一种大测量误差下雷达高速高机动目标跟踪方法

文献发布时间：2024-04-18 20:00:50

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

其中，

（1）

其中，

（2）

其中，

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

（3）

其中，

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2

（4）

其中，

同样，通过对后

（5）

其中，

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1:2

（6）

其中，

（7）

其中，

根据前后

（8）

其中，

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2

（9）

（10）

（11）

其中，

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

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

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：