用于运动模式不确定的机动单元运动状态预测方法技术

本发明专利技术公开了一种用于运动模式不确定的机动单元运动状态预测方法，包括：建立多个机动单元的运动模型；对于机动单元在运动过程中适用的运动模型发生转移的转移概率，建立相应的代价函数；在最大后验估计下建立机动单元适用的运动模型的转移概率函数，计算机动单元在当前时刻转移适用各个运动模型的转移概率；基于转移概率和运动模型，预测机动单元在下一时刻的运动状态。采用上述技术方案，显著提升机动单元运动状态预测结果的准确度。动单元运动状态预测结果的准确度。动单元运动状态预测结果的准确度。

【技术实现步骤摘要】
用于运动模式不确定的机动单元运动状态预测方法


[0001]本专利技术涉及信息融合
，尤其涉及一种用于运动模式不确定的机动单元运动状态预测方法。

技术介绍

[0002]在各种作战区域之中，战车、火炮、地面机器人、直升机、巡飞弹、无人机、舰艇等各类有人驾驶或者无人驾驶机动战术单元密布其中，例如，航空器飞行航线、火炮弹道、导弹包线等交叉重叠，导致陆战场作战环境拥挤且复杂。特别是在联合作战、全域作战背景下，同时面向陆军、空军、海军、火箭军等军兵种作战行动的战场空间需求激增，误击误撞、遭敌火袭击等风险加大，对陆战场作战区域管控提出了严峻挑战。为解决上述问题，亟需在作战任务过程中，对敌我机动战术单元的实时位置、速度、方向等运动状态精确预判，以支撑构建战场综合态势图，达到指挥员全面掌握敌我作战力量的实时位置与动向的目的，为作战区域规划与行动协调提供基础条件。
[0003]对机动单元运动状态预测控制主要依赖对其运动模式的精确建模能力，在实际作战任务中，机动单元运动模式往往表现出极大的不确定性，难以获得充分的先验信息对其精确建模，特别是当机动单元的运动模式随时间不断发生变化时，其精确建模的难度进一步加大，多模型（Multiple model，MM）方法是不确定环境下机动单元运动状态估计的主流方法，相比传统状态估计算法，多模型方法对机动目标未知的运动模式具有较强的自适应辨识能力，能够通过模型权重的自动调节获得机动目标状态的精确估值。
[0004]但采用多模型方法对机动单元运动状态进行状态估计时，引入了某些不确定信息，如机动单元运动模型未知的转移概率，转移概率用于量化描述不同运动模型之间相互切换的可能性，在多模型方法理论框架下，转移概率的精确性直接影响机动单元运动状态的估计性能，多模型方法一般都假设机动单元运动模型的转移概率先验已知，但在实际应用中，先验转移概率通常是不准确甚至是无法获得的，导致在使用多模型方法时，机动目标状态估计性能下降，机动目标的运动状态预测结果的准确度不理想。

