下载掌阅APP，畅读海量书库
立即打开
基于模型的目标定位与跟踪方法依赖两个模型：一个是目标运动模型，用来描述目标的运动或动力学特征；另一个是传感器量测模型，用来描述对目标的观测情况。
本节采用文献 ［5］ 对量测模型的定义，即本节所指的量测模型仅针对目标定位与跟踪所用的量测进行描述，而不对传感器提供的其他观测信息（如图像传感器提供的形状信息）进行描述。此外，本节所指的量测来源于被定位与跟踪的点目标，不考虑扩展目标的量测建模和量测来源不确定性问题。
在很多情况下，传感器坐标系是三维的球形或二维的极面，其量测分量通常包括距离
r
、方位角
φ
、俯仰角
θ
和多普勒速度
，如图2-3所示。
图2-3 球形坐标系
事实上，并不是所有的传感器都能获得所有以上量测分量。例如，一些主动式传感器并不提供多普勒参数或仰角参数，而被动式传感器仅提供角度。假设量测噪声为加性白噪声，则上述几个量测为
式中，（
r
t
，
φ
t
，
θ
t
）代表目标在传感器球形坐标系下零误差的真实位置；
代表目标真实的多普勒速度；
v
r
、
v
φ
、
v
θ
和
v
r
˙
分别是相应的零均值高斯白噪声。
由于目标运动用笛卡儿坐标系描述最恰当，而量测信息来自传感器坐标系，因此可以在笛卡儿坐标系、传感器坐标系和混合坐标系3种坐标系中实现定位与跟踪。实践中最常用的是混合坐标系，即目标运动和过程噪声建模在笛卡儿坐标系中，而量测及量测噪声建模在传感器坐标系中。下面介绍几种常见传感器的量测模型。
传统雷达对目标的量测分量为目标的径向距离、方位角和俯仰角，则雷达的量测模型为
式中，（
x
o
，
y
o
，
z
o
）为雷达所在位置，是已知量；（
x
k
，
y
k
，
z
k
）为
k
时刻目标的位置；
r
k
为
k
时刻目标和雷达之间的距离量测；
φ
k
为
k
时刻的方位角量测；
θ
k
为
k
时刻的俯仰角量测；
v
k
～
N
（
0
，
R
k
）为服从高斯分布的量测噪声，
。
多普勒雷达对目标的量测分量为目标径向距离、径向速度、方位角和俯仰角，则多普勒雷达的量测模型为
式中，（
x
o
，
y
o
，
z
o
）为多普勒雷达所在位置，是已知量；（
x
k
，
y
k
，
z
k
）为
k
时刻目标的位置；
为雷达的速度；
为
k
时刻目标的速度；
r
k
为
k
时刻目标和雷达之间的距离量测；
为
k
时刻的径向速度量测；
φ
k
为
k
时刻的方位角量测；
θ
k
为
k
时刻的俯仰角量测；
v
k
～
N
（
0
，
R
k
）为服从高斯分布的量测噪声，
R
k
=
。
在使用被动传感器对目标进行定位和跟踪时，传感器仅能提供目标的角度信息。在三维情况下，量测分量包含目标的方位角和俯仰角，则三维被动量测模型为
式中，（
x
o
，
y
o
，
z
o
）为被动传感器所在位置，是已知量；（
x
k
，
y
k
，
z
k
）为
k
时刻目标的位置；
φ
k
为
k
时刻的方位角量测；
θ
k
为
k
时刻的俯仰角量测；
v
k
～
N
（
0
，
R
k
）为服从高斯分布的量测噪声，
R
k
=
。模型（2-74）可作为红外或可见光等图像传感器的量测模型。
与三维被动量测分量相对应，二维情况下的被动量测分量仅包含方位角，其量测模型为
式中，（
x
o
，
y
o
）为被动传感器所在位置，是已知量；（
x
k
，
y
k
）为
k
时刻目标的位置；
v
φ，
k
～
N
（
0
，
R
φ，
k
）为服从高斯分布的量测噪声，
R
φ，
k
=
。模型（2-75）可作为声呐等传感器的量测模型。
构建量测模型时，假设目标发出回波并被传感器检测到。然而，在实际应用中，并非每次扫描都能检测到目标，传感器还会收到来自目标以外的其他信号源发出的回波。因此，有必要对量化这些现象的参数进行特征化和建模，本书将其概括为传感器及定位跟踪环境的特征模型。
由于噪声、干扰等因素普遍存在，传感器在判定是否有目标信号时，有4种不同的情况，分别用4个概率来描述。
（1）存在目标时，传感器判定为有目标。这种情况称为“发现”，其概率称为“发现概率”或“检测概率”，记为 P D 。
（2）存在目标时，传感器判定为无目标。这种情况称为“漏检”，其概率称为“漏检概率”，记为 P LA 。
（3）不存在目标时，传感器判定为无目标。这种情况称为“正确不发现”，其概率称为“正确不发现概率”，记为 P AN 。
（4）不存在目标时，传感器判定为有目标。这种情况称为“虚警”，其概率称为“虚警概率”，记为 P FA 。
由上述定义可知，在存在目标的情况下， P D + P LA =1。在不存在目标的情况下， P AN + P FA =1。
在目标定位与跟踪中，往往采用检测概率 P D 和虚警概率 P FA 作为代表传感器检测性能的两个基本参数。 P D 和 P FA 与传感器类型、传感器信号处理特性、目标特性及环境之间存在紧密的关系，并通过传感器的检测过程相互耦合。在其他参数不变的情况下，增大 P D 总是以同时增大 P FA 为代价。
为了构建虚警模型，可以将虚警的来源划分为离散杂波和扩散（均匀）杂波。离散杂波可进一步划分为静态离散杂波（如建筑物、水塔）和移动离散杂波（如道路上不感兴趣的汽车）。离散杂波可建模为特殊的目标。而扩散杂波可进一步划分为静态扩散杂波（如山脉、植被）和移动扩散杂波（如鸟群、雨水）。扩散杂波可建模为在其存在区域内均值为 λ FA 的泊松过程， λ FA 表示每次扫描中虚警数量的均值，而 λ FA 的值可建模为扩散杂波的反射率与所在区域内量测单元体积的函数关系。
虚警中的量测值可建模为与杂波类型、杂波位置及传感器信号处理特性相匹配的随机变量分布。