|
文 献 综 述 1、发展背景及发展现状 雷达数据处理，简称RDP，是信号处理的后处理过程，雷达数据处理过程的输入为雷达信号处理形成的目标点迹。点迹信息包含了目标的距离、方位和俯仰值。雷达数据处理通过对多圈扫描获得的量测集进行关联获得目标航迹。在成功起始目标航迹后，通过滤波算法，数据处理能够修正雷达对目标位置、速度的测量误差，精确地估计出目标真实信息。通过对目标的持续观测，系统能够提供目标的位置、速度、加速度、落点等信息。 1795年高斯提出了最早的雷达数据处理方法——最小二乘法。最小二乘算法是在得不到准确的观测数据统计特性和系统动态误差的情况下的一种数据处理方法，由于它在计算上非常简单而得到非常广泛的应用。1940年美国人N.Wiener提出了一种在频域中设计统计滤波器的方法—Wiener滤波器。wiener滤波器一经提出并取得了巨大的成功，但是它也存在运算复杂，对存储空间要求大等缺点。1960年美国人R.E.Kalman提出了离散系统Kalman滤波，并于第二年与S.S.Bucy合作，将Kalman滤波理论推广到连续时间系统中去，从而形成了Kalman滤波估计的整套理论。由于Kalman滤波方法具有很多其它滤波方法所没有的优点，而在实际工程中得到了广泛应用。因此，高斯、维纳、Kalman奠定了雷达数据处理的理论基础。 20世纪70年代辛格等人提出了一系列的机动目标的跟踪方法，到20世纪70年代中期，柴田实和皮尔森等人将Kalman滤波技术应用到机载雷达跟踪系统中，并取得成功。至此，对单目标跟踪的技术已经逐渐得到了完善。 随着科学技术不断发展和人们对目标跟踪实际需求的不断增加,目标跟踪问题开始受到广泛关注。目标跟踪技术已经广泛应用于军事领域如战场监控、预警、攻击、火力控制等,和民用领域如空中交通管理、船舶进出港、个人导航定位系统等。机动目标跟踪问题与人们的日常生活息息相关,具有重大应用价值,因此,该问题成为了国内外研究人员的研究热点。[1-3] 目标跟踪的基本概念是Wax在1955年首次提出的。Sittler在1964年开创性的研究了多目标跟踪理论及相关的数据关联问题。70年代开始，机动目标跟踪理论开始得到广泛的关注。1975年，Bar-shalom将数据关联和Kalman滤波结合起来应用于目标跟踪，这标志着多目标跟踪系统的新的发展。 在军事和民用领域,如空防和空中交通管制中, 可靠而精确地跟踪目标始终是目标跟踪系统设计的主要目的。机动目标跟踪中的关键问题是数据关联和状态滤波估计,其中有效方法主要集中在联合概率数据关联及多模型算法上[4-6]。 对目标进行状态估计时单独采用一个模型会受到模型自身局限性的影响使得滤波的精度不高,于是有必要同时采用多个模型(如匀速、匀加速、以及“当前”统计模型等 )描述机动目标的运动状态[7]。 1984年，Blom 在广义伪贝叶斯算法的基础上基于Kalman滤波器提出了一种具有马尔可夫切换系数的多模型滤波器,其中多个模型并行工作,模型之间基于一个马尔可夫链进行切换,目标状态是多个滤波器交互作用的结果即交互式多模型( IMM )算法。IM M 算法包括交互、滤波和组合三部分,它是定结构多模型( FSMM )从无交互作用的静态多模型算法( SM M )发展起来的[4]。 2、目标跟踪技术及交互式多模型算法的相关概念 2.1 目标跟踪技术 目前,目标跟踪已经发展到多传感器,密集回波下的多目标跟踪的研究阶段,跟踪难度进一步增大,而跟踪精度要求进一步提高,因此,对跟踪算法的进一步探讨和改进是至关重要的。它是通过一个或多个传感器，利用计算机来完成信号处理，从而感知它所监控的环境。传感器获取对环境中目标的有噪观测值，并汇报给信号处理机。这些观测值可能来源于感兴趣的目标，环境背景(海、地杂波)，或系统内部热噪声等。目标跟踪技术要将收集这些来自于感兴趣区域的观测数据并分建立航迹，使得每个航迹的观测来自于同一个物体或目标。这种划分过程属于数据关联技术的范畴。复杂环境下多机动目标的跟踪不管是在军用还是民用上都有极大的应用价值,目前,有关这方面的研究正处于蓬勃的发展之中,相信在不久的将来,此方面的研究能取得更大的突破。[9]
