一种分布式多平台协同有源目标跟踪方法与流程

本发明涉及目标跟踪定位领域，具体涉及一种分布式多平台协同有源目标跟踪方法。

背景技术：

目标跟踪技术是指利用各种量测工具和数据处理技术，实现对目标状态精确的估计。有源跟踪指的是利用可以对外发射信号的探测设备(如雷达等)对目标进行持续性探测与跟踪，有源探测对目标的跟踪精度高，获取信息全面，是首选的目标跟踪手段。但由于量测工具输出的数据中必然存在干扰噪声，因此需要通过数据处理技术，降低干扰噪声的影响，得到目标的估计状态。通过多个平台之间合作进行对同一目标的跟踪，可以显著提高目标的跟踪精度，同时提升系统的抗干扰能力。多平台之间的数据传输网络按照组网方式可分为集中式，分散式和分布式。其中，集中式组网方式是指将每个平台获取的数据传递到融合中心，在融合中心处集中进行数据处理以及目标跟踪。这种方法虽然信息量损失小、跟踪精度高，但节点的通信量庞大、延时大，对于融合中心的计算能力有较高要求，系统抗毁伤性能不足，如果融合中心受到干扰则整个系统也会全面瘫痪。分散式组网方式，则是将每个平台都作为融合中心，每个平台均需接受其他全部平台的全部信息，这种方式具有最强的抗毁伤性能，且跟踪精度高，但是这种方式的硬件成本十分高昂，而且通信量十分巨大。

此外，几乎所有的传统目标跟踪方法都是基于模型的，因此总是假定目标运动及其观察能够用某个已知的数学模型所表示出来。到目前为止，已经发展出了一系列的运动模型，典型的有匀速模型(cv)，匀加速模型(ca)，匀转弯模型(ct)，singer加速度模型，“当前”模型(cs)等，它们分别对应非机动目标、弱机动目标以及强机动目标。但随着目标的运动越来越复杂，使用单一且固定的模型很难准确的描述目标的真实运动状态，并且，如果目标做机动运动，那么单模型跟踪下很容易丢失目标(目标跟踪误差过大)。因此，在跟踪过程中使用多模型就显示出其优势来。交互式多模型算法(interactingmultiplemodel，imm)是关于混合系统状态估计的次优算法，针对跟踪过程中结构或者参数变化的系统，一般被认为是一种最有效的混合估计运算，在跟踪中有着很好的性能。但是，imm算法也面临着markov转移概率矩阵选择困难的问题，markov转移概率矩阵是imm算法的核心参数之一，决定着模型之间的交互与切换，一般根据先验信息人为选取为固定主对角占优矩阵。选择不恰当的markov转移概率矩阵会使目标跟踪精度下降。

技术实现要素：

本发明提出一种分布式多平台协同有源目标跟踪方法，通过改进自适应交互式多模型(adaptiveinteractingmultiplemodel，aimm)算法，避免了常规imm算法中markov转移概率矩阵先验确定困难的问题，提高了模型切换速度和跟踪精度，提高了有源目标跟踪的精度。

为了实现上述目的，本发明的技术方案是：

一种分布式多平台协同有源目标跟踪方法，包括分布设置的多个有源转动探测平台，多个探测平台探测跟踪同一个目标；多个探测平台呈拓扑结构信息相邻互动；所述目标跟踪方法包括：

第一步：每一个探测平台根据自身接收到的目标信息利用aimm算法+ekf算法独立进行本平台的目标跟踪估计，得到本平台的目标跟踪估计结果；

第二步：每一个探测平台依据一致性法则向互动平台传输本平台的目标跟踪估计结果，同时接收互动平台的目标跟踪估计结果；

第三步：将接收互动平台的目标跟踪估计结果与本平台的目标跟踪估计结果进行融合，得到一致性融合后的本平台的目标跟踪估计结果，并将融合次数计数器加1；

第四步：判断融合次数计数器是否达到了融合次数阈值，如果没有达到融合次数阈值，则返回第二步；如果达到了融合次数阈值，则将得到一致性融合后的本平台的目标跟踪估计结果作为最终跟踪结果输出。

