张显炀,朱晓宇,林浩申,刘 刚,安喜彬

(火箭军工程大学 核工程学院,西安 710025)

0 概述

轨迹预测的目的是通过分析移动目标的历史轨迹挖掘数据特征,从而得到轨迹数据模型,进一步实现轨迹的时空预测[1]。通过对舰船的历史轨迹数据建模并研究相应的求解算法进行舰船轨迹预测,可以为海洋作业如海上搜救、海洋运输等提供重要保障。海面舰船与地面道路车辆的不同主要有两点:一是轨迹约束不同,海面舰船轨道约束和速度约束弱,其运动的随机性较大,运动模式多样,运动规律多变;二是轨迹数据来源方式不同,车辆轨迹数据通常可以通过GPS定位得到,而海面舰船的轨迹一般是通过侦察卫星观测而来,其轨迹是离散的数据点,且受到卫星观测精度的影响,轨迹数据特征进一步复杂化。因此,将传统的地面车辆轨迹预测方法应用于海面舰船上不能得到良好的预测结果,但是海洋作业又对舰船轨迹预测精度和实时性提出较高的要求。

当前轨迹预测常用的方法有卡尔曼滤波器(Kalman Filter,KF)[2-3]、隐马尔科夫模型(Hidden Markov Model,HMM)[4]和高斯混合模型(Gaussian Mixture Model,GMM)[5]。卡尔曼滤波器具有线性、无偏、方差小等特点,被广泛用于预测问题,但是该方法需要做大量的矩阵运算从而缺乏实时性,常用于道路车辆等运动模型简单的目标的轨迹预测。隐马尔科夫模型本质上是对时间序列的预测,但是对噪声没有较好的鲁棒性,并且随着数据集的增大,预测误差会不断累积。高斯混合模……