機載多傳感器目標精確跟蹤算法研究.pdf

1、雷達被廣泛應用在對空目標的探測和跟蹤中，然而相對于紅外傳感器而言，雷達具有探測精度不高，獲得的量測噪聲比較大的缺點。不僅如此，隨著戰(zhàn)場環(huán)境的日益復雜，由于受到電磁、誘餌雜波干擾及氣象條件的影響，使得雷達的量測數(shù)據(jù)中混有大量虛假數(shù)據(jù)，導致雷達錯跟或失跟。受到強雜波戰(zhàn)場環(huán)境的影響，主動相控陣雷達的發(fā)現(xiàn)概率、跟蹤能力、命中精度和抗干擾能力大幅下降。所以，提高雷達的探測精度和強雜波下的抗干擾能力是非常重要的研究課題。
　　本文基于提高雷達

2、跟蹤精度的需求，通過將紅外傳感器的高精度的角度量測信息與雷達的探測信息融合，提高雷達的目標精確跟蹤能力。首先，對雷達和紅外傳感器不同的位置，坐標系，采樣頻率和數(shù)據(jù)傳輸率，對雷達紅外量測數(shù)據(jù)進行時空配準。然后，利用雷達量測數(shù)據(jù)和Unscented Kalman Filter（UKF）對目標的位置和速度進行估計，將結(jié)果作為紅外目標UKF估計的預測值。最后，將紅外UKF的估計結(jié)果作為目標最終估計結(jié)果。本文提出的雷達紅外傳感器估計融合的跟蹤方法

3、，由于引入了高精度的紅外量測信息，彌補了雷達傳感器探測性能的不足，提高了雷達目標跟蹤性能。
　　同時為了提高單傳感器在復雜電磁環(huán)境下的抗干擾能力，本文提出一種聯(lián)合檢測-跟蹤-學習的目標魯棒跟蹤算法 PN Learning-Probability Hypophysis Density（PNL-PHD），該方法在傳統(tǒng)PHD算法的基礎(chǔ)上，引入屬性檢測器，將檢測結(jié)果與跟蹤結(jié)果一起送入PN學習器，通過PN學習迭代更新檢測器，并修正PHD算法

4、的跟蹤估計，以此實現(xiàn)在強雜波環(huán)境目標魯棒跟蹤的要求。本文提出的PNL-PHD濾波算法與PHD跟蹤算法相比，由于在線學習目標屬性特征濾除了強雜波環(huán)境下的干擾信息，因此提高了目標跟蹤準確性及跟蹤精度。
　　為了驗證提出方法的有效性和準確性，本文開發(fā)了一套目標精確跟蹤仿真系統(tǒng)。利用相控陣雷達、紅外傳感器的模擬器生成量測數(shù)據(jù)，對雷達紅外感器融合跟蹤算法和目標在線迭代學習跟蹤算法，進行復雜環(huán)境下的的目標精確跟蹤演示與驗證。本系統(tǒng)為仿真復雜環(huán)