雙機協(xié)同無源目標(biāo)跟蹤軌跡優(yōu)化

冉華明，周銳，吳江，董卓寧

(北京航空航天大學(xué) 飛行器控制一體化技術(shù)重點實驗室，北京100191)

在現(xiàn)代空戰(zhàn)中，隨著電子干擾技術(shù)的發(fā)展，機載雷達所處的電磁環(huán)境變得越來越復(fù)雜，使得機載雷達的探測能力大大地降低，同時使得戰(zhàn)斗機受到的威脅度大大地提高.機載紅外探測跟蹤系統(tǒng)屬于無源探測跟蹤系統(tǒng)，由于不向外輻射電磁波，使其具備不易受干擾和隱蔽探測等優(yōu)點，但其只能探測目標(biāo)對的角度信息，不能直接探測目標(biāo)的距離信息.

雙機協(xié)同無源目標(biāo)跟蹤利用兩架飛機各自的位置信息和探測出的目標(biāo)角度信息，再根據(jù)目標(biāo)定位模型和濾波算法，計算出目標(biāo)的狀態(tài).如何衡量和提高雙機無源探測跟蹤的精度是國內(nèi)外學(xué)者研究的無源探測跟蹤的一個重要方向.目前國內(nèi)外對雙站協(xié)同無源探測的精度分析主要集中在如何靜態(tài)地配置基站來提高定位精度這方面，文獻［1-4］給出了雙機測向交叉定位造成的模糊區(qū)的計算方法，對測向定位精度進行分析，研究了間距、目標(biāo)位置、測角精度以及平臺測量誤差對定位精度的影響，得出了幾何精度因子(GDOP)等高線，但它們都只考慮飛機靜止時的情況，未考慮飛機如何根據(jù)最優(yōu)配置來規(guī)劃軌跡的問題.

未來空戰(zhàn)中，飛機所處的環(huán)境復(fù)雜多變，事先規(guī)劃的航路不能很好地滿足作戰(zhàn)要求，如何根據(jù)戰(zhàn)場環(huán)境的變化實時地規(guī)劃飛機的軌跡就顯得尤為重要.文獻［5］提出了一種基于遺傳算法的在不確定環(huán)境下的無人機軌跡設(shè)計方法.文獻［6］研究了動態(tài)環(huán)境下基于市場策略的分布特點的多飛機的軌跡設(shè)計.文獻［7］對雙機執(zhí)行協(xié)同探測任務(wù)，提出一種閉環(huán)控制方法，能夠達到探測精度的要求.文獻［8-9］提出了一種基于滾動時域控制方法的無人機軌跡設(shè)計方法.文獻［10-12］研究了對靜止目標(biāo)的跟蹤軌跡設(shè)計，分析得到軌跡最終收斂于安全半徑上，且雙機視線夾角成90°.文獻［13］研究了雙機協(xié)同對對面目標(biāo)攻擊的軌跡設(shè)計，使兩架飛機先分開成90°靠近目標(biāo)，提出了一種反饋的軌跡設(shè)計方法.文獻［14］研究了雙機幾何配置對協(xié)同定位的影響，得出了雙機的最優(yōu)幾何配置，并分別采用滾動時域優(yōu)化(RHO)和基于導(dǎo)引勢場法的目標(biāo)跟蹤閉環(huán)反饋混合控制策略來控制飛機的軌跡.但文獻［10-13］中只是針對靜止目標(biāo)和速度相對飛機速度較小的目標(biāo)來進行協(xié)同軌跡優(yōu)化，未對目標(biāo)速度較大的情況進行討論和分析.

本文分析了雙機協(xié)同無源跟蹤的精度，并基于此對雙機協(xié)同軌跡進行了優(yōu)化.

1 雙機協(xié)同無源探測位置精度因子分析

雙機協(xié)同無源探測跟蹤系統(tǒng)飛機與目標(biāo)的幾何態(tài)勢如圖1所示.

