改進(jìn)IMM的兩飛行體無源定位跟蹤算法*

高憲軍,霍長庚,談欣榮

(空軍航空大學(xué) 科研部,吉林 長春 130022)

0 引言

兩飛行體間的相對定位難點(diǎn)主要表現(xiàn)在2個方面：一是飛行器間的相對測量信息較少，依靠單一時刻的量測信息無法實(shí)現(xiàn)兩飛行期間的相對定位；二是兩飛行器間復(fù)雜的相對運(yùn)動形式，使得精確的跟蹤方程難以建立，從而影響跟蹤算法的精度。針對上述困難，本文選擇了基于相位差變化率[1-2]的無源定位方法對兩飛行體進(jìn)行相對定位。單純利用無源定位技術(shù)不足以獲取運(yùn)動目標(biāo)連續(xù)的位置信息，對于運(yùn)動目標(biāo)而言需要進(jìn)行有效的跟蹤濾波。

在機(jī)動目標(biāo)跟蹤領(lǐng)域，交互式多模型(interacting multiple model,IMM)算法[3-6]被認(rèn)為是迄今為止最有效的算法之一。交互式多模型算法考慮了模型的特點(diǎn)，它假設(shè)目標(biāo)有多種運(yùn)動狀態(tài)，每一種運(yùn)動狀態(tài)對應(yīng)一種模型，目標(biāo)在任意時刻的運(yùn)動狀態(tài)都可以用給定模型中的一種來表示，而運(yùn)動狀態(tài)的變化也就是運(yùn)動模型之間的切換用齊次馬爾可夫鏈表示，目標(biāo)的濾波結(jié)果是多個模型濾波結(jié)果的加權(quán)綜合。對于不同的應(yīng)用要求，IMM算法又可能結(jié)合多種濾波算法。在這些算法中，各個模型匹配的都是卡爾曼濾波器(Kalman filter,KF)或者無跡卡爾曼濾波器(unscented Kalman filter,UKF)。這樣做有算法簡單，計算量小等優(yōu)點(diǎn)，但是這些算法存在線性化誤差，估計精度不高，且不適用于非高斯問題。

對于大多數(shù)的無源定位系統(tǒng)而言，其所提供的測量數(shù)據(jù)與目標(biāo)狀態(tài)間常呈非線性關(guān)系。如果希望利用觀測數(shù)據(jù)完成目標(biāo)狀態(tài)的更新，必須解決非線性濾波問題。近幾年，粒子濾波(particle filtering,PF)被應(yīng)用于目標(biāo)跟蹤，成功地解決了濾波的非線性非高斯問題。將IMM算法與粒子濾波相結(jié)合的IMMPF(interacting multiple model particle filter)[7-10]算法采用交互式多模型結(jié)構(gòu)來描述目標(biāo)的運(yùn)動過程，采用粒子濾波算法進(jìn)行目標(biāo)狀態(tài)估計，集成了IMM對機(jī)動目標(biāo)跟蹤的良好特性，同時避免了線性化誤差和高斯噪聲的限制，有效地提高了狀態(tài)估計的精確度。然而，粒子濾波的主要問題是巨大的計算量，若多模型中每個模型匹配一個粒子濾波器，計算量無疑會很大，影響跟蹤的實(shí)時性。

針對以上問題，本文提出了一種改進(jìn)的IMM濾波算法(IMMK-UKF-PF)進(jìn)行定位跟蹤。其原理是：將系統(tǒng)的多模型分成3類，①線性模型，匹配無跡卡爾曼濾波；②三階及三階以下非線性高斯模型，匹配無跡卡爾曼濾波；③三階以上非線性高斯模型或非高斯模型，匹配粒子濾波。仿真結(jié)果表明該算法大大改善了計算效率。

1 利用相位差變化率的兩飛行體二維相對定位原理

為了便于實(shí)現(xiàn)二飛行器間的相對定位，本文首先建立兩飛行器A和B的相對坐標(biāo)系如圖1所示。

圖1 兩飛行器相對定位中的相對坐標(biāo)系Fig.1 Relative coordinate system between two aircrafts in the relative location

在二維平面上，觀測站載機(jī)在機(jī)身上設(shè)置雙陣元E1,E2，由于信號到達(dá)干涉儀天線的時間有先后，導(dǎo)致干涉儀接收到的信號存在相位差φt，則在某時刻t，

(1)

式中:d為基線間間距;λ為信號波長;w0為輻射波角頻率;Δt為輻射波到達(dá)兩陣元的時間差;βt為輻射源的方位角。

經(jīng)過一系列的推導(dǎo)可得

(2)

由三角函數(shù)定義可推出

(3)

(4)

(5)

(6)

