空中機動目標跟蹤算法淺談

樊亞林

摘 要：隨著航空與航天科學技術的不斷發展，航空器的機動性能直線上升，并且目標的超強機動性能會使得雷達的跟蹤性能迅速下降。提高對機動目標的跟蹤能力已成為不斷增長的熱點研究問題，急需探索更實用、高效的跟蹤濾波方法，因此使得機動目標跟蹤的一系列探索己經成為現在國內外的熱門話題。

關鍵詞：空中；機動目標；跟蹤算法

一、國內外研究現狀

機動目標跟蹤主要是根據運動目標在時間上的變化關系和空間上的變化關系實現運動目標的跟蹤。例如，對于一個典型的雷達機動目標跟蹤示意圖下所示。

經典的機動目標雷達跟蹤系統的輸入參數為來自信息處理器和檢測器的測量數據，通常對于雷達來說則是測量目標的距離、方位角等參數，輸出參數為目標的實時運動軌跡。同時，目標跟蹤系統又可分為單目標和多目標跟蹤，其基本原理圖分別如下所示：

二、目標運動模型研究現狀

（1）勻速（Constant Velocity， CV）模型與勻加速（Constant

Acceleration， CA）模型。CV模型假設目標作勻速運動，目標的機動加速度分別服從均值為零，方差為σ2的高斯白噪聲，該模型即為二階常速度模型。CA模型假設目標作勻加速度運動，目標的機動加速度為一常數，其一階導數服從均值為零，方差為σ2的高斯白噪聲分布，該模型即為三階常速度模型。（2）這一階時間相關模型（Singer加速模型）。Singer模型采用有色噪聲來描述目標的運動加速度，它假定運動加速度為一個平穩的時間相關隨機過程，其統計特性服從均值為零、方差為的均勻分布。（3）半馬爾可夫模型。Moose等人在研究了Singer模型之后發現該模型的零均值假設并不合理，提出了具有隨機開關平均值的高斯白噪聲。因此，半馬爾科夫模型在Singer模型的基礎上，提出了一個非零加速度u（t），用來改進Singer模型機動是零均值的假設，使得該模型在描述機動較大的目標時更為合理。（4）機動目標“當前”統計模型。20世紀80年代初，我國學者周宏仁在航空學報上發表了一篇題為《機動目標“當前”統計模型與自適應跟蹤算法》。文中指出了在機動目標運動模型中狀態（機動加速度）估值與狀態噪聲之間的內在聯系，提出機動目標“當前”統計模型的概念并建議用改進的瑞利——馬爾科夫過程描述目標隨機加速機動的統計特征。（5）交互式多模型。該方法用馬爾科夫過程描述模型之間的相互轉化，同時考慮卡爾曼濾波輸入輸出均為加權的交互式算法。在該算法中，由若干個模型集組成的混合系統來描述被跟蹤目標的運動狀態，若干個模型同時計算，用每個模型的貝葉斯后驗概率對濾波器的導入導出參數都進行計算。

三、目標跟蹤算法研究現狀

（1）自適應跟蹤。目標跟蹤與預測的首先的要求就是為估計現在和將來時間點目標的運動狀態，主要包括距離、速度和加速度等參數，主要包括線性跟蹤和非線性跟蹤。1）擴展卡爾曼濾波跟蹤。李理敏通過實時監測濾波器參數或殘差的動態變化，根據改進狀態噪聲方差和觀測噪聲方差，進而調整濾波器增益、控制狀態預測值和觀測值在濾波結果中的權重，推導了基于自適應擴展卡爾曼濾波的載波跟蹤算法。2）二階濾波跟蹤。陳浩利用二階泰勒展開式的方法，推導出了光電跟蹤系統觀測方程的轉換測量值誤差的均值和協方差之間的矩陣表達式，提出了二階去偏轉換測量卡爾曼濾波算法。3）修正增益的擴展卡爾曼濾波跟蹤。王鼎通過建立目標角度信息、直達波與散射波的時間差信息以及多普勒頻移信息的觀測方程，提出了一種對運動目標進行定位跟蹤的改進型濾波算法。4）自適應擴展卡爾曼濾波跟蹤。羅汶鋒根據自適應的節點調度方法，幾何單點測量的擴展卡爾曼濾波實現對雷達網絡范圍內可移動目標的定位跟蹤，以此對一般的卡爾曼濾波算法進行擴展，推導了基于自適應節點簇的卡爾曼濾波定位跟蹤算法。（2）基于粒子濾波器。隨著計算機科學技術的發展，蒙特卡洛方法是近10年以來在科學技術領域日漸突出的一種通用方法。同樣，它也是一種獨具風格的信號統計與處理的新方法。相比之下，基于粒子濾波器的跟蹤算法可以大量減輕蒙特卡洛的計算量，得到了國內外許多同行的認可和深入研究。