一种基于判断机动的运动状态估计方法
【技术领域】
[0001] 本发明涉及一种状态估计方法，特别是在交互多模型的目标跟踪领域，应用于目 标跟踪领域。
【背景技术】
[0002] 随着现代科技的进步，各种高机动性能的飞行器、舰艇等高机动的运动目标相继 问世。这些类型的运动目标的机动范围很大，这就对跟踪系统提出了很高的要求，要求跟踪 系统能够对目标的各种运动状态都有着良好的状态估计性能。但是现有的目标跟踪交互式 多模型算法仅仅是还原出目标的运动轨迹，不仅具有一定的延迟性，而且对于目标信息的 短暂缺失，没有采取任何弥补措施，系统的抗干扰能力较差。
[0003] 传统的状态估计算法的缺点：首先是单模型算法，而对于传统的单模型滤波器，当 目标的运动模式同该模型不符合的时候只能通过增加系统的过程噪声等方式加以解决，但 是当目标的机动超出模型的跟踪范围的时候就会导致跟踪丢失的现象发生，因此应用范围 比较窄。其次对于传统的交互式多模型的过程中，为了提高算法的滤波精度，就要覆盖尽可 能多的运动模型，但是这样算法计算量的成倍的提高。而且模型集合中过多的模型又会导 致模型之间出现竞争，从而降低算法的精度，而且在复杂的环境下，由于传感器的不稳定因 素，容易出现目标的短暂缺失，而在传统的状态估计算法中，没有对此方面进行处理，稳定 性较差。
【发明内容】
[0004] 本发明技术解决问题：克服现有技术的不足，提供一种精简的基于判断机动的运 动状态估计方法，本发明提供一种较高精度的运动状态估计方法，采用精简的交互式多模 型的方式，使得本发明能够应对复杂多变的环境的同时，不会降低精度；并且本发明中采用 的预测验证机制，能够在目标短暂缺失后，仍然能够得到较好的状态估计效果，提高算法的 稳定性。
[0005] 该方法采用的技术方案为：该技术在过程上分为以下五个步骤：输入交互， kalman滤波，判断机动，概率预测，数据融合。首先输入交互是在已经获得模型上一时刻的 状态估计值，协方差的估计值并获取新的量测值z(k)之后对模型进行重新的初始化运算， 根据模型之间的转移概率来获得新的初始值。根据上一步输入交互的结果，将X, (k-Ι|k-1) 和P, (k-11k-1)作为k时刻模型的输入，采用kalman滤波算法得到输出的结果，然后进入 判断机动阶段，每一个模型用相应的算法对未来一段时间的结果进行预测，并且判断目标 是否发生了机动性较强的运动，在此基础上，设定了一个概率函数，对预测值进行约束，产 生相应的预测概率，根据这些预测概率将kalman滤波的输出结果进行加权求和。接下来是 用当前的观测值去验证过去时刻的预测值是否在误差的允许的范围内；
[0006] 步骤一：输入交互：将系统的观测数据作为本算法的输入，若本算法没有经过第 一轮迭代，则将此时的输入不做任何处理，直接作为步骤二的输入；否则，根据上一轮的步 骤四产生的预测概率Pl和步骤二中的经过kalman滤波器后目标状态，经过概率和状态信 息的加权求和后，得到模型j在k时刻的输入。
[0007] 步骤二：根据步骤一的k时刻的输入，利用这些输入信息，启动kalman滤波，对系 统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优 估计也可看作是滤波过程。利用kalman滤波修正观测数据中含有误差的值。
[0008] 步骤三：判断机动：经过步骤二后，模型的kalman滤波器已经启动，利用卡尔曼 滤波的预测性，预测出目标坐标的下一个位置坐标，用下一时刻的目标坐标的观测值与预 测的下一个位置坐标进行对比；判断目标观测值与预测的距离是否达到最大容忍的误差范 围；并修改概率公式的参数。
[0009] 步骤四：概率预测：结合当前滤波值，预测接下来N个时刻的状态信息；根据步骤 二的目标状态估计信息，利用概率计算公式，用计算出来预测概率P]为每一个预测值进行 约束，其中概率公式如下：
[0010]
(4)
[0011] 其中：
[0012] time:犯规次数即观测点落在容许的范围之外的次数；ET:最大的被容许犯规次 数；t:预测的相对时间；p]:预测概率；e:自然底数。
