多雷达机动目标跟踪和异步融合方法和装置与流程

1.本发明属于目标跟踪技术领域，具体涉及一种不同视域下的分布式多雷达机动目标跟踪和异步融合方法。


背景技术：

2.随着目标跟踪技术的发展，传统的单雷达系统已无法应对复杂的多目标作战环境。在此背景下，得益于传感器网络通信技术和多传感器信息融合技术的快速发展，基于多站雷达联合跟踪的分布式多雷达系统受到了广泛关注。相比于单部雷达，多雷达联合跟踪具有探测范围广、跟踪精度高、抗干扰能力强等特点，因此在军事领域得到广泛应用。然而在实际场景中，由于目标存在机动性，传统的单模型跟踪会导致无法准确地表征目标运动特性而产生跟踪性能的严重恶化。此外，由于雷达探测能力有限，雷达的视域范围一般是不同且非完全重叠的，同时由于雷达的开机时间和硬件设置不同，多部雷达所获得的量测信息存在非时间同步的问题，系统无法准确地融合同一时刻同一目标的信息，导致融合性能的严重恶化。因此，进行不同视域下的分布式多雷达机动目标跟踪和融合方法研究是至关重要的。


技术实现要素：

3.本发明的目的在于克服现有技术中的不足，提供一种多雷达机动目标跟踪和异步融合方法和装置。本发明方案能够解决上述现有技术中存在的问题。
4.本发明的技术解决方案：
5.根据第一方面，提供一种多雷达机动目标跟踪和异步融合方法，包括以下步骤：
6.s1、基于多雷达视域的先验信息，通过空间分割方法，划分雷达的公共视域和非公共视域，将雷达信息分割成公共视域信息和非公共视域信息两部分；
7.s2、本地雷达得到目标量测信息后，确定目标的状态转移模型，进行本地滤波跟踪，得到目标信息后验概率假设密度的混合高斯形式；
8.s3、将混合高斯形式表征的后验概率假设密度传送到邻近可通信的雷达站点，由于量测信息非时间同步导致跟踪的结果非时间同步，结合雷达扫描时间，采用目标的状态转移模型将雷达信息递推到融合时刻；
9.s4、利用步骤s3得到的本地雷达信息和邻近可通信的雷达信息，构建信息损失函数，基于最小化信息差异准则融合公共视域内的信息；
10.s5、利用步骤s3得到的本地雷达信息、邻近可通信的雷达信息以及步骤s4得到的公共视域融合结果，将非公共视域内的信息通过补偿策略进行合并，得到最终的融合结果。
11.进一步的，所述的后验概率假设密度的高斯混合形式：
12.[0013][0014][0015]
其中
[0016][0017][0018][0019]
表示第i个雷达k时刻对目标状态x的检测概率，z为雷达节点的量测信息，l为模型序号；
[0020]
包含了误检项和检测项两项；表示多维高斯概率密度函数；为滤波器增益；为量测信息的观测矩阵；i为单位矩阵；为量测噪声的协方差矩阵；表示均值为协方差为的高斯密度函数；表示在k时刻第a个预测高斯分量在l模型下的权重；表示模型数目；表示在k时刻第a个预测高斯分量在l模型下的均值；表示在k时刻第a个预测高斯分量在l模型下的协方差。
[0021]
进一步的，雷达信息递推到融合时刻进行融合后的结果为：其中，为雷达信息递推到融合时刻进行融合后的结果；为第i个雷达在融合时刻ε的后验高斯分量总数，为第a个后验高斯分量的权重，表示第a个后验高斯分量的均值，表示第a个后验高斯分量的协方差，表示均值为协方差为的高斯密度函数，表示分布式雷达的网络；ε为融合时刻；a表示第a个高斯分量。
[0022]
进一步的，所述的信息损失函数为：其中wi表示第i个雷达的权重，d
cs
(v||vi)表示两个概率假设密度之间的柯西施瓦兹散度，计算表达式：k为概率假设密度函数空间的超体积测量单位，||v-vi||2为为概率假设密度之差(v-vi)的l2范数的平方。v为在损失函数fw最小约束下融合的概率假设密度，vi为对公共视域观测的第i个雷达的概率假设密度。
[0023]
进一步的，在使得损失函数fw最小的条件下，所述的公共视域内信息的融合结果
为：其中，γ(x)为到的投影，为目标状态空间，表示监测区域si上的指示函数，
[0024]
进一步的，所述最终的融合结果为：其中，为雷达非公共视域内的信息。
[0025]
