CN114236480A - 一种机载平台传感器***误差配准算法 - Google Patents
一种机载平台传感器***误差配准算法 Download PDFInfo
- Publication number
- CN114236480A CN114236480A CN202111358235.4A CN202111358235A CN114236480A CN 114236480 A CN114236480 A CN 114236480A CN 202111358235 A CN202111358235 A CN 202111358235A CN 114236480 A CN114236480 A CN 114236480A
- Authority
- CN
- China
- Prior art keywords
- sensor system
- system error
- airborne platform
- registration algorithm
- noise
- 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
- 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
- G01S7/40—Means for monitoring or calibrating
- G01S7/4004—Means for monitoring or calibrating of parts of a radar system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请提供了一种机载平台传感器***误差配准算法,属于信息融合及目标跟踪的技术领域,具体包括:步骤1,针对双机平台对目标信息进行融合跟踪的过程进行数学建模;步骤2,针对所述步骤1中的数学模型进行噪声均值非零时UKF算法处理;步骤3,在所述步骤2的基础上对未知的噪声统计特性进行次优无偏MAP常值噪声统计算法处理;步骤4,通过解析更新反复迭代所述步骤1‑3的方式获得传感器***误差的参数估计。通过本申请的处理方案,提高了对目标的跟踪精度,同时提升了目标跟踪的可靠性和稳定性。
Description
技术领域
本申请涉及信息融合及目标跟踪的领域,尤其是涉及一种机载平台传感器***误差配准算法。
背景技术
机载多平台多传感器信息融合技术能够充分利用各类数据的特点,获取不同视角、不同传感器、不同特征的互补数据,大大扩展了探测区域的覆盖面积,提高了信息利用效率,加快了数据更新速率,从而能够显著提升飞机编队对目标的跟踪能力,提供更快捷的航迹起始速度,更短的航迹收敛时间,更精确的航迹跟踪精度和更稳定的航迹连续性。
传统非线性滤波器要求精确已知噪声的先验统计特性,而在实际应用中,要么受试验样本等各方面的限制,噪声的先验统计特性未知或不准确,要么虽精确已知噪声的先验统计,但***处于实际运行环境当中,受内外部不确定因素的影响,噪声统计特性极易发生变化,具有时变性强的特点。遗憾的是,传统非线性滤波不具有应对噪声统计特性变化的自适应能力,其在噪声统计未知时变情况下易出现滤波精度下降甚至发散,这正是传统非线性滤波器的局限性所在。
发明内容
有鉴于此,本申请提供一种机载平台传感器***误差配准算法,解决了现有技术中的问题,提高了对目标的跟踪精度,同时提升了目标跟踪的可靠性和稳定性。
本申请提供的一种机载平台传感器***误差配准算法采用如下的技术方案:
一种机载平台传感器***误差配准算法,包括:
步骤1,针对双机平台对目标信息进行融合跟踪的过程进行数学建模;
步骤2,针对所述步骤1中的数学模型进行噪声均值非零时UKF算法处理;
步骤3,在所述步骤2的基础上对未知的噪声统计特性进行次优无偏MAP常值噪声统计算法处理;
步骤4,通过解析更新反复迭代所述步骤1-3的方式获得传感器***误差的参数估计。
可选的,所述步骤1包括:考虑如下状态空间形式的离散非线性***:
xk∈Rn和zk∈Rm分别表示k时刻的状态向量和量测向量,n和m分别表示状态维数和量测维数,fk-1(·)和hk(·)分别表示***的状态转移函数和量测函数,wk∈Rn和vk∈Rm分别表示***的过程噪声向量和量测噪声向量,且分别服从均值为零,方差为Qk和Rk的高斯分布,且互不相关,初始状态向量x0服从均值为方差为P0的高斯分布,且与wk及vk互不相关,q表示未知的过程噪声均值,r表示未知的量测***误差向量。
可选的,所述步骤2包括:
根据UT变换Sigma点确定性采样策略,基于和Pk-1来构造Sigma点ξi,k-1,i=0,1,L,2n,其通过非线性状态函数fk-1(·)传播为γi,k|k-1,由γi,k|k-1可得状态预测均值及预测误差协方差阵Pk|k-1:
