CN111679270B - 一种反射点不确定场景下多路径融合目标检测算法 - Google Patents

一种反射点不确定场景下多路径融合目标检测算法 Download PDF

Info

Publication number
CN111679270B
CN111679270B CN202010456711.5A CN202010456711A CN111679270B CN 111679270 B CN111679270 B CN 111679270B CN 202010456711 A CN202010456711 A CN 202010456711A CN 111679270 B CN111679270 B CN 111679270B
Authority
CN
China
Prior art keywords
target
state
reflection point
covariance
measurement
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
Application number
CN202010456711.5A
Other languages
English (en)
Other versions
CN111679270A (zh
Inventor
唐续
光昌国
王代维
程建
杨阳
董平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010456711.5A priority Critical patent/CN111679270B/zh
Publication of CN111679270A publication Critical patent/CN111679270A/zh
Application granted granted Critical
Publication of CN111679270B publication Critical patent/CN111679270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/411—Identification of targets based on measurements of radar reflectivity
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/418—Theoretical aspects

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

本发明公开了一种反射点不确定场景下多路径融合目标检测算法，属于雷达技术领域。本发明以迭代的方式同时估计目标和反射点的状态，用一批数据使用滑动窗口方式用于航迹初始化。每个迭代由两个步骤组成：预测和更新。在预测阶段，通过上个时刻最后一次迭代的估计状态来预测反射点的状态，在此基础上，通过多遍网格搜索全局最优解来估计目标的状态，在更新阶段，利用更新后的目标状态来重新估计反射点状态。重复上述步骤，迭代过程基于给定的最大迭代次数或判断是否过门限，如果迭代次数达到最大迭代次数或过门限则停止迭代，输出目标位置和反射点的位置。本发明提高了目标状态估计精度，对低空小目标进行有效的检测。

