基于IMM的光电经纬仪机动目标跟踪优化算法 .pdfVIP

维普资讯

２００７年８月西北工业大学学报Ａｕｇ．２００７

第２５卷第４期ＪｏｕｒｎａｌｏｆＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙＶｏ１．２５Ｎｏ．４

基于ＩＭＭ的光电经纬仪机动目标跟踪优化算法

侯宏录，周德云

西北工业大学电子信息学院，陕西西安７１００７２）（

摘要：提出一种简化交互多模型算法（ＩＭＭ）与去偏转换测量卡尔曼滤波算法（ＣＭＫＦ－Ｄ）相结合

的机动目标跟踪优化算法。该算法通过机动检测判别函数Ｄ（愚）与门限的关系，自适应调整

ＣＭＫＦ—Ｄ的部分参数，解决了常规交互多模算法需要大量先验知识的问题，同时克服了扩展卡尔

曼滤波（ＥＫＦ）对非线性模型线性化所引入的误差。仿真实验验证了该算法的有效性。利用该算法

可显著改善基于非线性测量方程下光电经纬仪对机动目标的跟踪性能，其位置跟踪误差小于１．５

ｍ，速度误差小于１．５ｍ／ｓ，加速度误差小于０．７ｍ／ｓ。。

关键词：机动目标跟踪，简化交互多模算法，去偏转换测量卡尔曼滤波，光电经纬仪

中图分类号：Ｖ５５６．２文献标识码：Ａ文章编号：１０００—２７５８（２００７）０４～０５６１—０５

在光电经纬仪机动目标跟踪问题中，目标运动ＩＭＭ算法进行跟踪，从而克服了ＩＭＭ算法中有限

模型与真实运动状态是否匹配，对于机动目标跟踪模式集合的限制以及非线性观测下转换坐标的线性

精度有很大影响，但任何一种模型都不可能完全准化误差，减小了计算复杂度和对先验知识的要求。

确描述机动目标所有的运动状态。交互多模算法

（ＩＭＭ）可消除输入估计算法和变维滤波算法的机１去偏转换卡尔曼滤波（ＣＭＫＦ—Ｄ）

动检测滞后问题，对机动目标运动的全过程具有良

好的跟踪性能［１］，但该算法在实现过程中滤波模式１．１目标状态和观测方程

的确定和模式间转移概率的确定，需要一定的先验在ＩＭＭ算法中，常用的目标运动模型有匀速

知识。在武器试验中，目标的先验知识非常有限，对ＣＶ）（、匀加速（ＣＡ）、转弯（ＣＴ）以及“当前”统计模

不能获得准确先验知识的机动目标跟踪带来一定困型等，各模型依据目标的运动状态不同具有不同的

难。考虑到上述问题将ＩＭＭ算法与卡尔曼滤波算表达形式［７］。在光电经纬仪的非线性观测中都存在

法（ＫＦ）相结合，解决目标的机动与高精度跟踪问着较大的误差，首先通过ＣＭＫＦ—Ｄ进行滤波，然后

题。然而在光电经纬仪目标跟踪中，观测方程是在球依据机动检测，由Ｍａｒｋｏｖ转移概率完成模型交互

坐标系下建立的，滤波及预测中常用的标准ＫＦ不及权值自适应调整。

能解决非线性条件下的跟踪问题，扩展卡尔曼滤波以光电经纬仪观测位置为原点，采样周期为丁，

Ｅ（ＫＦＥ］）存在着较大的线性化误差，跟踪精度不目标相对于光电经纬仪旋转中心的真实距离为ｒ，

高，易发散。文献［４～６］研究了二维去偏转换测量卡方位角为，高低角为。在球坐标系下的观测值为

尔曼滤波算法（ＣＭＫＦ－Ｄ），较好地解决了雷达目标Ｚ（尼）

跟踪中的非线性问题，跟踪精度较高。