下载文档原格式
第33卷 第3期系统工程与电子技术Vol.33 No.32011年3月Systems Engineering and Electronics M arch 2011文章编号:1001 506X(2011)03 0515 08收稿日期:2010 03 09;修回日期:2010 11 24。
基金项目:国家自然科学基金(60872059);国家科技重大专项(2009ZX02027 004)资助课题作者简介:檀甲甲(1984 ),男,博士研究生,主要研究方向为数字信号处理算法及其应用。
E mail:hahajiajia@gm 跟踪机动目标的雷达波形选择新方法檀甲甲,张建秋(复旦大学电子工程系,上海200433)摘 要:针对多项式预测模型描述的机动目标,提出了一种新的雷达波形选择算法。
由于机动目标的运动方程满足多项式的规律,以运动目标的多项式预测模型作为状态方程,Kalman 滤波器可以很好地跟踪目标的位移和速度信息,并得到估计误差以及其预测。
利用跟踪器得到目标状态估计误差的预测误差椭圆为基准,通过分数阶傅里叶变换来旋转测量误差椭圆,以使得雷达的测量误差椭圆与目标跟踪算法对目标状态的估计误差的预测的误差椭圆正交,从而得到了最优的波形选择。
仿真结果表明,所提出的算法在性能上优于对比算法。
关键词:雷达波形选择;目标跟踪;多项式预测模型;Kalman 滤波器;模糊函数;分数阶傅里叶变换中图分类号:T N 953 文献标志码:A DO I :10.3969/j.issn.1001 506X.2011.03.10New waveform selection approach to tracking maneuver targetsT AN Jia jia,ZH ANG Jian qiu(Department of El ectronic Engineering,Fudan University ,S hanghai 200433,China)Abstract:A new approac h to w aveform selection for t racking the m aneuver target w hich is described by apolynomial prediction model is proposed.Because the m otion equation of the t arget is a polynom ial funct ion of t he time,t he polynom ial prediction m odel can describe the m ot ion st ate of the target accurat ely.If t he polyno m ial predict ion m odel is taken as the state equat ion of th e Kalman filter,t he Kalman f ilter can be used to t rack t he pos ition and velocity of the target and predict the prior uncertainty error ellipse of t he tracking system.A ccording to the prior uncert aint y error ellipse,t he f ractional Fourier t ransf orm (FrFT )is used to rot ate the m easurem ent error ellipse to make them orthogonal to each other.In this w ay,the optim al w aveform is select ed.T he sim ulation results show that the proposed algorit hm outperform s the constrast algorithm s.Keywords:w aveform selection;t arget tracking;polynom ial prediction m odel;Kalman filter;ambiguity f unct ion;f ract ional Fourier t ransform (FrFT )0 引 言长期以来,对于有源雷达的研究主要集中在如何提高接收机的效率,具体表现在如何从接收到的信号中提取关键信息的研究。
学 术 论 坛210科技资讯 SC I EN C E & TE C HN O LO G Y I NF O R MA T IO N目标跟踪是根据测控设备对目标运动状态的测量信息,实时快速确定目标运行轨迹的过程。
目标跟踪的应用领域非常广泛,例如:机场进出场飞机的检测、机动车辆的跟踪预测、非人工接触的目标轨迹测量等。
机动目标跟踪技术涉及到三个因素:一是目标的状态模型,用于表征目标的动力学特征;二是目标的观测模型,用于表征目标的运动现实;三是估计算法,使得运动轨迹在某种准则下达到最优。
在现实应用中,目标观测模型是最能直接影响跟踪精度的关键因素。