根据UT变换Sigma点确定性采样策略,基于和Pk|k-1来构造Sigma点ξi,k|k-1,i=0,1,L,2n,其通过非线性量测函数hk(·)+r传播为χi,k|k-1,由χi,k|k-1可得量测预测均值及自协方差阵和互协方差阵
在获得新的量测zk后,进行滤波更新:
其中,Kk是滤波增益矩阵。
可选的,所述步骤3包括:
基于极大后验估计原理和量测值zk,次优MAP常值噪声统计估计器计算公式如下:
可选的,所述步骤4包括:
可选的,还包括步骤5,通过构建双机平台对合作目标进行融合跟踪的仿真场景,验证所述算法。
可选的,仿真场景的设置方法包括:载机间距为20km,目标与载机相距220km,载机速度300m/s,目标速度300m/s,雷达数据率为0.5s,各雷达***误差均设置为η=[40m,0.3°,0.3°]T。
可选的,仿真产生的目标点迹和航迹均通过仿真软件MATLAB实现。
可选的,仿真流程时间设置为1000个雷达帧。
综上所述,本申请包括以下有益技术效果:
1、本申请公开了一种无偏MAP常值噪声统计估计器,并将该噪声统计估计器与传统非线性滤波器相结合,构造了一种自适应非线性滤波器。该自适应非线性滤波器能够根据量测信息实时估计和修正噪声的均值和协方差,具有应对噪声变化的自适应能力,解决了传统在线联合估计法需要精确已知***误差状态空间模型这一问题;
2、本申请的方法通过解析更新反复迭代的方式获得传感器***误差的参数估计,无需计算雅克比矩阵,在递推运算中具有很强的数值稳定性,解决了传统非线性高斯滤波器在量测高精度、***高维数、复杂强非线性情况下对***状态后验概率密度函数近似精度不高这一问题,提高了对***误差的估计精度及目标的跟踪精度,不仅有效地实现了机载平台传感器的***误差配准,同时还提升了目标跟踪的可靠性和稳定性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本申请机载平台传感器***误差配准算法的流程图;
图2为本申请仿真环境经纬图;
图3为本申请距离***误差估计;
图4为本申请方位***误差估计;
图5为本申请俯仰***误差估计。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践所述方面。
本申请实施例提供一种机载平台传感器***误差配准算法。
如图1所示,一种机载平台传感器***误差配准算法,其特征在于,包括:
步骤1,针对双机平台对目标信息进行融合跟踪的过程进行数学建模。
步骤1具体为:带未知***误差的机动雷达***数学建模,考虑如下状态空间形式的离散非线性***:建模运动状态量测特性:
其中,xk∈Rn和zk∈Rm分别表示k时刻的状态向量和量测向量,n和m分别表示状态维数和量测维数,fk-1(·)和hk(·)分别表示***的状态转移函数和量测函数,wk∈Rn和vk∈Rm分别表示***的过程噪声向量和量测噪声向量,且分别服从均值为零,方差为Qk和Rk的高斯分布,且互不相关,初始状态向量x0服从均值为方差为P0的高斯分布,且与wk及vk互不相关,q表示未知的过程噪声均值,r表示未知的量测***误差向量。
步骤2,针对所述步骤1中的数学模型进行噪声均值非零时UKF算法处理。
步骤2具体为:噪声均值非零时UKF算法实现,对模型进行处理以确定q和r。UKF为Unscented Kalman Filter的简称,中文释义是无损卡尔曼滤波、无迹卡尔曼滤波或者去芳香卡尔曼滤波。
根据UT变换Sigma点确定性采样策略,UT为Unscented Transformation的简称;基于和Pk-1来构造Sigma点ξi,k-1,i=0,1,L,2n,其通过非线性状态函数fk-1(·)传播为γi,k|k-1,由γi,k|k-1可得状态预测均值及预测误差协方差阵Pk|k-1:
根据UT变换Sigma点确定性采样策略,基于和Pk|k-1来构造Sigma点ξi,k|k-1,i=0,1,L,2n,其通过非线性量测函数hk(·)+r传播为χi,k|k-1,由χi,k|k-1可得量测预测均值及自协方差阵和互协方差阵
在获得新的量测zk后,进行滤波更新:
其中,Kk是滤波增益矩阵。
步骤3,在所述步骤2的基础上对未知的噪声统计特性进行次优无偏MAP常值噪声统计算法处理。MAP为Maximum a posterior的简称。
步骤3具体为:基于极大后验估计原理和量测值zk,次优MAP常值噪声统计估计器计算公式如下:
步骤4,通过解析更新反复迭代所述步骤1-3的方式获得传感器***误差的参数估计。
步骤4具体为:
本申请公开了一种无偏MAP常值噪声统计估计器,并将该噪声统计估计器与传统非线性滤波器相结合,构造了一种自适应非线性滤波器。该自适应非线性滤波器能够根据量测信息实时估计和修正噪声的均值和协方差,具有应对噪声变化的自适应能力,解决了传统在线联合估计法需要精确已知***误差状态空间模型这一问题。其次,本申请所提出的方法通过解析更新反复迭代的方式获得传感器***误差的参数估计,无需计算雅克比矩阵,在递推运算中具有很强的数值稳定性,解决了传统非线性高斯滤波器在量测高精度、***高维数、复杂强非线性情况下对***状态后验概率密度函数近似精度不高这一问题,提高了对***误差的估计精度及目标的跟踪精度,不仅有效地实现了机载平台传感器的***误差配准,同时还提升了目标跟踪的可靠性和稳定性。