根据第二方面，提供上述一种不同视域下的分布式多雷达机动目标跟踪和异步融合装置，包括n个分布式雷达、滤波器、状态同步计算单元、视域分割单元和视域融合计算单元，所述的n个分布式雷达布置成分布式雷达网，本地的分布式雷达将获得的目标状态传送给滤波器滤波跟踪，得到本地后验概率假设密度的混合高斯形式，并传送给分布式雷达网的邻近雷达，所述的雷达将接收到的本地后验概率假设密度的混合高斯形式和自身获得的目标状态一起发送给所述的状态同步计算单元，所述的状态同步计算单元根据获得的数据将所有雷达的目标状态信息推到融合时刻，并将融合时刻的信息发送给视域融合计算单元，所述的视域分割单元根据每个分布式雷达的位置和视域先验信息，将雷达的视域分割成公共视域和非公共视域，并按照分割的视域将雷达的信息分割为公共视域信息和非公共视域信息，并将分割后的雷达视域信息发送给视域融合计算单元；所述的视域融合计算单元计算公共视域融合信息和非公共视域融合信息，并将公共视域融合信息和非公共视域融合信息合并，得到最终的融合结果。
[0026]
本发明与现有技术相比的有益效果：
[0027]
本发明通过将不同视域下的多个分布式雷达的目标跟踪结果进行融合，解决雷达不同视域且获得的量测信息非时间同步的问题，实现对机动目标有效跟踪的方法，且具有计算复杂度低、精度高等特点。
附图说明
[0028]
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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。
[0029]
图1示出了根据本发明实施例提供的多雷达机动目标跟踪和异步融合方法步骤示意图；
[0030]
图2示出了根据本发明实施例提供的多雷达机动目标跟踪和异步融合装置示意图；
[0031]
图3示出了根据本发明实施例提供的在杂波环境中多雷达不同视域下的机动目标跟踪仿真场景图；
[0032]
图4示出了根据本发明实施例提供的杂波环境中多雷达不同视域下的机动目标跟踪仿真精度结果图；
[0033]
图5示出了根据本发明实施例提供的在杂波环境中多雷达不同视域下的机动目标跟踪仿真基数估计结果图。
具体实施方式
[0034]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0035]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0036]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0037]
如图1所示，根据本发明实施例提供一种不同视域下的分布式多雷达机动目标跟踪和异步融合方法，包括以下步骤：
[0038]
s1、基于多雷达视域的先验信息，通过空间分割方法，划分雷达的公共视域和非公共视域，将雷达信息分割成公共视域信息和非公共视域信息两部分；
[0039]
假设监测区域为由于雷达硬件设备的限制和其在监测区域内地理位置的影响，不同雷达的视域通常是不同的且非完全重叠。不失一般性，对于任意两个雷达节点视域表示为通过空间分割方法，监测区域被分为两部分：其中一部分是雷达的公共视域(cfov)，定义为另一部分是雷达的非公共视域(efov)，定义为和此外，对于多雷达公共视域和非公共视域的划分与上述原理类似，定义为有两个及以上雷达视域重合的部分即为公共视域，只有一个雷达视域的为非公共视域。
[0040]
s2、当雷达得到目标量测信息后，采用基于多模型的概率假设密度滤波器进行本地滤波跟踪，得到后验概率假设密度的混合高斯形式；
[0041]
针对目标呈机动性，单一模型无法完全表征目标运动特性，因此各个雷达节点利用基于多模型的概率假设密度滤波器进行本地滤波跟踪，在一个实施例中，多模型是指多种运动模型，通常包括匀速直线运动模型、协同左转弯运动模型、协同右转弯运动模型三种模型，目标在各个运动模型之间进行切换时的目标状态转移密度模型表示为：
[0042]
[0043]
其中，表示时刻k时目标ξ的状态；表示目标在x、y方向的二维位置信息；表示目标在x、y方向的二维速度信息；表示在时刻k时模型的标签；表示包含所有候选模型标签的有限集合，候选模型可由具体场景而定；表示目标状态转移密度，表示k时刻在模型l条件下的目标状态转移密度，t(lk|l
k-1
)表示模型转移概率矩阵，可由具体场景而定。通过利用基于多模型的概率假设密度滤波器对机动目标进行跟踪，目标的模型随着目标运动特性的改变而自动切换，相比于传统的单模型建模方法，本发明提出的方法有效地解决了机动目标跟踪中出现的模型失配的问题。
