基于變結構多模型算法的機動目標無源跟蹤*

毛云祥，牛朝陽 ,張進

(電子工程學院,安徽 合肥 230037)

0 引言

變結構多模型(variable structure multiple-model, VSMM)算法通過對先驗信息以及包含于量測序列的后驗信息處理，來確定當前時刻模型集合，基于此模型集進行濾波估計，最后融合輸出。VSMM算法的核心是模型集自適應(model set adaptation, MSA)；發展高效、通用的MSA是VSMM算法成功的關鍵。自VSMM算法被提出以后，一系列實用的VSMM算法得到發展和應用[1]。期望模式增廣(expected-mode augmentation, EMA)[2]算法是一種高效的變結構多模型算法，它通過對當前模型集中的多個模型加權組合，自適應地生成一個或幾個期望模式來近似目標的實際運動模式，這就使它能夠用較少數量的模型對機動目標進行有效的跟蹤；其任意時刻的模型數目都是固定的，可以看作是基于固定模型集的期望模式增廣算法；然而，并不是固定模型集中的所有模型對目標狀態估計都有積極影響。可能模型集(likely-model set, LMS)算法通過激活、保留、舍棄等措施自適應選擇模型集，在保持交互式多模型(interacting multiple-model ,IMM)算法精度的同時，降低了有效模型集的規模。

基于以上分析，本文將LMS算法的思想引入到EMA算法中，對EMA中的固定模型集進行有效的管理，提出了基于可能模型集的期望模式增廣算法，并將其應用于機動目標的無源跟蹤中。

1 基于可能模型集的期望模式增廣算法

LMS-EMA是一種遞推算法，每一個周期(k-1到k時刻)包括3個部分內容：可能模型集確定，期望模式集生成，基于可能模型集和期望模式集的并集的多模估計。

k時刻的增廣模型Ek可由不同的方法計算得到，采用基于Mk-1的預測模型概率加權可得

(1)

(2)

(3)

(4)

(5)

(6)

EMA-LMS算法的一個周期如下：

1) 運行VSIMM[Mn,Mk-1]周期。

2 仿真實驗

為了驗證本文算法的性能，將其應用于實際的無源雷達跟蹤機動目標的場景中。選擇目標運動模型[11]：

(7)

(8)

針對3維空間中的運動目標進行跟蹤。目標以初始狀態為

x0=(3×104m,388 m/s,3×104m,161 m/s,8×103m,0 m/s)T，在高度為8×103m的近似水平面內運動。為了躲避高炮打擊以及雷達鎖定，目標從某一時刻起，以最大加速度在水平面內作蛇形機動[12]，軌跡如圖1所示。x和y方向的加速度分別為ax和ay，如圖2所示。

圖1 目標運動軌跡Fig.1 Trajectory of maneuvering target

圖2 目標在x和y方向的加速度Fig.2 x and y accelerations

采用基于可能模型集的期望模式增廣算法進行跟蹤。為了說明該算法的優勢，同時給出了IMM、期望模式增廣算法(EMA)的跟蹤結果，其中，模型數目參數K=8。所有算法均進行500次Monte Carlo仿真實驗。這幾種多模型算法均采用13個固定模型，模型對應的x，y，z方向的加速度為a，m/s2。

m1:a=(0,0,0)T,m2:a=(30,30,0)T,

m3:a=(-30,30,0)T,m4:a=(-30,-30,0)T,

m5:a=(30,-30,0)T,m6:a=(0,60,0)T,

m7:a=(-60,0,0)T,m8:a=(0,-60,0)T,

m9:a=(60,0,0)T,m10:a=(60,60,0)T,

m11:a=(-60,60,0)T,m12:a=(-60,-60,0)T,

m13:a=(60,-60,0)T.

