水面目标运动估计方法与流程

1.本发明涉及一种水面目标运动估计方法。


背景技术：

2.掌握广域态势、维护海上利益和安全是海洋战略发展的基石。随着我国天基装备能力的提升，基本解决了“看得远”、“看得见”的问题，但在“看得清、跟得上”，及体系化应用等方面尚存在差距。本发明以天基主/被动雷达发现不明舰船、辅助海警驱离为应用背景，通过估计目标航速和航向，掌握目标意图。
3.针对高分四号卫星数据，文献[1]提出了利用多假设跟踪[2]形成目标航迹的方法，进而估计目标的航速、航向。该方法的主要步骤包括：利用多结构多尺度形态学滤波对海洋背景遥感图像进行背景抑制；采用自适应阈值分割和自组织聚类获得候选目标；根据目标运动特征，利用静止轨道卫星凝视序列图像对候选目标进行多目标移动式邻域判决，剔除虚假目标；关联舰船目标以及融合卫星平台数据，可准确获取各个舰船位置、航速、航向、运动轨迹等信息。该方法具备算法简单、目标检测率高、虚警率低，稳定性好等优点。由于高分四号卫星采用光学成像体制，舰船的运动轨迹在像平面上是连续且光滑。在由像平面投影到地理坐标的过程中，虽然会存在一定程度的非线性系统误差，但相邻测量点迹的空间位置关系与实际情况接近，对航速、航向估计的影响程度较小。
[0004]
天基主/被动雷达因其探测距离远、覆盖范围广，逐渐得到了广泛应用。对于天基被动体制雷达，还可以通过测量辐射源信号特征参数，进而确定来波方向，完成辐射源定位和识别，目前常用的是单星侦察定位方法和多星时差侦察定位方法[1]。受限于天线尺寸、星座规模和轨道资源等，天基主/被动雷达的定位精度最大可达十几公里量级，目标测量点迹产生较大起伏。由于相邻测量点迹的空间相对位置错乱，经常出现估计的航速远超出舰船的真实能力、航向估计反向的问题。文献[3]的方法重点聚焦在背景抑制、复杂背景下的弱目标检测、以及像平面坐标到地理坐标的转换误差等环节，其方法不适用于低测量精度下的航速、航向估计。
[0005]
本发明针对天基主/被动雷达测量，在已经通过海洋态势和时空约束生成目标点迹的基础上，以获得平滑航迹和更准确的航向估计为目标，提出了一种低测量精度下的舰船目标航速与航向估计方法。
[0006]
[1]姚力波等,基于高分四号卫星的舰船目标跟踪.2017年第四届高分辨率对地观测学术年会.
[0007]
[2]blackman s s.multiple hypothesis tracking for multiple target tracking[j].ieee aerospace and electronic systems magazine,2004,19(1):5～18.用于多目标跟踪的多假设跟踪算法,电气和电子工程师协会航空航天与电子系统杂志.
[0008]
[3]郭福成等,空间电子侦察定位原理.国防工业出版社.
[0009]
[4]何友等,雷达数据处理及应用.电子工业出版社.
[0010]
一般而言，测量精度和数据率越高，对于目标跟踪的精度就越有利，对航速、航向
的估计也就越准确。如图1示出的相邻时刻下高精度测量示意图可知，目标在t
k-1
时刻的位置真值和测量值为x
k-1
和(分别为实心点和三角形)，目标在tk时刻的位置真值和测量值分别为xk和随着测量误差越大，椭圆区域所示测量分布的范围越大，测量值越偏离真值。然而，当测量误差大于相邻两点间距离的一半时，由于测量值偏离真值较远，测量位置的空间关系不再符合实际情况，导致东北向的速度被估计成西南方向，如图2所示。因此，需要预先对点迹数据进行一系列处理，才能恢复点迹的相对位置关系，进而避免航向的估计值与真值的偏差超过90度及速度估计产生较大的起伏。
[0011]
对于航速、航向估计，首先要建立目标的稳定跟踪，获得平滑航迹。一般，选用直角坐标系用描述目标状态方程。天基测量通常用经纬度来描述舰船目标的位置，因此地理坐标系是最直接的选择。然而，地理坐标系下的状态转移模型不足以精确刻画目标的转弯或静止运动。
[0012]