[0044]
基于多模型的概率假设密度滤波器的迭代过程分为预测和更新两部分。假设和分别表示第i个雷达在k-1时刻的后验概率假设密度和在k时刻的预测概率假设密度，则预测过程可表示为：
[0045][0046]
其中，p
s,k
表示目标的存活概率；表示出生强度，ζ表示积分变量。。
[0047]
更新过程包括后验概率假设密度的更新和模型概率的更新：
[0048][0049][0050]
其中，表示第i个雷达k时刻对第ξ个目标的检测概率；表示第i个雷达量测的随机有限集合，雷达量测信息为二维场景下的目标相对雷达的距离和速度；表示多目标似然函数；表示杂波强度；p
i,ξ
(lk)表示lk模型的概率；表示模型数目。
[0051]
基于上述原理，采用高斯混合(gm)的实现方法，具体的实现步骤如下：
[0052]
假设k-1时刻的后验概率假设密度的高斯混合形式已知且参数化表征为：
[0053][0054]
其中表示在k-1时刻后验高斯分量的个数；表示在k-1时刻第a个后验高斯分量的权重；表示在k-1时刻第a个后验高斯分量的均值；表示在k-1时刻第a个后验高斯分量的协方差，表示均值为m，协方差为p的高斯密度函数。
[0055]
将式(5)代入式(2)，则可计算得k时刻的预测概率假设密度的高斯混合形式：
[0056]
[0057]
其中
[0058][0059][0060][0061][0062]
和分别表示k时刻存活目标和出生目标的混合高斯分量；t为雷达的扫描周期；为k-1时刻l模型下的状态转移矩阵；为k-1时刻l模型下的状态协方差矩阵。
[0063]
然后将中存活目标和出生目标的混合高斯分量整合可得：
[0064][0065]
其中表示在k时刻预测高斯分量的个数；表示在k时刻第a个预测高斯分量在l模型下的权重；表示在k时刻第a个预测高斯分量在l模型下的均值；表示在k时刻第a个预测高斯分量在l模型下的协方差。
[0066]
其次结合量测信息更新模型概率和预测概率假设密度，将式(8)代入式(3)，计算可得后验概率假设密度的高斯混合形式：
[0067][0068]
其中，
[0069][0070][0071][0072][0073][0074][0075]
包含了误检项和检测项两项；表示多维高斯概率密度函数；为滤波器增益；为量测信息的观测矩阵；i为单位矩阵；为量测噪声的协方差矩阵。
[0076]
此外，针对随着迭代次数增加高斯分量个数增加的问题，考虑采用剪枝、合并的方法处理无用的高斯分量，其中剪枝处理后的高斯分量序列参数化表征为：
[0077][0078]
其中为第i个雷达时刻k的后验高斯分量的个数，为第a个高斯分量的权重，α为设定的剪枝门限值。合并方法则采用基于修正的马氏距离法将多个相近的高斯分量整合成一个高斯分量，处理后的高斯分量序列表示为im，其满足：
[0079][0080]
其中β为设定的合并门限值，和为im中任意两个高斯分量的均值。
[0081]
最后，针对目标状态提取和目标数目估计的问题，考虑将权重大于提取门限值γw的高斯分量看作目标允于保留，可得最终滤波后的高斯分量序列：
[0082][0083]
因此，基于概率假设密度函数的性质，if中高斯分量的均值即为目标状态，if中所有的高斯分量的权重之和即为目标数目估计。
[0084]
s3、将混合高斯形式表征的后验概率假设密度传送到邻近可通信的雷达站点，由于量测信息非时间同步导致跟踪的结果非时间同步，基于雷达扫描时间，采用目标的状态转移模型将雷达信息递推到融合时刻；
[0085]
在一个实施例中，假设分布式网络有n个雷达节点，每个雷达都具有感知环境目标、形成量测数据并进行局部数据处理的能力，且雷达的时间序列模型为等间距时间序列，融合时刻间隔为τ。传统的基于最小化信息差异融合未考虑不同视域的影响，融合表达式为：
[0086][0087]
其中是描述传统融合方法中各个雷达信息的权值，然而，由于雷达的量测信息非时间同步，导致在融合时刻本地雷达不一定有滤波输出，倘若在ε融合时刻第i个本地雷达有滤波输出，则直接进行步骤s4；否则将上一融合时刻的雷达信息递推到ε融合时刻，其递推结果由混合高斯形式表示为：
[0088][0089]
其中
[0090][0091][0092]
其中，τ为融合时间间隔，为ε-1时刻l模型下的状态转移矩阵；为ε-1时刻l模型下的状态协方差矩阵，为l模型在融合时刻
