水下来袭目标轨迹的跟踪及预测[范文]

第1章绪论

1.1课题研究的意义与背景

自从18世纪80年代鱼雷被发明以来，它一直都是水面舰艇和潜艇面临的巨大威胁之一。尤其在近几年来，随着科技的发展，鱼雷的航速变得更快，航程变得更远，威力变得更大，更加隐蔽以及更加智能化，这给水面舰艇造成了更大的威胁，甚至往往是致命的打击。因此，当我方水面舰艇或潜艇受到敌方鱼雷攻击时，必须有效的动用所有可能的措施和设备去避免这个致命的打击，如今我方水面舰艇及潜艇对来袭鱼雷的防御措施可分为硬对抗措施和软杀伤措施，而这两种措施在实施前所要解决的一个首要的共同问题就是：在误差范围之内的前提下对来袭鱼雷的运动轨迹进行跟踪与预测。

水下来袭目标轨迹的跟踪及预测系统轨迹对比图

从最近的研究结果所反映的情况，研究学者们认为影响来袭目标跟踪与预测精度，甚至导致跟踪与预测失败的主要原因在于目标运动模型的构建。当然，除此以外，还有很多影响因素。但是目前来看，有两个最为重要的因素，会影响机动目标跟踪与预测的精度：一个是目标运动模式与所构建的目标运动模型不相符；另一个是目标运动模型为非线性的。

运动模式，是将被研究目标视为点目标时，其实际的运动状态，如漂移、转弯等，在实际研究中，它是不可知的。而如果我们将他简化为一种运动模型，它就仅仅是一种简单的描述目标实际运动的数学模型。在连续时间下，它往往是一种描述目标状态的微分方程，而在研究实际问题时，需要将它离散化。而所谓的不匹配，是指所涉及的目标模型偏离目标实际运动状态很多。这种偏差是目标跟踪与预测最困难的地方。而构建的运动模型的非线性，指描述目标真实运动的微分方程的非线性。因为以往处理跟踪与预测的问题时的最优估计算法为卡尔曼滤波算法，但是使用这种算法的前提是运动方程与观测方程需均是线性的，运动噪声和观测噪声需是高斯白噪声。因此当使用卡尔曼滤波跟踪和预测运动模型为非线性的目标时，跟踪与预测的精度难以达到预期。

为了应对这一情况，学界提出了叫做轨迹跟踪预测技术的算法被大量应用于机动目标跟踪预测中，它大大提高了跟踪预测的精度。这种算法是以卡尔曼滤波为基础研发的，又在模型设计、滤波器设计等方面扩展原始的卡尔曼滤波，使目标模型更适于机动运动。

1.2目标跟踪与预测技术国内外发展及研究现状

对于机动目标轨迹的跟踪与预测的研究在世界上已经有数十年的历史了，如今已经成为了国际上最为热门的研究领域之一。但在研究初期的时候，由于没有成熟的理论，一直比较冷落，直到上世纪70年代卡尔曼滤波被成功的应用到目标跟踪领域之后，目标跟踪技术才慢慢的进入了人们的视线。近20年来，大量的学者在这方面进行了研究，开发出了很多新的技术和算法，如粒子滤波，扩展卡尔曼滤波，多模型，灰色预测模型等，从最原始的跟踪匀速运动目标到现在可以跟踪有非常复杂的机动性的目标。为了适应跟踪目标的不同，跟踪算法的设计思路及完成方式也发生了很大的变化。

单坐标轴速度跟踪均方根误差 

在阿波罗号登月的过程中，为了解决惯导系统的误差累计问题，卡尔曼首先设计出了先行卡尔曼滤波的估计算法，由于这种算法和跟踪运动目标本质的匹配性很高，因此很快被用作目标跟踪，但由于所跟踪的目标往往具有机动性，使得标准的卡尔曼滤波（以匀速运动模型为前提的目标跟踪算法）在对其进行跟踪时不是很理想，甚至造成跟踪发散。针对这一问题，研究人员首先改进的措施是用匀加速运动模型代替匀速运动模型。通过目标运动模型的改技能，使卡尔曼滤波在对目标跟踪的性能上有了一定的提高。但因为在使用这一算法时，目标的机动建模被视为系统噪声，因此目标的加速度已被假设为一个高斯白噪声的随机过程。但这种假设对于一个机动强的目标而言，并不能达到很好的跟踪效果。对于这一问题，学界给出了自适应的卡尔曼滤波，其原理是在用系统噪声对目标建模时，依照预测残差值的大小，让该随机过程的方差保持自适应的特性。当目标的机动性提高时，系统噪声的方差也会随之变大，从而使算法拥有更大的带宽，因此保证其跟踪能力；而当目标机动性下降时，则系统噪声的方差也会随之减小,使算法对于运动更平稳的目标的跟踪性能得到提高。

在实现自适应卡尔曼滤波的过程中，存在自适应噪声连续变化与自适应噪声离散变化这两种思路。在自适应噪声连续变化这一过程中，需要通过选择适当的回归预测方法，使算法可以在线计算当前最合适的估计算法。比如强跟踪算法实现的就比较合理；在自适应噪声离散变化这一过程中，应提前设计出一个含有多个方差的集合，并且在线选择其中的一个的方差。例如设计两个方差，较大的方差用来描述机动性强的动作，小的方差用于描述匀速运动。让后当在线估计跟踪时如果残差值超过阈值时，选择其他的方差。

在输入检测与估计算法中，当检测到目标机动性发生改变时，一个对目标状态直接产生影响的状态量将被引入目标的运动方程中，并通过估计改变这一状态量，实现对目标的跟踪预测。但目标处于机动状态时，通过对残差的估计从而估计出当前的状态控制输入。

近些年来，多模型方法逐渐成为研究机动目标跟踪预测的主流方法。总的来说，这种多模型方法是一种混合估计问题。在该方法中，通常线性高斯模型被假定为基本模型，而运动模式的转换为马尔科夫过程。

目标跟踪与预测体系的研究，不单和目标的运动性质有关，也受到所选择的传感器影响。在很多领域，例如雷达，传感器收集的只是把目标看作点目标的各种状态信息。而对那些基于图像的传感器来说，只把目标看成是点目标会损失很多有用的信息，是跟踪与预测精度达不到足够高。因此学界提出了依据图像提高跟踪预测精度的算法，由于其有效利用了图像传感器的信息。这类算法大多需要估计目标方向，并且在目标状态中使用这些信息，从而提高跟踪与预测的精度。

在不断地发展中，目标跟踪系统已经变得越来越完善，技术越来越高，探索的领域越来越广，由于目标跟踪系统的性能与具体的研究问题有很大关联。而现如今仍未有一个固定的技术方法适用于任何情况。