一种基于5G网络的低空无人机多目标反射源分离方法

一种基于5g网络的低空无人机多目标反射源分离方法
技术领域
1.本发明涉及一种无人机多目标反射源分离方法，尤其涉及一种基于5g网络实现的复杂低空无人机多目标反射源分离方法，属于无人机目标跟踪技术领域。


背景技术：

2.目标跟踪技术的发展历史久远，在二战前就有了世界上的第一部雷达跟踪站。目前，随着被动式雷达技术的不断发展，目标跟踪技术实现了很大突破和提高。随着目标跟踪技术的发展，目标跟踪理论逐渐系统化。20世纪90年代以来，多站多目标定位和跟踪成为研究热点，即通过对多个5g基站数据的融合来完成目标的定位和跟踪。近年来，以卡尔曼滤波算法为核心的目标跟踪理论的研究已经有了很大的突破和提高。
3.5g作为新一代通信网络，通过大规模天线阵列（massive mimo）技术和波束成型技术提升了频谱利用率。5g网络的信号频率高，带宽大，波束窄，能量集中，5g基站灵敏度更高，成为解决低反射功率下的高效信号俘获问题重要的途径。并且，5g网络的基站的频率更高、分布更为密集，可以实现无缝覆盖，基于5g雷达系统的研究让无人机等低空小目标探测困难以及低空探测的无缝区域覆盖问题的解决成为可能。此外，5g各基站之间的协同工作，为提高5g雷达系统探测的分辨率提供了契机。由于5g雷达系统采用了mmo＋ofdm技术，其时序控制要求非常精确，高精度的时间同步成为5g网络基础功能和5g服务的使能开关的同时也为5g雷达系统探测目标的高精度提供了有力支持。
4.在申请号为202010493946.1的中国专利申请中，公开了一种雷达多目标跟踪phd实现方法，具体包括以下步骤：s1，基于多个跟踪目标在k-1时刻的状态，计算各目标k时刻的状态预测估计；s2，将k时刻的雷达量测数据转换为笛卡尔坐标系下的目标状态似然数据；s3，将一步预测的高斯分量与目标状态似然数据进行乘积混合滤波；s4，计算雷达跟踪区域内所有目标的高斯分量和最终权重；s5，舍弃最终权重小于枝剪阈值的高斯分量，合并分布距离小于合并阈值的高斯分量；s6，令跟踪目标数目取所有高斯分量的权重和，目标状态取权重大于0.5的高斯分量的均值，迭代进行下一轮滤波直至跟踪结束。但是，phd作为新兴的滤波技术，在实际应用中存在诸多不足，如实现困难、稳定性较差、不能直接处理非线性系统等。在跟踪监视多个目标时，雷达会受到杂波干扰产生虚假量测，实际效果较差。


技术实现要素：

5.本发明所要解决的技术问题在于提供一种基于5g网络的低空无人机多目标反射源分离方法。
6.为实现上述技术目的，本发明采用以下的技术方案：
7.一种基于5g网络的低空无人机多目标反射源分离方法，包括如下步骤：
8.s1：利用各个5g基站接收目标回波信号，得到原始的量测数据；
9.s2：对量测数据进行预处理，消除部分虚警数据和杂波数据；
10.s3：对经过预处理后的量测数据进行点迹融合处理；
11.s4：将步骤s3得到的数据进行航迹处理；
12.s5：根据航迹处理后的数据对低空无人机进行实时定位和轨迹跟踪。
13.其中较优地，所述步骤s1中，首先将参考信号和目标回波信号进行通道均衡处理，然后通过杂波相消处理技术抑制直达波信号和多径信号，得到原始的量测数据。
14.其中较优地，所述步骤s2中，所述预处理的方式为针对原始的量测数据在距离-多普勒维度上进行航迹跟踪。
15.其中较优地，所述步骤s3包括如下子步骤：
16.s31：通过穷举配对，对每个时刻各个5g基站接收的量测数据进行遍历；
17.s32：通过到达时间定位法将配对后的量测数据进行解算定位；
18.s33：将解算后的点迹进行聚类算法和几何精度因子的加权融合处理，得到航迹处理之前水平平面和垂直平面上的多个点迹的坐标和速度。
19.其中较优地，所述步骤s32中，在解算定位的过程中至少同时有两个5g基站有目标的量测数据。
20.其中较优地，所述步骤s33中的聚类算法包括如下子步骤：
21.s331：从解算后的目标点集中，随机选取一个点作为某个类的中心；
22.s332：以该点为中心，将离该点距离小于预置值的所有点归为该类；
23.s333：对该类中的点迹数目进行统计和判断；若该类中的点迹数目大于等于3，则将该类中的所有点进行几何精度因子的加权融合，得到一个点迹输出；若该类中的点迹数目小于3，则将这些点迹全部删除；
