[发明专利]多普勒雷达序贯平滑变结构滤波方法及装置

说明书

本申请提供一种多普勒雷达序贯平滑变结构滤波方法及装置，属于雷达数据处理技术领域，能够同时解决多普勒雷达的非线性欠定观测模型问题和目标运动模型不确定条件下的鲁棒跟踪问题。所述方法采用多普勒雷达的目标位置量测和径向速度量测解耦处理、序贯估计的策略解决了非线性欠定观测模型问题：在第一量测转换模块和第一状态估计器中，利用非线性的目标位置量测和广义平滑变结构滤波方法获得第一级目标状态估计；在第二级量测转换模块和第二状态估计器中，利用径向速度量测构造伪量测，对第一级目标状态估计进行更新，得到当前帧目标最终的后验状态估计。其中，广义平滑变结构滤波方法保证了模型不确定条件下的鲁棒性。因此，本申请能够提高多普勒雷达的目标跟踪精度，同时在目标运动模型不确定情况下保持鲁棒估计性能。

技术领域

本申请实施例涉及雷达数据处理技术领域，具体而言，涉及一种多普勒雷达序贯平滑变结构滤波方法及装置。

背景技术

雷达目标跟踪装置，是利用雷达回波中包含的目标距离、方位角、多普勒频偏等信息，对目标数量和位置、速度、加速度等运动状态进行持续有效的估计的装置，广泛应用于自动驾驶、空中交通管制、气象监测、安防、国防军事等领域，其中，多普勒雷达可以观测目标运动的径向速度信息，进而在雷达目标状态估计环节增加有效信息维度，大幅提高目标跟踪性能。

多普勒雷达的目标跟踪算法或装置需要建立雷达观测模型和目标状态转移模型，但由于多普勒雷达的观测模型是高度非线性的观测模型，而高度非线性模型会造成常用的雷达跟踪方法经常使用的滤波器，如卡尔曼滤波器(KF)等产生较大的非线性估计误差，甚至导致滤波发散；同时，多普勒雷达的目标状态转移模型具有不确定性，而传统贝叶斯滤波方法，包括卡尔曼滤波器(KF)等，均依赖于对目标运动模型的精确描述，如果目标状态转移模型和真实目标的运动模型偏差较大，例如目标发生强机动运动，会导致跟踪误差急剧增大、甚至滤波发散丢失目标。

为了解决多普勒雷达非线性观测模型带来的误差，在多普勒雷达应用时也会应用一系列非线性滤波方法，包括扩展卡尔曼滤波(EKF)，不敏卡尔曼滤波(UKF)以及粒子滤波(PF)，还包括估计精度高、计算复杂度低的序贯卡尔曼滤波(SKF)方法，但这些传统的贝叶斯方法，包括序贯卡尔曼滤波器及其大量的改进形式，虽然可以减小非线性误差，却不能解决目标状态转移模型的不确定性问题。

为了解决多普勒雷达的目标状态转移模型的不确定性问题，常采用包括鲁棒卡尔曼滤波、H-infinite滤波，以及近年来备受关注的平滑变结构滤波(SVSF)，平滑变结构滤波(SVSF)是一种模型不确定条件下的鲁棒滤波方法，能够保证状态估计误差的有界性，同时具有较低的计算复杂度；但是，标准的平滑变结构滤波方法要求线性的观测模型和满秩的观测矩阵，从而实现目标状态空间到观测空间的双射映射。由于多普勒雷达的观测模型是非线性的，因此为了解决非线性观测模型问题，也试图用雅克比矩阵代替非线性函数代入标准平滑变结构滤波器结构，但这又会引入新的欠定矩阵求逆的难题，从而导致目标速度的估计误差很大，因此，平滑变结构滤波方法仍然无法应用于多普勒雷达装置。

因此，多普勒雷达的非线性欠定观测模型带来的精度问题与目标的运动模型不确定条件下的鲁棒跟踪问题仍亟待解决。

发明内容

本申请实施例提供一种多普勒雷达序贯平滑变结构滤波方法、装置、设备以及存储介质，旨在便于提高多普勒雷达观测目标状态的跟踪精度，同时在目标运动模型不确定情况下保持鲁棒估计性能。

第一方面，本申请实施例提供一种多普勒雷达序贯平滑变结构滤波方法，所述方法包括以下步骤：

第一量测转换模块，将当前帧多普勒雷达的非线性的目标位置量测，转换为笛卡尔坐标系下的线性位置量测；

第一状态估计器，利用广义平滑变结构滤波器和笛卡尔坐标系下的所述线性位置量测，获得第一级目标状态估计；

第二量测转换模块，利用当前帧多普勒雷达的目标径向速度量测构造目标距离-径向速度积伪量测；