CN108363054B - 用于单频网络和多路径传播的被动雷达多目标跟踪方法 - Google Patents
用于单频网络和多路径传播的被动雷达多目标跟踪方法 Download PDFInfo
- Publication number
- CN108363054B CN108363054B CN201810133886.5A CN201810133886A CN108363054B CN 108363054 B CN108363054 B CN 108363054B CN 201810133886 A CN201810133886 A CN 201810133886A CN 108363054 B CN108363054 B CN 108363054B
- Authority
- CN
- China
- Prior art keywords
- target
- measurement
- path
- bistatic
- covariance
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/66—Radar-tracking systems; Analogous systems
- G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
- G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
- G01S13/726—Multiple target tracking
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于被动雷达目标跟踪技术领域,具体涉及一种用于单频网络和多路径传播的被动雷达多目标跟踪方法。本发明提出的跟踪方法,在处理量测与目标、路径和外辐射源之间的关联问题时,考虑通过不同外辐射源的不同传播路径到达接收器的多个量测为可能的目标量测,并把这些量测分别与已知的各双基地对的多径量测函数正确关联,从而获得目标信息的积累,增强目标检测能力。然后通过滑动窗的方式进行目标跟踪。
Description
技术领域
本发明属于被动雷达目标跟踪技术领域,具体涉及一种用于单频网络和多路径传播的被动雷达多目标跟踪方法。
背景技术
目标跟踪技术广泛应用于各领域中,特别是雷达信号***。被动雷达PR是一种利用外辐射源信号检测跟踪目标的双基地或多基地***,如,收音机,电视和通信节点基础(NB),PR在城市监督领域中表现出了很多优势。许多PR***现今都采用了单频网络(SFN),例如数字视频广播(DVB-T)、数字音频广播(DAB)、城市长期演变环境(LTE)的无线通信***。SFN中的所有外辐射源都同时发射同频的信号。因此,多个量测可能是源于同一个目标反射的不同外辐射源信号,有效处理量测、外辐射源和目标之间的关联问题变得非常必要。
此外,实际的城市应用场景中,如实施对无人机(UAV)的跟踪,PR的接收机往往不能被任意部署。因此,监视区域的建筑或障碍物很有可能加入到外辐射源-目标-接收机形成的双基地对(如图1)的信号传播路径中。当若多路径信号超过检测门限,将形成多路径杂波,造成虚假目标。
目前的相关文献只公开了处理单频网多目标跟踪、多径环境多目标跟踪,还没有同时处理单频网下存在多径量测情况下的多目标跟踪方法。
发明内容
本发明的目的,就是针对上述问题,提出了一种同时处理基于SFN的PR(SPR)场景下多目标跟踪的两种数据关联问题:量测与目标、路径的关联不确定性,量测与目标、外辐射源的关联不确定性。
本发明充分利用有用量测信息进行多目标跟踪的多基地多路径概率多假设跟踪(MS-MP-PMHT)算法,并用仿真验证该算法的性能,并证明有用的量测信息越多,目标的跟踪精度越好。
PMHT一种计算复杂度与量测数和目标数线性相关的批处理目标跟踪算法。其采用了量测与目标关联的“软”决策:允许多个量测与目标关联,且量测与目标的关联相互独立。PMHT算法实现的核心是在目标与量测关联未知的情况下,基于期望最大(EM)算法得到目标状态的最大后验(MAP)估计。
本发明的思路是,在处理量测与目标、路径和外辐射源之间的关联问题时,考虑通过不同外辐射源的不同传播路径到达接收器的多个量测为可能的目标量测,并把这些量测分别与已知的各双基地对的多径量测函数正确关联,从而获得目标信息的积累,增强目标检测能力。然后通过滑动窗的方式进行目标跟踪。
本发明所采用的技术方案为:
用于单频网络和多路径传播的被动雷达多目标跟踪方法,其特征在于,包括以下步骤:
a、获取被动雷达观测信息:
a1、初始化观测参数,包括:
目标数N,目标的初始状态,协方差,到达时间差(TDOA)方差,多普勒方差,检测概率,杂波密度λ,采样间隔,监控空间V,外辐射源个数S及位置ps=(xs,ys)T,s∈[1,S],接收站位置prec=(xrec,yrec)T,反射个数点L-1及位置i∈[1,L-1];
设定每对双基地有L条路径,其中L-1条路径分别由L-1个反射点反射到接收机,1条路径是接收机直接接收目标反射信号的直接路径;(如图1所示)
b、采用多基地多路径概率多假设跟踪(MS-MP-PMHT)算法,构造单频网络和多路径传播的被动雷达场景下,目标、路径和外辐射源之间的关联模型,使得每个目标的每对双基地的每条路径只有一个综合量测与综合协方差,包括:
b1、构造第t帧的后验概率计算公式:
设定任何量测最多由一个目标通过一对双基地的一种传播路径产生,一个目标能通过一对双基地的一种传播路径产生任何数量的量测,且量测与目标的关联、量测与路径的关联、量测与外辐射源的关联是统计独立的;
则将未知的关联表示为:
其中,mt是t时刻的量测数,kj(t,s,l)=n表示量测zj(t)目标xn(t)源于属于双基地对s的路径l,其先验概率表示为πn(t,s,l)=p(kj(t,s,l)=n),其计算公式为:
其中,n=0代表虚假目标,Pd n(s,l)为目标xn通过双基地对s的路径l产生量测的检测概率;
b2、构造似然计算公式:
假设杂波为空间均匀分布,则:
b3、构造后延概率公式为:
其中,表示时刻t量测zj(t)通过双基地对s路径l来源于目标xn(t)的后验概率。由此公式可知当L=1时,MS-MP-PMHT退化成多基地PMHT(MS-PMHT);S=1时,MS-MP-PMHT退化成多路径PMHT(MP-PMHT);
