寧 靜,陳 俊,吳 麒
(中國西南電子技術(shù)研究所,成都 610036)
由于目標(biāo)的運(yùn)動(dòng)狀態(tài)往往無法提前預(yù)知,目標(biāo)機(jī)動(dòng)狀態(tài)也常常隨時(shí)間變化,在工程上對(duì)機(jī)動(dòng)目標(biāo)的跟蹤要求算法具有較強(qiáng)的機(jī)動(dòng)范圍適應(yīng)性以及較高的實(shí)時(shí)性等特點(diǎn)。
由于Singer模型[1-4]算法的模型參數(shù)反映了目標(biāo)運(yùn)動(dòng)過程的統(tǒng)計(jì)特性,在工程上Singer模型常常用于對(duì)機(jī)動(dòng)目標(biāo)進(jìn)行跟蹤,在理論上也涌現(xiàn)了不少基于Singer模型的機(jī)動(dòng)目標(biāo)跟蹤算法。文獻(xiàn)[4]提出了一種參數(shù)自適應(yīng)調(diào)整的Singer模型跟蹤算法,在濾波過程中匹配機(jī)動(dòng)等級(jí)來自適應(yīng)調(diào)整Singer模型參數(shù),但這種參數(shù)調(diào)整方式具有一定主觀性,且存在機(jī)動(dòng)等級(jí)的跳變,相應(yīng)地會(huì)導(dǎo)致系統(tǒng)的濾波參數(shù)發(fā)生突變,從而帶來跟蹤效果的惡化[3]。文獻(xiàn)[5]提出了一種IMM-Singer 模型的機(jī)動(dòng)目標(biāo)跟蹤算法,首先設(shè)置3組Singer模型組成模型集合,3組Singer模型分別匹配不同的目標(biāo)機(jī)動(dòng)狀態(tài),然后使用交互式多模型(Interacting Multiple Model,IMM)進(jìn)行濾波。IMM[1-7]算法對(duì)三個(gè)子濾波器的濾波結(jié)果進(jìn)行交互混合,因此相比較單一模型濾波算法能更好地對(duì)目標(biāo)不同機(jī)動(dòng)狀態(tài)進(jìn)行跟蹤,但由于其所使用模型集合中的模型參數(shù)在濾波過程中不能改變,因此濾波效果好壞取決于模型集合中的模型參數(shù)能否覆蓋目標(biāo)機(jī)動(dòng)模式:當(dāng)模型集合中模型參數(shù)能覆蓋所有目標(biāo)機(jī)動(dòng)狀態(tài)時(shí),跟蹤效果較好;當(dāng)所用模型不能覆蓋目標(biāo)機(jī)動(dòng)狀態(tài)時(shí),跟蹤效果不好。
本文提出一種基于期望模型的自適應(yīng)Singer模型濾波算法,通過實(shí)時(shí)計(jì)算一個(gè)期望模型來動(dòng)態(tài)擴(kuò)展IMM算法的基礎(chǔ)模型集合,實(shí)現(xiàn)濾波過程中模型的自適應(yīng)變化。仿真結(jié)果表明,本算法在目標(biāo)不同機(jī)動(dòng)狀態(tài)下都可以進(jìn)行準(zhǔn)確跟蹤,具有更好的環(huán)境適應(yīng)性,是一種有效的機(jī)動(dòng)目標(biāo)跟蹤算法。
Singer模型算法[1-4]對(duì)目標(biāo)加速度a(t)作為具有指數(shù)自相關(guān)的零均值隨機(jī)過程進(jìn)行建模,其目標(biāo)加速度自相關(guān)函數(shù)為
R(τ)=E[a(t)a(t-τ)]=σ2e-α|τ|。
(1)
式中:σ2表示目標(biāo)加速度方差,α表示機(jī)動(dòng)頻率。σ2和α是待定參數(shù),兩者決定了在[t-τ,t]區(qū)間的目標(biāo)機(jī)動(dòng)特性。
(2)
式中:amax為最大機(jī)動(dòng)加速度,P0=P{a(t)=0}表示非機(jī)動(dòng)概率,Pmax=P{a(t)=±amax}表示加速度取最大值時(shí)對(duì)應(yīng)的機(jī)動(dòng)概率。Singer模型的狀態(tài)方程可以表示為
Xk+1=FkXk+Vk。
(3)
其中:
(4)
(5)
式中:T為離散化的采樣周期。過程噪聲V(k)是均值為0的白噪聲,其協(xié)方差為
(6)
(7)
文獻(xiàn)[5]提出了IMM-Singer模型算法,選取3個(gè)典型Singer模型,每一個(gè)模型都對(duì)應(yīng)一個(gè)典型的機(jī)動(dòng)頻率和過程噪聲。模型參數(shù)設(shè)置如表1所示。
