臨近空間高超聲速飛行器DG－VSMM跟蹤算法

肖 松，李志淮，譚賢四，王 紅

（空軍預警學院1.研究生管理大隊；2.二系，武漢430019）

臨近空間高超聲速飛行器是指在距離地面20～100km的空域，飛行馬赫數(shù)達到5以上的飛行器。近年來，臨近空間高超聲速飛行器的政治、經(jīng)濟和軍事價值引起了各國的高度重視，并成為美國等軍事強國的研究熱點[1－2]。

目前，對常規(guī)機動目標跟蹤的研究已經(jīng)很成熟，但是，對臨近空間高超聲速目標跟蹤的研究還處于起步階段[3]。臨近空間高超聲速飛行器不同于傳統(tǒng)的彈道導彈和常規(guī)飛行器，其飛行速度極快，飛行軌跡多變，運動特征多樣，對跟蹤系統(tǒng)提出了嚴峻挑戰(zhàn)[4]。單模型跟蹤算法難以準確描述目標運動狀態(tài)[5]；固 定 結(jié) 構(gòu) 多 模 型 （Fixed Structure Multiple Model，F(xiàn)SMM）跟蹤算法為了達到好的跟蹤效果，必須使用一個大的模型集合，這就增加了計算的復雜性，而且過多模型間的不必要競爭反而會使性能下降[6]；VSMM跟蹤算法將能夠描述目標主要機動形式的模型組成一個大的模型集合，在目標進行機動運動時，通過模型集合自適應（Model Set Adaptation，MSA）選擇與目標機動形式最接近的模型子集來進行濾波計算，解決了FSMM跟蹤算法中模型集固定和計算量大的問題，受到廣泛青睞[7]。臨近空間高超聲速飛行器的運動狀態(tài)可能在很短時間內(nèi)發(fā)生較大變化，如果VSMM跟蹤算法中的模型集自適應速度跟不上飛行器運動狀態(tài)的變化速度，就會出現(xiàn)誤差增大甚至跟蹤失敗的現(xiàn)象。鑒于此，本文選擇目標可能的機動模型集合，設計模型之間的連通和轉(zhuǎn)換關(guān)系，通過后驗概率的大小來實時調(diào)整模型集，實現(xiàn)變結(jié)構(gòu)跟蹤。

1 問題描述

1.1 臨近空間高超聲速目標特性

自20世紀50年代以來，美國等國家經(jīng)過多年不懈努力，制定出多項高超聲速飛行器發(fā)展計劃，并進行了多次地面和飛行試驗。綜合分析已經(jīng)公布的相關(guān)信息[1，3]，得到臨近空間高超聲速飛行器的目標特性：飛行馬赫數(shù)為5～25，飛行高度為20～100km，機動過載能力為2g～10g，雷達反射面積為0.3～0.01m2，幾何尺寸為1～20m，質(zhì)量為0.5～5t。

臨近空間高超聲速飛行器是典型的“高、快、小”目標，更重要的是，臨近空間高超聲速飛行器的典型發(fā)射方式有機載發(fā)射、火箭發(fā)射和空間平臺發(fā)射，其飛行軌跡不同于彈道導彈，可以周期跳躍飛行，機動靈活多變，給探測跟蹤和攔截系統(tǒng)等提出了嚴峻挑戰(zhàn)。

1.2 傳統(tǒng)VSMM跟蹤算法存在的問題

考慮如下隨機混合系統(tǒng)：

式中：fk[·]、gk[·]和hk[·]都是非線性函數(shù)，xk和zk分別為系統(tǒng)狀態(tài)向量和量測向量，w[·]和v[·]分別為系統(tǒng)過程噪聲和量測噪聲，其協(xié)方差分別為Qk和Rk，mk為k時刻的系統(tǒng)模式狀態(tài)，且mk?M，M為系統(tǒng)所有模型的集合。目標當前可能的模式與其前一時刻的狀態(tài)（包括動力狀態(tài)和模式狀態(tài)）是相關(guān)的，即：

