基于强跟踪滤波器的机动航天器跟踪定位

合集下载

基于强跟踪滤波的传感器目标跟踪算法

基于强跟踪滤波的传感器目标跟踪算法曾明【摘要】In order to improve the tracking precision, a novel wireless sensor networks tracking algorithm based on strong tracking filtering algorithm is proposed in this paper. Firstly, the messages which are collected by wireless sensor nodes are sent to the fusion centre, and then, cholesky factorization technology is used to establish the state equation, and strong tracking filtering technique is introduced to estimate target tracking, finally the simulation experiments are carried out to test the performance. The results show that the proposed algorithm has higher estimation precision and the robustness compared with other algorithms.%为了提高运动目标的跟踪精度,提出一种基于强跟踪滤波的传感器目标跟踪算法.首先通过传感器节点测量目标的状态值,并通过融合中心对信息进行融合,然后利用Cholesky分解技术变换成噪声独立的量化融合系统,并采用强跟踪滤波算法对目标状态进行估计,最后与其它目标跟踪算法进行对比实验.结果表明,本文算法不仅提高了目标跟踪的精度,而且具有更好的鲁棒性.【期刊名称】《电子测试》【年(卷),期】2017(000)004【总页数】5页(P31-34,37)【关键词】目标跟踪;无线传感器网络;强跟踪滤波算法;信息融合【作者】曾明【作者单位】湖南现代物流职业技术学院,湖南长沙,410131【正文语种】中文目标跟踪是计算机研究领域一个重要问题，其在军事、交通、监控、工程控制等领域有巨大的应用价值，引起了人们的广泛关注[1]。

基于强跟踪滤波器的MIMU_GPS组合导航系统

系统采用伪距、伪距率紧密组合方式。系统校正采用
反馈校正。组合滤波器采用强跟踪滤波器。组合导航系统方案如图 2所示。
图 2 组合导航系统方案
按组合深度的不同, 惯导和 G PS的组合可分为松散组合和紧密组合。松散组合是一种低水平的组合, 惯导和 GPS独
AB STRACT: M IM U /GPS integrated nav igation system based on STF is des igned and imp lem ented on the back g round o f practical eng ineer ing applications. T he system hardware a rchitec ture and a lgo rithm a re designed based on the softw are rad io platfo rm. The w ho le sy stem has strong flex ib ility and scalab ility. M IMU and G PS are coup led tight ly used pseudo- range and pseudo- range rate inform ation. T he ST F is used fo r the optim a l estim a tion of the system, w hich has strong robustness. F eedback correction is adopted. In orde r to ver ify the e ffectiveness o f the system, som e experim ents a re carr ied out. T he resu lts show tha t the system is feasible, and m eets the requ irem ents. K EYW ORDS: T ightly coupled sy stem; ST F; M IMU; Integ ra ted nav igation system; S INS

基于强跟踪滤波的天基仅测角卫星定位算法

跟踪、多传感器信息融合。Ｅ — ｍａｉｌ：ＣｈｅｎＨａｕｔｈｏｒ＠１６３．ｃｏｎｒ。
的状态矢量为Ｘ＝［，Ｔ，Ｔ］，其中，ｒ＝［Ｙ］
科
学
技
术
与
工
程
１３卷
和，＝［Ｙｚ］分别表示目标卫星在Ｊ２０００．０地心惯性坐标系中的位置矢量和速度矢量。卫星运
态估计不准，甚至发散。在ＥＫＦ卫星无源定轨跟踪的基础上，引人次优渐消因子，减小了过去数据
的影响，使得滤波值更多地依赖于定性。
卫星中，有很多可以通过照相，截获目标卫星信号等方式工作，它们可以完全做到隐蔽地对目标卫星
由状态微分方程（１）可得到离散状态方程
，
ｋ＋１
Ｘ（ｋ＋１）一Ｘ（）＝ＩＦ［Ｘ（ｔ）］ｄｔ（７）
ＦＩＸ（ｔ）］可在ｔ附近展开为Ｔａｙｌｏｒ级数：
Ｆ［Ｘ（ｔ）］一［Ｘ（ｋ）］＋Ａ［Ｘ（ｋ）］Ｆ［Ｘ（ｋ）］ △ ￡（８）
１定位方法
假设在以地心为原点的地心惯性坐标系中，将地球和卫星看作两个做无摄二体运动的质点来考虑。高轨的观测卫星可通过光学或截获低轨目标
卫星的信号等手段获得角度测量信息。卫星的
运动通常是在地心坐标系下表示的，而角度的测量值是在卫星质心轨道坐标系中获得的ｕ。图１为

基于强跟踪器的机动航天器相对动态定位算法

工程与电子技术
ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ
Ｖ０１．３７Ｎｏ．５
Ｍａｖ２Ｏ１５
２０１５年５月
文章编号：１００１ — ５０６Ｘ（２０１５）０５ — １１４００６
去偏转换测量算法，克服了球坐标系与直角坐标系的转换偏差问题。仿真实验表明，该算法在初值敏感性和相对
机动恢复性上均强于其他算法，适用于脉冲推力、有限推力等多种情况下机动航天器间精确动态相对定位。
Ｄｙｎａｍｉｃｒｅｌａｔｉｖｅｐｏｓｉｔｉｏｎｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｍａｎｅｕｖｅｒｉｎｇｓｐａｃｅｃｒａｆｔ
ｂａｓｅｄｏｎｓｔｒｏｎｇｔｒａｃｋｉｎｇｆｉｌｔｅｒ
Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｐｒｏｂｌｅｍｏｆｐｒｅｃｉｓｅｄｙｎａｍｉｃｒｅｌａｔｉｖｅｐｏｓｉｔｉｏｎｉｎｇｂｅｔｗｅｅｎｍａｎｅｕｖｅｒｉｎｇｓｐａｃｅｃｒａｆｔ，ａｄｙ —
ＨＵＡＮＧＰｕ，ＱＩＡＮＳｈａｈ，ＸＩＥＸｉｎ，ＳＵＮＳｈｏｕ — ｍｉｎｇ