式中：x，y為t時刻的相對位置。

當(dāng)目標(biāo)輻射源運(yùn)動時，由于無法得到目標(biāo)的運(yùn)動速度，此時不能對目標(biāo)進(jìn)行即時定位，因而必須在此基礎(chǔ)上通過相應(yīng)的濾波算法對目標(biāo)速度進(jìn)行估計和逼近，從而得到目標(biāo)的速度和位置。

2 IMMK-UKF-PF濾波算法

設(shè)一個使用確定模型集合M=Mii=1,2,…,M的混合系統(tǒng)，狀態(tài)方程和觀測方程離散形式為

xik=Fixik-1+Givik-1，

(7)

zik=Hxik+rk，

(8)

式中：xik為在模型i(i=1,2,…,M) 下的目標(biāo)運(yùn)動狀態(tài)矢量；vi為相應(yīng)的非高斯過程噪聲；zik為觀測矢量；r為高斯觀測噪聲。

Qik和R分別為vik和rk的協(xié)方差。一共有M個模型，假設(shè)其中1到M1是線性的，M1到M2時是三階及三階以下非線性高斯模型，其他是三階以上非線性高斯模型或非高斯模型。

系統(tǒng)模型之間的轉(zhuǎn)移概率用一個馬爾可夫鏈來表示：

Pmk+1=jmk=i=Pij，i,j=1,2,…,M.

(9)

圖2給出了IMMK-UKF-PF濾波算法結(jié)構(gòu)示意圖。

從k-1時刻開始到k時刻，一個采樣周期的IMMK-UKF-PF實(shí)現(xiàn)步驟如下：

(1)步驟1：輸入交互

j=1,2,…,M，

(10)

圖2 IMMK-UKF-PF濾波算法結(jié)構(gòu)示意圖Fig.2 Filter algorithm structure of IMMK-UKF-PF

j=1,2,…,M.

(11)

三階以上非線性高斯模型或非高斯模型中的粒子與其他模型估計值進(jìn)行交互運(yùn)算：

l=1,2,…,N;j=M2+1,M2+2,…,M,

(12)

(2) 步驟2：濾波

(3) 步驟3：模型概率更新

每一時刻模型概率都需要得到更新，模型1到M2有似然函數(shù)：

Λik=Nδik;0,Sik，i=1,2,…,M2.

(13)

其中殘差的協(xié)方差計算如下：

(14)

而模型M2到M有似然函數(shù)：

i=M2+1,M2+2,…,M.

(15)

其中殘差的協(xié)方差計算如下：

i=M2+1,M2+2,…,M.

(16)

各模型概率更新如下：

(17)

(4) 步驟4：輸出交互

(18)

3 仿真驗(yàn)證

為了驗(yàn)證本文改進(jìn)的IMM算法的有效性，將其與IMM-PF算法進(jìn)行Matlab仿真，并將仿真結(jié)果進(jìn)行比較分析。

仿真的軟硬件環(huán)境為：聯(lián)想IdeaPad Y450筆記本電腦，英特爾 酷睿2 雙核 P7450 @ 2.13 GHz筆記本處理器器，2 G內(nèi)存，Windows 7家庭普通板32位系統(tǒng)，Matlab 7.1軟件仿真平臺。

仿真中采用CV模型、CA模型和JERK模型[12]進(jìn)行交互。

建立如下狀態(tài)方程：

可以得到觀測方程

式中：n1i，n2i，n3i，n4i為相互獨(dú)立服從零均值高斯分布的測量誤差。

當(dāng)目標(biāo)處于變加速運(yùn)動時，x或y一維情況下狀態(tài)轉(zhuǎn)移矩陣為

p1=2-2αT+α2T2-2e-αT/2α3,

q1=e-αT-1+αT/α2,

r1=1-e-αT/α,

s1=e-αT,

式中:α為“機(jī)動”頻率。

各模型濾波狀態(tài)初始化，按照假定目標(biāo)距離搜索范圍為0～500 km，目標(biāo)速度范圍假定為-500～500 m/s，且初始分布假定為均勻分布，在此假定下由概率論知識得到目標(biāo)位置和速度的期望值以及相應(yīng)協(xié)方差值。X(0)=(4 000,3 000,250,450)T是初始狀態(tài)矢量，P=diag(1,1,1,1)是初始狀態(tài)協(xié)方差，各模型初始概率均為1/3，模型轉(zhuǎn)移概率矩陣為

粒子濾波時模型的粒子數(shù)為N=800，采樣周期為T=1 s，蒙特卡羅仿真次數(shù)為100。

仿真結(jié)果如圖3～5所示，分別表示IMMPF,IMMK-UKF-PF2種算法估計目標(biāo)位置的誤差曲線。

圖3 x方向均方根誤差Fig.3 Error of x direction

圖4 y方向均方根誤差Fig.4 Error of y direction

圖5 r方向均方根誤差Fig.5 Error of r direction

Execution time (seconds)

tIMMPF= 13.451 2，tIMMK-UKF-PF= 6.032 4.