式中：M（k）為k時刻模型子集中的一個模型為相對于M（k）的下一時刻目標可行的模式集合，P[M（k＋1）｜M（k），xk]為與目標狀態(tài)相關(guān)的模型轉(zhuǎn)移概率。k＋1時刻可行的模式集合應為

最小均方誤差意義下的變結(jié)構(gòu)多模型估計算法具有2層結(jié)構(gòu)，高層為模式狀態(tài)mk的估計，即MSA，是VSMM算法有別于傳統(tǒng)算法的獨特之處；低層為模型序列M（k）的估計，即多模型交互計算，與傳統(tǒng)FSMM算法相同。自VSMM跟蹤算法提出以來，有3種典型MSA算法：模型群組切換算法（Model Group Switching，MGS）[8]、自適應網(wǎng)格算法（Adaptive Grid，AG）[7]和可能模型集算法（Likely Model Set，LMS）[9]。MGS算法采用硬判決的模型集切換，容易導致誤切換，這在臨近空間高超聲速飛行器的跟蹤過程中容易導致跟蹤丟失，增大了跟蹤失敗的風險；AG算法在濾波過程中根據(jù)上一時刻的估計結(jié)果建立新的模型并自適應調(diào)整模型間的距離，自適應產(chǎn)生新的、更為匹配當前機動的模型集合，雖然無須預先設定模型，但是通常先設置模型間距較為粗糙的模型集，在跟蹤狀態(tài)變化較快的臨近空間高超聲速飛行器時，算法一直處于模型間距較粗糙的模型集狀態(tài)，從而導致跟蹤誤差較大；LMS算法的實質(zhì)是主動圖（AD）模型集自適應策略的具體實現(xiàn)，雖然比MGS算法的運算量要小，比AG算法的通用性要強，但是由于LMS算法只能激活主導模型的強鄰模型，導致算法模型集的調(diào)整速度跟不上目標的狀態(tài)變化速度，從而出現(xiàn)誤差增大或者跟蹤失敗的現(xiàn)象。

2 DG－VSMM跟蹤算法

鑒于傳統(tǒng)VSMM跟蹤算法的優(yōu)點和存在的不足，本文選擇的模型能有效覆蓋臨近空間高超聲速飛行器的可能機動情況，根據(jù)模型之間的連通關(guān)系和轉(zhuǎn)換概率建立模型有向圖，使每一時刻起作用的模型子集根據(jù)目標的機動變化而變化。算法過程主要有選擇模型集合、建立模型有向圖和濾波計算3個步驟。

2.1 選擇模型集合

假設臨近空間高超聲速飛行器在X－Y平面內(nèi)運動，平面內(nèi)的機動行為可以歸結(jié)為速度和航向的變化。其中速度的變化可以用加速度a來表征，而航向的變化則由角速度ω來表征，臨近空間高超聲速飛行器也有可能進行勻速巡航，則模型集中必須包含勻速運動模型?？紤]到臨近空間高超聲速飛行器的運動特性，傳統(tǒng)的Jerk模型受機動頻率的影響較大，在跟蹤此類目標時，不能體現(xiàn)自身優(yōu)勢；Singer模型具有比勻速（Constant Velocity，CV）模型和勻加速（Constant Acceleration，CA）模型更寬的覆蓋范圍，具有較大的機動適應性，但是當目標出現(xiàn)轉(zhuǎn)彎機動時，跟蹤效果較差；“當前”統(tǒng)計（Current Statistical，CS）模型能較為真實地反映目標機動范圍和強度的變化，是目前較好的實用模型；轉(zhuǎn)彎（Coordinate Turn，CT）模型針對轉(zhuǎn)彎機動有較好的跟蹤效果，這里采用的是一種修正的轉(zhuǎn)彎模型（Modified Coordinate Turn，MCT），其基本思想為：當臨近空間高超聲速飛行器在高超聲速巡航時，其相鄰時刻的轉(zhuǎn)彎角速度不可能發(fā)生突變，假定目標轉(zhuǎn)彎角速度ω（t）服從一階時間相關(guān)過程，結(jié)合目標轉(zhuǎn)彎運動的幾何關(guān)系得到MCT模型的連續(xù)時間系統(tǒng)狀態(tài)方程，經(jīng)拉普拉斯逆變換得到轉(zhuǎn)彎模型離散系統(tǒng)狀態(tài)轉(zhuǎn)移矩陣，然后借助“當前”統(tǒng)計模型的思想，及時修正目標的“當前”角速度，較為準確地測量目標機動角速度的變化情況，使模型更復合目標的實際運動情況。由于篇幅的原因，這里不再贅述。

