一種機(jī)動策略自適應(yīng)的目標(biāo)跟蹤信息濾波算法
【專利摘要】本發(fā)明提供了一種機(jī)動策略自適應(yīng)的目標(biāo)跟蹤信息濾波算法，首先建立多機(jī)動策略和多運(yùn)動模式的目標(biāo)跟蹤模型，然后進(jìn)行多機(jī)動策略多模型下的目標(biāo)跟蹤信息濾波算法，得到目標(biāo)跟蹤軌跡。本發(fā)明引入了機(jī)動決策的概念，建立了多機(jī)動策略、多運(yùn)動模型的目標(biāo)跟蹤模型，并通過不匹配機(jī)動策略的誤差壓縮率，利用后驗(yàn)信息實(shí)時校正機(jī)動策略轉(zhuǎn)移概率矩陣，顯著提高目標(biāo)跟蹤過程中機(jī)動策略的匹配度，進(jìn)而提高運(yùn)動模型的匹配度。同時，通過結(jié)合自適應(yīng)變結(jié)構(gòu)模型和卡爾曼信息濾波，有效融合多傳感器量測信息，顯著提高目標(biāo)跟蹤精度和穩(wěn)定度。
【專利說明】一種機(jī)動策略自適應(yīng)的目標(biāo)跟蹤信息濾波算法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標(biāo)跟蹤領(lǐng)域，涉及一種目標(biāo)跟蹤信息濾波算法。

【背景技術(shù)】
[0002] 隨著經(jīng)濟(jì)的發(fā)展，人們對商用客機(jī)的使用需求顯著提升，客機(jī)數(shù)量的提升對如何 高效的進(jìn)行空中交通管理提出了新的要求。同時，隨著科技的進(jìn)步，客機(jī)飛行速度的提升和 其他民用飛行器的逐漸投入使用，對如何高效進(jìn)行空中管理提出了挑戰(zhàn)。高效空中管理的 前提是獲取各飛行器精確的運(yùn)動狀態(tài)信息，這要求濾波跟蹤算法能有效地對各種不同類型 目標(biāo)進(jìn)行高精度跟蹤。但是目前一般的跟蹤算法是基于卡爾曼濾波算法，主要存在以下幾 個問題：1.適合于弱機(jī)動能力單一運(yùn)動方式的目標(biāo)，對現(xiàn)在空域中具備不同機(jī)動能力的飛 行器（客機(jī)、直升機(jī)、無人機(jī)等）顯然不完全適用。2.隨著傳感器技術(shù)的發(fā)展，海量的傳感 器探測數(shù)據(jù)要求濾波算法能有效地融合各傳感器的量測數(shù)據(jù)，但是一般的卡爾曼濾波算法 不具備多量測信息融合的能力。


【發(fā)明內(nèi)容】

[0003] 為了克服現(xiàn)有技術(shù)在跟蹤不同機(jī)動能力的飛行器時自適應(yīng)能力較差，缺乏多量測 信息融合能力的問題，提出一種機(jī)動策略自適應(yīng)的目標(biāo)跟蹤信息濾波算法。
[0004] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟：
[0005] 步驟1 :建立多機(jī)動策略和多運(yùn)動模式的目標(biāo)跟蹤模型
[0006] 設(shè)目標(biāo)共有m種可能的運(yùn)動模型，m取1?3，則k時刻第i種運(yùn)動模型的目標(biāo) 運(yùn)動模型與觀測模型為：

