基于高精度传感器量测的机动扩展目标建模与跟踪 下载: 701次
1 引言
近年来,现代先进传感器(如相控阵雷达、逆合成孔径雷达、高距离分辨率雷达等)技术取得了长足进步,其目标回波能对径向运动目标的多个强散射点产生量测值[1],具有高分辨成像的能力[2-3],不仅可以提供精确的目标运动状态,还可以分辨出其形态。此外,某些宽带雷达还可以获取目标散射中心沿雷达视线方向的高分辨率距离像[4-5],能够反映出目标的形态轮廓与结构特征。上述这些高精度雷达不仅可以通过回波获取目标的径向距离、速度、俯仰角等运动量测信息,还能测量得到目标的宽度、大小等形状信息。在这种情形下,运动体不再被认为是点目标,而通常是被建模成诸如椭圆、矩形等具有一定形态的扩展目标。相应地,扩展目标跟踪技术应运而生,并在机器人识别和定位、车辆和飞行器编队跟踪、战场态势评估等民用和**领域发挥着巨大作用。
扩展目标跟踪问题一经出现,就引起了国内外许多专家学者的重视,例如Koch[6]提出了一种基于随机矩阵的扩展目标建模和跟踪方法。不同于经典的点目标模型,基于随机矩阵的建模方式采用质心运动状态(位置、速度及加速度)及扩展形态(大小、形状及朝向)对扩展目标进行刻画,二者分别用随机向量和对称正定的随机矩阵来表征,继而建立起相对简洁的扩展目标模型,并推导出一种递推式的贝叶斯估计算法,然而该方法并未考虑实际跟踪过程中存在的真实测量噪声。Feldmann等[7]指出了该问题,继而改进了基于随机矩阵的扩展目标建模及其估计方法,并将其应用到交互式多模型算法中,但是因其复杂的真实噪声引入方式而难以从理论上判断其有效性和最优性。考虑到上述问题,Lan等[8-9]提出了贝叶斯框架内一种简单而有效的扩展目标运动状态及其形态的联合最优估计器,并将其进一步应用于非椭圆形扩展目标跟踪问题。不同于随机矩阵的方法,Baum等[10-11]提出了一种随机超曲面建模方法。对于距离像量测下的扩展目标跟踪问题,现有的方法主要集中在对目标的扩展形态建模上。依据不同的轮廓特征,Salmond等[12]首先提出了一种椭圆目标的扩展形态建模方法。在此基础上,Angelova等[13]提出了两种蒙特卡罗方法来解决模型中存在的非线性滤波问题,而Zhong等[14]则将R-B无迹滤波器与交互式多模型算法结合在一起来解决机动扩展目标的跟踪问题。除此之外,Sun等[5]提出了一种基于支撑函数的扩展目标建模方法,该方法不仅无需假设目标朝向与其速度方向一致,而且能够将其推广到具有复杂几何形态的扩展目标建模及其估计上。
上述针对扩展目标跟踪展开的研究工作只关注了非机动扩展目标的动态演化,扩展目标如何进行机动对于跟踪系统而言通常是未知的,其不确定的运动方式和不规则的复杂形态的演化难以被精确描述。另外,扩展目标作为一个刚体,其机动过程中的目标运动状态演化及其扩展形态演化之间存在着紧密的耦合关系。特别是当扩展目标发生转弯机动时,运动方式的突变会导致目标的朝向和目标-传感器相对几何位置也随之发生较大改变。
鉴于上述问题,本文旨在解决高精度传感器量测背景下的机动扩展目标建模、运动状态和扩展形态联合估计问题,通过明确考虑目标运动方式突变所造成的大小、形态以及朝向等的改变,精确描述不同机动过程中运动状态和扩展形态演化的不确定性,继而建立通用且有效的机动扩展目标混合系统的统一建模框架。
2 扩展目标机动建模统一框架
不同于传统的点目标,扩展目标的机动是通过其跟踪过程中的运动状态演化和扩展形态演化来共同表示的,例如二维平面内的机动扩展目标的整个状态向量
式中
相应地,质心运动状态转移方程为
式中
图 1. 扩展目标机动演示示例。(a)顺时针旋转;(b)逆时针旋转
Fig. 1. Illustrative examples of maneuvering extended object. (a) Clockwise rotation; (b) counterclockwise rotation
以椭圆扩展目标为例,它的扩展形态可以由一个2×2型的对称正定矩阵
该椭圆目标的大小、形态以及朝向等重要几何特征信息可由(4)式所示矩阵的不同参数形式来表示,因此,矩阵
形态演化的不确定性由过程噪声
式中
那么机动扩展目标的形态向量
式中
因此,机动扩展目标的运动状态演化(机动模式切换)、不规则形态演化和目标运动状态演化,以及二者之间的强耦合性可以用(3)式和(7)式共同表征,并且整个目标运动状态和扩展形态的机动演化方程具有非常简洁的线性形式。需要特别注意的是,所提机动扩展目标动态演化建模框架不局限于椭圆形态和矩阵参数的描述形式。换句话说,使用其他参数形式描述的目标形态都可在本研究所提统一框架内进行动态演化建模,有助于将其进一步推广并应用到复杂形状的机动扩展目标的建模和估计中。
3 高精度传感器量测下机动扩展目标系统模型
高精度传感器量测下机动扩展目标跟踪的目的是同时估计出其运动状态和扩展形态,因此考虑如下系统模型:
式中
式中
假设高分辨率雷达能够提供
