CN107092808B - 一种编队目标合并机动模式下的跟踪方法 - Google Patents
一种编队目标合并机动模式下的跟踪方法 Download PDFInfo
- Publication number
- CN107092808B CN107092808B CN201710385783.3A CN201710385783A CN107092808B CN 107092808 B CN107092808 B CN 107092808B CN 201710385783 A CN201710385783 A CN 201710385783A CN 107092808 B CN107092808 B CN 107092808B
- Authority
- CN
- China
- Prior art keywords
- formation
- measurement
- target
- model
- merging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种编队目标合并机动模式下的跟踪方法,该方法基于整体机动跟踪模型获得目标的状态更新值,然后进行合并的判别,其中整体机动跟踪模型的建立方法为:先求取整体编队的加速度、编队内目标的外推,然后是波门的建立、杂波剔除模型及点迹合并模型的建立及关联量测的获取,最后是对目标状态进行更新。传统的机动目标跟踪算法因对回波复杂性考虑不足,难以取得理想的跟踪效果,且现有机动编队目标跟踪算法只简单的基于编队整体进行了研究,无法准确、实时的完成机动编队内各目标的状态更新,本发明弥补上述不足。
Description
本申请是申请日为2014年9月18日、申请号为2014104784959、发明名称为“典型机动编队目标跟踪建模方法”的专利申请的分案申请。
技术领域
本发明属于雷达信息融合技术领域,提供了几种典型机动编队目标跟踪建模方法。
背景技术
近年来,随着传感器性能尤其是分辨率的提高,越来越多的学者开始关注如何利用多个传感器获得的综合信息改善编队目标的跟踪性能,这使得编队目标跟踪领域出现许多有待解决的关键问题。在编队目标运动过程中,基于特定的战术或目的,编队目标随时会发生转弯、爬升、俯冲等整体机动,还会出现***、合并、分散等编队目标特有的机动模式,在这种情况下,编队内目标结构将发生变化,导致多传感器对编队内个体目标的分辨状态更为复杂,杂波环境下多传感器机动编队目标的精确跟踪问题变得十分困难。传统的多传感器机动目标跟踪技术难以跟踪机动编队目标,主要原因为:(1)当编队目标发生***、合并或分散时,传统的机动目标跟踪模型不再匹配;(2)编队内目标一般相距较近,因而回波交叉影响严重,再加上杂波的影响,当编队发生机动时,易出现跟丢、跟错等现象;(3)利用组网传感器探测编队目标时,因传感器与编队内目标的角度不同,各传感器对同一机动编队目标的探测状态可能不一致,实现多传感器信息的互补和剔除更加困难。现有机动编队目标跟踪算法大多基于编队整体对***、合并进行研究,对多传感器探测下发生机动时编队内目标的航迹更新问题尚未有文献报道,已不能满足目标跟踪领域的实际工程需求。
针对上述问题,有必要深入分析多传感器探测下编队发生机动时编队内目标的量测特性,研究如何建立编队整体机动、***、合并、分散等典型编队机动模式下的编队跟踪模型,以实现各机动模式下编队内目标的状态更新。
发明内容
要解决的技术问题
在航迹维持阶段,编队目标会发生各种机动,此时编队内目标回波的相对位置结构发生缩放、剪切、旋转等仿射变换,传统的机动目标跟踪算法因对机动编队目标回波复杂性考虑不足,难以取得理想的跟踪效果,且现有机动编队目标跟踪算法只简单的基于编队整体进行了研究,无法准确、实时的完成机动编队内各目标的状态更新。为弥补上述不足,本发明基于编队机动时的量测特性,建立整体机动、***、合并、分散四种典型的机动编队目标跟踪模型。
技术方案
本发明所述的典型机动编队目标跟踪模型的建立,包括以下技术流程:编队整体加速度的求取、编队内目标的外推、关联波门的建立、杂波剔除模型及点迹合并模型的建立、互联点迹的获取、编队内目标的状态估计。
有益效果
(1)基于多帧关联模型,充分利用了k-1时刻中各目标的状态更新值,节省了一个周期,缩短航迹确认及点-航关联的时间;
(2)以U1(k-1)中的各目标为航迹头,保证了分散后航迹的个数与原U1(k-1)中的目标个数吻合;
(3)对杂波鲁棒性较好,利用3/4航迹起始模型剔除了绝大部分杂波,保证了编队内目标跟踪的精确性。
附图说明
图1是编队整体、***、合并、分散机动跟踪模型流程图;
具体实施方式
以下结合说明书附图对本发明作进一步详细描述。参照说明书附图,本发明的具体实施方式分以下几个内容:
一、编队整体机动跟踪模型的建立
式中,T为采样周期。
式中,F(k)∈Rn,n为状态转移矩阵;
①若Ni≥2,首先需要建立点迹合并模型,本小节利用广义S-D分配的原则进行静态互联,根据静态关联结果对各传感器量测进行组合,消除多个传感器对应同一目标的冗余信息,并对各组合进行有效性判断,然后将被接受组合中所有量测点进行点迹压缩以获得一个等效量测点,实现多传感器点迹互联,同时剔除中的其他点迹,达到消除杂波的目的,最后选取等效量测点为互联量测
式中,H(k)为量测矩阵。
(6)存储装置6存储计算装置5输出的状态更新值和协方差更新值。
二、编队***跟踪模型的建立
