一种未知声速条件下的超短基线目标鲁棒跟踪方法

摘要: 本发明属于水下声学导航与目标跟踪,涉及一种未知声速条件下的超短基线目标鲁棒跟踪方法,具体是基于超短基线声学测量与自适应无迹卡尔曼滤波的移动目标连续鲁棒定位与跟踪...
一种未知声速条件下的超短基线目标鲁棒跟踪方法

本发明属于水下声学导航与目标跟踪,涉及一种未知声速条件下的超短基线目标鲁棒跟踪方法,具体是基于超短基线声学测量与自适应无迹卡尔曼滤波的移动目标连续鲁棒定位与跟踪方法。适用于一种在未知声速剖面及模型失配、测量野值并存的复杂海洋环境下。

背景技术:

1、自主水下航行器在海洋测绘、环境监测及水下作业等领域应用广泛。由于电磁波在水下衰减严重,声学手段已成为水下信息获取与导航定位的主要方式。超短基线(usbl)系统具有体积小、布放灵活、易于集成等优点,已被广泛应用于各类水下平台,用于对水下应答器或移动目标进行测距、测向及定位。因此,如何在复杂海洋环境中实现水下移动目标的连续、稳定、精确跟踪,成为当前研究的关键问题。

2、现有技术主要采用标准非线性鲁棒滤波方法、自适应与多模型滤波方法等策略。然而,这些方法在未知声速剖面、系统模型失配与测量野值并存的复杂海洋环境中进行移动目标连续跟踪时,存在一定的局限性,具体分析如下:

3、(1)基于标准非线性鲁棒滤波的跟踪方法。现有技术常采用扩展卡尔曼滤波(ekf)和无迹卡尔曼滤波(ukf)对非线性系统进行递推估计,并用于水下导航与目标跟踪。虽然该类方法在理想线性高斯假设下具有较好的估计性能,但在复杂水下声学环境中,难以有效应对脉冲噪声、测量野值以及系统模型失配等因素的影响,容易导致跟踪精度下降,甚至出现滤波发散。为抑制异常测量对滤波结果的影响,现有技术进一步引入huber损失函数、最大相关熵准则(mcc)等鲁棒估计方法。虽然上述方法在一定程度上提高了滤波器对测量野值的抵抗能力,但当系统模型失配持续存在时,仍难以有效适应模型变化,跟踪性能仍可能出现明显退化,甚至导致估计不稳定。

4、(2)基于自适应估计与多模型滤波的跟踪方法。针对系统模型失配问题,现有技术还采用sage-husa自适应估计、交互多模型(imm)滤波以及强跟踪理论等方法,以提高滤波器对模型变化和动态不确定性的适应能力。然而,交互多模型方法在模型集无法实时覆盖目标真实运动模式时,鲁棒性仍可能下降。在强跟踪与鲁棒更新机制同时作用时,若缺乏有效协调,也难以区分持续性模型失配与偶发测量野值,容易造成滤波增益调整冲突,引起估计波动。

5、(3)基于声速剖面建模与估计的定位方法。在复杂水下声学环境中,声线传播通常呈弯曲特性,声速剖面(ssp)误差是引起定位系统误差的重要因素。现有技术常采用常声速模型或常梯度声速剖面模型,并假定相关参数已知,或将声速相关参数作为待估参数,结合历史声速剖面及航行数据进行估计。然而,实际海洋环境中声速梯度受时空扰动影响难以准确获取,且上述方法多面向定点目标或静态场景,对移动目标在未知声速条件下的连续跟踪支持不足。当声速建模误差与系统模型失配、测量野值等因素同时存在时,单一建模方式或单一估计机制往往难以兼顾定位精度与跟踪稳定性。

6、综上所述,缺少一种能够在未知声速剖面条件下,仅基于超短基线声学测量实现对水下移动目标进行连续鲁棒跟踪的方法,尤其缺少一种能够同时抑制声速建模误差、缓解系统模型失配影响,并有效区分持续性模型失配与偶发测量野值、协调强跟踪与鲁棒更新机制以提升跟踪稳定性的技术方案。因此,迫切需要一种未知声速条件下超短基线水下目标鲁棒跟踪方法,以解决现有技术在复杂海洋环境中定位精度下降、跟踪不稳定的技术问题。

