翟 冠 孟華東 孫秀志 王希勤

（1.清華大學(xué)電子工程系，北京100084；2.61226部隊(duì)，北京100079）

用于機(jī)動目標(biāo)跟蹤的分段機(jī)動識別方法

翟 冠1孟華東1孫秀志2王希勤1

（1.清華大學(xué)電子工程系，北京100084；2.61226部隊(duì)，北京100079）

分段軌跡識別方法是一種將目標(biāo)軌跡分成若干段曲線，對每一段曲線進(jìn)行參數(shù)估計(jì)進(jìn)而估計(jì)目標(biāo)狀態(tài)的跟蹤方法.基于分段軌跡識別方法提出了一種分段機(jī)動識別方法，使之能夠適用于更多的目標(biāo)機(jī)動類型.針對速度變化的目標(biāo)，提出了新的曲線參數(shù)描述的模型以及新的優(yōu)化跟蹤性能的代價函數(shù)，改進(jìn)了判斷分段結(jié)束的條件以及起始新分段的方法.仿真結(jié)果表明：分段機(jī)動識別方法在穩(wěn)態(tài)性能不變的情況下，能夠更好地跟蹤加減速目標(biāo)；同時，分段機(jī)動識別方法對于高度機(jī)動目標(biāo)的跟蹤性能和準(zhǔn)確構(gòu)造的交互多模型算法相似，且遠(yuǎn)優(yōu)于勻速直線運(yùn)動模型下的卡爾曼濾波器.

分段軌跡識別方法；分段機(jī)動識別方法；機(jī)動目標(biāo)跟蹤；分段模型

引 言

機(jī)動目標(biāo)跟蹤是雷達(dá)、聲納、紅外、激光、無源定位等很多系統(tǒng)的重要組成部分，在軍事、國防、民用等領(lǐng)域有著廣泛的應(yīng)用.機(jī)動目標(biāo)跟蹤的性能往往取決于動態(tài)模型的選擇，因?yàn)橐粋€合適的跟蹤模型能夠從觀測數(shù)據(jù)中獲取更多的信息.最簡單的動態(tài)模型［1］是勻速運(yùn)動模型（Uniform Motion Model，UM）和勻加速運(yùn)動模型（Constant Acceleration Model，CA），隨后Singer模型［2］、協(xié)同轉(zhuǎn)彎模型（Coordinated Turn Model，CT）［3］等多種模型［4－5］被提出用來跟蹤加速和轉(zhuǎn)彎的目標(biāo).這些模型在各自適合的場景下有很好的工作性能，但沒有一個統(tǒng)一的動態(tài)模型能夠在各種機(jī)動類型下提供準(zhǔn)確的狀態(tài)估計(jì).交互多模型（Interacting Multiple Model，IMM）［6－8］方法設(shè)定了多種運(yùn)動模型，認(rèn)為目標(biāo)運(yùn)動在這幾種動態(tài)模型中以一定概率跳轉(zhuǎn)，通過估計(jì)各模型的概率以及各模型下的目標(biāo)狀態(tài)獲得目標(biāo)的狀態(tài)估計(jì)，取得了比較好的跟蹤性能.這些基于貝葉斯框架的跟蹤模型及方法的性能很大程度上依賴模型的預(yù)測是否準(zhǔn)確，在目標(biāo)高度機(jī)動的情況下退化嚴(yán)重.

一條典型的航跡可以被分為若干段，包括勻速運(yùn)動、勻加速運(yùn)動、勻速轉(zhuǎn)彎等.分段軌跡識別（Segmenting Track Identifier，STI）方法［9－10］將航跡分成若干個曲線段代表不同的運(yùn)動模型，判斷目標(biāo)當(dāng)前所處的曲線類型，從最小二乘的角度估計(jì)曲線參數(shù)，進(jìn)而獲得目標(biāo)的狀態(tài)估計(jì).這種非貝葉斯方法并不預(yù)測目標(biāo)的運(yùn)動，而是用模式識別和曲線擬合［11－12］的方法來完成目標(biāo)狀態(tài)的估計(jì).文獻(xiàn)［10］中的STI方法在目標(biāo)在勻速運(yùn)動和勻速轉(zhuǎn)彎兩種運(yùn)動狀態(tài)中切換的場景下表現(xiàn)出了很好的性能，但它并不能用來對加速目標(biāo)的跟蹤.

