第七讲目标跟踪算法ppt课件.ppt

《第七讲目标跟踪算法ppt课件.ppt》由会员分享，可在线阅读，更多相关《第七讲目标跟踪算法ppt课件.ppt（75页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、多源信息融合处理技术多源信息融合处理技术主讲人：李玉柏主讲人：李玉柏第七讲：目标动态模型与目标跟踪第七讲：目标动态模型与目标跟踪n目标跟踪基本概念目标跟踪基本概念n坐标系与跟踪门模型坐标系与跟踪门模型n目标的动态模型目标的动态模型n基本的目标跟踪算法基本的目标跟踪算法n量测模型的线性化处理量测模型的线性化处理n量测坐标转换量测坐标转换n基于基于BLUE的的Kalman滤波算法滤波算法1、目标跟踪基本概念、目标跟踪基本概念n目标跟踪是指为了维持对目标当前状态的不断估目标跟踪是指为了维持对目标当前状态的不断估计，同时，也是对传感器接不断收到的量测进行计，同时，也是对传感器接不断收到的量测进行处理的

2、过程。处理的过程。n目标状态包括：目标状态包括： 运动学分量，如目标的位置、速度。运动学分量，如目标的位置、速度。 其他特性分量：有辐射的信号强度，谱特性，其他特性分量：有辐射的信号强度，谱特性，“属性属性”信息等。信息等。 常数或其他缓变参数：精合系数，传播速度常数或其他缓变参数：精合系数，传播速度等。等。 1）目标跟踪基本概念）目标跟踪基本概念n目标跟踪是一个典型的不确定性问题，并随着目标跟踪是一个典型的不确定性问题，并随着监视和反监视技术发展和目标机动性提高，使监视和反监视技术发展和目标机动性提高，使得目标跟踪问题的不确定性更加严重。跟踪问得目标跟踪问题的不确定性更加严重。跟踪问题的不确

3、定性主要来源：题的不确定性主要来源： 目标运动状态的不确定性目标运动状态的不确定性-过程噪声过程噪声 量测量测(信息信息)源的不确定性源的不确定性-观测噪声观测噪声 多目标和密集杂回波环境造成量测数据模糊多目标和密集杂回波环境造成量测数据模糊-虚假噪声。虚假噪声。n目标跟踪本质是通过滤波，对目标运动状态进目标跟踪本质是通过滤波，对目标运动状态进行估计和预测，来消除目标相关的不确定性。行估计和预测，来消除目标相关的不确定性。 目标跟踪基本概念目标跟踪基本概念n目标跟踪处理过程所关注的量测通常不是原始目标跟踪处理过程所关注的量测通常不是原始的观测数据，而是信号处理子系统或者检测子的观测数据，而是信

4、号处理子系统或者检测子系统的输出信号。包括：系统的输出信号。包括： 直接的位置估计、斜距、方位角信息直接的位置估计、斜距、方位角信息 多传感器的抵达时间差多传感器的抵达时间差 由于由于Doppler频移导致的多传感器间的观测频移导致的多传感器间的观测频差等。频差等。n 航迹航迹 (Track) 是目标跟踪领域经常提到的概念，是目标跟踪领域经常提到的概念，它是指基于源于同一目标的一组量测信息获得它是指基于源于同一目标的一组量测信息获得的目标状态轨迹的估值，本质上就是目标跟踪的目标状态轨迹的估值，本质上就是目标跟踪滤波结果。滤波结果。2）单目标跟踪基本原理框图）单目标跟踪基本原理框图n单机动目标跟

5、踪是目标跟踪的基础。其基本要素单机动目标跟踪是目标跟踪的基础。其基本要素包括包括量测数据形成量测数据形成，目标机动模型目标机动模型，自，自适应滤波适应滤波与预测与预测以及跟踪坐标系和滤波状态的选取。以及跟踪坐标系和滤波状态的选取。n单机动目标跟踪本质上就是一个递推滤波过程。单机动目标跟踪本质上就是一个递推滤波过程。首先，由传感器获得目标的量测数据；通过量测首先，由传感器获得目标的量测数据；通过量测模型获得量测数据与目标位置的关系函数，将此模型获得量测数据与目标位置的关系函数，将此与目标的当前状态一起作为输入；由跟踪滤波器与目标的当前状态一起作为输入；由跟踪滤波器结合机动目标模型得到当前目标状态

