基于随机矩阵的机动不规则扩展目标建模与估计研究

Multiple measurement points on a moving body can be observed by modern sensors. Due to limited sensor resolution, these points are also partially resolvable. Such a moving body is always modeled as an extended object. For current target tracking systems, accurately estimating the motion state and the extension of an irregular extended object in a maneuver process becomes an important problem which needs to be solved urgently. Related estimation technologies also have great application potential. However, this problem has not been studied thoroughly. Comparatively accurate unified models and efficient estimation approaches are still lacking. This project attempts to do researches on the modeling and the estimation of a maneuvering irregular extended object. Specifically, an irregular object is represented as a spatial combination of multiple regular objects first. Then a generalized model using random matrices is proposed to accurately describe the temporal evolution processes of the state and the extension, and also the observation distortion of the extension. The whole maneuver process of the irregular object is modeled by a hybrid system. Based on the generalized model, a single-model Bayesian state and extension estimator is studied. Then based on the hybrid system, a variable-structure multiple-model state and extension estimator is also researched, to track the irregular extended object accurately for the entire maneuver process. Research progress and breakthrough on the above topics can perfect the theories of extended object modeling and estimation, and could also have great significance for improving the performance of information fusion and target tracking systems.

现代传感器可对运动体多个测量点进行观测，而分辨率实际受限又使得测量点是部分可分辨的。这类运动体通常被建模为扩展目标。对不规则扩展目标机动过程中的运动状态及扩展形态进行精确估计已成为当前目标跟踪系统亟待解决的重要问题，应用潜力巨大。但目前对该问题的研究还不够深入，缺乏较为统一而精确的数学模型，以及相对简洁而高效的估计方法。本项目针对机动不规则扩展目标的建模与估计进行研究：将不规则目标表征为多个规则目标的空间组合，基于随机矩阵提出通用模型以精确描述目标状态和形态的时间演化过程及形态观测扭曲现象；继而就不规则目标整体机动过程建立混合系统模型；基于通用模型，研究单模型递推式贝叶斯状态及形态估计器；并针对混合系统设计变结构多模型状态及形态估计器，实现不规则扩展目标机动全过程的精确跟踪。针对上述研究问题取得的进展和突破，必将完善扩展目标建模与估计理论，并对提升信息融合及目标跟踪系统性能具有重大意义。

随着传感技术的进步，现代传感器可对运动体多个测量点进行观测，而分辨率实际受限又使得测量点是部分可分辨的。这类运动体通常被建模为扩展目标。对高机动不规则扩展目标运动状态及扩展形态进行精确估计，已成为当前目标跟踪系统亟待解决的重要问题，相关理论与技术具有巨大的应用潜力。但目前对该问题的研究还不够深入，缺乏较为统一而精确的数学模型，以及相对高效的估计方法。本项目针对机动不规则扩展目标的建模与估计进行研究，取得了如下进展：. 1）针对目标的不规则性问题，将不规则目标表征为多个规则子目标的空间有机组合，各椭形子目标的形态可通过一个对称正定的随机矩阵进行刻画，进而提出了一个可精确描述目标状态和形态的时间演化过程及形态观测扭曲现象的通用模型；. 2）在上述通用模型的基础上，为描述扩展目标的高机动性，本项目进一步提出了一个混合系统模型，将每个模式描述成单一的模型，目标的机动突变描述为模型之间的切换，以充分刻画不规则目标整体机动过程；. 3）基于通用模型，在贝叶斯框架下，本项目提出了在最小均方误差意义下的最优单模型递推式状态及形态估计器，估计器仅需利用相关参量的一、二阶矩，因此具有形式简洁，计算复杂度低等优点，具有较好的实用性；. 4）基于混合系统模型，本项目提出了相应的变结构多模型状态及形态估计器，该估计器可利用未知真实模式具有延续性的特点，在线更新用于匹配未知真实的可变模型，该估计器可通用于解决机动扩展目标（或点目标）机动全过程的精确跟踪问题；. 5）上述算法提供的跟踪信息可用于目标分类，本项目继而提出了相应的联合跟踪与分类算法，算法利用跟踪器与分类器之间的耦合关系，估计性能优于纯跟踪算法；. 6）扩展目标跟踪的本质即为对状态及形态的估计，针对估计性能评估与排序问题，本项目提出了三种方法，一定程度上解决了该评估和排序问题。. 本项目取得的上述进展和突破，必将完善高机动不规则扩展目标建模与估计理论，对提升信息融合及目标跟踪系统性能具有重要意义。