优化自适应卡尔曼滤波跟踪方法研究

作者:郭丽;刘磊;朱宏康; 刊名:中国电子科学研究院学报 上传者:李轶梅

【摘要】针对观测噪声干扰情况下光电系统的精确跟踪问题,提出了一种优化自适应卡尔曼滤波跟踪方法。该方法首先提出观测野值引起的干扰,同时合成目标的位置信息,并构建了残差序列与模型参量的自适应修正公式,实现目标信息的自适应预测和估计,通过前馈角速度的估计参量实现系统的复合跟踪。仿真和实验结果表明,本文方法在保持系统稳定的情况下能将精度提高40%,实现了噪声干扰情况下光电非线性系统的精确跟踪。

全文阅读

0引言随着光电技术的快速发展,目前光电跟踪技术广泛的应用在目标跟瞄和光电测控等领域[1-9].从国内外的研究现状看,其核心主要是跟踪的精度和执行效率,也就是跟踪的实时性问题,目前的研究多数都是基于位置跟踪增益的优化来实现系统的精确跟踪,这类方法要求系统的先验信息精确已知[10-11]。但是,在动态时变情况下,由于观测噪声的引入导致信号干扰增强、跟踪精度变差。随着光电技术在各个领域的快速应用和推广,目前对光电跟踪精度的需求大幅提升、跟踪条件日益苛刻,因此,传统的方法很难满足现代光电跟踪系统对精度的要求[12]。为解决这种问题,研究人员创新性的提出了光电系统复合跟踪的概念,通过消除速度和加速度滞后误差的方法,实现稳定跟踪下的精度大幅度提升[13-14],成为当前提升光电系统跟踪性能的主要方法之一。复合跟踪方法要求能够获取目标的角速度值,实现前馈和反馈环路的复合跟踪效能[15],目前常用的复合跟踪方法主要是利用测速观测和编码的方法对角度信息进行后续的解算,使得提升精度受限[16]。而且,由于光电跟踪系统的极坐标与笛卡尔坐标转换存在明显的非线性问题,且参数存在明显的未知、时变特性。文献[17]提出基于贝叶斯滤波的方法对模型的参数进行实时的在线估计,为解决目标运动过程中参量和模型失配问题提供了一种有效思路。针对光电系统复合跟踪实现问题,本文研究了一种基于模型自适应修正的卡尔曼滤波复合跟踪方法。该方法利用当前统计模型联合参量的自适应估计,观测信息噪声干扰情况下的精确跟踪。首先,通过预先处理和分析观测数据,剔除野值干扰影响,合成需求的目标位置信息;同时,构建目标信息的自适应预测和估计,通过反馈的角速度估计值实现系统的前馈和反馈复合跟踪。最后,基于建立的系统进行了详细的仿真实验分析。1复合跟踪构架原理传统的光电跟踪系统主要包括位置和速度两个参量[18],多数采用图1所示的原理跟踪框图,由于无法直接反馈目标的位置信息,普遍采用目标脱靶信息简介获取,但是仍然缺少空间的位置信息,尤其是角度空间信息的确实,导致角速度和角加速度无法获取,无法实现复合跟踪。图1传统伺服跟踪系统结构原理框图现有的研究主要针对脱靶的观测数据和仪器相关信息进行位置数据的获取和分析,并在考虑观测信息延时的基础上进行了时间对准分析,最后基于贝叶斯状态滤波估计的方法进行角速度信息的预测和估计,最后,将估计的角速度信息反馈到复合跟踪系统,实现的复合跟踪原理如图2所示。图2本文提出的复合跟踪系统结构框图2自适应修正卡尔曼滤波原理考虑在实际应用系统中由于运动目标的未知与时变特性,同时观测信息极坐标与笛卡尔坐标的转换导致系统具有较强的非线性和信息的不完备性等问题。为了解决这些应用难题,本文从模型的构建和模型参数的选择两个方面对系统进行优化。采用当前统计模型构建光电观测目标运动特性,同时,采用观测残差信息对目标的参量进行自适应修正。2. 1当前统计模型当前统计模型是机动目标跟踪领域应用较多的模型,其基本思想主要是认为目标在时间上具有较高的一致性,参量的变化保持在当前模型参量的有限邻域范围内[20-21],因此,可以将目标的加速度参量a(t)表示为零均值的一阶模型a(t)=a-(t)+a~(t)(1)(1)其中,a-(t)和a~(t)分别表示加速度的均值和随机量,其统计特性可表示为时间相关函数形式,即Ra(τ)=E[a~(t) a~(t+τ)]=σ2aexp(-ατ)(2)其中,α为随机的机动频率;σ2a为加速度参量方差值,参考现有研究,本文在后续的实验分析中拟采用瑞利分布计算如下σ2a=σ2a={44--πππ

参考文献

引证文献

问答

我要提问