一種基于預(yù)測值量測轉(zhuǎn)換的多普勒雷達目標(biāo)跟蹤方法與流程

本發(fā)明屬于雷達目標(biāo)跟蹤領(lǐng)域，特別是涉及利用多普勒雷達量測轉(zhuǎn)換誤差的統(tǒng)計特性的計算方法。
背景技術(shù)：
：目前，在目標(biāo)跟蹤系統(tǒng)中，目標(biāo)的狀態(tài)方程一般是建立在直角坐標(biāo)系下的，而量測值一般是在極(球)坐標(biāo)系下獲得的。這樣，目標(biāo)跟蹤就成為一個非線性估計問題。解決這一問題的常用方法是轉(zhuǎn)換量測卡爾曼濾波(CMKF)算法，即使用轉(zhuǎn)換量測方法將極坐標(biāo)下的量測變換表示成直角坐標(biāo)系下的量測，從而使目標(biāo)跟蹤就成為一個線性估計問題。然而傳統(tǒng)的轉(zhuǎn)換量測的方法在轉(zhuǎn)換量測時會產(chǎn)生偏差。如何去除轉(zhuǎn)換量測值的偏差是提高雷達目標(biāo)跟蹤的精度的關(guān)鍵。當(dāng)前，去除轉(zhuǎn)換量測值的偏差的處理方式主要有：去偏的轉(zhuǎn)換量測卡爾曼濾波(CMKF-D)算法、無偏轉(zhuǎn)換量測卡爾曼濾波(UCMKF)算法、修正的無偏轉(zhuǎn)換量測卡爾曼濾波(MUCMKF)算法。CMKF-D算法求得的轉(zhuǎn)換量測的偏差和協(xié)方差矩陣會引入附加的誤差，因而不夠精確。UCMKF算法中的無偏轉(zhuǎn)換量測值是在真實值的條件下推導(dǎo)的，而轉(zhuǎn)換量測誤差的協(xié)方差矩陣在已獲得的無偏轉(zhuǎn)換量測值的基礎(chǔ)上直接在量測值的條件下推導(dǎo)的，因此存在兼容性的問題。MUCMKF算法克服兼容性的問題，但是僅僅在量測值的條件下推導(dǎo)轉(zhuǎn)換量測誤差的均值和協(xié)方差矩陣，因此有了基于預(yù)測位置的去相關(guān)無偏量測轉(zhuǎn)換卡爾曼濾波(DecorrelatedUnbiasedConvertedMeasurementKalmanFilter,DUCMKF)算法，該算法在計算轉(zhuǎn)換量測誤差的統(tǒng)計特性時，分別以量測值以及直角坐標(biāo)系下的位置預(yù)測值為條件獲得轉(zhuǎn)換量測誤差的均值和協(xié)方差，并選取其中準(zhǔn)確度較高者作為濾波器最終采用的轉(zhuǎn)換量測誤差均值和協(xié)方差矩陣。雖然算法跟蹤精度有所提高，但在計算以直角坐標(biāo)系下的位置預(yù)測值為條件的均值和協(xié)方差矩陣過程中采用UT變換計算，因此，犧牲了一定運算量。上述算法都僅僅考慮了雷達的位置量測。實際采用的雷達，尤其是多普勒雷達，往往還可以提供多普勒量測。理論計算與實踐已經(jīng)證明，充分利用多普勒量測信息可以有效地提高目標(biāo)的跟蹤精度。早先通常假設(shè)斜矩、角度和多普勒的量測誤差統(tǒng)計獨立，然而最近的研究表明，對于某些波形而言，斜距和多普勒的量測誤差是統(tǒng)計相關(guān)的。為減小多普勒量測模型在直角坐標(biāo)系下的強非線性，通過將斜距和多普勒量測相乘構(gòu)造了偽量測，如文獻“ZhanshengDuan,ChongzhaoHanandX.RongLi,SequentialNonlinearTrackingFilterwithRange-rateMeasurementsinSphericalCoordinates,7thInternationalConferenceonInformationFusion,Stockholm,2004,131-138.”將去偏量測轉(zhuǎn)換(DebiasedConvertedMeasurement，DCM)算法推廣為包含多普勒量測且斜距誤差和多普勒誤差相關(guān)的序貫濾波算法，然而，該方式中求解誤差均值和協(xié)方差時使用了嵌套的條件期望，導(dǎo)致了輕微的偏差。文獻“LeiMing,HanChong-zhao.SequentialnonlineartrackingusingUKFandrawrange-ratemeasurements[J].IEEETransactionsonAerospaceandElectronicSystems,2007,43(1):239-250.”