舰船目标可能的运动形式包括静止、直线运动、往复运动、圆周运动等，因此多采用滤波方法。通常，状态转移模型采用匀速模型、匀加速模型或协同转弯模型[4]等。然而，在低测量精度的情况下，即使目标实际在做匀速运动，也容易在滤波过程中被测量拉偏到加速运动。为此，一方面需要增加更加接近目标运动的状态转移模型，另一方面需要减小过程噪声，以便在更新滤波器增益的过程中更多相信所设定的状态转移模型，而非测量值。然而，这导致了当目标的运动偏离所设定的状态转移模型时，滤波器的响应将出现滞后。因此，需要选取合适的状态转移模型，确保既符合舰船目标的运动规律，又避免滤波器被低精度测量拉偏。


技术实现要素：

[0013]
本发明的目的在于提供一种水面目标运动估计方法。
[0014]
为实现上述发明目的，本发明提供一种水面目标运动估计方法，包括以下步骤：
[0015]
a、对水面目标的运动点迹数据进行预处理；
[0016]
b、融合权重设置策略；
[0017]
c、对水面目标的运动速度和方向进行估计。
[0018]
根据本发明的一个方面，在所述步骤(a)中，当相邻两点迹的距离处于融合门限内时，进行融合，融合点位为融合门限内相连点迹的均值；
[0019]
若连续点迹均处于融合门限内，则进行迭代融合；
[0020]
利用星下点距离或测量误差作为融合权重计算的依据。
[0021]
根据本发明的一个方面，所述步骤(a)包括以下步骤：
[0022]
a1、根据测量时间对输入点迹数据进行排序并确定航迹起点；
[0023]
a2、假设当前传感器的测量精度为r，则设定融合门限为2r+v
max
δt；
[0024]
a3、找到当前时刻t
k-1
对应的点迹x
k-1
，以及下一时刻tk对应的点迹xk，计算相邻两个点迹的距离δd＝||x
k-1-xk||；如果找不到下一时刻的测量，执行步骤a8；
[0025]
a4、如果相邻两点间距离δd超过融合门限2r+v
max
δt，则不必这两个点迹进行处理，跳至步骤a3；反之，执行步骤a5；
[0026]
a5、计算相邻时刻的位置权重，分别为已经归一化的w
k-1
和wk。由于不同的传感器
测量误差产生原因不尽相同，应配合使用对应的融合权重策略，详见下节；
[0027]
a6、对相邻两个点位进行加权融合，得到新点位与之对应的测量时刻取值为也可根据需求，将测量时刻取值为；
[0028]
a7、重复所述步骤(a2)至所述步骤(a6)，直至没有下一时刻的测量点为止；
[0029]
a8、找不到下一时刻的测量，点迹数据预处理结束。
[0030]
其中，v为舰船最大航速，一般取55.56千米每小时，即30节；
△
t为时序上相邻点迹间的时间差。
[0031]
根据本发明的一个方面，采用星下点距离获得位置权重的方式为，使两点迹对应的合并加权值(w
k-1
和wk)与星下点距离成反比，并对合并加权值做归一化处理，获得两个点迹的位置权重分别为和
[0032]
通过加权重融合得到的新的融合点迹对应的时间为两时刻的中间值；
[0033]
融合点迹会替代(覆盖)原始点迹(参与融合的点迹)；
[0034]
若进行连续迭代的融合，则反复融合策略直至相邻两点距离超过融合门限；
[0035]
其中，d为当前时刻测量点到星下点的距离。
[0036]
根据本发明的一个方面，在所述步骤(b)中，在交互式多模型架构下，选取状态变量和状态转移模型集，使用滤波和平滑的方法估计水面目标的航速和航向。
[0037]
对于无法计算融合权重或无历史统计数据的传感器，，融合点迹可取融合距离门限内相连点迹的均值。
[0038]
为了获得更好的点迹融合结果，可根据传感器的定位机制、测量精度等使用不同融合权重设置策略，以此精确地恢复相邻点迹间的相对位置关系，如利用测量误差、测量协方差矩阵、测量得分、星下点距离等作为融合权重计算的依据。其中，测量误差、测量协方差矩阵越大，测量得分越小，在融合过程中的权重越小；反之，越大。下面重点介绍以星下点距离作为融合权重设置的策略，主要有直接法、理论法和统计法，如图5所示。
[0039]
1)直接法
[0040]
步骤一：计算相邻两个点迹的星下点距离；
[0041]
步骤二：按目标距星下点距离所属区间计算当前定位精度估计值，分别取其倒数作为当前点迹的权重和下一点迹的权重，记为w
′
k-1
和w
′k；
[0042]
步骤三：对w
′
k-1
和w
