雷达与红外异步信息融合目标跟踪仿真系统

资 源 简 介

该项目利用MATLAB仿真环境，深入探讨并实现雷达与红外探测器的异构传感数据融合技术。雷达系统作为主动探测手段，在测距和测速方面具有显著优势，但在角度分辨力和抗干扰能力上存在短板；红外系统作为被动探测手段，具备极高的测角精度和隐蔽性，却无法直接获取目标的实时距离信息。本项目通过建立多传感器联合观测模型，采用集中式融合框架，将雷达的极坐标观测与红外的球面坐标观测进行统一转换与配准。核心功能涵盖了复杂机动模型下的目标状态估计，利用改进的交互式多模型（IMM）算法配合扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）处理非线性观测数据。系统能够自动处理雷达与红外采样频率不一致导致的异步数据对齐问题，通过时间校准算法确保异构数据在同一时间戳下进行融合。同时，项目实现了基于加权最小二乘或协方差交叉法的融合策略，显著提升了在弱信号环境、电子干扰以及低可见度背景下的目标检测概率与跟踪轨迹平滑度。

详 情 说 明

雷达与红外异步信息融合目标跟踪仿真系统

项目介绍

本项目是一个基于MATLAB环境的机动目标跟踪仿真系统，旨在解决多传感器异步采样环境下的目标状态估计问题。系统模拟了雷达（主动传感器）与红外（被动传感器）在不同采样频率、不同观测维度以及不同测量精度下的协作跟踪过程。通过集成交互式多模型（IMM）算法与扩展卡尔曼滤波（EKF），系统能够有效地跟踪进行匀速直线运动（CV）和匀速转弯运动（CT）的机动目标。

系统要求

• MATLAB R2016b 或更高版本
• 控制系统工具箱 (Control System Toolbox)
• 信号处理工具箱 (Signal Processing Toolbox)
• 统计与机器学习工具箱 (Statistics and Machine Learning Toolbox，用于mvnpdf函数)

功能特性

1. 多模型轨迹仿真：系统能够生成包含匀速直线运动（CV）和匀速转弯运动（CT）的复合机动轨迹，模拟目标在三维空间中的真实飞行状态。
2. 异步观测数据生成：针对雷达和红外传感器设置了不同的采样周期（雷达0.5s，红外0.1s），模拟现实中传感器采样频率不一致的异步特性。
3. 异构数据融合：融合了雷达的四维数据（距离、方位、俯仰、径向速度）与红外的二维数据（方位、俯仰），并通过传感器安装偏置进行坐标对齐。
4. 智能机动识别：利用IMM算法实时估计目标运动模型的概率，自动在CV模型和CT模型之间切换，以适应目标的机动变化。
5. 性能精度对比：系统自动生成“仅雷达跟踪”、“仅红外跟踪”与“异步融合跟踪”的性能对比结果，通过均方根误差（RMSE）量化评估融合效果。

实现逻辑说明

1. 场景与目标生成

系统首先定义了一个6维状态向量，包括三维位置（x, y, z）和三维速度（vx, vy, vz）。目标在100秒的仿真时间内，前30秒和后30秒执行CV模型，中间40秒执行CT模型（转弯率为0.05rad/s）。过程噪声通过随机变量模拟，以增加轨迹的真实性。

2. 传感器观测模拟

• 雷达模型：在极坐标系下建模，考虑了传感器相对于参考坐标系的安装偏置。观测向量包含径向距离、方位角、俯仰角和基于多普勒效应的径向速度。
• 红外模型：作为被动传感器，仅能获取方位角和俯仰角信息。其角度测量精度显著高于雷达（本系统中设置为5倍精度提升）。

3. IMM-EKF 滤波流程

系统核心循环采用四个关键步骤：

• 交互步（Mixing）：根据前一时刻的模型概率和模型转移概率矩阵，对各滤波器状态进行加权融合，作为当前步的初始输入。
• 预测步（Prediction）：分别并行运行CV和CT两个运动模型，预测下一时刻的目标状态和斜方差。由于红外和雷达的异步性，预测步采用基础仿真步长逐帧演进。
• 更新步（Update）：当传感器观测到达时，利用EKF处理非线性观测方程。系统会根据当前时间戳判断是雷达数据到达、红外数据到达还是两者同时到达，执行相应的测量更新。
• 融合步（Combination）：根据模型似然度和先验概率更新各个模型的实时权重，最后输出加权后的最优状态估计。

算法与关键环节分析

非线性观测处理

系统中定义了专用的观测函数。对于雷达，通过计算目标与传感器相对位置的欧几里得距离及三角函数获取角度；对于红外，则省去距离维度。对应的雅可比矩阵（H矩阵）由手动推导并固化在函数中，确保了EKF在处理坐标转换时的线性化精度。

异步处理机制

系统不要求传感器同步触发。在每个基础仿真步长内，程序会检查当前时间点是否有可用的传感器观测值。如果某传感器有数据，则触发相应的EKF更新子程序；若无数据，则仅进行状态预测。这种机制确保了对高频（红外）和低频（雷达）数据的充分利用。

机动补偿优化

IMM算法中的转移概率矩阵被设置为允许模型微小比例的相互转换。在CT运动阶段，CT模型的似然度会显著升高，使得模型权重向转弯模型倾斜，从而有效减小了由于模型失配引起的跟踪滞后误差。

角度解算优化

在计算角度残差（Innovation）时，系统调用了角度归一化处理，确保方位角在正负PI之间跳转时不会产生错误的巨大残差，维持了滤波器的数值稳定性。

使用说明

1. 启动MATLAB，将当前工作目录切换至本项目文件夹。
2. 在命令行窗口输入主程序名称并回车。
3. 系统将自动开始仿真并逐步打印执行进度。
4. 仿真结束后，系统将自动弹出四个分析图表：

* 目标跟踪轨迹图：展示三维空间下的真实轨迹与各跟踪算法的拟合情况。 * RMSE分析图：动态展示随时间变化的跟踪误差，对比融合算法与单传感器的优劣。 * 模型概率演化图：展示IMM算法对CV/CT运动状态的识别准确度。 * 残差统计图：展示状态估计残差的分布统计情况。

1. 查看命令行输出的性能报告，获取平均RMSE数据及融合精度提升比例。