6、的估计值和结合机动目标模型得到当前目标状态的估计值和预测值，并把得到的状态作为下一时刻的初始状预测值，并把得到的状态作为下一时刻的初始状态，从而完成单机动目标跟踪过程。态，从而完成单机动目标跟踪过程。单目标跟踪基本原理框图单目标跟踪基本原理框图111k kk kk kk kxxGz 目标跟踪基本原理框图目标跟踪基本原理框图n图中假定目标动态特性用包含位置、速度和加速图中假定目标动态特性用包含位置、速度和加速度的状态向量度的状态向量X 表示，量测量用表示，量测量用Z表示，新息向量表示，新息向量用用 表示。表示。1k kz1k kz1k kz 首先首先先由量测量先由量测量Z 和状态预测量和状态预测

7、量计算残差（新计算残差（新息）向量息）向量 ; 然后根据然后根据 的变化进行机动检测或机动辨识的变化进行机动检测或机动辨识; 其次按照某一准则或逻辑调整滤波增益与协方其次按照某一准则或逻辑调整滤波增益与协方差矩阵或者实时辨识出目标机动特性；差矩阵或者实时辨识出目标机动特性； 最后由滤波算法得到目标的估计值和预测值，最后由滤波算法得到目标的估计值和预测值，从而完成目标跟踪功能。从而完成目标跟踪功能。3）多目标跟踪基本原理）多目标跟踪基本原理n多机动目标跟踪是指在多量测数据的情况下，利多机动目标跟踪是指在多量测数据的情况下，利用跟踪滤波和数据关联算法对多个机动目标进行用跟踪滤波和数据关联算法对多个

8、机动目标进行状态估计和跟踪的算法。状态估计和跟踪的算法。n多机动目标跟踪不仅包括单机动目标的基本要素，多机动目标跟踪不仅包括单机动目标的基本要素，还形成一些新的要素，主要包括跟踪门规则，数还形成一些新的要素，主要包括跟踪门规则，数据关联和跟踪维持等。其中数据关联是多机动目据关联和跟踪维持等。其中数据关联是多机动目标跟踪的核心。标跟踪的核心。n多机动目标跟踪的基本框架如下图所示。多机动目标跟踪的基本框架如下图所示。多目标跟踪基本原理多目标跟踪基本原理2、坐标系与跟踪门、坐标系与跟踪门n任何目标的运动描述和跟踪问题都是相对于某一任何目标的运动描述和跟踪问题都是相对于某一特定的坐标系而言的，是几种常

9、见的有下面几种特定的坐标系而言的，是几种常见的有下面几种坐标系：坐标系： 惯性坐标系：惯性坐标系：原点选在地球球心，定义原点选在地球球心，定义X，Y， Z三坐标轴互相垂直并且各自指向某相应的恒三坐标轴互相垂直并且各自指向某相应的恒天体，例如令天体，例如令Z指向北极星。指向北极星。 地理坐标系：地理坐标系：也叫也叫NED坐标系，原点设在载机坐标系，原点设在载机质心上，质心上，N指向北，指向北，E指向东，指向东，D方向垂直地平方向垂直地平面并指向地心。除了在北极附近外，地理坐标面并指向地心。除了在北极附近外，地理坐标系可近似看作一个惯性坐标系，因为载机的移系可近似看作一个惯性坐标系，因为载机的移动

10、造成各轴方向的变化很小，可以忽略不计。动造成各轴方向的变化很小，可以忽略不计。1）各种坐标系）各种坐标系 载机坐标系：载机坐标系：也叫机体坐标系，或观测坐标系。也叫机体坐标系，或观测坐标系。原点设在载机质心上，原点设在载机质心上， X轴为载机纵轴机头方轴为载机纵轴机头方向，向，Y 轴为右机翼正向，轴为右机翼正向， Z 轴由右手螺旋定则轴由右手螺旋定则确定，并朝下。确定，并朝下。 方向余弦坐标系：方向余弦坐标系：是由于相控阵雷达的应用而是由于相控阵雷达的应用而引入的。相控阵雷达一般采用方向余弦坐标系引入的。相控阵雷达一般采用方向余弦坐标系给出观测值给出观测值 z =R，cos，cosT，其中，其

11、中R 是原是原点到目标的径向距离，点到目标的径向距离，/ 分别是目标径向与分别是目标径向与X ，Y 轴的夹角。轴的夹角。n上述前三种坐标系属于直角坐标系，方向余弦坐上述前三种坐标系属于直角坐标系，方向余弦坐标系属于球面坐标系。标系属于球面坐标系。 各种坐标系各种坐标系n通常探测器的量测信息是在球面坐标系中进行的，通常探测器的量测信息是在球面坐标系中进行的，但是运动目标的状态方程在直角坐标系中可以线但是运动目标的状态方程在直角坐标系中可以线性地表示。性地表示。n如果在一种坐标系中建立目标的状态方程，要么如果在一种坐标系中建立目标的状态方程，要么状态方程线性，观测（量测）方程非线性；要么状态方程线