Description

一种反射点不确定场景下多路径融合目标检测算法
技术领域
本发明属于雷达技术领域，具体涉及一种反射点不确定场景下多路径融合目标检测算法。
背景技术
低小慢目标指的是飞行高度较低、体积相对较小、飞行速度慢的小型飞行器，典型的低小慢目标包括无人机、航模、滑翔伞等。最近几年随着我国民用无人机的发展，无人机性能达到国际一流水平，普通民众也能消费得起民用无人机。与此同时也带来了一些安全上的隐患，比如在民航机场经常会出现未被允许飞行的小型无人机，这对于机场的正常运行造成严重的影响，甚至会影响飞机的起飞与降落。另外，在一些活动场所中经常出现一些无人机，同样严重影响到了活动的安全保障。因此，如何有效管理和控制无人机，成为了当前雷达监测***亟待解决的问题。
为了提高在低信噪比、高杂波场景下目标的检测与跟踪性能，在检测***中应尽可能挖掘传感器接收量测中的目标信息。在一些应用场景中，由于电磁波传播存在多径效应，传感器在接收回波中同一帧中能产生多个目标量测。比如在城市环境中，高楼大厦随处可见，对于监测***来说目标很容易被遮挡，存在视觉盲区，再者电磁波信号在传播的时候不仅可以通过目标直接反射回到接收机，还会通过建筑物反射回到接收机，这种情况下目标会有多条传播路径，如果不对其进行处理的话会影响目标的正常检测。换个角度来说，通过其他路径反射回来的目标信号也是目标信息的一部分，如果能将这一部分目标信息利用起来，势必会增加目标检测性能。由于目标在不停的运动，反射点的位置一般也会随着目标的运动而运动，通常情况下只知道建筑物的大概位置，但是并不知道反射点在建筑物的具***置。
现有的基于多路径目标检测算法假定反射点已知，量测模式确定，如果在反射点未知场景下使用传统的多路径ML-PMHT(最大似然概率多假设跟踪)目标检测算法，会使得目标估计误差增大，而且容易产生虚假航迹，失跟率高。现有的多路径ML-PMHT目标检测算法，并没有将反射点不确定性建模到算法中，由于反射点初始位置不确定，导致量测误差增加，因此通过搜索优化得到的目标状态距离真实目标状态差距较大，并且容易将由杂波形成的对数似然比(LLR)误认为是目标形成的对数似然比(LLR)，从而造成虚假航迹。
发明内容
本发明的目的是克服ML-PMHT算法在反射点不确定多径环境中应用的不足，提供一种反射点不确定场景下高效多路径信息融合的最大似然概率多假设跟踪(ML-PMHT)的目标检测算法，具体来说是一种基于城市复杂环境的信号多路径特点，以及反射点不确定的传播特点，对低空小目标(比如小型飞行器)进行检测的方法。本发明所述方法通过对目标、多路径观测函数显式建模，多并对多路径观测信息进行融合处理，从而对低信噪比、高杂波、反射点不确定场景下的低空小目标的检测。
本发明所述方法的思路是，以迭代的方式同时估计目标和反射点的状态。用一批数据使用滑动窗口方式用于航迹初始化。在每次迭代中，使用相同的测量集。每个迭代由两个步骤组成：预测和更新。在预测阶段，通过上个时刻最后一次迭代的估计状态来预测反射点的状态，在此基础上，通过多遍网格搜索全局最优解来估计目标的状态，由于LLR的计算使用的是估计的反射点而不是使用真实反射点位置来计算的，因此LLR的全局最优并不能得到真实的目标状态。在更新阶段，利用更新后的目标状态来重新估计反射点状态。重复上述步骤，该迭代过程基于给定的最大迭代次数或判断是否过门限，如果迭代次数达到最大迭代次数或过门限则停止迭代，输出目标位置和反射点的位置。从而实现城市低信噪比、高杂波、反射点不确定场景下低空小目标的检测。
本发明所提出的技术问题是这样解决的：
一种反射点不确定场景下多路径融合目标检测算法，包括以下步骤：
步骤1.初始化多路径ML-PMHT算法环境参数：
初始化观测环境各项参数：监控空间V，反射点数L，反射点初始状态
Figure BDA0002509472790000021
表示均值为
Figure BDA0002509472790000022
协方差为
Figure BDA0002509472790000026
的高斯分布，1≤l≤L，每个反射点对应一个路径，量测通过传播路径l来源于目标n的先验概率为πn，l，量测来源于杂波的先验概率π00，当前迭代次数Iter＝1，最大迭代次数为Imax；
目标初始化场景下参数向量分别表示为：
Figure BDA0002509472790000023
Figure BDA0002509472790000024