为了抑制系统误差的影响,最常用的方法有两种:一是通过设备标校,从硬件上校准误差;二是通过数学手段,估计和补偿系统误差。
较第一种方式而言,数学估计方法简单、费用低廉,本文采用第一种方法进行系统误差补偿计算。
同时,为了抑制机动目标的非线性模型效应,本文采用U K F 方法对非线性问题进行求解。
和传统扩展卡尔曼滤波而言,该方法不需要求解雅克比矩阵,可以模块化处理,易于工程实现。
为此,本文设计了扩展维度的UKF机动目标跟踪预测方法,不仅能有效抑制非线性状态模型引起的截断误差,还可以估计观测模型中的系统误差。
算法简单,能模块化处理,该方法可为机动目标跟踪提供新的思路。
1 状态模型和跟踪模型机动目标跟踪状态模型可写为如下形式: 1,k k k k r f t r .其中, ,,Tk k k k r x y z 为目标的状态向量;k 为目标状态模型噪声; f 为目标运动的状态方程,当目标动力学方程明确时,该方程表示微分方程;当目标动力学方程不明确时,该方程可以用数学拟合方程表示。
机动目标测量模型可以表示为如下形式: ,k k y g r W v .其中， g 为传感器跟踪模型,用来表示跟踪数据和目标状态的关系表达式。
本文假设是距离和速度跟踪。
W 是与跟踪模型相关的其他参数,如测站信息、测量大气信息等。
基于UKF的机动目标跟踪处理方法作者：潘淑娟刘靖来源：《科技资讯》 2014年第22期潘淑娟1 刘靖2(1.安丘市民营服务中心山东安丘 262100;2.湖南省涉外经济学院湖南长沙 410205)摘要:提出了基于UKF的机动目标跟踪处理方法,能有效抑制动力学模型非线性和观测模型非线性带来的模型误差。
和传统EKF滤波方法相比,该方法不仅避免了截断误差造成的滤波发散,而且避免了求解雅克比矩阵,简化计算流程,可以模块化处理,非常适合工程实现。
仿真实验表明,当目标呈现明显非线性特征并且大机动运动时,该方法可以有效确定目标轨迹,实现高精度目标跟踪。
关键词:机动目标跟踪 UKF 非线性模型中图分类号:TN959 文献标识码:A 文章编号:1672-3791(2014)08(a)-0186-02机动目标跟踪处理是从传感器对机动目标跟踪测量的数据中提取目标状态特征信息的过程。
对线性运动模型而言,传统的卡尔曼滤波可以获得最优估计。
但当目标运行轨迹呈现明显非线性性时,传感器测控信息将包含有非线性目标信息从而会形成明显的非线性特征,经过非线性变换的加性误差将变换成乘性误差,从而进一步影响目标特性提取精度。
尤其对于大机动目标跟踪而言,强非线性会使得测量模型曲率变大,形成模型误差。
在机动目标跟踪技术中,模型误差成为制约精度提高的关键之一[1～2]。
传统的线性化求解方式将截断误差会传播扩大到模型求解中,从而难以获得目标轨迹的精确解,甚至造成滤波发散。
本文提出了一种基于UKF的机动目标跟踪方法,对状态模型和测量模型采用UT变换,从而求取非线性变换的转移矩阵,保证了非线性系统的滤波精度。
1 问题描述机动目标跟踪问题可以描述为以下系统:其中,为目标的状态向量;为传感器跟踪模型,本文假设是距离和速度跟踪;W为与跟踪模型相关的其他参数。
2 UKF跟踪算法2.1 UT变换UKF方法是递归式Bayes估计方法,其核心和基础是计算非线性传递的随机向量的UT变换。
机动目标预测跟踪方法研究
【摘要】在目标被遮挡条件下的自动预测跟踪中，研究了跟踪机动目标过程中的角位置自适应卡尔曼预测算法。
针对估计与预算中出现的发散现象，推导了导引头框架角位置预测方法。
建立了目标遮挡预测跟踪测试系统，设计多种不同的目标运动形式，并通过转台实现，测试改进的自适应位置预测算法在典型测试条件下的有效性和准确程度。
实验结果表明：当目标进入遮挡区域时，改进的自适应位置预测算法能够有效地实现预测跟踪，保证目标退出遮挡时能够顺利重新捕获和跟踪。
【关键词】机动目标跟踪；自适应预测；卡尔曼滤波
1引言
日趋复杂的作战环境，对成像导引头的探测和跟踪能力提出了更高的要求，尤其是由于隐身、伪装、热障等条件下发生目标短时间丢失时，如何解决目标的预测跟踪问题显得尤为重要。
合理的预测跟踪算法能够准确地对目标实施预测引导跟踪，为图像处理赢得算法调整时间，并且保证目标再次出现在视场内时较小的跟踪误差，顺利实现目标的再捕获和跟踪。
机动目标的滤波与预测是估计当前和未来时刻目标运
动参数（如位置、速度和加速度）的必要技术手段。
当目标做非机动运动时，采用基本的滤波和预测方法即可很好地达到目的。
但是，在实际的目标估计与预测过程中，目标往往会发生机动，这时采用基本的滤波和预测方法以及先前的目标运动模型，已不能满足问题求解的需要，估计与预测也会出现发散现象。
这时就需要对基本的滤波和预测方法加以改进以求能够更加有效地解决问题。
2目标预测跟踪测试系统构成
2.1目标预测跟踪测试系统硬件
双轴电视导引头以俯仰框为内框，方位框为外框，内框中安装双轴微机械速度陀螺仪用于敏感内外轴系的惯性角速度，角位置传感器为光电编码器，执行器采用直流有刷力矩电机。
目标采用LED光源，安装在用于模拟目标运动的转台上，该转台可以模拟目标俯仰方向的运动，俯仰轴角度范围为±35°。
应用图1所示的开发测试系统，可以方便地进行导引头系统的跟踪测试实验，伺服控制器和图像处理算法都可以快速更改和测试，大大加快了系统的开发进度。
2.2跟踪测试系统的工作原理