′k进行归一化处理，得到最终用于融合的权重w
k-1
和wk。
[0043]
2)理论法
[0044]
步骤一：根据特定的传感器，计算星下点零位置到保精度区域最大边界的定位误差理论曲线；
[0045]
步骤二：计算相邻两个点迹的星下点距离；
[0046]
步骤三：基于定位误差理论曲线，计算相邻两个点迹的定位误差，分别取其倒数作为当前点迹的权重和下一点迹的权重，记为w
′
k-1
和w
′k；
[0047]
步骤四：对w
′
k-1
和w
′k进行归一化处理，得到最终用于融合的权重w
k-1
和wk。
[0048]
3)统计法
[0049]
步骤一：对传感器的历史定位精度情况进行统计处理，得到与星下点距离相关的定位误差统计曲线。再此基础上，可根据目标的电磁特性或光学特性，得到不同目标特性下的定位误差统计曲线；
[0050]
步骤二：计算相邻两个点迹的星下点距离；
[0051]
步骤三：基于定位误差理论曲线，计算相邻两个点迹的定位误差，分别取其倒数作为当前点迹的权重和下一点迹的权重，记为w
′
k-1
和w
′k；
[0052]
步骤四：对w
′
k-1
和w
′k进行归一化处理，得到最终用于融合的权重w
k-1
和wk。
[0053]
根据本发明的一个方面，在所述步骤(b)中，在交互式多模型架构下，选取状态变量和状态转移模型集，使用滤波和平滑的方法估计水面目标的航速和航向。
[0054]
根据本发明的一个方面，所述步骤(b)包括以下步骤：
[0055]
b1、以航迹起点为原点建立局部东北天坐标系，以此作为跟踪坐标系。然后，将航迹上的所有点迹由地理坐标系转换到该局部坐标系；；
[0056]
b2、设置转换概率：静止模型的概率和协同转弯(ct)模型的概率；
[0057]
b3、建立静止模型和ct模型的三轴状态方程，其中ct方程多引入了转弯角速度状态变量，建立包含三轴位置测量的观测方程；
[0058]
其中，协同转弯模型的状态方程引入转弯角速度状态变量，以建立包含三轴位置测量的观测方程；
[0059]
b4、根据前一时刻系统状态估计和协方差估计来推测当前时刻测量估计，然后对模型进行重新初始化计算，新的初始值是通过不同模型间马尔科夫运算矩阵得到；新的初始值通过不同模型间马尔科夫运算矩阵获得；
[0060]
b5、推导非线性状态方程和雅克比矩阵，使用ekf(extended kalman filter，扩展卡尔曼滤波器)；
[0061]
b6、通过计算当前模型和当前运动目标状态的相似度来给出当前最适合跟踪模型的权重比；
[0062]
b7、根据每个模型的单独计算结果和模型匹配权重得出估计结果，完成滤波处理；
[0063]
b8、基于滤波处理结果对所有点迹进行平滑处理，平滑值受最终状态的测量协方差矩阵和过程噪声协方差矩阵约束；平滑处理结束；
[0064]
b9、基于每个时刻的航速，计算并输出航向；如有时间接近的成像类信息输入，通过识别目标舰首方向等方法辅助判别航向，详见航速与航向计算部分。
[0065]
b10、完成所有航迹的处理，航速、航向估计结束。
[0066]
根据本发明的一个方面，在所述步骤(b)中，计算第k时刻的航速v(k)为：
[0067][0068]
其中，ve(k)、vn(k)和vu(k)分别为东北天坐标系中三轴速度分量；
[0069]
定义航向角为北偏东顺时针角度，范围为[0,2π)，则第k时刻的航向φ(k)为：
[0070][0071]
根据本发明的一个方面，所述步骤(b9)中的辅助判别航向的方式为：
[0072]
若航迹中只有某一点迹有对应的成像信息输入，在分辨率允许的情况下识别目标舰首或尾迹，从而给出目标航向；
[0073]
若航迹中多个点迹有对应的成像信息输入，则根据静态帧图像识别后的舰首方向、尾迹得到航向估计值。以及多帧成像信息定位结果生成航迹，通过滤波平滑处理输出航速、航向估计；
[0074]
综合考虑以上航速、航向估计值，多方信息补全，融合生成最终航速、航向估计值。
[0075]
根据本发明的一个方面，航速、航向的融合估计包括：
[0076]
s1、根据成像信息定位结果生成航迹，利用滤波、平滑的方式输出初始航速、航向的估计；
[0077]
