[发明专利]一种基于CS模型的无人机对地目标自适应跟踪方法

说明书

本发明提供了一种基于CS（Current Statistical，CS）模型的机动目标自适应跟踪算法，在扩展卡尔曼滤波器（Extended Kalman Filter,EKF）框架下利用最小化新息方法提出了一种步进机动频率的变化方案完成滤波系统的自适应性。该方法适用于搭载测向测距传感器的无人机或其他移动设备，能够减小由于目标机动性带来的状态估计不准确问题，从而提高CS模型下EKF的跟踪精度。

技术领域

本发明涉及信号处理技术领域，特别涉及一种基于CS模型的无人机对地目标自适应跟踪方法。

背景技术

无人机是一种利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作的飞行器。与载人飞机相比，无人机具有体积小、造价低、使用方便等优点，是执行“枯燥、恶劣、危险”(the Dull,the Dirty and theDangerous，3D)任务的最佳选择。

无人机的很多应用中都包含目标跟踪这一子任务，比如拍摄运动目标的任务和搜索任务。无人机的跟踪行为可归结为对机动目标状态的估计过程。现有的估计方法主要集中在对目标模型的建立和适用于计算机处理的滤波方法。目标模型主要有匀速(ConstantVelocity，CV)模型，匀加速(Constant Accelerate， CA)模型，联动式转弯(CoordinatedTurn，CT)模型以及机动目标模型，如当前统计(Current Stati stical，CS)模型和Singer模型。滤波方法主要有最小二乘滤波，卡尔曼滤波和粒子滤波等等。其中卡尔曼滤波因其实时性，递推性和便捷性被广泛用于无人机的跟踪任务中。由于目标的机动性在实际中往往很难事先预知。因此若使用机动目标模型，当机动频率设置与实际不符时则会产生较大误差，而使用非机动目标模型则会对机动目标的跟踪精度下降。交互式多模型卡尔曼滤波有效地解决了单一模型滤波精度较低的问题，但多个滤波系统同时进行会增加计算上的复杂度。

发明内容

本发明的目的是提供一种基于CS模型的无人机对地目标自适应跟踪方法, 该方法能够将当前滤波信息将其反馈到机动频率的自适应更新方案，来提高基于 CS模型的EKF算法跟踪精度。

为此，本发明提出了一种基于CS模型的机动频率自适应扩展卡尔曼滤波，根据每次滤波的结果反馈到机动频率的自适应更新，有效解决了目标先验信息未知情况下对于机动频率设定不准确从而导致跟踪精度下降的问题，提高了系统的跟踪精度。同时，本发明相比交互式多模型算法也具有更低的复杂度。本发明实现发明目的具体是通过以下步骤来实现的：

步骤A.建立地面目标及无人机的基本运动模型；

A1.初始化地面目标的起始状态信息，得到状态向量并用下式对地面目标建立运动学方程：

其中，x,y表示地面目标在两个方向上的当前位置，表示地面目标当前在x y方向上的速度，表示地面目标当前分别在两个方向上的加速度，T为采样间隔，k为采样时刻；

A2.初始化无人机的位置和姿态信息，得到状态向量X_U＝[x_U,y_U,Ω,ω]^T，并用下式对无人机建立运动学方程：

式中，(x_U,y_U)表示无人机当前位置，Ω表示无人机当前航向角，ω表示无人机当前航偏角。

A3.用下式对地面目标建立运动状态方程：

其中，表示k时刻地面目标在x和y方向上的位置，速度和加速度；Φ(k|k-1)是k-1时刻到k时刻的状态转移矩阵；是机动目标当前加速度均值；U(k)是输入矩阵；w(k)是均值为0，方差为Q的系统误差向量；