基于卡尔曼滤波和DDQN算法的无人机机动目标跟踪

为使无人机能够自主、准确地预测目标状态,进而对敌方机动目标进行跟踪,基于卡尔曼滤波和深度强化学习DDQN算法提出了一种在线决策算法。通过构建无人机机动目标跟踪模型和马尔科夫决策过程框架,结合卡尔曼滤波对目标状态进行了准确预测和更新;然后整合无人机自身状态作为神经网络输入,利用DDQN算法进行针对性训练,实现了无人机对机动目标的自主跟踪控制。仿真实验证明,相较于经典DQN算法,基于DDQN算法训练后的无人机,在跟踪任务中能够对目标保持更长的有效跟踪时间、跟踪距离更近,并保持更稳定的飞行状态,最终实现对机动目标的高效跟踪。     

机动目标跟踪中自适应滤波算法的研究

文中对机动目标跟踪中的自适应滤波算法进行了研究,给出了一种适用于雷达导引头跟踪系统的修正的自适应卡尔曼滤波算法,通过全弹系统的数字仿真,对影响该算法滤波性能的各种因素进行了分析讨论.大量仿真结果表明该自适应滤波算法对于机动目标具有良好的跟踪性能和适应能力.     

基于改进截断正态概率模型的机动目标跟踪算法

机动目标模型是水下目标跟踪的关键,在分析截断正态概率密度模型的基础上,利用前2个时刻的观测值与状态估计偏差,对该模型机动加速度与其方差的自适应关系重新进行修正,给出了一种基于改进截断正态概率密度模型的机动目标跟踪算法.该算法避免了加速度极限值的预先设定问题,从而提高了对机动目标状态估计的精度.仿真结果表明,该算法在跟踪水下机动目标时具有良好的跟踪性能.     

雷达型空空导弹抗速度拖引干扰算法研究

速度拖引干扰是目前对付雷达型空空导弹的主要有源欺骗干扰,随着战斗机机动性能的提高,速度拖引干扰的使用往往与目标的规避机动同时进行。这迫使导引系统在拖引信号中断后进行较大范围的频率搜索,迟滞或无法截获目标,最终造成角度跟踪的失败。为此,文中提出了利用空空导弹角度通道滤波信息辅助速度通道抗速度拖引干扰的新的抗干扰算法,以期达到抑制目标大机动情况下使用速度拖引干扰的效果。通过仿真表明,在目标大机动时释放速度拖引干扰的情况下,该算法具有较好的抗速度拖引干扰效果。     

一种基于"当前"统计模型的改进目标跟踪算法

分析了“当前”统计模型跟踪非机动及弱机动目标时精度较差的原因,提出了采用隶属函数调整加速度方差改进目标跟踪的算法。该算法根据目标当前的机动状况自动地调整方差。仿真表明,该算法能够有效地提高对非机动及弱机动目标的跟踪精度。     

一种基于ARMA新息模型的机动目标跟踪算法

针对一般机动目标跟踪算法的复杂性和计算量大的缺点,提出了一种基于ARMA新息模型的改进稳态Kalman滤波算法.该算法选取极坐标系为跟踪坐标系,将反映径向加速度和机动角加速度的控制输入量引入到目标距离和方位的状态描述模型中,其计算量远远小于一般跟踪算法.仿真试验结果表明该算法满足机动目标跟踪的精度要求,可应用于机动目标的快速跟踪.     

机动目标的跟踪滤波处理

目标机动跟踪数据实时处理采用“当前统计模型”,呵及时获得目标运动参数,但根据大量仿真试验,发现效果并不理想。针对该问题,采用改进算法对大机动的目标进行跟踪滤波处理,通过仿真运算,得到了较好的仿真效果。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

模糊自适应机动目标跟踪算法

提出了一种模糊自适应机动目标跟踪算法.该算法首先通过新息进行机动发生与否及强弱的判断,进而由模糊推理系统给出了过程噪声的自适应调整,并提出了通过测量获得测量噪声特性的方法,使得测量噪声方差能准确地反映测量仪器本身的性质和环境的影响.通过仿真实验验证了该算法在目标发生机动时,能自适应调整过程噪声,对机动目标有效地进行跟踪,相比传统的卡尔曼滤波具有更小的跟踪误差.     

多假目标干扰下组网雷达机动目标跟踪方法

针对距离多假目标干扰下,单站雷达视角单一,获取信息量少,对机动目标跟踪效果不佳的问题,提出了多假目标干扰下基于组网雷达的机动目标跟踪方法。该方法通过信号似然比预处理与卡方检验相结合进行量测分组,根据多假目标的空间分布特点求解"中心量测",并基于该量测进行球坐标系下的径向最近距离关联,最终在交互式多模型算法(Interacting Multiple Model,IMM)的框架下实现对机动目标的高精度跟踪。仿真结果表明,通过对目标量测的准确选择与融合,相比类似方法,平均位置均方根误差减小了57%,平均速度均方根误差减小了14%,且对机动目标也有较好的适应能力。     

基于微分几何的固定翼无人机过顶跟踪地面目标制导方法

为了实现无人机对地面目标的密切跟踪,提出一种基于微分几何的无人机过顶跟踪地面目标的制导方法。 通过搭建无人机过顶跟踪地面目标的数学模型,分析其数学关系。设计无人机过顶跟踪地面目标的制导律并完成稳 定性分析。最后,分别针对不同运动状态的地面目标进行仿真验证。仿真结果表明：该方法能实现对各类地面目标 的有效跟踪,并且具有良好的跟踪性能。     