b4、构造综合量测和综合协方差公式为:
c、根据步骤a获得的观测数据和步骤b构造的关联模型,通过迭代的方式获得目标信息的积累,具体为,设置最大迭代次数,执行:
c2、经过步骤b构造的关联模型的计算后,判断t=Tb是否成立,如果成立,则进入步骤d;否则t=t+1,重复步骤c2;
d、进行目标跟踪,具体为:
采用堆叠方法将步骤c2得到的量测矩阵、综合量测及综合协方差进行堆叠,再运用扩展卡尔曼平滑算法实现状态的跟新估计;
对量测函数求雅克比矩阵,作为量测矩阵:
分别对量测矩阵、综合量测及综合协方差进行堆叠得到:
其中,diag(·)表示对角化矩阵;
e、判断迭代次数是否满足循环迭代收敛条件,即i是否等于最大迭代次数。如等于则进入步骤f;否则返回步骤c2,从t=1开始第i=i+1次迭代;
f、判断滑动窗是否包含T帧数据集最后Tb帧数据,如果没有,滑动窗向前滑动Ts个时
本发明的有益效果为:
第一,本发明在SFN环境下利用了不同双基地对的不同路径的量测信息,并把这些量测信息分别与已知的各双基地对的多径量测函数正确关联,从而获得目标信息的积累,增强目标的检测能力;
第二,本发明在SFN环境下有效的同时解决了量测与目标、路径,量测与目标、外辐射源之间的关联不确定性,并避免了传统目标跟踪算法数据关联指数级的计算量,MS-MP-PMHT算法的计算复杂度与量测数、外辐射源数和目标数线性相关。
第三,本发明不仅可应用于被动雷达。也适用于其他存在多站同频发射信号探测有多径杂波条件下的多基地雷达网下的目标探测。
附图说明
图1为SPR场景下,目标与传感器的位置和量测模型几何图;
图2为两条UAVs目标航迹及SPR场景的几何结构;
图3为单次仿真中两目标的跟踪航迹;
图4为单次仿真中的TDOA量测图;
图5为单次仿真中的多普勒频移量测图;
图6为算法100次蒙特卡洛的位置估计RMSE;
图7为算法100次蒙特卡洛的速度估计RMSE。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步的详细描述:
仿真在基LTE的SPR场景中进行,跟踪两个相邻匀速直线运动的UAVs,如图2所示,把MS-MP-PMHT与标准PMHT、MS-PMHT、MP-PMHT进行比较。
(1)初始化背景参数。
1a.2个UAVs运动的初始状态分别为:
x1(1)=[300m,10m/s,850m,-10m/s],x2(1)=[300m,12m/s,800m,-8m/s]。两目标的初始协方差均为对角矩阵diag([200,1,200,1])。
1b.反射点个数为1,位置为pref=(-200m,100m)T,2个外辐射源位置为p1=(1000m,0m)T,p2=(-500m,1000m)T。接收机位置为prec=(0m,0m)TTDOA测量范围是1.2~5.2us,多普勒频移测量范围是-180~-30Hz和50~200Hz。区域内杂波均匀分布,其数量服从泊松分布,每时刻的平均杂波数为40。目标的检测概率均为
r=(r1+r2+r3-dis)/(3e^2)
其中上标T表示矩阵的转置,仿真场景中有1个反射点,因此路径数L为2,路径中包含1条不经过反射点的直接路径,因此,当l=2时,pref T=[0;0]。
(3)构造MS-MP-PMHT第t帧的后验概率计算公式:
(4)计算综合量测和综合协方差:
(5)判断t=3s是否成立,如果成立,则执行下一步;否则t=t+1,返回执行步骤(3);
(6)扩展卡尔曼平滑:
(7)判断是迭代数i是否等于5,如等于则执行下一步;否则返回步骤(3),从t=1开始第i=i+1次迭代;
在本例实施中,图6和图7中多目标跟踪200次的RMSE表现出了各算法的跟踪精度。结果表明,MS-MP-PMHT利用到的有用信息最多,RMSE最小,航迹跟踪最准确。因为直射信号比多径信号检测概率高,所以MS-PMHT比MP-PMHT跟踪准确。MP-PMHT比PMHT跟踪更准确,因其利用了多径信息。
Claims (1)
1.用于单频网络和多路径传播的被动雷达多目标跟踪方法,其特征在于,包括以下步骤:
a、获取被动雷达观测信息:
a1、初始化观测参数,包括:
目标数N,目标的初始状态,协方差,到达时间差方差,多普勒方差,检测概率,杂波密度λ,采样间隔,监控空间V,外辐射源个数S及位置ps=(xs,ys)T,s∈[1,S],接收站位置prec=(xrec,yrec)T,反射个数点L-1及位置
设定每对双基地有L条路径,其中L-1条路径分别由L-1个反射点反射到接收机,1条路径是接收机直接接收目标反射信号的直接路径;
b、采用多基地多路径概率多假设跟踪算法,在单频网络和多路径传播的被动雷达场景下,建立目标、路径和外辐射源之间的关联模型,使得每个目标的每对双基地的每条路径只有一个综合量测与综合协方差,包括:
b1、构造第t帧的后验概率计算公式:
设定任何量测最多由一个目标通过一对双基地的一种传播路径产生,一个目标能通过一对双基地的一种传播路径产生任何数量的量测,且量测与目标的关联、量测与路径的关联、量测与外辐射源的关联是统计独立的;
则将未知的关联表示为:
其中,mt是t时刻的量测数,kj(t,s,l)=n表示量测zj(t)目标xn(t)源于属于双基地对s的路径l,其先验概率表示为πn(t,s,l)=p(kj(t,s,l)=n),其计算公式为:
其中,n=0代表虚假目标,Pd n(s,l)为目标xn通过双基地对s的路径l产生量测的检测概率;
b2、构造似然计算公式:
假设杂波为空间均匀分布,则:
b3、构造后延概率公式为:
其中,表示时刻t量测zj(t)通过双基地对s路径l来源于目标xn(t)的后验概率;由此公式可知当L=1时,MS-MP-PMHT退化成多基地PMHT;S=1时,MS-MP-PMHT退化成多路径PMHT;
b4、构造综合量测和综合协方差公式为:
c、根据步骤a获得的观测数据和步骤b构造的关联模型,通过迭代的方式获得目标信息的积累,具体为,设置最大迭代次数,执行:
c2、经过步骤b构造的关联模型的计算后,判断t=Tb是否成立,如果成立,则进入步骤d;否则t=t+1,重复步骤c2;
d、进行目标跟踪,具体为:
采用堆叠方法将步骤c2得到的量测矩阵、综合量测及综合协方差进行堆叠,再运用扩展卡尔曼平滑算法实现状态的跟新估计;
