基于最優(yōu)ar模型的自適應(yīng)機(jī)動(dòng)目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于雷達(dá)技術(shù)領(lǐng)域，涉及目標(biāo)跟蹤方法，可用于針對(duì)機(jī)動(dòng)目標(biāo)的自適應(yīng)跟 蹤，具體為一種基于最優(yōu)AR模型的自適應(yīng)機(jī)動(dòng)目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002] 機(jī)動(dòng)目標(biāo)跟蹤一直是目標(biāo)跟蹤領(lǐng)域中的一個(gè)熱點(diǎn)和難點(diǎn)，主要原因在于目標(biāo)運(yùn)動(dòng) 狀態(tài)的不確定性。對(duì)于跟蹤者來(lái)說(shuō)，被跟蹤目標(biāo)的準(zhǔn)確狀態(tài)通常是未知的。即使可以建立 目標(biāo)運(yùn)動(dòng)狀態(tài)的通用模型，但對(duì)不同的目標(biāo)或同一目標(biāo)不同時(shí)刻的運(yùn)動(dòng)狀態(tài)，跟蹤者仍然 很難確定狀態(tài)模型的具體形式和參數(shù)以及噪聲的統(tǒng)計(jì)特性等。如果所使用的狀態(tài)模型不準(zhǔn) 確，跟蹤算法往往會(huì)產(chǎn)生很大的跟蹤誤差，嚴(yán)重時(shí)將出現(xiàn)濾波發(fā)散。因此，目標(biāo)狀態(tài)模型的 建立成為機(jī)動(dòng)目標(biāo)跟蹤的首要問(wèn)題。一個(gè)準(zhǔn)確的狀態(tài)模型甚至比大量的觀測(cè)數(shù)據(jù)更為有 效，在觀測(cè)數(shù)據(jù)十分有限或觀測(cè)數(shù)據(jù)質(zhì)量很差的情況下，狀態(tài)模型的作用顯得尤為重要。
[0003] 長(zhǎng)期以來(lái)，人們提出了許多目標(biāo)運(yùn)動(dòng)模型。常用的目標(biāo)運(yùn)動(dòng)模型有常速模型，常 加速模型，Singer模型以及〃當(dāng)前〃統(tǒng)計(jì)模型等。常加速模型常被用作非機(jī)動(dòng)目標(biāo)運(yùn)動(dòng)模 型，而后三個(gè)則被用作機(jī)動(dòng)目標(biāo)運(yùn)動(dòng)模型，后三者的區(qū)別在于如何看待目標(biāo)的機(jī)動(dòng)特性。常 加速模型認(rèn)為加速度的波動(dòng)是一個(gè)嚴(yán)格的白噪聲過(guò)程，即各個(gè)時(shí)刻之間目標(biāo)的機(jī)動(dòng)是相互 獨(dú)立的，這顯然與實(shí)際不符；Singer模型將其改造成色噪聲過(guò)程，即零均值的一階Markov 過(guò)程，認(rèn)為當(dāng)前時(shí)刻加速度的變化只與上一時(shí)刻的加速度有關(guān)；而"當(dāng)前"統(tǒng)計(jì)模型則認(rèn) 為當(dāng)前時(shí)刻加速度只可能在上一時(shí)刻加速度的鄰域內(nèi)變化，其本質(zhì)是一種非零均值的一階 Markov模型，其對(duì)目標(biāo)機(jī)動(dòng)的假設(shè)比Singer模型更加符合實(shí)際，但是此模型相對(duì)應(yīng)的跟 蹤算法對(duì)于非機(jī)動(dòng)或弱機(jī)動(dòng)目標(biāo)的跟蹤性能較差。對(duì)于空中運(yùn)動(dòng)目標(biāo)，通常非機(jī)動(dòng)和弱機(jī) 動(dòng)的飛行時(shí)間占有很大比例。因此，建立一個(gè)非機(jī)動(dòng)和機(jī)動(dòng)運(yùn)動(dòng)目標(biāo)統(tǒng)一的狀態(tài)模型就非 常關(guān)鍵。更多的目標(biāo)狀態(tài)模型詳見(jiàn)[LiX.Rong，JilkovV.P·，"Surveyofmaneuvering targettracking,partI:dynamicmodels'，，IEEETransonAerospaceandElectronic Systems, 2003,vol. 39,no. 4,pp: 1333-1364.]?？偟膩?lái)說(shuō)，現(xiàn)有的狀態(tài)模型都是基于連續(xù)時(shí) 間微分模型的，即要對(duì)目標(biāo)的距離進(jìn)行估計(jì)，必須預(yù)先對(duì)目標(biāo)的速度、加速度等距離的微分 信息進(jìn)行估計(jì)。那么當(dāng)所估計(jì)的速度和加速度存在較大誤差時(shí)，估計(jì)的距離也同樣存在較 大誤差。而且現(xiàn)有的用于跟蹤的離散時(shí)間模型只能利用上一時(shí)刻的狀態(tài)信息，無(wú)法利用更 多的過(guò)去的數(shù)據(jù)，這在某種程度上限制了跟蹤算法的性能。