12、性，观测（量测）方程非线性；要么状态方程非线性，观测方程线性。状态方程非线性，观测方程线性。 前面我们介绍了量测信息的坐标系转换。前面我们介绍了量测信息的坐标系转换。 2）跟踪门）跟踪门n跟踪门是整个跟踪空域中的一块子区域，它将传跟踪门是整个跟踪空域中的一块子区域，它将传感器接收到的量测信号划分为可能源于目标和不感器接收到的量测信号划分为可能源于目标和不可能源于目标的两个部分。其可能源于目标的两个部分。其中心位于被跟踪目中心位于被跟踪目标的预测位置标的预测位置，大小由接收正确量测信号的概率大小由接收正确量测信号的概率来确定来确定。n跟踪门的功能是将落入跟踪门内的量测信号称为跟踪门的功能是将落入

13、跟踪门内的量测信号称为候选信号。候选信号。 在数据关联过程中，如果只有一个量测信号落在数据关联过程中，如果只有一个量测信号落入该目标的跟踪门内，则此量测直接用于航迹入该目标的跟踪门内，则此量测直接用于航迹更新；更新；跟踪门基本概念跟踪门基本概念 如果多于一个以上的量测信号落在被跟踪目标如果多于一个以上的量测信号落在被跟踪目标的跟踪门内，那么通过跟踪门逻辑可以粗略确的跟踪门内，那么通过跟踪门逻辑可以粗略确定用于航迹更新的量测信号集合。定用于航迹更新的量测信号集合。 然后通过更高级的数据关联技术，以最终确定然后通过更高级的数据关联技术，以最终确定用于目标航迹更新的量测信号。用于目标航迹更新的量测信

14、号。1kkx1kkzn定义：定义：滤波残差，是考虑一个处于跟踪维持阶段滤波残差，是考虑一个处于跟踪维持阶段的目标（已经初始化），设的目标（已经初始化），设k-1时刻状态变量的时刻状态变量的滤滤 波预报值为波预报值为 ，通过观测方程可以求出，通过观测方程可以求出k时时刻量测的预报值刻量测的预报值 ，它与，它与k时刻量测信号之差时刻量测信号之差为滤波残差向量。为滤波残差向量。跟踪门基本概念跟踪门基本概念11kkkkkzzz滤波残差：n注意：注意：如果我们把目标跟踪看成动态参数估计，如果我们把目标跟踪看成动态参数估计，滤波残差就是前面讲的滤波残差就是前面讲的“新息新息(innovation) ”。1

15、1kkkkkxzH H其中：kkkkvxzH H已知：n定义：定义：残差协方差阵残差协方差阵SkTkkkkkH HP PH HS S1定义：1112kkkTkkkzzdS Sn定义：定义：残差向量范数残差向量范数2kd典型跟踪门典型跟踪门,1,1,11,k ikk kik kik kk kzzzzzzi的第 个分量n 矩形跟踪门：矩形跟踪门： 最简单的跟踪门形成方法是在跟踪空间内定义最简单的跟踪门形成方法是在跟踪空间内定义一个矩形区域，即矩形跟踪门。一个矩形区域，即矩形跟踪门。 定义各种向量的分量：定义各种向量的分量： 定义定义跟踪门常数为跟踪门常数为KG。它取决于观测。它取决于观测概率概率密

16、度，密度，检测概率以及状态矢量的维数。检测概率以及状态矢量的维数。 如果观测量如果观测量zk满足满足： 则称则称zk为候选为候选量测信号量测信号。这里。这里 i为第为第i个残差的个残差的标准偏差。标准偏差。,1,1.defk iGik kik kizzzK典型跟踪门典型跟踪门n椭球跟踪门椭球跟踪门： 设设 为椭球跟踪门的门限大小，为椭球跟踪门的门限大小，如如量测信号量测信号zk满足满足： 则称则称zk为候选为候选量测信号量测信号。2kdn其他跟踪门其他跟踪门：除了前面提到的两种常见的跟踪门除了前面提到的两种常见的跟踪门外，还有球面坐标系下的扇形跟踪门，以及基于外，还有球面坐标系下的扇形跟踪门，

17、以及基于数据关联性能评价的优化跟踪门算法等。数据关联性能评价的优化跟踪门算法等。 在实际的多目标跟踪问题中，跟踪门的使用非在实际的多目标跟踪问题中，跟踪门的使用非常广泛。当目标无机动时，常广泛。当目标无机动时，跟踪门的大小一般跟踪门的大小一般为常值；当目标机动时，调整门的大小以保证为常值；当目标机动时，调整门的大小以保证一定的接收正确回波的概率一定的接收正确回波的概率就成了关键问题。就成了关键问题。3、目标动态模型、目标动态模型n大多数机动目标跟踪问题都是基于模型的。也就大多数机动目标跟踪问题都是基于模型的。也就是说，依赖于两个描述：一是目标行为，通常用是说，依赖于两个描述：一是目标行为，通常