对量测函数求雅克比矩阵,作为量测矩阵:
分别对量测矩阵、综合量测及综合协方差进行堆叠得到:
其中,diag(·)表示对角化矩阵;
e、判断迭代次数是否满足循环迭代收敛条件,即i是否等于最大迭代次数,如等于则进入步骤f;否则返回步骤c2,从t=1开始第i=i+1次迭代;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133886.5A CN108363054B (zh) | 2018-02-07 | 2018-02-07 | 用于单频网络和多路径传播的被动雷达多目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133886.5A CN108363054B (zh) | 2018-02-07 | 2018-02-07 | 用于单频网络和多路径传播的被动雷达多目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363054A CN108363054A (zh) | 2018-08-03 |
CN108363054B true CN108363054B (zh) | 2021-07-02 |
Family
ID=63005496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810133886.5A Active CN108363054B (zh) | 2018-02-07 | 2018-02-07 | 用于单频网络和多路径传播的被动雷达多目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363054B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109509207B (zh) * | 2018-11-09 | 2021-07-06 | 电子科技大学 | 一种对点目标和扩展目标进行无缝跟踪的方法 |
CN110161492B (zh) * | 2019-01-24 | 2020-12-08 | 北京机电工程研究所 | 舰船航向航速提取方法 |
CN110726989B (zh) * | 2019-06-28 | 2023-06-02 | 武汉大学 | 一种分时多频外辐射源雷达多目标跟踪方法 |
CN110376574B (zh) * | 2019-07-04 | 2023-01-17 | 西北工业大学 | 一种基于多基地被动声纳观测数据的目标跟踪方法 |
CN110488277B (zh) * | 2019-08-29 | 2022-02-15 | 电子科技大学 | 基于外辐射源的分布式主被动雷达联合定位方法 |
DE102020121064A1 (de) | 2020-08-11 | 2022-02-17 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Betreiben eines Assistenzsystems eines Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie Assistenzsystem |
CN113359099A (zh) * | 2021-06-09 | 2021-09-07 | 电子科技大学 | 一种用于多目标雷达辐射源跟踪的属性数据关联方法 |
CN113534130B (zh) * | 2021-07-19 | 2022-12-06 | 西安电子科技大学 | 基于视线角度的多站雷达多目标数据关联方法 |
CN115453489B (zh) * | 2022-10-28 | 2023-03-24 | 长沙莫之比智能科技有限公司 | 一种毫米波雷达室内多径判别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729637A (zh) * | 2013-12-31 | 2014-04-16 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
CN107561507A (zh) * | 2017-08-08 | 2018-01-09 | 西安电子科技大学 | 一种外辐射源雷达的杂波对消方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10091616B2 (en) * | 2005-12-15 | 2018-10-02 | Polte Corporation | Angle of arrival (AOA) positioning method and system for positional finding and tracking objects using reduced attenuation RF technology |
US8666428B2 (en) * | 2008-01-29 | 2014-03-04 | Alcatel Lucent | Method to support user location in in-structure coverage systems |
CN104021519B (zh) * | 2014-06-17 | 2017-10-13 | 电子科技大学 | 基于gpu架构的密集杂波条件下机动多目标跟踪方法 |
CN104950302A (zh) * | 2015-05-22 | 2015-09-30 | 中国电子科技集团公司第十研究所 | 非合作目标定位方法 |
CN106468771B (zh) * | 2016-09-21 | 2019-01-11 | 电子科技大学 | 一种低可观测高杂波条件下的多目标检测与跟踪方法 |
CN107526070A (zh) * | 2017-10-18 | 2017-12-29 | 中国航空无线电电子研究所 | 天波超视距雷达的多路径融合多目标跟踪算法 |
-
2018