无人机跟踪地面目标无碰撞航迹规划

针对无人机自动跟踪目标过程中需要规避障碍物的问题,设计一种将跟踪制导律与改进人工势场法相结 合的航迹规划算法。对人工势场法进行适应性改进,建立无人机动力学模型,阐述定距离跟踪制导律的设计方法, 并采取加权求和与运动学约束的方式将定距跟踪制导律与人工势场法二者结合。仿真实验结果表明：该策略具备有 效性和可行性。     

多目标时空同步协同攻击无人机任务分配与轨迹优化

针对复杂战场环境下分布式无人机对多目标协同打击任务,提出多目标攻击的任务分配与轨迹优化算法。建立典型多目标打击的任务场景和无人机模型;基于Delaunay三角形理论,以禁飞区为节点构建搜索地图;运用A^*算法实现威胁最小的单机路径搜索;在无人机动力学约束和能耗损失最小的基础上,引入时间调节因子,采用基于贝塞尔曲线的分布式无人机时空同步轨迹优化方法,得到对多目标同时打击的优化轨迹;设计轨迹跟踪控制器,对预规划轨迹进行跟踪仿真。仿真结果表明,多目标攻击的任务分配与轨迹优化方法能够对多目标实现多角度、时空同步、分布式协同打击,且对噪声及阵风等具有较强的抗干扰能力。     

状态自适应无迹卡尔曼滤波算法及其在水下机动目标跟踪中的应用

为了满足水下对抗对机动目标实时跟踪和目标航速、航向准确估计的要求,针对观测量为距离和方位的机动目标跟踪,对传统无迹卡尔曼滤波（UKF）跟踪算法进行了改善。提出根据UKF算法预测值和观测值残差的概率分布自适应调整目标状态噪声方法,使得UKF跟踪算法能够根据目标运动状态及时调整状态方程,在目标机动时减小对预测值的依赖,在目标非机动时增大对预测值的依赖。这种在线实时估计系统噪声状态的跟踪方法更加适用于机动目标的跟踪。数值仿真结果表明：该算法不仅在目标机动时具有良好的跟踪效果,而且在目标非机动时具有准确的估计性能。通过声纳信息综合处理系统验证了状态自适应UKF跟踪算法的性能。     

系留无人机视觉定位技术

针对系留无人机在导航卫星拒止条件下无法定位的问题,设计一种基于合作目标的视觉定位系统。通过 构建视觉定位系统,设计靶标检测算法、靶标偏移量计算算法及数据平滑算法,实现系留无人机的无源定位。试验 结果表明：无人机在飞行及起降过程中,精确检测地面靶标并解算相对位置,可有效解决无卫星信号的定位问题。     

基于Kalman滤波的高空长航时无人机近似风场预测研究

针对高空长航时无人机在飞行过程中对风场敏感但动态快速预测风况存在困难的问题,设计了一种基于Kalman滤波的高空长航时无人机近似风场预测系统。该系统采用机上常用的多余度传感器获取绝对速度地速、牵连速度真空速,然后通过速度矢量三角形获取相对速度风速。通过北-东-地惯性坐标系和机体坐标系下的矩阵转换,引入Kalman滤波算法对所得数据进行融合处理,可实时获得近似风场的风速和风向。采用某低动态高空长航时无人机开展了中高空飞行试验来对该风场预测系统进行测试,有效动态捕捉到了无人机飞行过程中的风场变化信息,并以此在地面站上在线调整优化了无人机飞行航迹,提升了飞行安全性,对应急情况可提供强有力支撑。该风场预测系统简单、有效,实用性强,具有工程指导意义。     

某型无人机自动着陆轨迹研究

根据某型无人机特点 ,设计了一个纵向下滑控制律 ,把整个纵向着陆轨迹分为三段 :直线下滑段 ,进入段和拉起段 ,据此计算出的纵向着陆轨迹 ,能够保证无人机有较小的着陆速度和正确的着陆姿态 ,使无人机在预定地点安全成功地回收 .该计算结果与实际试飞结果有很好的一致性     

基于Kalman预测重要性建议分布的粒子滤波视觉跟踪算法

标准粒子滤波虽然能够实现简单场景下的目标跟踪,但在复杂场景下其性能较差,粒子权值退化是影响视觉跟踪的一个重要方面,为解决这一问题,从选择准确重要性建议分布函数入手,给出了基于EKF和UKF预测采样的粒子滤波视觉跟踪算法EKF-PF（EKF enhanced particle filtering）和UKF-PF（UKF enhanced particle filtering）,并进行了一定改进,通过仿真实验表明：给出的跟踪算法能够很好地跟踪室内运动目标,并对光照变化,目标姿态变化具有良好的鲁棒性.     

无人机协同作战的目标分配算法研究

针对当前无人机作战能力不强、实战经验不足、不能进行高强度空战的问题,对无人机所处的战场态势进行评估。在综合考虑了我机攻击态势和敌方抗击能力2个主要因素的基础上,采用威胁指数法,以单机对敌的优先权为基础,选择打击威胁度高的目标。增加了地面目标的威胁,并根据基于态势的目标分配方法实现目标分配,最大限度地保证我方无人机的安全。仿真结果表明:该方法较好地解决了当前无人机协同作战的目标分配问题,最大限度地发挥了无人机协同作战的效能。     

基于主/被动雷达双传感器的自适应跟踪融合算法

在主、被动雷达双传感器目标跟踪背景下，提出一种自适应数据融合算法。跟踪同一个目标的主、被动雷达观测数据由线性卡尔曼滤波器来处理，与主／被动雷达对应的两个跟踪器的输出数据被发送到一个中央节点，在这个节点中，包含了两个由在线跟踪信息构成的指标变量．将这些指标与设定的阈值进行对比．即通过二者的逻辑判断结果来选择用于得到整体评估的方法，其中对周值的选择决定了融合算法融合精度与计算量的平衡点。仿真结果表明，这种融合算法有很好的融合效果。