24.s334：在目标点集中删除s331～s333中已经使用过的点，重复步骤s331～s333，直至目标点集中的所有点全部被使用。
25.其中较优地，所述航迹处理包括航迹起始步骤，具体包括如下的子步骤：
26.按照接收的时间顺序依次保存三帧点迹，当保存点迹中有任意两帧相关成功，则表示起始成功并输出新航迹；
27.在每一帧的数据关联后，滑动窗口，并删除窗口中的上一时刻的数据，准备存储下一帧新的航迹数据，并通过调整门限参数来达到最佳航迹起始效果；
28.在进行多次连续的信号接收后，将数据存储在窗口中，如果当前时刻在一个窗口中有预设次数的点迹相关产生时，表示航迹起始步骤成功。
29.其中较优地，所述航迹处理包括点迹-航迹关联步骤，具体包括如下的子步骤：
30.若当前帧的点迹与保存中的航迹的上一帧的点迹在坐标位置（x，y）和速度矢量的差值同时满足在设定的门限内，则记录下当前帧的点迹信息，认为点迹-航迹关联成功。
31.其中较优地，所述航迹处理包括航迹更新步骤，具体包括如下的子步骤：
32.用当前时刻状态对下一时刻的状态进行估计和预测，同时在得到下一时刻的观测量时，根据观测量对当前时刻的目标状态估计进行校正，并最终得到该时刻的状态估计值，然后再继续接着预测，如此重复预测和更新，实现航迹更新步骤。
33.其中较优地，所述步骤s1中，在5g基站的发送端对发送信号的不同波束中加入特定的电子标记，在5g基站的接收端通过识别反射波束中的电子标记和接收到的来自发送端的5g信号波束中的电子标记进行比对并匹配，并且通过计算目标定位结果的累计分布量，
按照最大比合并原则，得到累计分布量峰值的位置，作为反射源位置。
34.与现有技术相比较，本发明利用5g基站信号实现低空无人机目标的组网探测。本发明充分利用5g基站的密集化部署、可加入电子标记、波束较窄等特点，实现基于5g基站的多目标识别，定位及跟踪，并能实现区域无缝覆盖，为重点区域的防护和低空空域开放提供技术支持。
附图说明
35.图1为本发明实施例提供的低空无人机多目标反射源分离方法的流程图；
36.图2为本发明实施例中，基于5g基站的doa估计多目标的定位示意图；
37.图3为本发明实施例中，基于5g基站的tdoa估计多目标的定位示意图；
38.图4为本发明实施例中，卡尔曼滤波算法的流程图。
具体实施方式
39.下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。
40.如图1所示，本发明实施例提供一种基于5g网络的低空无人机多目标反射源分离方法，至少包括如下步骤：
41.s1：利用各个5g基站接收目标回波信号，得到原始的量测数据。
42.本发明根据5g 雷达系统的接收基站对反射信号的量测数据进行目标运动状态的估计，其中准确性和实时性是目标跟踪的重要指标。当待测空域存在多个探测目标（具体为低空飞行的多个无人机）时，多目标的信号分离成为一个首要解决的问题，为了从复杂的反射信号源中分离出目标信号，首先将参考信号和目标回波信号进行通道均衡处理，然后通过杂波相消处理技术抑制直达波信号和多径信号，得到原始的量测数据。
43.s2：对量测数据进行预处理，消除部分虚警数据和杂波数据。
44.在本发明的一个实施例中，预处理的方式为针对原始的量测数据在距离-多普勒维度（range-doppler）上进行航迹跟踪，以消除部分虚警数据和杂波数据。具体地说，在5g基站的发送端对发送信号的不同波束中加入特定的电子标记，在5g基站的接收端通过识别反射波束中的电子标记和接收到的来自发送端的5g信号波束中的电子标记进行比对并匹配，并且通过计算目标定位结果的累计分布量，按照最大比合并原则，得到累计分布量峰值的位置，即为反射源位置，实现多目标反射源的分离。这种在5g信号波束中加入电子标记和基站解算结果的最大比合并的数据关联方式，可以最大限度地降低虚警率，实现多目标与放射源的准确分离，得到待探测目标的精确位置。
45.从理论上分析，通过合理选择5g基站的接收端的位置，可以提高多目标反射源的分离正确率。但是，在实际的5g雷达系统中，若要精确地同步获得所需的测量值存在较大的难度。为此，可以利用多个5g基站协同工作来整合单个或多个感兴趣的目标信息，通过增加量测数据的组数，使得不同组数的参数之间进行数据融合，从而完成综合各方面数据信息的目标定位。多基站数据融合本质上就是最优化多个5g基站接收到的不同目标的观测数据，从而得到融合处理后的多个目标的综合融合结果。该融合过程通过对不同目标的数据进行合理地互补和利用，并根据某种准则将不同目标之间的数据整理和组合起来，从而得到一个综合性的多目标信息的解释说明。
