基于交互式多模型信息融合的助推滑翔飞行器目标估计方法及系统

技术领域

本发明属于目标跟踪技术领域，特别涉及一种基于交互式多模型信息融合的助推滑翔飞行器目标估计方法及系统。

背景技术

与传统的无机动空间飞行器自由段飞行轨迹相比，在助推段结束之后，助推滑翔飞行器可以利用气动力来保持长时间的滑翔飞行，纵向的轨道既可以是跳跃的，也可以是滑翔的，而在横向的机动性十分强。

目前针对助推滑翔飞行器的跟踪研究较少，由于助推滑翔飞行器的强机动性，其精确的动力学模型很难建立，而现有的模型建立较为复杂，计算量较大，难以满足实时跟踪的实际需求。而且由于发动机施加的推力的不确定性，在准确程度上也会造成一定的偏差。当前，各专家学者主要是基于交互式多模型IMM算法，将常加速度CA、常速度CV、Singer等模型进行交互，来最大程度地匹配实际运动规律。由于助推滑翔飞行器在临近空间中飞行，还会受到地球引力的影响，在无推力作用的滑翔阶段，一定程度上还满足无机动目标在空间自由段运动的动力学模型。而上述模型对于机动性强、运动规律不断变化的目标模型匹配程度也受到了一定方面限制。

发明内容

为此，本发明提供一种基于交互式多模型信息融合的助推滑翔飞行器目标估计方法及系统，对临近空间具有较强机动性的助推滑翔飞行器进行跟踪，能够有效减小估计误差，提升目标跟踪精度。

按照本发明所提供的设计方案，一种基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，包含如下内容：

采用当前统计模型和空间目标自由段动力学模型作为交互式统一模型的子模型；

利用至少两个地基雷达作为传感器，通过联邦滤波对交互式统一模型观测下目标状态估计进行信息融合，获取目标最优估计值。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，当前统计模型采用非零均值的时间相关模型，加速度当前概率密度利用修正瑞利分布来描述。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，空间目标自由段动力学模型中，依据地固坐标系下自由段动力学方程、动坐标系相对惯性坐标系的角速度及引力加速度，来获取助推滑翔飞行器自由段在地固坐标系中的状态方程。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，依据状态方程获取每个时刻目标状态，该目标状态包含地固坐标系下的位置和速度矢量，联合雷达观测量组成观测方程。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，雷达观测量由目标在雷达直角坐标系东北天系中的位置矢量表示，将该位置矢量与地固坐标系下的位置矢量进行坐标转换，以组建观测方程。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，交互式统一模型估计中，采用两部地基雷达作为传感器进行目标状态观测。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，使用联邦滤波算法将多传感器估计值进行信息融合，每个传感器对应一个子滤波器，各子滤波器并行工作，通过对子滤波器估计数据进行融合产生全局状态估计，并依据预设信息分配原则将动态信息重新反馈至每个子滤波器。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，依据当前时刻各子模型状态估计及模型概率获取交互计算后滤波器下一时刻输入，并结合观测值作为下一时刻模型输入，利用联邦滤波对不同传感器观测下的交互式统一模型进行滤波，分别得到各子模型条件下的估计值，经过滤波后得到各滤波输出；依据模型滤波新息及新息协方差获取各子模型更新概率，对模型进行概率更新，并依据更新后的概率和各滤波输出获取下一个时刻交互式统一模型输出，以根据该输出获取目标状态估计值。

作为本发明基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，信息融合中分配原则表示为：

进一步地，基于上述的方法，本发明还提供一种基于交互式多模型信息融合的助推滑翔飞行器目标估计系统，包含：模型构建模块和目标估计模块，其中，

模型构建模块，用于采用当前统计模型和空间目标自由段动力学模型作为交互式统一模型的子模型；

目标估计模块，用于通过联邦滤波对交互式统一模型观测下目标状态估计进行信息融合，获取目标最优估计值。

本发明的有益效果：

本发明针对现有的对助推滑翔飞行器进行跟踪的理论，在模型选择中，选取CS模型和空间动力学模型相结合，模型的匹配程度得到进一步的优化；选用交互式多模型IMM算法进行跟踪，相比于CS模型单独进行观测精度得到了很大提升；运用联邦交互式多模型对多传感器观测模型进行融合，相比于单传感器进行跟踪，估计精度得到较大提升；与复杂的助推滑翔飞行器在自由段飞行的模型相比，本案中计算量和系统的复杂程度满足实际需求，具有较强实用性。

附图说明：

图1为实施例中弹道导弹全程弹道估计流程示意；

图2为实施例中IMM算法流程示意；

图3为实施例中基于IMM模型的联邦滤波模型流程示意。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚、明白，下面结合附图和技术方案对本发明作进一步详细的说明。

针对如何通过简单且易于实现的算法来提高助推滑翔飞行器在空间自由段的估计精度问题，本发明实施例，参见图1所示，提供一种基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，包含如下内容：