公開的方案雖然沒有使用嵌套的條件期望，而是直接基于多普勒量測信息求一次期望，然后使用UT變換進行序貫卡爾曼濾波。文獻“(L.Jiao,Q.Pan,Y.Liang,andF.Yang,Anonlineartrackingalgorithmwithrange-ratemeasurementsbasedonunbiasedmeasurementconversion,inInformationFusion(FUSION),201215thInternationalConferenceon.IEEE,2012,pp.1400–1405.”也沒有使用嵌套的條件期望，而是直接基于多普勒量測信息求一次期望，然后使用二階EKF(擴展卡爾曼濾波)變換進行序貫卡爾曼濾波。然而以上方法都只是在各自部分進行的優(yōu)化，沒有將兩部分結(jié)合起來。技術(shù)實現(xiàn)要素：為了更加充分地利用雷達的多普勒量測信息，本發(fā)明將僅僅考慮位置量測的DUCMKF算法推廣到包含多普勒量測且斜距誤差和多普勒誤差相關(guān)的情況，以提升對目標(biāo)的跟蹤精度。在二維空間下，基于目標(biāo)的位置量測值(xm,ym)可得到雷達對目標(biāo)的斜距、方位角的量測值：基于目標(biāo)的多普勒量測信息可得到雷達對目標(biāo)的多普勒的量測值因量測誤差的存在，故雷達對目標(biāo)的斜距、方位角、多普勒的量測值可以定義為：其中斜距r、β和分別為雷達對目標(biāo)的、方位角、多普勒的真實值。和分別為雷達對目標(biāo)的斜距、方位角和多普勒的量測誤差，其均值均為零的高斯白噪聲序列，且和的相關(guān)系數(shù)為ρ。雷達對目標(biāo)的斜距、方位角、多普勒的量測值分別為：其中為rp、βp、的誤差。為了便于區(qū)分，本說明書中，用標(biāo)識符m表示量測值、p標(biāo)識預(yù)測值。因而，可得量測值(雷達對目標(biāo)的斜距、方位角、多普勒)、預(yù)測值和其誤差的關(guān)系為：極坐標(biāo)系和直角坐標(biāo)的關(guān)系為：由此可得轉(zhuǎn)換測量后的測量值的誤差為：在預(yù)測值的條件下，求得的轉(zhuǎn)換測量誤差的均值為：其中E(·)表示期望值，Cp用于標(biāo)識量測轉(zhuǎn)換結(jié)果。對轉(zhuǎn)換測量誤差求取協(xié)方差陣，可得到基于預(yù)測值的誤差協(xié)方差陣RCp為：將上面求得的基于直角坐標(biāo)系下的位置預(yù)測值的轉(zhuǎn)換量測誤差的均值和協(xié)方差陣應(yīng)用到標(biāo)準(zhǔn)卡爾曼濾波算法中，即可得到基于預(yù)測位置的量測轉(zhuǎn)換卡爾曼濾波算法，即基于預(yù)測位置的去相關(guān)無偏量測轉(zhuǎn)換卡爾曼濾波(DUCMKF)算法，通過DUCMKF算法，利用除去多普勒信息之外的一般量測信息，估計出目標(biāo)的位置，即目標(biāo)的估計位置。最后，使用多普勒信息和目標(biāo)的估計位置使用二階EKF，進行遞推序貫卡爾曼濾波，完成目標(biāo)跟蹤。因而，本發(fā)明的基于預(yù)測值量測轉(zhuǎn)換的多普勒雷達目標(biāo)跟蹤方法，具體包括下列步驟：步驟1：在預(yù)測值的條件下，計算轉(zhuǎn)換量測誤差的協(xié)方差矩陣：基于目標(biāo)的預(yù)測位置(xp,yp)可得到對應(yīng)的雷達對目標(biāo)的斜距、方位角預(yù)測值基于目標(biāo)的預(yù)測多普勒信息可得到雷達對目標(biāo)的多普勒的預(yù)測值基于多普勒雷達的系統(tǒng)參數(shù)(雷達對目標(biāo)的斜距、方位角、多普勒的量測誤差的方差以及斜距與多普勒的量測值的相關(guān)系數(shù)ρ)計算得到當(dāng)前轉(zhuǎn)換測量誤差的均值符號[·]T表示矩陣轉(zhuǎn)置。其中參數(shù)e表示自然底數(shù)，表示雷達對目標(biāo)的方位角的預(yù)測方差?；谵D(zhuǎn)換測量誤差的均值雷達對目標(biāo)的斜距的預(yù)測方差雷達對目標(biāo)的多普勒的預(yù)測方差斜距與多普勒的預(yù)測值的相關(guān)系數(shù)求取協(xié)方差矩陣，可得到基于預(yù)測值的誤差協(xié)方差矩陣的各元素，具體如下：其中，因此基于的各元素可得到基于預(yù)測值的誤差協(xié)方差陣步驟2：基于驟1計算得到的協(xié)方差矩陣RCp，采用卡爾曼濾波算法，進行目標(biāo)位置估計，得到目標(biāo)的估計位置；步驟3：基于多普勒信息和目標(biāo)的估計位置，采用二階擴展卡爾曼濾波，進行遞推序貫卡爾曼濾波，完成目標(biāo)跟蹤。