这是描述信息

毫米波雷达传感器雷达感应跟踪定位目标算法应用

毫米波雷达传感器雷达感应跟踪定位目标算法应用

毫米波雷达传感器雷达感应跟踪定位目标算法应用

毫米波雷达传感器雷达感应跟踪定位目标算法应用

毫米波雷达传感器雷达感应跟踪定位目标算法应用

毫米波雷达传感器雷达感应跟踪定位目标算法应用,第二次世界大战以来,雷达技术得到了很大的发展和进步。无论是在军事领域,航空、航天、航海,还是交通监测、气象预报、资源探测等领域,都有雷达不可缺少的身影。雷达目标跟踪算法旨在为控制系统提供正确的状态信息,在提高雷达跟踪定位精度的同时,要解决传感器测量、信号处理、杂波滤除等诸多问题,提高算法精度是提高雷达跟踪定位性能的关键。从本质上说,目标跟踪算法就是雷达对数据进行处理的过程,它能提供较正确的目标位置、速度等动态数据信息,减少杂波带来的误检问题。现代化战场是高度信息化的,交战双方要使用大量复杂、多样、高能的电子设备,从而形成极其复杂的电磁环境,无疑对雷达目标跟踪提出了更高的要求。在复杂电磁环境和恶劣天气条件下,如何排除杂波干扰,完成对目标状态的准确跟踪,已成为现代军事技术面临的新课题。当今社会计算机网络技术、传感技术、数据存储技术的迅速发展,以及人类社会对数字化管理、信息化生活的要求不断提高,存储的各种数据信息的容量也越来越大。人对数据信息不再仅仅是简单的获取、存储、传输,更需要对数据进行深层次的加工,分析挖掘,学习使用。“机器学习”顾名思义,就是通过计算机模拟人的学习过程,从大量的数据信息中提取出特定的数据结构特征信息,然后把这些信息转化成知识,以供使用。大数据时代,让机器智能从真实、繁杂、无章的数据中挖掘出有用的信息,成为当今机器学习理论发展的重点。数据挖掘技术的核心思想是以数据驱动的方式,通过数据结构的线性或非线性变化,完成从低级到高层,从具体到抽象,从一般语义到特定语义的变化,从而完成原始数据特征的提取。机器所表现出的数据特征正在影响人们对事物的理解方式。自从产生以来,机器学习已经广泛应用于图像识别、语音转换、视频跟踪等领域。由于目标跟踪领域中,毫米波雷达传感器和跟踪目标之间存在着密切的联系,因此目标跟踪技术的终目标就是获得正确的目标信息。该信息除包含目标运动状态和运动轨迹外,还包含了诸如雷达散射截面积、极化散射矩阵、散射中心分布、角闪烁噪声、幅值噪声等特征属性。人工智能的优点主要表现在数据信息的获取和处理方面,这些雷达属性信息可以使机器学习应用于雷达目标跟踪领域。