18、用动态运动模型表示；另一个是对目标的观测，称动态运动模型表示；另一个是对目标的观测，称为观测模型。为观测模型。n目标跟踪的数学模型目标跟踪的数学模型 目标跟踪的主要目的就是估计移动目标的状态轨目标跟踪的主要目的就是估计移动目标的状态轨迹。虽然目标在空间上几乎从来不是一个真正的迹。虽然目标在空间上几乎从来不是一个真正的点，且其方向信息对于跟踪也是有用的，但通常点，且其方向信息对于跟踪也是有用的，但通常还是把目标看作空间没有形状的一个点，特别对还是把目标看作空间没有形状的一个点，特别对于目标建模更是如此。目标动态模型描述了目标于目标建模更是如此。目标动态模型描述了目标状态又随时间的演化过程。状态又

19、随时间的演化过程。1）目标跟踪的数学模型）目标跟踪的数学模型n几乎所有的运动目标跟踪方法都是基于模型的。几乎所有的运动目标跟踪方法都是基于模型的。常用的状态空间模型为：常用的状态空间模型为：1(,)()()kkkkkkkkkkxfx uwzh xvkNn注意：注意：同前面介绍的动态系统方程描述多了一个同前面介绍的动态系统方程描述多了一个控制输入变量控制输入变量u(t)，用以表示目标机动时外力作，用以表示目标机动时外力作用的输入用的输入。n离散时间模型离散时间模型( ) ( ), ( )( )( )( )( )kkkkkx tf x t u tw tz th x tv t目标跟踪的数学模型目标跟

20、踪的数学模型n对于目标跟踪挑战之一是目标运动模式的不确定对于目标跟踪挑战之一是目标运动模式的不确定性，即被跟踪目标的精确动态模型是不知道的。性，即被跟踪目标的精确动态模型是不知道的。跟踪者不知道目标实际的控制输入跟踪者不知道目标实际的控制输入u，也不知道，也不知道动态模型的具体形式和相关参数。动态模型的具体形式和相关参数。n为此可以针对机动和非机动两种模型进行研究。为此可以针对机动和非机动两种模型进行研究。非机动运动是指在惯性参考坐标系中，目标按某非机动运动是指在惯性参考坐标系中，目标按某个定常的速度作直线和水平运动。个定常的速度作直线和水平运动。广义地讲，广义地讲，所所有不是机动运动的模式都

21、叫非机动。有不是机动运动的模式都叫非机动。1kkkkkkkkkkkxF xE uG wzH xvkNn通常我们处理时线性系统，此时离散时间模型通常我们处理时线性系统，此时离散时间模型目标跟踪的数学模型目标跟踪的数学模型 白噪声模型，假设控制输入白噪声模型，假设控制输入u 为白噪声，包括为白噪声，包括常速常速CV模型，常加速模型，常加速CA模型和多项式模型等；模型和多项式模型等； Morkov过程模型，假设控制输入过程模型，假设控制输入u 为为Morkov过程，包括过程，包括Singer模型及其变形；模型及其变形； 半半Morkov过程模型，假设控制输入过程模型，假设控制输入u 为半为半Mork

22、ov过程。过程。n非机动目标跟踪中，目标的控制输入非机动目标跟踪中，目标的控制输入u等于零。等于零。而在有机动目标跟踪中，对目标的控制输入而在有机动目标跟踪中，对目标的控制输入u 通通常可以假设为未知加速度，它决定了机动的数学常可以假设为未知加速度，它决定了机动的数学模型，具体应用中可以分为：模型，具体应用中可以分为：2）非机动模型非机动模型 常速常速CV模式模式n在三维物理空间的点目标运动，可以用三维的位在三维物理空间的点目标运动，可以用三维的位移和速度向量来描述：移和速度向量来描述：n非机动目标的动态模型一般可描述为：非机动目标的动态模型一般可描述为：( , , )( , , )( , ,

23、 , , , )Tx y zx y zx x y y z z x x位位移移向向量量：速速度度向向量量：目目标标状状态态：10,0010)(,)(,)(CVCVCVCVCVCVCVCVAtdiagtAAAdiagtw wx xx x非机动模型非机动模型 常速常速CV模式模式n离散化模型（离散化模型（T采样间隔）采样间隔）TTGTFGGGdiagFFFdiagCVCVkCVCVCVkCVCVCVk2211,101,w wx xx xykkkykkkkwTyyywTyTyyy,1,2211方向速度：方向位移：具体给出一个状态分量（具体给出一个状态分量（y方向）的具体表达式：方向）的具体表达式：非机