噪声相关情况下的强跟踪滤波器在飞行器姿态确定中的应用

公式（７）：
而ｐ＝１ｑ＝ｈ＝ｔａｎ（）ＣＯＳ０／２
＋４（）
（１）
Ｍ
一
】＋
㈩
式中，ｐ＝［ＰＰ２Ｐ３］，０和ｈ分别表示旋转角和
单位旋转向量。由ＭＲＰｓ表示的姿态运动学方程为公式（２）：
１系统状态方程及测量方程
满足分布～Ｎ（Ｏ，Ｒｋ）。Ａ（ｐ）为用Ｐ表示的姿态矩阵为
设姿态四元数为ｑ＝ｑ４］＝［ｓｉｎ（ｅ／２）ｈｃ。ｓ（０／２）］，则
ＭＲＰｓ定义为［４－５］公式（１）：
…
（４）
在没有陀螺提供角速度的情况下，需要利用飞行器的姿态动力学方程为公式（４）：
＝
Ｊ｛Ｎ一【 × ］｝
＝［
公式（４）中，
中的三轴角速度；
０）２ｃｏ３］为飞行器体坐标系
为系统的惯量矩阵， Ⅳ 为外部力矩。
在姿态估计器中，状态变量选为六维向量
Ｘ＝［ｐＴ∞ 】，则状态方程为公式（５）：Ｘ＝［，】＋（５）
式中，＝ｐ，＝，为过程噪声，且Ｗ口Ｎ［０，Ｑ］。
Ｉｚ＝ｈ（ｘ）
（８）
基金项目：河南省科技攻关基金资助项目（１２２１０２２１０２５８）作者简介：郑均辉（１９８１．），男，汉族，四川叙永县人，平顶山学院，讲师，硕士，研究方向：算法分析，ＧＰＳ数据处理等，平顶山，４６７０００张国平（１９８０一），男，汉族，江西南昌人，平顶山学院，讲师，硕士，研究方向：算法分析，移动通信应用等，平顶山，４６７０００