毫米波雷达传感器目标跟踪过滤。一九三七年,SCR-268——全球追踪雷达站的诞生,代表了目标追踪问题的起源。在二战中,数学家NorbertWiener提出了维纳滤波器,即线性滤波和线性预测。尽管该方法适用范围广泛,适用于连续或离散随机过程,但其滤波过程要求随机信号在均方差意义下的广义平稳性和统计特性已知,因而很难应用于实际问题。Wax早在1955年就提出了目标追踪的概念。Calmanfiltering(KF)算法在1960年提出,它是一种适用于多变量非平稳随机信号的佳估计递推算法,克服了维纳滤波的不足,在通信、导航、目标跟踪等方面得到了广泛的应用。尽管在线性条件下卡尔曼滤波的动力学方程和量测方程都是可获得佳估计的,但是当系统方程存在非线性时,卡尔曼滤波器无法直接得到。Bucy、Sunahara等人提出的扩展卡尔曼滤波器(ExtendedKalmanFilter,EKF)来解决一个非线性滤波问题,该方法的基本原理是将系统的非线性方程用泰勒级数展开,并对雅可比矩阵和或海森矩阵进行求解,使非线性方程线性化。将卡尔曼滤波器再次应用于线性方程,因此推广卡尔曼滤波器是一个次优滤波器。对于二阶EKF,一阶EKF由于其较小的运算量应用更广。用来求解非线性系统的另一种滤波方法是无损耗的卡尔曼滤波器(UnscentedKalmanFilter,UKF),它对选定的sigma点集进行无破坏的变换,以获取更新后的过滤器。与EKF相比,UKF不需要需要解的雅可比矩阵,也不能线性化忽略高阶项,因此滤波效果更加稳定、准确。近几年也出现了容积卡尔曼滤波、积分卡尔曼滤波等类似的采样点滤波算法。与之类似的是,粒子滤波的基本原理是获得系统的小方差估计,它是通过搜索在状态空间上随机样本而得到概率密度函数的近似表示的一种算法。Hammersley等人在50年代就提出了粒子滤波的基本思想,但是由于受粒子数量和计算数量的限制,当时粒子滤波思想还没有得到足够的重视。1993年,Gordon等提出了基于序贯重要性采样的粒子滤波算法,使得粒子滤波成为一个热门话题。但是,该算法也存在着粒子多样性缺乏、计算量大等不足的问题。随后提出的无迹卡尔曼粒子滤波、规则化粒子滤波、高斯粒子滤波等方法,都对这一问题进行了研究,取得了一些成果。杂波环境下的多目标跟踪算法目前主要有以下两种。一个是数据关联算法,它把测量接收到的所有目标的来源报告关联起来,并把相关的信息传递到系统进行识别,以确保融合信息来自同一目标。早先为典型的数据关联算法是概率数据关联(ProbabilisticDataAssociation,PDA)和多假设跟踪(MultipleHypothesisTracking,MHT)。Reid在1979年提出了一种多假设跟踪模型,该算法保留了真实目标的全部假设,并在得到新的数据信息时,从保留的解空间中选择优解。但是,MHT算法的复杂度随着目标数目的增加呈指数增长,因此很难在所有可能解的状态下得到推广。PDA算法是BarShalom和Jaffer早提出的,它可以将测量数据作为任意一个目标关联的概率给出,并且可以解决误检和漏检问题。如Fortmann和BarShalom等在1983年扩展了大的目标跟踪。之后,BarShalom提出了联合概率数据关联(TheJointProbabilisticDataAssociation,JPDA)算法,它将量测数据和多个跟踪目标关联,并给出联合关联概率。二是基于随机有限集理论的算法。在概率论中,随机有限集是指一组取值为有限值的随机元集,与概率论中的随机向量的推广相等。在此过程中,将所有目标的状态矢量和测向量看作一种随机有限集,再用贝叶斯滤波法对其进行多目标估计。Mahler于2003年提出概率假设密度滤波(ProbabilityHypothesisDensity)PHD)通过对多目标后验概率密度函数的积分来获得多个目标的强度,避免了直接在有限随机集空间上进行递推而产生的计算复杂性。在2006年,Mahler在Erdinc等人的建议基础上,添加了目标数的二阶信息,提出了位概率假设密度滤波(CardinalizedPHD,CPHD),并进一步改进了PHD的滤波估计。Vo提出的GM-PHD算法(GM-PHD,GM-PHD),在线性高斯条件下,证明了不需要特殊聚类的特殊方法。该方法采用高斯和方法近似表示多目标,可以稳定地得到PHD中多目标的数量和状态信息。