本申请公开的基于噪声统计估计器的机载平台传感器***误差配准算法是信息融合领域多机协同定位跟踪亟待解决的难题。本申请具有良好的扩展性和适应性,可广泛应用于对稳定目标跟踪有较高要求的多平台有源/无源雷达信息融合跟踪***。
还可以包括步骤5,如图2所示,通过构建双机平台对合作目标进行融合跟踪的仿真场景,验证所述算法。仿真场景的设置方法包括:载机间距为20km,目标与载机相距220km,载机速度300m/s,目标速度300m/s,雷达数据率为0.5s,各雷达***误差均设置为η=[40m,0.3°,0.3°]T。仿真流程时间设置为1000个雷达帧。
仿真产生的目标点迹和航迹均通过仿真软件MATLAB实现。
得到图2-图4以及表1的结果。
表1***误差估计精度
从图2~4和表1可以看出,基于噪声统计估计器的机载平台传感器***误差配准算法对各个***误差的估计精度基本上都达到95%以上,可实现算法收敛。因此基于噪声统计估计器的机载平台传感器***误差配准算法对机载雷达***误差具有良好的估计效果,很好地解决了机载雷达的***误差配准问题。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种机载平台传感器***误差配准算法,其特征在于,包括:
步骤1,针对双机平台对目标信息进行融合跟踪的过程进行数学建模;
步骤2,针对所述步骤1中的数学模型进行噪声均值非零时UKF算法处理;
步骤3,在所述步骤2的基础上对未知的噪声统计特性进行次优无偏MAP常值噪声统计算法处理;
步骤4,通过解析更新反复迭代所述步骤1-3的方式获得传感器***误差的参数估计。
3.根据权利要求1所述的机载平台传感器***误差配准算法,其特征在于,所述步骤2包括:
根据UT变换Sigma点确定性采样策略,基于和Pk-1来构造Sigma点ξi,k-1,i=0,1,L,2n,其通过非线性状态函数fk-1(·)传播为γi,k|k-1,由γi,k|k-1可得状态预测均值及预测误差协方差阵Pk|k-1:
根据UT变换Sigma点确定性采样策略,基于和Pk|k-1来构造Sigma点ξi,k|k-1,i=0,1,L,2n,其通过非线性量测函数hk(·)+r传播为χi,k|k-1,由χi,k|k-1可得量测预测均值及自协方差阵和互协方差阵
在获得新的量测zk后,进行滤波更新:
其中,Kk是滤波增益矩阵。
6.根据权利要求1-5中任一项所述的机载平台传感器***误差配准算法,其特征在于,还包括步骤5,通过构建双机平台对合作目标进行融合跟踪的仿真场景,验证所述算法。
7.根据权利要求6所述的机载平台传感器***误差配准算法,其特征在于,仿真场景的设置方法包括:载机间距为20km,目标与载机相距220km,载机速度300m/s,目标速度300m/s,雷达数据率为0.5s,各雷达***误差均设置为η=[40m,0.3°,0.3°]T。
8.根据权利要求6所述的机载平台传感器***误差配准算法,其特征在于,仿真产生的目标点迹和航迹均通过仿真软件MATLAB实现。
9.根据权利要求6所述的机载平台传感器***误差配准算法,其特征在于,仿真流程时间设置为1000个雷达帧。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358235.4A CN114236480A (zh) | 2021-11-16 | 2021-11-16 | 一种机载平台传感器***误差配准算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111358235.4A CN114236480A (zh) | 2021-11-16 | 2021-11-16 | 一种机载平台传感器***误差配准算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114236480A true CN114236480A (zh) | 2022-03-25 |
Family
ID=80749679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111358235.4A Pending CN114236480A (zh) | 2021-11-16 | 2021-11-16 | 一种机载平台传感器***误差配准算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236480A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114963879A (zh) * | 2022-05-20 | 2022-08-30 | 中国电子科技集团公司电子科学研究院 | 无人机综合反制***及综合反制方法 |