s2、识别各帧中水面目标的舰首，得出静态帧中水面目标的航向；
[0078]
s3、对所述步骤(s1)和所述步骤(s2)得到的航向进行加权融合，加权值为经验值或使用卡尔曼滤波/置信度评估融合获得；
[0079]
若成像信息的点迹侦测时间与传感器的点迹侦测时间相差较大(5分钟)，则进行后续步骤，否则直接输出航向、航速的估计值；
[0080]
s4、对低测量精度产生的航迹和成像信息产生的航迹进行融合处理，使两航迹信息补全；
[0081]
融合处理的方式为协方差加权轨迹融合或自适应轨迹融合；
[0082]
s5、对融合后的航迹进行滤波、平滑处理，得出航向、航速的估计值并输出。
[0083]
根据本发明的构思，提供一种点迹数据迭代融合预处理方法，融合权重设置策略，低精度测量下的舰船目标航速、航向估计流程。
[0084]
根据本发明的一个方案，选择合适的滤波器架构和状态模型转移集，从而既能够满足对舰船目标运动精确刻画的需求，又避免了低精度测量下使用加速度模型引起的拉偏问题，而且能够增加模型数量引起的大计算量在工程应用的承受范围。
[0085]
根据本发明的一个方案，点迹数据融合预处理的方式可有效恢复航迹点的相对位置关系，以解决或弱化在传感器定位精度低时，对于慢速或静止目标航向航速估计与实际值偏差大的问题，从而为开展稳定跟踪和获得平滑航迹奠定基础。
[0086]
根据本发明的一个方案，点迹数据融合预处理是通过设定融合门限，并采用递归融合的策略，来恢复相邻点迹的空间相对位置关系，进而大幅减小由于测量精度低而造成航向的估计值与真值偏差，从而解决偏差超过90度的情况以及速度估计起伏较大等问题。
[0087]
本发明适用于其它低测量精度传感器估计深层次目标动态信息(包括位置、航速、航向、运动轨迹等)的情况，可在存在其它成像类情报信息确认的情况下，得到精度更高的航向估计。
[0088]
提出一种低测量精度下的舰船目标航速与航向估计的实用化流程，通过选择合适
的滤波器架构和状态模型转移集，既能够满足对舰船目标运动精确刻画的需求，又避免了低精度测量下使用加速度模型引起的拉偏问题，而且增加模型数量引起的计算量增加在工程应用的承受范围。
[0089]
根据本发明的一个方案，针对低测量精度的数据预处理，采用卡尔曼滤波结合交互多模型架构(imm)估计航速航向，优化低测量精度下水上目标的航速航向估计。
附图说明
[0090]
图1是高精度测量时相邻位置示意图；
[0091]
图2是低精度测量时相邻位置示意图；
[0092]
图3示意性表示本发明的一种实施方式的相邻测量点加权融合结果图；
[0093]
图4示意性表示本发明的一种实施方式的点迹数据迭代融合预处理的流程图；
[0094]
图5示意性表示本发明的一种实施方式的点迹数据迭代融合策略流程图；
[0095]
图6示意性表示本发明的一种实施方式的水面目标运动估计方法的流程图；
[0096]
图7示意性表示本发明的一种实施方式的点迹融合前的海洋低速运动目标航迹图；
[0097]
图8示意性表示本发明的一种实施方式的点迹融合的航迹图；
[0098]
图9示意性表示本发明的一种实施方式的滤波处理和平滑处理的航迹图。
具体实施方式
[0099]
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0100]
在针对本发明的实施方式进行描述时，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”所表达的方位或位置关系是基于相关附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。
[0101]
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
[0102]
本发明的水面目标运动估计方法，适用于在低测量精度下对舰船等水面目标的航速与航向进行估计，以及其他低测量精度传感器估计深层次目标动态信息(包括位置、航速、航向、运动轨迹等)的情况。本方法首先对水面目标的运动点迹数据进行预处理，然后对水面目标的运动速度和方向进行估计，以解决由于测量精度低引起的空间相对位置关系错乱的问题以及在低测量精度下的舰船目标跟踪问题。