信息融合是将从多种途径获得的各种信息综合处理,并做出相应的行为决策。但是,通过测量得到的信息往往是不确定的、模糊的,如何从这些信息中提取真正有用的信息来做出决策。20世纪70年代,美军提出敌情潜艇信息融合的概念,并在80年代末被美国国防部列为重点研究开发的二十项关键技术之一。1998北约六国(英国、德国、加拿大、荷兰、丹麦、意大利)论证了北约数据融合演示器(NATODataFusionDemonstrator)。1996年,Wu和Tang等人基于多源数据融合技术,设计了机器人自主导航系统。介绍了1997年,卡姆和卡拉塔利用CCD摄像机和激光测距雷达毫米波雷达传感器的信息融合技术在机器人导航中的应用。目前国内外对信息融合技术的研究很多,如国外康涅狄格大学的Ba-Shaham、威尔特和Kiubaraji团队,Llinas研究组来自纽约州立大学,位于巴尔的摩的马里兰大学Waltz小组,国内主要有中电28所和C4ISR国防科技重点实验室,西安交通大学韩崇昭研究组,上海交通大学敬忠良研究小组等。多声呐等效传感器在信息融合的早期研究中还局限于多雷达,随着近年来毫米波雷达传感器技术的发展,信息融合的对象已经扩展到多种频谱、多分辨率、多语义表达的传感器。比如雷达、声呐、雷达、红外、初级和次级雷达等。目前,经过几十年的研究与探索,在多目标跟踪、空中交通管理、设备故障诊断、无人机自主导航等方面,已经比较成熟的信息融合技术与应用。情报融合是美国国防部为评估或预测实体状况而进行的一种数据或信息合成过程。在目标跟踪领域,提出了一种被称为信息融合的概念,即传感器测量数据的融合过程,即利用由许多同类或不同类传感器获取的测量信息进行实时融合处理。


将多传感器数据进行融合,可使系统获得比单个传感器更准确的目标信息,其优势在于:(1)更正确的探测性能。现有的目标跟踪毫米波雷达传感器在测距精度上有很好的提高,但方位检测的准确度较低。尽管红外传感器方位检测精度较高,但无法获取目标的距离信息。所以,将雷达、红外传感器的数据信息融合在一起,可以在理论上达到系统的探测精度。
(2)增加可信度。在单个传感器工作时,若检测精度较差,将会得到其他传感器信息,在单个传感器工作时,对数据源独特性的改进是不够的。
(3)更加有力。对于单一传感系统,一旦出现故障、失真、传输延时等严重问题,将影响整个系统的跟踪性能。但是多传感器即具有多种信息源,且彼此间存在冗余信息,系统对某一传感器的依赖程度较低。
(4)减少数据不确定性。由于多个传感器彼此独立工作,因此融合数据比单一传感器更为准确。
(5)这一系统时空范围扩大。在量测时空范围内,多传感器数据融合能够互补,使量测时空范围得以互补,扩展整个系统的时空覆盖。很明显,多源信息融合带来的多传感器信息与单一传感器信息之间存在冗余互补的问题。这使得系统在精测精度、稳健性、时空覆盖范围等方面都有显著提高。


虽然基于多传感器信息融合技术的系统性能要优于单源传感器系统,但不同场景下的信息融合实现仍有很多问题需要解决,成为多源信息融合与推广应用的主要障碍。主要问题包括:
(1)信息本身不确定。对于密集杂波环境,传感器所采用的问题场景大多是非常复杂的,在获取信息和接受后进行融合处理时都存在着很多不确定性,因此融合结果的可靠性还有待于考虑。
(2)各种传感器之间整合信息。多源传感器的数据融合一般是利用不同传感器间的信息互补,以获得佳的融合效果,然而,不同类型的传感器在时序、空间坐标、维数不一致等方面的差异,为融合带来了不便。
(3)人工智能与信息融合的结合。AI是一种由人工系统模仿人的思维进行深层数据信息挖掘的技术,已成功地应用在语音、图像、视频、医学等领域。目前,信息融合技术和人工智能,尤其是如何把理论应用到实际工程中,是目前以数据为处理对象的研究热点。
(4)没有完善的信息融合系统评估标准。由于目前尚没有一个完整的、能提供先验知识的信息融合数据库,面对复杂多变的信息融合环境,尚无一套完善的绩效指标来评价信息融合效果,这对信息融合算法的发展也有一定的影响。
毫米波雷达传感器雷达红外跟踪的基本原理。虽然雷达探测精度的提高,但单个传感器无法对各种技术数据做到好,所以这种改进存在一定的局限性。将多种类型的传感器组合起来,综合利用各种传感器的信息,使整个系统达到性能上的互补,从而提高跟踪效果。雷达红外跟踪是将毫米波雷达传感器与红外传感器有机地结合在一起的一种目标跟踪方法。
在二战期间,就有利用雷达进行地对空、空对地轰炸和敌我识别的技术。二战后,由于T/R开关和磁控管的出现,雷达探测由双基变为单基,使得雷达探测功率性能得到了显著提高。从20世纪60年代开始,航天技术的发展,对雷达的远距、高精度、高分辨率、多目标测量等提出了一系列要求,促进了雷达技术的发展。无论在导弹预警、目标搜索、战场侦察等军事领域,还是气象监测、航空管制、遥感仪器等民用领域,都有着广泛的应用。雷达传感传感器是一种以无线电为载体的主动传感器。利用高频脉冲向外发送雷达天线,计算回波接收所需时间,获得目标的距离信息。角度信息的获取采用角随动系统来驱动波束,通过振幅或相位方法计算出目标的角度信息。因为雷达在工作过程中需要不断向外辐射电磁波,所以极易受到外界电磁环境的干扰,这些电磁波辐射信号在战场上容易被检测到,因而受到反辐射导弹的攻击。


