论文部分内容阅读
随着航空航天领域快速发展,高超声速飞行器雷达跟踪技术扮演着越来越重要的角色。如何基于地基雷达准确测量、跟踪和预测再入轨迹,是进行高超声速飞行器预警、拦截等研究的基础与核心。目标跟踪问题通常采用传统的卡尔曼滤波(Kalman Filter,KF)方法,然而考虑到高超声速飞行器再入过程的强非线性特征,为线性系统设计的滤波算法无法直接应用,需要研究适用于非线性系统的滤波算法来解决该问题。本文分别针对弹道式再入和机动式再入,推导了多种非线性滤波在再入轨迹的估计与跟踪问题中的算法实现,并对比分析了各算法的跟踪性能。主要研究内容和结论包括:(1)为了跟踪再入目标的需要,针对弹道式再入和机动式再入两种再入方式分别建立了地心坐标系下的运动模型及雷达站球坐标系下的观测模型。(2)考虑到再入跟踪模型的非线性特性,分类论述了适用于非线性系统的滤波算法,详细阐述扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)和平方根形式的中心差分扩展滤波(Square-Root Central Difference Kalman Filter,SRCDKF)的计算步骤以及优缺点,进而完成了这三种滤波算法的软件实现。考虑到对象模型的不确定性,研究了交互式多模型(Interacting Multiple Model,IMM)与UKF的融合算法。此外,为了评估建立的模型与滤波算法对再入目标轨迹跟踪的性能,提出了跟踪性能的评估准则。(3)针对弹道式再入,加入雷达观测噪声,采用多种滤波方法对弹道系数已知且固定的轨迹跟踪进行了仿真分析,进而对弹道系数未知时的轨迹跟踪与弹道系数估计进行了仿真,并研究了雷达数据率对再入轨迹跟踪及弹道系数估计的影响。结果表明:EKF算法性能相对较差,UKF与SRCDKF算法跟踪效果较好,三种算法的运行时间依次递增;雷达数据率的增加会提高估计精度并加快收敛速度;IMM-UKF算法在对象模型不确定情况下可以提高再入轨迹估计精度和收敛速度。(4)针对机动式再入,以CAV-L作为研究对象,分别对跳跃式机动和准平衡滑翔机动两种机动模式进行了轨迹跟踪仿真分析,仿真结果表明UKF和SRCDKF算法均可以很好的完成机动式再入轨迹的跟踪,但对于气动力系数的实时估计效果较差。论文探索了高超声速飞行器再入轨迹的估计与跟踪问题,其本质为针对受噪声和不确定因素下的轨迹进行滤波,研究在其应用背景下具有一定的工程应用价值,可以为高速再入目标的跟踪定位提供一定参考依据。