[发明专利]一种基于MGEKF的多传感器目标跟踪方法

摘要

本发明属于多传感器跟踪技术领域，涉及一种基于MGEKF的多传感器目标跟踪方法。本发明首先根据观测模型，列出扩展卡尔曼滤波器的一步预测方程，并计算出目标状态的一步预测结果；然后对目标的状态向量进行更新，计算出扩展卡尔曼滤波的增益矩阵，并更新目标状态向量；最后根据本文提出的计算修正增益矩阵的方法更新状态估计自相关矩阵。计算机仿真表明本发明经过一定时间迭代，较传统多传感器EKF有更好的性能。

主权项

1.一种基于MGEKF的多传感器目标跟踪方法，其特征在于，所述跟踪方法包括观测和卡尔曼滤波处理，具体如下：所述观测为通过多传感器完成对运动目标的方位角探测：令有N个观测站，k时刻坐标分别为(x_i(k)，y_i(k))，i＝1，2...，N，k时刻获得观测向量Z＝[Z₁，...，Z_N]^T；k时刻目标的运动状态为其中x，y表示目标位置信息，表示目标速度信息；建立观测方程为：其中h(X(k))为非线性观测方程，可以转化为θ_i(k)，θ_i(k)为k时刻第i个传感器的观测值，传感器测量的是目标与正北方的夹角，W(k)是零均值高斯白噪声，其功率谱密度为σ²，目标的运动方程X(k)为X(k)＝F(k，k‑1)X(k‑1)+V(k)其中为状态转移矩阵，I是单位矩阵，T是采样间隔，为系统扰动噪声，w_xk是x方向的扰动，w_yk是y方向的扰动；所述卡尔曼滤波处理的具体方法为：S1、利用第1时刻的观测值得到目标运动状态初始值，状态估计值估计误差自相关矩阵S2、根据k‑1时刻的X(k‑1)和P(k‑1)，获得目标状态一步预测值及误差自相关矩阵：P(k|k‑1)＝F(k，k‑1)P(k‑1)F(k，k‑1)+V(k‑1)S3、将观测矩阵线性化：其中r_i²＝(y_i‑y)²+(x_i‑x)²，i＝1，2，...，N，X^‑为运动状态向量在预测点的一阶泰勒展开；S4、计算卡尔曼增益：K＝P(k|k‑1)H(X^‑)^T(H(X^‑)P(k|k‑1)H(X^‑)^T+W(k))^‑1S5、计算状态估计：S6、计算修正增益矩阵，任意设置一个伪目标，其运动状态向量为其中是伪目标的x坐标，是y坐标，是x方向加速度，是y方向加速度，则获得修正增益矩阵：其中x(k)，y(k)为k时刻的状态估计的位置信息，x_i，y_i是第i个传感器的位置；S7、计算状态估计自相关矩阵：S8、输出k时刻的更新状态量和P(k)作为目标跟踪结果。