由于量测的各个分量来自于传感器不同的物理信道,量测噪声通常被假设为互不相关的零均值高斯白噪声,即
除此之外,所提机动扩展目标运动状态和扩展形态演化模型还适用于解决多散射点量测下的机动扩展目标跟踪问题。特别是针对具有椭圆形随机超曲面扩展目标[10],能在同一时刻于目标体表面不同位置产生多个量测值(如
在这种情况下,椭圆扩展目标的各个量测是由散布在扩展目标表面上的不同量测源产生的,其生成过程如
式中
一般来讲,量测源在目标体表面往往服从均匀分布。特别地,如果量测源点离目标体边界越远,则出现的概率越小,此时可将
4 高精度传感器量测下机动扩展目标跟踪算法
在现实的机动跟踪场景中,扩展目标的运动模式往往用多个机动模型来表征,特别是其发生机动时,运动状态往往会发生剧烈变化。因此,采用以下离散时间马尔科夫跳变系统:
式中上标 },∀
1) 假定在
2) 由于状态方程是线性的,即
3) 由于量测方程是高度非线性的,因此使用非线性变换(NC)来求得量测的一步预测(
4) 对于机动扩展目标跟踪系统模型中的剩余线性部分滤波处理可直接在卡尔曼滤波框架内进行,即
5) 若
5 仿真对比与性能评估
为了验证所提机动扩展目标建模及其跟踪方法的有效性,考虑仿真场景1和仿真场景2这两个仿真场景。在仿真场景1中,机动扩展目标沿着
图 5. 场景1中的机动扩展目标跟踪轨迹
Fig. 5. Trajectory of maneuvering extended object tracking in scene 1
图 6. 场景2中的机动扩展目标跟踪轨迹
Fig. 6. Trajectory of maneuvering extended object tracking in scene 2
为验证所提方法的有效性,在以上两个场景中与现有方法进行跟踪性能对比。
1) MEOT-1即本研究提出的充分考虑运动状态和扩展形态演化耦合性的机动扩展目标建模和跟踪方法。
2) MEOT-2[5]是在机动过程中只考虑运动状态演化的现有扩展目标建模和跟踪方法。
为公平起见,以上两种方法都使用相同的仿真参数进行初始化。对目标运动状态(位置和速度)的估计性能进行评估,此场景中的扩展目标跟踪性能对比结果如
图 7. 场景1中机动扩展目标跟踪性能的评估结果。(a)位置均方根误差;(b)速度均方根误差;(c)改进的豪斯多夫距离;(d)模型概率
Fig. 7. Performance evaluation of maneuvering extended object tracking in scene 1. (a) Position RMSE; (b) velocity RMSE; (c) modified Hausdorff distance; (d) model probability
不同于目标运动状态估计的评估,扩展形态估计的评估可以认为是目标形态匹配的评估问题,因此使用一种改进的豪斯多夫距离[4]来评价估计形态
MEOT-1和MEOT-2的机动扩展目标运动状态估计性能的对比通过
图 8. 场景2中机动扩展目标的跟踪性能评估。(a)位置均方根误差;(b)速度均方根误差;(c)改进的豪斯多夫距离;(d)模型概率
Fig. 8. Performance evaluation of maneuvering extended object tracking in scene 2. (a) Position RMSE; (b) velocity RMSE; (c) modified Hausdorff distance; (d) model probability
功辨识出真实的运动模式(非机动匀速直线运动和转弯运动),即使当目标发生机动时,跟踪模型也能快速正确地匹配真实的运动模式。
综上,所提机动扩展目标建模方法能够兼顾并同时处理目标自身运动状态和扩展形态演化过程中所涉及到的不确定性和耦合性问题,同时在此基础上提出了一种高效的建模和跟踪方法,仿真实验和性能评估对比结果验证了它的有效性。
6 结论
针对高精度传感器量测下机动扩展目标跟踪难以处理的问题,本课题组提出了一种机动扩展目标通用建模框架及其具体实施方法。与现有方法相比,所提方法能够充分考虑扩展目标在机动过程中的不确定性,并对其进行描述,同时对整体机动演化形式以及运动状态和扩展形态二者间的耦合性进行充分表征。此外,结合高精度传感器量测的生成机制,在所建立机动混合系统模型的基础上,推导出了一种高效的机动扩展目标跟踪算法,从而达到对目标运动状态和扩展形态联合估计的目的。仿真结果验证了所提机动扩展建模和跟踪方法相比于现有方法的优越性。基于所提出的运动状态及其扩展形态联合演化模型所具有的简洁线性形式,可以很便利地推导出高效的运动状态和扩展形态联合估计算法,从而解决实际应用条件下目标机动过程中存在的运动状态和扩展形态联合估计问题。
[1] 张慧, 徐晖, 王雪莹, 等. 一种基于椭圆随机超曲面模型的群目标高斯混合PHD滤波器[J]. 光学学报, 2013, 33(9): 0904001.