圖1 飛機與目標(biāo)的幾何態(tài)勢Fig.1 Geometric situation of aircrafts to target

兩架飛機相對目標(biāo)的視線的夾角為

飛機的觀測方位角滿足以下方程:

則可得出目標(biāo)的位置:

根據(jù)泰勒公式，可將 xT，yT在真實值(θ1，θ2，x1，x2，y1，y2)處進行展開，并只保留一階項，得到目標(biāo)x方向和y方向估計誤差:

根據(jù)飛機與目標(biāo)的幾何關(guān)系，可得飛機距目標(biāo)的距離為

因為測量誤差都為零均值高斯噪聲，根據(jù)式(7)，分別對式(5)和式(6)求方差:

對于雙機協(xié)同探測跟蹤系統(tǒng)，位置精度因子(PDOP)是一種常見的衡量探測精度的指標(biāo)［1-4，15］，在本文中，PDOP 可表示為

如果兩架飛機的某種幾何態(tài)勢能使PDOP最小，則相應(yīng)的目標(biāo)估計精度也就達到最優(yōu)［14］.由式(10)，在飛機紅外搜索跟蹤系統(tǒng)的角測量方差和飛機自身定位位置測量方差一定的情況下，PDOP的大小與飛機距目標(biāo)的距離以及兩架飛機相對目標(biāo)的視線的夾角有關(guān)，雙機協(xié)同無源探測的最優(yōu)的飛機配置為

式中，rmin為飛機能夠靠近目標(biāo)的安全距離.式(11)說明為了提高探測精度，兩架飛機應(yīng)該盡可能地靠近目標(biāo)，并保持π/2的視線夾角.

2 雙機協(xié)同無源跟蹤軌跡優(yōu)化

雙機協(xié)同無源目標(biāo)跟蹤系統(tǒng)的控制結(jié)構(gòu)如圖2所示.融合中心根據(jù)兩架飛機傳輸?shù)哪繕?biāo)角度測量信息和自身定位信息，根據(jù)目標(biāo)的運動模型以及系統(tǒng)的觀測方程，采用一定的濾波方法，估算出目標(biāo)的狀態(tài);指揮中心根據(jù)估算出的目標(biāo)狀態(tài)以及飛機的狀態(tài)計算某種軌跡規(guī)劃的性能指標(biāo)，再根據(jù)優(yōu)化算法對指標(biāo)進行優(yōu)化求解，解算出兩架飛機各自的協(xié)同無源跟蹤控制輸入量，飛機再根據(jù)各自的控制輸入來控制飛機的運動.

圖2 雙機協(xié)同無源目標(biāo)跟蹤系統(tǒng)的控制結(jié)構(gòu)Fig.2 Control structure of two aircrafts’collaborative passive target tracking system

2.1 雙機協(xié)同無源跟蹤建模

式中，Xk為 k 時刻的狀態(tài)向量;Φk，k－1為 k －1 時刻到k時刻的狀態(tài)轉(zhuǎn)移矩陣;Xk－1為k－1時刻的狀態(tài)向量;Γk－1為k－1時刻噪聲輸入矩陣.假設(shè)目標(biāo)做勻速直線運動，在加速度方向上有過程噪聲，采樣時間間隔為ΔT，則

wk=［w1k，w2k］T為零均值不相關(guān)的高斯白噪聲，其方差陣為

k時刻第i架飛機對目標(biāo)的方位角的真實值為

則可得到系統(tǒng)的觀測方程為

式中，Zk=［，］T為 k 時刻的雙機協(xié)同觀測向量值;h(k，Xk)=［h1(k，Xk)，h2(k，Xk)］T為 k時刻的雙機協(xié)同觀測函數(shù)，這是一個非線性函數(shù)，對其進行線性化處理，得其Jacobian矩陣:

vk=［v1k，v2k］T為零均值不相關(guān)的高斯白噪聲，其方差陣為

2.2 基于擴展信息濾波的目標(biāo)狀態(tài)估計

擴展信息濾波(EIF)是結(jié)合了擴展卡爾曼濾波(EKF)和信息濾波(IF)的優(yōu)點的基礎(chǔ)上發(fā)展起來的針對非線性系統(tǒng)的濾波方法［16］，卡爾曼濾波中使用狀態(tài)估計x^及方差P進行濾波計算，而信息濾波利用信息狀態(tài)y^及費歇信息Y進行濾波計算，其中，y^=P－1x^，Y=P－1.擴展信息濾波的預(yù)測和估計過程如下:

1)預(yù)測過程.

2)估計過程.

式中，zik為k時刻第i架飛機的觀測向量;n為信息濾波節(jié)點個數(shù)，本文中，n=2.

則k時刻目標(biāo)狀態(tài)的最終估計結(jié)果為

2.3 控制指標(biāo)的選取

雙機協(xié)同無源跟蹤的主要任務(wù)就是提高目標(biāo)的估計精度，本文用信息熵作為雙機協(xié)同軌跡控制的優(yōu)化指標(biāo)［14］:

信息熵越大，則飛機的精度就越高，飛機的最優(yōu)控制就是找到飛機最優(yōu)速度和航向角輸入，使得控制指標(biāo)最大，即

式中，ψ =［ψ1，ψ2］T為飛機的航向角;v=［v1，v2］T為飛機的速度.

