CN113628274A - 一种基于交互式多模型无色滤波的机动目标状态估计方法 - Google Patents

一种基于交互式多模型无色滤波的机动目标状态估计方法 Download PDF

Info

Publication number
CN113628274A
CN113628274A CN202110935712.2A CN202110935712A CN113628274A CN 113628274 A CN113628274 A CN 113628274A CN 202110935712 A CN202110935712 A CN 202110935712A CN 113628274 A CN113628274 A CN 113628274A
Authority
CN
China
Prior art keywords
information
model
state
target
filtering
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.)
Pending
Application number
CN202110935712.2A
Other languages
English (en)
Inventor
郭剑辉
高宇
张云添
黄曦坤
刘帆
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.)
Nanjing University Of Science & Technology Office Of Science And Technology Research Co ltd
Original Assignee
Nanjing University Of Science & Technology Office Of Science And Technology Research Co ltd
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 Nanjing University Of Science & Technology Office Of Science And Technology Research Co ltd filed Critical Nanjing University Of Science & Technology Office Of Science And Technology Research Co ltd
Priority to CN202110935712.2A priority Critical patent/CN113628274A/zh
Publication of CN113628274A publication Critical patent/CN113628274A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30244—Camera pose

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于交互式多模型无色滤波的机动目标状态估计方法。该方法利用无色卡尔曼滤波(UKF)处理运动模型的非线性问题，同时结合交互式多模型滤波(IMMF)及信息滤波(IF)，实现了一种线性化误差小、估计精度高、计算复杂度低的不确定信息条件下的目标状态估计。