方案进一步是：所述aimm算法+ekf算法的方法是：

第一步：输入aimm算法中的交互模型数据，包括ca模型数据、cv模型数据和singer模型数据；

第二步：用ekf算法分别对ca模型数据、cv模型数据和singer模型数据进行滤波；

第三步：对取得的滤波结果利用作为权重的模型概率进行加权融合；将加权融合得到的加权平均值结果作为最终目标跟踪估计结果，所述的模型概率是由模型转移概率更新的模型概率；

第四步：对模型转移概率利用假设检验方法进行修正形成新的接近跟踪目标的模型转移概率。

方案进一步是：所述一致性法则是通过一致性算法保持各互动平台目标跟踪估计结果一致。

方案进一步是：所述一致性算法是：

第一步：根据多个探测平台拓扑结构建立一个邻接矩阵g；

第二步：根据邻接矩阵g设置相应的w权重矩阵；

第三步：计算邻接矩阵g的行和向量与列和向量；

第四步：对于w权重矩阵中的w(i,j)元素为：

如果i≠j，则

如果i＝j，则

其中max()代表在输入的数据之中取最大值；

第五步：利用w权重进行不同平台之间的数据通信与数据融合。

方案进一步是：所述目标信息包括探测平台与目标之间的相对俯仰角与相对方位角，以及与目标之间的相对距离。

方案进一步是：所述多个探测平台信息相邻互动，可以是一个平台对一个平台的信息相邻串联互动，或者是一个平台对多个平台的信息相邻互动，或者是一个平台对一个平台和一个平台对多个平台的信息相邻互动。

本发明的有益效果是：

(1)本发明解决了传统的集中式多平台有源目标跟踪定位算法中，通信量较大，对于融合中心的计算能力有较高要求，系统鲁棒性不足的问题，此外，通过在算法中引入在线自适应算法模块，有效地扩大了算法的适用范围和适应能力，提高了有源目标跟踪定位精度。

(2)本发明所采用的分布式组网模式，与现有方法相比，在保证目标跟踪定位精度的同时，有效降低系统硬件成本，提升系统鲁棒性和容错性，具有更强的稳定性与适应性。

(3)本发明所设计的基于一致性的多平台数据融合方法，有效地完成了本平台的目标跟踪估计结果与接收到的互动平台的目标跟踪估计结果之间的数据融合，实现了本地信息与互动信息间的充分共享；并且在实例应用中可以看出，在一定条件下，该数据融合后的效果具有较好的有源目标跟踪定位精度。

(4)本发明所设计的aimm算法，充分利用当前的量测信息，在线更新多模型滤波器的转移概率参数，与现有方法相比，有效避免了传统imm算法中markov转移概率矩阵先验确定困难的问题，提高了模型切换速度和跟踪精度，提高了有源目标跟踪的精度。

下面结合附图和实施例对本发明进行详细描述。

附图说明

图1为分布式多平台协同有源目标跟踪算法流程框图；

图2为分布式多平台协同有源目标跟踪算法时序示意图；

图3为aimm+ekf算法流程示意图；

图4为平台之间通信情况示意图；

图5为目标真实轨迹与跟踪轨迹结果比较示意图；

图6为跟踪算法运行结果z轴跟踪误差示意图；

图7为跟踪算法运行结果y轴跟踪误差示意图；

图8为跟踪算法运行结果x轴跟踪误差示意图；

图9为跟踪算法运行结果速度跟踪误差示意图。

具体实施方式

一种分布式多平台协同有源目标跟踪方法，包括分布设置的多个有源转动探测平台，多个探测平台探测跟踪同一个目标；多个探测平台呈拓扑结构信息相邻互动；所述目标跟踪方法包括：

第一步：每一个探测平台根据自身接收到的目标信息利用aimm算法+ekf算法独立进行本平台的目标跟踪估计，得到本平台的目标跟踪估计结果；

第二步：每一个探测平台依据一致性法则向互动平台传输本平台的目标跟踪估计结果，同时接收互动平台的目标跟踪估计结果；

第三步：将接收互动平台的目标跟踪估计结果与本平台的目标跟踪估计结果进行融合，得到一致性融合后的本平台的目标跟踪估计结果，并将融合次数计数器加1；

第四步：判断融合次数计数器是否达到了融合次数阈值，如果没有达到融合次数阈值，则返回第二步；如果达到了融合次数阈值，则将得到一致性融合后的本平台的目标跟踪估计结果作为最终跟踪结果输出。