固定模型集的概率轉移矩陣Πf=(πij)設計為

(9)

具有期望模式的轉移概率矩陣為Π=(pij)，其中，

p1,14=0.01,pi,14=0.05,i=2,…,13，

pjj=πjj-pj,14,p14,j=0.01,j=1,2,…,13，

(10)

Π中的其他元素與Πf中相同(pij=πij)。

比較幾種算法的位置和速度的均方根誤差如圖3所示。

圖3 位置和速度的均方根誤差Fig. 3 RMS position and velocity errors

從圖3可以看出，LMS-EMA和EMA具有基本相同的跟蹤精度；LMS-EMA則明顯優于IMM算法。原因是IMM算法使用的總模型集是固定網格模型集，而目標運動模式是變化的，經常與任何固定網格模式都不匹配，從而導致跟蹤誤差較大；LMS-EMA算法通過自適應生成一個期望模式，能夠較好地近似目標的運動模式，減小了模式失配，從而降低了跟蹤誤差。

表1給出了幾種算法的性能比較，包括：算法每步迭代所需時間(elapsed time per iteration, ETPI)；位置的均方根誤差均值(RMSPE)；速度的均方根誤差均值(RMSVE)。由于目標模式(加速度) 是時變的，不便于比較。從表中可以看出LMS-EMA算法的計算量大大低于IMM，EMA。另外，在平均均方根誤差方面，LMS-EMA和EMA相近，明顯優于IMM算法。因此，總體來說，LMS-EMA的計算量小；同時保持了EMA算法的精度，是一類高效、精確的跟蹤算法。LMS-EMA算法能夠對空中蛇形機動的目標進行有效的跟蹤。

表1 算法性能Table 1 Performance of IMM, EMA and LMS-EMA algorithm

3 結束語

將本文算法應用于多站無源雷達跟蹤空中蛇形機動目標的場景中，仿真結果表明該類算法具有較小的計算量和較高的跟蹤精度，同時具備了LMS算法計算量小和EMA算法估計精度高的優點。因此，該類算法非常適合應用于多站無源雷達的機動目標跟蹤系統中。

參考文獻：

[1] LI X R,JILKOV V P. Survey of Maneuvering Target Tracking Part V: Multiple-Model Methods[J].IEEE Trans. AES, 2005, 41(4): 1255-1321.

[2] LI X R,JILKOV V P,RU J Feng. Multiple-Model Estimation with Variable Structure-Part VI:Expected-Mode Augmentation[J].IEEE Trans.AES,2005, 41(3): 853-867.

[3] SINHA A, KIRUBARAAJAN T,BAR-SHALOM Y. Application of the Kalman-Levy Filter for Tracking Maneuvering Targets[J]. IEEE Trans. AES, 2007, 43(3): 1099-1107.

[4] LI X R. Engineer’s Guide to Variable-Structure Multiple-Model Estimation for Tracking. In Bar-Shalom Y, Blair W D (Eds.), Multiple-multisensor tracking: applications and advance [M]. Vol.Ⅲ, Boston, MA: Artech House, 2000, ch. 10: 529.

[5] LI X Rong,ZHANG Y M. Multiple-Model Estimation with Variable Structure-Part V: Likely-Model Set Algorithm[J]. IEEE Trans. on AES, 2000,36(2): 448-466.

[6] JIKOV V P,D S. Angelova Semerdjiev. Mode-Set Adaptive IMM for Maneuvering Target Tracking[J].IEEE Trans,1999,35(1):343-350.

[7] SINHA A ,KIRUBARAJAN T,BAR-SHALOM Y. Application of the Kalman-Levy Filter for Tracking Maneuvering Targets[J]. IEEE Trans.AES,2007,43(3):1099-1107.

[8] YANG C,BAKICH M,BLASCH E P.Pose Angular-Aiding for Maneuvering Target Tracking[C]∥Proceedings 2005 International Conference on Information Fusion, 2005：576-582.

[9] Oliver Payne,Alan Marrs.An Unscented Particle Filter for GMTI Tracking[C]∥ 2004 IEEE Aerospace Conference Proceeding,2004:1869-1875.

[10] JULIER S J,UHLMANN J K.Unscented Filtering and Nonlinear Estimation[J]. Proc. IEEE,2004,92(3): 401-422.

[11] JULIER S J,UHLMANN J K,DURRANT-WHYTE H F.A New Method for The Nonlinear Transformation of Means and Covariances in Filters and Estimators[J].IEEE Trans. Automatic Control,2000,45(3):477-482.

[12] LI X R,JILKOV P. Multiple-Model Estimation with Variable Structure-Part VI: Expected-Mode Augmentation[J]. IEEE Trans on AES,2005，41(3)：853-867.