[0103]
其中，在进行点迹数据预处理时，先结合传感器的具体情况，设置迭代融合门限。当相邻两点迹的距离处于融合门限(即距离门限)内时，则进行融合；而若连续点迹(即出现连续点迹都需要融合的现象)均处于融合门限内，则进行迭代融合。当然，在没有较好的融合策略的情况下，融合点位可为融合门限内相连点迹的均值。另外，为了获得更好的融合结
果，可根据传感器的定位机制选择融合策略，即利用星下点距离或测量误差等作为融合权重计算的依据，以此恢复点迹间相对位置关系。在对水面目标的航速和航向进行估计时，在点迹数据迭代融合预处理的基础上，针对舰船目标的运动特性，在交互式多模型架构(imm)下，选取合适的状态变量和状态转移模型集，再使用滤波和平滑的方法估计水面目标的航速、航向。
[0104]
参见图3和图4，本发明的点迹数据融合的方式为，根据测量时间对输入的点迹数据进行排序并确定航迹起点，若当前传感器的测量精度为r，则设定融合门限为2r+v
max
δt。然后，确定当前时刻t
k-1
对应的点迹x
k-1
以及下一时刻tk对应的点迹xk，计算相邻两个点迹的距离δd＝||x
k-1-xk||。若无法找到下一时刻的测量点，则直接结束点迹数据融合步骤即可。若相邻两点间距离δd超过融合门限2r+v
max
δt，则不对这两个点迹进行处理，并继续寻找相应的点迹，否则，执行后续步骤。随后，计算相邻时刻的位置权重分别为已经归一化的w
k-1
和wk，并配合使用对应的融合权重策略。而由于不同的传感器测量误差产生原因也不尽相同，因此位置权重的取值可根据星下点距离、测量协方差矩阵、得分策略来计算并进行归一化获得。再对相邻两个点位进行加权融合，得到新点位与之对应的测量时刻取值为也可根据需求进行测量时刻的取值。其中，vmax为舰船最大航速，一般取55.56千米每小时，即30节；
△
t为时序上相邻点迹间的时间差。
[0105]
本发明中，在低精度测量下对水面目标的航速和航向进行估计时，先以航迹起点为原点建立局部东北天坐标系，以此作为跟踪坐标系。然后，将航迹上的所有点迹由地理坐标系转换到该局部坐标系。设置转换概率：静止模型的概率和协同转弯(ct)模型的概率；建立静止模型和ct模型的三轴状态方程，其中，ct方程多引入了转弯角速度状态变量，建立包含三轴位置测量的观测方程。其中，协同转弯模型的状态方程(即ct方程)引入转弯角速度状态变量，以建立包含三轴位置测量的观测方程。
[0106]
根据前一时刻系统状态估计和协方差估计来推测当前时刻测量估计，然后对模型进行重新初始化计算，新的初始值是通过不同模型间马尔科夫运算矩阵得到。使用ekf推导非线性状态方程和雅克比矩阵；通过计算当前模型和当前运动目标状态的相似度来给出当前最适合跟踪模型的权重比。再根据每个模型单独计算结果和模型匹配权重得出最终的估计结果，完成滤波处理。之后基于滤波处理结果对所有点迹进行平滑处理，平滑值受最终状态的测量协方差矩阵和过程噪声协方差矩阵约束，从而完成平滑处理。基于每个时刻的航速，计算并输出航向；如有时间接近的成像类信息输入，通过识别目标舰首方向等方法辅助判别航向，详见航速与航向计算部分。完成所有航迹的处理，航速、航向估计结束。
[0107]
最后，如图5所示，完成所有航迹的处理后即可结束航速、航向的估计。
[0108]
在计算航速和航向时，若没有其他情报信息确认，则计算第k时刻的航速v(k)的公式为：
[0109][0110]
其中，ve(k)、vn(k)和vu(k)分别为enu坐标系中三轴速度分量；
[0111]
定义航向角为北偏东顺时针角度，范围为[0,2π)，则第k时刻的航向φ(k)为：
[0112][0113]
其中，xe(k)和xn(k)分别为目标东向速度分量和北向速度分量。
[0114]
在有其他成像类情报信息确认的情况下的辅助判别航向方式为，若全程航迹中只有某一点迹有对应的成像信息输入，在分辨率允许的情况下识别目标舰首或尾迹，从而给出目标航向；若全程航迹中有多点迹有对应的成像信息输入，则可根据静态帧图像识别后的舰首方向、尾迹得到航向估计值。以及多帧成像信息定位结果生成航迹，通过滤波平滑处理输出航速、航向估计；综合考虑以上航速、航向估计值，多方信息补全，融合生成最终航速、航向估计值。使用多手段融合估计航速、航向。具体为根据静态帧图像识别后的舰首方向、尾迹得到航向估计值。以及多帧成像信息定位结果生成航迹，通过滤波平滑处理输出航速、航向估计。