Description

一种基于交互式多模型无色滤波的机动目标状态估计方法
技术领域
本发明涉及目标跟踪技术领域，特别涉及一种基于交互式多模型无色滤波的机动目标状态估计方法。
背景技术
目前，针对线性、高斯条件下的融合估计理论和方法日趋完善，而面向动态复杂背景的融合估计正成为研究热点。对于非线性***的状态估计，主要由三类方法，即扩展卡尔曼滤波(EKF)，无色卡尔曼滤波(UKF)以及粒子滤波(PF)。EKF及其衍生算法最早用于非线性状态估计，但存在线性化误差，估计精度不高，且不适用于非高斯条件***。PF是近年来兴起的方法，它不受线性化误差和高斯噪声假定的限制，但其计算量较大。UKF与EKF相比，降低了线性化误差，提高了估计精度，减少了计算复杂度。另外，在实际中，目标运动的状态转换模型往往随时间而变化，对这一类***，交互式多模型滤波(IMMF)是一种有效且具有良好性能的次优估计算法。因此，结合UKF、IMMF、信息滤波(IF)采用一种基于交互式多模型无色滤波的机动目标状态估计实现不确定信息条件下的目标状态估计。
发明内容
针对以上问题，本发明提供了一种基于交互式多模型无色滤波的机动目标状态估计方法，该方法利用无色卡尔曼滤波(UKF)处理运动模型的非线性问题，同时结合交互式多模型滤波(IMMF)及信息滤波(IF)，实现了一种线性化误差小、估计精度高、计算复杂度低的不确定信息条件下的目标状态估计。
技术方案：为实现上述目的，本发明提出了一种基于交互式多模型无色滤波的机动目标状态估计方法，包括有如下步骤：
1)问题模型建立；
1.1运动模型：
目标运动模型用来描述目标状态信息随时间的演化过程，对AUV而言，要实现对目标精确跟踪与定位，关键在于如何有效地从观测中提取出目标状态相关信息，并预测目标运动的状态轨迹；
1.2传感器观测模型：
为了便于分析，不失一般性，简化的二维测向测距传感器观测模型如下：
Figure BDA0003212776900000021
其中，状态向量
Figure BDA0003212776900000022
ri，
Figure BDA0003212776900000023
分别为航行器到目标t之间的距离、方位角和水平角；
1.3状态转移模型：
对于非线性***估计问题，根据截至到当前时刻有噪声状态测量，以及相应状态转移与两侧函数，对当前或下一时刻状态进行估计和预测，考虑如下非线性模型：
Figure BDA0003212776900000024
其中，
Figure BDA0003212776900000025
表示时刻***状态；
Figure BDA0003212776900000026
表示k时刻测量数据；q[k-1]～N(0，Q[k-1])表示k-1时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；f与h分别表示动态模型函数与测量模型函数，都可能是非线性的；
通过当前观测获得状态估计，即
P(x[k+l]|z[1∶k])，l＝0，1，2，...
在存在多个传感器时，得到多个观测，因此得到更精确的测量，同时也不会因某个传感器测量时效而失去目标，考虑目标状态的多模型特性，为了获得状态x的全局估计，状态估计模型可以进一步建模为：
Figure BDA0003212776900000031
1.4信息滤波IF模型：
将信息状态
Figure BDA0003212776900000032
与Fisher信息Y代替状态估计
Figure BDA0003212776900000033
与协方差P，得到卡尔曼滤波的信息形式，即信息滤波IF，Y与
Figure BDA0003212776900000034
的定义描述如下：
Figure BDA0003212776900000035
对于离散时刻k的观测z[k]，其对信息状态
Figure BDA00032127769000000313
的贡献及对Fisher信息Y的贡献I[k]为：
Figure BDA0003212776900000037
对于信息滤波而言，其预测步与更新步均可通过对Fisher信息状态矩阵的递推计算实现，对于如下线性状态空间模型：
Figure BDA0003212776900000038
其中，
Figure BDA0003212776900000039
表示时刻***状态；
Figure BDA00032127769000000310
表示k时刻测量数据；q[k]～N(0，Q[k])表示k时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；A[k]为动态模型状态转移矩阵；H[k]为测量模型矩阵，状态的预先分布
Figure BDA00032127769000000311
Figure BDA00032127769000000312
P[0]为***已知信息，离散时间卡尔曼滤波对应的信息形式IF描述如下：
预测步IFp为
Figure BDA0003212776900000041
更新步IFu为
Figure BDA0003212776900000042
其中，
Figure BDA0003212776900000043
与Y[k]-对应
Figure BDA0003212776900000044
与Y[k|k-1]；
Figure BDA0003212776900000045
与Y[k]对应
Figure BDA0003212776900000046
与Y[k|k]，给定初始条件
Figure BDA0003212776900000047
与P[0]，有Y[0]＝P-1[0]，
