对卡尔曼滤波器应用到雷达跟踪问题的评论

本文的主要目的是阐明标准卡尔曼滤波器和卡尔曼预测器之间的差别。为此,发表了标准卡尔曼滤波器和卡尔曼预测器在雷达跟踪问题中的应用。为了获得跟踪目标的较好的位置和速度精度,这两种标法已被广泛地用在边搜索边跟踪的雷达系统中。两种方法间的性能分析和比较与实际卫星跟踪数据一起已被发表。结果表明对于大机动目标,标准卡尔曼滤波器优于卡尔曼预测器。     

异步雷达组网协同跟踪动态传感器分配算法

针对异步雷达组网下的协同跟踪问题提出了一种基于异步顺序融合的动态传感器分配算法。该算法对异步雷达的量测值按采样时刻顺序滤波,根据滤波协方差和目标期望协方差的接近程度动态选择下一时刻跟踪的最优传感器集合。仿真分析表明该算法和基于伪量测的异步雷达组网协同跟踪传感器分配算法相比具有较少的计算量和较高的目标跟踪精度。     

利用简化的充分统计量在分布式传感器网络中进行纯方位跟踪

本文介绍一种用于具有附加高斯噪声的一般非线性量测模型的分布式参数估计算法。我们证明:当扩展为多传感器情况得出一个线性融合规则时,由Kulhavy′提出的贝叶斯-闭式估计算法与局部的后验密度的形式无关。特别是Kulhavy′算法产生一组表示局部传感器密度的简化的充分统计量(RSS),这是在全局处理机中进行简单地相加和相减而获得最优融合。我们讨论了关于贝叶斯-闭式算法的各种近似值,得到非线性量测模型的实际参数估计器,并将这种近似技术应用于纯方位跟踪问题。把分布式跟踪器的性能与基于在修正的极坐标(MPC)中实现的广义卡尔曼滤波器(EKF)的另一种算法作了比较。已经证明:从通常的EKF意义上讲,贝叶斯-闭式估计器没有发散,因此在单向和双向发送方式中都可以利用贝叶斯-闭式技术。     

神经网络在多目标跟踪中的应用

在典型的多目标跟踪中,随机干扰的出现给量测源带来了不确定性。因此需要用数据互连技术使每个量测与相应目标互连或当出现杂波或虚警时放弃该量测。本文介绍使用Hopfield网络的基于神经网络的多目标跟踪算法。通过把数据互连问题的约束和著名的“旅行推销员问题”(TSP)的约束相比校,导出Hopfield网络的能量函数。通过模拟退火过程使能量函数最小化,由此计算数据互连概率,并应用于每个目标的卡尔曼滤波器跟踪器。将所提出算法的性能与传统技术相比较。仿真结果表明:所提出的神经网络跟踪器与联合概率数据互连滤波器相比较有令人满意的性能。     

有波动目标幅值探测前航迹的最大似然

目标跟踪中的一个重要问题是在信噪比(SNR)非常低的环境中探测和跟踪目标。以前,使用过包括最大似然的几种方法。本文的主要创新点是把波动目标幅值模型与跟踪等速目标的最大似然方法相结合。与逼真的传感器模型相结合,这种方法可利用同一帧中分辩单元之间以及相邻两帧间的信号相关。 波动幅值模型是反映帧间相关的一阶模型。用卡尔曼滤波器获得幅值估计,由此导出似然函数。以增加计算量为代价,数值最大化技术避免了以前由于假设的和实际的目标速度失配而在“速度滤波”方法中遇到的问题。对不变的已知幅值,导出克莱默—劳下界(CRLB)。即使幅值未知时,估计误差也接近这个CRLB。结果表明,对未知信号幅值的航速探测性能与用正确信号模型获得的性能几乎相同。     

用于目标跟踪的自适应广义调频波形设计算法

提出了一种用于雷达目标跟踪的自适应广义调频波形设计算法。该算法根据跟踪器的动态需求,以广义调频信号为样板波形自适应设计下一时刻的发射波形,其目的是使预测的目标跟踪均方误差最小化,并假定高信噪比条件,且目标跟踪运动模型和观测模型均为线性。利用与某一波形相对应的克拉美-罗下限(CRLB)以及卡尔曼滤波器,通过最小化预测的跟踪均方误差来实现广义调频波形的自适应设计。仿真结果表明:在信噪比相同的情况下,与使用固定参数、自适应参数的线性调频波形设计算法相比,所提出的算法能够获得更低的目标跟踪均方误差。     

