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 PDFInfo
- 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
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
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:
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:
其中,表示时刻***状态;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:
1.4信息滤波IF模型:
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:
其中,表示时刻***状态;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 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
更新步IFu为
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:
预测状态协方差P[k]-计算如下:
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:
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
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:
则信息增益等式表示为:
I[k]=(Hp[k])TR-1[k]Hp[k]
其中,Px,z[k]-计算如下:
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
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:
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;
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:
信息增益等式:
I[k]=(Hp[k])TR-1[k]Hp[k]
更新步式:
联合模式下信息增益公式:
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]
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]
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]
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)
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)
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)
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:
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:
其中,表示时刻***状态;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:
信息滤波(IF)
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:
其中,表示时刻***状态;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 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
更新步IFu为
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:
预测状态协方差P[k]-计算如下:
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:
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)
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:
则信息增益等式表示为:
I[k]=(Hp[k])TR-1[k]Hp[k]
其中,Px,z[k]-计算如下:
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
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:
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。
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:
信息增益等式:
I[k]=(Hp[k])TR-1[k]Hp[k]
更新步式:
联合模式下信息增益公式:
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:
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:
其中,表示时刻***状态;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:
1.4信息滤波IF模型:
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:
其中,表示时刻***状态;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 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
更新步IFu为
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:
预测状态协方差P[k]-计算如下:
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:
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
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:
则信息增益等式表示为:
I[k]=(Hp[k])TR-1[k]Hp[k]
其中,Px,z[k]-计算如下:
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
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:
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;
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:
信息增益等式:
I[k]=(Hp[k])TR-1[k]Hp[k]
更新步式:
联合模式下信息增益公式:
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]
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]
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]
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。
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)
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 |
-
2021
- 2021-08-16 CN CN202110935712.2A patent/CN113628274A/zh active Pending
Cited By (2)
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 |