Figure BDA0003212776900000048
1.5无色信息滤波UIF算法
针对上节描述的无色变换，无色信息滤波UIF预测灯饰重新描述为：
Figure BDA0003212776900000049
预测状态协方差P[k]-计算如下：
Figure BDA00032127769000000410
其中，
Figure BDA00032127769000000411
Xi[k]-＝f(Xi)；
基于非线性测量可以映射成统计估计值函数这一假设，信息更新等式应用统计线性误差传播技术进行重写，
首先，应用误差传播，观测协方差和交叉协方差可近似为：
Figure BDA00032127769000000412
Figure BDA00032127769000000413
其中，z[k]＝h(xk)；H[k]为其线性化测量矩阵；
应用上式对Fisher信息与信息状态增益I[k]，i[k]做如下变换：
I[k]＝HT[k]R-1[k]H[k]
＝(P[k]-)-1P[k]-HT[k]R-1[k]H[k]PT[k]-(P[k]-)-T
＝(P[k]-)-1Px，z[k]-R-1[k](Px，z[k]-)T(P[k]-)-T
Figure BDA0003212776900000051
上述信息与信息状态增益计算不再与测量方程直接相关，基于上述的误差传播技术可得无色信息滤波的信息增益计算等式，定义一个伪测量矩阵：
Figure BDA0003212776900000052
则信息增益等式表示为：
I[k]＝(Hp[k])TR-1[k]Hp[k]
Figure BDA0003212776900000053
其中，Px，z[k]-计算如下：
Figure BDA0003212776900000054
其中，Zi[k]＝h(Xi[k]-)，
Figure BDA0003212776900000055
基于上述结论易知，存在以统计误差协方差及其均值为变量的映射能够近似非线性测量等式，即
Figure BDA0003212776900000056
其中，
Figure BDA0003212776900000057
表示测量修正项，基于信息增益，得到更新方程；
2)基于交互多模型无色信息滤波IMMUIF算法具体实现；
当跟踪机动目标时，将交互多模型方法用于无色滤波算法中，其算法流程如下：
Step1：初始化每个本地滤波器，指定
Figure BDA0003212776900000061
P[0]、Y[0]、
Figure BDA0003212776900000062
为滤波器构造交互式多模型，指定模型转移概率矩阵与初始概率；
Step2：进行多模型和无色信息交互、滤波与联合步骤：
1)交互：利用交互式获得每个模型下滤波器的混合输入；
Figure BDA0003212776900000063
Figure BDA0003212776900000064
其中
Figure BDA0003212776900000065
Pi[k-1]表示在k-1时刻更新步的状态值与协方差，i、j表示不同模型；
2)滤波：对于每个模型，应用无色信息滤波，执行预测步式，应用信息增益等式计算该模型的信息增益，执行更新步式；
预测步式：
Figure BDA0003212776900000066
信息增益等式：
I[k]＝(Hp[k])TR-1[k]Hp[k]
Figure BDA0003212776900000067
更新步式：
Figure BDA0003212776900000068
3)联合：应用联合模式下信息增益公式得到本地滤波器在多模型下的信息联合增益，并将其发送到中心滤波器，并应用一个***城得到本地估计Yi[k]、
Figure BDA0003212776900000069
联合模式下信息增益公式：
Figure BDA0003212776900000071
作为本发明进一步改进，目标运动模型具体如下；
1)匀速CV模型，指目标作匀速直线运动，描述模型为；
xt[k+1]＝Fcvxt[k]+Gcvρ[k]
其中，状态向量
Figure BDA0003212776900000072
分别为二维目标的位置信息、速度信息；ρ[k]＝[ρv[k]，ρv[k]T，
Figure BDA0003212776900000073
即ρ[k]为零均值，协方差为
Figure BDA0003212776900000074
的高斯白噪声；ΔT为采样时间；
ρ[k]＝[ρv[k]，ρv[k]T，
Figure BDA0003212776900000075
即ρ[k]为零均值，协方差为
Figure BDA0003212776900000076
的高斯白噪声；ΔT为采样时间；
Figure BDA0003212776900000077
2)匀加速CA模型，指目标作匀加速直线运动，模型描述为：
xt[k+1]＝Fcaxt[k]+Gcaq[k]
其中，状态向量
Figure BDA0003212776900000078
分别为二维目标的位置信息、速度信息以及加速度信息；q[k]＝[qa[k]，qa[k]]T，
Figure BDA0003212776900000079
Figure BDA00032127769000000710
3)匀速CT转弯模型，指目标作转弯运动时，目标运动速度大小保持不变，而速度方向时刻在发生变化，模型描述为：
xt[k+1]＝Fctxt[k]+Gctq[k]
其中，状态向量
Figure BDA0003212776900000081
分别为二维目标的位置信息、速度信息以及方向与转弯速度信息；q[k]＝[0，0，qv[k]，qv[k]，0，qφ[k]]T，