红外线传感器,如果物体在零度以上,就会向外产生红外线,而红外线基本上是一种热辐射。在此基础上,红外传感器利用目标的红外特性来检测,是一种以红外光为载体的被动传感器。红外传感器在现代社会中的应用已涵盖了辐射光谱测量、热成像、红外测距、目标搜索跟踪等多个领域。对目标跟踪而言,红外传感器主要包括方位探测系统和跟踪系统两个部分,用于获取目标的角度信息。红外线传感器无法获得目标的距离信息,因而常常无法独立工作,而红外传感器相对于雷达,其角度信息更准确。红外传感载体是一种红外光,所以其抗干扰能力强、隐蔽性强、探测能力强的特点,在一些复杂的场景中具有独特的优势。


毫米波雷达传感器融合红外跟踪。雷达传感距离的高精度测距和高精度红外传感器测角,使雷达和红外线形成多源信息互补效果非常好。综合分析和利用一定准则下的雷达红外观测信息,完成目标状态的一致性描述,是雷达红外跟踪技术的核心思想。雷达红外线跟踪实质上是多传感器数据融合,涉及到概率统计、模式识别、人工智能、信号处理等多传感器数据融合,是近几年出现的一门多学科交叉的新技术。该系统通过对各种传感器资源的综合利用,获得比其各部分更充分、更完善的数据信息。具体地说,不同类型的传感器分别获取目标的测量数据,然后对这些数据进行特征提取和转换,得到测量数据的特征向量;再将得到的特征向量进行模式识别,再根据每个传感器处理的指令数据完成匹配关联,后利用融合算法实现各个传感器数据的合成。


毫米波雷达传感器与红外线轨迹相关。雷达传感器和红外传感器经过相联后,在各自的信息处理中心形成目标的局部轨迹。目前的问题是对两类传感器各自所产生的航迹数据是否属于同一目标,即航迹和航迹之间的关联。红外波段雷达的关联过程,实质上就是完成雷达和红外数据的融合过程。通过数据融合,使雷达测距的高精度距离信息和红外测距角度信息相互补充,使测量数据更加准确。主要包括三个步骤,即:数据预处理、航迹关联、航迹融合。


近几年来,雷达跟踪目标面临的电磁环境越来越复杂,对雷达滤除杂波的能力提出了更高的要求。本论文提出了将人工智能中大量成功应用的机器学习算法与目标特征属性相结合,以提高目标跟踪精度;然后,利用PN学习算法进行单目标跟踪,GM-PHD雷达多目标跟踪,以及雷达红外多传感器多目标跟踪三个方面。多元分类本质上是一个二类问题。而在实际的跟踪过程中,如果遇到多个跟踪目标属性不一致,则属性分类就成为一个多决策问题。对象特征分类是一种浅层机器学习方法,它是通过人工给属性对目标和杂波进行分类。深度学习是一种深度机器学习技术,它能从大量数据中自动提取出目标特征,并利用这些特征信息来完成分类。对于浅部机器学习,若结合深度学习和雷达目标跟踪问题,可以取得较好的结果。

地址:深圳市宝安区西乡街道麻布社区宝安互联网产业基地A区6栋7栋7706

邮箱:Sales@ferry-semi.com

版权所有©2020  深圳市飞睿科技有限公司  粤ICP备2020098907号    飞睿科技微波雷达wifi模块网站地图