一種機動目標運動要素估計算法

程 帥, 張秦南, 王立文

一種機動目標運動要素估計算法

程 帥, 張秦南, 王立文

(中國船舶重工集團公司 第705研究所, 陜西 西安, 710077)

對于機動目標的運動要素估計, 當前運用較多的是基于勻加速模型的卡爾曼濾波方法, 但由于卡爾曼濾波器本身的缺陷, 該方法只適用于目標做勻加速直線運動的情況, 而無法對目標做轉彎運動時的運動要素進行有效估計。為了克服這個問題, 文中提出了一種機動目標運動要素的估計算法, 通過對卡爾曼濾波協方差陣的定期重置, 使得增益矩陣的絕對值始終保持在較大的狀態, 對估計值的修正效果始終處于一個較好的水平, 最終解決包含轉彎運動在內的機動目標運動要素的估計問題。數學仿真結果表明, 所設計的估計算法對機動目標具有較強的跟蹤能力, 滿足了估計誤差要求, 該方法簡單可行, 易于工程實現。

目標運動要素; 估計算法; 勻加速; 轉彎運動; 卡爾曼濾波

0 引言

雙層殼體潛艇的出現對輕型反潛魚雷提出了新的要求。由于魚雷裝藥量有限, 因此需要采用聚能爆破戰斗部和垂直命中技術來提高魚雷的毀傷效果[1]?？焖贉蚀_地估計出目標運動要素是實現垂直命中的前提條件。為了實現魚雷的末彈道垂直命中, 需要掌握目標的運動要素, 即雷目距離信息、目標速度及航向角信息。雷目距離由魚雷自導系統直接給出, 目標速度和航向角信息需要利用自導系統測量參數和控制系統測量參數, 采用遞推算法進行估計。

為了對抗魚雷的攻擊, 潛艇一般要進行規避機動。潛艇的最大加速度為0.05 m/s2, 最大旋回角速度為2°/s[2]。目標機動的戰術目的是設法擺脫魚雷的跟蹤和攻擊, 技術手段則是設法讓雷內的各種跟蹤解算方法失效[3]。最不利的情況是, 目標發生機動后, 目標的舷別信息會存在一定概率的變化, 這就進一步增加了垂直命中和目標運動要素估計的技術難度。

針對機動目標的運動要素估計, 國內外已有一些研究。目標的模型一般需要和目標的運動狀態相匹配, 對于直線運動的目標通常采用勻速(constant velocity, CV)模型或者勻加速(constant accelerate, CA)模型, 對于做轉彎運動的目標則可以采用轉彎(constant turning, CT)模型。所謂CV、CA和CT模型, 就是假設目標的速度、加速度或者旋回角速度恒定。對于機動目標, 采用CT模型可以較準確地估計出目標的運動要素, 但該模型需要掌握目標的旋回角速度, 可這在實際中是不可預知的, 針對這種情況, 大部分的研究方法就是假設在較短的時間內, 目標的旋回角速度為零, 然后用CA模型求解目標的運動要素。文獻[4]假定目標在運動過程中其加速度恒定, 建立目標運動的CA模型, 利用卡爾曼濾波技術解決了目標速度的估計問題。其采用自適應衰減記憶卡爾曼濾波技術, 通過修正卡爾曼濾波器中協方差矩陣實現對機動目標的跟蹤; 該算法需要判斷目標是否機動, 并確定機動的門限, 相應的算法比較復雜。文獻[6]采用CA模型對機動目標進行估計, 實現了對目標蛇形和“Z”字型機動的跟蹤。但由于模型不匹配, 存在較大的跟蹤誤差, 所以需要進一步研究一種新的方法來估計目標的運動要素。

分析表明, 在卡爾曼濾波器啟動后的初始階段, 由于修正估計值的增益矩陣很大, 利用量測值可以對估計值進行較強的修正, 使得估計值比較快地接近實際值; 當初始過程結束后, 增益矩陣的模將逐漸減小, 量測信息只能對估計值進行微小的修正[5]。因此, 如果能夠利用卡爾曼濾波器的初始階段量測信息修正能力強, 而且濾波器對目標運動狀態跟蹤速度快的特點, 就能夠實現對機動目標的快速準確跟蹤[7]。

文中以做勻加速轉彎運動的目標為例, 采用卡爾曼濾波技術實現對機動目標進行跟蹤和定位, 以確定目標運動要素。當采用假定目標運動狀態為勻加速度的CA模型時, 由于模型和目標運動狀態不匹配, 目標機動后會導致估計結果發散, 即估計誤差隨時間增大[8]。為了提高對目標的跟蹤能力, 文中采用定期重置協方差陣的方法, 即使=0, 可以有效地實現對機動目標的快速準確跟蹤, 方法簡單, 易于工程實現。

