一種基于判斷機動的運動狀態估計方法
【技術領域】
[0001] 本發明涉及一種狀態估計方法，特別是在交互多模型的目標跟蹤領域，應用于目 標跟蹤領域。
【背景技術】
[0002] 隨著現代科技的進步，各種高機動性能的飛行器、艦艇等高機動的運動目標相繼 問世。這些類型的運動目標的機動范圍很大，這就對跟蹤系統提出了很高的要求，要求跟蹤 系統能夠對目標的各種運動狀態都有著良好的狀態估計性能。但是現有的目標跟蹤交互式 多模型算法僅僅是還原出目標的運動軌跡，不僅具有一定的延遲性，而且對于目標信息的 短暫缺失，沒有采取任何彌補措施，系統的抗干擾能力較差。
[0003] 傳統的狀態估計算法的缺點：首先是單模型算法，而對于傳統的單模型濾波器，當 目標的運動模式同該模型不符合的時候只能通過增加系統的過程噪聲等方式加以解決，但 是當目標的機動超出模型的跟蹤范圍的時候就會導致跟蹤丟失的現象發生，因此應用范圍 比較窄。其次對于傳統的交互式多模型的過程中，為了提高算法的濾波精度，就要覆蓋盡可 能多的運動模型，但是這樣算法計算量的成倍的提高。而且模型集合中過多的模型又會導 致模型之間出現競爭，從而降低算法的精度，而且在復雜的環境下，由于傳感器的不穩定因 素，容易出現目標的短暫缺失，而在傳統的狀態估計算法中，沒有對此方面進行處理，穩定 性較差。
【發明內容】
[0004] 本發明技術解決問題：克服現有技術的不足，提供一種精簡的基于判斷機動的運 動狀態估計方法，本發明提供一種較高精度的運動狀態估計方法，采用精簡的交互式多模 型的方式，使得本發明能夠應對復雜多變的環境的同時，不會降低精度；并且本發明中采用 的預測驗證機制，能夠在目標短暫缺失后，仍然能夠得到較好的狀態估計效果，提高算法的 穩定性。
[0005] 該方法采用的技術方案為：該技術在過程上分為以下五個步驟：輸入交互， kalman濾波，判斷機動，概率預測，數據融合。首先輸入交互是在已經獲得模型上一時刻的 狀態估計值，協方差的估計值并獲取新的量測值z(k)之后對模型進行重新的初始化運算， 根據模型之間的轉移概率來獲得新的初始值。根據上一步輸入交互的結果，將X, (k-Ι|k-1) 和P, (k-11k-1)作為k時刻模型的輸入，采用kalman濾波算法得到輸出的結果，然后進入 判斷機動階段，每一個模型用相應的算法對未來一段時間的結果進行預測，并且判斷目標 是否發生了機動性較強的運動，在此基礎上，設定了一個概率函數，對預測值進行約束，產 生相應的預測概率，根據這些預測概率將kalman濾波的輸出結果進行加權求和。接下來是 用當前的觀測值去驗證過去時刻的預測值是否在誤差的允許的范圍內；
[0006] 步驟一：輸入交互：將系統的觀測數據作為本算法的輸入，若本算法沒有經過第 一輪迭代，則將此時的輸入不做任何處理，直接作為步驟二的輸入；否則，根據上一輪的步 驟四產生的預測概率Pl和步驟二中的經過kalman濾波器后目標狀態，經過概率和狀態信 息的加權求和后，得到模型j在k時刻的輸入。
[0007] 步驟二：根據步驟一的k時刻的輸入，利用這些輸入信息，啟動kalman濾波，對系 統狀態進行最優估計的算法。由于觀測數據中包括系統中的噪聲和干擾的影響，所以最優 估計也可看作是濾波過程。利用kalman濾波修正觀測數據中含有誤差的值。
[0008] 步驟三：判斷機動：經過步驟二后，模型的kalman濾波器已經啟動，利用卡爾曼 濾波的預測性，預測出目標坐標的下一個位置坐標，用下一時刻的目標坐標的觀測值與預 測的下一個位置坐標進行對比；判斷目標觀測值與預測的距離是否達到最大容忍的誤差范 圍；并修改概率公式的參數。
[0009] 步驟四：概率預測：結合當前濾波值，預測接下來N個時刻的狀態信息；根據步驟 二的目標狀態估計信息，利用概率計算公式，用計算出來預測概率P]為每一個預測值進行 約束，其中概率公式如下：
[0010]
(4)
[0011] 其中：
[0012] time:犯規次數即觀測點落在容許的范圍之外的次數；ET:最大的被容許犯規次 數；t:預測的相對時間；p]:預測概率；e:自然底數。