本文提出了分段機(jī)動識別（Segmenting Maneuver Identifier，SMI）方法，在STI的基礎(chǔ)上擴(kuò)充了目標(biāo)的運(yùn)動類型，對勻加速運(yùn)動的目標(biāo)模型做出了參數(shù)化的表示，并修正了不同類型曲線之間的代價函數(shù)，使之能夠適應(yīng)更多類型的機(jī)動.同時，通過完善分段結(jié)束的判斷條件，改進(jìn)分段的起始方法，獲得更準(zhǔn)確的分段劃分，表現(xiàn)出更好的跟蹤性能.

1 系統(tǒng)描述

如圖1所示，SMI方法將目標(biāo)的軌跡分成若干段曲線，每一段曲線可以描述為一個形式簡單的參數(shù)化模型，比如一段直線或一段圓弧.通過最優(yōu)化每段的曲線擬合、最優(yōu)化分段、最小化分段的數(shù)量，合理對軌跡分段并估計(jì)每段曲線的參數(shù)，獲得目標(biāo)的狀態(tài)估計(jì).這個方法在文獻(xiàn)［13］中被用于沒有噪聲情況下的曲線分段.曲線擬合是從最小二乘的角度估計(jì)最優(yōu)的模型參數(shù)，最優(yōu)化分段不僅要考慮每段內(nèi)的曲線擬合誤差，也要考慮段與段之間的連續(xù)和光滑程度.下面三小節(jié)分別介紹曲線模型、觀測模型和優(yōu)化的代價函數(shù).

1.1 分段模型

目標(biāo)典型的運(yùn)動類型包括勻速直線運(yùn)動，勻加速直線運(yùn)動，勻速轉(zhuǎn)彎等.將這些運(yùn)動的曲線分為兩類：直線和圓弧.每段曲線內(nèi)的所有狀態(tài)都由這個模型的初始狀態(tài)決定.

直線運(yùn)動模型（包括勻速直線運(yùn)動和勻加速直線運(yùn)動）的初始狀態(tài)為X＝［ε0，η0，φ0，s0，a0］T，其中［ε0，η0］T為該段曲線初始位置，φ0為該段曲線初始的速度方向，s0為該段曲線初始速度大小，a0為該段曲線初始加速度大小（對勻速運(yùn)動的目標(biāo)而言，a0＝0）.在STI的基礎(chǔ)上引入了加速度項(xiàng)a0，使得模型能夠符合加速減速運(yùn)動的目標(biāo)軌跡，則該模型下第j個采樣的位置產(chǎn)生函數(shù)可以表示為

式中，T為觀測的采樣周期.對應(yīng)地，第j個采樣的速度方向和大小表示為

對于勻速轉(zhuǎn)動目標(biāo)而言，模型的初始狀態(tài)表示X＝［ε0，η0，φ0，s0，ω0］T，唯一與直線模型不同的是ω0表示目標(biāo)的初始轉(zhuǎn)速，該模型下第i個采樣的位置產(chǎn)生函數(shù)可以表示為

對應(yīng)地，第j個采樣的速度方向和大小表示為

定義模型參數(shù)M＝｛m，X｝，m＝1時，模型指代直線模型，X＝［ε0，η0，φ0，s0，a0］T；m＝2時，模型指代曲線模型，X＝［ε0，η0，φ0，s0，ω0］T.模型的位置產(chǎn)生函數(shù)可以用g（X，i，m）表示，具體表示形式見式（1）和（4）.目標(biāo)本身的狀態(tài)表示為［ε（k），η（k），φ（k），s（k）］T，其分量分別對應(yīng)目標(biāo)位置在時刻k的橫、縱坐標(biāo)以及速度方向、大小.