S101、采用当前统计模型和空间目标自由段动力学模型作为交互式统一模型的子模型；

S102、利用至少两个地基雷达作为传感器，通过联邦滤波对交互式统一模型观测下目标状态估计进行信息融合，获取目标最优估计值。

由于单一传感器对空间目标跟踪从而进行运行轨道估计和预报很难满足现有的精度需求，因此，信息融合这一概念应运而生。信息融合是指将来自多个传感器或多源信息通过协调优化以及综合处理，产生新的有效信息，从而产生更为准确、更可信的结果。针对跳跃式助推滑翔飞行器的轨道滤波与跟踪进行研究，选用空间动力学模型和“当前”统计(CS)模型作为交互式多模型(IMM)算法的模型集，再利用联邦滤波理论对两个传感器观测下的IMM估计值进行信息融合，提升目标估计精度。

作为本发明实施例中的基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，当前统计模型采用非零均值的时间相关模型，加速度当前概率密度利用修正瑞利分布来描述。

“当前”统计模型CS是认为目标以某一加速度机动，下一时刻加速度的取值范围一定在“当前”加速度的一个邻域范围内，只能在“当前”加速度邻域范围内取值。与Singer模型的本质区别是“当前”统计模型是非零均值的时间相关模型，加速度“当前”概率密度用修正的瑞利分布描述，认为当前加速度预测值为加速度均值，机动目标在以当前加速度进行机动时，下一时刻的加速度范围时有限的，并且在当前加速度邻域内。

作为本发明实施例中的基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，空间目标自由段动力学模型中，依据地固坐标系下自由段动力学方程、动坐标系相对惯性坐标系的角速度及引力加速度，来获取助推滑翔飞行器自由段在地固坐标系中的状态方程。

假设无动力飞行器在自由段中位置、速度和加速度矢量分别表示为P＝[X Y Z]

ω

ω

地固系下引力加速度g可表示为：

弹道导弹自由段在地固系中的状态方程可描述为：

作为本发明实施例中基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，依据状态方程获取每个时刻目标状态，该目标状态包含地固坐标系下的位置和速度矢量，联合雷达观测量组成观测方程。进一步地，雷达观测量由目标在雷达直角坐标系东北天系中的位置矢量表示，将该位置矢量与地固坐标系下的位置矢量进行坐标转换，以组建观测方程。

假设状态方程在地固系中建立，则每个时刻目标的状态为地固系下的位置和速度矢量，观测方程即为雷达的观测量

雷达探测数据(r,A,E)通常由目标在雷达直角坐标系东北天系(ENU)中的位置矢量[x y z]

东北天系(ENU)中的位置矢量[x y z]

作为本发明实施例中基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，交互式统一模型估计中，采用两部地基雷达作为传感器进行目标状态观测。参见图2所示，基于CS模型和空间动力学模型的IMM采用容积卡尔曼滤波(CKF)算法，利用两部地基雷达进行观测。

作为本发明实施例中的基于交互式多模型信息融合的助推滑翔飞行器目标估计方法，进一步地，使用联邦滤波算法将多传感器估计值进行信息融合，每个传感器对应一个子滤波器，各子滤波器并行工作，通过对子滤波器估计数据进行融合产生全局状态估计，并依据预设信息分配原则将动态信息重新反馈至每个子滤波器。进一步地，依据当前时刻各子模型状态估计及模型概率获取交互计算后滤波器下一时刻输入，并结合观测值作为下一时刻模型输入，利用联邦滤波对不同传感器观测下的交互式统一模型进行滤波，分别得到各子模型条件下的估计值，经过滤波后得到各滤波输出；依据模型滤波新息及新息协方差获取各子模型更新概率，对模型进行概率更新，并依据更新后的概率和各滤波输出获取下一个时刻交互式统一模型输出，以根据该输出获取目标状态估计值。

联邦卡尔曼滤波算法基本思想是每个传感器对应一个子滤波器，各子滤波器并行工作，由主滤波器对局部滤波器估计数据进行融合，产生一个全局状态估计，再利用信息分配原则，把系统中的动态信息分重新反馈到每一个子滤波器和主滤波器中，根据是否对信息进行反馈，可将联邦滤波器分为无重置和有重置两种结构。基于IMM模型的联邦滤波模型流程如图3所示，算法具体实现可设计为如下：

(1)初始化设置。

分别用UT变换和CS-CKF的方法对数据分别进行初始化，得出两组初始状态估计和协方差估计值

(2)状态估计的交互式输入。

令

其中

(3)模型滤波。

将

实施例中可对主滤波器不进行信息分配，因此，子滤波器信息分配β

融合准则可表示为：

(4)计算模型可能性。

模型i滤波新息为v

(5)对模型概率更新

模型i更新后的概率：

其中

(6)k+1时刻状态估计输出：

进一步地，基于上述的方法，本发明实施例还提供一种基于交互式多模型信息融合的助推滑翔飞行器目标估计系统，包含：模型构建模块和目标估计模块，其中，

模型构建模块，用于采用当前统计模型和空间目标自由段动力学模型作为交互式统一模型的子模型；

目标估计模块，用于通过联邦滤波对交互式统一模型观测下目标状态估计进行信息融合，获取目标最优估计值。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。

基于上述的系统，本发明实施例还提供一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述的系统。

基于上述的系统，本发明实施例还提供一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现上述的系统。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述系统实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述系统实施例中相应内容。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述系统实施例中的对应过程，在此不再赘述。

在这里示出和描述的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制，因此，示例性实施例的其他示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和系统，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述系统的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。