【技术实现步骤摘要】
一种基于交互式多模型无色滤波的机动目标状态估计方法
[0001]本专利技术涉及目标跟踪
，特别涉及一种基于交互式多模型无色滤波的机动目标状态估计方法。
技术介绍
[0002]目前，针对线性、高斯条件下的融合估计理论和方法日趋完善，而面向动态复杂背景的融合估计正成为研究热点。对于非线性系统的状态估计，主要由三类方法，即扩展卡尔曼滤波(EKF)，无色卡尔曼滤波(UKF)以及粒子滤波(PF)。EKF及其衍生算法最早用于非线性状态估计，但存在线性化误差，估计精度不高，且不适用于非高斯条件系统。PF是近年来兴起的方法，它不受线性化误差和高斯噪声假定的限制，但其计算量较大。UKF与EKF相比，降低了线性化误差，提高了估计精度，减少了计算复杂度。另外，在实际中，目标运动的状态转换模型往往随时间而变化，对这一类系统，交互式多模型滤波(IMMF)是一种有效且具有良好性能的次优估计算法。因此，结合UKF、IMMF、信息滤波(IF)采用一种基于交互式多模型无色滤波的机动目标状态估计实现不确定信息条件下的目标状态估计。
技术实现思路
<...
【技术保护点】
【技术特征摘要】
1.一种基于交互式多模型无色滤波的机动目标状态估计方法，其特征在于：包括有如下步骤：1)问题模型建立；1.1运动模型：目标运动模型用来描述目标状态信息随时间的演化过程，对AUV而言，要实现对目标精确跟踪与定位，关键在于如何有效地从观测中提取出目标状态相关信息，并预测目标运动的状态轨迹；1.2传感器观测模型：为了便于分析，不失一般性，简化的二维测向测距传感器观测模型如下：其中，状态向量状态向量分别为航行器到目标t之间的距离、方位角和水平角；1.3状态转移模型：对于非线性系统估计问题，根据截至到当前时刻有噪声状态测量，以及相应状态转移与两侧函数，对当前或下一时刻状态进行估计和预测，考虑如下非线性模型：其中，表示时刻系统状态；表示k时刻测量数据；q[k
‑
1]～N(0，Q[k
‑
1])表示k
‑
1时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；f与h分别表示动态模型函数与测量模型函数，都可能是非线性的；通过当前观测获得状态估计，即P(x[k+l]|z[1∶k])，l＝0，1，2，...在存在多个传感器时，得到多个观测，因此得到更精确的测量，同时也不会因某个传感器测量时效而失去目标，考虑目标状态的多模型特性，为了获得状态x的全局估计，状态估计模型可以进一步建模为：1.4信息滤波IF模型：将信息状态与Fisher信息Y代替状态估计与协方差P，得到卡尔曼滤波的信息形式，即信息滤波IF，Y与的定义描述如下：对于离散时刻k的观测z[k]，其对信息状态的贡献及对Fisher信息Y的贡献I[k]为：
对于信息滤波而言，其预测步与更新步均可通过对Fisher信息状态矩阵的递推计算实现，对于如下线性状态空间模型：其中，表示时刻系统状态；表示k时刻测量数据；q[k]～N(0，Q[k])表示k时刻过程噪声；r[k]～N(0，R[k])是k时刻测量噪声；A[k]为动态模型状态转移矩阵；H[k]为测量模型矩阵，状态的预先分布状态的预先分布P[0]为系统已知信息，离散时间卡尔曼滤波对应的信息形式IF描述如下：预测步IF
p
为更新步IF
u
为其中，与Y[k]
‑
对应与Y[k|k
‑
1]；与Y[k]对应与Y[k|k]，给定初始条件与P[0]，有Y[0]＝P
‑1[0]，1.5无色信息滤波UIF算法针对上节描述的无色变换，无色信息滤波UIF预测灯饰重新描述为：预测状态协方差P[k]
‑
计算如下：其中，X
i
[k]
‑
＝f(X
i
)；基于非线性测量可以映射成统计估计值函数这一假设，信息更新等式应用统计线性误差传播技术进行重写，首先，应用误差传播，观测协方差和交叉协方差可近似为：
其中，z[k]＝h(x
k
)；H[k]为其线性化测量矩阵；应用上式对Fisher信息与信息状态增益I[k]，i[k]做如下变换：I[k]＝H
T
[k]R
‑1[k]H[k]＝(P[k]
‑
)
‑1P[k]
‑
H
T
[k]R
‑1[k]H[k]P
T
[k]
‑
(P[k]
‑
)
‑
T
＝(P[k]
‑
)
‑1P
x，z
[k]
‑
R
‑1[k](P
x，z
[k]
‑
)
T
(P[k]
‑
)
‑
T
上述信息与信息状态增益计算不再与测量方程直接相关，基于上述的误差传播技术可得无色信息滤波的信息增益计算等式...
【专利技术属性】
技术研发人员：郭剑辉，高宇，张云添，黄曦坤，刘帆，
申请(专利权)人：南京理工大学工程技术研究院有限公司，
类型：发明
国别省市：
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。