[发明专利]一种克服雷达扩展卡尔曼航迹滤波发散的方法

说明书

本发明公开的克服雷达扩展卡尔曼航迹滤波发散的方法，包括：按照常规扩展卡尔曼滤波方法进行系统建模；假设航迹滤波k时刻的状态为X(k|k)、协方差矩阵为P(k|k)；对k时刻状态进行一步预测，得到k+1时刻的预测状态和预测协方差矩阵；采用修正矩阵或修正系数对预测协方差矩阵进行防发散处理得到修正后的预测协方差矩阵；通过雷达探测目标系统k+1时刻的测量值对预测状态进行更新，计算新息向量、新息协方差矩阵和卡尔曼增益矩阵，计算过程中用修正后的预测协方差矩阵代替原始预测协方差矩阵；计算k+1时刻的目标状态和协方差矩阵。本发明修正了滤波输出趋势，使滤波结果精度有所提高，有效克服了航迹滤波中出现的发散情况。

技术领域

本发明涉及卡尔曼航迹滤波数据处理技术领域，具体涉及一种克服雷达扩展卡尔曼航迹滤波发散的方法。

背景技术

航迹滤波是雷达数据处理算法的重要组成部分，能将雷达探测点迹滤波形成连续航迹输出，有效提高雷达目标探测跟踪精度。扩展卡尔曼滤波是最为常用的一种航迹滤波算法，常规的扩展卡尔曼滤波算法通过建立系统状态方程，结合对系统的实际观测数据，实现对系统状态的最优估计。

目前技术存在的问题及缺点：

1)在雷达对空探测领域，尤其是军用场景下，探测目标往往是高速、高机动目标，常规的目标运动模型（如常速度模型、常加速度模型）无法在长时间段内准确描述目标的运动规律，导致卡尔曼滤波算法失去最优性，严重时甚至产生较大偏差出现滤波发散的情况。

2)常规扩展卡尔曼航迹滤波的精度很大程度上依赖于对目标运动过程建模的逼真程度，为此，有人提出了更加复杂的目标运动方程模型，甚至通过不同运动模型的组合来建立更逼真的运动模型。然而，复杂运动模型在工程实现上是困难的，而且，即使是复杂的运动模型，也不能够完全准确描述目标的所有运动过程，尤其是在目标进行高速大机动运动时。当存在多个运动目标时，该问题会更加严重。

3)也有将常规扩展卡尔曼滤波修改为平方根滤波的形式，即采用平方根扩展卡尔曼滤波方法，来克服航迹滤波发散的问题。但是这种方法仅适用于以前硬件计算能力弱，计算精度低的条件下滤波运算过程中可能出现奇异矩阵的情况，对系统方程无法准确描述真实系统过程的问题起不到任何作用。如今随着硬件能力的提升，高精度浮点计算已不是问题，平方根扩展卡尔曼滤波使用场景将进一步得到限制。

公开号为CN110455287A的发明专利自适应无迹卡尔曼粒子滤波方法提供了偏粒子滤波流程，也能够抑制滤波发散的问题，但其应用场合为测量值出现错误时候的一种修正手段，并不适用于测量值本身是正确的，而由于系统建模原因导致预测值不准，航迹会出现发散的情况。

发明内容

发明目的：为了解决雷达航迹滤波中目标运动方程模型无法长时间准确描述目标运动特性从而导致目标滤波航迹发散的问题，本发明提供一种克服雷达扩展卡尔曼航迹滤波发散的方法，以修正滤波输出趋势，提高滤波结果精度，克服航迹滤波中可能出现的发散情况。

技术方案：本发明所述克服雷达扩展卡尔曼航迹滤波发散的方法，包括如下步骤：

（1）按照常规扩展卡尔曼滤波方法进行系统建模，建立雷达探测目标系统的状态方程和测量方程；

（2）假设雷达探测目标系统航迹滤波上一时刻为k，则k时刻的状态为X(k|k)、协方差矩阵为P(k|k)；

（3）对k时刻状态进行一步预测，得到k+1时刻的预测状态X(k+1|k)和预测协方差矩阵P(k+1|k)；