Figure BDA0003212776900000082
Figure BDA0003212776900000083
目标模型信息是目标状态先验知识的一部分，在目标被探测之后，将会得到一定的目标初始状态信息，在初始情况下，假定xt～N(xt[0]，pt[0])，即目标初始服从以为均值，为协方差的正态分布。
有益效果：
本发明公开了一种基于交互式多模型无色滤波的机动目标状态估计方法。该方法利用无色卡尔曼滤波(UKF)处理运动模型的非线性问题，同时结合交互式多模型滤波(IMMF)及信息滤波(IF)，实现了一种线性化误差小、估计精度高、计算复杂度低的不确定信息条件下的目标状态估计。
附图说明
图1为本发明流程图。
具体实施方式
本发明提供了一种基于交互式多模型无色滤波的机动目标状态估计方法，结合UKF、IMMF、信息滤波(IF)采用一种基于交互式多模型无色滤波的机动目标状态估计实现不确定信息条件下的目标状态估计。
作为本发明具体实施例，流程图如图1所示，具体估计方式如下；
运动模型：
目标运动模型用来描述目标状态信息随时间的演化过程，如位置、速度以及方向信息等。对AUV而言，其任务目标主要是鱼雷、海上舰船等，要实现对目标精确跟踪与定位，关键在于如何有效地从观测中提取出目标状态相关信息，并预测目标运动的状态轨迹。一个好的目标运动模型有助于状态信息提取，因此，大多数目标状态估计算法都是基于模型的，模型实际上包含了了目标运动的先验信息，有助于更好地跟踪目标。目标运动模型主要包括：匀速模型(CV)，匀加速模型(CA)和匀速转弯模型(CT)等。
1)CV模型，指目标作匀速直线运动，描述模型为
xt[k+1]＝Fcvxt[k]+Gcvρ[k] (1)
其中，状态向量
Figure BDA0003212776900000091
分别为二维目标的位置信息、速度信息；ρ[k]＝[ρv[k]，ρv[k]T，
Figure BDA0003212776900000092
即ρ[k]为零均值，协方差为
Figure BDA0003212776900000093
的高斯白噪声；ΔT为采样时间。
Figure BDA0003212776900000094
2)CA模型，指目标作匀加速直线运动，模型描述为：
xt[k+1]＝Fcaxt[k]+Gcaq[k]
(3)
其中，状态向量
Figure BDA0003212776900000095
分别为二维目标的位置信息、速度信息以及加速度信息；q[k]＝[qa[k]，qa[k]]T，
Figure BDA0003212776900000096
Figure BDA0003212776900000101
3)CT模型，指目标作转弯运动时，目标运动速度大小保持不变，而速度方向时刻在发生变化，模型描述为：
xt[k+1]＝Fctxt[k]+Gctq[k]
(5)
其中，状态向量
Figure BDA0003212776900000102
分别为二维目标的位置信息、速度信息以及方向与转弯速度信息；q[k]＝[0，0，qv[k]，qv[k]，0，qφ[k]]T，
Figure BDA0003212776900000103
Figure BDA0003212776900000104
目标模型信息是目标状态先验知识的一部分，在目标被探测之后，将会得到一定的目标初始状态信息。在初始情况下，假定xt～N(xt[0]，pt[0])，即目标初始服从以为均值，为协方差的正态分布。
传感器观测模型
为了便于分析，不失一般性，简化的二维测向测距传感器观测模型如下：
Figure BDA0003212776900000111
其中，状态向量
Figure BDA0003212776900000112
ri，
Figure BDA0003212776900000113
分别为航行器到目标t之间的距离、方位角和水平角。
状态转移模型
对于非线性***估计问题，可根据截至到当前时刻有噪声状态测量，以及相应状态转移与两侧函数，对当前或下一时刻状态进行估计和预测。考虑如下非线性模型：
Figure BDA0003212776900000114
其中，
Figure BDA0003212776900000115
表示时刻***状态；
Figure BDA0003212776900000116
表示k时刻测量数据；q[k-1]～N(0，Q[k-1])表示k-1时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；f与h分别表示动态模型函数与测量模型函数，他们都可能是非线性的。
通过当前观测获得状态估计，即
P(x[k+l]| z[1：k])，l＝0，1，2，...
(9)
在存在多个传感器时，可以得到多个观测，因此可以得到更精确的测量，同时也不会因某个传感器测量时效而失去目标。考虑目标状态的多模型特性，为了获得状态x的全局估计，状态估计模型可以进一步建模为：
Figure BDA0003212776900000117
Figure BDA0003212776900000121
信息滤波(IF)
将信息状态
Figure BDA0003212776900000122
与Fisher信息Y代替状态估计
Figure BDA0003212776900000123
与协方差P，可得到卡尔曼滤波的信息形式，即信息滤波(IF)。Y与
Figure BDA0003212776900000124
的定义描述如下：
Figure BDA0003212776900000125
对于离散时刻k的观测z[k]，其对信息状态
Figure BDA0003212776900000126