選擇1個CV模型、5個CS模型和4個MCT模型，其最大加速度和最大角速度能夠覆蓋臨近空間高超聲速飛行器的可能機動情況。

假設1 模型的選擇符合獨立性與完備性的條件：

式中：Mi（k）為k時刻的模型Mi，zk為k時刻的觀測值，q為模型總數(shù)。

2.2 建立模型有向圖

模型之間的連通關(guān)系是根據(jù)目標類型和目標可能的機動情況等先驗知識來確定。例如，載有攻擊性武器的臨近空間高超聲速飛行器和單純進行電子偵察的臨近空間高超聲速飛行器，其可能機動形式是不同的，而不管何種類型的目標，在一個采樣周期內(nèi)，目標不能從加速度最小的狀態(tài)跳轉(zhuǎn)到加速度最大的狀態(tài)，故最大加速度amax和最小加速度amin不毗鄰，最大角速度ωmax和最小角速度ωmin也不毗鄰，當目標的加速度或者角速度較小時，其可能的機動形式相對較多，其他的與此類似。建立各模型之間的連通關(guān)系，如圖1所示。

圖1 模型有向圖

顯然，如果在一個總模型數(shù)為q，每個模型子集中的模型個數(shù)為b的系統(tǒng)中，模型子集的個數(shù)qmk最多為

采用有向圖的方法，其模型組合數(shù)遠遠超過傳統(tǒng)方法。

假設2 模型間的轉(zhuǎn)移服從狀態(tài)有限、時間離散的時齊馬爾科夫鏈，其馬爾科夫轉(zhuǎn)移概率為

式中：Mj（k）為k時刻的模型Mj，Pij是根據(jù)先驗知識來確定的，2個毗鄰的模型其轉(zhuǎn)移概率較大，而不直接連通的模型其轉(zhuǎn)移概率為0。假設目標所有可能機動形式的一個強覆蓋包含q個模型，每個模型子集包含b個模型（這里取b＝4）。若k－1時刻系統(tǒng)模型子集為｛a3a2ωminω1｝，交互輸出時計算各子模型的后驗概率，假設Ma2（k－1）的最大，如果后驗概率為Pωmin（k－1）＜Pω2（k－1）＜Pa3（k－1）＜Pa2（k－1），則在下一時刻要保留模型Ma2（k－1）和Ma3（k－1），將這2個模型的濾波值作為系統(tǒng)的輸出和下一時刻的初始化值，根據(jù)系統(tǒng)所有模型之間的轉(zhuǎn)移概率Pij，選擇從模型Ma2（k－1）轉(zhuǎn)移到其它模型概率最大的前2個模型（不與上一時刻參與計算的 模 型 重 復），假 設 為Mamax（k－1）和Mωmax（k－1），用 來 取 代 模 型Mω1（k－1）和Mωmin（k－1），則 在k時 刻 運 行 模 型 集 合｛a2a3amaxωmax｝，同時進入下一個循環(huán)。

2.3 濾波計算

濾波計算指在模型集自適應選定參與計算的模型后，各模型進行跟蹤濾波，對于非線性系統(tǒng)采用擴展卡爾曼濾波方法（Extended Kalman Filtering，EKF），計算方法與傳統(tǒng)IMM 算法相同，具體方法見文獻[10]。