一种精确跟踪机动目标的滤波算法的研究

一种精确跟踪机动目标的滤波算法的研究近年来，机动目标跟踪技术受到越来越多的关注。

准确地跟踪机动目标可以在自动控制、安全监控、机器视觉、生物机器人等领域发挥重要作用。

然而，在复杂环境中，滤波算法仍然存在一些问题，例如误差的累积和高精度处理的困难。

为了解决这些问题，本文提出了一种新的滤波算法，它可以有效地跟踪机动目标。

首先，本文介绍了有关机动目标跟踪技术的相关背景知识，例如常用的滤波算法，如卡尔曼滤波和粒子滤波等。

其次，基于这些基本概念，本文提出了一种新型的滤波算法，它考虑了位置空间模型、速度模型和动力学模型，能够有效地减少模型量和估计误差。

该方法在模拟实验中得到了验证，证明其有效性。

本文还分析了该算法在复杂环境中的表现，包括较小的静态干扰、较大的动态干扰以及传感器偏置等情况。

实验结果表明，本文提出的滤波算法在复杂环境中可以有效地跟踪机动目标，且可以较好地抵消外部的扰动。

综上所述，本文提出的一种滤波算法可以有效地跟踪机动目标，且在复杂环境中具有较高的精度。

因此，本研究侧重于研究机动目标跟踪技术，对今后的发展具有重要意义。

近年来，随着人工智能、模式识别和计算机视觉等技术的发展，跟踪机动目标的技术也受到了越来越多的关注。

特别是在安全监控、自动控制、机器视觉、生物机器人等领域，准确跟踪机动目标的技术显得尤为重要。

然而，在现实环境中，机动目标跟踪仍然存在一些挑战，例如跟踪数据的不确定性以及外部扰动的影响等。

为了解决这些问题，本文提出了一种新的滤波算法，它可以有效地跟踪机动目标，而且在复杂环境中能够较好地抵消外部的扰动。

本文提出的滤波算法利用了位置空间模型、速度模型和动力学模型，能够有效地减少模型量和估计误差。

与传统滤波算法相比，新方法具有低延迟、高精度和高可靠性等优点。

在模拟实验中，该算法也得到了验证，并有效地减少了误差。

综上所述，本文提出的一种滤波算法可以有效地跟踪机动目标，且在复杂环境中具有较高的精度。

强跟踪滤波在车辆组合定位系统中的应用

Ｒｅｋｎｎ，Ｒ）ＧＳ是车辆定位与导航系统最ｃｏｉｇＤ和Ｐ
位、传感器状态融合估计、多车辆ＧＰ／ＳＤＲ组合定
位系统中的位置估计等．针对非线性系统的滤波问题，法使用Ｋａｍａ无ｌｎ滤波，此有人提出了扩展因
王宇鸿等：跟踪滤波在车辆组合定位系统中的应用强
１７０
１强跟踪滤波
考虑一类如下形式的离散非线性系统
Ｘ＾，Ｘ卜，卜１＋Ｗ卜，＝（１）ｌ
Ｌ一ｇ（常用的两种定位技术．对ＧＳ和ＤＲ各自的特针Ｐ点，车辆定位系统常利用ＧＰ／Ｒ组合定位方案，ＳＤ使得ＧＰ／Ｒ组合后系统的性能优于各个子系统ＳＤ的性能［．们将强跟踪滤波应用于车辆ＧＰ／Ｒ２我］ＳＤ组合定位系统中，过对定位误差的分析可以看通
出，跟踪滤波在此组合定位系统中的滤波精度强较高ｍ．
Ｋｌｎ滤波理论．是扩展Ｋｌｎ滤波对非线ａｍａ但ａｍａ性系统要求有精确的数学模型，并且对模型误差的
鲁棒性较差［．扩展Ｋａｎ滤波相比较而言，１与］ｌｍａ
ＡｐｐｉａｉｎｏｔｏｇＴｒｃｎｌｅｎＣｏｂｎｅｌｃｔｏｆＳｒｎａｋｉｇＦｉｔｒｉｍｉｄ

强跟踪滤波在动基座传递对准中的应用

Ｕ６６１６．２中图分类号
ＡｐｌｃｔｏｆＳｒｎｒｃｉｇＦｉｔｒｉｏｉｇＢａｅＴａｓｅｉｎｅｔｐｉａｉｎｏｔｏｇＴａｋｎｌｅｎＭｖｎｓｒｎｆｒＡｌｇｍｎ
ＰｎａｆｎＷｕＪｎＣｈｎａｇｏｇｅｇＳｉｅｇｕｅｇＸｉｎｈｎ
ｔｉ＋１ｌ）ｂｏｉｉｇｔｅｉｔｏｕｅａｉｇｆｃｏ（＋１ｎｋｓｔｅｓａｅｅｔｔｎｓｏｈｒｉｕａｉｎｒ— ｒｘＰ（是ｙｍｄｆｎｈｎｒｄｃｄｆｄｎａｔｒＡｋｙ）ａｄｍａｅｈｔｔｓｉｉｍｏｔｅ．Ｓｍｌｔｅｍａｏｏ
滤波器。文献Ｅ３证了强跟踪自适应滤波对机动２验
目标精确跟踪的可行性，并且证明了强跟踪自适应
滤波可以在一定程度上弥补目标运动模型不够合
精度的主惯导系统信息为基准，过比较主惯导系通
统与子惯导系统的输出信息，用合适的滤波算法采来得到子惯导系统的估计，对其加以补偿。Ｒ．并ＥＫａｍａ．ｌｎ最初提出的滤波基本理论只是用于线性系统，要求观测方程也必须是线性的。这在实并
ＫｅｏｄｓＳＮＳ，ｍｏｉｇｂｓ，ｔａｓｅｌｎｎ，ＳｙＷｒＩｖｎａｅｒｎｆｒａｉｍｅｔＴＦ，ＫａｍａｉｅｇｌｎｆｌｒｔＣｌｓｍｂｒＵ６６１ａｓＮｕｅ６．２

一种精确跟踪机动目标的滤波算法的研究

一种精确跟踪机动目标的滤波算法的研究近年来，机动目标滤波技术受到了越来越多的关注，其中，滤波技术是一种有效的方法，用于精确跟踪机动目标。

滤波技术不仅能在机动目标的运动轨迹上建立连续的位置估计，还能处理机动目标的噪声和冗余信息，用以提高跟踪精度。

因此，本文旨在探索一种精确跟踪机动目标的滤波算法，以提高跟踪性能。

首先，本文分析了机动目标滤波技术的原理和步骤，结合实际应用场景，提出一种新型精确跟踪机动目标的滤波算法。

该算法将机动目标运动动态模型与观测量模型结合起来，实现鲁棒性较强的机动目标的运动估计。

其次，通过对滤波算法的数学模型描述，把跟踪过程抽象为状态估计问题，用最小二乘法等算法解决状态估计问题，在一定程度上实现了精准跟踪。

此外，本文还提出了多传感器融合的技术，用一种复合传感器的方法来改进精度，从而实现更佳的机动目标跟踪效果。

此外，本文还提出了一种用于评价机动目标跟踪性能的指标体系，包括跟踪准确度指标和可靠度指标。

首先，利用精度与准确度指标，测量滤波算法的跟踪精度；其次，通过可靠度指标，衡量滤波算法的可用性，以评价机动目标跟踪的性能。

最后，本文以一个设备跟踪仿真实验为例，测试提出的滤波算法对机动目标运动跟踪的性能。

实验结果表明，本文提出的滤波算法能够有效地跟踪机动目标，滤波算法的精度和可靠性也得到了有效的改善。

因此，本文提出的滤波算法在机动目标跟踪中具有很好的应用前景。

综上所述，本文研究了一种精确跟踪机动目标的滤波算法，通过模型建立、状态估计和多传感器融合等技术，实现了鲁棒的机动目标跟踪性能。

实验结果表明，本文提出的滤波算法在机动目标跟踪中具有良好的应用前景。

同时，本文也为今后更好地改进滤波算法提供了理论参考。

一种精确跟踪机动目标的滤波算法的研究

一种精确跟踪机动目标的滤波算法的研究近年来，随着信息技术的发展，跟踪机动目标的技术受到了越来越多的关注和重视。

机动目标跟踪技术对于导航、恒定行驶、探测、跟踪、地面机动目标的检测等领域都有重要的意义，但仍面临着诸多技术问题。

滤波一直是解决跟踪机动目标技术中最核心的技术，目前国内外在机动目标跟踪领域开展了大量的研究，但仍然存在很多不可解决的技术问题，因此研究一种精确跟踪机动目标的滤波算法具有重要的现实意义。