46.另一方面，在实际的目标探测过程中，由于5g基站的天线方向图中旁瓣的存在，在近距离上，5g基站的接收端可能会被旁瓣触发，旁瓣方向上的近距离目标出现在主瓣方向上形成虚假目标。此外，由于地面杂波的干扰或者当天线的主波束内存在大的固定目标时，由于固定目标的反射作用，5g基站的接收端也会产生虚假目标。通常，消除这类虚假目标的方法是由各个5g基站对接收到的反射信号量测数据进行预处理，以滤除虚假目标点迹，降低系统误警率。此外，对于由天线方向图中的旁瓣干扰引起的虚假目标误判，可以采用三脉冲旁瓣抑制技术，以降低系统误警率。除此之外，其他方面的原因也可能带来虚假目标点迹。在此，以波达方向定位法（direction of arrival，简写为doa）和到达时间差定位法（time difference of arrival，简写为tdoa）为例，分别如图2、图3所示，在实际的定位解析计算结果中会出现多个目标点迹，而在这些目标点迹中可能只有一个或者多个是真实的探测目标。
47.为了降低系统误警率，需要对多个目标点迹进行分析和提取，以得到其真实可靠的探测目标位置。下面，对此展开详细具体的说明。
48.s3：对经过预处理后的量测数据进行点迹融合处理。具体地，包括以下子步骤：
49.s31：通过穷举配对，对每个时刻各个5g基站接收的量测数据进行遍历。
50.s32：通过到达时间定位法（time of arrival，简写为toa）将配对后的量测数据进行解算定位。
51.其中，在解算定位的过程中，要求至少同时有两个5g基站有目标的量测数据。
52.s33：将解算后的点迹进行聚类算法和几何精度因子（geometric dilution precision，简写为gdop）的加权融合处理，得到航迹处理之前水平平面和垂直平面上的多个点迹的坐标和速度。
53.需要说明的是，在多基站组网多目标跟踪中，不同的5g基站接收到的量测数据是不能相互区分的，因此对这些量测数据（目标点集）进行合理的分类很重要。在本发明的一个实施例中，通过解算后的目标点集有很多，通过聚类算法可以合理地将同一类的目标点集进行归类，以方便后续的航迹处理。
54.具体地说，上述聚类算法包括以下的子步骤：
55.s331：从解算后的目标点集中，随机选取一个点作为某个类的中心；
56.s332：以该点为中心，将离该点距离小于预置值的所有点归为该类；
57.s333：对该类中的点迹数目进行统计和判断。若该类中的点迹数目大于等于3，则将该类中的所有点进行几何精度因子的加权融合，得到一个点迹输出；若该类中的点迹数目小于3，则将这些点迹全部删除；
58.s334：在目标点集中删除s331～s333中已经使用过的点，重复步骤s331～s333，直至目标点集中的所有点全部被使用。
59.s4：将步骤s3得到的数据进行航迹处理。
60.航迹处理主要包括航迹起始、点迹-航迹关联和航迹更新等步骤，具体说明如下：
61.在本发明的一个实施例中，航迹起始步骤采用滑窗法依次处理各个时刻接收到的点迹，具体包括如下的子步骤：按照接收的时间顺序依次保存三帧点迹，当保存点迹中有任意两帧相关成功，则表示起始成功并输出新航迹。在每一帧的数据关联后，滑动窗口，并删除窗口中的上一时刻的数据，准备存储下一帧新的航迹数据，并通过调整门限参数来达到
最佳航迹起始效果。其中，这些点迹存储于由相关序列组成的一定空间大小的集合域中。这些点迹相对独立，不与杂波点和已建立的目标航迹相关。在进行多次连续的信号接收后，将这些数据存储在窗口中，如果当前时刻在一个窗口中有大于或等于m次（m为预设次数）的点迹相关产生时，则表示航迹起始步骤成功并对外输出。
62.点迹-航迹关联步骤的作用在于：在多目标跟踪系统下，由于每帧传送过来的数据中有很多有效点迹通过了设定的门限值，因此需要判断出这些有效点迹到底属于哪条航迹。在本发明的一个实施例中，点迹-航迹关联步骤采用最近邻域法实现。具体地说，若当前帧的点迹与保存中的航迹的上一帧的点迹在坐标位置和速度矢量这四个分量的差值同时满足在设定的门限内，则记录下当前帧的点迹信息，认为此时点迹-航迹关联成功。其中，（x，y）表示某一点的坐标位置， 表示该点的速度矢量。