Figure BDA0002509472790000025
其中，k为批处理的采样时刻数，1≤k≤Nw，Nw为批处理长度，X为Nw个时刻的目标状态参数，Xf为Nw个时刻反射点状态参数，Z为Nw个时刻的量测集合；
在k时刻目标的状态向量表示为：
Xk＝{x1，k，...，xn，k，...，xN，k}n＝1，...，N
在k时刻反射点状态向量表示为：
Figure BDA0002509472790000031
在k时刻收到的量测集合表示为：
Figure BDA0002509472790000032
其中，xn，k为k时刻第n个目标的状态，N为目标的个数，
Figure BDA0002509472790000033
表示k时刻第l个反射点的状态，L为反射点的个数，zk，j表示传感器k时刻收到的第j个量测，mk表示传感器k时刻收到的量测个数；
对目标的运动过程和对不同传播路径的观测方程分别表示为：
xn，k＝Fn，kxn，k-1+vn，k
Figure BDA0002509472790000034
其中，Fn，k为目标运动矩阵，xn，0为第n个目标运动的初始状态，hl为xn，k经路径l的观测函数；zn，k，l为xn，k通过路径l产生的目标量测；vn，k和ωn，l，k分别为目标过程噪声和观测噪声，都是均值为零的高斯白噪声，协方差矩阵分别为Qn，k和Rn，l，k；
步骤2.预测反射点状态与方差：
Figure BDA0002509472790000035
Figure BDA0002509472790000036
其中，
Figure BDA0002509472790000037
表示k时刻第l个反射点预测状态，Fl，k表示反射点的运动矩阵，vl，k表示反射点过程噪声，是零均值的高斯白噪声，协方差矩阵为
Figure BDA0002509472790000038
表示k时刻反射点l的预测状态协方差，
Figure BDA0002509472790000039
表示反射点l的初始预测状态协方差；
Figure BDA00025094727900000310
是测量模型对反射点状态的雅可比矩阵，其中
Figure BDA00025094727900000311
表示
Figure BDA00025094727900000312
关于
Figure BDA00025094727900000313
的偏导，上标T表示转置；
步骤3.根据预测的反射点状态，搜索所有可能的目标状态：
步骤3-1.令N′＝1，目标状态集合X′为空向量，
Figure BDA00025094727900000314
步骤3-2.搜索单目标LLR全局最大值；
Figure BDA00025094727900000315
Figure BDA00025094727900000316
其中，
Figure BDA0002509472790000041
pl[zk，j|xn′，k]表示通过路径l以第n′个目标为中心的高斯概率；
Figure BDA0002509472790000042
其中，
Figure BDA0002509472790000043
表示高斯概率密度函数，高斯变量zk，j的均值为
Figure BDA0002509472790000044
协方差为Rn′，l，k，且有：
Figure BDA0002509472790000045
步骤3-3.判断单目标LLR全局最大值
Figure BDA0002509472790000046
是否大于检测门限，若是，确认
Figure BDA0002509472790000047
为新目标，
Figure BDA0002509472790000048
即将
Figure BDA0002509472790000049
加入到向量X′中，转至步骤3-4；否则，结束检测过程，转至步骤4；
步骤3-4.从量测集合
Figure BDA00025094727900000410
中剔除与已确认为新目标关联的量测，剔除依据为目标后验关联概率最高的量测将被剔除；
ML-PMHT后验关联概率wj，n′，l，k计算公式为：
Figure BDA00025094727900000411
步骤3-5.令N′＝N′+1，转至步骤3-2；此时搜索状态空间为4N′维，由于有(N′-1)个目标已经确认，在新的搜索过程无需搜索已经搜出的4(N′-1)维，所以新的搜索阶段只需要对未知的4维状态进行搜寻；