机动目标跟踪的滤波算法是机动目标跟踪中最为重要的技术之一，一般采用Kalman滤波算法来计算机动目标的状态信息。

但由于测量噪声与运动噪声的影响，使得机动目标跟踪的滤波精度受到了影响，容易出现漂移、抖动等现象。

因此，研究一种精确跟踪机动目标的滤波算法，具有重要的意义。

为了减少测量噪声和运动噪声对机动目标滤波算法的影响，我们提出了一种新的滤波算法，该算法考虑了机动目标的运动特性，并采用卡尔曼滤波的基本流程，实现了精确跟踪机动目标的功能。

该滤波器首先根据机动目标的运动特性建立机动目标状态方程，然后计算卡尔曼增益，最后将测量值按照线性矩阵形式融入滤波算法中。

实验结果表明，该滤波器平均偏离率较低，可有效降低测量噪声和运动噪声的影响，从而提高机动目标滤波的精度。

该滤波算法可有效提高机动目标跟踪的精度，为无人机的自主定位和航空航行提供了可靠的参考。

此外，该算法可以应用于其他有机动目标跟踪需求的领域，如无人车辆、自动化机器人等。

综上所述，本文研究了一种精确跟踪机动目标的滤波算法，该算法考虑了机动目标的运动特性，可以有效抑制其受到的测量噪声和运动噪声的影响，从而提高机动目标滤波的精度。

该滤波算法可以为机动目标跟踪技术提供可靠的参考，也可以应用于其他有机动目标跟踪需求的领域。

基于强跟踪容积卡尔曼滤波的单站无源跟踪算法

第３５卷
第１１期
现代雷达
ＭｏｄｅｒｎＲａｄａｒ
Ｖ０１．３５Ｎｏ．１１
ＮＯＶ．２Ｏ１３
２０１３年１１月
・
பைடு நூலகம்
信号／童殳据处理・
中图分类号：ＴＮ９７３
文献标志码：Ａ
文章编号：１００４ — ７８５９（２０１３｝ｌｌ一００５２ — ０６
ｍａｎｅｕｖｅｒｃａｓｅ．Ｔｈｅｃｕｂａｔｕｒｅｕｌｒｅｂａｓｅｄｎｕｍｅｉｒｃｌａｉｎｔｅｇｒａｔｉｏｎｍｅｔｈｏｄｉｓｄｉｒｅｃｔｌｙｕｓｅｄｔｏｃｌｃａｕｌａｔｅｔｈｅｍｅａｎａｎｄｃｏｖａｒｉａｎｃｅｏｆｔｈｅｎｏｎｌｉｎｅａｒｒａｎｄｏｍｆｕｎｃｔｉｏｎｉｎｔｈｉｓａｌｇｏｉｔｒｈｍａｎｄｔｈｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｔｈｅｍｅｔｈｏｄｉｓｓｉｍｐｌｅａｎｄｈｉｇｈｅｒａｃｃｕｒａｃｙｏｆｓｔａｔｅｅｓｔｉｍａｔｅｉｓ
子自适应在线调节增益矩阵，增强了系统对突发机动的跟踪能力。结合空频域单站无源定位模型进行仿真实验表明，
ＳＴＣＫＦ算法在对一般机动目标进行跟踪时，性能与ＣＫＦ算法相当，并优于传统的ＥＫＦ算法。当目标突变大机动时，ＳＴＣＫＦ算法的滤波性能要高于ＥＫＦ以及ＣＫＦ算法。