3 仿真

3.1 仿真場景

假設飛行器的初始狀態(tài)：x方向的距離為10km，速度為1 000m/s，加速度為0；y方向的距離為10km，速度為900m/s，加速度為0?？傦w行時間為170s。飛行器發(fā)生機動時刻及對應的機動形式如表1所示，表中tj為機動時刻。傳感器能夠連續(xù)探測到目標在X－Y平面的位置和速度（含有噪聲），量測周期T＝1s。

表1 目標機動運動情況表

模型集合中包含10個子模型：1個CV模型，5個“當前”統(tǒng)計模型的最大加速度分別為－120m/s2，－90m/s2，60m/s2，90m/s2，120m/s2；4個轉(zhuǎn)彎模型的最大角速度分別為－0.3rad/s，－0.2rad/s，0.2rad/s，0.3rad/s。所有模型之間的轉(zhuǎn)移概率矩陣Pij根據(jù)目標的可能機動情況來確定，每一時刻參與計算的模型之間的概率轉(zhuǎn)移矩陣與IMM算法的相同。為了便于說明，選擇傳統(tǒng)的LMS－VSMM算法作為對比，其模型集合為：1個CV模型、2個CS模型和1個MCT模型，模型參數(shù)與DG－VSMM算法的相同。在Matlab7.1中進行100次Monte－Carlo仿真。

3.2 結(jié)果分析

為了說明全過程的跟蹤效果，針對每一個觀測點，定義位置和速度均方根誤差為

式中：Xε為狀態(tài)向量的第ε個量測值，為第ψ次仿真的第ε個估計值，D為 Monte－Carlo仿真次數(shù)。

當狀態(tài)噪聲和量測噪聲均方根分別為r1＝100，r2＝100時，得到2種跟蹤算法的濾波軌跡如圖2所示。

圖2 濾波軌跡與真實值比較（r1＝r2＝100）

位置和速度均方根誤差分別如圖3、圖4所示。

從圖3和圖4中可以看出，當目標運動狀態(tài)相對較穩(wěn)定時，如勻速或者加速巡航時，2種算法的跟蹤效果相當；當目標加速度發(fā)生突變或者機動形式變化時，新算法跟蹤結(jié)果較穩(wěn)定，而LMS－VSMM算法會出現(xiàn)誤差變大，特別是速度均方根誤差體現(xiàn)得更明顯，從總體來看，新算法的位置和速度均方根誤差要小于LMS－VSMM算法的。

圖3 位置均方根誤差比較（r1＝r2＝100）

圖4 速度均方根誤差比較（r1＝r2＝100）

當狀態(tài)噪聲和量測噪聲誤差分別為r1＝400，r2＝400時，新算法和LMS－VSMM 算法的濾波軌跡如圖5所示。

圖5 濾波軌跡與真實值比較（r1＝r2＝400）

位置和速度均方根誤差分別如圖6、圖7所示。

從圖6和圖7中可以看出，當系統(tǒng)狀態(tài)噪聲和量測噪聲增大時，新算法和LMS－VSMM算法的位置均方根誤差都增大，但是新算法增幅較小，而且當目標出現(xiàn)較強機動時，如目標的加速度發(fā)生突變，特別是目標的機動形式發(fā)生變化時，新算法的濾波結(jié)果更穩(wěn)定，精度更高，而LMS－VSMM 算法出現(xiàn)誤差急劇增大的現(xiàn)象。若新算法在多個模式切換之間不收斂，由于新算法能夠保留最優(yōu)模型，并根據(jù)后驗概率選擇最優(yōu)模型的毗鄰模型組成模型集，以最快速度實現(xiàn)收斂。從實用性角度來講，新算法具有比傳統(tǒng)算法更快的收斂率，這一點從圖中目標發(fā)生連續(xù)轉(zhuǎn)彎機動時的仿真結(jié)果可以看出。