其中的所述多个探测平台信息相邻互动，可以是一个平台对一个平台的信息相邻串联互动，或者是一个平台对多个平台的信息相邻互动，或者是一个平台对一个平台和一个平台对多个平台的信息相邻互动。

其中：所述aimm算法+ekf算法的方法是：

第一步：输入aimm算法中的交互模型数据，包括ca模型数据、cv模型数据和singer模型数据；

第二步：用ekf算法分别对ca模型数据、cv模型数据和singer模型数据进行滤波；

第三步：对取得的滤波结果利用作为权重的模型概率进行加权融合；将加权融合得到的加权平均值结果作为最终目标跟踪估计结果，所述的模型概率是由模型转移概率更新的模型概率；

第四步：对模型转移概率利用假设检验方法进行修正形成新的接近跟踪目标的模型转移概率。

实施例中：所述一致性法则是通过一致性算法保持各互动平台目标跟踪估计结果一致。

一致性算法根据需要有多种选择，本实施例采用的所述一致性算法是：

第一步：根据多个探测平台拓扑结构建立一个邻接矩阵g；

第二步：根据邻接矩阵g设置相应的w权重矩阵；

第三步：计算邻接矩阵g的行和向量与列和向量；

第四步：对于w权重矩阵中的w(i,j)元素为：

如果i≠j，则

如果i＝j，则

其中max()代表在输入的数据之中取最大值；

第五步：利用w权重进行不同平台之间的数据通信与数据融合。

上述方法实现了多平台对目标的准确协同有源跟踪定位。aimm算法+ekf(extendkalmanfilter，扩展kalman滤波，ekf)算法采用分布式算法结构，与传统的集中式算法不同,分布式算法需要的通信量较少,同时具备了对故障鲁棒性强的优点。另一方面,与分散式算法相比,分布式算法的网络不需要完全连接,每个平台只需要与它信息相通的平台进行信息交换，保证算法具有低通信量、快速实现、可扩展性强的特点；在获得信息互动平台信息的基础上利用基于一致性法则的数据融合方法完成多平台间的跟踪定位结果的数据融合，实现信息共享，提升跟踪定位精度的目的。此外，本方法设计了改进自适应交互式多模型(adaptiveinteractingmultiplemodel，aimm)算法，该算法避免了常规imm算法中markov转移概率矩阵先验确定困难的问题，提高了模型切换速度和跟踪精度，提高了有源目标跟踪的精度。

以下对上述方法进行更加详细地说明：

首先每个运动平台根据自身有源传感器所敏感到的目标信息，利用aimm算法+ekf算法独立进行本平台的目标跟踪估计，得到本平台的目标跟踪估计结果，定义为局部估计结果，在每个运动平台均获得自身的局部估计结果后，开始进行不同平台间的数据传输，通信的内容为各平台的局部估计结果，此时每个平台都会向互动平台发送自身的局部估计结果同时接收互动平台的局部估计结果，当完成这样一轮信息传输后(所有平台均完成对自身互动平台的信息收发)，每个平台依据一致性法则对自身局部估计结果与接收到的互动局部估计结果进行加权融合，得到的融合结果作为新的自身局部估计结果，当所有平台均完成估计结果的更新后，重新开始新一轮的数据传输共享，直至数据传输轮数达到预设阈值。此时各个平台的局部估计结果之间已经基本趋于一致，各个平台之间实现了对目标一致的跟踪估计结果，且该跟踪估计结果具有趋近于全局最优的性质。算法整体流程框图如图1所示。系统时序图如图2所示。

具体流程包括以下步骤：

步骤1：每个运动平台根据自身有源传感器所敏感到的目标信息(目标信息为运动平台与目标之间的相对角度(俯仰角与方位角)以及与目标之间的相对距离)，利用aimm算法+ekf算法独立进行本平台的目标跟踪估计，得到本平台的目标跟踪估计结果。首先介绍ekf算法流程：

