飛機跟蹤

飛機跟蹤的目的是獲得準確的飛機監視信息，這裡介紹一種飛機跟蹤的算法，主要是針對民航飛機運行的特點以及 ADS- B 信息的特徵，充分利用 ADS - B 趨勢信息報告和當前統計模型的優點，提出了一種基於 ADS - B 趨勢信息的當前統計模型改進算法。

基本介紹

• 中文名：飛機跟蹤
• 外文名：aircraft tracking
• 定義：跟蹤飛機飛行軌跡
• 目的：獲得準確的飛機監視信息
• 使用工具：雷達
• 領域：計算機

概述

有效的目標跟蹤的關鍵是選擇適合的跟蹤模型，目前常用的目標跟蹤模型有 CV 模型、CA 模型、Singer 模型、當前統計模型和互動式多模型。互動式多模型算法複雜、計算量大，不利於民航飛機的實時跟蹤。在各單模型中當前統計模型跟蹤性能較好，但是該模型的性能受到最大加速度和機動時間常數的影響。

目前民航監視主要採用的是雷達，但是雷達有其固有的一些缺陷，於是一種新的監視技術即廣播式自動相關監視 (Automatic Dependent Surveillance- Broadcast ，ADS - B) 逐步發展起來。 ADS - B 是一種最新的基於數據鏈的監視技術，可用於空 - 地和空 - 空監視，是一種空中交通管制合作監測技術。

ADS - B 和傳統的雷達監視相比 ，最具吸引力的特徵之一是它能夠提供飛機航跡的可預測性範圍的趨勢信息。 在 DO - 242A 中，新版本的 ADS - B 最低航空系統性能標準有兩種狀態報告支持 ADS - B 的趨勢信息：目標狀態 (Target Status，TS) 報告和航跡改變(Track Change ，TC) 報告，分別對應於短期和長期趨勢報告。 TS 報告的主要信息是飛機高度和飛機航向，TC 報告的主要信息是未來航路趨勢改變點。

這裡提出一種基於 ADS - B 趨勢信息的當前統計模型算法，充分利用 ADS - B 趨勢信息自適應調整當前統計模型參數，仿真結果表明了該算法無論在直線飛行階段還是轉彎機動飛行階段，跟蹤誤差的均方根都能夠穩定在 60m 左右。

單模型跟蹤性能

單模型跟蹤性能比較

下面模擬一段典型的民航飛機運行環境，通過仿真對常用單模型的跟蹤性能進行比較分析。由於 CV 模型只適合跟蹤近似勻速直線運動的目標，在目標發生機動時會發生髮散，這裡不考慮CV 模型。下面分別用 CA 模型、Singer 模型和當前統計模型對複雜環境中的目標運動進行跟蹤。採樣周期 T = 2 s，採樣點數為 N = 200，在 N = 1～50 時，飛機沿 X 方向做近似勻速直線運動； N =1～81，飛機繞 X 方向做 180°勻速轉彎運動； N = 82～131，沿 - X 方向做勻速直線運動；N = 132～160沿 - X 方向做勻加速運動，最後做近似勻速直線運動。仿真結果如圖1所示。

從仿真圖中可以看出，在複雜環境下，CA 模型在目標發生機動時，跟蹤誤差較大。 Singer 模型和當前統計模型在整個運動過程中跟蹤效果比較平穩，未出現較大的誤差。 當前統計模型的跟蹤精度最高，在目標發生機動時 ，當前統計模型能保持很好的跟蹤效果。民航飛機監視要求實時性很高，單模型跟蹤處理速度快，延時小。從以上比較分析可以得出，當前統計模型無論在近似勻速飛行還是飛機發生機動時跟蹤效果都很好，所以當前統計模型非常適合民航飛機的跟蹤。

當前統計模型的缺陷

儘管當前統計模型在各單模型中跟蹤效果最為理想，但是由當前統計模型的算法可知，當前統計模型的最大加速度a和機動時間常數的選擇將對跟蹤精度將會產生影響。加速度直接影響當前統計模型中“當前”加速度的方差，而方差的大小又直接影響過程噪聲的方差，從而影響濾波器的跟蹤性能。

基於 ADS - B 趨勢信息的當前統計模型

針對以上情況，如果在飛機運行的各個階段能夠實時調整a和的取值，將會提高飛機的跟蹤精度。若採用互動式當前統計模型的算法來實現 a和的取值的自適應調整，但是這樣計算量增加，處理延遲增大，不利於對飛機的實時監視。

針對 ADS - B 信息所具有的獨特優勢，這裡我們利用 ADS - B 信息的 TS 報告，如果 TS 報告中目標航向或航跡角從當前的值發生了變化，我們就認為是目標飛機將發生較大的機動，這時系統可以設定較大的最大加速度 ，值可取20 s。

具體如下：

(1) 當飛機做近似直線運動時 ，TS 報告中目標航向或航跡角的值不變，這時取 a1 = 5 m/ s2 ，≈60 s，即機動頻率α= 1/ 60；

(2) 當飛機發生轉彎運動時， TS 報告中目標航向或航跡角的值發生了變化，這 時 取 a2 =50 m/ s2，≈20s ，即機動頻率α= 1/ 20。

最大加速度和值可根據具體情況調整。

假設採樣周期 T = 1 s，測距誤差標準差為100 s。 目標飛機先做50 s勻速直線飛行，再以1 m/ s2的加速度做50 s勻加速運動，然後再做勻速直線飛行，歷時 50 s，最後做一個 180°的勻速轉彎，ω 為0. 05 rad/ s。

下圖為 100 次 Monte Carlo 仿真結果，分別為一般當前統計模型固定取值 amax = 50 m/ s2 、α = 1/ 20與本文算法的位置估計誤差均方根比較，以及一般當前統計模型固定取值 amax = 5 m/ s2 、α= 1/ 60與本文算法的位置估計誤差均方根比較。

從圖(a) 可以看出，當取 amax = 50 m/ s2和 α =1/ 20 時，一般當前統計模型在整個目標運動階段誤差均方根穩定保持在80 m左右，使用本文算法在勻速直線運動和勻加速直線運動過程中誤差均方根穩定在 60 m 左右，在轉彎機動飛行階段誤差均方根在70 m 左右，能有效降低在直線運動階段的跟蹤誤差。從圖(b) 可以得出，一般當前統計模型固定取值 amax = 5 m/ s2 和α= 1/ 60 時，在直線運動階段跟蹤誤差較小，和本文算法近似，都在 50 m 左右，但在發生轉彎機動時，一般當前統計模型的誤差均方根穩定在 120 m 左右，而使用本文算法後的誤差均方根穩定在 60 m 左右。仿真結果證明，本文的基於 ADS - B 趨勢信息的當前統計模型算法能夠更好地適應飛機整個飛行階段各種類型的運動，有效降低跟蹤誤差，並且算法簡單。

這裡針對民航飛機監視的特點，與常規跟蹤算法相比，有效地利用 ADS - B 信息的趨勢信息，提出了一種基於 ADS - B 趨勢信息的當前統計模型算法。該算法結合 ADS - B 趨勢信息和當前統計模型的優點，在飛機直線運動階段和轉彎運動階段調整當前統計模型最大加速度和機動時間常數的取值。

仿真實驗結果表明該算法有效提高了飛機跟蹤精度，並且計算量小，有利於對民航飛機實時監視。這裡方法只進行了計算機仿真，沒有套用到實際中去驗證其可靠性，在實際過程中可能還會出現新的現階段沒有預測到的問題，下一步更重要的工作是投入到實踐中去，在現有研究基礎上進行實際開發。