一種多傳感器信息融合的目標(biāo)跟蹤方法

一種多傳感器信息融合的目標(biāo)跟蹤方法

1多基陣水中機動目標(biāo)被動跟蹤進一步提高了處理器的性能和網(wǎng)絡(luò)技術(shù)，解決了多傳感器數(shù)據(jù)的同步工作和數(shù)據(jù)采集問題，并將多傳感器數(shù)據(jù)的聯(lián)合使用應(yīng)用于動態(tài)目標(biāo)跟蹤。這具有重要的軍事和民用價值。其中，多基矩陣水中的被動目標(biāo)跟蹤是研究的重點之一。僅利用方位信息對水中機動目標(biāo)進行被動跟蹤本質(zhì)上是一個非線性問題2目標(biāo)位置初步估計在水中目標(biāo)被動跟蹤問題中,由于跟蹤距離遠遠大于目標(biāo)深度,因此就可以忽略深度影響,將目標(biāo)與各基陣設(shè)定在同一平面內(nèi),即研究二維的目標(biāo)被動跟蹤問題在所建立的坐標(biāo)系中,由方位αα線段MA目標(biāo)相對于N條位置線的距離平方和為:可得方程組:解得目標(biāo)位置的估計為:3時間和速度跟蹤在獲得各時刻的位置初步估計及相應(yīng)的估計方差后,采用IMM算法對目標(biāo)進行跟蹤。機動目標(biāo)跟蹤系統(tǒng)通常是非線性而且不完全觀測的,因此每一時刻的目標(biāo)機動性都是高度不確定的。IMM算法是目前性價比最高的機動目標(biāo)跟蹤算法之一。該方法是一種基于“軟切換”的機動目標(biāo)跟蹤算法,對于不同的目標(biāo)運動狀態(tài)或同一個目標(biāo)的不同運動階段應(yīng)用不同的模型濾波。各模型濾波器通過估計狀態(tài)的組合實現(xiàn)相互作用,模型之間采用馬爾科夫鏈進行切換,各模型濾波器估計的加權(quán)作為最后的濾波狀態(tài)估計在k時刻的相對運動狀態(tài)矢量為:X(k)=[x(k),vx(k),y(k),vy(k)]T,x(k),y(k)為目標(biāo)相對坐標(biāo)原點在x方向與y方向的距離,vx(k),vy(k)為目標(biāo)相對坐標(biāo)原點在x方向與y方向的速度。假定有r個模型其中,Φ測量模型為為k時刻初步估計目標(biāo)位置的分量。V為位置估計誤差方差陣,是服從高斯分布的白噪聲序列,可由式(6)進行計算。IMM算法步驟如下(1)輸入交互:(2)線性卡爾曼濾波(3)模型概率更新:(4)輸出交互:4仿真實驗與分析三部聲納基陣的位置分別為(0m,Om)、(l0000m,-5000m)、(20000m,3000m),測量誤差分別為0.1°、0.2°和0.3°,采樣周期為2s;目標(biāo)的起始位置為(3000m,30000m);在0～800s沿y軸作勻速直線運動,運動速度為-15m/s;在800～1000s做90。的慢轉(zhuǎn)彎,加速度為a采用三個模型,第一個為二階常速模型(CV),第二和第三個模型均為三階常加速模型(CA),采用CA模型時的相對運動狀態(tài)矢量為:并且過程白噪聲的協(xié)方差矩陣Q=qI不同,控制模型轉(zhuǎn)換的馬爾科夫鏈的轉(zhuǎn)移概率由于系統(tǒng)具有的慣性,在無外來測量信息時,一般認為在當(dāng)前匹配模型的情況下,下一時刻的匹配模型仍為此模型的概率最大,因此在實際應(yīng)用中轉(zhuǎn)移概率矩陣的取值一般為主對角線占優(yōu)。模型初始概率矩陣U=[1,0,0]。這里進行了100次MonteCar1o仿真,結(jié)果如圖2、3、4。仿真結(jié)果表明,文中提出的算法可對目標(biāo)進行有效的跟蹤。跟蹤軌跡與物體運動真實軌跡基本吻合,濾波收斂速度較快,100次MonteCarlo仿真時間在60秒左右,單次仿真時間快,可滿足實時跟蹤的需要;位置和速度的跟蹤精度要高于雙基陣純方位機動目標(biāo)被動跟蹤的情形,這里跟蹤精度與算法中模型的選擇以及初始模型概率、轉(zhuǎn)移概率矩陣等參數(shù)初值的給定有關(guān)。在轉(zhuǎn)向階段誤差較大,這是由于假設(shè)各模型的估計為無偏估計,因而在實際系統(tǒng)運動模式發(fā)生變化時,不考慮過渡過程的存在,即模式之間的切換不需要時間,而濾波系統(tǒng)的慣性使跟蹤算法對實際系統(tǒng)運動模式切換的辨識有一定的延遲,這就使得在延遲時段內(nèi)算法的輸出精度降低5imm算法的應(yīng)用針對多部(三部及以上)聲納基陣對水中機動目標(biāo)進行跟蹤的問題,本文所提算法首先依據(jù)每一采樣時刻各基陣所觀測到的方位數(shù)據(jù),通過最小二乘法得到目標(biāo)位置的初步估計,然后將其作為