[发明专利]无人机目标跟踪系统的构建方法及应用

说明书

本发明公开了一种基于测量误差校正的无人机目标跟踪模型构建方法，将独立增量原理引入到CDKF算法中，用以提高无人机机载雷达对机动目标跟踪的精度。根据机动目标的状态向量和搭载机载雷达设备的无人机的状态向量通过机动目标的状态方程X_k＝Φ_k/k‑1X_k‑1+w_k‑1和量测方程构建为无人机目标跟踪模型。本发明还公开了一种采用上述无人机目标跟踪模型构建方法构建的模型的应用，用于建立基于ICDKF模型的目标跟踪滤波器以实现无人机对机动目标的跟踪。该应用方法利用ICDKF算法对机动目标的位置、速度和加速度进行估计，从而达到减少量测方程中未知系统误差对机动目标状态估计的影响，降低滤波发散的现象，提高目标跟踪的滤波精度，增强滤波的稳定性。

技术领域

本发明属于机动目标追踪和非线性滤波算法的技术领域，具体涉及一种无人机目标跟踪系统的构建方法及应用，用于提高无人机对目标的跟踪精度。

背景技术

无人机对机动目标的跟踪监视是无人机应用领域的重要研究内容，受到了广发的关注。无人机通过机载雷达等设备测量机动目标的距离和角度等信息，实现对目标的坐标和轨迹进行精确估计，并对未来目标位置做出精准预测。而对机动目标进行稳定跟踪的首要问题是对目标的状态估计。目前在目标跟踪领域常见的估计滤波算法有维纳滤波、α-β滤波、卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波和粒子滤波器等滤波器。但是在工程实践中，对机动目标的测量数据往往含有未知的系统误差，忽略这些未知系统无法的影响，将会极大地降低机动目标的位置、速度和加速度的状态估计精度，甚至会导致滤波器发散。

基于斯特林插值原理的中心微分卡尔曼滤波(CDKF)是一种平衡了了非线性状态估计精度与计算复杂度之间的矛盾的有效算法。

发明内容

考虑到目标跟踪的机载雷达的测量数据往往含有未知的系统量测误差的问题，本发明将独立增量原理引入到CDKF算法中，提出了能够有效消除目标轨迹跟踪测量数据中未知系统误差的增量中心微分卡尔曼滤波(ICDKF)方法，用以提高无人机机载雷达对机动目标跟踪的精度。

为解决上述技术问题，本发明采用如下技术方案：

设计一种无人机目标跟踪系统的构建方法，包含以下步骤：

步骤一，选择与机动目标运动模式匹配的运动模型一、与搭载机载雷达的无人机运动模式匹配的运动模型二，以恒定时间t为间隔获取机动目标的状态向量无人机的状态向量搭载机载雷达的无人机实际测得其与机动目标的距离和角度的一系列样本数据，其中，在k时刻，x_k为水平方向的位置；为水平方向的速度；为水平方向的加速度；y_k为垂直方向的位置；为垂直方向的速度；为垂直方向的加速度；T表示矩阵的转置；

在笛卡尔坐标下，机动目标做平面匀加速直线运动，取机动目标的状态向量为基于机动目标的坐标、速度和加速度建立机动目标的运动学模型：

X_k＝Φ_k/k-1X_k-1+w_k-1 (1)

搭载机载雷达的无人机的状态向量取为其运动模型为

式中，噪声向量为零均值高斯白噪声，满足δ_kj为Kroneckerδ函数，即有当k＝j时，δ_kj＝1；当k≠j时，δ_kj＝0；

其中式(1)、(2)的状态转移矩阵为：

步骤二，通过无人机搭载的机载雷达测得无人机和机动目标的距离、角度，以此作为量测值，建立相应的量测方程；但是考虑到量测值中的未知系统误差，基于独立增量原理建立机载雷达的增量量测方程：