[发明专利]一种视线坐标系内的解耦CMKF跟踪方法及系统

说明书

本发明公开了一种视线坐标系内的解耦CMKF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：更新视线坐标系；S3：构造转换量测模型；S4：视线坐标系内状态估计；S5：递推估计目标状态。本发明提出了视线坐标系内的改进CMKF滤波器，通过径向加权系数的调节，能有效抑制沿着雷达径向上的非线性误差，在提高位置估计精度的同时，保持滤波的鲁棒性，综合性能优于其他现有方法，有很好的应用潜力，值得被推广使用。

技术领域

本发明涉及雷达目标跟踪技术领域，具体涉及一种视线坐标系内的解耦CMKF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将极/球坐标下的非线性量测变换为视线坐标系下的转换量测，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。当前对CMKF的研究主要偏重于如何更精确的表达转换量测统计特性，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。

尽管具有计算简单和实现容易的优点，CMKF在方位误差较大时，在雷达径向上会出现明显的精度下降，其原因分析如下：

CMKF采用斜距观测r_m和方位观测θ_m构造转换量测z_k，具体表达式如下：

其中，r是目标到雷达真实距离，是高斯分布的斜距观测误差，θ是真实方位，是高斯分布的方位观测误差。

假设θ＝0，即在视线坐标系内，式1变为如下形式：

表示视线坐标系内的转换量测。将方位误差三角函数展开后，有：

忽略式3的二阶以上高阶项和测距误差，得到公式4的近似：

式4中与是线性关系，满足高斯分布；是方位误差的非线性函数，不再满足卡尔曼滤波要求的高斯分布的前提，导致径向滤波精度下降。为解决此问题，提出一种视线坐标系内的解耦CMKF跟踪方法。

发明内容

本发明所要解决的技术问题在于：如何克服较大方位误差导致的雷达径向估计精度下降的弊病，提供了一种视线坐标系内的解耦CMKF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

设时刻k(k＝0,1)获得的雷达观测为r_k、θ_k，估计视线坐标系的目标状态和协方差阵

S2：更新视线坐标系

在k(k＞1)时刻，预测目标状态，更新视线坐标系；

S3：构造转换量测模型

构造视线坐标系内转换量测模型；

S4：视线坐标系内状态估计

计算目标在视线坐标系内的状态估计；

S5：递推估计目标状态