1 卡爾曼濾波器設計及參數選擇

1.1 卡爾曼濾波器模型

忽略外界環境對目標運動的干擾, 并假設目標在運動過程中加速度恒定, 采用CA模型描述目標運動, 取目標的位置、速度和加速度為狀態變量, 目標運動相應的狀態方程為[9]

其中

以目標的位置信息為量測變量建立量測方程

卡爾曼濾波的遞推公式為[10]

1.2 卡爾曼濾波器參數初始化

為了使估計結果能更快收斂, 工程上通常以初次檢測值0和0為坐標初值, 且認為速度和加速度為0, 狀態變量初值

由于魚雷檢測目標通過直接測量, 所以量測矩陣可以取

1.3 卡爾曼濾波特性分析及協方差陣的重置

基于CA模型的卡爾曼濾波器只有在啟動的初始階段對做加速轉彎的目標有著很好的跟蹤效果, 這源于量測值對濾波值有很強的修正能力, 隨著時間增加, 該能力逐漸減弱, 最終會導致估計結果發散。由式(5)可知, 量測數據對濾波值的修正能力和增益矩陣密切相關, 具體分析如下。

文中為6×2階矩陣, 為了便于書寫將簡化計為, 可展開為

以K21為例, 增益變化曲線如圖1所示。

圖1中, 在卡爾曼濾波器的初始階段, 增益很大, 這樣利用量測值可以對估計值進行較強的修正, 使得估計值比較快地接近實際值; 當初始過程結束后, 增益將逐漸減小, 量測信息只能對估計值進行微小的修正, 與文獻[5]的分析一致。

根據卡爾曼濾波器的初始階段量測信息修正能力強, 且濾波器對目標運動狀態跟蹤速度快的特點, 文中對協方差陣采用定期重置的方法, 以實現對機動目標的快速跟蹤。所設計的卡爾曼濾波器的估計值在第5個周期可以基本收斂到真值, 因此暫定每10個濾波周期數重置1次協方差陣。

卡爾曼濾波跟蹤算法流程圖如圖2所示。圖中為濾波周期數,為重置周期計數器。

圖2 定期重置協方差陣的卡爾曼濾波算法流程圖

1.4 目標運動要素計算公式

雷目距離由魚雷自導系統直接給出, 目標的速度和航向角信息需要利用遞推算法進行估計。速度和航向角的計算公式為

2 仿真結果及分析

為了檢驗該方法對機動目標運動要素的估計效果, 文中以目標做勻加速直線運動為例進行數學仿真, 具體目標運動參數設定為:

1) 初始速度: 10 m/s;

2) 初始航向角: 60°;

3) 旋回角速度: 2 °/s;

4) 加速度: 0.05 m/s2;

5) 初始距離:軸坐標0為700 m;軸坐標0為200 m;

6) 卡爾曼濾波周期取1 s。

由圖3可以看出, 最優增益的值每10個周期會迎來1個峰值, 而其絕對值一直處于一個較高

圖3 重置后最優增益K21變化曲線

水平, 這也說明量測值對估計值始終有著很強的修正能力。

隨后對機動目標的運動進行估計。目標的實際運動軌跡和卡爾曼濾波估計的軌跡曲線如圖4所示。

圖4 目標實際運動軌跡和卡爾曼濾波估計軌跡

從圖4可以看出, 卡爾曼濾波的估計軌跡和目標的實際運動軌跡基本重合。采用定期重置協方差陣的卡爾曼濾波可以在很短的時間內追蹤到目標的運動軌跡, 并且能穩定跟蹤下去。因為該方法是以位置作為量測量, 軌跡的基本重合保證了目標估計位置的準確, 可以進行接下來對目標運動要素的估計。

圖5和圖6分別為目標的速度和航向角估計結果。從圖5中可以看出, 由于噪聲的影響, 估計值的結果在某些時刻會有較大的起伏, 但總體是圍繞著真實值上下波動, 誤差基本在2 m/s以內, 且在濾波器啟動后很快就達到了收斂。同樣的, 由于噪聲的影響, 圖6中對目標航向角的估計值以目標的實際值為基準浮動, 但誤差很小, 且基本在5個周期內就達到了收斂。由此可見, 文中提出的目標運動要素估計算法對目標速度和航向的估計值都能在較短的時間收斂到真值, 快速準確且穩定。

圖5 目標速度估計結果

圖6 目標航向角估計結果

以上仿真結果表明, 對于機動目標, 采用定期重置協方差陣的卡爾曼濾波技術可以準確快速地得到目標的運動要素, 方法簡單可行。

3 結束語

卡爾曼濾波器在濾波初始階段修正估計值的增益矩陣模很大, 量測值對估計值可以進行較強的修正, 使得估計值比較快地接近實際值。根據這一特點, 文中提出了一種機動目標運動要素的估計方法, 該方法采用卡爾曼濾波并定期對卡爾曼濾波的協方差陣進行重置, 解決了機動目標運動要素的快速準確估計問題, 有效實現對機動目標的快速跟蹤, 方法簡單, 易于工程實現。數學仿真結果表明, 所設計的估計算法對機動目標具有較強的跟蹤能力, 文中給出的方法對研究機動目標運動要素的快速估計具有一定參考價值。

[1] 張秦南, 李建辰, 繆雪佳. 魚雷實現垂直命中的最優導引技術研究[J]. 魚雷技術, 2000, 8(1): 18-21.

[2] David V, Stallard S D. Optimal Guidance Law for Low Miss and Perpendicular Impact[J]. IEEE Transactions on Aerospace and Electronic Systems, 1996, 32(4): 1290- 1300.

[3] 夏佩倫. 潛艇對機動目標跟蹤和攻擊若干問題的探討[J]. 火力與指揮控制, 2010, 35(2): 6-10.Xia Pei-lun. Some Issues Concerning Maneuvering Target Tracking and Attacking with Submarine[J]. Fire Control & Command Control, 2010, 35(2): 6-10.

[4] 楊向鋒, 楊云川, 陳亞林. 水下聲自導武器目標跟蹤方法研究[J]. 計算機工程與應用, 2013, 49(5): 220-224.Yang Xiang-feng, Yang Yun-chuan, Chen Ya-lin. Study on Target of Acoustic Homing Weapon[J]. Computer Engineering and Applications, 2013, 49(5): 220-224.

[5] Roque J P C. Sensors and Control in the Underwater Intercept and Docking Problems[R]//Thesis and Dissertation Collection. California: Dudley Knox Library, 1995: 25-26.

[6] 高炳祥, 萬德均, 周百令. 一種快速有效的捷聯系統初始對準算法[J]. 中國慣性技術學報, 1995, 9(3): 8-12.Gao Bing-xiang, Wan De-jun, Zhou Bai-ling. A Fast and Effective Initial Alignment Algorithm for Starpdown System[J]. Journal of Chinese Inertial Technology, 1995, 9(3): 8-12.

[7] 畢進, 雷璐, 郭敏. 基于卡爾曼濾波的機動目標外推預測的研究[J]. 現代電子技術, 2012, 35(11): 42-45. Bi Jin, Lei Lu, Guo Min. Research of Maneuvering Target Extrapolation Based on Kalman Filtering[J]. Modern Electronics Technique, 2012, 35(11): 42-45.

[8] Elsa C, Diana O, Carlos E D. Maneuvering Target Tracking Using Extended Kalman Filter[J]. IEEE Trans. on AES, 1991, 27 (1): 155-158.

[9] 崔誦祺, 安建平, 王愛華. 機動目標模型匹配卡爾曼濾波載波跟蹤算法[J]. 系統工程與電子技術, 2014, 36(2): 376-381.Cui Song-qi, An Jian-ping, Wang Ai-hua. Kalman Filter Used for Carrier Tracking Algorithm Based on Matched Maneuvering Target Model[J]. Systems Engineering and Electronics, 2014, 36(2): 376-381.

[10] 周鳳岐, 盧曉東. 最優估計理論[M]. 北京: 高等教育出版社, 2009.

[11] Park S E, Lee J G. Improved Kalman Filter Design for Three-Dimensional Radar Tracking[J]. IEEE Trans. Aer- ospace and Electronic Systems, 2001, 37(2): 727-739.

An Estimation Algorithm of Maneuvering Target Movement Elements

CHENG Shuai, ZHANG Qin-nan, WANG Li-wen

(The 705 Research Institute, China Shipbuilding Industry Corporation, Xi’an 710077, China)

For estimation of maneuvering target movement elements, the Kalman filter method based on the uniform acceleration model has more applications, however, due to the defect of Kalman filter itself, this method is only applicable to the target with uniform acceleration in the straight line movement situation, but is impossible to estimate the motion elements of the target in turning. In order to overcome this problem, an estimation algorithm of maneuvering target movement elements is proposed in this paper. Through periodic reset of the covariance matrix of Kalman filtering, the algorithm can make the absolute value of the gain matrix always keep larger, make the correction effect of estimation at a satisfactory level, and ultimately solve the estimation problem of maneuvering target movement elements including turning movement. Mathematical simulation results show that the proposed estimation algorithm has strong tracking ability for maneuvering target, and meets the requirement of estimation error. It is simple and easy to be realized in engineering.

target movement elements; estimation algorithm; uniform acceleration; turning movement; Kalman filter

TJ630.34; TB565.2

A

2096-3920(2020)01-0046-05

10.11993/j.issn.2096-3920.2020.01.007

程帥, 張秦南, 王立文. 一種機動目標運動要素估計算法[J]. 水下無人系統學報, 2020, 28(1): 46-50.

2019-08-22;

2019-10-21.

程 帥(1995-), 男, 在讀碩士, 主要研究方向為水下航行器制導技術.

(責任編輯: 許 妍)