IMM-UKF雷达算法提升航天测控机动目标跟踪精度

在2014年的论文《基于IMM-UKF的航天测控雷达机动目标跟踪》中，作者针对航天测控中雷达测量值存在的较大随机误差问题，提出了一种创新的跟踪方法。传统的直接使用雷达范围和角度测量(RAE)来解算运载火箭外弹道的精度有限，因为这些测量数据受到噪声的影响。 论文的核心内容聚焦于交互式多模型(Interactive Multiple Model, IMM)结合 Unscented Kalman Filter (UKF)的算法。IMM-UKF通过建立多运动模型来适应航天发射任务中运载火箭机动性的变化。这种方法首先根据目标的机动特性构建运动模型，如Singer模型、常速度模型、常加速度模型等，特别是“当前”统计模型，它对传统的Singer模型进行了改进，考虑了加速度的自适应均值和修正的瑞利分布，更好地反映了目标的动态行为。 UKF作为一种非线性滤波技术，在每个模型的跟踪子滤波器中被采用，能够处理雷达观测方程的非线性特性，显著提高机动目标的跟踪精度和稳定性。与直接求解外弹道或单一运动模型的UKF方法相比，IMM-UKF显示出更高的跟踪精度，并且其快速的收敛速度满足了航天测控中对外弹道实时跟踪的严格要求。 通过仿真结果的验证，该方法证明了在复杂的机动条件下，IMM-UKF能够提供更为准确和稳定的外弹道跟踪，这对于航天测控系统的有效运行至关重要。因此，这种方法不仅提升了航天测控系统的性能，也为实际工程应用提供了重要的理论支持和技术手段。 总结来说，这篇论文主要贡献在于提出了一种有效的机动目标跟踪策略，通过IMM-UKF结合，解决了航天测控雷达测量误差问题，提高了外弹道跟踪的精度和实时性，对于提升航天任务的成功率具有重要意义。