的贡献及对Fisher信息Y的贡献I[k]为：
Figure BDA0003212776900000127
对于信息滤波而言，其预测步与更新步均可通过对Fisher信息状态矩阵的递推计算实现。对于如下线性状态空间模型：
Figure BDA0003212776900000128
其中，
Figure BDA0003212776900000129
表示时刻***状态；
Figure BDA00032127769000001210
表示k时刻测量数据；q[k]～N(0，Q[k])表示k时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；A[k]为动态模型状态转移矩阵；H[k]为测量模型矩阵。状态的预先分布
Figure BDA00032127769000001211
Figure BDA00032127769000001212
P[0]为***已知信息。离散时间卡尔曼滤波对应的信息形式IF描述如下：
预测步IFp为
Figure BDA0003212776900000131
更新步IFu为
Figure BDA0003212776900000132
其中，
Figure BDA0003212776900000133
与Y[k]-对应
Figure BDA0003212776900000134
与Y[k|k-1]；
Figure BDA0003212776900000135
与Y[k]对应
Figure BDA0003212776900000136
与Y[k|k]。给定初始条件
Figure BDA0003212776900000137
与P[0]，有Y[0]＝P-1[0]，
Figure BDA0003212776900000138
无色信息滤波算法(UIF)
针对上节描述的无色变换，无色信息滤波(UIF)预测灯饰可以重新描述为：
Figure BDA0003212776900000139
预测状态协方差P[k]-计算如下：
Figure BDA00032127769000001310
其中，
Figure BDA00032127769000001311
Xi[k]-＝f(Xi)。
基于非线性测量可以映射成统计估计值函数这一假设，信息更新等式可应用统计线性误差传播技术进行重写。首先，应用误差传播，观测协方差和交叉协方差可近似为：
Figure BDA0003212776900000141
Figure BDA0003212776900000142
其中，z[k]＝h(xk)；H[k]为其线性化测量矩阵。
应用上式对Fisher信息与信息状态增益I[k]，i[k]做如下变换：
I[k]＝HT[k]R-1[k]H[k]
＝(P[k]-)-1P[k]-HT[k]R-1[k]H[k]PT[k]-(P[k]-)-T
＝(P[k]-)-1Px，z[k]-R-1[k](Px，z[k]-)T(P[k]-)-T
(19)
Figure BDA0003212776900000143
可以看出，上述信息与信息状态增益计算不再与测量方程直接相关。基于上述的误差传播技术可得无色信息滤波的信息增益计算等式。定义一个伪测量矩阵：
Figure BDA0003212776900000144
则信息增益等式表示为：
I[k]＝(Hp[k])TR-1[k]Hp[k]
Figure BDA0003212776900000145
其中，Px，z[k]-计算如下：
Figure BDA0003212776900000146
Figure BDA0003212776900000151
其中，Zi[k]＝h(Xi[k]-)，
Figure BDA0003212776900000152
基于上述结论易知，存在以统计误差协方差及其均值为变量的映射能够近似非线性测量等式，即
Figure BDA0003212776900000153
其中，
Figure BDA0003212776900000154
表示测量修正项。基于信息增益，可以得到更新方程。
基于交互多模型无色信息滤波算法(IMMUIF)具体实现
当跟踪机动目标时，可以将交互多模型方法用于无色滤波算法中，其算法流程如下：
Step1：初始化每个本地滤波器，指定
Figure BDA0003212776900000155
P[0]、Y[0]、
Figure BDA0003212776900000156
为滤波器构造交互式多模型，指定模型转移概率矩阵与初始概率。
Step2：进行多模型和无色信息交互、滤波与联合步骤：
1)交互：利用交互式获得每个模型下滤波器的混合输入。
Figure BDA0003212776900000157
Figure BDA0003212776900000158
其中
Figure BDA0003212776900000159
Pi[k-1]表示在k-1时刻更新步的状态值与协方差，i、j表示不同模型。
2)滤波：对于每个模型，应用无色信息滤波，执行预测步式，应用信息增益等式计算该模型的信息增益，执行更新步式。
预测步式：
Figure BDA0003212776900000161
信息增益等式：
I[k]＝(Hp[k])TR-1[k]Hp[k]
Figure BDA0003212776900000162
更新步式：
Figure BDA0003212776900000163
3)联合：应用联合模式下信息增益公式得到本地滤波器在多模型下的信息联合增益，并将其发送到中心滤波器，并应用一个联合过程得到本地估计Yi[k]、
Figure BDA0003212776900000164
联合模式下信息增益公式：
