[发明专利]基于伪测量的带反馈机动目标异步航迹融合算法

摘要

本发明公了一种基于伪测量的带反馈机动目标异步航迹融合算法，首先对模型集进行输入交互，按照模型概率及模型转移概率计算各个模型的滤波初值；然后，融合中心基于卡尔曼滤波算法计算一步预测值，获取到滤波周期内新的传感器量测信息后，按照时间轴顺序排列，向融合时刻进行递推，将传感器观测矩阵、噪声、模型预测等信息加入其中，执行异步航迹融合；之后，进行二次滤波计算模型输出，在融合中心进行输出交互得到融合中心估计值和估计误差矩阵，并反馈回到符合反馈条件的传感器。本发明通过引入带反馈的融合结构来提升算法的整体精度，使之在多传感器机动目标跟踪中取得更好的效果。

主权项

一种基于伪测量的带反馈机动目标异步航迹融合算法，包含以下步骤：第一步：对于目标跟踪，融合中心将目标的复杂的运动形式分解为简单运动形式的运动模型，将运动模型输入模型集按照上一时刻tk‑1计算的模型概率μ(k‑1)以及模型转移概率，计算各运动模型使用的滤波初始状态与初始误差协方差其中，序号j表示序号为j的运动模型，m表示模型集中的运动模型的数量，k表示序号为k的时刻；第二步：使用卡尔曼滤波算法计算滤波信息一步预测值；第三步：在时间段(tk‑1,tk]内，按照时间轴顺序获取并排列各传感器的量测信息其中Nk表示该时间段内的量测总数；第四步：对应运动模型j，利用传感器获取到的量测信息向时刻tk进行递推，计算参数与Mki=ΦT(tki,tk)[(Pki)-1-(Pki-)-1]Φ(tki,tk)]]>其中，与分别表示传感器i的一步预测状态估计与一步预测得到的误差协方差阵，与则表示状态估计与误差协方差阵后验估计值，表示传感器i探测获取的测量；第五步：对应运动模型j的参数与执行该运动模型j异步航迹融合算法，计算运动模型j一步预测值和预测误差协方差矩阵；第六步：对应运动模型j，使用二次滤波算法，获取最新的局部航迹信息作为观测点进行卡尔曼滤波，计算该运动模型的输出，即目标状态估计及其误差协方差估计第七步：更新模型概率和模型转移概率，并使用运动模型的输出，计算该时刻融合中心的最终输出目标的状态估计和目标的误差协方差估计第八步：检测各传感器的更新时刻，对符合条件的传感器i设计信息反馈通道，则有