- 2018-02-07 CN CN201810133886.5A patent/CN108363054B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729637A (zh) * | 2013-12-31 | 2014-04-16 | 西安工程大学 | 基于容积卡尔曼滤波的扩展目标概率假设密度滤波方法 |
CN107561507A (zh) * | 2017-08-08 | 2018-01-09 | 西安电子科技大学 | 一种外辐射源雷达的杂波对消方法 |
Non-Patent Citations (1)
Title |
---|
"多传感器多目标跟踪的数据关联算法研究";高祺;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108363054A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363054B (zh) | 用于单频网络和多路径传播的被动雷达多目标跟踪方法 | |
Wang et al. | CSI-based fingerprinting for indoor localization: A deep learning approach | |
Park et al. | Closed-form localization for distributed MIMO radar systems using time delay measurements | |
US7574221B2 (en) | Method for estimating jointly time-of-arrival of signals and terminal location | |
Meissner et al. | UWB positioning with virtual anchors and floor plan information | |
CN109490826B (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
WO2016112758A1 (zh) | 终端的定位方法及装置 | |
Froehle et al. | Cooperative multipath-assisted indoor navigation and tracking (Co-MINT) using UWB signals | |
Ulmschneider et al. | Multiple hypothesis data association for multipath-assisted positioning | |
Chiou et al. | Design of an adaptive positioning system based on WiFi radio signals | |
Zhao et al. | Comparing centralized Kalman filter schemes for indoor positioning in wireless sensor network | |
Zhang et al. | Localization by signals of opportunity in the absence of transmitter position | |
Li et al. | DA-PMHT for multistatic passive radar multitarget tracking in dense clutter environment | |
Yan et al. | A noise reduction fingerprint feature for indoor localization | |
Schmitz et al. | TDOA fingerprinting for localization in non-line-of-sight and multipath environments | |
Ulmschneider et al. | Multipath assisted positioning with transmitter visibility information | |
Ulmschneider et al. | RANSAC for exchanging maps in multipath assisted positioning | |
CN109799477B (zh) | 一种面向毫米波车联网的序贯车辆指纹定位方法及装置 | |
Ulmschneider et al. | Cooperative Estimation of Maps of Physical and Virtual Radio Transmitters | |
Martinez et al. | Indoor location based on IEEE 802.11 round-trip time measurements with two-step NLOS mitigation | |
Gentner et al. | Ranging and multipath‐enhanced device‐free localisation with densely‐meshed ultra‐wideband devices | |
Ulmschneider et al. | Rao‐Blackwellized Gaussian Sum Particle Filtering for Multipath Assisted Positioning | |
Ulmschneider et al. | Improving maps of physical and virtual radio transmitters | |
Li et al. | RSS-based joint detection and tracking in mixed LOS and NLOS environments | |
Wang et al. | A deep learning based AoA estimation method in NLOS environments |
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 |