CN116520281A (zh) * | 2023-05-11 | 2023-08-01 | 兰州理工大学 | 一种基于ddpg的扩展目标跟踪优化方法和装置 |
-
2021
- 2021-11-16 CN CN202111358235.4A patent/CN114236480A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114963879A (zh) * | 2022-05-20 | 2022-08-30 | 中国电子科技集团公司电子科学研究院 | 无人机综合反制***及综合反制方法 |
CN114963879B (zh) * | 2022-05-20 | 2023-11-17 | 中国电子科技集团公司电子科学研究院 | 无人机综合反制***及综合反制方法 |
CN116520281A (zh) * | 2023-05-11 | 2023-08-01 | 兰州理工大学 | 一种基于ddpg的扩展目标跟踪优化方法和装置 |
CN116520281B (zh) * | 2023-05-11 | 2023-10-24 | 兰州理工大学 | 一种基于ddpg的扩展目标跟踪优化方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985093B (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN107315171B (zh) | 一种雷达组网目标状态与***误差联合估计算法 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
CN114236480A (zh) | 一种机载平台传感器***误差配准算法 | |
CN111178385A (zh) | 一种鲁棒在线多传感器融合的目标跟踪方法 | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN108318856A (zh) | 一种异构网络下快速精准的目标定位与跟踪方法 | |
CN103383261A (zh) | 一种改进型无损卡尔曼滤波室内动目标定位方法 | |
CN110231620B (zh) | 一种噪声相关***跟踪滤波方法 | |
CN108871365B (zh) | 一种航向约束下的状态估计方法及*** | |
CN107015944A (zh) | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 | |
CN116500575B (zh) | 一种基于变分贝叶斯理论的扩展目标跟踪方法和装置 | |
CN110865343A (zh) | 基于lmb的粒子滤波检测前跟踪方法及*** | |
CN111707997B (zh) | 雷达目标跟踪方法、装置、电子设备及存储介质 | |
CN107797106A (zh) | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 | |
CN116047495B (zh) | 一种用于三坐标雷达的状态变换融合滤波跟踪方法 | |
CN110426689B (zh) | 一种基于em-cks的机载多平台多传感器***误差配准算法 | |
CN104320108A (zh) | 基于ahcif的集中式测量值加权融合方法 | |
CN111736144B (zh) | 一种仅用距离观测的机动转弯目标状态估计方法 | |
CN111722213B (zh) | 一种机动目标运动参数的纯距离提取方法 | |
CN114139109A (zh) | 一种目标跟踪方法、***、设备、介质及数据处理终端 | |
CN112800889A (zh) | 一种基于分布式矩阵加权融合高斯滤波的目标跟踪方法 | |
CN111209537B (zh) | 一种基于高斯回归的空间细粒度污染推断方法 | |
CN112581616B (zh) | 基于序贯分块滤波的最近邻ukf-slam方法 | |
Jian et al. | Research on Performance of Terrain Matching Algorithm for Underwater Autonomous Vehicle Based on Particle Filter |
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 |