1.2 觀測模型

本文的工作中選用最簡單的觀測模型，傳感器只能獲得目標(biāo)的位置觀測，如（7）所示：

式中：k為采樣時刻；x（k）為對應(yīng)的目標(biāo)狀態(tài)；z（k）為對應(yīng)的觀測；w（k）為觀測噪聲，假設(shè)為一個零均值，已知協(xié)方差陣為R（k）的高斯隨機(jī)過程，事實(shí)上，在SMI方法中，w（k）不必是高斯過程.

1.3 代價函數(shù)

對于已經(jīng)分割好的一段曲線來說，只需選擇好對應(yīng)的模型，最優(yōu)化模型參數(shù)，使得曲線擬合的誤差最小.對于圖1中的曲線段Sn，下標(biāo)n表示第n段曲線，對應(yīng)的模型參數(shù)為Mn＝｛mn，Xn｝，則分段內(nèi)曲線擬合的代價函數(shù)為

在圖1中，定義Pn－1為段Sn－1與段Sn的連接點(diǎn)，它既是Sn－1的最后一點(diǎn)，也是Sn的初始點(diǎn).根據(jù)對Sn－1曲線內(nèi)的擬合結(jié)果，Pn－1表征的目標(biāo)狀態(tài)為；根據(jù)對Sn曲線內(nèi)的擬合結(jié)果，Xn－1表征的目標(biāo)狀態(tài)為.由于實(shí)際這兩者為目標(biāo)同一時刻的狀態(tài)，可以定義一個連續(xù)性代價函數(shù)式（9），衡量段Sn－1與段Sn之間的連續(xù)程度，

式中：Ln為段Sn中的觀測數(shù)量；Cd（n）、Cφ（n）和Cv（n）分別衡量兩段之間位置、速度方向和速度大小上的連續(xù)性，具體形式由式（10）～（12）給出；λ和μ是加權(quán)系數(shù)，一方面調(diào)節(jié)不同參數(shù)在連續(xù)性上的權(quán)重，另一方面也為了統(tǒng)一量綱.目標(biāo)在方向上的機(jī)動性越強(qiáng)，λ應(yīng)設(shè)置越小，速率上機(jī)動的能力越強(qiáng)，μ應(yīng)設(shè)置越小.STI方法中沒有考慮目標(biāo)運(yùn)動速度大小上可能的變化，在代價函數(shù)中也沒有體現(xiàn)速度大小上的連續(xù)性.SMI方法在代價函數(shù)中引入了速度大小的連續(xù)性代價函數(shù)Cv（n），對變速運(yùn)動的目標(biāo)能夠提供更好的分段劃分.

從全局優(yōu)化的角度出發(fā)，總的代價函數(shù)表示為

式中：N為分段的數(shù)量；β為調(diào)節(jié)曲線擬合誤差和連續(xù)性的權(quán)重調(diào)節(jié)系數(shù).目標(biāo)的機(jī)動性能越強(qiáng)，目標(biāo)狀態(tài)突變的可能性越大，β應(yīng)設(shè)置越小.

2 STI算法

STI算法是一個實(shí)時的通過分段的最小二乘曲線擬合的遞歸狀態(tài)估計(jì)算法.在第一個分段被初始化以后，新來的觀測被加入到當(dāng)前的分段進(jìn)行曲線擬合，根據(jù)擬合的誤差判斷是否需要起始一個新的分段.如果不需要起始新的分段，擬合結(jié)果直接給出了目標(biāo)的狀態(tài)估計(jì)，繼續(xù)處理下一個觀測；如果需要起始新的分段，則需要對之前的分段進(jìn)行重新優(yōu)化，根據(jù)優(yōu)化的結(jié)果重新判斷是否需要起始新的分段.圖2給出了STI算法的整體流程圖，文獻(xiàn)［10］中給出了詳細(xì)步驟.