63.航迹更新步骤在整个航迹处理流程中发挥着核心作用，具体地说，用当前时刻状态对下一时刻的状态进行估计和预测，同时在得到下一时刻的观测量时，根据观测量对当前时刻的目标状态估计进行校正，并最终得到该时刻的状态估计值，然后再继续接着预测，如此重复预测和更新，实现航迹更新步骤。
64.在本发明的一个实施例中，使用卡尔曼滤波算法进行航迹更新步骤，具体包括以下子步骤：
65.s431：建立信号模型。
66.在离散时间的系统下，系统的状态方程和观测方程为：
[0067][0068][0069]
其中，为状态向量，表示不同的状态变量构成的多维状态向量；为观测向量，表示测量或观察得到的信号矢量序列；为状态转移矩阵，由系统的结构所确定，表示k＋1时刻的状态向量与k时刻的状态向量之间的转换关系；为观测矩阵，表示k时刻的观测向量y和状态向量x之间的转换关系；为动态噪声；为观测噪声。
[0070]
在此，假设动态噪声和观测噪声都是零均值的高斯白噪声，并且二者互不相关，即满足条件：
[0071][0072][0073][0074]
卡尔曼滤波就是在上述条件下，根据观测向量，求得第j时刻的状态向量x的一个估计量，记为，此估计量的均方误差矩阵为：
[0075][0076]
s432：进行卡尔曼滤波。
[0077]
如图4所示，设定系统的状态转移矩阵为，系统的观测矩阵为，可以由步骤s431给出的初始条件进行卡尔曼滤波。具体算法的实现步骤如下：
[0078]
状态预测过程为：
[0079]
对状态值进行一步预测：
[0080][0081]
求得预测的协方差矩阵为：
[0082][0083]
时间更新过程为：
[0084]
求得滤波增益矩阵为：
[0085][0086]
求得状态滤波输出值为：
[0087][0088]
求得滤波协方差矩阵为：
[0089][0090]
s433：重复步骤s431～s432，实现卡尔曼滤波跟踪。
[0091]
上述状态滤波输出值的公式表明：第k时刻的状态滤波输出值由两项相加组成，第一项是第k时刻的一步预测值；第二项使用预测值进行修正预测值，即用第k时刻的观测值减去估计值，再乘以滤波增益矩阵得到，两项相加即为第k时刻的状态滤波输出值。
[0092]
综上所述，卡尔曼滤波算法是以一种持续“预测-修正”的递推方式来进行数据预测。
[0093]
采用卡尔曼滤波算法进行航迹预测和更新滤波，首先根据航迹列表中前一时刻的状态估计值和系统的状态转移矩阵对进行当前时刻的状态一步预测，在得到当前时刻观测量以后，利用观测数据和前一时刻的一步预测状态，对当前时刻的状态进行校正更新。该更新主要利用了新信息和预测值。
[0094]
需要说明的是，在下一时刻状态进行预测的时候，如果出现n个连续的断点，将相关波门扩大n倍来进行调整，其中n为正整数。在多目标跟踪的情况下，将不同的目标点迹保存在航迹列表中的不同结构体中，并将每一帧得到的最新航迹观测量与所有航迹记录做相关性判断，同时还不断地滤波和更新状态，从而来完成多个目标的跟踪。
[0095]
需要说明的是，上述航迹处理步骤中的滤波算法，除了上述的卡尔曼滤波算法外，还可以使用扩展卡尔曼滤波、粒子滤波等成熟算法实现目标跟踪，本发明对此不做限制，并在此不予具体赘述。
[0096]
s5：根据航迹处理后的数据对低空无人机进行实时定位和轨迹跟踪。
[0097]
需要说明的是，上述多个实施例只是举例说明，各个实施例的技术方案之间可以
进行组合，均在本发明的保护范围内。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0098]
上面对本发明所提供的基于5g网络的低空无人机多目标反射源分离方法进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

技术特征：
