基于交互式多模型扩展的Rao-Blackwellized点质量滤波器在地形参考导航中应对雷达回波模糊性的应用

《Sensors》:An IMM Extension of RBPMF for Terrain-Referenced Navigation Under Radar Return Ambiguity

【字体: 大 中 小 】 时间:2026年09月24日 来源:Sensors 4.0

编辑推荐:

  地形参考导航(terrain-referenced navigation, TRN)依赖于非线性地形匹配,这可能会产生多峰位置不确定性,这种不确定性应在估计过程中予以保留。当地面回波与冠层回波的相对概率随时间变化时,由于固定的测量模型无法适应变化的回波模式,精

  
地形参考导航(terrain-referenced navigation, TRN)依赖于非线性地形匹配,这可能会产生多峰位置不确定性,这种不确定性应在估计过程中予以保留。当地面回波与冠层回波的相对概率随时间变化时,由于固定的测量模型无法适应变化的回波模式,精度可能会下降。为解决这一问题,研究人员开发了Rao-Blackwellized点质量滤波器(Rao–Blackwellized point-mass filter, RBPMF)的交互式多模型(interacting multiple-model, IMM)扩展,从而得到了一种IMM-RBPMF,它在保留非高斯导航后验的同时,在不同测量假设之间进行自适应调整。该扩展利用网格分辨率后验混合(grid-resolved posterior mixing)将完整的模式条件化RBPMF表示重新映射到一个公共网格上;非线性状态点质量使用全局IMM交互概率进行组合,而条件高斯分量则使用状态依赖的局部责任权重进行组合。在粗糙地形和粗糙-平坦-粗糙地形上的蒙特卡洛模拟将该提出的滤波器与单模型和固定混合RBPMF进行了比较。相对于各项指标的最佳基线,该滤波器将整体水平位置均方根误差(root-mean-square error, RMSE)降低了最多44%,高度RMSE降低了53%,显示出对模糊雷达回波和弱信息地形的更强鲁棒性。

论文解读

研究背景与问题

全球导航卫星系统(GNSS)信号在受干扰或不可用的环境下,自主与安全关键型车辆的精确可靠导航面临严峻挑战。惯性导航系统(INS)虽能提供自主导航信息,但其位置、速度和姿态误差会随时间累积。地形参考导航(TRN)通过将机载测高仪获取的地形相关测量值与预存数字高程模型(DEM)进行比较,有效约束了这种误差增长。然而,TRN本质上是一个非线性且可能非高斯的贝叶斯估计问题,因为基于DEM的测量值相对于水平位置高度非线性,且在重复性或缓变地形上可能产生多个合理的位置假设。
实际应用中,雷达高度计回波可能来源于地面、植被冠层或其他高出地面的物体,这些不同的回波源会导致不同的测量误差分布(不同均值和方差)。随着主导回波源随时间变化,雷达高度计误差分布呈现多模性和时变性。传统的固定高斯混合似然函数虽然能在单次测量更新中表示多个误差分量,但当维持单一状态后验且权重固定时,无法显式保留持续回波模式与其对应导航状态后验之间的时间关联。因此,地面和冠层回波条件更适合建模为切换测量模型。
交互式多模型(IMM)算法是处理马尔可夫模型切换下估计问题的经典递归框架。尽管已有多种用于非线性非高斯系统的IMM粒子滤波(IMM-PF)被提出,但在TRN领域,确定性点质量滤波器(PMF)的IMM扩展鲜有报道。现有研究或在多模型自适应估计(MMAE)框架中使用二维PMF进行高度偏差估计而未采用IMM交互,或未在IMM框架内制定点质量和确定性网格的多模型估计器。此外,传统全维度IMM-PMF的计算负担沉重,因为雷达高度计测量耦合了水平位置和高度。Rao-Blackwellized点质量滤波器(RBPMF)通过仅对非线性水平位置状态保留确定性网格,同时将高度及其他导航误差状态表示为网格条件化的高斯分布,有效缓解了维数灾难问题。
因此,针对雷达回波模糊性下的TRN,将IMM框架扩展到RBPMF,形成一种实用的增强型INS/TRN导航误差状态估计算法——IMM-RBPMF,具有重要的理论价值和实践意义。