对于如下的非线性连离散系统：

xk+1＝f(xk)+wk

zk＝h(xk)+vk

其中，xk为系统状态，zk为系统观测信息，随机变量wk和vk分别为系统的过程噪声和测量噪声，且为相互独立的零均值高斯白噪声。其中，过程噪声的方差为q，量测噪声的方差为r。f为状态方程中与系统状态变量xk和时间k相关的非线性函数；h为观测方程中与状态变量xk和时间k相关的非线性函数。对上述模型进行应用ekf算法：

pk,k-1＝apk-1a^t+q

kk＝pk,k-1h^t[hpk,k-1h^t+r]^-1

pk＝[i-kkh]pk,k-1

其中，代表上一步滤波结果，代表状态一步预测，pk,k-1代表一步预测误差方差，kk代表滤波增益，pk代表当前步滤波误差方差，pk-1代表k-1步的滤波误差方差；i代表对应维度的单位矩阵，其中a和h分别代表f和h在处的雅可比矩阵，雅可比矩阵是数学中常用的一种函数的一阶偏导数以一定方式排列成的矩阵。

在ekf算法的基础上，进一步介绍aimm+ekf算法：

假定有r个模型，定义相对应的模型集为mf，其包含如下的非线性连离散系统：

xk+1＝fj(xk)+wj(k)

zk＝hj(xk)+vj(k)

j＝1,…,r

模型定义方式与前文一致，其中，过程噪声wj(k)的方差为qj，量测噪声vj(k)的方差为rj；用一个马尔科夫链来描述这些模型之间的转换，马尔科夫链的模型转移概率矩阵为：

pro(k)矩阵中各元素都是非负的，并且各行元素之和等于1。

aimm+ekf算法由下面四步组成：

第一步：输入交互模型数据，包括ca模型数据、cv模型数据和singer模型数据：

本部分主要进行当前步(第k步)模型滤波初值的计算，根据上一步(第k-1步)的模型概率与滤波结果进行计算，计算流程如下：

其中，为归一化常数；uij(k-1|k-1)为混合概率，ui(k-1)为第k-1步的模型概率。

其中，pi(k-1|k-1)分别代表模型i的第k-1步滤波结果与滤波误差方差。

第二步：按照模型集中的全部模型，每个模型独立进行ekf滤波，具体计算流程如下：以模型j为例，以pj0(k-1|k-1)及z(k)作为输入进行ekf。

sj(k)＝hj(k)·pj(k|k-1)·h^tj(k)+rj

pj(k|k)＝[i-kj(k)]pj(k|k-1)

其中，i代表对应维度的单位矩阵，其中φj(k-1)和hj(k)分别代表fj和hj在xj(k|k-1)处的雅可比矩阵。

模型概率更新，使用模型转移概率对模型概率进行更新，具体公式如下：

其中，c为归一化常数，且而∧j(k)为观测z(k)的似然函数：

其中exp为指数函数，

第三步：输出交互，各模型独立取得的滤波结果进行加权融合，得到的结果作为最终结果进行输出：

可以看出，滤波器的总输出是多个滤波器估计结果的加权平均值，权重即为该时刻模型正确描述目标运动的概率，简称为模型概率。其中，和p(k|k)为aimm+ekf算法的最终输出，分别代表状态估计结果与滤波误差方差。

第四步：对模型转移概率利用假设检验的思想进行修正：

proi'j(k)＝exp(uj(k)-uj(k-1))proij(k-1)

对上式进一步进行归一化得到修正后的结果：

其中，第一步至第三步为传统imm算法流程，而本专利中设计的第四步(模型转移概率修正部分)，通过利用量测数据自适应地修正模型转移概率的方法，放大了匹配模型的作用，抑制了非匹配模型的作用。模型转换过程中更多地利用匹配模型的信息，而减小非匹配模型的影响，使收敛速度得到明显提高。

在本步骤中，每个运动平台利用自身观测信息独立利用aimm+ekf算法进行有源跟踪，得到有源目标跟踪结果，算法流程图如图3所示。其中，计算过程中所采用的数学模型简要介绍如下：

1.cv(constantvelocity，匀速)模型：

x(k+1)＝φx(k)+w(k)

z(k)＝h(x(k))+r(k)

该模型下状态向量为：

依序代表为x,y,z轴下的三轴位置与三轴速度；

cv模型的离散系统状态转移矩阵为：

t为系统采样间隔，状态误差w(k)为零均值高斯白噪声，其协方差矩阵为：

观测向量为其中分别为方位角和俯仰角。观测矩阵：

其中，atan为反正切函数，r(k)为观测噪声，是零均值的高斯白噪声。

2.ca(constantacceleration，匀加速)模型：

x(k+1)＝φx(k)+w(k)

z(k)＝h(x(k))+r(k)