强跟踪滤波器在机载云台目标跟踪中的应用

ａｃｃｅｌｅｒａｔｉｏｎ，ｔｈｅｔｒａｃｋｉｎｇｃｕｒｖｅｗｉｔｈｔｈｅＳＴＦｉｓｓｍｏｏｔｈｅｒａｎｄｓｍａｌｌｅｒｅｒｏｒ．Ｔｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗ
ＳｔｒｏｎｇＴｒａｃｋｉｎｇＦｉｌｔｅｒｉｎＡｐｐｌｉｃａｔｉｏｎｏｆ
Ｏｎ－ＢｏａｒｄＣａｍｅｒａＴａｒｇｅｔＴｒａｃｋｉｎｇ
ＬＩＨｕａｎ，ＹＵＡＮＤｏｎｇ — ｌｉ，ＺＨＥＮＧＨｕａｎ－ｈｕａｎ
Ｖｏ１．３８．Ｎｏ．２Ｆｅｂ，２０１３
火力与指挥控制
ＦｉｒｅＣｏｎｔｒｏｌ＆ＣｏｍｍａｎｄＣｏｎｔｏｌｒ
第３８卷
第２期
２０１３年２月
文章编号：１００２ — ０６４０（２０１３）０２ — ０ｌ１６ — ０４
ｔｈａｔｔｈｅｐｒｏｐｏｓｅｄａｄａｐｔｉｖｅｏｎ — — ｂｏａｒｄｃａｍｅｒａｃｏｎｔｒｏｌｌｅｒｔｒａｃｋｓｔｈｅｇｒｏｕｎｄｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｗｅｌｌａｎｄ
Ａｂｓｔｒａｃｔ：ＴｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｋｉｎｄｏｆｓｔｒｏｎｇｔｒａｃｋｉｎｇｆｉｌｔｅｒａｄａｐｔｉｖｅｔａｒｇｅｔｔｒａｃｋｉｎｇａｌｇｏｒｉｔｈｍｔｏｔｈｅｔａｒｇｅｔｔｒａｃｋｉｎｇｓｙｓｔｅｍｉｎａｓｍａｌＩＵＡＶ．ｔｈｅａｔｔｉｔｕｄｅｃｏｎｔｒｏｌｏｆｔｈｅｏｎ — ｂｏａｒｄｃａｍｅｒａｉＳｒｅａｌｉｚｅｄ。ｔｏｍａｉｎｔａｉｎｔｈｅｉｍａｇｅｏｆｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔｂｅｉｎｇａｔｔｈｅｃｅｎｔｅｒｏｆｔｈｅｖｉｅｗｉｎｇｆｒａｍｅ．ＴｈｅｐｏｓｉｔｉｏｎｒｅｌａｔｉｏｎｓｈｉｐｉｎｔｈｅＵＡＶ，ｔａｒｇｅｔａｎｄｔｈｅｃｅｎｔｅｒｏｆｔｈｅｖｉｅｗｉｎｇｌａｆｍｅａｒｅａｎａｌｙｚｅｄａｎｄｍａｔｈｍｏｄｅｌｉｓｄｅｖｅｌｏｐｅｄｆｏｒｔｈｅｔａｒｇｅｔｔｒａｃｋｉｎｇｓｙｓｔｅｍ．ＴｈｅＳＴＦｉｓａｐｐｌｉｅｄｔｏｔｈｅｃｕｒｒｅｎｔｓｔａｔｉｓｔｉｃｌｍｏａｄｅｌｏｆｍａｎｅｕｖｅｒｉｎｇｔａｒｇｅｔ，ｔｏｉｍｐｒｏｖｅｔｈｅｔｒａｃｋｉｎｇｐｅｒｆｏｒｍａｎｃｅ．Ｗｈｅｎｔｈｅｔａｒｇｅｔｍａｎｅｕｖｅｒｓｗｉｔｈａｌａｒｇｅ

强跟踪自适应滤波器实现机动目标的精确跟踪

强跟踪自适应滤波器实现机动目标的精确跟踪徐安;寇英信;王琳;任波【期刊名称】《电光与控制》【年(卷),期】2008(015)010【摘要】机动目标状态估计中的一个主要问题是:目标运动的突变性导致状态噪声无法进行统计预测.传统的EKF将噪声看成是高斯白噪声有着本质上的不足,因而无法实现稳定的跟踪.引入Sage-Husa滤波算法对有色噪声进行在线的估计,一定程度上弥补了目标运动模型不够合理的缺憾.在此基础上,从系统容错设计基本原理出发,用归一化残差功率法实时地检测可能出现的数值发散现象,一旦检测到发散,印通过一种改进的强跟踪自适应滤波器进行抑制,有效地提升了滤波的健硕性,实现了稳定跟踪.最后,针对高机动目标的运动特性,仿真验证采用变维滤波模型,用EKF对目标的简单机动进行跟踪,只有目标运动突变时才采用本文提出的算法,以提升计算的实时性.仿真结果表明此算法对高机动目标的跟踪是有效的.【总页数】6页(P37-41,77)【作者】徐安;寇英信;王琳;任波【作者单位】空军工程大学工程学院,西安,710038;空军工程大学工程学院,西安,710038;空军工程大学工程学院,西安,710038;空军工程大学工程学院,西安,710038【正文语种】中文【中图分类】V271.4;TP202.7【相关文献】1.一种精确跟踪机动目标的滤波算法的研究 [J], 顾潮琪;周德云;曲艺海2.改进的强跟踪容积卡尔曼滤波的机动目标跟踪 [J], 张恒;高敏;徐超3.一种时空域联合的机动视频目标精确跟踪方法 [J], 胡波4.强跟踪输入估计概率假设密度多机动目标跟踪算法 [J], 杨金龙;姬红兵;樊振华5.快速强跟踪UKF算法及其在机动目标跟踪中的应用 [J], 鲍水达;张安;毕文豪因版权原因，仅展示原文概要，查看原文内容请购买。

基于视觉的机动目标定位跟踪的滤波算法概要

第 27卷第 2期 2006年 2月仪器仪表学报Chinese Jo ur nal o f Scientific I nstr umentVo l. 27N o. 2 F eb. 2006基于视觉的机动目标定位跟踪的滤波算法朱枫 1, 2侯菲莉 1, 2 1(中国科学院沈阳自动化研究所沈阳 1100162(中国科学院研究生院北京 100080摘要在视觉定位系统中 , 由于各种噪声的影响 , 运动目标的三维位置和姿态的计算精度受到一定限制。

为了提高运动物体的定位跟踪精度 , 提出了一种有效的滤波算法。

和已有的方法相比 , 这种算法具有以下两个特点 :第一 , 不再局限于平缓运动的物体 , 它对于未知运动规律的机动目标同样有效 ; 第二 , 由于避免了扩展卡尔曼滤波器的使用 , 滤波复杂度有所下降。

