多級火箭主動段實時自適應跟蹤算法*

黃 普,孫守明,李恒年

(宇航動力學國家重點實驗室,西安 710043)

多級火箭主動段實時自適應跟蹤算法*

黃 普,孫守明,李恒年

(宇航動力學國家重點實驗室,西安 710043)

多級火箭主動段跟蹤主要采用基于當前統計模型的解耦卡爾曼濾波方法,當前統計模型的機動參數不能自適應變化時,在級間分離段會出現濾波突跳問題。針對于此,文中提出模型參數自適應計算方法,同時,采用容積卡爾曼濾波方法替換傳統的解耦卡爾曼濾波方法。通過對某次火箭飛行實測數據分析,該算法能有效抑制濾波突跳問題,算法的穩定性及收斂性與傳統方案相比有較為明顯的改善,適用于多級火箭主動段跟蹤。

多級火箭;主動段;當前統計;容積卡爾曼濾波

0 引言

主動段火箭跟蹤是指從包含噪聲的觀測信息中提取有效信息實時估計位置、速度等狀態信息,跟蹤的性能主要依靠模型建立與濾波算法。

在主動段模型建立方面,動力學建模[1-3]是早期主要手段,通過對火箭的受力和主動力進行模型建立,然而,火箭主動段飛行過程中的受力異常復雜,很難準確建模,同時,復雜的動力學模型也不適應任務的實時性。于是,運動學模型出現了,首先應用的是多項式模型[1],滿足大多數情況,但是,在火箭大機動段容易出現濾波不穩的現象;為此,引入當前統計模型[4-5],通過修正瑞利分布來描述機動加速度,符合目標的機動特性,然而,模型性能的發揮需要依靠加速度最大幅值與機動頻率的實時準確設置。文獻[4-8]分別提出不同的設置方法,能在一定程度上解決參數設置問題,但加速度最大值對濾波性能的影響依然存在,為此,文中從模型的適用性出發,給出符合目標特性的當前加速度最大幅值與機動頻率的實時自適應計算方法。

在濾波算法方面,常用的方法是擴展卡爾曼濾波(EKF),由于EKF需要計算Jacobian矩陣,給系統帶來復雜性,同時線性化過程容易帶來較大的誤差[1]。文獻[9]提出無味卡爾曼濾波(UKF),它通過UT變換,選擇(2n+1)個Sigma樣點來逼近樣本非線性變換參量的矩,能達到真實值的三階精度,精度高于EKF,但采樣過程需要設置正確濾波參數。文獻[10-11]提出了基于Cubature變換的容積卡爾曼濾波(cubature kalman filter,CKF),根據Cubature準則,通過2n個等權值的采樣點逼近樣本非線性變換參量的矩,簡單的采樣原則、對高維系統的適應性,更適合工程應用。

因此,文中將自適應當前統計模型與容積卡爾曼濾波方法融合,提出多級火箭主動段實時跟蹤濾波算法。實測數據分析表明,該算法能有效抑制多級火箭分離段濾波突跳問題,自適應計算方法符合預期。

1 模型構成

1.1 狀態方程

當目標進行機動時,加速度采用零均值概率分布顯然是不正確的,可以通過一階相關模型來表示,輸入為白噪聲:

(1)

X(k+1|k)=f(X(k+1|k)，W(k))=

(2)

(3)

在當前統計模型中,假定加速度的概率密度分布為修正瑞利分布。

當目標“當前”加速度為正且小于最大幅值時,均值和方差分別為:

(4)

當目標“當前”加速度為負時,均值和方差分別為:

(5)

2 模型分析

2.1 加速度最大幅值影響分析

由式(4)、式(5)可知:

(6)

(7)

由式(6)、式(7)可知系統方差由加速度最大幅值決定;當最大幅值的模減小時,系統方差變小,從而影響模型誤差矩陣,進而增大卡爾曼濾波增益,跟蹤精度提高,但系統帶寬變小,跟隨目標性能降低。當加速度最大幅值的模增大時,系統方差變大,從而影響系統模型誤差矩陣,進而降低卡爾曼濾波增益,提高了系統跟隨性能,但系統方差變大,跟蹤精度降低。如果不能準確設置加速度最大幅值,勢必降低濾波跟蹤能力。2.2 模型適用性分析

假設加速度大于零,且x∈[0,amax],滿足瑞利分布,即:

(8)

((9)

則有:

((10)

因為:

(11)

代入式(8)可知:

1)加速度極值自適應

在多級火箭主動段運動建模時,我們所關注的是火箭機動加速度的最大最小幅值,基于2.1節、2.2節模型分析,可以通過自適應改變當前目標加速度的模,從而改變模型方差,提高目標跟蹤能力,此時最大幅值計算公式為:

((12)

2)機動常數自適應

((13)

同樣,為了保證模型穩定性,實際計算中可以通過引入漸消因子λb∈(0,1)和λα∈(0,1)限制αk的大小。漸消因子的計算方法如下所示:

((14)

3 容積卡爾曼濾波器

容積卡爾曼濾波方法是一種新的狀態估計方法,他的核心是通過2n個等權值的容積點數值積分計算非線性變換后的隨機變量均值和協方差。與傳統的EKF、UKF和PF相比,容積卡爾曼濾波方法具有更簡單的形式、更高的數值精度與濾波穩定性。

標準容積卡爾曼濾波算法如下:

(1)初始化

(2)時間預測

a)計算容積點

式中:ei為單位陣。

b)計算傳播的容積點

c)估計預測均值和方差陣

(3)觀測更新方程

a)計算容積點

b)容積點傳播

c)計算觀測預測值、新息方差和協方差矩陣

d)計算觀測更新

4 數據分析

為了驗證該算法的性能和精度,本節根據某次火箭實測數據,分析比較了傳統的多項式解耦濾波方法、當前統計解耦濾波方法與實時自適應融合跟蹤方法的差異。

采用三套USB雷達設備跟蹤多級火箭主動段飛行過程,各個設備的數據頻率為1 s,測距噪聲為20 m,測角噪聲為0.025°。由于各個雷達系統位置不同,跟蹤時間也有所不同,分段跟蹤俯仰變化如圖1,火箭飛行加速度變化如圖2。

圖1 測量系統分段跟蹤俯仰變化曲線

圖2 火箭飛行加速度變化曲線

采用多級火箭主動段實時自適應融合跟蹤算法時,當雷達系統跟蹤上目標后,濾波器根據多個測站觀測數據進行融合估計,目標失鎖后,該測站退出濾波器。

采用傳統的多項式解耦卡爾曼濾波方法、當前統計解耦卡爾曼濾波方法及文中的實時融合自適應濾波方法對同一主動段的多級火箭目標進行跟蹤測量。為清楚表達三種方法濾波效果,可通過近地點高度變化、軌道高度及軌道速度變化曲線比較,如圖3～圖5。

圖3 三種算法的近地點高度變化曲線

圖4 三種算法的軌道高度變化曲線

由圖3～圖5可以看出,三種算法在出現機動后,多項式解耦卡爾曼濾波會進入長時間的恢復期,而當前統計解耦卡爾曼濾波與自適應融合濾波能避免目標大機動時的濾波精度跳躍,輸出更加穩定,但當前統計解耦卡爾曼濾波需要獲得一些先驗信息,當對加速度最大幅值未能準確設定時,輸出精度較差,如設置最大加速度為50 m/s2,與實際最大加速度不符,近地點高度變化曲線如圖6。

圖5 三種算法的軌道速度變化

圖6 當前統計濾波近地點高度變化曲線

5 結論

文中針對多級火箭主動段實時彈道跟蹤問題,提出一種自適應“當前”統計模型的實時融合濾波算法,該算法通過對當前統計模型的適用性分析,實時計算加速度最大幅值,增強了模型的適用性,具有很強的跟蹤性能,同時,采用容積卡爾曼濾波替換解耦卡爾曼濾波,可以更好解決非線性濾波問題。試驗結果表明,該方法更為真實地反映火箭主動段的運動變化,自適應算法效果符合預期,算法的穩定性及收斂性與傳統方案相比有較為明顯的改善。

[1] 周宏仁, 敬忠良, 王培德. 機動目標跟蹤 [M]. 北京: 國防工業出版社, 1991: 56-63.

[2] 張濤, 安瑋, 周一宇, 等. 基于推力加速度模板的主動段彈道跟蹤方法 [J]. 宇航學報, 2006, 27(3): 386-388.

[3] 張濤, 安瑋, 周一宇. 基于UKF的主動段彈道跟蹤算法 [J]. 彈道學報, 2006, 18(6): 16-18.

[4] 巴宏欣, 何心怡, 方正, 等. 機動目標跟蹤的一種新的方差自適應濾波算法 [J]. 武漢理工大學學報, 2011, 35(6): 449-452.

[5] 孫福明, 吳秀清, 祁凱. 基于當前統計模型的自適應強跟蹤算法 [J]. 數據采集與處理, 2008, 23(2): 191-194.

[6] 喬向東, 王寶樹, 李濤, 等. 一種高度機動目標的當前統計Jerk模型 [J]. 西安電子科技大學學報(自然科學版), 2002, 29(4): 534-539.

[7] 陳利斌, 佟明安. 機動目標跟蹤的交互式多模型自適應濾波算法 [J]. 火力與指揮控制, 2000, 25(4): 36-42.

[8] 劉海燕, 趙宗貴, 劉熹, 等. 一種機動目標的自適應跟蹤算法 [J]. 武漢理工大學學報(交通科學與工程版), 2007, 31(2): 341-344.

[9] JULIER S J, UHLMAN J K. A new extension of the Kalman filter to nonlinear systems [J]. Proceed of the Society of Photo-optical Instrumentation Engineers, 1997, 3068(3): 182-193

[10] ARASARATNAM Ienkaran, HAYKIN Simon. Cubatrue Kalman filters [J]. IEEE Translate on Automatic Control, 2009, 54(6): 1254-1269.

[11] 孫楓, 唐李軍. Cubature卡爾曼濾波與Unscented卡爾曼濾波估計精度比較 [J]. 控制與決策, 2013, 28(2): 304-312.

A Real-time Adaptive Tracking Algorithm for Multi-stage Rocket Boost Phase

HUANG Pu,SUN Shouming,LI Hengnian

(State Key Laboratory of Astronautic Dynamics, Xi’an 710043, China)

Multistage rocket boost phase tracking mainly adopted decoupling Kalman filtering method based on current statistical model, when the maneuvering parameters of the current statistical model could not be adaptive to changes, separating section would take on filter kicking. To solve this problem, an adaptive calculation of model parameters was put forward and the cubature Kalman filter was used to solve nonlinear filtering problem. Through the analysis of measured data of a certain rocket flight, the algorithm could effectively restrain filter kicking, and the stability and convergence of the algorithm were obviously better than traditional scheme, and it was suitable for multistage rocket boost phase tracking.

multi-stage rocket; boost phase; “current” statistical; cubature Kalman filter

2015-11-06

國家自然科學基金(61302098);國家高技術研究發展計劃(863計劃)(2008AA000000)資助

黃普(1982-),男,陜西韓城人,工程師,碩士,研究方向:航天器動力學與控制。

V557

A