同時，在對飛機進行控制時，還應(yīng)該考慮飛機的性能約束:

式中，vi為飛機速度;vmin為飛機的最小速度;vmax為飛機的最大速度;為飛機的角速度;ωmax為飛機的最大角速度為飛機的加速度;amax為飛機的最大加速度.

雙機協(xié)同無源跟蹤時還應(yīng)該考慮飛機自身的安全，即飛機與目標(biāo)的距離應(yīng)不小于安全距離，本文取安全距離為目標(biāo)的導(dǎo)彈的最大發(fā)射距離，則安全約束可表示為

式中RM_max為目標(biāo)的導(dǎo)彈的最大發(fā)射距離.

2.4 基于RHO的雙機協(xié)同軌跡優(yōu)化

雙機協(xié)同無源探測軌跡優(yōu)化問題是一個多約束的單目標(biāo)優(yōu)化問題，本文采用了滾動時域優(yōu)化來進行最優(yōu)求解［8，14］.RHO 來源于滾動時域控制(RHC)，在每一個采樣時刻，優(yōu)化指標(biāo)只考慮從該時刻起的未來某一段時間，根據(jù)系統(tǒng)運動模型來預(yù)測系統(tǒng)未來一段時間內(nèi)的狀態(tài)，并利用該狀態(tài)來計算優(yōu)化指標(biāo)，從而建立一個優(yōu)化問題，求解該優(yōu)化問題，最終得到最優(yōu)控制序列.當(dāng)?shù)搅讼乱粋€采樣時刻時，重復(fù)上一過程，隨著時間的增加，整個過程如此反復(fù)滾動進行.雙機協(xié)同無源目標(biāo)跟蹤所處的環(huán)境是動態(tài)不確定的，全程的軌跡優(yōu)化設(shè)計是不切實際的，軌跡需要不斷地更新優(yōu)化設(shè)計，而滾動時域優(yōu)化的優(yōu)點表明其可以很好地滿足這些要求.

滾動時域優(yōu)化方法步驟如下.

1)由k時刻目標(biāo)的狀態(tài)XT［k］，對未來tr步內(nèi)的目標(biāo)狀態(tài)進行預(yù)測，估計得到目標(biāo)的狀態(tài)序列:

由k時刻飛機的狀態(tài)X［k］，估計飛機的tr步控制序列:

計算k+tr時間段內(nèi)的最優(yōu)控制序列:

2)取此最優(yōu)控制序列的前τr段輸入u*［k:k+τr］(1≤τr≤tr)作為該 τr時間段內(nèi)的控制輸入.

3)k+τr時刻，重復(fù)步驟1)和2).

本文中，tr=8，τr=2.

3 仿真結(jié)果與分析

仿真假設(shè):己方飛機的最小速度 vmin=100 m/s，最大速度 vmax=300 m/s，最大加速度amax=15 m/s2，最大航向角速度 ωmax=0.1 rad/s，飛機的角測量均方差σθ=5 mrad，飛機的自身定位均方差σr=5m;目標(biāo)飛機的導(dǎo)彈最大發(fā)射距離為25km.仿真時間為1500s，采樣時間為1s，過程噪聲方差和測量方差分別為

1)情形1.飛機1和飛機2的初始位置分別為(－20，－80)km，(－70，－50)km，初始速度分別為(－120，160)m/s，(－160，－120)m/s;目標(biāo)的初始位置和速度為(－60，－40)km，(150，150)m/s，且目標(biāo)做勻速直線運動.EIF濾波器初值為X0=(－60010，151，－40010，151)T，濾波信息陣初值為 Y0=diag(［500，100，500，100］)－1.