表1 模型參數(shù)設(shè)置表
基于以上三個(gè)Singer模型進(jìn)行IMM濾波,具體算法步驟可參見文獻(xiàn)[5]。該算法結(jié)合IMM和Singer模型的算法優(yōu)勢(shì),跟蹤性能相比較單一Singer模型有所提高。但是由于模型集合中的模型參數(shù)設(shè)置是固定的,對(duì)機(jī)動(dòng)跟蹤效果依賴于模型集合中3個(gè)初始模型參數(shù)。
期望模型算法(Expected Model Algorithm,EMA)[8]的實(shí)質(zhì)是利用一個(gè)代表真實(shí)模式期望值的期望模型增擴(kuò)原有模型集。EMA與IMM的核心區(qū)別就在于模型集隨時(shí)間自適應(yīng)變化,當(dāng)各個(gè)時(shí)刻產(chǎn)生新的模型集之后再進(jìn)行濾波,其濾波過程與IMM算法相同。
設(shè)M表示模型集,M(1),M(2),…,M(q)是M的子集,E表示期望模型集,是由q個(gè)期望模型構(gòu)成的:
(8)
(9)
算法k+1時(shí)刻的模型集Mk+1為
Mk+1=Ek+1∪(Mk-Ek)。
(10)
k+1時(shí)刻得到擴(kuò)展后的模型集之后,再進(jìn)行IMM濾波。
求解期望濾波模型,即對(duì)參與濾波的狀態(tài)轉(zhuǎn)移矩陣F和噪聲協(xié)方差矩陣Q進(jìn)行實(shí)時(shí)估計(jì),選擇最接近目標(biāo)當(dāng)前運(yùn)動(dòng)模式的模型。根據(jù)本文第1節(jié)中對(duì)Singer濾波模型的分析,F(xiàn)、Q取值受參數(shù)α和σ2影響。
在多模型濾波過程中,設(shè)定多組與不同機(jī)動(dòng)等級(jí)相匹配的參數(shù)amax和α,通過實(shí)時(shí)計(jì)算εk,根據(jù)εk匹配適合的amax和α,具體為:若γi-1<εk<γi,則選擇α=αi,amax=ai,max,變量γ為機(jī)動(dòng)判定門限值,γ可以根據(jù)顯著性水平通過卡方分布查表獲得。進(jìn)一步通過公式(2)、(5)、(6)計(jì)算得到期望模型Fk(α)Qk(α,σ2)。
參考文獻(xiàn)[5]中的模型參數(shù)設(shè)置,設(shè)置3個(gè)Singer模型組成基礎(chǔ)模型集合,模型設(shè)置如表1所示。根據(jù)IMM濾波算法原理,不同模型轉(zhuǎn)換服從已知轉(zhuǎn)移概率的有限態(tài)馬爾科夫鏈。
擴(kuò)展模型集合先驗(yàn)概率設(shè)置為4個(gè)模型概率相同,即ui(0)=1/4,i=1,2,3,4。模型轉(zhuǎn)移概率矩陣Π表示模型之間的轉(zhuǎn)移概率。初值設(shè)置原則參考文獻(xiàn)[5],對(duì)角線元素表示模型不發(fā)生切換的概率,應(yīng)該設(shè)置為較大的初始值。模型轉(zhuǎn)移概率矩陣設(shè)置如下:
(11)
式中:πij表示模型j轉(zhuǎn)移到模型i的概率。
濾波步驟如下:
Step1 輸入混合[1-2]。
(12)
(13)
(14)
Step2 模型條件濾波[5-6]。
對(duì)于i=1,2,…,4分別計(jì)算
(15)
(16)
對(duì)于i=1,2,…,4,分別計(jì)算
(17)
(18)
(19)
對(duì)于i=1,2,…,4,分別計(jì)算
(20)
(21)
(22)
對(duì)于i=1,2,…,4,計(jì)算
(23)
Step3 輸出交互[9-11]。
(24)
(25)
Step4 融合求解模型殘差及其協(xié)方差。
融合求解模型殘差及協(xié)方差就是給出k時(shí)刻各個(gè)模型的總體濾波殘差和協(xié)方差:
(26)
(27)
Step5 求解期望模型。
表2 算法參數(shù)設(shè)置
得到amax和α后,進(jìn)一步代入公式(2)、(5)、(6)計(jì)算期望模型Ek的參數(shù)Fk(α)和Qk(α,σ2)。
Step6 擴(kuò)展模型集合。
算法k時(shí)刻的模型集Mk為
Mk=Ek∪(Mk-1-Ek-1)。
(28)
