く追尾を行うことができる。これらにより、運動モデルの切り替えが適切に実施されないことによって生じ得る追尾精度の劣化を抑制することが可能になる。 Therefore, according to the tracking processing device to which the method according to the embodiment is applied, even for an airborne target such as an aircraft for which it is difficult to set the constraint conditions, the motion model can be dynamically switched in the subsequent calculation unit. can be done. As a result, accurate tracking can be performed even when an exercise involving changes in acceleration is performed. As a result, it is possible to suppress deterioration in tracking accuracy that may occur due to improper switching of motion models.

最後に、実施の形態における追尾処理装置１００の機能を実現するためのハードウェア構成について、図７及び図８の図面を参照して説明する。図７は、実施の形態の追尾処理装置１００におけるハードウェア構成の一例を示すブロック図である。図８は、実施の形態の追尾処理装置１００におけるハードウェア構成の他の例を示すブロック図である。 Finally, a hardware configuration for realizing the functions of the tracking processing device 100 according to the embodiment will be described with reference to FIGS. 7 and 8. FIG. FIG. 7 is a block diagram showing an example of the hardware configuration of the tracking processing device 100 according to the embodiment. FIG. 8 is a block diagram showing another example of the hardware configuration in the tracking processing device 100 according to the embodiment.

実施の形態における追尾処理装置１００の機能を実現する場合には、図７に示すように、演算を行うプロセッサ２００、プロセッサ２００によって読みとられるプログラムが保存されるメモリ２０２、及び信号の入出力を行うインターフェース２０４を含む構成とすることができる。 When realizing the functions of the tracking processing device 100 in the embodiment, as shown in FIG. The configuration may include an interface 204 for performing.

プロセッサ２００は、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、又はＤＳＰ（ＤｉｇｉｔａｌＳｉｇｎａｌＰｒｏｃｅｓｓｏｒ）といった演算手段であってもよい。また、メモリ２０２には、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（ＥｒａｓａｂｌｅＰｒｏｇｒａｍｍａｂｌｅＲＯＭ）、ＥＥＰＲＯＭ（登録商標）（ＥｌｅｃｔｒｉｃａｌｌｙＥＰＲＯＭ）といった不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃ）を例示することができる。 The processor 200 may be arithmetic means such as an arithmetic unit, a microprocessor, a microcomputer, a CPU (Central Processing Unit), or a DSP (Digital Signal Processor). The memory 202 includes non-volatile or volatile semiconductor memories such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable ROM), EEPROM (registered trademark) (Electrically EPROM), Examples include magnetic discs, flexible discs, optical discs, compact discs, mini discs, and DVDs (Digital Versatile Discs).

メモリ２０２には、追尾処理装置１００の機能を実行するプログラム及びプロセッサ２００によって参照されるテーブルが格納されている。プロセッサ２００は、インターフェース２０４を介して必要な情報を授受し、メモリ２０２に格納されたプログラムをプロセッサ２００が実行し、メモリ２０２に格納されたテーブルをプロセッサ２００が参照することにより、上述した第１の演算部２０、運動モデル切替部３０及び第２の演算部４０の演算処理を行うことができる。プロセッサ２００による演算結果は、インターフェース２０４を介して表示装置１１０に出力することができる。プロセッサ２００による演算結果は、表示装置１１０への出力と共に、メモリ２０２に記憶してもよい。 The memory 202 stores programs for executing the functions of the tracking processing device 100 and tables referred to by the processor 200 . Processor 200 exchanges necessary information via interface 204, processor 200 executes a program stored in memory 202, and processor 200 refers to a table stored in memory 202, thereby performing the above-described first processing. , the motion model switching unit 30 and the second calculation unit 40 can perform calculation processing. A calculation result by the processor 200 can be output to the display device 110 via the interface 204 . The results of computations by processor 200 may be stored in memory 202 along with output to display device 110 .

図７に示すプロセッサ２００及びメモリ２０２は、図８のように処理回路２０３に置き換えてもよい。処理回路２０３は、単一回路、複合回路、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－ＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）、又は、これらを組み合わせたものが該当する。なお、第１の演算部２０、運動モデル切替部３０及び第２の演算部４０における一部の処理を処理回路２０３で実施し、処理回路２０３で実施しない処理をプロセッサ２００及びメモリ２０２で実施してもよい。 The processor 200 and memory 202 shown in FIG. 7 may be replaced with a processing circuit 203 as shown in FIG. The processing circuit 203 corresponds to a single circuit, a composite circuit, an ASIC (Application Specific Integrated Circuit), an FPGA (Field-Programmable Gate Array), or a combination thereof. Note that the processing circuit 203 performs part of the processing in the first calculation unit 20, the motion model switching unit 30, and the second calculation unit 40, and the processor 200 and the memory 202 perform processing that is not performed in the processing circuit 203. may

なお、以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。 It should be noted that the configuration shown in the above embodiment shows an example of the contents of the present invention, and it is possible to combine it with another known technique, and the configuration can be changed without departing from the gist of the present invention. It is also possible to omit or change part of

１０センサ、１１観測情報、２０第１の演算部、２１演算結果、３０運動モデル切替部、３１選定情報、４０第２の演算部、４１推定結果、５０目標、５１モデル部、５２混合処理部、５３平滑処理部、５４更新処理部、５５統合処理部、５６遅延部、１００追尾処理装置、１１０表示装置、２００プロセッサ、２０２メモリ、２０３処理回路、２０４インターフェース。 10 sensor, 11 observation information, 20 first calculation unit, 21 calculation result, 30 motion model switching unit, 31 selection information, 40 second calculation unit, 41 estimation result, 50 target, 51 model unit, 52 mixing processing unit , 53 smoothing processing unit, 54 update processing unit, 55 integration processing unit, 56 delay unit, 100 tracking processing device, 110 display device, 200 processor, 202 memory, 203 processing circuit, 204 interface.

Claims

A tracking processing device that performs target tracking processing based on observation information from a sensor,
different types a first computing unit configured to construct a first motion model group consisting of motion models of, inputting the observation information and performing computation processing by a first interacting multiple model filter;
by the first computing unitoperation resultOn the basis of,Combination of different types of exercise models in the second exercise model groupa motion model switching unit that selects a
selected by the observation information and the motion model switching unitthe combinationOn the basis of,a second computing unit configured to perform computation by a second interacting multiple model filter configured separately from the first interacting multiple model filter, in which the second motion model group is constructed;
A tracking processing device comprising:

The tracking process according to claim 1, wherein the second motion model included in the second motion model group is a detailed model of the first motion model included in the first motion model group. Device.

A database is constructed in the motion model switching unit,
The motion model switching unit refers to the database based on the model probability of the first motion model included in the first motion model group, and sets the second motion model switching unit in the second calculation unit. 3. The tracking processing device according to claim 1, wherein a second motion model provided in a motion model group is selected.

The motion model switching unit selects a second motion model included in the second motion model group set in the second computation unit based on the target turning acceleration computed by the first computation unit. The tracking processing device according to claim 1 or 2, wherein is specified.

A tracking processing device that receives observation information from a sensor and performs target tracking processing through arithmetic processing by an interacting multiple model filter composed of a plurality of different types of motion models ,
A combination of the motion models to be set in the interacting multiple model filter of the computing unit at the subsequent stage based on the result of computation by the computing unit at the preceding stage is performed. A tracking processing device characterized by being configured to switch.