张慧, 徐晖, 王雪莹, 等. 一种基于椭圆随机超曲面模型的群目标高斯混合PHD滤波器[J]. 光学学报, 2013, 33(9): 0904001.
[2] 吴曙东, 黄建余, 赵志龙, 等. 聚束模式合成孔径激光雷达实验演示[J]. 光学学报, 2016, 36(6): 0628001.
吴曙东, 黄建余, 赵志龙, 等. 聚束模式合成孔径激光雷达实验演示[J]. 光学学报, 2016, 36(6): 0628001.
[3] 吴谨, 赵志龙, 吴曙东, 等. 12.9 m高分辨率合成孔径激光雷达成像[J]. 光学学报, 2015, 35(12): 1228002.
吴谨, 赵志龙, 吴曙东, 等. 12.9 m高分辨率合成孔径激光雷达成像[J]. 光学学报, 2015, 35(12): 1228002.
[4] 孙力帆, 张森, 冀保峰, 等. 基于改进豪斯多夫距离的扩展目标形态估计评估[J]. 光学学报, 2017, 37(7): 0728003.
孙力帆, 张森, 冀保峰, 等. 基于改进豪斯多夫距离的扩展目标形态估计评估[J]. 光学学报, 2017, 37(7): 0728003.
[8] LanJ, Li XR. Tracking of extended object or target group using random matrix-part I: New model and approach[C]∥Proceedings of the 15 th International Conference on Information Fusion , 2012: 12965942.
LanJ, Li XR. Tracking of extended object or target group using random matrix-part I: New model and approach[C]∥Proceedings of the 15 th International Conference on Information Fusion , 2012: 12965942.
[10] BaumM, NoackB, Hanebeck UD. Extended object and group tracking with elliptic random hypersurface models[C]∥Proceedings of the 13 th International Conference on Information Fusion , 2010: 11823170.
BaumM, NoackB, Hanebeck UD. Extended object and group tracking with elliptic random hypersurface models[C]∥Proceedings of the 13 th International Conference on Information Fusion , 2010: 11823170.
[11] BaumM, Hanebeck UD. Shape tracking of extended objects and group targets with star-convex RHMs[C]∥Proceedings of the 14 th International Conference on Information Fusion , 2011: 12177746.
BaumM, Hanebeck UD. Shape tracking of extended objects and group targets with star-convex RHMs[C]∥Proceedings of the 14 th International Conference on Information Fusion , 2011: 12177746.
[15] Sun LF, LanJ, Li XR. Modeling for tracking of complex extended object using Minkowski addition[C]∥Proceedings of the 17 th International Conference on Information Fusion , 2014: 14650199.
Sun LF, LanJ, Li XR. Modeling for tracking of complex extended object using Minkowski addition[C]∥Proceedings of the 17 th International Conference on Information Fusion , 2014: 14650199.
[19] Arasaratnam I, Haykin S. Cubature Kalman filters[J]. IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269.
Arasaratnam I, Haykin S. Cubature Kalman filters[J]. IEEE Transactions on Automatic Control, 2009, 54(6): 1254-1269.
[21] Li X R, Zhao Z L. Evaluation of estimation algorithms-part I: Incomprehensive measures of performance[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(4): 1340-1358.
Li X R, Zhao Z L. Evaluation of estimation algorithms-part I: Incomprehensive measures of performance[J]. IEEE Transactions on Aerospace and Electronic Systems, 2006, 42(4): 1340-1358.
孙力帆, 何子述, 冀保峰, 张森, 普杰信. 基于高精度传感器量测的机动扩展目标建模与跟踪[J]. 光学学报, 2018, 38(2): 0228001. Lifan Sun, Zishu He, Baofeng Ji, Sen Zhang, Jiexin Pu. Modeling and Tracking of Maneuvering Extended Objects Using High Resolution Sensors[J]. Acta Optica Sinica, 2018, 38(2): 0228001.