24、动模型非机动模型 常速常速CV模式模式n噪声协方差为：噪声协方差为：32, ,2cov(),/3/2/2xyzkwwwwwwx y zwwGdiag G Q G QG QTTQGTT各w wk k其其中中代代表表w w分分量量方方差差, ,n特别说明特别说明 在一般飞行器的常速模型分析中，主要研究水平在一般飞行器的常速模型分析中，主要研究水平机动，有时允许机动，有时允许z 方向速度有机动，此时方程：方向速度有机动，此时方程：代表速度扰动zkzkkkwwTzz,1请同学写出这种情况下完整的常数模型请同学写出这种情况下完整的常数模型方程！方程！3）目标机动模型）目标机动模型 白噪声加速度模式白噪声

25、加速度模式n最简单的目标机动模型最简单的目标机动模型 白噪声加速度模式白噪声加速度模式具体离散表达式为：具体离散表达式为：zyxwzwywx ,加速度：TTETFEEEdiagFFFdiagkkk2211,101,w wx xx x 本质上与本质上与CV模型类似。只不过体现加速度的随模型类似。只不过体现加速度的随机扰动是输入控制量产生的，因此随机扰动方机扰动是输入控制量产生的，因此随机扰动方差较大，差较大，CV模型的加速度随机扰动方差很小。模型的加速度随机扰动方差很小。4）Wiener过程加速度机动模型过程加速度机动模型n假设加速度是一个假设加速度是一个Wiener过程，即独立增量随机过程，即

26、独立增量随机过程，简称常加速过程，简称常加速CA模型。令状态变量：模型。令状态变量： , , , , , , , , ( ) , , ( )0100001 ,00001Tx x x y y y z z ztdiag F F Fdiag E E EtFE x xxxwxxwcov( )( )wQttT Tw ww wWiener过程加速度机动模型过程加速度机动模型n具体离散表达式为：具体离散表达式为：1,( )kkkkkdiag FFFdiag EEEtkkkkkkkkxxwxxw023()20( )()1/2/601,/2001TTATA TkkkkTdTTTFeTEeEdTTk kwwww其

27、其中中： 54343232cov(,)/20/8/6/8/3/2/6/2wwwwwdiagQTTTTTTTTT 其其中中5）一般多项式模型）一般多项式模型n众所周知，任何连续目标轨迹都可以用某个阶众所周知，任何连续目标轨迹都可以用某个阶次的多项式以任意精度逼近。这样，可以把目次的多项式以任意精度逼近。这样，可以把目标运动建成笛卡儿坐标系中的标运动建成笛卡儿坐标系中的 n 阶多项式模型：阶多项式模型：1111( )( )( )( )( )( )( )/ !onxonyonznx taaaw ttty tbbbw tz tcccw ttnx说明：说明：这个模型作为跟踪模型很少采用，其原这个模型作为

28、跟踪模型很少采用，其原因是这个模型需要一组数据进行拟合，即进行因是这个模型需要一组数据进行拟合，即进行平滑，而跟踪的目的是滤波和预测，并不是拟平滑，而跟踪的目的是滤波和预测，并不是拟合与平滑。合与平滑。6）Singer加速度模型加速度模型 零均值一阶零均值一阶Markov模型模型n在随机建模中，一个未知的时变量则可用随机过在随机建模中，一个未知的时变量则可用随机过程来描述，白噪声构成最简单的一类随机过程，程来描述，白噪声构成最简单的一类随机过程，对于连续变量就是独立增量过程或对于连续变量就是独立增量过程或Wiener过程。过程。( )a tnSinger模型假定目标加速度模型假定目标加速度 是

29、一个零均值的平是一个零均值的平稳一阶稳一阶Markov过程，可以用线性时不变系统的状过程，可以用线性时不变系统的状态来描述：态来描述：2( )( )( )( ) (0,2)a ta tw tw tN 2( ) () ( )aRE a ta te 222( )2/()aS 具有功率谱密度：具有功率谱密度： 具有自相关量：具有自相关量：Singer机动模型的表达式机动模型的表达式nSinger加速度模型的加速度离散方程：加速度模型的加速度离散方程：221,(0,(1)TkkkkaawewNnSinger模型的机动模型表达式，令状态变量：模型的机动模型表达式，令状态变量： , , ( )( )( )

30、0100001,0001Tx x xtFtEtFE x xxxwxxwSinger加速度模型的离散方程加速度模型的离散方程nSinger模型的成功依赖于精确获得参数模型的成功依赖于精确获得参数 和和 。参参数数 是机动时间常数的倒数，依赖于机动时间持是机动时间常数的倒数，依赖于机动时间持续长短。比如对于飞机，当懒散回转时，机动时续长短。比如对于飞机，当懒散回转时，机动时间常数约为间常数约为60s；而当逃逸机动时，机动时间常数；而当逃逸机动时，机动时间常数为为10-20s，空气扰动机动时间常数为，空气扰动机动时间常数为1-2s。2211(1)/01(1)/00TTkkkkkTTTeFee wwx

