[发明专利]一种基于交互式多模型的机动目标跟踪方法

说明书

本发明公开了一种基于交互式多模型的机动目标跟踪方法,通过选择覆盖目标运动特性的模型集，并根据模型转移概率的变化自适应调整各种模型的滤波值权重，最终各模型滤波结果交互融合实现目标的最佳滤波估计，从而实现对机动目标的稳定跟踪。本发明应用于弹载导引头中，能有效提高弹载雷达对机动目标的跟踪能力。

技术领域

本发明涉及弹载导引头机动目标跟踪技术领域，尤其涉及一种基于交互式多模型的机动目标跟踪方法。

背景技术

机动目标跟踪是目标跟踪领域的研究重点，其核心是在复杂干扰环境和目标密集情况下进行状态估计，对控制区域内的目标运动轨迹和相关参数进行估计，这就需要用到滤波算法，常用的滤波算法有kalman滤波、最小二乘滤波等。Kalman滤波是一种基于状态空间模型的时域滤波方法，其优点是滤波算法是递推的，在工程上应用广泛。当假设的目标运动模型与真实目标运动模型相符合时，滤波结果与真实值相接近，且随着滤波时间的增长，两者之间的误差越来越小；但当假设的目标运动模型与真实模型不匹配时，则会出现滤波发散现象。Kalman滤波是基于一种目标运动模型进行滤波，但目标发生机动的时候，其过程中的运动模式千变万化，匀速、匀加速、机动转弯等各种模式相组合，Kalman滤波只能对单一模式的运动目标进行目标跟踪、对各种模式的机动目标跟踪性能不好，简单的Kalman滤波已经无法解决机动目标跟踪问题。

发明内容

本发明的目的是提供一种基于交互式多模型的机动目标跟踪方法，解决Kalman滤波只能对单一模式的目标跟踪、对交互式多模型的机动目标跟踪性能不好的问题。

为了解决以上技术问题，本发明通过以下技术方案实现：

一种基于交互式多模型的机动目标跟踪方法，包括：步骤S1、选择覆盖机动目标运动模型的模型集合；各机动目标运动模型之间的转换符合马尔科夫链，将上一时刻各机动目标的状态估计进行交互，得到当前时刻各机动目标运动模型滤波器的输入状态估计和状态协方差。步骤S2、基于当前时刻各机动目标运动模型滤波器的输入状态估计和状态协方差，对各个机动目标运动模型进行扩展卡尔曼滤波，得到每个机动目标运动模型当前时刻的状态估计和状态协方差。步骤S3、基于每个机动目标运动模型的新息和新息协方差，更新每个机动目标运动模型的概率。步骤S4、基于每个机动目标运动模型当前时刻的所述状态估计和状态协方差和每个机动目标运动模型的所述概率，对所述状态估计和状态协方差按照所述概率进行加权求和，得到机动目标组合的状态估计和状态协方差，以实现对机动目标的跟踪。

可选地，所述步骤S1包括：步骤S1.1、根据先验给定的马尔科夫状态转移矩阵π_ij，计算机动目标运动模型i转移到机动目标运动模型j的概率u_k-1|k-1(i|j)：

式中，u_k-1(j)为k-1时刻机动目标运动模型j的概率，且i,j＝1、2、…、N；表示所有模型转移到模型j的概率之和，作为概率计算的归一化参数；u_k-1(i)为k-1时刻机动目标运动模型i的概率。

步骤S1.2、对k-1时刻，机动目标运动模型j的状态估计和状态协方差按照以下公式进行交互得到当前时刻各机动目标运动模型滤波器的输入状态估计和状态协方差P^oj(k-1|k-1)：

式中，Pⁱ(k-1|k-1)表示该模型对应的状态估计协方差，i＝1,2,…,N。

可选地，所述步骤S2中每个机动目标运动模型进行扩展卡尔曼滤波的具体实现过程如下：步骤S2.1、计算机动目标运动模型j的一步预测状态估计和状态估计协方差P^j(k|k-1)：