视频在线视频

同学们，大家好

这次课我们来学习《情报监视侦察信息融合技术》的第四专题

具体介绍单个目标跟踪的处理流程

所谓目标跟踪

就是通过对传感器的量测进行处理

并根据目标运动模型来维持对目标当前状态的估计

以雷达对空中运动目标进行跟踪为例

运动目标的位置

速度等信息可以看作是待估计的状态

雷达测量到的目标位置信息即为实际量测

通过对雷达实际量测进行实时处理

持续获得对该目标的位置、速度等运动状态的估计值

即为雷达目标跟踪

在这一过程中

雷达获得的目标位置量测也称为目标的点迹

而对点迹处理后获得的目标状态的轨迹则称为目标的航迹

下面我们首先来了解一下

雷达进行单目标跟踪处理的基本流程

空间中运动目标的位置、速度等状态信息

可以记为 xₖ

它是随时间实时变化的

而通过雷达等传感器获得的量测信息 zₖ

是带有不确定测量误差的

因此，要获得目标状态估计需要采用波形估计的处理方法

而我们在上一专题中所介绍的卡尔曼滤波

就是一种十分理想的目标跟踪处理方法

回顾卡尔曼滤波的递推应用步骤

我们就可以梳理出基于卡尔曼滤波进行目标跟踪的基本流程

基于卡尔曼滤波

我们可以在上一时刻状态滤波值

x̂ₖ₋₁ₗₖ₋₁ 的基础上根据目标的运动模型

计算出 k 时刻的状态预测 x̂ₖₗₖ₋₁

再根据雷达量测模型计算出 k 时刻的量测预测 ẑₖₗₖ₋₁

对比雷达实际量测 zₖ 与量测预测 ẑₖₗₖ₋₁

可以计算出 k 时刻的新息 z̃ₖₗₖ₋₁

最后通过确定出 k 时刻的卡尔曼滤波增益 Kₖ

即可利用新息对状态预测进行校正

计算出 k 时刻的状态滤波估计 x̂ₖₗₖ

以上过程递推实施

即可持续获得目标状态的滤波估计值

通过以上介绍我们不难发现

整个目标跟踪的基本处理过程中有两个核心要素

一个是描述目标运动的模型

另一个就是所选用的跟踪滤波算法

在目标运动模型这一核心要素中

我们的主要目的是尽可能准确地描述目标的实际运动模式

以使得目标的状态预测尽可能准确

而在跟踪滤波算法这一核心要素中

我们的主要目的是尽可能有效地利用好传感器所获得的量测信息

以使得对状态预测校正后所获得的状态滤波估计更加准确

然而，运动目标的实际运动模式是不断变化的

当目标的加速度大小、方向等发生变化（即目标发生机动）时

我们很难采用一个不变化的数学模型来准确描述目标的实际运动模式

而如果采用变化的数学模型来描述目标实际运动模式时

就需要所采用的跟踪滤波算法能够根据目标运动模式的变化

而进行自适应的调整

因此单个运动目标的跟踪过程

应该是一个能够对运动模式不断变化的机动目标

进行持续准确的状态滤波估计的数据处理过程

它需要在常规的目标跟踪基本流程的基础上

增加对目标机动变化进行识别和对滤波算法进行自适应调整的环节

从而形成对单个目标进行跟踪的处理流程

在整个处理流程中

我们通常需要重点关注以下几个环节要素

一是为运动目标建立能够描述其实际运动模式的数学模型

即机动建模

在机动建模的过程中

通常认为目标的机动是由加速度的变化而决定的

由于目标的加速度大小与变化规律是未知的

因此通常是通过假设目标加速度为不同特性的随机过程

来近似地描述目标的不同运动模式

例如，对于一个进行匀速运动的目标

它的速度近似为一个常数

因此，我们可以假设它的加速度是一个零均值的白噪声

从而建立常速度运动模型

对于一个进行匀加速运动的目标

我们可以假设它的加速度是一个增量独立分布的维纳过程

从而，建立常加速运动模型

对于一个进行介于匀速与匀加速之间运动的目标

我们可以假设它的加速度是一个零均值的一阶马尔科夫过程

从而建立 Singer 运动模型

而对于一个进行变速运动的目标

我们可以假设它的加速度是一个非零均值的一阶马尔科夫过程

从而建立当前统计运动模型

在机动建模中所建立的目标运动模型与目标的实际运动模式越匹配

则滤波算法对目标状态的预测就越准确

处理流程中第二个需要重点关注的环节要素是雷达量测数据的预处理

由于雷达在对目标进行测量的过程中受到很多不确定因素的干扰

导致其获得的量测数据中包含了很多噪声和杂波信息

而且，量测数据通常是在不同的坐标系中进行表示的

因此，在利用量测数据进行目标状态估计之前

需要先对数据进行预处理

主要目的是提高信噪比

以及将量测转换到指定的坐标系中

例如，在雷达接收到的回波信息中

有些是源于目标的

有些则是源于地物杂波等干扰的

因此，在目标跟踪之前需要将源于非目标的量测或者点迹滤除掉

即点迹过滤

此外，在雷达探测到一批的目标点迹中

可能有个别数据点严重偏离了大部分数据所呈现的变化趋势

这些数据被称为野值

需要在目标跟踪之前将其剔除掉

即去野值

另外，由于雷达的量测数据通常表示在以其为原点的球/极坐标系中

而对目标的跟踪往往需要在直角坐标系中进行

因此，通常需要将雷达量测由球/极坐标系转换到直角坐标系中

并分析测量噪声经过坐标转换后的精度

处理流程中第三个需要重点关注的环节要素就是对目标机动的识别

当目标进行机动时

其实际运动模式会发生较大变化

此时，滤波算法中所采用的目标运动模型将无法与之匹配

从而导致基于模型的状态预测与目标的实际状态发生较大偏离

这一情况可以通过雷达量测预测与雷达实际量测之间的偏差

也就是新息来反映

因此，目标的机动情况通常可以根据新息的变化来进行识别

例如，可以通过比较新息统计距离

与某一阈值的大小来检测目标的机动情况

当新息统计距离大于指定阈值，则判定目标发生机动

反之，则判定目标停止机动

这种方式称为机动检测

或者还可以根据新息来估计和预测出目标加速度的大小

从而直接辨识出目标机动的幅度

这种方式则称为机动辨识

处理流程中最后一个需要重点关注的环节要素

就是基于机动识别结果对滤波算法进行自适应调整

当基于新息的变化识别出目标的机动情况后

可以认为滤波所采用的目标运动模型

与实际运动模式不相匹配

因此，对滤波算法的调整

通常可以通过更换滤波所采用的目标运动模型

或者调节运动模型参数等方式来进行

例如，当检测到目标发生机动后

可以将滤波算法原本采用的运动模型

替换为更能描述机动的运动模型来继续滤波跟踪

或者在识别到目标机动的加速度大小后

可以根据加速度的估计值来更新运动模型中加速度的方差大小

从而使得基于模型的状态预测更为准确

总之，雷达对单目标的跟踪处理

是一个综合利用目标的机动信息

与雷达的量测信息而进行自适应滤波的过程

其中的四个环节要素都需要从

“如何能更及时细致地掌握目标机动”

或者“如何能更简单有效地利用雷达量测”的角度出发

而进行设计与优化

最终实现对目标的持续、准确跟踪

本专题后续的几讲内容将主要围绕这几个环节进行具体介绍

本讲到此结束

谢谢大家