31、xxxxxn等价离散时间模型：等价离散时间模型：加速度积分得到加速度积分得到Singer加速度模型的离散方程加速度模型的离散方程nSinger加速度模型讨论：加速度模型讨论：1）当机动时间常数增大时，）当机动时间常数增大时，Singer模型就还原成近模型就还原成近似匀加速似匀加速(CA)模型，更精确地说是白噪声加加速模型，更精确地说是白噪声加加速度度+Jerk模型。如果基于模型。如果基于Singer加速度模型直接建加速度模型直接建立离散时间状态空间模型，在极限情况下就是立离散时间状态空间模型，在极限情况下就是Wiener序列加速度模型。序列加速度模型。211/201001kkkTTTGwxxx

32、xSinger加速度模型的离散方程加速度模型的离散方程nSinger加速度模型讨论：加速度模型讨论：2）另外，当机动时间常数减小时，）另外，当机动时间常数减小时，Singer模型就还模型就还原成近似匀速原成近似匀速(CV)模型。在此情况下，加速度变模型。在此情况下，加速度变成噪声。成噪声。21(1)/1001(1)/01000001TTTTTeTFee n选择机动时间常数，选择机动时间常数，Singer模型相应于在常速模型相应于在常速模型和常加速模型之间折中。所以模型和常加速模型之间折中。所以Singer模型模型较之较之CV模型和模型和CA模型具有更宽的覆盖面。模型具有更宽的覆盖面。Singe

33、r加速度模型的离散方程加速度模型的离散方程3）Singer运动模型第一次将位置目标的加速度描述运动模型第一次将位置目标的加速度描述为一个时间相关的随机过程，成为进一步建立其为一个时间相关的随机过程，成为进一步建立其他模型的基础，可以说他模型的基础，可以说Singer模型是一个目标机模型是一个目标机动的标准模型。动的标准模型。7）“当前当前”模型模型 均值自适应加速度模型均值自适应加速度模型n“当前当前”模型：模型： 也是一种加速度模型，其本质上也是一种加速度模型，其本质上就是一个带自适应的就是一个带自适应的Singer模型，即模型，即Singer模型被模型被修正而具有非零均值：修正而具有非零均

34、值：2( )( )( )( )( ) (0,2)a ta ta tw tw tN 1,(1),(0,)kkkkTkkwaaawewN( )( )( )( ), , , 01000001,0 ,0001TtFtU x tEtx x xFUE xxwxxxwx“当前当前”模型模型 均值自适应加速度模型均值自适应加速度模型n“当前当前”模型的离散化。模型的离散化。21(1)/01(1)/00TTTTTeFee 221/2(1)/(1)/1TTkkkkTTTeFTexe wxxxx8）半马尔可夫模型）半马尔可夫模型nSinger模型为零均值模型，这种机动加速度的零模型为零均值模型，这种机动加速度的零均

35、值特性对于模拟机动目标来说似乎不太合理。均值特性对于模拟机动目标来说似乎不太合理。为此，为此，Moose等提出了具有随机开关均值的相关等提出了具有随机开关均值的相关高斯噪声模型。该模型把机动看作是相应于半马高斯噪声模型。该模型把机动看作是相应于半马尔科夫过程描述的一系列有限指令，该指令由马尔科夫过程描述的一系列有限指令，该指令由马尔可夫过程的转移概率来确定，转移时间为随机尔可夫过程的转移概率来确定，转移时间为随机变量。变量。n半马尔科夫模型为半马尔科夫模型为:4、目标跟踪的典型算法应用、目标跟踪的典型算法应用举例举例1、雷达目标跟踪基本算法以及、雷达目标跟踪基本算法以及kalman滤波应滤波应

36、用的具体实现。假设系统状态为四维矢量（距离、用的具体实现。假设系统状态为四维矢量（距离、速度、方位角及变化率），假设机动模型为速度、方位角及变化率），假设机动模型为CV模模型，有：型，有： ( ), ( ), ( ), ( )( )( )( )010000000010( ),000100000001Trr t r ttttFtEtwtFEwx xxxwxxww w目标跟踪的典型算法应用目标跟踪的典型算法应用 雷达目标跟踪的观测变量和观测方程：雷达目标跟踪的观测变量和观测方程：( )( )( ), ( ), ( )1000,( )0010TrtHttr ttvHtvzxvzzxvzv v解：雷达