圖6 位置均方根誤差比較（r1＝r2＝400）

圖7 速度均方根誤差比較（r1＝r2＝400）

從算法計算量方面分析，設模型集中模型總數(shù)為φ，每個周期參與計算的模型數(shù)為φ，記2個數(shù)進行比較的計算量為J1，則新算法完成對子模型濾波結(jié)果進行比較的計算量約為，選擇模型集的計算量記為J2，LMS－VSMM算法中每個模型的概率和設定值進行比較的計算量為φJ1，綜合判斷的計算量為2J1，如果目標機動復雜，傳統(tǒng)算法可能需要次計算才能達到最優(yōu)，故新算法每個量測周期模型集跳轉(zhuǎn)的計算量為，比 LMS－VSMM 算法[（φ＋2）J1＋J2]的小。

4 結(jié)論

本文分析了臨近空間高超聲速飛行器的目標特性，針對傳統(tǒng)跟蹤算法不能實現(xiàn)對此類目標進行有效跟蹤的問題，提出了一種基于有向圖的變結(jié)構(gòu)多模型跟蹤算法。通過選擇模型集合、建立模型間的連通關(guān)系、設計自適應策略和交互計算，使每一時刻參與計算的模型都接近最優(yōu)。該算法能夠比傳統(tǒng)VSMM算法更快地在模型子集之間跳轉(zhuǎn)，更快地實現(xiàn)對目標的穩(wěn)定跟蹤，可適用于臨近空間高超聲速飛行器以及目標的運動模式空間很大、目標的運動狀態(tài)高度時變（強機動）的情況。針對以臨近空間高超聲速飛行器為代表的“高、快、小”目標，設計更為恰當?shù)母櫵惴?，使算法的適應能力和針對性更強一些，是一個具有重要現(xiàn)實意義的課題，也是下一步的研究重點。

[1]馬英，何麟書.實現(xiàn)高超聲速跳躍式彈道關(guān)鍵問題的研究[J].彈道學報，2009，21（3）：35－38.MA Ying，HE Lin－shu.Study on key problems of realizing hypersonic skip trajectory[J].Journal of Ballistics，2009，21（3）：35－38.（in Chinese）

[2]HU R F，WU Z N，WU Z，et al.Aerodynamic map for soft and hard hypersonic level flight in near space[J].Acta Mech Sin，2009，25：571－575.

[3]關(guān)欣，趙靜，何友.臨近空間高超聲速飛行器跟蹤技術(shù)[J].四川兵工學報，2011，32（8）：4－6.GUAN Xin，ZHAO Jing，HE You.Track technology of hypersonic aircraft in near space[J].Journal of Sichuan Ordnance，2011，32（8）：4－6.（in Chinese）

[4]HOU L Q，LI H N，HUANG F M，et al.Tracking micro reentering USV with TDRS and ground stations using adaptive IMM method[C]//Proceeding of the IEEE International Conference on Information and Automation.Shenzhen：IEEE，2011：1－7.

[5]FOO P H，NG G W.Combining the interacting multiple model method with particle filters for maneuvering target tracking [J].IET Radar Sonar and Navigation，2011，5（3）：234－255.

[6]QU H Q，PANG L P，LI S H.A novel interacting multiple model algorithm[J].Signal Processing，2009，89（11）：2 171－2 177.

[7]LI X R，JILKOV V P.A survey of maneuvering target tracking partⅤ：multiple－model methods[J].IEEE Transactions on Aerospace and Electronic Systems，2005，41（4）：1 255－1 321.

[8]LI X R，ZHANG Y M.Multiple－model estimation with variable structure partⅤ：likely－model set algorithm[J].IEEE trans on Aerospace and Electronic Systems，2001，36（2）：448－466.

[9]LI X R，ZHANG X.Multiple－model estimation with variable structure partⅢ：model－group switching algorithm[J].IEEE Trans on Aerospace and Electronic Systems，1999，35（1）：225－240.

[10]PENG D L，GU Y.IMM Algorithm for a 3Dhigh maneuvering target tracking[J].Lecture Notes in Computer Science，2011，6 729（1）：529－536.