[发明专利]一种基于转换量测重构的组网雷达跟踪方法及系统

说明书

本发明公开了一种基于转换量测重构的组网雷达跟踪方法及系统，属于雷达目标跟踪技术领域，包括以下步骤：S1：滤波器初始化；S2：预测目标状态；S3：重构转换量测模型；S4：应用CMKF滤波器；S5：估计目标状态。本发明基于状态预测，估计出角度预测值，然后在转换量测中引入角度量测和预测，并根据角度量测误差和预测误差的比例调整二者比重，从而构造出新的转换量测模型；在该重构转换量测模型中，角度误差的余弦项被有效减小，径向估计性能也随之提高；在组网雷达中，基于该重构的转换量测模型，序贯融合多部雷达信息，对目标跟踪估计，融合精度相对原有方法大幅度提高，取得满意结果，并且该融合方法可以扩展到2D雷达组网跟踪的应用中。

技术领域

本发明涉及雷达目标跟踪技术领域，具体涉及一种基于转换量测重构的组网雷达跟踪方法及系统。

背景技术

在雷达目标跟踪中，目标状态一般在直角坐标系下建立，而非线性量测是在极/球坐标系下获得，状态和量测的不兼容导致所谓的非线性估计问题。为解决该问题，学者提出扩展卡尔曼滤波(EKF)、无迹滤波(UKF)、容积卡尔曼滤波(CKF)、粒子滤波(PF)、转换量测卡尔曼滤波(CMKF)等多种方法。其中CMKF因为精度较高、实时性好、实现容易等特点，在实际中得到广泛应用。CMKF的思想是将极/球坐标下的非线性量测变换为直角坐标系下的伪线性表达，解决目标状态和非线性量测的兼容性问题，再用标准卡尔曼滤波器跟踪，取得不错的性能。对CMKF的研究主要聚焦于如何更精确的估计转换量测的统计特性，提高估计精度和鲁棒性。针对这个目标，去偏CMKF算法、无偏CMKF算法、修正无偏CMKF算法、去相关CMKF算法、最佳线性无偏估计滤波(BLUE)等多种方法相继被提出，大大丰富CMKF的内涵和应用。

CMKF在角度(方位、俯仰)误差较小时，可以取得不错性能。但是当角度误差增大时，沿着目标到雷达的视线方向，该方法会出现明显的跟踪精度下降。原因在于：CMKF把非线性量测转换为直角坐标系内的伪线性形式，以兼容状态模型和量测模型，但转换后的量测相对目标状态并非是真正线性的，只是一种线性近似。在角度误差较小的时候，这种线性近似误差可以忽略；角度误差增大时，非线性误差项在转换量测误差中的比重增大，影响跟踪精度。对转换量测模型的分析表明：方位误差的余弦和俯仰误差的余弦是非线性误差的主要来源，而方位、俯仰误差的余弦都与雷达斜距紧耦合，导致径向估计性能下降。为此，提出一种基于转换量测重构的组网雷达跟踪方法。

发明内容

本发明所要解决的技术问题在于：如何克服在较大角度误差下，组网雷达对目标跟踪性能下降的弊病，提供了一种基于转换量测重构的组网雷达跟踪方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：滤波器初始化

在t₀时刻，获得雷达l的距离量测、方位角量测、俯仰角量测；在t₁时刻，获得雷达j的距离量测、方位角量测、俯仰角量测，两个雷达采样时间间隔为T，估计t₁时刻的状态估计和协方差阵；

S2：预测目标状态

在t_k(k＞1)时刻，收到雷达i的量测后，预测目标状态；

S3：重构转换量测模型

计算非线性量测的预测值，构建新的转换量测模型；

S4：应用CMKF滤波器

计算转换量测误差及其协方差阵，再计算滤波增益，计算状态估计及其协方差阵；

S5：估计目标状态

进入下一个采样时刻，重复步骤S2～S4，递推估计目标状态。