通过分析噪声对位姿计算误差的影响 , 建立了一组描述位姿测量值和真实值关系的线性测量方程。

然后 , 分别给出了两种滤波算法 :基于有限记忆的检测自适应滤波和基于数值微分模型的卡尔曼滤波。

在检测自适应滤波算法中 , 给出了分别适用于快机动和慢机动的最优机动检测函数。

一旦检测出机动发生 , 系统采用有限记忆滤波进行矫正。

在第二种滤波算法中 , 系统采用数值微分技术构造出了描述机动目标运动行为的鲁棒估计模型。

并且 , 引入了衰减因子 , 以防止滤波器的发散现象。

该衰减因子可以根据位姿计算值自适应估计。

最后 , 通过伪贝叶斯估计算法 , 将两种滤波器进行数据融合 , 有效的降低了机动时刻位姿估值的误差抖动 , 进一步提高了定位跟踪精度。

仿真结果验证了本算法的有效性。

关键词滤波算法位姿计算机动检测数值微分伪贝叶斯估计中图分类号 T P 391. 9文献标识码 A 国家标准学科分类代码 520. 6040Filter Algorithm for Visual Positioning and Tracking of Maneuvering TargetZhu Feng 1, 2 Hou Feili 1, 2 1(Robotics L abor atory , S heny ang I nstitute of A utomation , Chinese A cadem y of Sciences , S heny ang 110016, China 2(Gr aduate School , Chinese A cademy of S ciences , Beij ing 100080, ChinaAbstract It present s a filter algorithm f or accurat ely visual t racking of a maneuvering t arget . Emphasis is given to f ind a solution for the 3D pose (position and orient at ion est imation degradation caused by noise in the images. Superior t o previous approaches t hat were limit ed to t he assumpt ion t hat t he t arget mot ion is slow and smooth , this algorithm is applicable for a maneuvering t arget t hat acts in an unknown manner. M oreover, t he comput at ion load is reduced by avoiding t he need of extended Kalman filtering. First , by analyzing the eff ect of noise in 2D images on 3D pose errors , linear measure equations relating the nominal pose paramet ers (obt ained by 3D reconstruction and t he t rue ones are derived. T hen, tw o filter schemes are int roduced respect ively. T he first filt er uses maneuver det ection t echnique, in which t he criterion of an optimal det ector is deduced, and tw o sub -optimal det ect ors suit able for f ast and slow maneuvers are given respectively . When a maneuver is declared , limit ed memory filt ering is adopt ed for updat e. In t he second filt er, a robust dynamic model is const ruct ed by t he numerical dif ferent iation technique . T o rest rain t he divergence caused by truncation errors of estimat e model of numerical diff erent iation, a f ading f actor is import ed, w hich can be controlled adapt ively based on t he measurement s. F inally, generalized pseudo Bayes algorit hm is employed t o combine t he tw o f ilt ers for more accurate t racking . Experiment result s illust rate the capacit y of t his algorit hm .Key words Filt er algorit hm Posit ion and orientation est imation M aneuver det ect ion N umerical differentiat ion Pseudo Bayes algorit hm1引言在基于视觉的运动目标定位跟踪系统中 , 一个重要的问题是对物体的三维位置和姿态的计算。

基于强跟踪滤波器的自适应常加速模型及跟踪算法

Adaptive constant acceleration model and tracking algorithm based on strong tracking filter 作者：潘平俊;冯新喜;李锋;石磊;孙鹏
作者机构：空军工程大学电讯工程学院,西安710077
出版物刊名：系统工程理论与实践
页码： 136-141页
主题词： “当前”统计模型;常加速模型;自适应调整;强跟踪滤波器
摘要：建立目标机动模型是传感器目标跟踪数据处理中的一个重要环节.为了克服“当
前”统计模型对非机动目标和常加速模型对机动目标跟踪性能较差的缺陷,通过对“当前”统计（CS）模型的分析研究,在常加速（CA）模型的基础上提出了一种基于强跟踪滤波器的自适应
常加速模型及跟踪算法（ACA-STF）.该算法利用速度预测估计与实时速度估计间的偏差进行自适应方差调整,并通过引入强跟踪滤波器（STF）的渐消因子,实时调节滤波器增益,从而提高了跟踪精度,增强了系统对突发机动的自适应跟踪能力.理论分析和仿真结果表明对于非机动和机动目标,该算法比“当前”统计模型算法具有更高的跟踪精度.。

相关主题

强跟踪滤波器

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于强跟踪滤波器的机动航天器跟踪定位陈韬亦;马鹏斌;李江红【摘要】针对雷达测量跟踪有轨道机动的非合作航天器的定位和轨道计算问题,在EKF的基础上引入强跟踪滤波器,采用增广的航天器轨道动力学模型,估计推力加速度.在航天器进行轨道机动时,滤波器自身可完成对轨道机动的快速判断和检测,滤波过程无需额外的检测手段,通用性高,可适用于针对非合作空间目标的轨道计算和跟踪与定位.数值仿真表明,对雷达数据,轨道机动约10s后即可检测出发生了轨道机,位置精度在几十m量级,速度精度在0.1 m/s量级.【期刊名称】《无线电工程》【年(卷),期】2017(047)004【总页数】4页(P35-38)【关键词】强跟踪滤波器;非合作雷达测量;轨道计算【作者】陈韬亦;马鹏斌;李江红【作者单位】中国电子科技集团公司第五十四研究所,河北石家庄050081;清华大学航天航空学院,北京100084;宇航动力学国家重点实验室西安卫星测控中心,陕西西安710043;西北工业大学动力与能源学院,陕西西安710072【正文语种】中文【中图分类】V448.2使用雷达测量跟踪和定位非合作空间目标对于空间观测和跟踪具有重要实际意义。

