什么是α-β滤波器?
α-β滤波器
α-β滤波器
α-β滤波器(Alpha-Beta滤波器)是一种简单的数学方法, 用于根据运动目标连续的多次位置测量结果估计其位置和速度。 这种滤波器可应用于雷达目标跟踪等领域。 它根据此前估计的运动状态预测目标的下一个位置, 然后利用新的雷达测量结果修正预测值。 在这一过程中使用两个固定的滤波参数:α(Alpha)和β(Beta)。
该方法在最简单的形式下假定, 目标在两次测量之间近似以恒定速度运动。 它既可以用于单个坐标,也可以分别应用于多个坐标。 但是,在处理多个坐标时,需要考虑不同的测量精度 以及各坐标之间可能存在的关联关系。
预测目标的下一个位置
计算的起点是此前估计的目标位置和速度。 根据这些数据,可以预测目标在下一次测量时可能到达的位置。 在假定速度恒定的情况下,将目标在该时间间隔内移动的距离加到此前的位置上, 即可得到预测位置。
| xp = xalt + valt · Δt | (1) |
在这个公式中,xp表示预测位置, xalt表示此前估计的位置, valt表示此前估计的速度, Δt表示两次测量之间的时间间隔。 在所采用的匀速运动模型中,预测速度首先保持为此前估计的速度。
利用新的雷达测量值进行修正
当获得新的雷达测量结果时,将其与预测位置进行比较。 两者之间的差值称为残差或新息。 它表示测量位置与预测位置之间的偏差。
| r = xmess − xp | (2) |
滤波器利用这一残差进行两种不同的修正。 使用系数α修正估计位置。 使用系数β修正估计速度。
| xneu = xp + α · r
vneu = valt + (β / Δt) · r |
(3) |
参数α决定位置偏差中有多大比例用于修正位置。 α值越大,修正后的位置就越接近新的测量值。 α值较小时,则会更多地保留此前运动预测的结果。
参数β影响速度的修正。 为此,首先将位置偏差除以两次测量之间的时间间隔, 然后用β进行加权。 通过这种方式,滤波器能够根据连续的位置测量结果 推算出估计速度的变化。
假设雷达正在跟踪一个目标,此前估计的目标距离为10.0 km。 估计的径向速度为200 m/s。 距离下一次雷达测量还有一秒。 在假定速度恒定的情况下,滤波器预测目标下一次测量时的距离为10.2 km。
但是,新的雷达测量结果为10.3 km。 因此,残差为+100 m。 在这个示例中,假设滤波参数α = 0.6,β = 0.2。
| r = 10 300 m − 10 200 m = 100 m
xneu = 10 200 m + 0,6 · 100 m = 10 260 m vneu = 200 m/s + (0,2 / 1 s) · 100 m = 220 m/s |
经过修正后,估计的目标距离为10.26 km, 估计速度为220 m/s。 滤波器使用这些修正后的数值进行下一次预测。 原始的10.3 km雷达测量值在这一过程中不会被修改。
α和β如何影响目标跟踪?
两个滤波参数的选择在很大程度上决定了α-β滤波器的工作特性。 较大的参数值通常会使滤波器对新测量结果作出更强烈的响应。 因此,滤波器能够更快地适应目标运动状态的变化。 但与此同时,测量误差和噪声也会对估计的目标运动状态产生更大的影响。
较小的参数值则会使估计结果更加平稳, 因为新的测量值对先前预测结果的影响较小。 不过,滤波器对目标运动实际变化的响应也可能变慢。 尤其是在目标机动时,估计位置可能暂时明显偏离目标的真实位置。
因此,选择参数时不能忽略雷达和目标运动的实际特性。 测量精度、测量时间间隔以及目标预期的机动能力都会影响适当的参数设置。 此外,还必须选择能够保证滤波器稳定工作的参数值。
目标机动时会发生什么?
简单的α-β滤波器采用恒定速度运动模型。 当目标加速、减速或改变运动方向时, 该模型就不再完全符合目标的实际运动情况。 因此,预测位置与测量位置之间可能出现较大的偏差。
滤波器通过修正估计的位置和速度来响应这些偏差。 但是,在获得反映机动情况的新测量结果之前,它无法预测未曾预料到的机动。 根据滤波参数的不同,可能需要经过数次测量, 估计值才能重新充分接近目标的实际运动状态。
对于存在明显加速度的目标运动,可以采用扩展的滤波方法。 例如,α-β-γ滤波器除了考虑位置和速度之外, 还将加速度纳入估计过程。 在跟踪机动目标时,其他运动模型和滤波方法也可能具有优势。
与卡尔曼滤波器的区别
α-β滤波器和卡尔曼滤波器采用相同的基本原理: 首先计算预测值,然后利用新的测量结果对预测值进行修正。 两者的主要区别在于修正增益的确定方式。
在经典α-β滤波器中,α和β这两个增益系数是固定设置的。 而卡尔曼滤波器则根据运动模型和测量结果的估计不确定性 计算其滤波增益。 这些不确定性由协方差矩阵描述, 并在每个计算步骤中进行更新。
在特定条件下,可以将α-β滤波器视为具有恒定增益的卡尔曼滤波器的一种简化形式。 特别是在模型和测量条件保持不变时, 卡尔曼滤波器的增益可能在经过一段收敛过程后趋于恒定值。 但是,α-β滤波器不需要持续计算协方差矩阵, 因而计算量更小。
在雷达目标跟踪中的作用
α-β滤波器特别适用于 需要简单、快速地估计目标位置和速度的应用场合。 其计算主要由加法和乘法运算组成。 因此,该方法计算开销较低, 也能够用于同时跟踪大量目标。
预测的目标位置还可以用于 确定下一次雷达测量预计出现的区域。 但是,确定哪些雷达点迹属于哪条航迹, 是数据关联过程的任务,而不是α-β滤波器本身的任务。 如果测量结果被错误地关联到某条航迹,单靠滤波器也无法可靠地纠正这一错误。
与卡尔曼滤波器一样,α-β滤波器也采用递归计算方式。 在每个新的计算步骤中,只需要此前估计的位置和速度、 时间间隔以及新关联的测量结果。 因此,该方法适用于实时自动目标跟踪。