【權(quán)利要求】
1. 一種機(jī)動策略自適應(yīng)的目標(biāo)跟蹤信息濾波算法，其特征在于包括下述步驟： 步驟1:建立多機(jī)動策略和多運(yùn)動模式的目標(biāo)跟蹤模型 設(shè)目標(biāo)共有m種可能的運(yùn)動模型，m取1?3,則k時刻第i種運(yùn)動模型M丨的目標(biāo)運(yùn)動 模型與觀測模型為：
式中，xk和Zk分別為狀態(tài)向量和觀測向量；《二為模型的噪聲向量，< 為觀測噪聲 向量，且與T7丨為相互獨(dú)立不相關(guān)的零均值高斯白噪聲，方差分別為ei和祀；，Gt1和分別為Mi對應(yīng)的狀態(tài)轉(zhuǎn)移矩陣、過程噪聲輸入陣和觀測矩陣； 用卑R-1) 4 IML)表示在機(jī)動策略d的作用下由轉(zhuǎn)移到M/的模型轉(zhuǎn)移 概率，該機(jī)動策略對應(yīng)的模型轉(zhuǎn)移概率矩陣為：
式中，d = 1，2, --?]!表示目標(biāo)有n種可能的機(jī)動策略， k_l時刻所有可能的模型轉(zhuǎn)移概率矩陣的集合為以I 1〃 = U?…4 ; 用巧,# P(Ji I J^L1)表示機(jī)動策略的轉(zhuǎn)移概率，即由/L轉(zhuǎn)變?yōu)榈霓D(zhuǎn)移概率，Pdl為模型 轉(zhuǎn)移概率矩陣之間的轉(zhuǎn)移概率，機(jī)動策略之間的轉(zhuǎn)移概率矩陣為：
步驟2 :多機(jī)動策略多模型下的目標(biāo)跟蹤信息濾波算法 設(shè)共有N個坐標(biāo)雷達(dá)并行量測，即k時刻對目標(biāo)的位置量測信息共有N組分 別為：Zf[ZW = 1…k-1時刻目標(biāo)的運(yùn)動模型和機(jī)動策略分別為和 狀態(tài)濾波值和協(xié)方差分別為與pA ;且已知it和if i初值分別為穿和# ;用 表示目標(biāo)初始時刻運(yùn)動模型為Mi的概率，1/0表示目標(biāo)在初始時刻采用 機(jī)動策略4的概率；機(jī)動策略轉(zhuǎn)移概率矩陣初值設(shè)為Ttl = {Pu| i，j = 1，2,…n}; < =P{<-P4}=叫<-小叫匕J，< =戶{屹}?戶{<}，包含以下步驟： 2. 1機(jī)動策略與模型聯(lián)合條件概率的混合估計(jì) 運(yùn)動模型j與機(jī)動策略1的聯(lián)合概率預(yù)測值 式中，
， I 為A轉(zhuǎn)變?yōu)?丨的轉(zhuǎn)移概率；表示k_l時刻采用機(jī)動策略d時對應(yīng)的模型 轉(zhuǎn)移概率矩陣/^1中位于第i行、第j列的項(xiàng)，即由轉(zhuǎn)移到的概率；/^1為k-1時刻 目標(biāo)的運(yùn)動模型i和機(jī)動策略d的聯(lián)合條件概率； 運(yùn)動模型j與機(jī)動策略1的聯(lián)合條件概率的混合估計(jì)
2. 2濾波器混合初始條件計(jì)算 機(jī)動策略1下運(yùn)動模型j的初始狀態(tài)混合估計(jì)
式中，#為k-1時刻機(jī)動策略d下運(yùn)動模型i ， Xk-1 的濾波估計(jì)值； 機(jī)動策略1下運(yùn)動模型j初始狀態(tài)混合估計(jì)的協(xié)方差
式中，_為k_l時刻機(jī)動策略d下運(yùn) * - ， ^k-X 動模型i的濾波估計(jì)協(xié)方差； 2. 3利用卡爾曼信息濾波估計(jì)各機(jī)動策略及運(yùn)動模型下的狀態(tài)與協(xié)方差 1) .計(jì)算k時刻觀測序列Zk對信息狀態(tài)yk和Fisher信息Yk的貢獻(xiàn)i k和Ik
式中，和^分別為第i個觀測的量測矩陣和量測誤差方差，Z丨為第i個觀測序列； 2) .時間更新
式中，分別為機(jī)動策略1下運(yùn)動模型j的狀態(tài)轉(zhuǎn)移矩陣、觀測矩陣和過 程噪聲方差；分別為機(jī)動策略1下運(yùn)動模型j初始狀態(tài)混合估計(jì)及估計(jì)協(xié)方差， S Z/fp分別為k時刻機(jī)動策略丨下運(yùn)動模型j的狀態(tài)預(yù)測值和量測預(yù)測值，為 狀態(tài)預(yù)測協(xié)方差； 3) .卡爾曼增益及模型似然概率計(jì)算
式中，<、與7、Igf、Af分別為k時刻機(jī)動策略1下運(yùn)動模型j的新息、新息協(xié)方 差、卡爾曼濾波增益、模型似然概率； 4).機(jī)動策略1與模型j的聯(lián)合條件概率更新
2. 5機(jī)動策略轉(zhuǎn)移概率矩陣自適應(yīng)調(diào)整 將原機(jī)動策略轉(zhuǎn)移概率矩陣T中各元素 Pu做如下修正：
即可得到自適應(yīng)調(diào)整后的機(jī)動策略轉(zhuǎn)移概率矩陣T' = {P' u|i，j = 1…n}; 不斷重復(fù)2. 1?2. 5,直到滿足終止條件； 步驟3 :步驟2. 4所得的終止時刻濾波結(jié)果輸出即可得到終端濾波值，每一時刻的濾波 估計(jì)結(jié)果為對應(yīng)每一時刻目標(biāo)運(yùn)動的跟蹤濾波值，以連續(xù)形式輸出，即可得到目標(biāo)跟蹤軌 跡。
【文檔編號】G06F19/00GK104331623SQ201410623435
【公開日】2015年2月4日 申請日期:2014年11月6日 優(yōu)先權(quán)日:2014年11月6日
【發(fā)明者】李瑩, 周德云, 黃吉傳 申請人:西北工業(yè)大學(xué)