ε
条件下第a个后验高斯分量的权
重，为第i个雷达在融合时刻ε-1的后验高斯分量总数；和分别为ε-1时刻融合后第a个高斯分量的均值和协方差。因此，ε融合时刻的融合后的结果为：
[0093][0094]
其中，为雷达信息递推到融合时刻进行融合后的结果；为第i个雷达在融合时刻ε的后验高斯分量总数，为第a个后验高斯分量的权重，表示第a个后验高斯分量的均值，表示第a个后验高斯分量的协方差，表示均值为协方差为的高斯密度函数，表示分布式雷达的网络；ε为融合时刻；a表示第a个高斯分量。
[0095]
通过将不同雷达不同时刻的状态信息推到融合时刻进行融合，解决多雷达信息非时间同步的问题。
[0096]
s4、利用步骤s3得到的融合时刻雷达信息，构建信息损失函数，基于最小化信息差异准则融合公共视域内的雷达信息；
[0097]
在一个实施例中，步骤s4具体实现方法为：根据步骤s2可得本地雷达信息和邻近可通信的雷达信息，构建信息损失函数fw：
[0098][0099]
其中，wi表示第i个雷达的权重，d
cs
(v||vi)表示两个概率假设密度之间的柯西施瓦兹散度，计算表达式如下：
[0100][0101]
其中，v为在损失函数fw最小约束下融合的概率假设密度，vi为对公共视域观测的第i个雷达的概率假设密度；k为概率假设密度函数空间的超体积测量单位，||v-vi||2为概率假设密度之差(v-vi)的l2范数的平方。
[0102]
由此，基于最小化信息差异准则，可得公共视域内信息的融合结果为：
[0103][0104]
其中
[0105][0106]
wi通过最小化信息损失函数fw获得，γ(x)为到的投影，为目标状态空间，表示监测区域si上的指示函数，其具体表示为：
[0107][0108]
s5、利用步骤s3得到的本地雷达信息、邻近可通信的雷达信息以及步骤s4得到的公共视域融合结果，将非公共视域内的信息进行合并，得到最终的融合结果。
[0109]
在一个实施例中，步骤s5具体实现方法为：通过补偿策略将非公共视域内的信息
合并，得到最终的融合结果为：
[0110][0111]
其中，为雷达非公共视域内的信息。
[0112]
根据第二方面的实施例，提供上述一种不同视域下的分布式多雷达机动目标跟踪和异步融合装置，包括n个分布式雷达、滤波器、状态同步计算单元、视域分割单元和视域融合计算单元，n个分布式雷达布置成分布式雷达网，某分布式雷达将获得的目标状态传送给滤波器滤波跟踪，得到后验概率假设密度的混合高斯形式，并传送给分布式雷达网的邻近可通信节点的雷达，雷达将接收到的本地后验概率假设密度的混合高斯形式和自身获得的目标状态一起发送给状态同步计算单元，状态同步计算单元根据获得的数据将所有雷达的目标状态信息推到融合时刻，并将融合时刻的信息发送给视域融合计算单元，视域分割单元根据每个分布式雷达的位置和视域先验信息，将雷达的视域分割成公共视域和非公共视域，并按照分割的视域将雷达的信息分割为公共视域信息和非公共视域信息，并将分割后的雷达视域信息发送给视域融合计算单元；视域融合计算单元计算公共视域融合信息和非公共视域融合信息，并将公共视域融合信息和非公共视域融合信息合并，得到最终的融合结果。
[0113]
进一步的在一个实施例中，滤波器采用基于多模型的概率假设密度滤波器，便于跟踪多目标多种不同的运行形式。滤波器的型号选用根据实际情况需要的综合情况确定，包括但不限于精度、体积、能耗和重量。
[0114]
进一步的在一个实施例中，目标后验概率假设密度的混合高斯形式为：
[0115]
后验概率假设密度的高斯混合形式：
[0116][0117]
其中：
[0118][0119][0120][0121][0122][0123][0124]
包含了误检项和检测项两项；表示多维高斯概率密度函数；为滤波器增益；为量测信息的观测矩阵；i为单位矩阵；为量测噪声的协方差矩阵。
[0125]
在一个具体实施例中，针对随着迭代次数增加高斯分量个数增加的问题，考虑采
用剪枝、合并的方法处理无用的高斯分量，其中剪枝处理后的高斯分量序列参数化表征为：
[0126][0127]
其中为第i个雷达时刻k的后验高斯分量的个数，为第a个高斯分量的权重，α为设定的剪枝门限值。
[0128]
合并方法采用基于修正的马氏距离法将多个相近的高斯分量整合成一个高斯分量，处理后的高斯分量序列表示为im，其满足：