Figure BDA0003212776900000165
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于交互式多模型无色滤波的机动目标状态估计方法，其特征在于：包括有如下步骤：
1)问题模型建立；
1.1运动模型：
目标运动模型用来描述目标状态信息随时间的演化过程，对AUV而言，要实现对目标精确跟踪与定位，关键在于如何有效地从观测中提取出目标状态相关信息，并预测目标运动的状态轨迹；
1.2传感器观测模型：
为了便于分析，不失一般性，简化的二维测向测距传感器观测模型如下：
Figure FDA0003212776890000011
其中，状态向量
Figure FDA0003212776890000012
Figure FDA0003212776890000013
分别为航行器到目标t之间的距离、方位角和水平角；
1.3状态转移模型：
对于非线性***估计问题，根据截至到当前时刻有噪声状态测量，以及相应状态转移与两侧函数，对当前或下一时刻状态进行估计和预测，考虑如下非线性模型：
Figure FDA0003212776890000014
其中，
Figure FDA0003212776890000015
表示时刻***状态；
Figure FDA0003212776890000016
表示k时刻测量数据；q[k-1]～N(0，Q[k-1])表示k-1时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；f与h分别表示动态模型函数与测量模型函数，都可能是非线性的；
通过当前观测获得状态估计，即
P(x[k+l]|z[1∶k])，l＝0，1，2，...
在存在多个传感器时，得到多个观测，因此得到更精确的测量，同时也不会因某个传感器测量时效而失去目标，考虑目标状态的多模型特性，为了获得状态x的全局估计，状态估计模型可以进一步建模为：
Figure FDA0003212776890000021
1.4信息滤波IF模型：
将信息状态
Figure FDA0003212776890000022
与Fisher信息Y代替状态估计
Figure FDA0003212776890000023
与协方差P，得到卡尔曼滤波的信息形式，即信息滤波IF，Y与
Figure FDA0003212776890000024
的定义描述如下：
Figure FDA0003212776890000025
对于离散时刻k的观测z[k]，其对信息状态
Figure FDA0003212776890000026
的贡献及对Fisher信息Y的贡献I[k]为：
Figure FDA0003212776890000027
对于信息滤波而言，其预测步与更新步均可通过对Fisher信息状态矩阵的递推计算实现，对于如下线性状态空间模型：
Figure FDA0003212776890000028
其中，
Figure FDA0003212776890000029
表示时刻***状态；
Figure FDA00032127768900000210
表示k时刻测量数据；q[k]～N(0，Q[k])表示k时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；A[k]为动态模型状态转移矩阵；H[k]为测量模型矩阵，状态的预先分布
Figure FDA00032127768900000211
Figure FDA00032127768900000212
P[0]为***已知信息，离散时间卡尔曼滤波对应的信息形式IF描述如下：
预测步IFp为
Figure FDA0003212776890000031
更新步IFu为
Figure FDA0003212776890000032
其中，
Figure FDA0003212776890000033
与Y[k]-对应
Figure FDA0003212776890000034
与Y[k|k-1]；
Figure FDA0003212776890000035
与Y[k]对应
Figure FDA0003212776890000036
与Y[k|k]，给定初始条件
Figure FDA0003212776890000037
与P[0]，有Y[0]＝P-1[0]，
Figure FDA0003212776890000038
1.5无色信息滤波UIF算法
针对上节描述的无色变换，无色信息滤波UIF预测灯饰重新描述为：
Figure FDA0003212776890000039
预测状态协方差P[k]-计算如下：
Figure FDA00032127768900000310
其中，
Figure FDA00032127768900000311
Xi[k]-＝f(Xi)；
基于非线性测量可以映射成统计估计值函数这一假设，信息更新等式应用统计线性误差传播技术进行重写，
首先，应用误差传播，观测协方差和交叉协方差可近似为：
Figure FDA00032127768900000312
Figure FDA00032127768900000313
其中，z[k]＝h(xk)；H[k]为其线性化测量矩阵；
应用上式对Fisher信息与信息状态增益I[k]，i[k]做如下变换：
I[k]＝HT[k]R-1[k]H[k]
＝(P[k]-)-1P[k]-HT[k]R-1[k]H[k]PT[k]-(P[k]-)-T
＝(P[k]-)-1Px，z[k]-R-1[k](Px，z[k]-)T(P[k]-)-T
Figure FDA0003212776890000041