技术实现思路

[0005]专利技术目的：本专利技术提供一种用于运动模式不确定的机动单元运动状态预测方法，基于实时更新的机动单元运动状态观测信息，通过自适应递推估计机动单元运动状态的转移概率，显著提升机动单元运动状态预测结果的准确度。
[0006]技术方案：本专利技术提供一种用于运动模式不确定的机动单元运动状态预测方法，包括：建立多个机动单元的运动模型；对于机动单元在运动过程中适用的运动模型发生转移的转移概率，建立相应的代价函数；在最大后验估计下建立机动单元适用的运动模型的转移概率函数，计算机动单元在当前时刻转移适用各个运动模型的转移概率；基于转移概率和运动模型，预测机动单元在下一时刻的运动状态。
[0007]具体的，通过马尔可夫跳变系统，对机动单元建立多个运动模型。
[0008]具体的，运动模型采用如下公式：x
k+1
=A（r
k+1
）x
k
+B（r
k+1
）w
k+1
，y
k
=C（r
k
）x
k
+D（r
k
）v
k
，其中，x
k+1
和x
k
分别是机动单元在k+1时刻和k时刻的运动状态，r
k+1
和r
k
分别是机动单元在k+1时刻和k时刻的离散模式状态，y
k
是机动单元在k时刻的含噪观测值，w
k+1
是机动单元在k+1时刻的过程噪声，v
k
是机动单元在k时刻的观测噪声，A（r
k+1
）是机动单元的运动模型在k+1时刻的转移矩阵，B（r
k+1
）是机动单元的运动状态的过程噪声在k+1时刻的转移矩阵，C（r
k
）是机动单元的运动状态在k时刻的观测函数，D（r
k
）是机动单元的观测噪声在k时刻的转移矩阵。
[0009]具体的，通过递推期望最大化算法，建立相应的代价函数。
[0010]具体的，所述代价函数如下：具体的，所述代价函数如下：
ꢀꢀ
，其中，和分别是机动单元的模式状态在k时刻和k
‑
1 时刻的转移概率真值，是机动单元运动模型的转移概率在k时刻前的估值序列，是机动单元运动模型的转移概率在k时刻前的真值序列，是机动单元运动模型的转移概率基于真值序列的递推代价函数，是参数为变量时函数的最大值，是机动单元在k时刻前的含噪观测值序列，是概率密度函数，是条件概率密度函数，是条件概率函数，是条件期望函数。
[0011]具体的，在k时刻，机动单元运动状态的平滑估值和滤波估值之间的偏差在标准范围内，将代价函数按照如下形式进行变换：，其中，
，j是机动单元在k时刻的模式状态，i为机动单元在k
‑
1时刻的模式状态，1≤j，i≤M。
[0012]具体的，利用贝叶斯公式，将公式中的变换为，其中，是机动单元在k时刻基于模式状态r
k
=j和的运动状态似然函数，是机动单元在k时刻的运动状态似然函数矢量，是机动单元模式状态i转移至j的转移概率，是机动单元在k
‑
1时刻基于的模式状态i后验概率估值，是机动单元在k
‑
1时刻的模式状态后验概率估值矢量，是机动单元在k
‑
1时刻基于模式状态i和的运动状态估值，是机动单元在k
‑
1时刻基于模式状态i和的运动状态估值误差协方差。
[0013]具体的，机动单元运动状态在k
‑
2时刻的估值确定，按照如下形式对、、和进行变换：，，，，其中，是机动单元在k
–
1时刻基于模式状态i、和的运动状态估值；是机动单元在k
–
1时刻基于模式状态i、和
的运动状态估值误差协方差；是机动单元在k
–
1时刻基于和的模式状态i后验概率估值；是机动单元在k时刻基于模式状态j、、和的运动状态似然函数；在最大后验估计下，转移概率的估值为：。
[0014]具体的，通过维特比算法对和进行遍历搜索，获得机动单元运动模型在k时刻的转移概率估值。
[0015]具体的，通过交互式多模型算法，预测机动单元在下一时刻的运动状态。
[0016]有益效果：与现有技术相比，本专利技术能够显著提升运动模式不确定条件下的机动单元运动状态预测结果的准确度，具体来说，已有的Markov跳变系统转移概率估计方法在多模型（MM）理论框架下，通过合并（fusion）策略，对不同转移概率下的机动单元运动状态估值进行加权融合，易导致机动单元运动状态的总体估计性能介于基于不同转移概率的机动单元运动状态估计性能之间，其中，不精确的转移概率会影响总体估计性能，本专利技术提出的方法能够自适应地辨识产生机动单元最优运动状态估计性能的转移概率，从而筛除不精确的转移概率，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于运动模式不确定的机动单元运动状态预测方法，其特征在于，包括：建立多个机动单元的运动模型；对于机动单元在运动过程中适用的运动模型发生转移的转移概率，建立相应的代价函数；在最大后验估计下建立机动单元适用的运动模型的转移概率函数，计算机动单元在当前时刻转移适用各个运动模型的转移概率；基于转移概率和运动模型，预测机动单元在下一时刻的运动状态。2.根据权利要求1所述的用于运动模式不确定的机动单元运动状态预测方法，其特征在于，所述建立多个机动单元的运动模型，包括：通过马尔可夫跳变系统，对机动单元建立多个运动模型。3.根据权利要求2所述的用于运动模式不确定的机动单元运动状态预测方法，其特征在于，运动模型采用如下公式：x
k+1
=A（r
k+1
）x
k
+B（r
k+1
）w
k+1
，y
k
=C（r
k
）x
k
+D（r
k
）v
k
，其中，x
k+1
和x
k
分别是机动单元在k+1时刻和k时刻的运动状态，r
k+1
和r
k
分别是机动单元在k+1时刻和k时刻的离散模式状态，y
k
是机动单元在k时刻的含噪观测值，w
k+1
是机动单元在k+1时刻的过程噪声，v
k
是机动单元在k时刻的观测噪声，A（r
k+1
）是机动单元的运动模型在k+1时刻的转移矩阵，B（r
k+1
）是机动单元的运动状态的过程噪声在k+1时刻的转移矩阵，C（r
k
）是机动单元的运动状态在k时刻的观测函数，D（r
k
）是机动单元的观测噪声在k时刻的转移矩阵。4.根据权利要求3所述的用于运动模式不确定的机动单元运动状态预测方法，其特征在于，所述建立相应的代价函数，包括：通过递推期望最大化算法，建立相应的代价函数。5.根据权利要求4所述的用于运动模式不确定的机动单元运动状态预测方法，其特征在于，所述代价函数如下：函数如下：函数如下：函数如下：，其中，和分别是机动单元的模式状态在k时刻和k
‑
1 时刻的转移概率真值，是机动单元运动模型的转移概率在k时刻前的估值序列，是机动单元运动模型的转移概率在k时刻前的真值序列，<...

【专利技术属性】
技术研发人员：张昕，施晓东，郭锐，王超，陈忠，姜清涛，杨丰源，李磊，姚传明，张良，
申请(专利权)人：中国电子科技集团公司第二十八研究所，
类型：发明
国别省市：