雙觀測站水下純方位多目標跟蹤的數據關聯演算法

作者信息

作者：蘇 駿, 李亞安, 陳 曉, 趙振軼

單位：西北工業大學航海學院

摘 要

針對雙觀測站純方位系統在定位多個目標時, 產生的大量虛假定位點使得量測數據依據目標數量和虛假量測數量都呈平方倍數增長的問題, 文中在最近鄰域法(NNF)的基礎上增加了一組事件, 考慮了跟蹤門內不存在有效量測的情況, 改進得出修正最近鄰域法(MNNF); 簡化了聯合概率數據互聯演算法(JPDA)的計算步驟, 對公共區域中的量測統一做弱加權, 提出了修正概率數據關聯演算法(MPDA), 並對以上方法做了模擬及比較。結果表明, 利用該2種方法在雙觀測站純方位系統存在「鬼點」的情況下有較為理想的估計結果, 並且MPDA演算法的效果明顯優於MNNF演算法, 可有效跟蹤目標。

引 言

純方位多目標跟蹤[1-6]屬於無源多目標跟蹤, 是多目標跟蹤領域的一個分支。它的優點在於, 觀測者可以在隱蔽的狀態下, 實時的對目標進行

觀測, 從而可以掌握主動權。因此, 水下純方位多目標跟蹤的研究和發展, 對於海洋領土防禦、區域的協同防禦、海上安全作業以及海洋資源的保護與開發具有重要的戰略意義。

Singer等[7-9]率先研究出最近鄰域法 (nearest neighbor filter, NNF), 該演算法非常簡潔, 只需計算出每一時刻目標所有量測值的信息加權範數並做比較, 選擇新息範數最小的那個量測值作為真實值濾波即可, 但也因此容易跟丟或誤跟目標。之後, Bar-Shalom等[10-12]和吳佳芯[13]提出了概率數據互聯(probabilistic data association, PDA) 演算法並進行了推廣, 使得濾波器可同時對多個目標實時分析。同時有學者提出了聚合矩陣的概念, 考慮了跟蹤門內所有量測間的關係, 研究出聯合概率數據互聯[14-18](joint probabilistic data association, JPDA)演算法, 該演算法相比之前的演算法精度更高, 考慮的因素最全, 但公式計算也較為繁瑣, 模擬運行時間較久, 實時性相對較差, 在實際環境中, 可能無法在有效時間內跟蹤目標。

基於純方位雙觀測站對水下多目標進行跟蹤, 比單觀測站具有更佳的可觀測性能, 但也會產生大量虛假定位點。這些虛假定位點會使量測數據依據目標數量和虛假量測數量呈平方倍數增長, 因此傳統的數據關聯方法無法直接運用在此環境中。文中依據NNF法, 重新考慮了跟蹤門內無候選量測的情況, 減少演算法誤跟目標的可能性, 改進得出修正最近鄰域法(modified NNF, MNNF);在JPDA的基礎上, 精簡方法步驟, 並對公共區域中的量測統一做弱加權, 減少誤跟概率並降低計算量, 提出了修正概率數據互聯演算法(modified probabilistic data association, MPDA)。最後對2種方法進行模擬對比。結果表明, 在雙站純方位系統存在「鬼點」的情況下, MPDA 演算法的效果明顯優於MNNF。即使在方位角的量測誤差達到3o時, MPDA 對於2個目標在臨近平行運動和小夾角交叉運動條件下, 依然有著不錯的分辨效果。

1

適用於純方位目標跟蹤的濾波演算法

2

適用於水下純方位系統的數據關聯方法

2.1 純方位雙站系統中的「鬼點」

2.2 修正最近鄰域法(MNNF)

2.3 修正概率數據互聯演算法(MPDA)