步骤4.更新反射点状态：
步骤4-1.计算k时刻的量测zk，j通过第l条路径来源第n个目标的后验概率：
Figure BDA00025094727900000412
步骤4-2.计算每个目标在每条路径下的综合量测
Figure BDA00025094727900000413
及综合协方差
Figure BDA00025094727900000414
Figure BDA00025094727900000415
Figure BDA0002509472790000051
步骤4-3.不同路径下的雅克比矩阵、综合量测、综合量测协方差分别进行堆叠：
堆叠雅克比矩阵：
Figure BDA0002509472790000052
堆叠综合量测：
Figure BDA0002509472790000053
堆叠量测协方差：
Figure BDA0002509472790000054
其中，diag表示对角化矩阵；
步骤4-4.对反射点执行扩展卡尔曼平滑算法：
步骤4-4-1.前向滤波
对于k＝1∶Nw，
Figure BDA0002509472790000055
其中，
Figure BDA0002509472790000056
为由k-1时刻的反射点状态预测的k时刻的第l个反射点状态，Ff为反射点的运动矩阵，
Figure BDA0002509472790000057
为k-1时刻的第l个反射点状态；
Figure BDA0002509472790000058
Figure BDA0002509472790000059
其中，
Figure BDA00025094727900000510
为第n′个新目标通过第l个反射点得到的量测，
Figure BDA00025094727900000511
堆叠得到综合量测
Figure BDA00025094727900000512
Figure BDA00025094727900000513
其中，
Figure BDA00025094727900000514
为预测得到的第l个反射点协方差，
Figure BDA00025094727900000515
为k-1时刻的第l个反射点协方差；
Figure BDA00025094727900000516
其中，
Figure BDA00025094727900000517
为卡尔曼增益；
Figure BDA00025094727900000518
其中，
Figure BDA00025094727900000519
为卡尔曼滤波更新后的第l个反射点协方差，I为单位矩阵；
Figure BDA0002509472790000061
其中，
Figure BDA0002509472790000062
为卡尔曼滤波更新后的第l个反射点状态；
步骤4-4-2.后向平滑
对于k＝Nw-1∶1，
Figure BDA0002509472790000063
其中，
Figure BDA0002509472790000064
为平滑增益；
Figure BDA0002509472790000065
其中，
Figure BDA0002509472790000066
为k时刻平滑后的第l个反射点状态；
Figure BDA0002509472790000067
其中，
Figure BDA0002509472790000068
为k时刻平滑后的第l个反射点协方差；
步骤5.令Iter＝Iter+1，判断Iter是否大于Imax，若是，转至步骤6，否则转至步骤2；
步骤6.输出目标状态集合X′和反射点的状态和协方差。
本发明的有益效果是：
本发明对城市复杂环境的信号多路径以及反射点不确定的传播特点，同时利用ML-PMHT的算法特性有效降低量测与目标关联的计算复杂度，能有效利用多条路径的量测信息，提高了目标状态估计精度。对低空小目标(比如小型飞行器)进行有效的检测。
附图说明
图1为实施例中城市飞行器检测场景下目标与传感器的位置几何图；
图2为实施例中监控空间中2两个目标10个采样时刻的时延观测杂波图；
图3为实施例中监控空间中2两个目标10个采样时刻的多普勒观测杂波图；
图4为实施例中目标和反射点状态估计的迭代误差图；
图5为100次蒙特卡洛实验中目标状态估计航迹图。
具体实施方式
下面结合附图和实施例对本发明进行进一步的说明。
本实施例提供一种反射点不确定场景下多路径融合目标检测算法，包括以下步骤：