[0115]
其中，加权值为经验值或使用卡尔曼滤波/置信度评估等方法融合获得。若成像信息的点迹侦测时间与低测量精度的传感器的点迹侦测时间相差较大，进行后续步骤，否则直接输出航向航速估计值。随后，对低测量精度产生的航迹和成像信息产生的航迹进行融合处理，使双方信息补全。融合处理的方式可为协方差加权轨迹融合或自适应轨迹融合等。最后，对融合后的航迹按照上述方式进行滤波、平滑处理，得出最终的航向航速估计值并输出。
[0116]
以下以一种具体实施方式来详细说明本发明的方法：
[0117]
本实施方式利用一个舰船目标约1小时的真实数据作为输入数据，其平均速度为1.3节，测量数据的定位精度为5公里，从而可构建出典型的船舶目标低速运动或静止状态场景。
[0118]
参见图6和图7，其中的真实航迹和测量数据均位于航迹起始点所在东北天坐标系。可以看出，由于测量数据的精度低，测量航迹与真实航迹存在明显偏差，不利于航向角的估计。并且第4、6、7个测量值对应的航向角偏差超过90度，如表1所示：
[0119][0120]
表1真实点与测量点的航向航速差
[0121]
本实施方式中，以目标的经纬高坐标和时戳为输入，以enu坐标描述水面目标的航迹、航速和航向作为输出。融合门限的设定受传感器测量精度r、相邻两点测量时间差δt和该时刻内目标的平均速度v影响，其表达式为2r+vδt。然后计算相邻两个点迹的距离δd＝||x
k-1-xk||，若δd＞2r+vδt，则不对这两个点迹进行处理；反之，依据合并加权值将相邻时间两点融为一点。
[0122]
本实施方式采用星下点距离作为权重值设定的方法。具体的，使合并加权值与星
下点距离成反比，并对两点对应的合并加权值w
k-1
和wk做归一化处理，得位置权重为和通过加权重融合得到新的点迹对应的时间为两时刻的中间值，融合点迹会替代原始点迹。若进行连续迭代的融合，则反复融合策略直至相邻两点距离超过融合门限；其中，d为目标测量点到星下点的距离。如表2所示，使用上述点迹数据的融合方式使得航向角和航速估计得到明显改善，90度以上的角度偏差已经消除：
[0123][0124]
表2真实点与点迹预处理后的航向航速差
[0125]
对于无法计算融合权重或无历史统计数据的传感器，，融合点迹可取融合距离门限内相连点迹的均值。
[0126]
为了获得更好的点迹融合结果，可根据传感器的定位机制、测量精度等使用不同融合权重设置策略，以此精确地恢复相邻点迹间的相对位置关系，如利用测量误差、测量协方差矩阵、测量得分、星下点距离等作为融合权重计算的依据。其中，测量误差、测量协方差矩阵越大，测量得分越小，在融合过程中的权重越小；反之，越大。以星下点距离作为融合权重设置的策略主要有直接法、理论法和统计法，本实施方式利用直接法，如图5所示，包括：
[0127]
步骤一：计算相邻两个点迹的星下点距离；
[0128]
步骤二：按目标距星下点距离所属区间计算当前定位精度估计值，分别取其倒数作为当前点迹的权重和下一点迹的权重，记为w
′
k-1
和w
′k；
[0129]
步骤三：对w
′
k-1
和w
′k进行归一化处理，得到最终用于融合的权重w
k-1
和wk。
[0130]
参见图8和图9，由于测量野值的存在，目前的航迹和航向角与真实值仍存在一定偏差，因此后续将对点迹预处理后的航迹进行滤波和平滑处理，如表3所示：
[0131][0132][0133]
表3真实点与滤波平滑后的航向航速差
[0134]
可以看出，平滑后的航迹已经大幅贴近真实航迹，但与点迹预处理结果相比，后几点的航向航速估计值误差小幅增大，这是由于最后几个点的定位误差较大且无后续点修正平滑造成的。此外，经过滤波平滑后的整体航向航速偏差值也更为稳定。
[0135]
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。