技术实现思路

1、要解决的技术问题

2、为了避免现有技术的不足之处,本发明提出一种未知声速条件下的超短基线目标鲁棒跟踪方法,弥补现有技术在未知声速剖面、系统模型失配与测量野值并存的条件下,超短基线对移动目标连续跟踪精度不足、滤波易波动甚至发散的不足。本发明特别适用于声速梯度未知、仅依赖超短基线声学测量的复杂海洋环境。

3、本发明在已知海面参考声速的条件下,以超短基线系统获取的声学传播时延、方位角、俯仰角及深度量测为观测信息,建立将未知声速梯度扩增至目标状态的扩增状态空间模型,并在强跟踪与最大相关熵卡尔曼滤波结合的基础上,引入归一化新息平方阈值判别及自适应核带宽调整,构成双重自适应滤波框架,实现对水下移动目标位置、速度及声速梯度的联合估计。

4、技术方案

5、一种未知声速条件下的超短基线目标鲁棒跟踪方法,其特征在于步骤如下:

6、步骤1:根据单层常梯度声速剖面建立扩增状态空间模型,定义状态维数,时刻的状态向量为:

7、(3)

8、其中,为目标三维位置,为目标三维速度,为扩增的声速梯度状态;

9、对扩增状态空间模型采用无迹卡尔曼滤波,得到预测观测均值和新息协方差

10、步骤2、计算归一化新息平方并进行异常来源判别:

11、计算归一化新息平方用于度量实测相对预测的统计偏离程度:

12、

13、其中:为由超短基线观测获得的实测向量,为量测噪声协方差;

14、计算归一化偏差指标:

15、

16、其中,为预设显著性阈值;

17、设连续超阈值计数器为进行判断是否采用强跟踪:即时,,否则令;

18、当偏差指数时,令,表示发生一次异常;否则令;取持续性判定门限,当连续超阈值次数时,判定当前异常由持续性失配引起,启用强跟踪模式;

19、若,判定当前异常由偶发测量野值引起,强跟踪因子取1,由最大相关熵机制主导鲁棒更新,不启用强跟踪模式;

20、步骤3、根据判别结果进行强跟踪预测修正:

21、当启用强跟踪模式时,首先递推指数平滑新息协方差:

22、(14)

23、其中,为平滑因子;为时刻的递推指数平滑新息协方差;

24、计算强跟踪因子为:

25、

26、其中:为在处的雅可比矩阵,表示矩阵求迹,为过程噪声协方差,为的转置矩阵,预测状态均值,为sigma点序号

, 为第个一步预测sigma点

, 为与之对应的协方差权;

27、以强跟踪因子修正预测协方差:

28、(16)

29、其中:为协方差权,预测协方差;

30、当不启用强跟踪模式时,取,公式(16) 预测协方差退化为标准无迹卡尔曼滤波预测:

31、(17)

32、其中:由与重新生成预测 sigma点;

33、步骤4、基于自适应最大相关熵准则进行量测更新:

34、定义联合误差向量为:

35、(18)

36、其中,为待求的后验状态向量,为状态预测偏差,为量测残差;

37、在预测误差与量测噪声互不相关条件下,有联合误差向量的协方差矩阵:

38、(19)

39、其中,即步骤3经修正后得到的预测协方差;

40、将预测协方差和量测噪声协方差进行cholesky分解,有、,则定义归一化误差向量:

41、(20)

42、其中,表示归一化后的状态预测误差,表示归一化后的量测残差,和分别为修正后的预测协方差和量测噪声协方差的cholesky因子取逆;

43、构造最大相关熵代价函数:

44、(21)

45、其中,为状态维数,为量测维数,是的第个元素,为最大相关熵核带宽;

46、根据步骤3判别结果,自适应调整最大相关熵核带宽:

47、当时,采用强跟踪模式取:

48、(22)

49、其中,为基础核带宽;

50、当时,不采用强跟踪模式,采用分段自适应策略:

51、(23)

52、定义最大相关熵权重对角阵、与等效协方差、等效量测噪声协方差:

53、(24)

54、(25)

55、(26)

56、(27)

57、通过最大化相关熵代价函数,设迭代步数为,采用不动点迭代求解状态更新,求得后验状态:

58、(28)

59、(29)

60、其中,

61、(30)

62、(31)

63、(32)

64、(33)

65、其中,为单位矩阵;;为量测函数在当前迭代估计处的雅可比;

66、上式迭代中初值取=,;