步骤1.初始化环境参数和算法参数，城市飞行器检测场景下，目标与传感器的位置几何图如图1所示，该场景下存在2个反射点、1个发射机、1个接收机和2个目标，即L＝2，N＝2， l＝1，2，n＝1，2，该场景下单个目标根据电磁波传播顺序会产生3条传播路径：
在城市小型无人机的检测场景中，接收机基站固定在[0m，0m]收集由建筑物和目标反射回来的信号，发射机基站固定在[-500m，1000m]，由于本发明属于外辐射源雷达，采用4G 基站做为发射基站。
多普勒观测空间Vγ＝500Hz，多普勒标准差σγ＝2Hz，时延观测空间Vr＝10μs，监控空间V＝VγVr，时延标准差σr＝0.03μs，航迹虚警率PFA＝0.02，每条路径信噪比SNR＝7dB，假定杂波在单元内均匀分布，批处理长度为Nw＝10，且平均每个时刻的杂波数Nλ＝10。监控空间中2两个目标10个采样时刻的时延观测杂波图如图2所示，多普勒观测杂波图如图3 所示。
雷达***采样时刻之间的间隔ΔT为2s，仿真总时长为10个时刻，每批处理中最大迭代次数Imax＝10次，当前迭代次数Iter＝1。
在采样过程中，2个目标的初始状态的运动向量分别为：
x1，1＝[-104m 21m/s 1310m -9m/s]
x2，1＝[-100m 20m/s 500m 9m/s]
检测空间中存在两个反射点，反射点1初始状态
Figure BDA0002509472790000071
其中
Figure BDA0002509472790000072
反射点2初始状态
Figure BDA0002509472790000073
其中
Figure BDA0002509472790000074
量测通过传播路径l来源于目标n的先验概率为πn，l＝0.02，量测来源于杂波的先验概率π00＝0.96。
步骤2.预测反射点状态与方差：
Figure BDA0002509472790000075
Figure BDA0002509472790000076
其中，
Figure BDA0002509472790000077
表示k时刻第l个反射点预测状态，Fl，k表示反射点的运动矩阵，vl，k表示反射点过程噪声，是零均值的高斯白噪声，协方差矩阵为
Figure BDA0002509472790000078
表示k时刻反射点l的预测状态协方差，
Figure BDA0002509472790000079
表示反射点l的初始预测状态协方差；
Figure BDA00025094727900000710
是测量模型对反射点状态的雅可比矩阵，其中
Figure BDA00025094727900000711
表示
Figure BDA00025094727900000712
关于
Figure BDA00025094727900000713
的偏导，上标T表示转置；
步骤3.根据预测的反射点状态，搜索所有可能的目标状态，得到
Figure BDA0002509472790000081
为新目标的状态，n′＝1，2；
步骤4.更新反射点状态，得到k时刻平滑后的第l个反射点状态
Figure BDA0002509472790000082
k时刻平滑后的第l个反射点协方差
Figure BDA0002509472790000083
步骤5.令Iter＝Iter+1，判断Iter是否大于Imax，若是，转至步骤6，否则转至步骤2；
步骤6.输出目标状态集合X′和反射点的状态和协方差。
图4给出了目标和反射点状态估计的迭代误差图。可以看到随着迭代次数的增加，目标和反射点的估计误差越来越小，在迭代到4次之后，目标和反射点的估计误差基本收敛，后续迭代中误差在一个很小的范围内波动，因此迭代算法是有效的。这是因为在迭代的过程中初始反射点误差较大，因此估计出来的目标状态误差较大，随着迭代的进行，通过估计出来的目标状态来更新反射点的状态，再使用更新后的反射点状态带入似然公式，从而使得目标状态估计更加精确，通过几次迭代之后，估计出来的反射点位置不断接近真实反射点位置，从而达到提高估计精度的目的。
图5中蓝色实线为在低信噪比，高杂波、反射点不确定场景下对多目标检测100次目标初始化结果，且统计结果对两个目标的过门限次数均为100。其结果表明，初始化结果和目标真实航迹非常接近，解决了该场景下目标检测的问题。
最后说明的是，以上实施仅用以说明本发明的技术方案而非限制，凡依本发明申请专利范围所做的均等变化和修饰，皆应属本发明的涵盖范围。