雷达不同工作模式下跟踪任务的信息需求分析

雷达采用不同工作模式跟踪目标是有差异的。给出了跟踪任务信息需求的分析方法,并在计算由传感器量测带来信息增量的基础上,重点对边跟踪边扫描和跟踪加扫描两种模式对跟踪效果的影响进行了研究。实验结果分析了这两种工作模式下雷达量测间隔与跟踪任务信息需求之间的关系。从结论可分析出,与间隙量测方式相比,持续量测可以带来较为理想的跟踪效果,且信息需求能在较短的时间内予以满足。     

基于多机载预警雷达的机动目标融合跟踪方法

机动目标跟踪是多机载预警雷达数据融合中的一个难点,传统的卡尔曼滤波本身不足以解决该问题.基于量测噪声协方差估计设计了一种可适用于机动目标的卡尔曼滤波器;引入了协方差交集,提出了一种针对多机载预警雷达数据融合中机动目标跟踪的新方法.仿真实验表明,该方法能够成功稳定地跟踪机动目标,与现有的主流方法相比,该方法的误差性能是最佳的.     

用于目标跟踪的雷达和成象传感器数据融合

虽然合成来自多个传感器的数据以获得优良跟踪精度的方法是人们当前感兴趣的课题,而动态级融合的研究似乎仍然是一个悬而未决的问题。本文通过生成与公用状态矢量的量测相关的公用状态观察模型研究动态地来自雷达和成象传感器的数据融合。本文考虑的重点是雷达提供的反射中心量测值可能与真实目标中心不太相符这一事实。而且当目标方位改变时,反射中心可能会围绕真实目标中心变化。对远距离的小目标来说,这一影响可以忽略不计,但对半延伸或延伸(semi-extended or extended)的对象来说,这种失配就要加以考虑。本文研究的方法是根据球面坐标中真实目标中心未知恒定偏差的随机扰动,模拟雷达反射中心量测。这些偏差估计用于采用雷达和成象传感器数据跟踪目标的广义卡尔曼滤波方法中。产生跟踪滤波的性能由计算机仿真来评估。     

三维雷达跟踪改进的卡尔曼滤波设计

本文探讨了三维雷达的跟踪问题。在高度非线性情况下,通常的跟踪滤波器设计依赖于一阶(或线性)近似,结果导致滤波器的收敛性和稳定性很差。对于两种不同类型的三维雷达量测,本文开发了能够克服这些不良影响的简单滤波算法。对每一种雷达量测,经过坐标转换,通过估计雷达量测固有的非线性,可以获得量测协方差的精确表达式。在表达式的基础上,应用代数计算和合理的近似,可以产生简单的滤波公式。产生的滤波方程与广义卡尔曼滤波(EKF)公式相似,并提供了一些用于雷达量测的线性卡尔曼滤波的有用见解。模拟结果表明本文提出的方法对解决量测的非线性是非常有效的。     

恶劣环境中多个雷达目标跟踪器的评估

本文评估雷达在真实的恶劣环境中跟踪多目标的跟踪算法(MTT)的性能。由加拿大和美国的防御部门联合收集由6架F-18战斗机和其他目标产生的实际的密集间隔的机动雷达数据,支持这个实际的MTT算法评估研究。本文定义一组性能指标,以便比较次优最接近邻近值(SNN)、全局最接近邻近值(GNN)和各种联合概率数据互连(JPDA)MTT跟踪器。获得的有趣结果是所有这些MTT算法呈现出非常接近的性能。此外,还观察到理论上有效的PDA/JPDA跟踪器的加权和方法在跟踪密集间隔目标方面性能。总的讲,基于芒克莱斯算法的GNN滤波器在跟踪性能和稳健性方面有最好的性能。     

推广的卡尔曼滤波应用于主被动混合定位

当飞行器被一个几何位置已知的雷达跟踪时,相对方位与仰角可用安装在飞行器上的角传感器来测量,相对高度数据可用无线电或激光高度表来获得。根据这些数据即可确定飞行器的位置。为提高定位精度,使用了扩展的卡尔曼滤波器,得到的位置参数被变换成射面坐标系。用计算机模拟的结果是良好的。     

基于UKPF的雷达与红外传感器融合跟踪算法

针对异类传感器融合跟踪中状态估计与量测的非线性问题,分析了粒子滤波器在解决非线性和非高斯问题的优势,提出了一种基于unscented Kalman粒子滤波器(UKPF)的雷达与红外传感器融合跟踪算法,给出了算法的详细步骤.然后将该算法用于三维空间的目标跟踪上,仿真结果表明该算法比现有算法具有更高的跟踪精度.     