67、步骤5:当步数迭代到最大步数或者相邻两次迭代状态估计之差∥∥小于一个极小值,则输出当前时刻更新后的目标状态和协方差作为下一滤波周期的初值;

68、重复步骤1至步骤5,实现在未知声速条件下对运动目标连续鲁棒跟踪。

69、所述步骤1根据单层常梯度声速剖面建立扩增状态空间模型具体是:

70、设单层常梯度声速剖面:

71、(1)

72、其中,为深度处声速,为参考深度处声速,为声速梯度,为深度;

73、所述,其中,为待估计的未知声速梯度,为零均值高斯白噪声;

74、将扩增至目标状态,定义状态维数,时刻的状态向量为:

75、(3)

76、其中,为目标三维位置,为目标三维速度,为扩增的声速梯度状态。

77、所述步骤1对扩增状态空间模型采用无迹卡尔曼滤波,得到预测观测均值和新息协方差具体为:

78、设扩增状态空间模型的对应协方差为,采用无迹变换生成个sigma点:

79、(4)

80、其中,为尺度参数,为无迹变换调节参数,表示矩阵平方根的第列;

81、设置为:

82、(5)

83、其中,为均值权,为协方差权,为高阶矩调节参数,采用匀速运动模型,将sigma点经过状态转移函数传播,结合公式(4)、(5)计算一步预测状态均值与预测协方差:

84、(6)

85、(7)

86、其中,为匀速离散状态转移函数,为过程噪声协方差;

87、再由与重新生成预测 sigma 点:

88、(8)

89、经非线性量测函数映射得到预测观测量,并计算得到预测观测均值与新息协方差:

90、(9)

91、(10)

92、其中,为由单层常梯度声速剖面建立的非线性量测函数,为第个预测观测量,为量测噪声协方差。

93、所述无迹变换调节参数设为0.01和2。

94、所述高阶矩调节参数取2。

95、所述步骤2的超短基线观测获得的实测向量:

96、=

97、其中,为传播时延,为俯仰角,为方位角,为深度量测。

98、所述步骤2的显著性阈值为9.82。

99、所述步骤4中平滑因子取。

100、所述量测噪声协方差为仪器误差,通过测量仪器误差获得。

101、一种计算机程序产品,其特征在于包括计算机可执行指令,所述指令在被执行时用于实现权利要求1~9任一项所述未知声速条件下的超短基线目标鲁棒跟踪方法。的方法。

102、有益效果

103、本发明提出的一种未知声速条件下的超短基线目标鲁棒跟踪方法,针对未知声速剖面、模型失配与测量野值并存导致跟踪精度下降、滤波不稳定的问题,在已知海面参考声速下,利用超短基线获取的传播时延、方位角、俯仰角及深度信息,建立含未知声速梯度的扩增状态空间模型;在强跟踪无迹卡尔曼滤波基础上,结合归一化新息平方判别与自适应核带宽,构建强跟踪最大相关熵滤波框架,实现目标位置、速度与声速梯度联合估计。本发明可减小声速建模误差,区分持续性失配与偶发野值,提高跟踪鲁棒性与稳定性,且仅依赖超短基线测量,适用于复杂海洋环境。

104、本发明仅依赖超短基线声学测量及已知海面参考声速,无需高精度惯性导航设备预先标定,适用于声速梯度未知、模型失配与测量野值并存的复杂海洋环境中移动目标的连续定位与跟踪。

105、本发明提出一种未知声速条件下超短基线目标鲁棒跟踪方法,有益效果体现在:

106、(1)本发明将未知声速梯度扩增为滤波状态,与目标位置、速度进行联合估计,相对于将声速参数视为已知常数的传统方法,能够有效降低声速剖面建模误差引起的系统定位偏差,提高未知声速环境下超短基线连续跟踪精度。

107、(2)本发明将强跟踪预测、最大相关熵鲁棒更新、归一化新息平方阈值判别及自适应核带宽调整进行协同设计,能够区分持续性模型失配与偶发测量野值,缓解两种机制同时作用时的滤波增益冲突,提高复杂海洋环境下的跟踪稳定性。

108、(3)本发明仅依赖超短基线声学测量即可实现移动目标连续鲁棒跟踪,无需额外部署高精度惯性导航或多传感器紧组合系统,方法结构清晰、便于在处理器中实现,适用于资源受限的水下平台。