3 SMI算法

在STI算法的基礎(chǔ)上，首先在分段模型中擴(kuò)充了勻加速運(yùn)動模型，使之能夠適應(yīng)加速、減速運(yùn)動的目標(biāo)，并在代價函數(shù)中引入了速度大小的連續(xù)性.另外，完善了結(jié)束分段條件，能夠在目標(biāo)發(fā)生機(jī)動時更快地結(jié)束上一個分段.STI算法中對于第一個分段和后續(xù)的分段采取了相同的起始分段算法，SMI算法對后續(xù)的起始分段作出了改進(jìn)，能夠更快地起始新的分段.圖3給出了SMI算法的流程，圖中帶有陰影部分的模塊是SMI算法中作出改進(jìn)的部分.下面給出各部分的詳細(xì)算法描述.

3.1 初始化首分段

初始化第一個分段S1需要至少Lmin個觀測數(shù)據(jù).Lmin是一個可以調(diào)節(jié)的參數(shù)，一方面決定于能夠擬合一個曲線模型的最小點(diǎn)數(shù)，對于轉(zhuǎn)彎形成的圓弧，至少需要3點(diǎn)，勻速直線運(yùn)動至少需要2點(diǎn)，勻加速直線運(yùn)動則需要至少3點(diǎn).另一方面，起始需要的點(diǎn)數(shù)數(shù)量越大，能夠提供曲線擬合更好的穩(wěn)定性.初始化分段S1可以表示為

3.2 段內(nèi)參數(shù)估計(jì)

假設(shè)當(dāng)前正在擬合的曲線分段為SN，每新來一個觀測數(shù)據(jù)，被加入到SN中重新計(jì)算擬合，擬合結(jié)果可表示為

式中：Cs（N）為曲線內(nèi)的擬合位置誤差，由式（8）給出；Cc（N）為該段曲線與前一段曲線的連接代價函數(shù)，由式（9）給出；β為曲線擬合誤差和連續(xù)性的權(quán)重調(diào)節(jié)系數(shù).對于第一個分段S1，Cc（1）＝0.

根據(jù)擬合出的模型參數(shù)Mn＝｛mn，Xn｝可以估計(jì)出段內(nèi)每個點(diǎn)的狀態(tài)參數(shù).根據(jù)每個點(diǎn)的誤差情況，需要做結(jié)束分段的條件判斷.

3.3 結(jié)束分段條件

每一個觀測數(shù)據(jù)被加入到SN中重新計(jì)算擬合之后需要判斷該分段是否滿足結(jié)束條件.根據(jù)擬合出的模型參數(shù)計(jì)算出段內(nèi)每個點(diǎn)的誤差情況，如果滿足下列條件之一，認(rèn)為該分段應(yīng)該結(jié)束，需要起始一個新的分段：

1）該分段的擬合結(jié)果均方根（Root Mean Squred，RMS）位置誤差超過觀測噪聲標(biāo)準(zhǔn)差的KRMS倍；

2）該分段最新的Lh個采樣不再對整個曲線模型有一個好的擬合結(jié)果，具體定義為最近Lh個采樣的RMS位置誤差大于之前所有采樣的RMS位置誤差的KΔ倍；

3）該分段最新的Lh個采樣的RMS位置平均誤差大于該分段前Lm個采樣的RMS位置平均誤差的KL倍；

4）該分段中RMS位置誤差超過觀測噪聲標(biāo)準(zhǔn)差的連續(xù)點(diǎn)數(shù)大于LRMS.

上述四個條件中Lh、Lm、LRMS、KRMS、KΔ、KL均為可以調(diào)節(jié)的參數(shù)，沒有理論最優(yōu)值，應(yīng)根據(jù)場景和目標(biāo)的特點(diǎn)調(diào)整，調(diào)整的最終目標(biāo)是能夠最快地檢測出曲線運(yùn)動類型的變化.條件1）直觀地檢查出模型失配時可能出現(xiàn)的誤差情況，而條件2）主要應(yīng)對這樣的一種可能情況：對于一個長的分段，目標(biāo)機(jī)動帶來最新采樣不好的擬合結(jié)果被整個分段的平均性能所掩蓋.3）和4）均為SMI算法中新加入的條件，對于一個緩慢機(jī)動的目標(biāo)，3）和4）能較快地檢測出機(jī)動的發(fā)生.如果Lm＋Lh大于當(dāng)前分段的點(diǎn)數(shù)，則不做這條判斷.在實(shí)際算法中，KRMS、KΔ、KL三個參數(shù)應(yīng)該調(diào)節(jié)到能夠最快檢查出機(jī)動.