对于航天器的轨道确定，在工程实践当中最为常用的是卡尔曼滤波器以及在卡尔曼滤波器之上发展出来的各种滤波器，如扩展卡尔曼滤波器(Extended Kalman Filter,EKF)[1]、文献[2-3]提出的无迹卡尔曼滤波(Unscented Kalman Filter,UKF)等滤波方法。

而在空间飞行的航天器经常会实施的轨道机动，会对使用雷达数据进行航天器轨道计算的方法产生干扰，EKF和UKF在面对目标系统发生突变的情况时，将会失去其有效性，对于状态的估计出现发散的情况。

对于轨道机动过程，国内外做过很多工作，例如，文献[4-5]对航天器推力加速度模型，建立增广的航天器轨道动力学模型，估计推力加速度。

其中，对轨道机动过程的快速精确检测与判断是研究的重点。

本文采用强跟踪滤波器(Strong Tracking Filter，STF)[6]，根据测量残差的正交性原理，对所估计状态量的变化有很强的跟踪能力，可以在滤波过程中快速对轨道机动进行检验，利用估计推力加速度的增广航天器轨道动力学运动模型，可对推力加速度和工作时段进行辨识。

1.1 动力学模型在J2000惯性系中，航天器运动方程为:式中，)为二体问题下航天器的加速度，其中GM为地球引力常数；aε为其他各种自然摄动力加速度之和，包括地球非球型引力、太阳引力、月球引力、太阳光压摄动和大气阻力等，可参见文献[7-8]；af表示航天器的机动推力所产生的加速度。

对状态方程进行增广，考虑航天器的连续有限推力作用，则加速度和航天器质量亦可作为状态量。

式中，F为有限连续推力的大小；m为卫星的质量；Isp为发动机比冲；g0为地面重力常数；A为推力方向矩阵，和航天器姿态和推力器安装位置相关。

一般情况下，如果有限连续推力的作用时间不是很长，而且其幅值不大的话，可以认为该推力对于航天器的质量影响较小。

定义RTN坐标系，R轴为径向，与地心到卫星质心的向径方向一致；T轴为横向，在轨道面内与R轴垂直，指向卫星运动方向；N轴为轨道面正法向，与R和T轴成右手系。

则有限连续推力产生的加速度可以认为是一个在RTN坐标系下的常值矢量。

记位置矢量从J2000惯性坐标系到RTN坐标系的转换矩阵为G，由RTN坐标系的定义可得转换矩阵G的各元素为：式中，i=1,2,3对应着转换矩阵G中每个行向量的3个分量。

G(1,j)、G(2,i)和G(3,k)分别为矩阵G中第1行、第2行和第3行的行向量。

1.2 测量模型雷达在测站地平坐标系中观测量为：斜距R、斜距变化率、方位角A和俯仰角E。

将J2000惯性系的位置速度矢量转换为测站地平坐标系中的直角坐标)，则，，。

2.1 EKF算法对于航天器的实时轨道确定，在工程实际当中最为常用的是卡尔曼滤波器以及在卡尔曼滤波器之上发展出来的各种滤波器，如EKF、UKF等滤波方法，本文以EKF 为例。

设状态量x为位置、速度和加速度，测量量y为测距、测速、方位角和俯仰角。

设航天器的状态方程和量测方程为：式中，w为模型噪声；R为观测噪声。

线性化后的方程为：若tk的估值为xk，协方差矩阵为Pk，如果得到tk+1时刻的一个新观测数据为yk+1，导航算法即是tk+1时刻的估值xk+1。

EKF算法需要对方程进行线性化，基本算法如下[9]：① 计算tk+1时刻的预测轨道k+1 (通过数值积分计算);② 计算tk+1时刻的预测协方差矩阵：③ 计算卡尔曼增益：④ 进行状态更新：⑤ 误差协方差矩阵更新：2.2 强跟踪滤波器算法EKF和UKF序贯处理算法在面对目标系统发生突变的情况时，将会失去其有效性，出现发散的情况。

强跟踪滤波器是由周东华[10-12]于20世纪90年代提出的一种基于扩展卡尔曼滤波器的序贯处理算法。

强跟踪滤波器依靠残差正交化的原理实现了在系统模型参数和过程参数失配的情况下对于系统状态的可靠估计。

文献[13-16]分别对不同卫星和不同测量手段的自主导航和轨道计算，引入并采用强跟踪滤波器，取得了一定效果。

引入强跟踪滤波器，对上一节的EKF和UKF进行修改，把预报协方差矩阵改变为：对于系数矩阵Λk+1，计算方法如下：,式中，ρ为遗忘因子，可设ρ=0.95；β≥1为预先选定的弱化因子，适当地增大β的值可以使估计更为平滑；αi≥1,i=1,2,…,n 均为预先选定的系数。

