一種無人飛行器監控數據預處理方法

(中國洛陽電子裝備試驗中心， 河南濟源 454650)

0 引言

近年來，隨著航空業、自動控制及微電子技術的迅猛發展，無人機的性能不斷提高，其在軍民航各方面的應用得到了廣泛的共識，無法實時動態監控、飛行調配困難等隨之而來的不安全因素也逐漸增多[1]。空管系統是一種有效監控有人駕駛航空器的自動化平臺，但是對無人飛行器的監控數據并不兼容，本文提出一種基于自適應卡爾曼(Kalman)濾波的無人飛行器監控數據預處理方法，將來自各傳感器監測無人飛行器的航跡數據通過一系列變換和平滑濾波，統一數據格式后，發送到空管系統指揮中心進行顯示，確保各類無人飛行器的監控數據能夠被空管系統兼容，從而達到對數據的有效利用。

1 預處理流程設計

預處理流程設計如圖1所示，系統接收到各類監控設備的無人飛行器數據后，首先通過數據幀判別無人飛行器的類型，接下來從遙測信息幀中提取出目標的位置信息并進行坐標變換，之后對各航跡數據進行野值判別、剔除與平滑濾波，最后按照空管系統的標準格式對無人飛行器航跡信息進行封裝，將數據發送到空管系統指揮中心進行顯示。

2 空間對準

所謂空間對準就是把接收到的傳感器數據變換到一個公共的空間參考系上[2-3]，以便與目標數據庫或航跡文件中的其他測量數據融合。某指揮中心接收到的數據中主要使用大地直角坐標系、極坐標系和參考點直角坐標系等幾種類型的坐標參考系，它們是獨立的測量，并且參考點直角坐標系根據目標測量設備的不同，參考點的選取也是不一樣的，所以數據融合前要對所有數據進行空間對準。針對該指揮中心的情況，主要是接收到數據時先對所有數據進行坐標轉換，將所有的數據統一到大地直角坐標系下進行融合計算，并盡量地壓縮算法，減少轉換次數，在地圖顯示前轉換到參考點坐標系和極坐標系，實時準確地顯示目標航跡。

3 基于改進“當前”統計模型的自適應Kalman目標濾波算法

為提高對目標的跟蹤精度，指揮中心對接收到的各傳感器探測目標航跡數據進行平滑濾波，以獲得每條航跡的最佳估計值，確定最終的航跡。根據無人飛行器的飛行特點，其在飛行過程中一般沿預訂航線作勻速或勻加速直線運動，但也可能出現某些機動，如緩慢轉彎、遇到陣風或大氣湍流等，因此指揮中心采用自適應Kalman濾波算法對無人飛行器的航跡進行濾波處理，得出目標狀態信息的最優估計值，以提高跟蹤監視的精度。平滑濾波的關鍵是跟蹤設定的目標模型與實際的目標動力學模型的匹配問題，常用的目標跟蹤模型包括CV、CA、Singer、“當前”統計模型等[4-5]。

CV和CA模型只適用于跟蹤勻速和勻加速直線運動目標，Singer模型中許多參數需預先設定，在實際中很難實現，“當前”統計模型是目前公認的一種較為符合實際的運動模型，該模型能夠根據目標的“當前”加速度對機動加速度方差進行自適應地調整，進而對狀態噪聲協方差矩陣自適應調整。

3.1 基于“當前”統計模型的自適應Kalman目標濾波算法

無人飛行器運動的離散時間系統狀態方程可表示為

(1)

(2)

(3)

(4)

(5)

式中，T為采樣周期，α為機動頻率。

離散時間觀測模型可表示為

Z(k+1)=H(k+1)X(k+1)+V(k+1)

(6)

式中，H(k+1)為測量矩陣，V(k+1)為零均值高斯白噪聲序列，其協方差為R(k+1)。

基于“當前”統計模型的Kalman濾波算法的基本步驟為：

(7)

2) 根據前一次得到的濾波誤差方差陣P(k/k)計算預測誤差方差陣：

P(k+1/k)=F(k)P(k/k)FT(k)+Q(k)

(8)

3) 計算Kalman增益：

K(k+1)=P(k+1/k)HT(k+1)[H(k+1)P(k+1/k)HT(k+1)+R(k+1)]-1

(9)

4) 計算濾波估計值：

(10)

5) 計算濾波誤差方差陣：

P(k+1/k+1)=[I-K(k+1)H(k+1)]·

P(k+1/k)

(11)