3

目標運動模型與觀測方程

3.1 運動模型

3.2 觀測方程

4

模擬結果與分析

5

結束語

文中對水下多目標跟蹤數據關聯方法的研究循序漸進, 結合純方位系統的特點, 改進得出適用於雙站純方位多目標跟蹤的MNNF演算法和MPDA演算法, 以減少計算量並保障多目標跟蹤的精度, 以及克服純方位角雙站系統交叉定位產生的「鬼點」問題。其中, MPDA演算法通過對跟蹤門內公共量測做統一的弱加權處理, 減弱虛假量測值對於多個目標的影響, 減少誤跟的概率。經比較發現, MPDA演算法精度可以滿足工程上的要求, 並在量測誤差增大時遠遠優於MNNF演算法。但是隨著目標數量的不斷增多, 交叉定位會導致量測數據的進一步擴大, 「鬼點」數量也會急劇增加, 其濾波效果也會受到影響。此外, 量測角誤差大小對於試驗的結果影響較為明顯, 如何消除這些虛假量測點並減少計算量, 以及減少量測誤差帶來的負面效果是今後研究的方向。

參 考 文 獻

[1]Gavish M, Weiss A J. Performance Analysis of Bearing- only Target Location Algorithms[J]. IEEE Transactions on Aerospace & Electronic Systems, 1992, 28(3): 817-828.

[2]夏佩倫. 純方位目標跟蹤系統的可觀測程度[J]. 火力與指揮控制, 1992(2): 25-31.

[3]石章松, 劉忠. 單站純方位目標跟蹤系統可觀測性分析[J]. 火力與指揮控制, 2007, 32(2): 26-29.

[4]劉健, 劉忠, 玄兆林. 純方位兩站協同目標運動分析演算法研究[J]. 艦船科學技術, 2006, 28(1): 64-69.

[5]Ho K C, Chan Y T. An Asymptotically Unbiased Estimator for Bearings-only and Doppler-bearing Target Motion Analysis[J]. IEEE Transactions on Signal Processing, 2006, 54(3): 809-822.

[6]Nardone S C, Aidala V J. Observability Criteria for Bearings-only Target Motion Analysis[J]. IEEE Transactions on Aerospace & Electronic Systems, 1981, AES-17(2): 162-166.

[7]Singer R A, Sea R G. A New Filter for Optimal Tracking in Dense Multitarget Enviroment[C]//The Ninth Allerton Conference Circuit and System Theory: Illinois, USA, 1971: 201-211.

[8]Song T L, Dong G L, Ryu J. A Probabilistic Nearest Neighbor Filter Algorithm for Tracking in a Clutter Environment[J]. Signal Processing, 2013, 85(10): 2044-2053.

[9]Boumediene M, Ouamri A, Dahnoun N. Lane Boundary Detection and Tracking using NNF and HMM Approaches[C]//2007 IEEE Intelligent Vehicles Symposium. San Diego: IEEE, 2007.

[10]Bar-Shalom Y, Tse E. Tracking in Cluttered Environment with Probabilistic Data Association[J]. Automatica, 1975, 11(5): 451-460.

[11]Chang K C, Bar-Shalom Y. Distributed Adaptive Estimation with Probabilistic Data Association[J]. Automatica, 1989, 25(3): 359-369.

[12]Kirubarajan T, Bar-Shalom Y. Probabilistic Data Association Techniques for Target Tracking in Clutter[J]. Proc- eedings of the IEEE, 2004, 92(3): 536-557.

[13]吳佳芯. 多目標跟蹤的數據關聯演算法研究[D]. 西安: 西安電子科技大學, 2013.

[14]Bar-Shalom Y. Tracking and Data Association[M]. San Diego, CA: Academic Press Professional, 1987.

[15]Musicki D, Evans R. Joint Integrated Probabilistic Data Association: JIPDA[J]. IEEE Transactions on Aerospace & Electronic Systems, 2004, 40(3): 1093-1099.

[16]Song T L, Kim H W, Musicki D. Iterative Joint Integrated Probabilistic Data Association for Multitarget tracking[J]. IEEE Transactions on Aerospace & Electronic Systems, 2015, 51(1): 642-653.

[17]郭晶, 羅鵬飛. 密集雜波環境下的數據關聯快速演算法[J]. 航空學報, 1998, 19(3): 305-309.

[18]劉俊, 劉瑜, 何友,等. 雜波環境下基於全鄰模糊聚類的聯合概率數據互聯演算法[J]. 電子與信息學報, 2016, 38(6): 1438-1445.

[19]Julier S, Uhlmann J, Durrantwhyte 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.

水下無人系統學報

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！