37、目标跟踪的状态方程和观测方程：解：雷达目标跟踪的状态方程和观测方程：1kkkkkkkkFwHvxxxxx xz ( ), ( ), ( ), ( )Tr k r kkkk kx x目标跟踪的典型算法应用目标跟踪的典型算法应用n状态方程和观测方程的系数表达式：状态方程和观测方程的系数表达式：()()03222222cov()/3/2(,),/2(,)TTTF TF TkkkwrkrQw weE QeEdTTdiagTTRdiag10001001000,00100100001FTkkTFeHHT目标跟踪的典型算法应用目标跟踪的典型算法应用n假设已经有观察量假设已经有观察量z(1), z(2)。计算

38、卡尔曼滤波所。计算卡尔曼滤波所需的状态初变量始值需的状态初变量始值:111222(2)1 (2)(1) (2), (2), (2), (2)(2)1(2)(1)TzzzTrrzzzTx x2 2n状态变量初始均方误差矩阵状态变量初始均方误差矩阵:2222(2)(-)(-) TPExxxxxxxx目标跟踪的典型算法应用目标跟踪的典型算法应用n状态变量初始均方误差矩阵状态变量初始均方误差矩阵:(2) (2)(2)(2)(2) (1)(1)(2)(1)(2) (2)(2)(2)(2) (1)(1)(2)(1)rrrrrrvrvrvrrwTTvvvwTTxxxx22222,12,222222,12,2

39、22222222(2)(,)/,/2/2/rrrrrPdiag PPTTPPTTTT目标跟踪的典型算法应用目标跟踪的典型算法应用n进行卡尔曼迭代滤波！进行卡尔曼迭代滤波！计算本次输出：计算本次输出：为下次计算准备：为下次计算准备：11111111111111)()(kkkkkkkkkkkkkkkkkkkkkvkTkkkkTkkkkkkkkkzGxFzGxFxxHkzzQHPHHPFGFG11111)(1)Tkkkkkkk kk kk kwTvkkkkTwTkkkkkkk kk kPFGHPFGHQQFG HPFQ（5、不同坐标的量测模型与、不同坐标的量测模型与EKL滤波跟踪滤波跟踪1）一般传感

40、器量测坐标系和参数坐标系不同，因此）一般传感器量测坐标系和参数坐标系不同，因此观测方程不是线性方程，以多边定位为例：观测方程不是线性方程，以多边定位为例：222222( )()()()()()(),1,2,ijijiiijjjir tC txxyyzzxxyyzzwi jnijn比如有比如有4个个 同步的传感同步的传感 器系统进行器系统进行 多变定位：多变定位：222112111222222122222322222233322223343332224443( )( )()()()()()()( )( )()()()()()()( )( )()()()()()()r trtxxyyzzxxyyz

41、zwr trtxxyyzzxxyyzzwr trtxxyyzzxxyyzzwn不同坐标的量测模型一般是非线性的，表示为：不同坐标的量测模型一般是非线性的，表示为：不同坐标的量测模型与不同坐标的量测模型与EKL滤波跟踪滤波跟踪n雷达的观测方程也是非线性的：雷达的观测方程也是非线性的：22222222arctan( / )arctan( /) = ( , , )()iiiiTiiiiiirriirrwy xwwzxywr rrrwxyzwrrwxxyyzzxyzw z2( )( ,)( ),( )hNEKLEVarBLUE ，。其其中中如如果果可可以以用用跟跟踪踪滤滤波波；如如果果只只已已知知可可

42、以以用用跟跟踪踪滤滤波波zxww ww2）基于导数的线性化：）基于导数的线性化：n观测方程线性化观测方程线性化-1-1*-1-1-1*-1-1-1( )( )()()()(),()()k kk kkk kk kk kkk kk kk khhhhhdhhdhxxxxx - xxzxx - xv = H x+xvxHxxxxxn使用使用EKL滤波处理：滤波处理：*11111TTvkkkkkkk kk kk kk kGF GF PHH PHQ11( )()k kk kzz kh x基于导数的线性化：基于导数的线性化：n使用使用EKL滤波处理滤波处理 本次滤波本次滤波n 使用使用EKL滤波处理滤波处理

43、 为下次计算更新为下次计算更新1111111()kkkkk kk kk kk kk kk kxF xGzF xGz*1111*1)(1)Tkkkkkkk kk kk kwTvkkkkTwTkkkkkkk kk kPFGHPFGHQQFG HPFQ（3）基于差分的线性化：）基于差分的线性化：n本质上是利用差分代替本质上是利用差分代替Jacobi矩阵计算（偏微分矩阵计算（偏微分矩阵计算）矩阵计算）n 如何确定差分运算的如何确定差分运算的x*，最简单的方法是：，最简单的方法是：1-1-1-1*-1()()()kkk kk kk kkk kGhhh*k*k*kxxzxxxHxx*()( )( )( )