计算装置7接受k时刻存储装置6的数据U(k-1),因对U(k-1)与U1(k)或U2(k)而言,编队发生了整体机动,所以U1(k)和U2(k)内各目标的状态更新可基于编队机动跟踪模型直接获得。因为U1(k)和U2(k)由U(k-1)***而来,所以一般情况下
但此处在k时刻分别基于Z1(k)和Z2(k)对U(k-1)中的所有航迹均进行了延续,所以U1(k)和U2(k)中必然存在虚假航迹,需要进一步删除。然而虚假航迹的删除过程在一个探测周期内很难完成,因此通过对各时刻航迹建立航迹质量,利用多帧互联模式终结虚假航迹并完成编队的***,具体描述为:
(2)滑窗的建立
建立一个[k,k+h]的滑窗,若
则判断编队U1(k)中航迹i为虚假航迹,将其删除;a为删除参数,与杂波密度有关,杂波密度越大,a的取值越小。
三、编队合并跟踪模型的建立
当编队U1(k-1)和U2(k-1)合并成U(k)后,U1(k)和U2(k)中的目标属于同一个编队,各目标间的空间距离和运动方式应该满足编队的定义,所以首先需要基于U1(k)和U2(k)重新进行编队的分割。设和为U1(k)和U2(k)中任意两个目标的状态更新值,若
则判定这两个目标属于同一个编队。式中,d0为常数阈值;γ为服从自由度为nx的χ2分布的门限值,这里nx为状态估计向量的维数;且
四、编队分散跟踪模型的建立
d′ij[Ri(k-1)+Rj(k)]-1dij≤γ (16)
(2)计算装置10接受计算装置9的输出结果,对可能航迹D1进行直线外推,并以外推点为中心,建立关联波门Ω(k+1),其由航迹外推误差协方差确定。若量测zi(k+1)落入关联波门Ω(k+1)内,假设zi(k+1)与zj(k)的连线与该航迹的夹角为α,若α≤σ(σ一般由测量精度决定,为了保证以很高的概率起始目标的航迹,可以选择较大的σ),则认为zi(k+1)可与D1互联。若存在多个点满足要求,则选取离外推点最近的量测互联。
若没有量测落入Ω(k+1)中,则将D1继续直线外推,以外推点为中心,建立后续关联波门Ω(k+2),其大小由航迹外推误差协方差确定。若量测zi(k+2)落入关联波门Ω(k+2)内,假设zi(k+2)与zi(k+1)的连线与该航迹的夹角为β,若β≤σ,则判定zi(k+2)可与D1互联。若存在多个点满足要求,则选取离外推点最近的量测互联。
若在第四次扫描中,没有量测落入后续关联波门Ω(k+2)中,则删除该可能航迹。
(3)在各个周期中不与任何航迹互联的量测用来开始一条新的可能航迹,转步骤(1)。
(4)计算装置11接受计算装置10的输出结果——目标i在k时刻的互联量测为zj(k)后,利用IMM模型的思想对目标进行滤波。
Claims (1)
当编队U1(k-1)和U2(k-1)合并成U(k)后,U1(k)和U2(k)中的目标属于同一个编队,各目标间的空间距离和运动方式应该满足编队的定义,所以首先需要基于U1(k)和U2(k)重新进行编队的分割;设和为U1(k)和U2(k)中任意两个目标的状态更新值,若
则判定这两个目标属于同一个编队;式中,d0为常数阈值;γ为服从自由度为nx的χ2分布的门限值,这里nx为状态估计向量的维数;且
基于编队分割中的循环阈值模型完成k时刻编队的重新识别,设识别后得到一个新的编队若则编队的合并完结,其中TU(k)为编队U(k)中的目标个数;否则利用k+1时刻的关联编队量测重复上述步骤,继续进行编队的合并判别;
所述整体机动跟踪模型的建立方法为:先求取整体编队的加速度、编队内目标的外推,然后是波门的建立、杂波剔除模型及点迹合并模型的建立及关联量测的获取,最后是目标状态进行更新;
所述杂波剔除模型及点迹合并模型的建立及关联量测的获取的具体方法为:
①若Ni≥2,首先需要建立点迹合并模型,利用广义S-D分配的原则进行静态互联,根据静态关联结果对各传感器量测进行组合,消除多个传感器对应同一目标的冗余信息,并对各组合进行有效性判断,然后将被接受组合中所有量测点进行点迹压缩以获得一个等效量测点,实现多传感器点迹互联,同时剔除中的其他点迹,达到消除杂波的目的,最后选取等效量测点为互联量测
式中,H(k)为量测矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385783.3A CN107092808B (zh) | 2014-09-18 | 2014-09-18 | 一种编队目标合并机动模式下的跟踪方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385783.3A CN107092808B (zh) | 2014-09-18 | 2014-09-18 | 一种编队目标合并机动模式下的跟踪方法 |
CN201410478495.9A CN104182652B (zh) | 2014-09-18 | 2014-09-18 | 典型机动编队目标跟踪建模方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410478495.9A Division CN104182652B (zh) | 2014-09-18 | 2014-09-18 | 典型机动编队目标跟踪建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107092808A CN107092808A (zh) | 2017-08-25 |