只要上述滿足其一，當(dāng)前分段SN結(jié)束，導(dǎo)致分段結(jié)束的前一個點(diǎn)作為兩個分段的連接點(diǎn)XN，既是SN的最后一點(diǎn)，也是新的分段的第一點(diǎn).算法就進(jìn)入到遞歸優(yōu)化分段階段.

3.4 遞歸優(yōu)化分段

檢測出分段結(jié)束條件時，進(jìn)入到遞歸優(yōu)化分段階段.優(yōu)化過程是遞歸實(shí)現(xiàn)的，從優(yōu)化分段SN－δ和SN－δ＋1開始.優(yōu)化這一對分段的代價函數(shù)包括兩段曲線各自擬合的誤差代價函數(shù)，分段SN－δ和SN－δ＋1之間的連接性代價函數(shù)以及如果SN－δ－1存在，分段SN－δ和SN－δ－1之間的連接性代價函數(shù)，如（16）所示：

通過搜索兩個分段中的點(diǎn)作為連接點(diǎn)，分別擬合兩段曲線，計(jì)算總的代價函數(shù)，選出使得總體代價函數(shù)最小的連接點(diǎn)［10，12］.

檢查這兩個分段能不能進(jìn)一步合并成一個分段.這兩個分段的數(shù)據(jù)使用一個曲線模型進(jìn)行擬合，如果同一模型下的擬合誤差小于兩段擬合誤差之和的Km倍，則兩個分段可以合并為一個分段.Km為一個可調(diào)節(jié)的變量，通常為1.1或1.2.

合并分段之后，原有的兩個分段合并為一個新的分段，繼續(xù)優(yōu)化新的分段和之后的分段，直到最近的分段也被優(yōu)化.所有分段被優(yōu)化以后，如果分段結(jié)束條件仍然滿足，則起始一個新的分段；如果不滿足，則最新的觀測被加入到最近的優(yōu)化后的分段.

3.5 起始新分段

STI算法中，起始新分段的算法與初始化第一個分段的算法相同，這就意味著當(dāng)確定滿足結(jié)束分段條件時，最少需要Lmin個新觀測才能起始新的分段.在SMI算法中，對于后續(xù)的分段起始，我們采用不同的算法.

對于當(dāng)前的觀測時間k，上一個結(jié)束的分段SN的起始點(diǎn)和結(jié)束點(diǎn)對應(yīng)時刻為k0N和kFN，對k0N＋Lmin－1至k－Lmin＋1之間進(jìn)行遍歷作為連接點(diǎn)，將上一分段和當(dāng)前沒有起始新分段的采樣分成兩個新段進(jìn)行擬合，選取兩段擬合誤差之和最小的連接點(diǎn)，暫時將這兩段的誤差記為C~s（N）和C~s（N＋1），如果滿足式（17），則采用新的分段劃分，當(dāng)前觀測加入到最新的分段進(jìn)行參數(shù)估計(jì).Kσ為可以調(diào)節(jié)的參數(shù)，σ2為觀測噪聲的位置方差.如果不滿足式（17），則采用和STI相同的起始新段方法.SMI中起始新分段的算法類似于遞歸優(yōu)化分段中分段合并的逆過程，能夠更早地對目標(biāo)機(jī)動作出識別.

4 仿真實(shí)驗(yàn)

設(shè)定一個高度機(jī)動的目標(biāo)，先后經(jīng)歷了五個運(yùn)動階段，運(yùn)動的估計(jì)、速度大小及轉(zhuǎn)速情況如圖4、5所示.目標(biāo)運(yùn)動總時長100s，目標(biāo)最初做勻速直線運(yùn)動，從第15s開始一個轉(zhuǎn)彎率為ω＝－9°／s的右轉(zhuǎn)，第35s結(jié)束轉(zhuǎn)彎開始一個加速度為a＝10m／s2的勻加速直線運(yùn)動，在第51s結(jié)束加速開始一個轉(zhuǎn)彎率為ω＝8°／s的左轉(zhuǎn)，在第75s開始一個轉(zhuǎn)彎率為ω＝－10°／s的右轉(zhuǎn).

