[發(fā)明專利]一種針對機動目標的無人機魯棒化跟蹤方法

有效

• 申請?zhí)枺?/td>: 201811309958.3
• 申請日: 2018-11-05
• 公開（公告）號: CN109491241B
• 公開（公告）日: 2021-11-09
• 發(fā)明（設計）人: 沈忱
• 申請（專利權(quán)）人: 浙江工商大學
• 主分類號: G05B13/02
• 分類號: G05B13/02;G05B13/04;G05D1/10
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 劉靜;邱啟旺

1.一種針對機動目標的無人機魯棒化跟蹤方法，其特征在于，包括以下幾個步驟：

步驟一：建立UAV進行單機動目標跟蹤時的學生t分布跳變馬爾可夫模型，該模型包括系統(tǒng)狀態(tài)轉(zhuǎn)移方程x_k＝f(x_k-1,r_k)+w_k-1(r_k)和傳感器觀測方程z_k＝h(x_k)+v_k，其中下標k代表數(shù)據(jù)來源第k個離散采樣時刻，z_k為觀測量，x_k為目標狀態(tài)變量，f(·)和h(·)分別為目標的系統(tǒng)函數(shù)和UAV的傳感器觀測函數(shù)，r_k為模型變量；

用p(·)代表概率密度函數(shù)，Std(·)為學生t分布函數(shù)符號，過程噪聲w_k-1(r_k)和觀測噪聲v_k分別服從學生t分布，即p(w_k-1(r_k))＝Std(w_k|0,Q_k-1(r_k),υ_w)和p(v_k)＝Std(v_k|0,R_k,υ_v)，其中Q_k-1(r_k)和R_k分別為過程噪聲和觀測噪聲的尺度化矩陣，υ_w和υ_v分別為過程噪聲和觀測噪聲的自由度參數(shù)；認為任意第r個子模型的狀態(tài)的k時刻模型先驗概率密度函數(shù)和k時刻模型后驗概率密度函數(shù)p(x_k|z_1:k)＝Std(x_k|m_k,P_k,υ)均為學生t分布函數(shù)，其中和m_k、和P_k、υ^r和υ分別為各自學生t分布的均值、尺度化矩陣和自由度參數(shù)；

步驟二：計算各個目標動力學子模型間的混合概率，它代表k-1時刻子模型為模型r而k時刻為模型s的概率，可按下式計算：

其中π_rs表征在k-1時刻到k時刻由模型r切換為模型s的概率，為第r個子模型在k時刻的模型先驗概率，為一個歸一化常量；

基于學生t分布進行交互，計算混合的學生t分布的均值尺度化矩陣和自由度參數(shù)υ^0s分別如下：

υ^0s＝υ^r (4)

步驟三：對交互后的服從學生t分布的系統(tǒng)狀態(tài)進行預測，計算學生t分布中均值的預測值尺度化矩陣的預測值和自由度參數(shù)的預測值υ^s，具體如下：

υ^s＝υ^0s (7)

步驟四：對服從學生t分布的系統(tǒng)狀態(tài)進行量測更新，具體包含如下子步驟：

4.1計算第s個子模型的邊緣化觀測似然函數(shù)的均值自相關(guān)尺度化矩陣和互相關(guān)尺度化矩陣具體為：

4.2計算濾波增益和自由度參數(shù)即

其中，d為觀測量z_k的維數(shù)；

4.3計算第s個子模型所對應的模型后驗概率密度函數(shù)p(x_k|r_k＝s,z_1:k)的均值和尺度化矩陣具體為：

4.4用矩信息匹配法優(yōu)化均值和尺度化矩陣得到新的均值和尺度化矩陣具體為：

步驟五：基于學生t分布更新子模型的模型后驗概率如下：

其中，似然函數(shù)的求取可通過計算第s個子模型的邊緣化觀測似然函數(shù)p^s(z_k|z_1:k-1)得到，即只需計算這一標準學生t分布概率密度函數(shù)；

步驟六：利用更新的模型后驗概率與步驟四中的均值和尺度化矩陣融合各個子模型的魯棒估計結(jié)果并進行輸出，可以得到k時刻融合的均值m_k和尺度化矩陣P_k如下：

步驟七：回到步驟二重新依次執(zhí)行，直至目標跟蹤結(jié)束。