论文部分内容阅读
航迹融合是多传感器数据融合的一个非常重要的方面，主要包括目标跟踪、数据的关联及相关航迹的融合。目标跟踪是关联和融合的基础，因此对目标滤波跟踪算法的研究具有重要意义。本文介绍了多传感器数据融合的基本理论，系统阐述了卡尔曼滤波(Kalman Filter，简称KF)理论的发展，基本方程以及扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)方程的推导。然后深入研究了变换状态空间扩展卡尔曼滤波(Transforming State Space EKF，简称TSS-EKF)，提出了改进的TSS-EKF算法，并把该算法应用到实际的航迹融合问题中。我们建立了航迹的滤波跟踪、航迹数据的关联计算及相关航迹融合三个数学模型，并进行了相应的融合仿真。仿真结果表明：经滤波后得到的航迹较原航迹光滑且误差较小，航迹相关模型检验准确，航迹融合效果理想。本文在理论和应用方面的创新点如下：(1)基于变换状态空间的思想，本文提出了新状态空间函数的定义、构造方法及改进的TSS-EKF算法。通过实例分析，指出原算法在状态空间变换时的缺陷，说明改进的TSS-EKF算法的优越性。(2)对于机动性较强的实际航迹数据，构造出相应的新状态空间函数，运用改进的TSS-EKF算法进行实时滤波跟踪仿真，得到了更光滑的航迹曲线。(3)由于航迹数据误差较大，我们通过定义两个航迹状态向量的商来研究航迹的相关性，然后利用假设检验的方法提出了航迹关联判别的一种新模型，在航迹关联的判别上进行了假设检验的新应用。(4)推导出任意条相关航迹的融合公式，并建立航迹融合的数学模型，对所判断出的相关航迹进行融合仿真。