由圖3～5以及仿真時間可以得出，IMMK-UKF-PF濾波算法的均方根誤差略小于IMMPF算法，跟蹤性能有一定的改善，最重要的是仿真所用時間減少很多，這在現(xiàn)實(shí)應(yīng)用中具有重要的意義。

4 結(jié)束語

本文在基于相位差變化率的兩飛行體相對定位問題的基礎(chǔ)上提出了一種改進(jìn)的交互式多模型濾波算法(IMMK-UKF-PF)，利用不同的模型匹配不同類型的濾波器，IMMK-UKF-PF算法充分發(fā)揮了粒子濾波和無跡卡爾曼濾波以及卡爾曼濾波各自的優(yōu)點(diǎn)，大大提高了計算效率，減少了跟蹤定位所用時間，同時該算法具有良好的跟蹤性能和較強(qiáng)的魯棒性。在實(shí)際的機(jī)動目標(biāo)跟蹤中，目標(biāo)的運(yùn)動情況比較復(fù)雜，往往需要多個不同參數(shù)的線性及非線性模型進(jìn)行匹配，在這種情況下，采用IMM-UKF-PF算法改善的計算負(fù)荷是可觀的。

參考文獻(xiàn)：

[1] 孫仲康，郭福成，馮道旺．單站無源定位跟蹤技術(shù)[M]．北京：國防工業(yè)出版社，2008．

SUN Zhong-kang,GUO Fu-cheng,FENG Dao-wang.Passive Lacation and Tracking Technology by Single Observer [M].Beijing:National Defense Industry Press ,2008.

[2] 胡來招．無源定位[M]．北京：國防工業(yè)出版社，2004．

HU Lai-zhao.Passive Lacation [M].Beijing:National Defense Industry Press,2004.

[3] 梁彥,潘泉,楊峰,等.復(fù)雜系統(tǒng)的現(xiàn)代估計理論及應(yīng)用[M].北京:科學(xué)出版社,2009.

LIANG Yan,PAN Quan,YANG Feng,et al.Modern Estimate Theory and Application in Complex System[M].Beijing:Seience Press 2009.

[4] MAZOR E,AVERBUCH A, BAR-SHALOM Y,et al. Interacting Multiple Model Methods in Target Tracking:A Survey[J]. IEEE Trans.on Aerospace and Electronic Systems,1998,34(1):103-122.

[5] BLOM H A P,BAR-SHALOM Y. The Interacting Multiple Model Algorithm for Systems with Markovian Switching Coefficients[J]. IEEE Trans on Automatic Control.1988,33(8):780-783.

[6] LI X R.Multiple-Model Estimation with Variable Structure-PartⅡ：Model-Set Adaptation[J]. IEEE Trans on Automatic Control,2000,45(11):2047-2060.

[7] BOERS Y,DRIESSEN J N. Interacting Multiple Model Particle Filter[J]. IEE Proc.-Radar Sonar Navig,2003,150(5):344-349.

[8] BLOM H A P,BLOEM E A. Particle Filtering for Stochastic Hybrid Systems[C]∥43IEEE Conference on Decision and Control.USA:IEEE,2004,3:3221-3226.

[9] MORELANDE M R,CHALLA S. Maneuvering Target Tracking in Clutter Using Particle Filters[J].IEEE Trans.on Aerospace and Electronic Systems,2005,41(1):252-270.

[10] MUKESH A Z, MERCHANT S N, UDAY B D. Arbitrary Trajectories Tracking Using Multiple Model Based Particle Filtering in Infrared Image Sequence[C]∥Proceeding of the International Conference on Information Technology:Code and Computer(ITCC04).Washington,USA:IEEE,2004.

[11] 宮淑麗,王幫峰,吳紅蘭,等.基于IMM算法的機(jī)場場面運(yùn)動目標(biāo)跟蹤[J].系統(tǒng)工程與電子技術(shù),2011,33(10):2322-2326.

GONG Shu-li,WANG Bang-feng,WU Xiao-lan,et al.Tracking of Moving Tragets on Airport Surface Based on IMM Algorithm[J].System Engineering and Electronics,2011,33(10):2322-2326.

[12] 李大治,程，皇甫堪.基于JERK模型的單站無源定位跟蹤算法研究[J].系統(tǒng)仿真學(xué)報,2008,20(24):6750-6752.

LI Da-zhi,HUNAG Pu-kan.Research on Single Observer Passive Location and Tracking Algorithm Based on JERK Model[J].Journal of system simulation,2008,20(24):6750-6752.