[0129][0130]
其中β为设定的合并门限值，和为im中任意两个高斯分量的均值。
[0131]
最后，针对目标状态提取和目标数目估计的问题，考虑将权重大于提取门限值γw的高斯分量看作目标允于保留，可得最终滤波后的高斯分量序列：
[0132][0133]
因此，基于概率假设密度函数的性质，if中高斯分量的均值即为目标状态，if中所有的高斯分量的权重之和即为目标数目估计。
[0134]
进一步的在一个实施例中，状态同步计算单元、视域分割单元和视域融合计算单元集成在弹上计算机中。
[0135]
进一步的在一个实施例中，公共视域内信息的融合结果为：
[0136][0137]
其中
[0138][0139]
γ(x)为到的投影，为目标状态空间，表示监测区域si上的指示函数，其具体表示为：
[0140][0141]
非公共视域内信息通过滤波器直接获得。
[0142]
进一步的在一个实施例中，公共视域内信息的融合结果为：其中，γ(x)为到的投影，为目标状态空间，表示监测区域si上的指示函数，
[0143]
进一步的在一个实施例中，最终的融合结果为：
[0144][0145]
其中，为雷达非公共视域内的信息。
[0146]
为了更好的阐述本发明，下面结合具体实施例对本发明做进一步的说明。
[0147]
仿真设计了两个具有扇形视域的雷达，用于跟踪杂波场景中呈现机动运动的四个目标。场景大小为45km
×
35km，两部雷达分别位于(22km,0)和(22km,35km)，探测距离为35km，探测角度范围为80
°
，其在各自视域中独立地感知场景中目标，产生量测信息，其中包括真实目标产生的量测以及杂波和噪声的干扰量测，干扰量测的数目服从λ＝10的泊松分布，同时其出现的位置服从均匀分布。此外，两部雷达扫描周期分别为1s和2s，融合时序为每1s对雷达信息融合一次，因此在时序上属于非同步时序。
[0148]
场景中存在四个呈现机动运动的目标，目标的起始位置分别为和目标轨迹由多个运动模型来表征，包括匀速直线运动模型以及转弯率均为5rad/s的协同左转弯运动模型和右转弯运动模型，任意选取四种不同的模型组合由此构成了如图3所示的运动轨迹。
[0149]
关于运动模型的匹配，本发明采用基于多模型的概率假设密度滤波器实现了多目标的有效跟踪，考虑用三种不同模型去实时对多目标进行运动状态的匹配，同时根据概率实现模型的智能切换，模型转移概率矩阵为
[0150][0151]
匀速直线运动(cv)模型和协同转弯(ct)模型的状态转移矩阵及状态协方差矩阵为：
[0152][0153][0154]
其中σ
x
＝σy＝10m，ts＝1s，i2表示二阶的单位矩阵，表示克罗内克积。另外，对于量测噪声，假设x、y轴的协方差为σ
x
＝σy＝10m，则量测噪声的协方差矩阵为：
[0155][0156]
关于雷达量测信息非时间同步的融合，由于两部雷达扫描周期分别为1s和2s，而融合的时间序列为每1s对雷达信息融合一次。关于多雷达视域不同且非完全重叠下的融合跟踪，本发明针对共同视域和非共同视域设计了雷达的发现概率函数。仿真中滤波器的检测概率设置为：
[0157][0158]
即雷达视域内的目标检测概率为0.95，而雷达视域外的目标无法检测到。目标的存活概率设置为p
s,k
＝0.99。
[0159]
图4和图5分别为本发明在杂波环境中多雷达不同视域下的机动目标跟踪仿真精度结果图和基数分布结果图，评判指标采用最优子模式分配(ospa)，其参数设置为c＝100,p＝1。为了防止实验出现偶然误差，仿真结果是采用300次蒙特卡洛实验求平均值后的结果。从图中可以看出，在相同的场景下，相比于传统单模型的跟踪及标准最小化差异的融合方法，运用本发明的不同视域下的分布式多雷达机动目标跟踪和融合方法，可以获得更高的跟踪精度和更准确的基数估计。
[0160]
综上，本发明提供的，相比于现有技术至少具有以下优势：
[0161]
本发明通过将不同视域下的多个分布式雷达的目标跟踪结果进行融合，解决雷达不同视域且获得的量测信息非时间同步的问题，实现对机动目标有效跟踪的方法，且具有计算复杂度低、精度高等特点。
[0162]
以上仅为本发明的优选实施例而已，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，均应包含在本发明的保护范围之内。