目標(biāo)的初始位置為［50 000m，60 000m］，初始的航向?yàn)?0°，速度大小為160m／s.觀測模型如式（7）所示，觀測噪聲在x、y方向是上均為獨(dú)立的零均值高斯噪聲，標(biāo)準(zhǔn)差為σx＝σy＝40m，也就是實(shí)際的位置噪聲大約為57m.

SMI算法中，所有模型和算法中涉及的參數(shù)如表1所示.表中參數(shù)的設(shè)定有一部分在前文中已經(jīng)給出，另一部分需要通過重復(fù)實(shí)驗(yàn)找到能夠更迅速更準(zhǔn)確地做出分段劃分的參數(shù).

圖6給出了STI方法和SMI方法跟蹤模擬目標(biāo)的位置估計(jì)誤差.由于STI方法并沒有考慮速度大小變化的情況，它在目標(biāo)加速的機(jī)動過程中性能較差，略好于沒有經(jīng)過處理的觀測數(shù)據(jù)，在發(fā)生機(jī)動的時候由于缺乏合適的曲線模型還會出現(xiàn)高于觀測噪聲的情況.SMI方法加入了加速運(yùn)動的模型，并在優(yōu)化分段的時候?qū)⑺俣鹊倪B續(xù)性加入到代價函數(shù)當(dāng)中，使得在跟蹤加速運(yùn)動目標(biāo)的過程中仍然表現(xiàn)良好.在36s至51s目標(biāo)加速過程中，SMI性能遠(yuǎn)遠(yuǎn)好于STI.兩者在速度大小不變的機(jī)動過程性能相近，但SMI方法能夠跟蹤更多的機(jī)動類型.另外完善了分段結(jié)束判斷的條件，改進(jìn)了分段起始的算法，能夠更準(zhǔn)確更及時地對機(jī)動做出反應(yīng)，在勻速運(yùn)動和勻速轉(zhuǎn)彎運(yùn)動時（例如54～75s），SMI的性能也略優(yōu)于STI.

圖7 是SMI方法和已知參數(shù)的IMM方法的跟蹤誤差曲線.因?yàn)樵诔跏蓟€模型的時候需要多幀數(shù)據(jù)，所以SMI算法在模型切換時估計(jì)誤差升高，基本與觀測噪聲維持在同一水平，這也是所有多模型方法需要面對的同一問題；隨著同一模型下的觀測數(shù)據(jù)增多，SMI方法充分利用數(shù)據(jù)進(jìn)行全局的曲線擬合和分段，能夠獲得較好的性能.圖中所用的IMM算法中包括一個勻速運(yùn)動模型，一個勻加速運(yùn)動模型和兩個已知轉(zhuǎn)彎率分別為ω＝－10°／s和ω＝8°／s的協(xié)同轉(zhuǎn)彎模型.這兩個已知的轉(zhuǎn)彎率基本準(zhǔn)確地描述了目標(biāo)的幾次轉(zhuǎn)彎行為.構(gòu)造準(zhǔn)確的IMM算法提供了非常好的跟蹤性能，但在實(shí)際應(yīng)用中轉(zhuǎn)彎率很難預(yù)先知道，IMM的模型也很難構(gòu)造.而SMI方法與構(gòu)造準(zhǔn)確的IMM算法提供了相似的性能，甚至在同一機(jī)動模型下隨著觀測數(shù)量的增加，SMI方法估計(jì)誤差更小.

實(shí)際應(yīng)用中，由于已知參數(shù)的IMM模型難以確定參數(shù)值，使用未知轉(zhuǎn)彎率的協(xié)同轉(zhuǎn)彎模型和一個勻速運(yùn)動模型、一個勻加速運(yùn)動模型來構(gòu)造模型集.圖8給出了SMI方法、未知參數(shù)的IMM方法和UM模型卡爾曼濾波方法跟蹤仿真目標(biāo)的誤差曲線，結(jié)果顯示SMI方法性能明顯優(yōu)于未知參數(shù)的IMM算法，而UM模型的卡爾曼濾波方法表現(xiàn)最差.