[0013] 概率函數的范圍是（0,1)，概率的結果是與預測時間長度成反比，與發生機動的次 數time成反比。在這種獎懲方式下，使得該概率函數能夠較好的代表預測值的準確程度。
[0014] 步驟五：輸出交互：經過步驟四后，預測概率已經得到更新。根據步驟四得出的預 測概率，對步驟二的目標狀態信息進行概率加權，并將概率加權的結果進行多步預測驗證， 使得最終結果科學而可靠。
[0015] 經過以上步驟，基于判斷機動的運動狀態估計方法就完成了一次迭代。
[0016] 本發明更詳細的步驟為：
[0017] 輸入：每隔一定的時間，輸入一個二維坐標值；
[0018] 輸出：輸出該時刻的狀態信息，并給出該狀態的概率值。
[0019] 步驟一：輸入交互：若未產生各匹配濾波器的混合初始狀態，則設定一個初始的 混合概率和對應的各匹配濾波器的混合初始狀態及協方差矩陣；否則根據產生的混合概率 Pl和對應的各匹配濾波器的混合初始狀態X(k-i|k-Ι)及協方差矩陣P, (k-Ι|k_l)，經過交 互后可得模型在k時刻的輸入如下式所示：
[0022] [Xx (k-1 |k-l)-Xj(k-l|k-l)]T}
[0023] 其中：
[0024]
(7)
[0025] 步驟二：kalman濾波，對于其中的模型，進行kalman濾波，狀態矢量預測：
[0026] Xf(k|k-1) =FfXf(k-lIk-1) (8)
[0027]
(9)
[0028] kalman增益為：
[0029]
(i〇)
[0030] k時刻的濾波值為：
[0031] Xj(kIk) =Xj(k|k-1)+Kj(k) [Zk-HjXj(kIk-1) ] (11)
[0032] 濾波協方差為：
[0033] Pj(k|k) = [I-KjGOHjPjklk-l) (12)
[0034] 其中：
[0035] …
. (13)
[0036] 公式（5)-(13)中：K:增益矩陣；X:狀態向量；P:協方差矩陣；I:單位矩陣；Η:轉 移函數；F:變換函數；μ^:轉移概率；r:結果個數；j:輸出結果編號；k:時刻編號；T:矩陣 的轉置；P_]:預測概率；S:中間變量；R:誤差協方差；Z:觀測向量；Q:噪聲方差。
[0037] 步驟三：判斷機動，經過步驟二后，kalman濾波器已經啟動，利用卡爾曼濾波的預 測性，預測出目標坐標的下一個位置坐標，用下一時刻的目標坐標的觀測值與預測的下一 個位置坐標進行對比；判斷目標觀測值與預測的距離是否達到最大容忍的誤差范圍；如果 誤差大于最大容忍的誤差范圍，則將公式（14)中的time值加2 ;如果沒有達到最大容忍的 誤差范圍，則將公式（14)中的time值減1 ;
[0038] 步驟四：概率預測，結合當前濾波值，預測接下來N個時刻的狀態信息；并利用概 率計算公式，用計算出來預測概率P]為每一個預測值進行約束，其中概率公式如下：
[0039]
(14)
[0040] 其中：
[0041] time:犯規次數即觀測點落在容許的范圍之外的次數；ET:最大的被容許犯規次 數；t:預測的相對時間；p]:預測概率；e:自然底數。
[0042]概率函數的范圍是（0,1)，概率的結果是與預測時間長度成反比，與發生機動的次 數time成反比。在這種獎懲方式下，使得該概率函數能夠較好的代表預測值的準確程度。
[0043] 步驟五：輸出交互，經過步驟四后，預測概率已經得到更新，根據步驟四得出的預 測概率，對步驟二的目標狀態信息進行概率加權，并將概率加權的結果進行多步預測驗證， 使得最終結果科學而可靠。
[0044]
(15)
[0045]
[0046] 其中：
[0047] X:狀態向量；P:協方差矩陣；r:輸出結果個數；Pj:預測概率；j:輸出結果編號； k:時刻編號；T:矩陣的轉置。
[0048] 本發明與現有技術相比的優點在于：
[0049] (1)本發明提出的基于判斷機動的運動狀態估計方法具有高精度的狀態估計效 果。
[0050] (2)本發明提出的基于判斷機動的運動狀態估計方法對于數據的短暫缺失，能夠 從容應對，穩定性很高。
[0051] (3)本發明提出的基于判斷機動的運動狀態估計方法擁有多點預測的能力。
[0052] 現有的目標跟蹤技術不能根據外界環境進行自我調整，只是應對于單一的環境， 應用范圍比