[0004] 現(xiàn)有的機(jī)動(dòng)目標(biāo)跟蹤算法大致可以分為兩類：基于機(jī)動(dòng)檢測(cè)的跟蹤算法和基于 多模型的跟蹤算法，詳見(jiàn)[LiX.Rong，JilkovV.P·，"Asurveyofmaneuveringtarget tracking,partIV:decision-basedmethods,'，ProceedingsofSPIEconference onSignalandDataProcessingofSmallTargets,April, 2002,pp:4728-4760.] 和[LiX.Rong,JilkovV.P.,"Surveyofmaneuveringtargettracking, partV:multiple-modelmethods,"IEEETransonAerospaceandElectronic Systems, 2005,vol. 41,no. 4,pp: 1255-1321.]。基于機(jī)動(dòng)檢測(cè)的方法中，最常用的方法是變 維濾波，即實(shí)時(shí)檢測(cè)目標(biāo)是否發(fā)生機(jī)動(dòng)，當(dāng)檢測(cè)統(tǒng)計(jì)量超過(guò)所設(shè)定的門限時(shí)，使用常加速模 型進(jìn)行濾波估計(jì)，否則使用常速模型。該方法參數(shù)設(shè)置簡(jiǎn)單，實(shí)用，而且在非機(jī)動(dòng)狀態(tài)下有 著很好的跟蹤性能，但是由于其狀態(tài)噪聲的方差是預(yù)先設(shè)定的，而不是在線自適應(yīng)調(diào)整的， 這一點(diǎn)影響了其在機(jī)動(dòng)情況下的跟蹤性能?；诙嗄Ｐ偷母櫵惴ㄖ?，最具代表性的是交 互多模型算法。該算法由一個(gè)常速模型和一個(gè)或多個(gè)不同狀態(tài)噪聲水平的常加速模型組 成，將各個(gè)模型的估計(jì)結(jié)果進(jìn)行概率加權(quán)作為最終的估計(jì)結(jié)果。此算法的處理機(jī)制非常適 用于機(jī)動(dòng)情況，而對(duì)非機(jī)動(dòng)情況的跟蹤性能則有所下降。另外，此算法需要過(guò)多的先驗(yàn)信 息，需要預(yù)先選擇狀態(tài)模型，設(shè)置各個(gè)模型的過(guò)程噪聲方差，以及模型間的轉(zhuǎn)移概率矩陣， 這些參數(shù)的設(shè)置都會(huì)影響算法最終的跟蹤性能，而且這些信息在實(shí)際應(yīng)用中幾乎是不可能 預(yù)先獲知的。

【發(fā)明內(nèi)容】

[0005] 為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于最優(yōu)自回歸 (Autoregressive，AR)模型的自適應(yīng)機(jī)動(dòng)目標(biāo)跟蹤方法，在AR模型的基礎(chǔ)上綜合應(yīng)用變維 濾波和協(xié)方差匹配的思想，在模型切換的同時(shí)通過(guò)滑窗的方法對(duì)狀態(tài)噪聲的方差進(jìn)行在線 統(tǒng)計(jì)；仿真發(fā)現(xiàn)，本發(fā)明對(duì)非機(jī)動(dòng)和機(jī)動(dòng)狀態(tài)均具有較好的跟蹤性能。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：
[0007] -種基于最優(yōu)AR模型的自適應(yīng)機(jī)動(dòng)目標(biāo)跟蹤方法，包括：
[0008] (1)設(shè)置模型參數(shù)：狀態(tài)噪聲的初始協(xié)方差矩陣Q。，滑窗長(zhǎng)度W，狀態(tài)變量的維 數(shù)M，多項(xiàng)式的階數(shù)N，顯著性水平α，并對(duì)目標(biāo)狀態(tài)的估計(jì)均值xk1|ki和估計(jì)誤差協(xié)方差 PkUki進(jìn)行初始化，k表示離散時(shí)間的采樣點(diǎn)；
