www.radartutorial.eu www.radartutorial.eu 雷达技术基础

航迹平滑

预测下一次雷达扫描时的目标位置,并设置用于关联新点迹的预测门
扫描:n-2
n-1
n
航迹历史
上一点迹
(扫描 n-1)
下一次扫描的
预测门
预测
位置

图 1:目标位置预测及下一点迹关联所用的预测门

预测下一次雷达扫描时的目标位置,并设置用于关联新点迹的预测门
扫描:n-2
n-1
n
航迹历史
上一点迹
(扫描 n-1)
下一次扫描的预测门
预测位置

图 1:目标位置预测及下一点迹关联所用的预测门

预测下一次雷达扫描时的目标位置,并设置用于关联新点迹的预测门
扫描:n-2
n-1
n
航迹历史
上一点迹
(扫描 n-1)
下一次天线扫描的
预测门
预测位置

图 1:目标位置预测及下一点迹关联所用的预测门

航迹平滑

航迹平滑(Track Smoothing)是指在雷达自动目标跟踪过程中, 根据连续的雷达量测数据,对估计的目标运动状态进行平滑处理。 在此过程中,需要考虑随机量测误差,使估计的目标位置 及由此得到的运动参数尽可能不受个别量测误差的影响。 用于这一目的的跟踪滤波器还承担着另一项重要任务: 根据已有的目标运动状态,预测目标在下一次雷达扫描时的位置。 这一预测结果用于将新的雷达点迹关联到已有航迹。

为此,跟踪滤波器需要处理目标的实测位置以及已经估计的运动参数, 特别是目标速度,必要时还包括加速度。 根据这些信息和假定的目标运动模型, 可以预测目标在下一次量测时可能出现的位置。 围绕这一预测位置,可以设置一个预测门, 位于该范围内的新检测点迹可作为与该航迹相关联的候选量测。 预测门的大小和形状取决于多种因素, 其中包括量测不确定性和运动预测的不确定性。

当新的雷达量测到达时,将其实测位置与预测位置进行比较。 两者之间的偏差称为新息(Innovation)或量测残差。 跟踪滤波器利用这一偏差修正预测位置 和已经估计的目标运动参数。 然后,以更新后的状态为基础,计算下一次的位置预测。 这一不断重复的过程提高了目标跟踪的精度和稳定性, 而不必将每次量测得到的位置直接视为目标的真实位置。

不同跟踪滤波器所采用的运动模型、 对量测不确定性的处理方法以及计算量各不相同。 但其基本工作过程通常由以下两个连续步骤组成:

连续多次扫描获得的量测数据,是估计目标运动状态的基础。 在此过程中,随机位置误差得到平滑处理, 而速度或运动方向的变化则根据所采用的运动模型加以考虑。 更新后的状态估计又成为下一次位置预测的起点。 对于递归滤波器,不必永久保存全部历史量测数据, 因为先前获得的信息已经包含在当前的状态估计之中。

α-β跟踪滤波器

α-β跟踪滤波器(Alpha-Beta Tracker)是一种简单的跟踪滤波器, 主要用于估计目标的位置和速度。 它通常采用匀速运动模型, 因此特别适用于不进行明显机动的目标。 该滤波器名称中的两个参数α和β 决定了预测位置与实测位置之间的偏差 分别以多大程度用于修正位置估计和速度估计。

α-β跟踪滤波器计算量较小,而且容易实现。 因此,它在早期雷达系统中得到了广泛应用, 如今仍可用于较简单的目标跟踪任务。 其缺点在于,采用固定滤波参数时, 对运动变化的快速响应与有效抑制量测噪声之间只能实现有限的折中。 因而,对于机动性较强的目标,可能产生较大的预测误差。 α-β跟踪滤波器可以看作一种简化的状态估计器, 在特定假设条件下,它与稳态卡尔曼滤波器具有密切联系。

卡尔曼滤波器

卡尔曼滤波器(Kalman Filter)是一种递归数学方法, 用于根据存在误差的量测数据估计动态系统的状态。 在雷达目标跟踪中,这一状态可以包括目标的位置、 速度以及必要时的加速度。 卡尔曼滤波器将运动模型预测的状态量 与新的雷达量测数据相结合,同时考虑两者各自的不确定性。 它广泛应用于现代数字目标跟踪系统。

卡尔曼滤波器的一个重要组成部分是状态估计的 协方差矩阵。 它描述位置和运动参数估计的不确定性, 以及各个状态估计误差之间的统计相关性。 在预测阶段,这种不确定性根据运动模型向前传播。 新量测到达后,滤波器利用相应的不确定性信息, 确定应在多大程度上修正预测得到的状态估计。 一般而言,精度较高的量测所占权重 大于不确定性较高的量测。

在扫描 n-1时刻, 已经获得最近一次更新后的状态估计及其协方差矩阵。 卡尔曼滤波器据此计算扫描 n时刻 的目标预测位置及相应的不确定性。 当新的雷达点迹被测得并关联到该航迹后, 滤波器利用量测结果修正预测值。 由此得到更新后的状态估计, 并以它为基础预测扫描 n+1时刻的目标状态。 通过这种方式,卡尔曼滤波器将目标运动状态的平滑估计 与未来目标位置的连续预测结合起来。

经典卡尔曼滤波器假定采用线性运动模型, 并对过程误差和量测误差进行适当的统计描述。 在满足相应条件时,它可以提供均方误差最小的状态估计。 对于非线性的运动模型或量测模型,也有相应的扩展方法。 但是,状态估计的质量在很大程度上取决于 所采用的模型能否准确描述目标的实际运动 以及量测过程中出现的不确定性。