研究方法

本研究提出的IMM-RBPMF算法的核心技术方法包括:
  1. 1.
    网格分辨率后验混合(Grid-Resolved Posterior Mixing):这是本研究的核心创新点,是一种确定性的IMM交互过程。它首先将各模式条件化RBPMF的非线性状态PMF表示从各自的源网格通过密度等效转换、双线性插值和重归一化,重新映射到一个统一的公共目标网格上。随后,利用全局IMM交互概率混合这些重映射后的点质量。同时,对于网格条件化的高斯分量(均值、协方差),采用相同的插值系数进行转移,并在对数欧几里得域进行协方差插值以保证正定性。最终,在各目标网格点上,使用状态依赖的局部责任权重对来自不同源模式的转移高斯分量进行矩匹配合并,形成一个单一的高斯分量。
  2. 2.
    截断似然模式更新(Truncated-Likelihood Mode Update):借鉴先前研究成果,用于更新模式概率。该方法使用未中心的测量残差及其均值和方差构建归一化的截断高斯似然,作为模式证据。此过程旨在最小化分类错误,提高了模式估计的准确性。
  3. 3.
    Rao-Blackwellized点质量滤波框架:将状态向量划分为非线性部分(水平位置误差)和线性条件高斯部分(高度、速度、姿态误差)。非线性部分采用确定性网格上的点质量近似,线性部分则在每个网格点上以卡尔曼滤波的形式进行条件化估计和更新。这种混合结构有效降低了状态空间的维数。

研究结果

  • •
    模式概率跟踪性能:通过定义轮廓跟踪偏差,评估了IMM-RBPMF对预设地面回波概率曲线的跟踪能力。两条轨迹的时间平均偏差分别为0.096和0.094,表明滤波器能有效跟踪变化的回波模式。
  • •
    总体导航误差降低:与所有评估的单模型和固定混合RBPMF基线相比,所提出的IMM-RBPMF在所有指标上均实现了更低的均方根误差(RMSE)。在粗糙地形(轨迹1)上,水平位置RMSE从最佳基线的8.4米降至5.6米(降低约33%),高度RMSE从4.7米降至2.2米(降低约53%)。在包含平坦地形的轨迹2上,水平位置RMSE从19.6米降至10.9米(降低约44%),高度RMSE同样降至2.2米(降低53%)。
  • •
    弱信息地形下的鲁棒性:在轨迹2的平坦地形段(200-800秒),IMM-RBPMF显著抑制了基线滤波器出现的巨大水平位置误差漂移。其三维位置RMSE的时域均值、第95百分位数和最大值分别从最佳基线的23.3米、50.7米和83.8米降至12.4米、20.4米和23.1米,降幅分别约为47%、60%和72%。这表明该框架在弱地形信息和模糊回波条件下仍能保持准确的估计。
  • •
    消融研究贡献分解:通过对比实验,揭示了两个核心组件的独立贡献。若将截断似然替换为标准似然,水平位置和高度RMSE分别升至18.1米和5.8米;若禁用后验交互,RMSE则升至19.6米和7.0米。结果表明,截断似然更新和后验交互都对最终精度提升做出了显著贡献,两者结合效果最优。
  • •
    运行间一致性与参数敏感性:在30次蒙特卡洛运行中,IMM-RBPMF在绝大多数情况下(29/30或30/30)优于各基线,证明了改进的一致性。对支撑阈值参数的敏感性测试显示,即使将该参数增大十倍,导航RMSE的变化也微乎其微(水平位置从5.6米变为5.4米,高度不变),表明算法对该参数不敏感。
  • •
    计算成本与精度权衡:在相同的总网格点数下,IMM-RBPMF虽然因交互过程引入了额外计算开销,但在所有测试的网格配置下都实现了更低的三维位置RMSE,展示了其在精度-成本权衡中的优势。在当前MATLAB实现下,名义配置的平均处理时间为每更新0.766秒,尚不能满足20Hz实时需求,但适用于离线算法评估。

总结与结论

本文成功地将交互式多模型(IMM)框架扩展到用于处理雷达回波模糊性的Rao-Blackwellized点质量滤波(RBPMF)中,提出了IMM-RBPMF。该算法将地面和冠层回波表示为替代测量模式,保留了先前开发的截断似然模式更新,并引入了网格分辨率后验混合这一确定性交互过程。在此交互过程中,非线性状态PMF质量被重新映射并混合在一个共同的目标网格上,而相关的网格条件化高斯分量则使用局部责任权重和矩匹配进行组合。由此产生的IMM-RBPMF在保留非线性状态不确定性的确定性网格表示的同时,融入了递归测量模式自适应。
蒙特卡洛模拟表明,所提出的滤波器在所有评估的单模型和固定混合RBPMF基线中,均实现了更低的水平位置和高度RMSE。相对于每条轨迹和指标的最佳性能基线,它将轨迹1和轨迹2的水平位置RMSE分别降低了33%和44%,并将两种轨迹的高度RMSE均降低了53%。在平坦地形段,时段三维位置RMSE的第95百分位数降低了60%,证明在弱信息地形和雷达回波模糊性下,该算法能有效抑制大的位置误差漂移。尽管网格分辨率交互引入了额外计算,但在所有测试的网格配置下,所提出的滤波器均实现了更低的三维位置RMSE。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号