上述信息与信息状态增益计算不再与测量方程直接相关，基于上述的误差传播技术可得无色信息滤波的信息增益计算等式，定义一个伪测量矩阵：
Figure FDA0003212776890000042
则信息增益等式表示为：
I[k]＝(Hp[k])TR-1[k]Hp[k]
Figure FDA0003212776890000047
其中，Px，z[k]-计算如下：
Figure FDA0003212776890000043
其中，Zi[k]＝h(Xi[k]-)，
Figure FDA0003212776890000044
基于上述结论易知，存在以统计误差协方差及其均值为变量的映射能够近似非线性测量等式，即
Figure FDA0003212776890000045
其中，
Figure FDA0003212776890000046
表示测量修正项，基于信息增益，得到更新方程；
2)基于交互多模型无色信息滤波IMMUIF算法具体实现；
当跟踪机动目标时，将交互多模型方法用于无色滤波算法中，其算法流程如下：
Step1：初始化每个本地滤波器，指定
Figure FDA0003212776890000051
P[0]、Y[0]、
Figure FDA0003212776890000052
为滤波器构造交互式多模型，指定模型转移概率矩阵与初始概率；
Step2：进行多模型和无色信息交互、滤波与联合步骤：
1)交互：利用交互式获得每个模型下滤波器的混合输入；
Figure FDA0003212776890000053
Figure FDA0003212776890000054
其中
Figure FDA0003212776890000055
Pi[k-1]表示在k-1时刻更新步的状态值与协方差，i、j表示不同模型；
2)滤波：对于每个模型，应用无色信息滤波，执行预测步式，应用信息增益等式计算该模型的信息增益，执行更新步式；
预测步式：
Figure FDA0003212776890000056
信息增益等式：
I[k]＝(Hp[k])TR-1[k]Hp[k]
Figure FDA0003212776890000059
更新步式：
Figure FDA0003212776890000057
3)联合：应用联合模式下信息增益公式得到本地滤波器在多模型下的信息联合增益，并将其发送到中心滤波器，并应用一个***城得到本地估计Yi[k]、
Figure FDA0003212776890000058
联合模式下信息增益公式：
Figure FDA0003212776890000061
2.根据权利要求1所述的一种基于交互式多模型无色滤波的机动目标状态估计方法，其特征在于：目标运动模型具体如下；
1)匀速CV模型，指目标作匀速直线运动，描述模型为；
xt[k+1]＝Fcvxt[k]+Gcvρ[k]
其中，状态向量
Figure FDA0003212776890000062
分别为二维目标的位置信息、速度信息；ρ[k]＝[ρv[k]，ρv[k]T，
Figure FDA0003212776890000063
即ρ[k]为零均值，协方差为
Figure FDA0003212776890000064
的高斯白噪声；ΔT为采样时间；
ρ[k]＝[ρv[k]，ρv[k]T，
Figure FDA0003212776890000065
即ρ[k]为零均值，协方差为
Figure FDA0003212776890000066
的高斯白噪声；ΔT为采样时间；
Figure FDA0003212776890000067
2)匀加速CA模型，指目标作匀加速直线运动，模型描述为：
xt[k+1]＝Fcaxt[k]+Gcaq[k]
其中，状态向量
Figure FDA0003212776890000068
分别为二维目标的位置信息、速度信息以及加速度信息；q[k]＝[qa[k]，qa[k]]T，
Figure FDA0003212776890000069
Figure FDA0003212776890000071
3)匀速CT转弯模型，指目标作转弯运动时，目标运动速度大小保持不变，而速度方向时刻在发生变化，模型描述为：
xt[k+1]＝Fctxt[k]+Gctq[k]
其中，状态向量
Figure FDA0003212776890000072
分别为二维目标的位置信息、速度信息以及方向与转弯速度信息；q[k]＝[0，0，qv[k]，qv[k]，0，qφ[k]]T，
Figure FDA0003212776890000073
Figure FDA0003212776890000074
目标模型信息是目标状态先验知识的一部分，在目标被探测之后，将会得到一定的目标初始状态信息，在初始情况下，假定xt～N(xt[0]，pt[0])，即目标初始服从以为均值，为协方差的正态分布。
CN202110935712.2A 2021-08-16 2021-08-16 一种基于交互式多模型无色滤波的机动目标状态估计方法 Pending CN113628274A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110935712.2A CN113628274A (zh) 2021-08-16 2021-08-16 一种基于交互式多模型无色滤波的机动目标状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110935712.2A CN113628274A (zh) 2021-08-16 2021-08-16 一种基于交互式多模型无色滤波的机动目标状态估计方法

