【技术实现步骤摘要】
基于3D-UKF的目标多象限运动跟踪方法
本专利技术属于单传感器单目标跟踪领域，涉及一种在三维空间内基于UKF滤波的单传感器单目标跟踪方法，用于解决单目标多象限运动问题，提高对监测空间中目标的跟踪范围，达到高精度且稳定的跟踪效果。
技术介绍
1960年，卡尔曼在“ANewApproachtoLinearFilteringandPredictionProblems”中针对线性系统提出卡尔曼滤波方法，该方法应用广泛且功能强大，它能够利用前一时刻的估计值和当前时刻的观测值来更新状态变量的估计，但是它无法适用于非线性问题。后来，研究人员基于卡尔曼滤波方法，先后研究了扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)、无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)、粒子滤波(ParticleFilter,PF)等一系列方法。在这些方法中，EKF的核心是将非线性函数展开成一阶泰勒级数，得到一个近似的线性模型，这样不可避免地引入了线性化误差。粒子滤波方法虽然能够较好地处理非线性问题，却存在粒子退化，运...
【技术保护点】
1.基于3D-UKF的目标多象限运动跟踪方法，其特征在于包括以下步骤：/n步骤(1)、构建单传感器单目标跟踪场景；/n步骤(2)、仿真生成目标运动轨迹；/n步骤(3)、仿真生成传感器对目标的测量集；/n步骤(4)、初始化UKF滤波器；/n步骤(5)、利用3D-UKF-MQT滤波算法获得目标当前时刻的状态估计和协方差，具体如下：/n5-1获取一组采样点及其对应的权值ω
【技术特征摘要】
1.基于3D-UKF的目标多象限运动跟踪方法，其特征在于包括以下步骤：
步骤(1)、构建单传感器单目标跟踪场景；
步骤(2)、仿真生成目标运动轨迹；
步骤(3)、仿真生成传感器对目标的测量集；
步骤(4)、初始化UKF滤波器；
步骤(5)、利用3D-UKF-MQT滤波算法获得目标当前时刻的状态估计和协方差，具体如下：
5-1获取一组采样点及其对应的权值ω(i)：
式(3)中，i表示第i个采样点，表示k-1时刻的状态估计，X(i)(k-1|k-1)表示k-1时刻的第i个采样点的状态，P(k-1|k-1)表示k-1时刻的状态估计协方差，n表示状态维数；
式(4)中，为第i个采样点均值对应的权值，为第i个采样点协方差对应的权值；λ＝α2(n+κ)-n，表示比例因子；α、κ、β表示参数；
5-2利用步骤5-1中X(i)(k-1|k-1)计算2n+1个采样点的一步预测：
X(i)(k|k-1)＝f[k-1,X(i)(k-1|k-1)](i＝1,2,…,2n+1)(5)
其中f是非线性状态方程函数；X(i)(k|k-1)表示k-1时刻第i个采样点的状态预测值；
5-3利用步骤5-2中X(i)(k|k-1)和步骤5-1中ω(i)，得到系统状态量的一步预测：
其中表示k-1时刻预测的目标状态估计，P(k|k-1)表示k-1时刻预测的状态估计协方差，Q表示过程噪声协方差，T表示矩阵的转置；
5-4利用步骤5-3中的和P(k|k-1)计算获得新的2n+1个采样点的状态：
5-5将步骤5-4中预测采样点的状态代入观测方程，得到观测预测值：
其中xxθ(k)表示目标方位角所在象限，xxγ(k)表示目标仰角所在象限，h是非线性观测方程函数，Z(i)(k|k-1)表示第i个采样点预测的观测值，Zθ(k)、Zγ(k)分别表示k时刻传感器得到的目标的方位角和仰角；
上述观测量的角度所在象限根据公式(11)可知：
其中ζ表示目标的角度(即方位角或仰角)，MOD表示求余函数，xx表示目标所对应的象限；
5-6将步骤5-5中得到的观测预测值，通过加权求和得到系统预测的均值及协方差和
其中包括和分别表示仰角和方位角的观测预测均值，根据公式(12)可推导得到：
5-7利用步骤5-6中公式(13)-(14)计算k时刻的Ka...
【专利技术属性】
技术研发人员：申屠晗，林俊浩，韩阔业，郭云飞，陈霄，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。