飛機和目標(biāo)的軌跡如圖3所示.在圖中，每隔250 s標(biāo)注出3架飛機的位置，并將此時的目標(biāo)與己方飛機用虛線連接起來，可以看出，飛機1一直靠近目標(biāo)，由于飛機2與目標(biāo)的初始距離小于最小距離，所以飛機2開始時的軌跡是遠離目標(biāo)的，之后將靠近目標(biāo)，兩架飛機與目標(biāo)的視線之間的夾角也在π/2左右，直到達到最優(yōu)幾何配置.飛機與目標(biāo)的視線夾角如圖4所示，兩架飛機與目標(biāo)的視線之間的夾角最終在π/2附近波動，且波動很小.雙機協(xié)同無源跟蹤目標(biāo)的PDOP變化曲線如圖5所示，可以看出目標(biāo)的PDOP減少并收斂于最小的PDOP.這說明基于RHO的雙機軌跡優(yōu)化設(shè)計能夠使得飛機按雙機協(xié)同無源跟蹤的最優(yōu)幾何配置飛行.目標(biāo)的位置估計均方根誤差(RMSE)曲線如圖6所示，目標(biāo)的均方根誤差減少并收斂到一個較小水平.這說明基于RHO的雙機軌跡優(yōu)化設(shè)計能夠減少估計誤差，提高目標(biāo)的估計精度.此情形下，該軌跡優(yōu)化算法總耗時為139 s，比仿真時間1500 s的1/10還小，這說明該算法具有一定的實時性.

圖3 情形1的飛機及目標(biāo)軌跡Fig.3 Aircraft and target trajectory of case 1

圖4 情形1飛機與目標(biāo)的視線夾角Fig.4 The line of sight angle of aircraft and target of case 1

圖5 情形1的位置精度因子曲線Fig.5 Position dilution of precision curve of case 1

圖6 情形1的均方根誤差曲線Fig.6 Root-mean-square error curve of case 1

2)情形2.飛機1和飛機2的初始位置分別為(－30，－70)km，(－70，－30)km，初始速度分別為(－150，120)m/s，(－130，－140)m/s;目標(biāo)的初始位置和速度為(－60，－40)km，(140，120)m/s，且開始目標(biāo)做勻速直線運動，在800～1000 s時做角速度為0.005 rad/s的勻速左轉(zhuǎn)彎機動，之后再做勻速直線運動.EIF濾波器初值為X0=(－60010，141，－ 40 010，121)T，濾波信息陣初值為 Y0=diag(500，100，500，100)－1.

飛機和目標(biāo)的軌跡如圖7所示，在圖中，每隔250 s標(biāo)注出3架飛機的位置，并將此時目標(biāo)與己方飛機用虛線連接起來，可以看出，飛機1一直靠近目標(biāo)，飛機2開始遠離目標(biāo)，之后將靠近目標(biāo)，兩架飛機與目標(biāo)的視線之間的夾角也在π/2左右，直到達到最優(yōu)幾何配置，在目標(biāo)進行機動轉(zhuǎn)彎之后，兩架飛機也將相應(yīng)地進行機動轉(zhuǎn)彎.飛機與目標(biāo)的視線夾角如圖8所示，兩架飛機與目標(biāo)的視線之間的夾角最終在π/2附近波動，且波動很小.雙機協(xié)同無源跟蹤目標(biāo)的PDOP變化曲線如圖9所示，可以看出目標(biāo)的PDOP減少并收斂于最小的PDOP.這說明基于RHO的雙機軌跡優(yōu)化設(shè)計能夠使得飛機按雙機協(xié)同無源跟蹤的最優(yōu)幾何配置飛行.目標(biāo)的位置估計均方根誤差(RMSE)曲線如圖10所示，目標(biāo)的均方根誤差減少到一個較小水平.這說明基于RHO的雙機軌跡優(yōu)化設(shè)計能夠減少估計誤差，提高目標(biāo)的估計精度.此情形下，該軌跡優(yōu)化算法總耗時為147 s，約為仿真時間1500 s的1/10，這說明該算法具有一定的實時性.

圖7 情形2的飛機及目標(biāo)軌跡Fig.7 Aircraft and target trajectory of case 2

圖8 情形2飛機與目標(biāo)的視線夾角Fig.8 The line of sight angle of aircraft and target of case 2

圖9 情形2的位置精度因子曲線Fig.9 Position dilution of precision curve of case 2

圖10 情形2的均方根誤差曲線Fig.10 Root-mean-square error curve of case 2

4 結(jié)論

本文在綜合分析雙機協(xié)同無源探測PDOP的基礎(chǔ)上提出了一種基于RHO的雙機協(xié)同無源探測軌跡跟蹤算法，經(jīng)實驗驗證表明:

1)雙機協(xié)同無源定位中使得PDOP最小的雙機的幾何配置為雙機與目標(biāo)視線夾角為90°，雙機與目標(biāo)的距離為安全距離;

2)基于滾動時域優(yōu)化的軌跡優(yōu)化算法能保證雙機在執(zhí)行無源探測任務(wù)過程中保持最優(yōu)幾何配置.