5 結(jié) 論

本文提出了一種分段機(jī)動識別方法用于跟蹤高度機(jī)動的目標(biāo).本文在STI的基礎(chǔ)上將加速運(yùn)動目標(biāo)的曲線模型引入到SMI方法中，使之適用于更多類型的機(jī)動目標(biāo)跟蹤.另外，通過引入曲線段之間速度的連續(xù)性，修正了優(yōu)化分段的代價函數(shù)，完善了分段結(jié)束的判斷條件，改進(jìn)了起始新分段的算法，能夠提供更準(zhǔn)確地曲線分段，進(jìn)而更準(zhǔn)確地估計(jì)運(yùn)動參數(shù).仿真表明：SMI方法在跟蹤勻加速運(yùn)動目標(biāo)時性能顯著優(yōu)于STI算法；在觀測噪聲不顯著的情況下，SMI方法與準(zhǔn)確構(gòu)造的IMM算法表現(xiàn)出相近的性能，在同一機(jī)動模型下，隨著觀測數(shù)量的增多，性能趨向于領(lǐng)先準(zhǔn)確構(gòu)造的IMM算法.實(shí)際應(yīng)用中，IMM算法的模型參數(shù)很難構(gòu)造，常采用未知參數(shù)的IMM算法，此時SMI方法表現(xiàn)出明顯的優(yōu)勢.

SMI算法也有其局限性.在目標(biāo)跟蹤中，過程噪聲一方面用來描述目標(biāo)運(yùn)動狀態(tài)本身的隨機(jī)性，另一方面用來描述可能的機(jī)動行為帶來的狀態(tài)變化.SMI方法則假設(shè)目標(biāo)的每一種機(jī)動行為都能夠被一種分段模型所準(zhǔn)確描述，而在運(yùn)動類型不發(fā)生變化時過程噪聲很小，接近于0.這種假設(shè)對于有些實(shí)際目標(biāo)并不成立，例如在風(fēng)浪環(huán)境下慢速行進(jìn)的船，此時SMI算法性能有所下降.因此，SMI方法后續(xù)的工作中一方面是找到方法適用的目標(biāo)場景，另一方面是使用更多更準(zhǔn)確的分段模型描述目標(biāo)的各種機(jī)動行為.此外，由于頻繁的求解非線性最優(yōu)化問題，SMI方法復(fù)雜度更高，所需運(yùn)算時間遠(yuǎn)高于勻速直線運(yùn)動模型下的卡爾曼濾波和IMM方法.這個問題可以通過優(yōu)化非線性最優(yōu)化問題的求解在未來進(jìn)一步改進(jìn).

［1］ BAR-SHALOM Y，LI X R，Kirubarajan T.Estimation with Applications to Tracking and Navigation：Theory，Algorithms，and Software［M］.New York：Wiley，2001.

［2］ SINGER R A.Estimating optimal tracking filter performance for manned maneuvering targets［J］.IEEE Transactions on Aerospace and Electronic Systems，1970，4：473-483.

［3］ MAYBECK P S，WORSLEY W H，F(xiàn)LYNN P M.Investigation of constant turn-rate dynamics models in filters for airborne vehicle tracking［J］.NAECON，1982：896-903.

［4］ BLACKRNAN S，HOUSE A.Design and Analysis of modern Tracking Systems［M］.Boston：Artech House，1999.

［5］ LI X R，JILKOV V P.Survey of maneuvering target tracking.Part I：dynamic models［J］.IEEE Transactions on Aerospace and Electronic Systems，2003，39（4）：1333-1364.

［6］ BLOM H A P，BAR-SHALOM Y.The interacting multiple model algorithm for systems with Markovian switching coefficients［J］.IEEE Transactions on Automatic Control，1988，33（8）：780-783.

［7］ LI X R，BAR-SHALOM Y.Design of an interacting multiple model algorithm for air traffic control tracking［J］.IEEE Transactions on Control Systems Technology，1993，1（3）：186-194.