Claims (1)

1.一种反射点不确定场景下多路径融合目标检测算法，其特征在于，包括以下步骤：
步骤1.初始化多路径ML-PMHT算法环境参数：
初始化观测环境各项参数：监控空间V，反射点数L，反射点初始状态
Figure FDA0002509472780000011
Figure FDA0002509472780000012
表示均值为
Figure FDA0002509472780000013
协方差为
Figure FDA0002509472780000014
的高斯分布，1≤l≤L，每个反射点对应一个路径，量测通过传播路径l来源于目标n的先验概率为πn,l，量测来源于杂波的先验概率π00，当前迭代次数Iter＝1，最大迭代次数为Imax；
目标初始化场景下参数向量分别表示为：
Figure FDA0002509472780000015
Figure FDA0002509472780000016
Figure FDA0002509472780000017
其中，k为批处理的采样时刻数，1≤k≤Nw，Nw为批处理长度，X为Nw个时刻的目标状态参数，Xf为Nw个时刻反射点状态参数，Z为Nw个时刻的量测集合；
在k时刻目标的状态向量表示为：
Xk＝{x1,k,...,xn,k,...,xN,k}n＝1,...,N
在k时刻反射点状态向量表示为：
Figure FDA0002509472780000018
在k时刻收到的量测集合表示为：
Figure FDA0002509472780000019
其中，xn,k为k时刻第n个目标的状态，N为目标的个数，
Figure FDA00025094727800000110
表示k时刻第l个反射点的状态，L为反射点的个数，zk,j表示传感器k时刻收到的第j个量测，mk表示传感器k时刻收到的量测个数；
对目标的运动过程和对不同传播路径的观测方程分别表示为：
xn,k＝Fn,kxn,k-1+νn,k
Figure FDA00025094727800000111
其中，Fn,k为目标运动矩阵，xn,0为第n个目标运动的初始状态，hl为xn,k经路径l的观测函数；zn,k,l为xn,k通过路径l产生的目标量测；νn,k和ωn,l,k分别为目标过程噪声和观测噪声，都是均值为零的高斯白噪声，协方差矩阵分别为Qn,k和Rn,l,k；
步骤2.预测反射点状态与方差：
Figure FDA0002509472780000021
Figure FDA0002509472780000022
其中，
Figure FDA0002509472780000023
表示k时刻第l个反射点预测状态，Fl,k表示反射点的运动矩阵，vl,k表示反射点过程噪声，是零均值的高斯白噪声，协方差矩阵为
Figure FDA0002509472780000024
Figure FDA0002509472780000025
表示k时刻反射点l的预测状态协方差，
Figure FDA0002509472780000026
表示反射点l的初始预测状态协方差；
Figure FDA0002509472780000027
是测量模型对反射点状态的雅可比矩阵，其中
Figure FDA0002509472780000028
表示
Figure FDA0002509472780000029
关于
Figure FDA00025094727800000210
的偏导，上标T表示转置；
步骤3.根据预测的反射点状态，搜索所有可能的目标状态：
步骤3-1.令N'＝1，目标状态集合X'为空向量，
Figure FDA00025094727800000211
步骤3-2.搜索单目标LLR全局最大值；
Figure FDA00025094727800000212
Figure FDA00025094727800000213
其中，
Figure FDA00025094727800000214
pl[zk,j|xn',k]表示通过路径l以第n'个目标为中心的高斯概率；
Figure FDA00025094727800000215
其中，
Figure FDA00025094727800000216
表示高斯概率密度函数，高斯变量zk,j的均值为
Figure FDA00025094727800000217
协方差为Rn',l,k，且有：
Figure FDA00025094727800000218
步骤3-3.判断单目标LLR全局最大值
Figure FDA00025094727800000219
是否大于检测门限，若是，确认
Figure FDA00025094727800000220
为新目标，
Figure FDA00025094727800000221
即将
Figure FDA00025094727800000222
加入到向量X'中，转至步骤3-4；否则，结束检测过程，转至步骤4；
步骤3-4.从量测集合
Figure FDA00025094727800000223
中剔除与已确认为新目标关联的量测，剔除依据为目标后验关联概率最高的量测将被剔除；
ML-PMHT后验关联概率wj,n',l,k计算公式为：
Figure FDA0002509472780000031
步骤3-5.令N'＝N'+1，转至步骤3-2；
步骤4.更新反射点状态：
步骤4-1.计算k时刻的量测zk,j通过第l条路径来源第n个目标的后验概率：
Figure FDA0002509472780000032
步骤4-2.计算每个目标在每条路径下的综合量测
Figure FDA0002509472780000033
及综合协方差
Figure FDA0002509472780000034
Figure FDA0002509472780000035
Figure FDA0002509472780000036
步骤4-3.不同路径下的雅克比矩阵、综合量测、综合量测协方差分别进行堆叠：
堆叠雅克比矩阵：
Figure FDA0002509472780000037
堆叠综合量测：
Figure FDA0002509472780000038
堆叠量测协方差：
Figure FDA0002509472780000039
其中，diag表示对角化矩阵；
步骤4-4.对反射点执行扩展卡尔曼平滑算法：
步骤4-4-1.前向滤波
对于k＝1:Nw，
Figure FDA00025094727800000310
其中，
Figure FDA0002509472780000041
为由k-1时刻的反射点状态预测的k时刻的第l个反射点状态，Ff为反射点的运动矩阵，
Figure FDA0002509472780000042
为k-1时刻的第l个反射点状态；
Figure FDA0002509472780000043
Figure FDA0002509472780000044
其中，
Figure FDA0002509472780000045
为第n'个新目标通过第l个反射点得到的量测，
Figure FDA0002509472780000046
堆叠得到综合量测
Figure FDA0002509472780000047
Figure FDA0002509472780000048
其中，
Figure FDA0002509472780000049
为预测得到的第l个反射点协方差，
Figure FDA00025094727800000410
为k-1时刻的第l个反射点协方差；
Figure FDA00025094727800000411
其中，
Figure FDA00025094727800000412
为卡尔曼增益；
Figure FDA00025094727800000413
其中，
Figure FDA00025094727800000414
为卡尔曼滤波更新后的第l个反射点协方差，I为单位矩阵；
Figure FDA00025094727800000415
其中，
Figure FDA00025094727800000416
为卡尔曼滤波更新后的第l个反射点状态；
步骤4-4-2.后向平滑
对于k＝Nw-1:1，
Figure FDA00025094727800000417
其中，
Figure FDA00025094727800000418
为平滑增益；
Figure FDA00025094727800000419
其中，
Figure FDA00025094727800000420
为k时刻平滑后的第l个反射点状态；
Figure FDA00025094727800000421
其中，
Figure FDA00025094727800000422
为k时刻平滑后的第l个反射点协方差；
步骤5.令Iter＝Iter+1，判断Iter是否大于Imax，若是，转至步骤6，否则转至步骤2；
步骤6.输出目标状态集合X'和反射点的状态和协方差。
CN202010456711.5A 2020-05-26 2020-05-26 一种反射点不确定场景下多路径融合目标检测算法 Active CN111679270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010456711.5A CN111679270B (zh) 2020-05-26 2020-05-26 一种反射点不确定场景下多路径融合目标检测算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010456711.5A CN111679270B (zh) 2020-05-26 2020-05-26 一种反射点不确定场景下多路径融合目标检测算法