只要給定濾波初值X(0/0)和P(0)，在任意時刻，根據量測值Z(k)，就可以遞推出該時刻的狀態估計值X(k/k)。

3.2 改進算法模型

本文提出一種改進的算法，根據當前加速度的大小給出當前最大加速度，根據濾波新息的變化，自適應調整機動頻率，實現對目標更為精確的跟蹤。

a=0,b=3

(12)

則當前最大機動加速度為

(13)

F(k)和Q(k)都是機動頻率α的函數。所以可以通過改變α來調整F(k)和Q(k)，能使其更符合目標的真實運動狀態。

(14)

3.3 仿真驗證

為了驗證改進后算法的性能，下面對某無人飛行器的一段勻速—勻加速—勻速運動進行仿真分析，假設飛行器起點坐標為坐標原點，在1～50 s作X,Y向的速度均為100 m/s的勻速直線運動，在51～80 s作X,Y向的加速度均為2 m/s2的勻加速運動，在81～100 s恢復勻速直線運動，某傳感器接收機采樣周期為T=1 s，測量誤差標準差為30 m，amax=9g,a-max=-9g，機動頻率α的初始值設定為0.05。采用100次的蒙特卡洛仿真實驗對改進后的算法與傳統“當前”統計模型算法進行比較，選取跟蹤飛行器的位置均方根誤差(RMSE)作為評估指標。結果如圖2、圖3和表1所示。

圖2 X軸均方根誤差曲線

圖3 Y軸均方根誤差曲線

算法模型X軸RMSE/mY軸RMSE/m“CS”模型24.843725.2753改進“CS”模型19.124520.1935

從仿真結果可以看出，本文提出的改進算法能夠進一步提高對目標的跟蹤精度，尤其當目標作弱機動和非機動運動時，改善效果更加明顯。

4 野值判別和剔除

(15)

由于d(k+1)是均值為零的高斯隨機量，其協方差矩陣為

E[d(k+1)dT(k+1)]=

H(k+1)P(k+1/k)HT(k+1)+R(k+1)

(16)

式中，P(k+1/k)表示預測誤差協方差矩陣，R(k+1)為量測噪聲協方差矩陣。

利用預測殘差的上述統計性質可對Z(k+1)的每個分量進行判別，判別式為

|di(k+1)|≤

(17)

式中，下角i,i表示矩陣對角線上的第i個元素，di(k+1)表示d(k+1)的第i個分量，C為常數，可取3或4。如果上式成立，判別zi(k+1)為正確觀測量，反之，判別zi(k+1)為野值，剔除該點測量值，并用預測值代替測量值[7]。實際試驗過程中，雖然大部分航路是勻速直線運動，但總避免不了拐彎和上升下降等機動情況出現。這些機動情況下，容易導致濾波發散，為了避免發散引起的故障，如果連續剔除點數超過5個，則認為目標丟失，濾波重新開始，下一時刻到來時，對局部濾波器重新賦初值。

根據以上對野值點的判別和處理，結合試驗實測數據，野值剔除效果如圖4所示，由圖可以看出，采用該算法能夠有效地剔除野值點。

圖4 野值點剔除效果比對

5 標準數據格式

慣導、一次雷達、二次雷達、遙測遙控和GPS等能夠提供無人飛行器監控數據的平臺和裝備各不相同，它們的數據幀格式也不盡相同，在進入空管系統處理顯示之前必須要將數據幀格式進行統一，規范其數據格式，經預處理過后的統一數據格式為：

struct TargetInfor

{

BYTE m_dataFrom; //數據來源

BYTE m_dataTo;

//數據發送目的地

BYTE m_dataType; //數據類型

unsigned short m_dataLength;

//數據長度

unsigned long m_Time; //時間

BYTE m_nTargetSN; //目標序號

double m_X,m_Y,m_Z; //X,Y,Z坐標

float m_A,m_E,m_D;

//方位角、高低角、斜距離

float m_fSpeed; //速度

BYTE m_nTraceStatus; //跟蹤狀態

};

6 結束語

本文提出了一種自適應Kalman濾波的無人飛行器監控數據預處理方法，通過對來自慣導、一次雷達、二次雷達、遙測遙控和GPS等無人飛行器監控數據進行預處理，使這些數據能夠和空管系統進行兼容，并輸入到空管系統進行處理顯示，自動生成可視化信息，使雷達管制員席位能夠及時準確顯示無人航空器的高度、速度和位置，為飛行管制員提供準確的無人航空器監控平臺，實現了對無人升空平臺的雷達管制，經過測試對比，檢驗了所用技術方法的合理性和可行性。