导引头通过面阵可见光CCD相机获取LED光源的图像，然后对所获取的图像进行对比度分析，识别目标以后输出目标在靶面上的形心坐标。
在导引头伺服系统中，需要通
过求解反三角函数将像素值变换为俯仰框架的角增量指令
用于控制导引头的视线指向目标。
导引头伺服系统采用位置-速度双回路控制结构，位置环控制器采取常规的PI控制器，速度环采用PI控制器进行误差调节，采用基于模型参考自适应的扰动力矩观测器进行扰动观测和抑制。
3自适应预测跟踪系统的关键算法
在机动目标运动信息预测方面，前期研究较多的维纳滤波、α-β-γ滤波以及标准卡尔曼滤波都很难在目标的多种运动状态下使滤波器具有良好的跟踪性能。
现阶段在导引头跟踪系统中，有开发与应用前景的是实时辨识自适应滤波算法中的机动目标“当前”统计模型的均值与方差自适应跟踪算法。
在“当前”统计模型概念条件下，当目标正以某一加速度机动时，通过典型的离散处理方法，我们可以得到下列离散状态方程：
（1）
当采用上述的方程进行预算时，卡尔曼滤波方程可表示为：
（2）
如果将的一步预测看作在kT时刻的“当前”加速度即随机机动加速度的均值，自适应卡尔曼滤波算法可以表示为（3）
机动目标“当前”统计模型的均值与方差自适应跟踪算法能更为真实的反映目标机动范围和强度的变化，不仅能很好的跟踪机动与非机动目标，而且能严格消除稳态误差，估计无时间滞后，是实时辨识自适应滤波类方法中较为实用的算法。
4测试实验与结果
4.1测试实验主要参数
测试过程中使用的导引头为俯仰-偏航结构的电视导引头，图像处理器为DSP+FPGA结构的硬件平台，测试平台中各子系统的主要参数如表1所示。
4.2俯仰轴预测跟踪测试
首先使用目标遮挡板对俯仰方向进行遮挡，测试预测算法在目标进入遮挡区域时的跟踪效果。
对俯仰轴跟踪过程选取了图2中所示的四幅图像，在跟踪的第14s到第20s为目标被遮挡时间，遮挡时间共计6s，使用预测指令跟踪目标，当目标重新出现在靶面上时，依然处于靶心的位置，可以证明跟踪算法在这种条件下的有效性和准确性。
实验过程记录了俯仰方向的脱靶量、图像跟踪指令以及角位置变化情况，如图3所示。
算法中设计的跟踪回路的控制指令切换至预测值；当目标重新出现在视场中并且被图像处理器识别和跟踪后，跟踪回路的控制指令切换回到由脱靶量解算的角增量指令。
图3
中，（a）表示在预测跟踪过程中，俯仰方向的脱靶量；（b）表示在预测跟踪过程中，俯仰方向脱靶量解算指令以及预测指令；（c）表示俯仰方向目标遮挡实验全过程中导引头俯仰轴的角位置变化情况，其中，用红色实线标注的部分是预测跟踪过程中，俯仰轴的角位置变化情况。
从图3中可以看出当目标进入遮挡区域，图像跟踪丢失的情况下，预测跟踪能够顺利启用并且有效地实现对目标的预测跟踪，保证了目标退出遮挡重新进入视场后的再次捕获和跟踪。
5结束语
本文根据现代战场环境下导引头稳定跟踪平台会遇到的跟踪过程中目标被遮挡或干扰的情况，提出了应用自适应卡尔曼预测算法估计框架角位置信息用于引导跟踪的方法，同时，为了提高载体抑制扰动的能力，提出了应用基于模型参考自适应的扰动力矩观测器的方法，并介绍了用于测试预测跟踪效果的测试系统的结构和工作原理。
然后研究了基于“当前”加速度模型的自适应卡尔曼预测算法和扰动力矩观测器结构。
最后，测试了目标遮挡条件下预测跟踪的实际效果。
实验结果证明：导引头的俯仰能够实现遮挡条件下的预测跟踪，相比脱靶量指令，预测跟踪指令降低了67%。
基本满足了遮挡或干扰条件下的导引头预测跟踪的要求。
参考文献
[1] 李道京，王启才. 机动目标预测问题的研究[J]. 现代
雷达，1992，10（5）：10-15.
[2] 黄永梅，马佳光，傅承毓. 预测滤波技术在光电经纬仪中的应用仿真[J].光电工程，2002，29（4）：5-9.
[3] 黄永梅，张桐，唐涛等. 卡尔曼预测滤波对跟踪传感器延迟补偿的算法研究[J]. 光电工程，2006，33（6）：4-9.
[4] Bernd Uhrmeister.Kalman Filters for a Missile with Radar and/or Imaging Sensor [J]. Journal of Guidance，Control，andDynamics，1994，17（6）：1339-1344.
[5] Y.T. CHAN，J.B. PLANT，J.R.T. BOTTOMLEY. A Kalman Tracker With a Simple Input Estimator [J]. IEEE Transactions on Aerospace andElectronic Systems，1982，18（2）：235 - 241.
[6] K.V. RAMACHANDRA， B.R. MOHAN， B.R. GEETHA.A Three-State Kalman Tracker Using Position and Rate Measurements[J]. IEEE Transactions on Aerospace andElectronic Systems，1993，29（1）：215-222.
作者简介：
林京君（1987-），女，山东莱阳人，长春工业大学，硕士研究生；主要研究方向和关注领域：目标追踪。
林晓梅（1965-），女，山东黄县人，长春光机所，教授；主要研究方向和关注领域：信号处理。