[0009] (2)基于最小均方誤差準(zhǔn)則，在卡爾曼濾波框架下計(jì)算低階AR模型的系數(shù)；
[0010] (3)利用基于步驟（2)得到的低階AR模型進(jìn)行卡爾曼濾波，并在線計(jì)算狀態(tài)噪聲 的協(xié)方差Qk;
[0011] (4)根據(jù)給定的顯著性水平α，利用卡方檢驗(yàn)判斷目標(biāo)是否發(fā)生機(jī)動(dòng)，如果目標(biāo) 發(fā)生機(jī)動(dòng)，轉(zhuǎn)至步驟（5)，否則令k增加1，轉(zhuǎn)至步驟（2);
[0012] (5)基于最小均方誤差準(zhǔn)則，在卡爾曼濾波框架下計(jì)算高階AR模型的系數(shù)；
[0013] (6)利用基于步驟（5)得到的高階AR模型進(jìn)行卡爾曼濾波，并在線計(jì)算狀態(tài)噪聲 的協(xié)方差Qk;
[0014] (7)令k增加1，轉(zhuǎn)至步驟（2)。
[0015] 本發(fā)明首先將AR模型引入到卡爾曼濾波算法，通過(guò)最小均方誤差準(zhǔn)則計(jì)算出最 優(yōu)AR模型的系數(shù)；然后綜合利用變維濾波和協(xié)方差匹配的思想來(lái)應(yīng)對(duì)目標(biāo)運(yùn)動(dòng)狀態(tài)的變 化，即在低階模型下通過(guò)卡方檢驗(yàn)的方法判斷目標(biāo)是否發(fā)生機(jī)動(dòng)，一旦發(fā)生機(jī)動(dòng)，便切換到 高階模型；同時(shí)在整個(gè)濾波的過(guò)程中都利用滑窗的方法在線估計(jì)狀態(tài)噪聲的協(xié)方差，以更 好地適應(yīng)目標(biāo)機(jī)動(dòng)的大小。
[0016]與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)勢(shì)在于：
[0017] (1)本發(fā)明采用AR模型替換傳統(tǒng)的微分模型，不需要估計(jì)目標(biāo)的速度和加速度等 微分信息，消除了速度和加速度的估計(jì)誤差對(duì)距離估計(jì)的影響。而且其離散形式可以利用 更多的歷史數(shù)據(jù)對(duì)目標(biāo)的狀態(tài)進(jìn)行估計(jì)，克服了傳統(tǒng)離散時(shí)間微分模型只能利用上一時(shí)刻 的數(shù)據(jù)的缺點(diǎn)，在目標(biāo)的運(yùn)動(dòng)狀態(tài)不變的條件下優(yōu)于傳統(tǒng)模型。
[0018] (2)本發(fā)明采用AR模型作為目標(biāo)的運(yùn)動(dòng)模型，AR模型系數(shù)可以根據(jù)噪聲統(tǒng)計(jì)特性 的變化進(jìn)行實(shí)時(shí)調(diào)整，使得最終的跟蹤誤差達(dá)到最小。另外在進(jìn)行模型切換時(shí)，不需要改變 目標(biāo)狀態(tài)的維數(shù)，實(shí)現(xiàn)了模型之間的無(wú)縫切換，克服了傳統(tǒng)變維濾波算法中模型重新初始 化時(shí)跟蹤性能差的缺點(diǎn)。
[0019] (3)本發(fā)明在整個(gè)濾波過(guò)程中，根據(jù)協(xié)方差匹配原理，采用滑窗的方法對(duì)狀態(tài)噪聲 的協(xié)方差進(jìn)行在線統(tǒng)計(jì)，不僅可以較好地?cái)M合目標(biāo)機(jī)動(dòng)的變化趨勢(shì)，而且保證了狀態(tài)噪聲 方差的半正定性。
【附圖說(shuō)明】
[0020] 圖1是本發(fā)明的流程圖。
[0021] 圖2是本發(fā)明中卡爾曼濾波的流程圖。
[0022] 圖3是本發(fā)明仿真實(shí)驗(yàn)1中目標(biāo)的真實(shí)加速度。
[0023] 圖4是本發(fā)明仿真實(shí)驗(yàn)1得到的距離估計(jì)均值對(duì)比曲線。
[0024] 圖5是本發(fā)明仿真實(shí)驗(yàn)1得到的速度估計(jì)均值對(duì)比曲線。
[0025] 圖6是本發(fā)明仿真實(shí)驗(yàn)1得到的距離估計(jì)均方根誤差對(duì)比曲線。
[0026]圖7是本發(fā)明仿真實(shí)驗(yàn)1得到的速度估計(jì)均方根誤差