k時(shí)刻得到擴(kuò)展后的模型集之后,再重復(fù)上述步驟。
表3 目標(biāo)運(yùn)動(dòng)過程設(shè)置
目標(biāo)任一維度位置量測(cè)噪聲標(biāo)準(zhǔn)差為50 m,目標(biāo)x-y平面運(yùn)動(dòng)軌跡如圖1所示。
圖1 目標(biāo)真實(shí)運(yùn)動(dòng)軌跡
蒙特卡洛仿真200次,分別使用文獻(xiàn)[4]和文獻(xiàn)[5]算法與本文所提濾波算法進(jìn)行目標(biāo)跟蹤,計(jì)算算法的位置誤差均方根和速度誤差均方根,并分別畫出算法的誤差曲線,如圖2和圖3所示。
圖2 位置誤差對(duì)比圖
圖3 速度誤差對(duì)比圖
從圖2可以看出,IMM-Singer模型濾波算法和基于期望模型的自適應(yīng)Singer模型濾波算法對(duì)目標(biāo)位置的估計(jì)效果優(yōu)于離散自適應(yīng)Singer模型算法,而基于期望模型的自適應(yīng)Singer濾波算法對(duì)目標(biāo)位置的估計(jì)效果優(yōu)于IMM-Singer濾波模型算法,其位置誤差最小。
從圖3可以看出,IMM-Singer模型濾波算法和基于期望模型的自適應(yīng)Singer模型濾波算法對(duì)速度的估計(jì)效果優(yōu)于離散自適應(yīng)Singer模型算法,而基于期望模型的自適應(yīng)Singer濾波算法對(duì)速度的估計(jì)效果優(yōu)于IMM-Singer濾波模型算法,其速度估計(jì)誤差也最小。
從表4所示的算法跟蹤性能對(duì)比可以看出,濾波效果方面,文獻(xiàn)[4]所提的離散自適應(yīng)Singer模型算法估計(jì)誤差最大,文獻(xiàn)[5]所提的IMM-Singer模型算法其精度較高。這是因?yàn)檫x取的三個(gè)基礎(chǔ)模型能比較好地覆蓋目標(biāo)大多數(shù)機(jī)動(dòng)情況,通過多模型交互濾波實(shí)現(xiàn)機(jī)動(dòng)目標(biāo)跟蹤。但是當(dāng)目標(biāo)機(jī)動(dòng)狀態(tài)與基礎(chǔ)模型差距較大時(shí),濾波誤差會(huì)增大,如在仿真實(shí)驗(yàn)中的轉(zhuǎn)彎階段和加速度切換階段。本文所提算法在文獻(xiàn)[5]算法的基礎(chǔ)上,實(shí)時(shí)檢測(cè)機(jī)動(dòng)變化,計(jì)算期望模型擴(kuò)充基礎(chǔ)模型集合,能更好地應(yīng)對(duì)目標(biāo)機(jī)動(dòng)狀態(tài)的變化。在耗時(shí)方面,由于本算法在濾波交互時(shí)使用4個(gè)模型進(jìn)行交互計(jì)算,使用模型數(shù)最多,因此耗時(shí)相對(duì)較長。但是本文所提算法降低了對(duì)基礎(chǔ)模型選取的依賴性,具有更好的復(fù)雜環(huán)境適應(yīng)性。
表4 算法跟蹤性能對(duì)比
從圖4可以看出,仿真過程中模型概率隨著目標(biāo)不同的機(jī)動(dòng)階段而變化:當(dāng)目標(biāo)作勻速直線運(yùn)動(dòng)時(shí),基礎(chǔ)模型1-大氣擾動(dòng)模型概率最高;當(dāng)目標(biāo)做大加速度機(jī)動(dòng)時(shí),基礎(chǔ)模型3-逃避機(jī)動(dòng)模型概率最高;期望模型在定角速度轉(zhuǎn)彎,目標(biāo)加速度偏離三個(gè)基礎(chǔ)模型及加速度切換階段時(shí)模型概率更高。
圖4 模型概率隨時(shí)間變換情況
使用固定模型算法對(duì)機(jī)動(dòng)目標(biāo)進(jìn)行跟蹤,濾波效果受所選用模型參數(shù)影響。為此,本文提出了一種基于期望模型的自適應(yīng)Singer模型濾波算法。通過仿真驗(yàn)證,相比較文獻(xiàn)[4]和文獻(xiàn)[5]算法,本文所提算法濾波位置均方根誤差和速度均方根誤差更小,降低了濾波效果對(duì)基礎(chǔ)模型選取的依賴性,能更好地應(yīng)對(duì)機(jī)動(dòng)狀態(tài)與基礎(chǔ)模型失配和目標(biāo)機(jī)動(dòng)狀態(tài)切換的情況,因此具有更好的環(huán)境適應(yīng)性。