Publications (1)

Publication Number Publication Date
CN113628274A true CN113628274A (zh) 2021-11-09

Family

ID=78385559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110935712.2A Pending CN113628274A (zh) 2021-08-16 2021-08-16 一种基于交互式多模型无色滤波的机动目标状态估计方法

Country Status (1)

Country Link
CN (1) CN113628274A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035154A (zh) * 2021-11-10 2022-02-11 中国人民解放军空军工程大学 一种运动参数辅助的单站射频信号定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114035154A (zh) * 2021-11-10 2022-02-11 中国人民解放军空军工程大学 一种运动参数辅助的单站射频信号定位方法
CN114035154B (zh) * 2021-11-10 2024-05-24 中国人民解放军空军工程大学 一种运动参数辅助的单站射频信号定位方法

Similar Documents

Publication Publication Date Title
CN110208792B (zh) 同时估计目标状态和轨迹参数的任意直线约束跟踪方法
CN112268559B (zh) 复杂环境下融合slam技术的移动测量方法
CN108896986B (zh) 一种基于预测值的量测转换序贯滤波机动目标跟踪方法
EP2496958A1 (en) Radar system and method for detecting and tracking a target
CN113466890B (zh) 基于关键特征提取的轻量化激光雷达惯性组合定位方法和***
Fouque et al. Matching raw GPS measurements on a navigable map without computing a global position
CN111487612B (zh) 基于cpd的异地配置雷达/esm航迹抗差关联方法
CN113960622A (zh) 融合激光雷达及imu传感器信息的实时定位方法及装置
CN114608568B (zh) 一种基于多传感器信息即时融合定位方法
CN111693984A (zh) 一种改进的ekf-ukf动目标跟踪方法
CN110889862A (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN113628274A (zh) 一种基于交互式多模型无色滤波的机动目标状态估计方法
CN106969767B (zh) 一种动平台传感器***偏差的估计方法
Badriasl et al. A novel batch Bayesian WIV estimator for three-dimensional TMA using bearing and elevation measurements
CN111678513A (zh) 一种超宽带/惯导紧耦合的室内定位装置与***
JP2021162366A (ja) センサ遅延時間推定装置
Braginsky et al. Correction of DVL error caused by seafloor gradient
WO2024120187A1 (zh) 一种用于信息拒止环境下的无人机动态目标估计方法
Rameshbabu et al. Target tracking system using kalman filter
CN112034445B (zh) 基于毫米波雷达的车辆运动轨迹跟踪方法和***
Mahler et al. Bayesian unified registration and tracking
CN112163052A (zh) 一种信息缺失量测下的多传感器空间配准方法
Song et al. Efficient bias estimation in airborne video georegistration for ground target tracking
CN115615456A (zh) 基于迭代最邻近整数点集的传感器误差配准方法及设备
KR102501275B1 (ko) 고기동 표적의 동특성 추정 및 다중경로 억제를 통한 정밀 궤적예측 방법 및 장치

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