[发明专利]一种基于径向速度的无偏量测转换的多普勒雷达目标运动状态估计方法

说明书

本发明属于多普勒雷达目标跟踪领域，具体涉及一种基于径向速度的无偏量测转换的多普勒雷达目标运动状态估计方法，包括以下步骤：基于多普勒雷达的量测值和量测误差，求取乘性的无偏转换量测等式；利用乘性的无偏转换量测等式，求取乘性的无偏转换量测值的误差协方差矩阵；基于前述误差协方差矩阵，采用卡尔曼滤波算法，对目标运动位置进行估计，得到目标运动估计位置坐标；基于径向速度和目标运动估计位置坐标，采用EKF算法，进行递推序贯卡尔曼滤波算法，完成目标运动状态估计。相对于现有目标运动状态估计方法，本发明所述方法对目标运动状态具有较高的估计精度。

技术领域

本发明属于多普勒雷达目标跟踪领域，具体涉及一种基于径向速度的无偏量测转换的多普勒雷达目标运动状态估计方法。

背景技术

近年来，随着计算机技术在雷达中的应用，极大促进了雷达技术的发展。国内外对雷达技术数字化的工作都十分的重视，其中涉及的方面很多，例如雷达前端信号处理、雷达后端数据处理、雷达目标显示、目标监测等，基于多普勒雷达数据的目标跟踪就是一个研究热点。

多普勒雷达是一种采用多普勒效应来探测运动目标的位置和相对运动速度的雷达，它不像传统雷达需要计算发射和接受间的时间，而是寻找其频率的变化。多普勒雷达的观测量包括：方位角、径向距离、径向速度，其中径向速度也称为相对速度，即目标眼雷达径向的分量，但这一速度总是小于或等于实际的目标速度，仅仅通过多普勒雷达观测到的运动目标径向速度的值，并不能得到目标的实际速度。

同时，一般在目标跟踪系统中，目标的运动状态方法的建立一般是在笛卡尔坐标系下的，而多普勒雷达的量测值一般是在极坐标系下得到的。因此，目标跟踪就成为了一个非线性估计问题。针对这一问题，目前常见的解决方法有两种：1)扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法，通过用转换矩阵的雅克比矩阵(Jacobian矩阵)来替换原先卡尔曼滤波算法中的转换矩阵，然后采用卡尔曼滤波进行估计，即将非线性问题线性化；2)转换量测的卡尔曼滤波(Converted Measurement Kalman Filter,CMKF)算法，将量测值通过一些数学等式替换由极坐标转换到笛卡尔坐标下，然后对转换后的线性量测值进行卡尔曼滤波估计。然而上述两种方法都存在一些问题，扩展卡尔曼滤波算法由于采用泰勒展开式替换舍去了高阶项，会引入误差，导致目标跟踪收敛性不佳有时甚至发散；而转换量测的卡尔曼滤波算法在量测转换的过程中会产生偏差，导致目标跟踪的不一致性。所以如何有效去除转换后量测值的偏差是提高多普勒雷达目标运动状态估计精度的关键所在。

当前的转换量测值去偏的处理方法主要有：去偏量测转换卡尔曼滤波算法(CMKF_D)、无偏量测转换卡尔曼滤波算法(CMKF_U)、修正无偏量测转换卡尔曼滤波算法(Modified_UCMKF) 等。去偏量测转换卡尔曼滤波算法采用加性去偏方法，基于真实值和量测值求解的误差均值和误差协方差阵会比真实的协方差阵大，从而导致估计产生偏差。无偏量测转换卡尔曼滤波算法采用乘性去偏的方法，但其求解转换量测值和误差协方差阵时是基于真实值和量测值两个条件的，这样会引入兼容性问题，导致估计偏差。所以在修正无偏量测转换卡尔曼滤波算法中克服了这一兼容性问题，但仅仅采用量测值为条件来计算误差统计特性会使得滤波增益与量测误差之间存在一定的相关性，导致最终的估计结果同样存在偏差。