1.一种基于5g网络的低空无人机多目标反射源分离方法，其特征在于包括如下步骤：s1：利用各个5g基站接收目标回波信号，得到原始的量测数据；s2：对量测数据进行预处理，消除部分虚警数据和杂波数据；s3：对经过预处理后的量测数据进行点迹融合处理；s4：将步骤s3得到的数据进行航迹处理；s5：根据航迹处理后的数据对低空无人机进行实时定位和轨迹跟踪。2.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于：所述步骤s1中，首先将参考信号和目标回波信号进行通道均衡处理，然后通过杂波相消处理技术抑制直达波信号和多径信号，得到原始的量测数据。3.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于：所述步骤s2中，所述预处理的方式为针对原始的量测数据在距离-多普勒维度上进行航迹跟踪。4.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于所述步骤s3包括如下子步骤：s31：通过穷举配对，对每个时刻各个5g基站接收的量测数据进行遍历；s32：通过到达时间定位法将配对后的量测数据进行解算定位；s33：将解算后的点迹进行聚类算法和几何精度因子的加权融合处理，得到航迹处理之前水平平面和垂直平面上的多个点迹的坐标和速度。5.如权利要求4所述的低空无人机多目标反射源分离方法，其特征在于所述步骤s32中，在解算定位的过程中至少同时有两个5g基站有目标的量测数据。6.如权利要求4所述的低空无人机多目标反射源分离方法，其特征在于所述步骤s33中的聚类算法包括如下子步骤：s331：从解算后的目标点集中，随机选取一个点作为某个类的中心；s332：以该点为中心，将离该点距离小于预置值的所有点归为该类；s333：对该类中的点迹数目进行统计和判断；若该类中的点迹数目大于等于3，则将该类中的所有点进行几何精度因子的加权融合，得到一个点迹输出；若该类中的点迹数目小于3，则将这些点迹全部删除；s334：在目标点集中删除s331～s333中已经使用过的点，重复步骤s331～s333，直至目标点集中的所有点全部被使用。7.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于所述航迹处理包括航迹起始步骤，具体包括如下的子步骤：按照接收的时间顺序依次保存三帧点迹，当保存点迹中有任意两帧相关成功，则表示起始成功并输出新航迹；在每一帧的数据关联后，滑动窗口，并删除窗口中的上一时刻的数据，准备存储下一帧新的航迹数据，并通过调整门限参数来达到最佳航迹起始效果；在进行多次连续的信号接收后，将数据存储在窗口中，如果当前时刻在一个窗口中有预设次数的点迹相关产生时，表示航迹起始步骤成功。8.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于所述航迹处理包括点迹-航迹关联步骤，具体包括如下的子步骤：
若当前帧的点迹与保存中的航迹的上一帧的点迹在坐标位置（x，y）和速度矢量的差值同时满足在设定的门限内，则记录下当前帧的点迹信息，认为点迹-航迹关联成功。9.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于所述航迹处理包括航迹更新步骤，具体包括如下的子步骤：用当前时刻状态对下一时刻的状态进行估计和预测，同时在得到下一时刻的观测量时，根据观测量对当前时刻的目标状态估计进行校正，并最终得到该时刻的状态估计值，然后再继续接着预测，如此重复预测和更新，实现航迹更新步骤。10.如权利要求1所述的低空无人机多目标反射源分离方法，其特征在于：所述步骤s1中，在5g基站的发送端对发送信号的不同波束中加入特定的电子标记，在5g基站的接收端通过识别反射波束中的电子标记和接收到的来自发送端的5g信号波束中的电子标记进行比对并匹配，并且通过计算目标定位结果的累计分布量，按照最大比合并原则，得到累计分布量峰值的位置，作为反射源位置。

技术总结
本发明公开了一种基于5G网络的低空无人机多目标反射源分离方法，包括如下步骤：S1：利用各个5G基站接收目标回波信号，得到原始的量测数据；S2：对量测数据进行预处理，消除部分虚警数据和杂波数据；S3：对经过预处理后的量测数据进行点迹融合处理；S4：将步骤S3得到的数据进行航迹处理；S5：根据航迹处理后的数据对低空无人机进行实时定位和轨迹跟踪。本发明充分利用5G基站的密集化部署、可加入电子标记、波束较窄等特点，实现基于5G基站的多目标识别，定位及跟踪，并能实现区域无缝覆盖，为重点区域的防护和低空空域开放提供技术支持。区域的防护和低空空域开放提供技术支持。区域的防护和低空空域开放提供技术支持。


技术研发人员：管祥民 吕人力
受保护的技术使用者：中国民航管理干部学院
技术研发日：2023.06.12
技术公布日：2023/7/18