该模型下状态向量为：

依序代表为x,y,z轴下的三轴位置，三轴速度与三轴加速度；

ca模型的离散系统状态转移矩阵为：

t为系统采样间隔，状态误差w(k)为零均值高斯白噪声，其协方差矩阵为：

其观测向量同cv模型一致。

3.singer模型

x(k+1)＝φx(k)+w(k)

z(k)＝h(x(k))+r(k)

该模型下状态向量为：

依序代表为x轴下的位置，速度与加速度；y轴下的位置，速度与加速度；z轴下的位置，速度与加速度。singer模型的离散系统状态转移矩阵为：

t为系统采样间隔，状态误差w(k)为零均值高斯白噪声，α为经验常数，此处设置为20。其观测向量同cv模型一致。

基于上述介绍的三种运动模型，应用aimm+ekf算法进行有源目标跟踪，得到平台局部目标跟踪结果。

步骤2：每个平台依据一致性法则开始向互动平台传输本平台的目标跟踪估计结果同时接受互动平台的目标跟踪估计结果，并将二者进行融合，得到一致性融合后的本平台的目标跟踪估计结果。

通过步骤1的计算，每一个运动平台均可以独立地获得目标的跟踪结果，该跟踪结果将在本步中作为传递信息在互动中进行传输与共享。传输与共享规则均为基于一致性法则，下面对该信息传输与共享规则举例介绍如下：考虑以下包含5个运动平台的通信网络，如图4所示。该通信网络对应的邻接矩阵(adjacencymatrix)为：

其中邻接矩阵g是表示顶点之间相邻关系的矩阵，例如g(1,2)＝1则代表平台2和1之间具有通信关系，平台2可以将数据传输给平台1，即平台2为平台1的互动；g(1,4)＝0则代表平台4无法将数据直接传输给平台1，即平台4不为平台1的互动。

根据g可以设置相应的w权重矩阵，本专利中设计的基于一致性法则的w权重矩阵设计方法如下：

以上文中的g为例进行说明：首先计算g的行和向量与列和向量则对于w中的w(i,j)元素为：

如果i≠j，则

如果i＝j，则

其中max()代表在输入的数据之中取最大值。

对于上文中设计的g，应用上述方法设计得到的w权重矩阵为：

利用w权重进行不同平台之间的数据通信与数据融合，具体算法流程如下，以平台1为例：

根据g中的第一行中的元素，平台1所能接受到的信息为平台2的信息与平台5的信息，则根据w中的第一行中的权重，有：

其中，代表第j个平台在第k步时与互动平台所传输沟通的信息；

其余平台的计算方式依次类推，则可得：

ik＝wik-1

其中

所有平台按照上述方式进行一次数据共享与融合，称为完成一轮通信。

利用上述介绍的数据共享与融合方法进行多平台间数据共享，为方便下文进行进一步说明，定义系统中一共存在5个运动平台对目标进行跟踪，将每个平台独立取得局部状态估计结果(aimm+ekf算法运行结果)定义为：其滤波误差方差定义为p1^aimm(1),…,p5^aimm(1)，按照上文所描述的方法进行一致性通信，具体操作流程如下：

定义通信轮数为10轮，每个平台利用自身信息，互动信息与w矩阵信息进行数据融合与共享，每一轮的通信计算过程如下：

以平台1为例：

其余平台的计算方式依次类推，则可得：

p^aimm(k+1)＝wp^aimm(k)

其中：

在完成上述流程的数据通信后，每一个平台均可以获得最终的数据通信后的结果：

步骤3：每个平台输出目标最终有源跟踪定位结果，重复上述步骤，对目标进行持续性有源跟踪与定位，同时将当前步的跟踪结果更新为下一步滤波跟踪计算的初始值。将步骤2得到的滤波结果作为最终的目标跟踪结果进行输出，最终输出结果如图5-图9所示，从图中可以看出，本实施例所述方法，三轴向的误差以及速度误差都被有效的限制在一定的容许范围内，而且随着时间的推移逐渐缩小，也就是说利用该方法可以有效实现对目标的准确定位跟踪。