CN107092808B true CN107092808B (zh) | 2020-09-08 |
Family
ID=51963687
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710386479.0A Active CN107169299B (zh) | 2014-09-18 | 2014-09-18 | 一种编队目标分散机动模式下的跟踪方法 |
CN201410478495.9A Active CN104182652B (zh) | 2014-09-18 | 2014-09-18 | 典型机动编队目标跟踪建模方法 |
CN201710385783.3A Active CN107092808B (zh) | 2014-09-18 | 2014-09-18 | 一种编队目标合并机动模式下的跟踪方法 |
Family Applications Before (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710386479.0A Active CN107169299B (zh) | 2014-09-18 | 2014-09-18 | 一种编队目标分散机动模式下的跟踪方法 |
CN201410478495.9A Active CN104182652B (zh) | 2014-09-18 | 2014-09-18 | 典型机动编队目标跟踪建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (3) | CN107169299B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110134139B (zh) * | 2019-05-08 | 2022-04-08 | 合肥工业大学 | 一种对抗环境下无人机编队的战术决策方法和装置 |
CN110517294A (zh) * | 2019-08-29 | 2019-11-29 | 中国科学院长春光学精密机械与物理研究所 | 一种多目标编批方法、多目标编批装置及多目标编批设备 |
CN112068121A (zh) * | 2020-09-09 | 2020-12-11 | 中国航空工业集团公司雷华电子技术研究所 | 基于随机有限集的编队目标跟踪方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007144570A1 (en) * | 2006-06-13 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
CN102621542A (zh) * | 2012-04-02 | 2012-08-01 | 中国人民解放军海军航空工程学院 | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 |
CN103471591A (zh) * | 2013-04-15 | 2013-12-25 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联算法 |
CN103648108A (zh) * | 2013-11-29 | 2014-03-19 | 中国人民解放军海军航空工程学院 | 传感器网络分布式一致性目标状态估计方法 |
CN104050368A (zh) * | 2014-06-09 | 2014-09-17 | 中国人民解放军海军航空工程学院 | ***误差下基于误差补偿的群航迹精细关联算法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7194111B1 (en) * | 2003-07-10 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Navy | Hyperspectral remote sensing systems and methods using covariance equalization |
CN101290350B (zh) * | 2008-05-21 | 2011-02-16 | 覃征 | 地面集群目标跟踪方法 |
CN101984560A (zh) * | 2010-04-27 | 2011-03-09 | 中国人民解放军海军航空工程学院 | 集中式多源联合维特比数据互联*** |
CN103853908B (zh) * | 2012-12-04 | 2017-11-14 | 中国科学院沈阳自动化研究所 | 一种自适应交互式多模型的机动目标跟踪方法 |
-
2014
- 2014-09-18 CN CN201710386479.0A patent/CN107169299B/zh active Active
- 2014-09-18 CN CN201410478495.9A patent/CN104182652B/zh active Active
- 2014-09-18 CN CN201710385783.3A patent/CN107092808B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007144570A1 (en) * | 2006-06-13 | 2007-12-21 | Bae Systems Plc | Improvements relating to target tracking |