44、()()( )( )()( )()( )()( ),( )( )kkhhhhhhhdhhhhdh*xxxxx - xxxxxzxx - xv = H x+xvxxxxxxHxxxxxxx基于差分线性化的基于差分线性化的EKL滤波滤波n本次滤波预处理：本次滤波预处理：*11111TTvkkkkkkk kk kk kk kGF GF PHH PHQ11( )()k kk kzz kh xn使用使用EKL滤波处理滤波处理 本次滤波本次滤波n 使用使用EKL滤波处理滤波处理 为下次计算更新为下次计算更新1111111()kkkkk kk kk kk kk kk kxF xGzF xGz*1111*1)

45、(1)Tkkkkkkk kk kk kwTvkkkkTwTkkkkkkk kk kPFGHPFGHQQFG HPFQ（4）基于最优线性化模型线性化：）基于最优线性化模型线性化：n本质上是利用最小本质上是利用最小MSE准则拟合线性方程：准则拟合线性方程： 待优化的目标函数：待优化的目标函数：( )defhHxx)()(TxHxhxHxhEJ10)(10)(11)()()()()()()()()()()()(TTTTTxxTxExxxxTTTxExxTxxTPxxhEPxEPxEIxExhExxhEHxhExEPxEIxEPxxhExhE6、量测转换与基于、量测转换与基于BLUE的的Kalman滤

46、波滤波n由于大部分传感器的观测坐标与目标坐标不同，由于大部分传感器的观测坐标与目标坐标不同，可以对观察信号进行处理，得到目标坐标系的量可以对观察信号进行处理，得到目标坐标系的量测信号测信号 称为量测转换处理。称为量测转换处理。1）二维观测信号的量测转换处理：）二维观测信号的量测转换处理：,cos()sin()kk realkkkkkk realkkkkrrrxryr,()cos()()sin()kk realkk realkk realkkk realkk realkk realkxxxrryyyrr量测转换与基于量测转换与基于BLUE的的Kalman滤波滤波 cos()(cos1)sinsi

47、n sin()sincoscos sin()(cos1)cossin cos()sinsincoskkkkkkkkkkkkkkkkkkkkkkkkkkkrrrrxyrrrrv,coscossin sink realk realk realkkkkk realk realk realkkkxrxryryr xkkkkxyHI,zn新的观测方程：新的观测方程： 其中：其中：kkkkHzxv量测转换与基于量测转换与基于BLUE的的Kalman滤波滤波cov()covkkkkkkkkx xx ykkkky xy ykkkxRRyRR vn新的观测方程中观测噪声不在是高斯白噪声，但新的观测方程中观测噪声

48、不在是高斯白噪声，但可以求一阶可以求一阶/二阶矩特性二阶矩特性: cos()(cos) 1() sin()(cos) 1kkkkkkkkkrExEyrEE v2/2(cos),(sin)0kkkEeE当当为为高高斯斯白白噪噪声声分分布布时时：量测转换与基于量测转换与基于BLUE的的Kalman滤波滤波n其中各项方差具体表达式其中各项方差具体表达式:2222222222222222222222cos ()(cosh() 1)sin ()sinh()cos ()cosh()sin ()sinh()sin ()(cosh() 1)cos ()sinh()sin ()cosh()ckkkkx xkkk

49、krkky ykkkkrkRr eeRr ee 2222222os ()sinh()sin()cos()(1)kkky xkkkrkRere 量测转换与基于量测转换与基于BLUE的的Kalman滤波滤波n二维量测转换处理后的二维量测转换处理后的Kalman滤波问题：滤波问题：假设状态方程：假设状态方程： 观测方程：观测方程：,kkkkkHHIzxv1kkkkFxxw000cov()cov()cov()wkkvkkwQvQxxP，k kk k同同时时已已知知：w w 是是0 0均均值值独独立立过过程程，且且v v 不不是是0 0均均值值独独立立过过程程，但但已已知知系系统统初初始始状状态态的的统

50、统计计量量为为： 由于由于w, v不再是高斯白噪声，不能使用基本不再是高斯白噪声，不能使用基本Kalman滤波，同时量测噪声滤波，同时量测噪声v均值不为零，也均值不为零，也不能直接使用基于不能直接使用基于BLUE的的Kalman滤波。滤波。量测转换与基于量测转换与基于BLUE的的Kalman滤波滤波2）二维观测信号的量测转换处理的去偏处理）二维观测信号的量测转换处理的去偏处理,(cos)(cos)kk realkkk realkkk realkkk realkxxxxxEEyyyyyE11,11,cos()()cos()sin()()sin()ukkkk realkk realkukkkk r