未來空戰(zhàn)中，多機協(xié)同無源跟蹤具有很強的實用價值，將雙機跟蹤的最優(yōu)空間幾何配置及誤差模型推廣到多機情況具有很重要的意義，是作者以后研究的一個重要方向.

References)

［1］ 朱劍輝，方洋旺，張平，等.雙機協(xié)同定位誤差分析的研究［J］.電光與控制，2012，19(6):21-25.Zhu J H，F(xiàn)ang Y W，Zhang P，et al.Error analysis in dual-aircraft cooperative locating［J］.Electronics Optics ＆ Control，2012，19(6):21-25(in Chinese).

［2］ 王伯生，王芳.空基平臺無源定位的誤差推導(dǎo)與精度分析［J］.航空計算技術(shù)，2012，42(3):89-91.Wang B S，Wang F.Error calculation and accuracy analysis of two-fighter passive location［J］.Aeronautical Computing Technique，2012，42(3):89-91(in Chinese).

［3］ 武宜川，潘冠華，羅雙喜.空基平臺無源定位精度分析［J］.指揮控制與仿真，2010，32(2):89-92.Wu Y C，Pan G H，Luo S X.Analysis of passive location accuracy by air-based platform［J］.Command Control＆ Simulation，2010，32(2):89-92(in Chinese).

［4］ 張笑.無源二維交叉定位分析［J］.電子科技，2013，26(2):54-56.Zhang X.Analysis of 2-D triangulation method［J］.Electronic Sci＆ Tech，2013，26(2):54-56(in Chinese).

［5］ Ousingsawat J，Campbell M E.On-line estimation and path planning for multiple vehicles in an uncertain environment［J］.International Journal of Robust and Nonlinear Control，2004，14(8):741-766.

［6］ Pongpunwattana A，Rysdyk R.Real-time planning for multiple autonomous vehicles in dynamic uncertain environments［J］.Journal of Aerospace Computing，Information，and Communication，2004，1(12):580-604.

［7］ Casbeer D W，Zhan P C，Swindlehurst A L.A non-search optimal control solution for a team of muavs in a reconnaissance mission［C］//Acoustics，Speech and Signal Processing，2006.Piscataway，NJ:IEEE，2006，4:1169-1172.

［8］ Frew E W.Receding horizon control using random search for UAV navigation with passive，non-cooperative sensing［C］//2005 AIAA Guidance，Navigation，and Control Conference and Exhibit.Reston，VA:AIAA，2005，5864:1-13.

［9］ 張勝祥，裴海龍，劉保羅，等.基于滾動時域優(yōu)化的無人飛行器軌跡規(guī)劃［J］.計算機工程與應(yīng)用，2008，44(35):237-239.Zhang S X，Pei H L，Liu B L，et al.Trajectory planning for unmanned vehicles based on receding horizon optimazafion［J］.Computer Engineering and Applications，2008，44(35):237-239(in Chinese).

［10］ Frew E W，Lawrence D A.Cooperative stand-off tracking of moving targets by a team of autonomous aircraft［C］//2005 AIAA Guidance，Navigation，and Control Conference and Exhibit.Reston，VA:AIAA，2005，7:4885-4895.

［11］ Frew E W，Lawrence D A，Morris S.Coordinated standoff tracking of moving targets using Lyapunov guidance vector fields［J］.Journal of Guidance，Control，and Dynamics，2008，31(2):290-306.

［12］ Summers T H，Akella M R，Mears M J.Coordinated standoff tracking of moving targets:control laws and information architectures［J］.Journal of Guidance，Control，and Dynamics，2009，32(1):56-69.

［13］ Sinclair A J，Prazenica R J，Jeffcoat D E.Optimal and feedback path planning for cooperative attack［J］.Journal of Guidance，Control，and Dynamics，2008，31(6):1708-1715.

［14］ 孫海波.多無人機協(xié)同目標(biāo)跟蹤與打擊方法研究［D］.北京:北京航空航天大學(xué)，2010.Sun H B.Research of multiple UAV’s cooperative target tracking and attack［D］.Beijing:Beihang University，2010(in Chinese).

［15］ Zhong E J，Huang T Z.Geometric dilution of precision in navigation computation［C］//Proceedings of the Fifth International Conference on Machine Learning and Cybernetics.Piscataway，NJ:IEEE，2006:4116-4119.

［16］ Gasparri A，Pascucci F.An interlaced extended information filter for self-localization in sensor networks［J］.IEEE Transactions on Mobile Computing，2010，9(10):1491-1504.