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
CN102621542A (zh) * | 2012-04-02 | 2012-08-01 | 中国人民解放军海军航空工程学院 | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 |
CN103471591A (zh) * | 2013-04-15 | 2013-12-25 | 中国人民解放军海军航空工程学院 | 基于逻辑法、全局最近邻和目标航向信息的机动多目标数据互联算法 |
CN103648108A (zh) * | 2013-11-29 | 2014-03-19 | 中国人民解放军海军航空工程学院 | 传感器网络分布式一致性目标状态估计方法 |
CN104050368A (zh) * | 2014-06-09 | 2014-09-17 | 中国人民解放军海军航空工程学院 | ***误差下基于误差补偿的群航迹精细关联算法 |
Non-Patent Citations (2)
Title |
---|
"基于交互多模型的高机动群目标跟踪技术";秦卫华等;《现代导航》;20111220(第6期);第431-435页 * |
"基于相对位置矢量的群目标灰色精细航迹起始算法";何友等;《航空学报》;20121025;第23卷(第10期);第1850-1863页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104182652A (zh) | 2014-12-03 |
CN107169299A (zh) | 2017-09-15 |
CN104182652B (zh) | 2017-06-23 |
CN107092808A (zh) | 2017-08-25 |
CN107169299B (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108254741B (zh) | 基于循环神经网络的目标航迹预测方法 | |
CN103729859B (zh) | 一种基于模糊聚类的概率最近邻域多目标跟踪方法 | |
CN108960303B (zh) | 一种基于lstm的无人机飞行数据异常检测方法 | |
CN109633590B (zh) | 基于gp-vsmm-jpda的扩展目标跟踪方法 | |
CN107247259B (zh) | 基于神经网络的k分布海杂波形状参数估计方法 | |
CN107092808B (zh) | 一种编队目标合并机动模式下的跟踪方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN102621542B (zh) | 基于多模粒子滤波和数据关联的机动微弱目标检测前跟踪方法 | |
CN105719312A (zh) | 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪*** | |
CN107340516B (zh) | 基于多普勒速度的联合逻辑快速航迹起始方法 | |
CN107730889B (zh) | 一种基于交通视频的目标车辆检索方法 | |
CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
Ma et al. | Target tracking system for multi-sensor data fusion | |
CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及*** | |
CN113532439B (zh) | 输电线路巡检机器人同步定位与地图构建方法及装置 | |
CN107292039B (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN114814820A (zh) | 一种基于毫米波雷达的多扩展目标跟踪方法及其设备 | |
Michael et al. | Probabilistic data association for semantic SLAM at scale | |
CN111898746B (zh) | 一种中断航迹接续关联深度学习方法 | |
CN112611376A (zh) | 一种RGI-Lidar/SINS紧耦合AUV水下导航定位方法与*** | |
CN115220002B (zh) | 一种固定单站的多目标数据关联跟踪方法和相关装置 | |
CN113703025B (zh) | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 | |
CN116597193A (zh) | 面向隧道智能建造的掌子面无人化地质编录方法及*** | |
WO2020118623A1 (en) | Method and system for generating an environment model for positioning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |