卡爾曼濾波算法在空管二次雷達及ADS-B系統中的應用研究
——以呼倫貝爾地區為例

李 劍

(中國民用航空呼倫貝爾空中交通管理站 內蒙古 海拉爾 021008)

卡爾曼濾波算法是一種遞歸計算方法，最初是通過最優估計的方法，來獲得離散數據的線性濾波，隨著計算機技術的提升，其應用滲透多個領域。在航空方面，卡爾曼濾波算法由于功能強大，不止能夠估計信號之前及當前狀態，甚至可以據此估計信號的未來狀態。當前民航系統使用的空管二次雷達及ADS-B等定位設備，ATC終端使用的自動化設備等，也均使用卡爾曼濾波算法解決目標的航跡定位問題。

1 卡爾曼濾波算法形式

1.1 標準形式

卡爾曼濾波算法的核心思想是提供一種算法，通過對目標狀態的估計來使過程的均方誤差達到最小，在估計狀態時，使用的測量數據也受到干擾噪聲影響下進行。[1]在做推導時，隨機信號的目標狀態方程使用x(n)表示；而測量數據k(n)跟隨目標也為線性狀態，其中觀測噪聲服從零均值分布，則卡爾曼濾波算法的模型方程為：

(1)

式中，w(n)和v(n)為目標及測量白噪聲,a和c為常數，模值均小于1。

(2)

以上即卡爾曼濾波算法的標準形式，它把目標的狀態描述為一個離散的隨機過程，該過程中系統狀態及其測量均不可避免受噪聲影響。卡爾曼濾波算法實際是維納濾波的一種特殊表現形式。雷達跟蹤觀測所使用的濾波算法為一種矢量算法，以下介紹其推導過程。

1.2 卡爾曼濾波算法矢量方程

可以考慮兩種情況，一種是根據觀測數據同時推算估計若干個類似信號，例如q個信號x1,x2…,xq；另一種是得到一個高階自回歸過程,如一個q階的自回歸過程：

(3)

以上兩種情況下，如果引入矢量卡爾曼濾波算法，分析計算可以變得更加便捷。

以上情況中q個一階自回歸信號，我們設其為同時相互獨立的，則在n時刻，其取樣分別為x1,x2…，xq,它們的狀態方程表示為：

xi(n)=aixi(n-1)+wi(n),i=1,2,3…,q

(4)

同標量卡爾曼相似，使用wi(n)表示零均值白噪聲序列，它們相互之間相關。q個信號xi(n)使用矩陣表示為q維矢量x(n)=[x1(n)x2(n)…xq(n)]T，則我們可以將以上信號狀態方程簡化為以下矢量方程：

x(n)=Ax(n-1)+w(n)

(5)

分量w(n)是由wi(n)第q維構成的矢量，A是一個q階對角矩陣，分量為ai。

同理在n時刻測得k個數據k1(n),k2(n),…,kk(n)，它們與xi(n)的關系為：

ki(n)=aixi(n-1)+vi(n),i=1,2,3…,k

(6)

其中,k≤q,測量噪聲使用vi(n)表示。根據定義數據矢量和噪聲矢量分別為以下等式：

k(n)=[k1(n)k2(n)…kk(n)]T和v(n)=

[v1(n)v2(n)…vk(n)]T

(7)

則K個測量方程的矢量方程簡化為：

k(n)=Cx(n)+w(n)

(8)

系數矩陣C是一個K×q矩陣。

已知以上標量卡爾曼濾波算法器遞推公式，同理可推導出矢量卡爾曼濾波算法器的相應公式為：

(9)

最小預測均方誤差：p(n)=A(n)ξ(n-1)AT(n)+Q(n)

(10)

(11)

(12)

2 雷達及ADS-B跟蹤中的的卡爾曼濾波算法器

2.1 雷達跟蹤

二次雷達系統是民航對飛行目標監視使用最廣泛的設備，是通過地面詢問機對目標進行詢問，目標在收到詢問信號并對其進行應答來實現對目標定位的一種設備。一般對目標的定位采用極坐標的形式，即可用徑向距離及方位角表示目標的實際位置。

在跟蹤系統中，一般利用詢問與應答的時間延遲去計算目標斜距，并近似作為飛機徑向距離，而目標的方位角是在天線波束掃描到目標時雷達系統碼盤刻度。二次雷達天線轉動周期一般設置為4S，我們用表示其轉動周期，同時這也是二次雷達位置更新的時間間隔。

(13)

(14)

這在濾波算法中便等效于零均值白噪聲即：

(15)

(16)

得出以下矢量矩陣公式：

x(n+1)=Ax(n)+w(n)

(17)

在雷達天線半波束輻射范圍內，目標的方位角由天線碼盤及單脈沖信息獲得，而其距離則借助光在空間勻速直線傳播得出(此時忽略目標高度)。目標離開雷達天線波束后，雷達輸出點跡信息，此過程中將測量結果k1(n)和k2(n)寫成矢量矩陣形式：

k(n)=Cx(n)+v(n)

(18)

矢量w(n)和v(n)各自的方差為自相關矩陣Q(n)和R(n)：

(19)

(20)

2.2 初始值確定及影響濾波算法的因素

在跟蹤算法中，卡爾曼濾波算法器需要得到增益矩陣Gn的初值。為此，在點跡或航跡形成之初，需確定均方誤差ξ(n)的初始值。一般點跡或航跡的初始化n=3時形成，及利用前兩次n=1和n=2測量得到的距離及方位角參數，得到四個數據k1(2),k2(1),k1(2),k2(2),并對四個數據k作以下估計：

(21)

代入以上測量方程得：

(22)

(23)

將狀態方程代入得：

(24)

綜合以上一系列公式，可得：

(25)

對均方誤差做出以下計算：(2.14)

(26)

即可確定均方誤差ξ(n)的初始值為：

(27)

由于海拉爾二次雷達建設受周邊建筑影響，雷達站周邊環境急劇惡化，近距離鏡像及假目標出現頻繁，反射使得在對初值、測距及測角均方差值賦值時偏離實際較大，我們知道,鏡像的出現是存在較為固定的反射體,這時假目標形成的濾波航跡較為穩定,雷達本身很難識別,技術人員對功率可編程、STC曲線進行了調節，降低了近距離物體反射的影響，情況得以好轉，但依舊不能解決零散假目標形成的點航跡問題。

對于鏡像，可以使用抗反射的方法處理，但由于附近居民樓影響，零散雜波較為普遍，就需要別的措施解決雷達濾波的方差賦值影響，SELEX二次雷達在航跡跟蹤門限設置中，提供了航跡速度初始值及跟蹤維護的門限設置，根據日常目標在高空巡航及中低空進近的常規速度，我們對以上參數做出門限設置，雜波假目標的狀況得到明顯改善。

圖1 二次雷達航跡濾波初始值及跟蹤維護門限設置

2.3 卡爾曼濾波算法器在ADS-B中的應用

廣播式自動相關(ADS-B)的基本原理是飛機(航空器)通過空地、空空數據鏈，采用周期無方向性廣播方式，自動發送和接收記載設備所提取的監控信息。[2]ADS-B數據更新率及準確率均優于二次雷達。近年來，海拉爾處于支線機場航空運輸快速增長,通航機場不斷增多的現狀，中低空空域機構日漸復雜，需要大量的監視源設備填補管制監控盲區。目前，中國民航正在全力推行民航客機二次雷達應答機加裝ADS-B應答功能，而且ADS-B建站成本低廉，可很好提升海拉爾管制區監視冗余備份能力。

與雷達跟蹤類似，根據上述推算，ADS-B的卡爾曼增益方程可以表示為[3]：

Gk=P(k)HT(k)[H(k)P(k)·HT(k)+R(k)]-1

(28)

航空目標的狀態方程即為：

(29)

對應的協方差更新公式為：

ξ(k)=[I-H(k)GK]p(k)

(30)

其中HT(k)為航空目標的觀測矩陣。

不同于二次雷達，ADS-B應用中需要跟蹤的目標狀態變量表示為T=(x,vx,y,vy,w,z)；分別代表目標在X和Y方向的距離、速度值、轉彎速率及高度，其中表示實時估計值；模型建立后，使用同一目標不同周期的位置信息，來確定目標目前狀態、預計狀態以及相應的協方差矩陣。

2.4 空管自動化中的濾波算法應用

呼倫貝爾ATC系統目前使用民航二所的AirNet自動化系統，接入數據將不同監視源的同一目標的數據進行融合，系統將各監視源的航跡融合成系統綜合航跡。并對每個周期的綜合航跡跟蹤濾波，使處理后的系統航跡更加接近真實航跡。其跟蹤使用IMM算法(InteractingMultipleModel，交互式多模型算法)。將目標在水平面內的運動分三個分量。

IMM算法的核心思想是同時維護三個濾波[4]，兩個標準CT模型和一個CV模型，分別對應左轉彎、右轉彎及直線運動，運算流程如圖2所示，Filter0,Filter1,Filter2分別代表三種不同的運動模型，每個模型單獨濾波，初始值賦值后，所有狀態值的更新依賴于上次濾波運算結果，不斷更新概率模型，同時將更新作為下一次估計的初始輸入，從而實現對目標狀態的持續跟蹤。

圖2 IMM基本流程圖

監視源權重取值與監視源目標信息可靠性相關。目前二次雷達仍然為區域管制的主要監視手段，但ADS-B數據處理中心匯接了多個地面站信息，在中低空覆蓋方面與二次雷達形成顯著優勢，且數據更新率快，精度質量高，有利于目標的平滑處理。根據實際情況，AirNet自動化系統對雷達及ADS-B靜態權重進行了以下分配：

圖3 AirNet自動化系統監視源權重分配情況

目前海拉爾管制區內新建多臺ADS-B地面站，地面站數據經數據處理中心匯總后送入自動化系統，考慮數據完整性，自動化系統接收所有NUCP取值范圍內的數據進行數據融合，初期出現了較多假目標，經分析及確認，先后有GPS干擾、RAIM失效(NUCP取值低)、與雷達信號目標分裂等情況，影響濾波算法準確性。由于GNSS不確定因素會造成NUCP值對應的位置精度及完好性與實際情況不符[5],經與廠家溝通，增加了對ADS-B數據質量驗證的設置選項，改善了航跡濾波效果。

3 自適應卡爾曼濾波算法器的應用

實際中，濾波器的性能在一定條件下會受到Q(n)和R(n)陣的取值影響。無論單雷達航跡跟蹤、靜態融合或IMM算法，Q(n)取值變化與狀態濾波估計值依賴外推預測值的權重呈反比狀態；對于R(n)，濾波器在性能上主要跟隨觀測方程權重亦呈反比狀態。在大多數目標跟蹤中，目標狀態呈現多種變化趨勢，觀測值也受設備性能及現場環境影響產生較多變數，Q(n)和R(n)的取值應該呈現動態變化的趨勢。

實際上，像自動化系統中對多監視源的數據進行靜態及動態權重的分配，也可看作自適應卡爾曼濾波算法的一種表現形式，即便是擴展卡爾曼濾波算法的應用，也是在將非線性目標通過泰勒級數展開、樣本點獲取權重、平方根取樣等手段，達到目標跟蹤濾波算法線性化的效果。另外一種優化方法，是同時建立多個卡爾曼濾波算法模型，對應多個系統噪聲協方差陣Q(n)和觀測噪聲協方差陣R(n)，在建立初始值及推算過程中，最能貼合目標實際狀態的濾波權值逐漸變大，最終接近或達到1，其它濾波模型逐漸弱化。這種濾波模型始終處于動態推算過程，并按照目標的運動規律周期性改善Q(n)及R(n)，以使狀態及測量方程能動態反映目標的實際狀態，第i個卡爾曼濾波算法器被分配的概率為：

(31)

(32)

這種算法稱做多模型自適應估計(MultipleModelAdaptiveEstimation,MMAE)。其局限性是計算量較大，但Q(n)和R(n)在濾波器組中并行運算、相互獨立，因此較傳統濾波器更趨于穩定,在雷達跟蹤中，鑒于目標機動飛行或完成特殊動作等情景下，更能反映運動軌跡多樣化的實際情況。

4 總結

面對監視源信息的多種不確定性，自適應濾波算法是未來發展的趨勢。自動化系統中的MME算法也可看作多模自適應應用的個例。ADS-B數據中心往往需要處理多個地面站信息，在航跡信息被多個地面站接收時，可以將此濾波算法作為研究方向，此方法具有收斂速度快、濾波精度高，可以提高跟蹤系統的精度和可靠性，得到的系統航跡同時可送至各運輸及通航機場中小顯示設備，以提高其空管運行效率。