［8］ MAZOR E，AVERBUCH A，BAR-SHALOM Y，et al.Interacting multiple model methods in target tracking：a survey［J］.IEEE Transactions on Aerospace and Electronic Systems，1998，34（1）：103-123.

［9］ LINDER S P，RYAN M D，QUINTIN R J.Concise track characterization of maneuvering targets［J］.Computer Graphics，2001，1（4）：7.

［10］ LINDER S P，SCHELL C.A non-Bayesian segmenting tracker for highly maneuvering targets［J］.IEEE Transactions on Aerospace and Electronic Systems，2005，41（4）：1168-1177.

［11］ SHEU H T，HU W C.Multiprimitive segmentation of planar curves-a two-level breakpoint classification and tuning approach［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1999，21（8）：791-797.

［12］ LEWIS R M，TORCZON V，TROSSET M W.Why Pattern Search Works［R］.Hampton：Institute for Computer Applications in Science and Engineering，1998.

［13］ YOSHIMOTO F，MORIYAMA M，HARADA T.Automatic knot placement by agenetic algorithm for data fitting with a spline［C］／／International Conference on Shape Modeling and Applications.Aizu-Wakamatsu：IEEE，1999：162-169.

［14］ EFE M，ATHERTON D P.Maneuvering target tracking using adaptive turn rate models in the interacting multiple model algorithm［C］／／Proceedings of the 35th IEEE Decision and Control.Kobe：IEEE，1996，3：3151-3156.

作者簡介

翟 冠 （1986－），男，江蘇人，清華大學(xué)電子工程系博士研究生，研究方向?yàn)榻y(tǒng)計(jì)信號處理、雷達(dá)信號處理.

孟華東 （1977－），男，湖北人，清華大學(xué)電子工程系副教授，研究方向包括雷達(dá)信號處理、統(tǒng)計(jì)信號處理等.

孫秀志 （1965－），男，山東人，61226部隊(duì)高級工程師，研究方向包括電磁頻譜管理、數(shù)字信號處理等.

王希勤 （1968－），男，江蘇人，清華大學(xué)電子工程系教授，博士生導(dǎo)師，研究方向包括雷達(dá)系統(tǒng)、雷達(dá)信號處理、統(tǒng)計(jì)信號處理、認(rèn)知雷達(dá)等.

Segmenting maneuver identifier for maneuvering target tracking

ZHAI Guan1MENG Huadong1SUN Xiuzhi2WANG Xiqin1
（1.Department of Electronic Engineering，Tsinghua University，Beijing100084，China；2.Unit 61226 of PLA，Beijing100079，China）

The segmenting track identifier（STI）is an approach for maneuvering target tracking，which partitions the track into segments，optimizes the parameters of each segment，and obtains the state estimation.This paper proposes a segmenting maneuver identifier（SMI）based on the STI and makes it adaptable to additional maneuvering types.We present the parametric function of a new model，modify the cost function of the combined segments and the break condition，and improve the segment initialization method.The simulation shows the SMI provides better performance for tracking an accelerating target while the performance remains the same as the STI for tracking a steady-state target.It is also shown that the SMI performs as well as an interacting multiple model algorithm constructed with appropriate motion models，and much better than the Kalman filter based on the traditional uniform models for tracking highly maneuvering targets.

segmenting track identifier（STI）；segmenting maneuver identifier（SMI）；maneuvering target tracking；segment model

TN953

A

1005-0388（2015）01-0063-08

翟 冠，孟華東，孫秀志，等.用于機(jī)動目標(biāo)跟蹤的分段機(jī)動識別方法［J］.電波科學(xué)學(xué)報，2015，30（1）：63-70.

10.13443／j.cjors.2014012101

ZHAI Guan，MENG Huadong，SUN Xiuzhi，et al.Segmenting maneuver identifier for maneuvering target tracking［J］.Chinese Journal of Radio Science，2015，30（1）：63-70.（in Chinese）.doi：10.13443／j.cjors.2014012101

2014-01-21

聯(lián)系人：翟冠E-mail：zhaiguan＠gmail.com