如果存在先验信息，对于变化较快的xi，可以选择一个较大的αi以提高强跟踪滤波器的跟踪能力。

如果不存在先验信息，则可以取α1=α2=…=αn=1。

这样做就使基于多元渐消因子的STF退化为单渐消因子的STF，但其跟踪能力也能够保持得比较好。

2.3 基于强跟踪滤波器的机动判断方法渐消因子λ由分子与分母两部分构成。

分子项N(k+1)表征了残差在统计意义上排除掉测量误差之后的积累值，在一定程度上代表了当前一定时间步内的状态估计与实际状态之间的误差。

而分母项M(k+1)表征了理论上对于状态估计误差的期望，也就可以代表状态估计误差的一个容许范围。

当渐消因子λ大于1时，说明当前残差的积累程度已经大于当前状态估计的误差容许范围，就可以说明系统模型发生了未知的变化，即目标航天器受到了推力的作用。

而同样的，当推力消失时，滤波器给出的状态估计将再一次偏离系统的真实状态，由残差积累产生的渐消因子也将增大到1以上。

因此，可以很直观地采用渐消因子λ是否大于1这一指标来表征推力是否发生或者结束。

可以用一个简单的式子来表示这一判据：在推力产生而强跟踪滤波器的渐消因子指标λ还没有达到1的时间段内，滤波器的渐消因子呈现迅速增加的趋势。

因为在这一段时间内，由于推力的作用，滤波器的状态估计正在逐渐脱离系统的实际状态值，反映在残差上就会导致残差不断偏离观测误差的范围，进而导致渐消因子λ的增大。

由于观测误差始终存在，因此λ的增大并不会是单调增大的，一般情况下都是在总体增大的趋势之下进行包含有一定幅度的跳动。

因此，一个很直观的想法是，在一定时间范围内对渐消因子λ进行统计，提取其变化过程的统计规律，如果判断得出在一段时间内，渐消因子在整体上是不断增加的，且其增加的幅度大于一定的值，就可以判断出此时发生了推力的产生、结束以及变化。

这一种判断方法称为渐消因子变化趋势判断方法，可以表示为：选取航天器为高度800 km的近圆轨道，地面雷达对该航天器可跟踪15 min的弧段。

仿真弧段内6～9 min间航天器进行轨道机动，机动力为RTN坐标系下T向推力，加速度大小为0.02 m/s2。

仿真测量数据设为0.1 s一点，对仿真的对测量数据加入误差为测距10 m，测速0.03 m/s，测角0.02°。

采用强跟踪滤波器进行滤波估值，计算结果如图1、图2和图3所示。

图1为位置误差，图2为速度误差，图3为加速度的估值。

由图可见，轨道机动开始和轨道机动结束时，滤波器可自适应判断出推力发生了变化，并对加速度进行估值。

轨道机动约10 s后即可检测出发生了轨道机动。

轨道机动约100 s后，即可较为准确地估计出加速度的大小，位置速度估计值也都收敛。

位置误差在几十米量级，速度误差在0.1 m/s量级。

在实际中，一个难点在于轨道机动的检测和判别。

由于渐消因子变化趋势判断方法存在着漏报的可能性，可以考虑将其与渐消因子阈值判断方法相结合，采用2种方法同时对滤波器的状态估计过程进行监视。

数值仿真表明本方法的有效性，轨道机动约10 s后即可检测出发生了轨道机动，约100 s后即可较为准确地估计出加速度的大小，位置速度估计值也都收敛，位置误差在几十米量级，速度误差在0.1 m/s量级。

可适用于雷达测量非合作空间目标的轨道计算。

【相关文献】[1] KALMAN R E, BUCY R S.New Results in Linear Filtering and Prediction Theory[J].Journal of Basic Engineering, 1961(83):95-107.[2] JULIER S J, UHLMANN J K.New Extension of the Kalman Filter to NonlinearSystems[J].Proceedings of the SPIE-The International Society for Optical Engineering, 1997(3068): 182-193.[3] JULIER S J, UHLMANN J K.Unscented Filtering and Nonlinear Estimation[J].Proceedings of the IEEE, 2004, 92(3): 401-422.[4] 李恒年, 李济生, 黄永宣.轨道机动过程推力加速度的在线最小方差估计[J].空间科学学报, 2002, 22(4):357-362.[5] 李恒年, 祝转民, 李济生.空间机动目标的跟踪与定位[J].中国空间科学技术, 2002, 23(3):13-18.[6] 周东华.非线性系统的自适应控制导论[M].北京: 清华大学出版社, 2002:44-49.[7] 李济生.人造卫星精密轨道确定[M].北京：解放军出版社, 1995.[8] 刘林.人造地球卫星轨道力学[M].北京：高等教育出版社, 1992.[9] BAR-ITZHACK I Y, MEDAN Y.Efficient Square Root Algorithm for Measurement Update in Kalman Filtering[J].Journal of Guidance and Control, 1983, 6(3):129-134.[10] 周东华, 席裕庚, 张钟俊.非线性系统带次优渐消因子的扩展Kalman滤波[J].控制与决策, 1990, 5(5):1-6.[11] 周东华,席裕庚,张钟俊.一种带多重次优渐消因子的扩展卡尔曼滤波器[J].自动化学报,1991, 17(6): 689-696．[12] 周东华, 叶银忠.现代故障诊断与容错控制[M].北京: 清华大学出版社, 2000:60-79.[13] 叶飚, 杨博.一种强跟踪非线性衰减滤波的环月自主导航方法研究[J]．航天控制，2009，27(5)：23-27．[14] 赵欣, 王仕成, 刘志国, 等．基于强跟踪滤波的多模卫星容错导航算法[J]．现代雷达,2009,31(9):47-51．[15] 李丹, 刘建业, 熊智.强跟踪滤波器在卫星紫外导航中的应用研究[J].传感器与微系统, 2008,27(9):11-13.[16] 潘耿峰.一种基于共址滤波器解决同址多台的方法[J].移动通信,2015,39(16):67-71. 陈韬亦男，(1984—)，博士，高级工程师。