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：客服了現(xiàn)有的基于轉(zhuǎn)換量測卡爾曼濾波算法的目標(biāo)跟蹤處理中，因未利用徑向速度(多普勒信息)進行目標(biāo)跟蹤，或者僅在量測值的條件下利用徑向速度進行目標(biāo)跟蹤而導(dǎo)致的精度不高的技術(shù)問題，本發(fā)明利用多普勒信息，獲取預(yù)測條件下的轉(zhuǎn)換量測誤差的統(tǒng)計特性RCp，而本發(fā)明提升了跟蹤精度，且運算量一定。附圖說明圖1是場景一中，本發(fā)明與現(xiàn)有方式對勻速目標(biāo)的跟蹤精度RMSE仿真結(jié)果對比圖；圖2是場景二中，本發(fā)明與現(xiàn)有方式對勻速目標(biāo)的跟蹤精度RMSE仿真結(jié)果對比圖；圖3是場景三中，本發(fā)明與現(xiàn)有方式對勻速目標(biāo)的跟蹤精度RMSE仿真結(jié)果對比圖；圖4是場景四中，本發(fā)明與現(xiàn)有方式對勻速目標(biāo)的跟蹤精度RMSE仿真結(jié)果對比圖。具體實施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合實施方式和附圖，對本發(fā)明作進一步地詳細描述?；诒景l(fā)明的跟蹤方法，可以對一般的運動軌跡進行跟蹤仿真，通過將本發(fā)明的跟蹤精度RMSE和運行時間與現(xiàn)有典型的基于量測值的可利用多普勒信息的序貫濾波算法(量測值序貫)和不能利用多普勒信息的基于預(yù)測值的轉(zhuǎn)換量測卡爾曼濾波算法(DUCMKF)進行比較，如圖1～4所示，其中圖1～4分別對應(yīng)四種不同的場景，從而表明本發(fā)明能在保持運算量基本不變的前提下，能有效提高跟蹤精度。跟蹤精度RMSE的定義為：其中和分別為第i次蒙特卡洛仿真時的x方向和y方向的狀態(tài)估計的誤差，N為蒙特卡洛次數(shù)。RMSE的值越小，跟蹤方案的跟蹤精度越高。在本具體實施例中，考慮對四種目標(biāo)場景進行跟蹤仿真。傳感器位于坐標(biāo)原點，采樣間隔為1s，過程噪聲為0.05，進行500次的蒙特卡洛仿真。初始值的設(shè)置：初始位置到原點的距離由均值為3000m，方差為300的高斯正態(tài)分布產(chǎn)生，初始位置到原點的方位角服從(0，,π/2)的均勻分布，速度由均值為100m/s，方差為5的高斯分布產(chǎn)生，速度的方向服從(0，,π/2)的均勻分布。場景一：傳感器的距離量測誤差為20m，方位角的量測誤差為0.5度，多普勒速度的量測誤差為0.1m/s,多普勒速度和距離的相關(guān)系數(shù)為0.5。場景二：傳感器的距離量測誤差為100m，方位角的量測誤差為1度,多普勒速度的量測誤差為0.5m/s,多普勒速度和距離的相關(guān)系數(shù)為0.5。場景三：傳感器的距離量測誤差為20m，方位角的量測誤差為0.5度,多普勒速度的量測誤差為0.1m/s,多普勒速度和距離的相關(guān)系數(shù)為0.1。場景四：傳感器的距離量測誤差為100m，方位角的量測誤差為1度,多普勒速度的量測誤差為0.5m/s,多普勒速度和距離的相關(guān)系數(shù)為0.1?；谏鲜瞿繕?biāo)場景，在相同的運行環(huán)境下對三種方案(本發(fā)明、量測值序貫和DUCMKF)的運行時間進行比較，其運行時間比較如表1所示。表1運行時間比較方案本發(fā)明量測值序貫DUCMKF單次掃描運行時間(s)0.0420160.025280.02821從中可見，量測值序貫的運行時間最短，本發(fā)明的單次掃描運行時間略小于量測值序貫的2倍。因而，本發(fā)明提出的跟蹤方法相比經(jīng)典的DUCMKF能提高一定的跟蹤精度；與量測值序貫相比，在犧牲一定執(zhí)行效率的條件下，能獲得明顯更高的跟蹤精度。綜合算法跟蹤精度及執(zhí)行效率，本發(fā)明提出的跟蹤方法為一種有效的目標(biāo)跟蹤方法。當(dāng)前第1頁1 2 3