图 1 目标跟踪的原理图 2.2 交互式多模型算法 2.2.1 概念 1984-1989年，Blom和Bar-Shalom在广义伪贝叶斯算法基础上，提出的一种具有Markov转移概率的交互式多模型(Interacting Mutiple Model,IMM)算法。这种算法在多模型算法的基础上考虑多个模型的交互作用，以此得出目标的状态估计。交互式多模型算法包含了多个滤波器(各自对应相应的模型)、一个模型概率估计器、一个交互式作用器(在滤波器的输入端)和一个估计混合器(在滤波器的输出端)。这种结构的优点是建模细致;利用模型转移的马尔可夫性假设，实现了目标跟踪器的自适应可变结构;有明显的并行框架，有利于并行实现。缺点是类算法的模型先验概率、模型转移概率以及模型集的组成均无法先验确知;不合理的假设，导致算法得到的目标状态估计始终只能是混和次优解，不正确的模型降低了目标跟踪的稳态性能。[10-12] IMM算法的基本思想是在每一时刻 ,假设某个模型在现在时刻有效的条件下 ,通过混合前一时刻所有滤波器的状态估计值来获得与这个特定模型匹配的滤波器的初始条件;然后对每个模型并行实现正规滤波 (预测与修正 )步骤;最后 ,以模型匹配似然函数为基础更新模型概率 ,并组合所有滤波器修正后的状态估计值 (加权和 )以得到状态估计。 一个模型有效的概率在状态估值和协方差的加权综合计算中有重要作用。IMM的设计参数为: 不同匹配和结构的设置模型;不同模型的处理噪声密度 (一般来讲 ,非机动模型具有低水平测量噪声 ,机动模型具有较高水平的噪声 ) ,模型之间的切换结构和转移概率。
图 2 交互式多模型算法示意图 2.2.2 IMM算法存在的主要问题及新的改进方法 由交互式多模型的思想及参数的设计可看出该算法的主要问题在于: (1)如何选择保持最佳跟踪性能的离散机动水平 ,它是以较大的计算资源来换取机动性能的提高; (2)增加模型可以提高精度但计算量增大 ,且引入模型竞争使性能下降。 (3)算法中用到平行的多个 Kalman滤波器 ,计算量很大; (4)由于在验前无法获得模型之间的准确转换概率 ,事先确定模型之间的转换概率导致 IMM算法的使用和跟踪精度受限。 针对上述问题 Munir A和 Atherto n D P在1994年首先提出一种自适应交互多模算 ( AIM M ) ,它利用模式的状态相关性对模型修正使模型与目标模式匹配 ,提高了跟踪的性能 ,但依赖于目标运动的准确加速度估值。 3、交互式多模型目标跟踪的发展趋势和关键技术 一般情况下,问题越复杂,如可能的系统模式集合是高度时变的或是状态相关的,变结构越是优于固定结构。 变结构交互多模型算法不仅能利用包含在量测序列中的实时系统信息,还能将固定结构中很难或不太可能包含的一些先验知识结合起来,因此使用变结构提高多模型算法性能是一个很有前途的新的发展方向,模型集合自适应算法的设计是关键。 联合交互式多模型概率数据关联( C- IM M P-DA)算法是目前 IM M PDA研究中理想的结构,关键在于模型的选择。 若在该算法中采用引入神经网络的机动目标“ 当前”模型在机动目标跟踪领域会有很好的应用前景[13]。利用多传感器交互式多模型概率数据互联提高跟踪精度,以及对快速联合概率数据互联算法的研究也是目前的研究方向。 基于模糊逻辑的 IMM 算法使用模糊逻辑确定使用模型的后验概率,适于含有很多模型的 IMM 算法; 而引入神经网络的 IM M 算法可以利用神经网络对所选取具体模型的参数进行调整[14]。现有的一些跟踪算法,从原理上来说,主要有两个弱点: 算法的计算量大和对先验要求高,而一些智能方法恰好在这些方面有它的优势,引入智能环节(如模糊理论、神经网络等) ,可以使跟踪的性能进一步得到提高, 但由于现有的智能方法在理论上都有不足,因此,充分发挥两者的优点,取长补短,相信在不久的将来, 在此方面的研究能取得更大的突破[15-17]。 参 考 文 献
|