Publications (2)

Publication Number Publication Date
CN111679270A CN111679270A (zh) 2020-09-18
CN111679270B true CN111679270B (zh) 2022-05-03

Family

ID=72453820

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010456711.5A Active CN111679270B (zh) 2020-05-26 2020-05-26 一种反射点不确定场景下多路径融合目标检测算法

Country Status (1)

Country Link
CN (1) CN111679270B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112946568B (zh) * 2021-01-29 2023-06-30 中国人民解放军战略支援部队信息工程大学 辐射源航迹矢量直接估计方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4123259B2 (ja) * 2005-09-02 2008-07-23 トヨタ自動車株式会社 物体検出装置および物体検出方法
US9615765B2 (en) * 2012-09-04 2017-04-11 Vayyar Imaging Ltd. Wideband radar with heterogeneous antenna arrays
JP6192910B2 (ja) * 2012-09-04 2017-09-06 富士通テン株式会社 レーダ装置および物標高算出方法
US11255663B2 (en) * 2016-03-04 2022-02-22 May Patents Ltd. Method and apparatus for cooperative usage of multiple distance meters
CN106249218B (zh) * 2016-08-31 2019-01-11 西安电子科技大学 一种基于多频点回波信息融合的目标跟踪方法
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
EP3572839A1 (en) * 2018-05-23 2019-11-27 Aptiv Technologies Limited Method of estimating a velocity magnitude of a moving target in a horizontal plane and radar detection system
CN109597065B (zh) * 2018-12-11 2022-09-09 湖南华诺星空电子技术有限公司 一种用于穿墙雷达检测的虚警抑制方法、装置

Also Published As

Publication number Publication date
CN111679270A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
US7009554B1 (en) Reduced state estimation with multisensor fusion and out-of-sequence measurements
KR101628154B1 (ko) 수신 신호 세기를 이용한 다중 표적 추적 방법
CN107346020B (zh) 一种用于异步多基地雷达***的分布式批估计融合方法
CN106021697B (zh) 一种快速相控阵雷达时间-能量资源联合管理方法
CN111289965B (zh) 一种多目标雷达快速跟踪方法及***
CN108717174A (zh) 基于信息论的预测快速协方差交互融合无源协同定位方法
CN113311398A (zh) 强杂波复杂背景高机动弱小目标的跟踪方法
CN111679270B (zh) 一种反射点不确定场景下多路径融合目标检测算法
Kaltiokallio et al. mmWave simultaneous localization and mapping using a computationally efficient EK-PHD filter
CN103616680B (zh) 基于离散变速率采样的机动弱目标检测前跟踪方法
CN113406592B (zh) 一种高频地波雷达弱目标积累检测方法、计算设备
CN117169818B (zh) 一种面向海面机动目标跟踪的雷达波形设计方法
Fang et al. E 2 DTF: An End-to-End Detection and Tracking Framework for Multiple Micro-UAVs With FMCW-MIMO Radar
CN114488104B (zh) 基于交互一致性的天波超视距雷达目标跟踪方法
CN110244289A (zh) 一种自适应粒子滤波地波雷达目标一体化探测方法
CN111948601B (zh) 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
CN110133609B (zh) 一种机载外辐射源状态未知下移动接收源路径优化方法
CN113933806A (zh) 一种天波雷达多路径量测聚类方法
Dong et al. Mono-pulse radar angle estimation algorithm under low signal-to-noise ratio
Woischneck et al. Localization and velocity estimation based on multiple bistatic measurements
CN116794646B (zh) 基于变分贝叶斯推理的混合体制高频雷达目标跟踪方法
CN113514823B (zh) 一种基于伪谱的多模型机动目标检测前跟踪方法
CN116736287B (zh) 基于多探测模式的地波多径目标跟踪方法
CN114488116B (zh) 一种基于两部两坐标外源雷达***的3d目标跟踪方法
Cao An improved sequential smoothing particle filtering method

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