使用位置量测值乘积的多目标跟踪(一)

本文主要介绍用于多目标跟踪(MTT)中航迹保持的对称量测方程(SME)滤波器的继续研究。与其他的MTT方法比较起来,在SME滤波器中,为了进行目标状态估计,没有必要考虑目标/量测互联,这将导致MTT问题计算复杂性的实质性的简化。本文集中在由原始位置量测值的积构成的和产生SME的情况。对于其运动包括围绕等速轨迹随机扰动的N个目标情况研制了SME滤波器。假设x坐标位置的量测值是可得到的,并假定量测数等于目标个数。研究了SME滤波器的各种解析特征,尤其是证明了:在极不充分的条件下,估计误差方程是局部指数稳定的。通过把SME滤波器与最佳(最小方差)估计器比较和在六个目标情况下进行的计算机模拟研究了SME滤波器的性能。     

使用目标状态估值器提高空对空射击性能

使用卡尔曼滤波器对机载火控雷达及其它传感器提供的数据进行处理,可以得到空对空射击火力控制需要的目标运动信息.通过动态数字仿真比较了前置计算光学瞄准和使用目标状态估值器两种空空射击的火控算法.在具备机载火控雷达的条件下,使用目标状态估值器能够提高空对空射击性能.     

TWS 雷达中的机动目标跟踪问题

采用非零均值相关加速度模型建立ｋａｌｍａｎ滤波器,以解决ＴＷＳ雷达中的机动目标跟踪问题。建立在载准线直角坐标系的机动检测器根据残差的变化可自动调整机动加速度方差以保证非机动目标的跟踪精度和跟踪器对机动目标的跟踪。仿真表明了本文方法的有效性。     

用于雷达监视的贝叶斯及登普斯特－－谢弗目标识别法

本文探讨了雷达监视系统中目标航迹的识别问题,为了跟踪器旁边建立目标识别器,这里使用了可用于空中监视系统实时处理的四个特征:从敌我识别系统(IEF)得到的目标标识符(TID).来自雷达的仰角量测、目标速度以及跟踪器估计的加速度。将这四个特征组合起来,可将空中目标分成五类:友方商用目标、友方军事目标、敌方商用目标(或未知目标)、敌方军事目标及假目标(雷达杂波)。两种流行的基于统计的技术,即贝叶斯和登普斯特——谢弗方法,用于开发本文的雷达目标识别算法。真实及仿真的空中监视雷达数据用于评估雷达监视系统的这种航迹识别方法的适用性及效能。     

用多任务雷达和光学传感器进行目标跟踪的异步数据融合

本文研究了融合来自两个不同传感器的异步数据的技术,其中一个传感器以比另一个传感器高的速率提供数据。目的是:当用另一个传感器观察时,同时获得高数据率传感器数据的最小二乘法估计。先前研究的同步数据融合算法被用来融合时间一致的数据以更新目标状态估计。考虑了融合来自光学传感器和雷达数据的情况,其中,光学传感器以高速率提供周期性数据而雷达以低数据速率提供拟周期数据。通过提供类似于由际准序次数据处理方法所得的结果的仿真,证明了利用这种数据融合方法的跟踪滤波器的性能,这种标准的序次数据处理方法需要更多的有效计算。     

利用多传感器跟踪机动目标:数据越多总意味着估计越好吗?

在文献中考虑利用多传感器跟踪机动目标一类的问题时,支持特定目标跟踪的传感器数量及类型通常相对于目标假定位置是固定的。然而,在许多多传感器系统中,支持某一特定目标跟踪的传感器数量及类型,可由于各个传感器的机动性、类型及资源的制约而随时变化。这种在传感器系统配置上的变化性,在跟踪机动目标时造成严重的问题,这是由于目标运动模型存在不确定性。卡尔曼滤波器通常用于滤波位置测量,以估计目标的位置,速度和加速度。在设计卡尔曼滤波器时,过程噪声(加速度)方差Qk的如此选定以致于65％到95％的概率区间能包含目标的最大加速度水平。然而,当目标机动时,加速度以一种确定性方式变化。于是,与过程噪声相关的白噪声假设发生偏离,滤波器在目标机动期间产生状态估计偏差。如果选定一个较大的Qk,则在机动时的状态估计偏差较小。但当目标不作机动时,此时的Qk只能粗劣地表征目标运动,而且滤波性能远远偏离最优了。这里,举出了目标在单一坐标系运动的例子,说明了利用多传感器跟踪机动目标存在的问题,从中表明两传感器(在确定条件下,其中包括各传感器的正确配置)具有较之单一传感器更糟糕的跟踪性能。将交互式多模型算法(IMM)应用于该范例中,证明了它是一种解决跟踪滤波器性能问题的潜在方法。     

对机动的目标轨迹的估计和预测

卡尔曼滤波器很适合高炮火控问题。本文应用卡尔曼滤波器理论,提出了一个精确的、在数字上有效的估计和预测机动的固定翼飞机现在位置与未来位置的设计方案。该方案已在采用雷达跟踪器的高炮火控系统中付诸实现,并对各种不同的固定翼飞机做了试验。实际的野外试验结果证明,采用本方案可取得高精度的瞄准。