[发明专利]一种分布式多平台协同有源目标跟踪方法

说明书

本发明公开了一种分布式多平台协同有源目标跟踪方法，包括分布设置的多个有源转动探测平台，多个探测平台探测跟踪同一个目标；多个探测平台信息相邻互动；所述目标跟踪方法包括：每一个探测平台根据自身接收到的目标信息利用AIMM算法+EKF算法独立进行本平台的目标跟踪估计，得到本平台的目标跟踪估计结果；每一个探测平台依据一致性法则向互动平台传输本平台的目标跟踪估计结果，同时接收互动平台的目标跟踪估计结果；本发明解决了传统的集中式多平台有源目标跟踪定位算法中，通信量较大，对于融合中心的计算能力有较高要求，系统鲁棒性不足的问题，通过在算法中引入在线自适应算法模块，有效地扩大了算法的适用范围和适应能力，提高了有源目标跟踪定位精度。

技术领域

本发明涉及目标跟踪定位领域，具体涉及一种分布式多平台协同有源目标跟踪方法。

背景技术

目标跟踪技术是指利用各种量测工具和数据处理技术，实现对目标状态精确的估计。有源跟踪指的是利用可以对外发射信号的探测设备(如雷达等)对目标进行持续性探测与跟踪，有源探测对目标的跟踪精度高，获取信息全面，是首选的目标跟踪手段。但由于量测工具输出的数据中必然存在干扰噪声，因此需要通过数据处理技术，降低干扰噪声的影响，得到目标的估计状态。通过多个平台之间合作进行对同一目标的跟踪，可以显著提高目标的跟踪精度，同时提升系统的抗干扰能力。多平台之间的数据传输网络按照组网方式可分为集中式，分散式和分布式。其中，集中式组网方式是指将每个平台获取的数据传递到融合中心，在融合中心处集中进行数据处理以及目标跟踪。这种方法虽然信息量损失小、跟踪精度高，但节点的通信量庞大、延时大，对于融合中心的计算能力有较高要求，系统抗毁伤性能不足，如果融合中心受到干扰则整个系统也会全面瘫痪。分散式组网方式，则是将每个平台都作为融合中心，每个平台均需接受其他全部平台的全部信息，这种方式具有最强的抗毁伤性能，且跟踪精度高，但是这种方式的硬件成本十分高昂，而且通信量十分巨大。

此外，几乎所有的传统目标跟踪方法都是基于模型的，因此总是假定目标运动及其观察能够用某个已知的数学模型所表示出来。到目前为止，已经发展出了一系列的运动模型，典型的有匀速模型(CV)，匀加速模型(CA)，匀转弯模型(CT)，Singer加速度模型，“当前”模型(CS)等，它们分别对应非机动目标、弱机动目标以及强机动目标。但随着目标的运动越来越复杂，使用单一且固定的模型很难准确的描述目标的真实运动状态，并且，如果目标做机动运动，那么单模型跟踪下很容易丢失目标(目标跟踪误差过大)。因此，在跟踪过程中使用多模型就显示出其优势来。交互式多模型算法(Interacting Multiple Model，IMM)是关于混合系统状态估计的次优算法，针对跟踪过程中结构或者参数变化的系统，一般被认为是一种最有效的混合估计运算，在跟踪中有着很好的性能。但是，IMM算法也面临着Markov转移概率矩阵选择困难的问题，Markov转移概率矩阵是IMM算法的核心参数之一，决定着模型之间的交互与切换，一般根据先验信息人为选取为固定主对角占优矩阵。选择不恰当的Markov转移概率矩阵会使目标跟踪精度下降。

发明内容

本发明提出一种分布式多平台协同有源目标跟踪方法，通过改进自适应交互式多模型(Adaptive Interacting Multiple Model，AIMM)算法，避免了常规IMM算法中Markov转移概率矩阵先验确定困难的问题，提高了模型切换速度和跟踪精度，提高了有源目标跟踪的精度。

为了实现上述目的，本发明的技术方案是：

一种分布式多平台协同有源目标跟踪方法，包括分布设置的多个有源转动探测平台，多个探测平台探测跟踪同一个目标；多个探测平台呈拓扑结构信息相邻互动；所述目标跟踪方法包括：

第一步：每一个探测平台根据自身接收到的目标信息利用AIMM算法+EKF算法独立进行本平台的目标跟踪估计，得到本平台的目标跟踪估计结果；

第二步：每一个探测平台依据一致性法则向互动平台传输本平台的目标跟踪估计结果，同时接收互动平台的目标跟踪估计结果；