基于距离参数化混合坐标系下srckf的纯方位目标跟踪方法
【技术领域】
[0001] 本发明属于纯方位目标跟踪领域，具体涉及一种基于距离参数化混合坐标系下平 方根容积卡尔曼滤波的纯方位目标跟踪方法。
【背景技术】
[0002] 纯方位目标跟踪利用运动目标本身的有源辐射，获取目标的角度信息序列实时估 计目标的运动状态。由于纯方位目标跟踪仅需要目标的角度信息，具有隐蔽性强、设备简 单、探测距离远等优点，在电子侦察、精确制导、智能导航等领域具有广泛应用。由于无源传 感器的观测量仅有目标的角度信息，无法获取目标的径向距离信息，观测量是状态量的非 线性函数，因此纯方位目标跟踪实质上是一个非线性滤波问题。目前纯方位目标跟踪的研 宄热点主要集中在滤波算法的研宄和坐标系的选择。
[0003] 滤波算法方面，扩展卡尔曼滤波（EKF)将非线性函数进行一阶泰勒展开，忽略高 阶项，将非线性问题线性化，由于计算简易使其获得广泛应用。然而对于高度非线性问题， 使用EKF会产生较大的误差，甚至导致滤波发散，且EKF在线性化时需要计算Jacobian矩 阵，实际问题中很难得到系统的Jacobian矩阵。
[0004] 针对EKF的不足，Julier提出无迹卡尔曼滤波（UKF)，通过一组确定的加权采样点 来逼近随机变量的分布函数，通过采样点的非线性变换，捕获随机变量经非线性变换后的 统计特性。但UKF在进行迭代滤波过程中需要进行矩阵分解和求逆运算，而状态估计协方 差阵难以保持正定。
[0005] 近年来提出的容积卡尔曼滤波（CKF)，使用基于容积原则的数值积分方法计算非 线性变换后的随机变量均值和协方差。与UKF相比，CKF需要较少的计算量且具有更高的 滤波精度。但CKF在迭代滤波过程中需要对误差协方差矩阵进行分解和求逆，而误差协方 差阵的非正定造成滤波数值的不稳定。
[0006] 坐标系的选择方面，由于在直角坐标系下纯方位目标跟踪的观测量是状态量的非 线性函数，采用卡尔曼滤波器进行纯方位目标运动分析是不稳定的，甚至会导致滤波器发 散。近年来讨论较多的是修正球坐标下的卡尔曼滤波算法，该算法可实现观测量和不可观 测量之间的自动解耦，防止协方差矩阵的病态且使得状态估计渐进无偏，但其状态方程是 高度非线性及强耦合的，不利于进行状态预测。
[0007] 此外，在纯方位目标跟踪中，滤波初始值对跟踪效果影响较大，而由于无源传感器 无法获取目标径向距离信息，使得目标初始距离存在较大误差，进而影响跟踪精度与稳定 性。
【发明内容】
[0008] 为了克服现有技术的不足，本发明提供一种基于距离参数化混合坐标系下平方根 容积卡尔曼滤波的纯方位目标跟踪方法。
[0009] 本发明解决其技术问题所采用的技术方案是：首先将平方根容积卡尔曼滤波应用 于混合坐标系，得到混合坐标系下的平方根容积卡尔曼滤波（HC-SRCKF)，接着将距离参数 化思想和混合坐标系下的平方根容积卡尔曼滤波算法结合，得到距离参数化混合坐标系下 的平方根容积卡尔曼滤波（RP-HC-SRCKF)。具体包括以下步骤：
[0010] 步骤1、采用等比规则将初始距离区间划分为乂个子区间，第i个子区间为 [RminP H，RminP i]，1彡i彡NF，Rmin为初始距离区间的下限值，Rmax为初始距离区间的上限 值，P = ~为比例因子，则第i个子区间的距离范围为Ri= Rmin(P I ;
[0011] 步骤2、初始化距离区间权值，给第i个子区间分配初始权值4 = # R:r ;
[0012] 步骤3、各子区间独立在混合坐标系下进行平方根容积卡尔曼滤波，包括以下步 骤：
[0013] 3. 1设置滤波初始条件；
[0014] 3. 2选择修正球坐标系状态向量进行容积点采样；
[0015] 3. 3将采样点状态向量转换至直角坐标系进行状态预测；
[0016] 3. 4将预测状态转换回修正球坐标系完成卡尔曼滤波更新，得到状态估计量^li 和新息协方差矩阵平方根;
[0017] 3. 5判断滤波算法是否达到设定的执行次数，如果是，结束算法；否则，返回步骤 3. 2。
[0018] 步骤4、第i个子区间的似然函数为
【主权项】
1. 一种基于距离参数化混合坐标系下SRCKF的纯方位目标跟踪方法，其特征在于包括 下述步骤： 步骤1、采用等比规则将初始距离区间划分为乂个子区间，第i个子区间为 [U H，RminP i]，1彡i彡NF，Rmin为初始距离区间的下限值，Rmax为初始距离区间的上限 值，~为比例因子，则第i个子区间的距离范围为Ri= Rmin(Pi-PH); 步骤2、初始化距离区间权值，给第i个子区间分配初始权值4 ; 八ma\ Snin 步骤3、各子区间独立在混合坐标系下进行平方根容积卡尔曼滤波，包括以下步骤： 3. 1设置滤波初始条件； 3. 2选择修正球坐标系状态向量进行容积点采样； 3. 3将采样点状态向量转换至直角坐标系进行状态预测； 3. 4将预测状态转换回修正球坐标系完成卡尔曼滤波更新，得到状态估计量尤和新 息协方差矩阵平方根尤m ; 3. 5判断滤波算法是否达到设定的执行次数，如果是，结束算法；否则，返回步骤3. 2。 步骤4、第i个子区间的似然函数为
式中，Zk为实际观测值，〖【Μ为观测估计值，尤为新息协方差矩阵平方根。 依据贝叶斯准则更新权僅
步骤5、对各子区间的滤波结果加权融合，得到最终的定位结果 1=1 步骤6:比较子区间权值4和权值门限《th的大小，如果4 <%,，则终止第i个子区 间对应的滤波器，转至步骤3。
【专利摘要】本发明提供了一种基于距离参数化混合坐标系下SRCKF的纯方位目标跟踪方法，首先划分初始距离区间并初始化距离区间权值，然后各子区间独立在混合坐标系下进行平方根容积卡尔曼滤波并更新距离区间权值，对各子区间的滤波结果进行加权融合，得到最终的定位结果。本发明具有更高的跟踪精度和更好的稳定性，有效避免了滤波初始值对跟踪性能的影响，即消除了距离信息不可测对跟踪效果的影响。
【IPC分类】G01S17-66
【公开号】CN104833981
【申请号】CN201510236525
【发明人】周德云, 章豪
【申请人】西北工业大学
【公开日】2015年8月12日
【申请日】2015年5月11日