目标定位跟踪系统概述

一、观测系统：目标、观测站、坐标系。

1. 观测站如雷达、声纳等传感器。
2. 坐标系：二维、三维直角坐标系（描述确定位置）；极坐标系（r,cita）、球坐标系(r,cita,fai)（利用角度描述位置）
3. 为了实现定位，信息提炼成距离或者角度两类信息。定位分为模糊定位与精确定位

二、目标定位：只是估计位置，目标跟踪需要更多的工作，如目标探测、定位、状态估计、轨迹预测等，一般需要多个观测站完成。

1.        探测：目的是发现目标；
2.        分类：区分不同种类目标的过程，即数据关联，方法有：近邻、聚类、联合概率关联等
3.         定位：完成对目标位置的估计，如最小二乘法
4.         状态估计：利用滤波算法做信息融合，达到对目标参数的估计，为了消除噪声，引入卡尔曼、粒子滤波等十分关键。
5.         跟踪维持：目标在检测区域内移动，新旧区域的联系，需要使用继承数据，保持跟踪撒

三、跟踪轨迹

1. 真实轨迹：目标自身移动的运动轨迹；
2. 估计轨迹：观测站的观测数据形成轨迹
3. 由于观测站采样周期的数据可能是没有时间配准的，并且有些数据收到干扰，可能存在虚警等噪声点，有必要进行数据关联：设置跟踪门限，删去奇异值，最后进行滤波得到状态，并利用滤波估计的位置信息进行轨迹拟合。
4. 数据关联的目的：确定它与历史数据的关系：时间上是否需要配准；该时刻数据与历史数据是否属于同一个目标元。若出现新目标，需要启用航迹起始算法，估计目标初始状态，建立型数据库目标数据集合。

四、最小二乘原理

通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以可以简便的求出未知数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。

推理如下：

 最小二乘法应用：既可以用于对静止目标的定位，也可以对移动的目标进行定位，由于生活中大多数用于移动中的目标定位。

1.移动目标计算机仿真建模

目标运动模型：X(k)=F*X（k）+Tu(k)；Z(k)=sqrt((x(k)-xi)^2+(y(k)-yi)^2+v(k),如下：

%计算机模拟目标运动模型
dt=1;
Time=30;
X=zeros(4,Time);
x0=0;y0=0;vx=0.8;vy=0.6;
X(:,1)=[x0,vx,y0,vy];

F=[1,dt,0,0;0,1,0,0;0,0,1,dt;0,0,0,1];
G=[dt^2/2,0;dt,0;0,dt^2/2;0,dt];
Q=0.1;%u的方差，过程噪声,改变这个可以改变曲线
u=sqrt(Q)*randn(2,Time);

for k=2:Time
    X(:,k)=F*X(:,k-1)+G*u(:,k);
end

figure
hold on;box on;
plot(X(1,:),X(3,:),'-r*')

2.基于距离观测的运动目标定位

定位估计与真实轨迹对比：

定位估计与真实位置的偏差：

 3.纯方位角的运动目标定位

R=0.001*pi/180时的轨迹与定位偏差图：

 R=0.01*pi/180时的轨迹与定位偏差图：

 

  R=0.1*pi/180时的轨迹与定位偏差图：

 

 由此可以看出，随着噪声的增大，目标定位的结果越差，验证了传感器信息足够可靠对提高精度至关重要。定位算法只是最大限度减少误差。