[0013] 概率函数的范围是（0,1)，概率的结果是与预测时间长度成反比，与发生机动的次 数time成反比。在这种奖惩方式下，使得该概率函数能够较好的代表预测值的准确程度。
[0014] 步骤五：输出交互：经过步骤四后，预测概率已经得到更新。根据步骤四得出的预 测概率，对步骤二的目标状态信息进行概率加权，并将概率加权的结果进行多步预测验证， 使得最终结果科学而可靠。
[0015] 经过以上步骤，基于判断机动的运动状态估计方法就完成了一次迭代。
[0016] 本发明更详细的步骤为：
[0017] 输入：每隔一定的时间，输入一个二维坐标值；
[0018] 输出：输出该时刻的状态信息，并给出该状态的概率值。
[0019] 步骤一：输入交互：若未产生各匹配滤波器的混合初始状态，则设定一个初始的 混合概率和对应的各匹配滤波器的混合初始状态及协方差矩阵；否则根据产生的混合概率 Pl和对应的各匹配滤波器的混合初始状态X(k-i|k-Ι)及协方差矩阵P, (k-Ι|k_l)，经过交 互后可得模型在k时刻的输入如下式所示：
[0022] [Xx (k-1 |k-l)-Xj(k-l|k-l)]T}
[0023] 其中：
[0024]
(7)
[0025] 步骤二：kalman滤波，对于其中的模型，进行kalman滤波，状态矢量预测：
[0026] Xf(k|k-1) =FfXf(k-lIk-1) (8)
[0027]
(9)
[0028] kalman增益为：
[0029]
(i〇)
[0030] k时刻的滤波值为：
[0031] Xj(kIk) =Xj(k|k-1)+Kj(k) [Zk-HjXj(kIk-1) ] (11)
[0032] 滤波协方差为：
[0033] Pj(k|k) = [I-KjGOHjPjklk-l) (12)
[0034] 其中：
[0035] …
. (13)
[0036] 公式（5)-(13)中：K:增益矩阵；X:状态向量；P:协方差矩阵；I:单位矩阵；Η:转 移函数；F:变换函数；μ^:转移概率；r:结果个数；j:输出结果编号；k:时刻编号；T:矩阵 的转置；P_]:预测概率；S:中间变量；R:误差协方差；Z:观测向量；Q:噪声方差。
[0037] 步骤三：判断机动，经过步骤二后，kalman滤波器已经启动，利用卡尔曼滤波的预 测性，预测出目标坐标的下一个位置坐标，用下一时刻的目标坐标的观测值与预测的下一 个位置坐标进行对比；判断目标观测值与预测的距离是否达到最大容忍的误差范围；如果 误差大于最大容忍的误差范围，则将公式（14)中的time值加2 ;如果没有达到最大容忍的 误差范围，则将公式（14)中的time值减1 ;
[0038] 步骤四：概率预测，结合当前滤波值，预测接下来N个时刻的状态信息；并利用概 率计算公式，用计算出来预测概率P]为每一个预测值进行约束，其中概率公式如下：
[0039]
(14)
[0040] 其中：
[0041] time:犯规次数即观测点落在容许的范围之外的次数；ET:最大的被容许犯规次 数；t:预测的相对时间；p]:预测概率；e:自然底数。
[0042]概率函数的范围是（0,1)，概率的结果是与预测时间长度成反比，与发生机动的次 数time成反比。在这种奖惩方式下，使得该概率函数能够较好的代表预测值的准确程度。
[0043] 步骤五：输出交互，经过步骤四后，预测概率已经得到更新，根据步骤四得出的预 测概率，对步骤二的目标状态信息进行概率加权，并将概率加权的结果进行多步预测验证， 使得最终结果科学而可靠。
[0044]
(15)
[0045]
[0046] 其中：
[0047] X:状态向量；P:协方差矩阵；r:输出结果个数；Pj:预测概率；j:输出结果编号； k:时刻编号；T:矩阵的转置。
[0048] 本发明与现有技术相比的优点在于：
[0049] (1)本发明提出的基于判断机动的运动状态估计方法具有高精度的状态估计效 果。
[0050] (2)本发明提出的基于判断机动的运动状态估计方法对于数据的短暂缺失，能够 从容应对，稳定性很高。
[0051] (3)本发明提出的基于判断机动的运动状态估计方法拥有多点预测的能力。
[0052] 现有的目标跟踪技术不能根据外界环境进行自我调整，只是应对于单一的环境， 应用范围比