光电跟踪设备

光电跟踪设备（精选九篇）

光电跟踪设备 篇1

在实际测量任务中,所用的导弹和靶机成本较高,如果由于操作手失误造成测量任务失败,可能导致整个测试的失败,这将导致很大的损失。所以需要对操作手进行有针对性的训练,提高其操作技能,以确保能胜利完成测量任务,但采用信号弹或靶机进行训练的话,会产生较大的训练成本。通过视景仿真技术对实际观测环境进行仿真,通过人机交互设备模拟操作对设备的控制,实现对操作手的训练。

采用MFC中的基于单文档/视图结构的应用程序框架实现Vega Prime视景仿真程序的开发。仿真模拟软件可以根据需要随时改变仿真场景设置和目标飞行轨迹设置,根据对人机交互输入的视轴信息,实时更新模拟视景窗口指向,模拟实际跟踪过程。

2 Vega Prime介绍

Vega Prime是Multigen-Paradigm公司推出的实时三维虚拟现实开发工具,支持面向对象技术,其底层是基于开放式Open GL技术具有良好的跨平台性[1,2,3,4,5],通过Lynx Prime GUI图形化工具可以进行快速配置,简单易用让用户可以快速准确地开发出适合要求的视景仿真应用程序,是实景仿真软件平台的主流工具[6,7]。

3 视景仿真系统构成原理

主要包含有视轴姿态信息输入、仿真图像显示、目标轨迹设置、仿真环境设置,Vega Prime场景渲染,各模块间关系如图3所示。

仿真系统采用基于单文档/视图结构的MFC面向对象应用程序框架进行开发[8]。为实现仿真程序具有实时的人机交互性,程序采用多线程模式,包含的线程有视轴姿态输入线程、Vega Prime渲染线程、MFC主线程,程序运行流程图如图4 所示。

视窗指向控制,先用Creator创建一个很小点目标作为视轴目标,在Lyn X配置文件中创建视轴目标Object,在显示场景中可以忽略它的存在,将它作为Vega Prime目标观察物,视轴目标始终处于视窗中心,通过改变视轴目标位置进而实现视窗指向改变。

视轴姿态输入,由人机交互设备输入视轴控制信息,实验所采用的输入设备是键盘,通过上下键控制视轴的俯仰角变化,左右键控制视轴的方位角变化。在Vega prime仿真渲染线程中对输入事件响应,根据事件类型调整视轴方位俯仰值,转换为视轴目标位置,更新视轴目标位置实现视窗控制,输入设备可由其他设备替代键盘,如游戏手柄等。

目标轨迹设置,以观测点中心为原点,载入运动目标轨迹文件将目标轨迹点保存于内存中,在Vega prime进行渲染时根据运动时间提取轨迹点,设置目标位置。目标姿态,根据前后两次位置变化方向进行实时更新,才能获得较好的视觉效果。

仿真环境设置,可以设置背景云量,模拟晴天与阴天,对场景加入噪声、抖动、模糊等效果实现对真实成像过程仿真,可以通过Vega Prime API函数进行实时调整。

相机效果仿真设置,在Lynx配置文件中,添加vp Camera和vp Camera Composite Effect两项,前者为相机后者为相机效果设置,该类可以仿真平台的抖动,模糊,乘法固定模式噪声,随机噪声等效果。

3.1运动目标轨迹设置

目标运动轨迹坐标均以观测点为坐标中心,仿真系统可以进行3 种模式运动目标轨迹设置,分别为变速运动轨迹、等效正弦运动轨迹,直接载入包含时间和目标位置的理论目标轨迹。

3.1.1变速目标轨迹设置

设定目标方位角运动角速度、角加速度,俯仰角运动角速度、角加速度。

根据下式每帧更新目标方位和俯仰:

其中,S为更新角度,S0为初始角度,v为角速度,a为角加速度,t为目标运动时间。

3.1.2等效正弦运动轨迹设置

设定目标运动方位角最大角速度、最大角加速度,俯仰角最大角速度、最大角加速度。

根据下式每帧更新目标方位和俯仰:

其中为最大角速度,为最大角加速度。

3.1.3目标位置解算

其中,R为目标与观测点距离,其中E为目标俯仰角,A为目标方位角。

3.2运动目标姿态变化仿真

Vega Prime进行目标位置更新时,不会对姿态进行更新,需根据运动方向实时解算目标姿态进行更新才能逼近目标真实运动状态。

其中yaw为偏航角,pitch为俯仰角,Δx , Δy , Δz为目标位置变化。

目标滚转角为自身旋转变化,可根据实际目标运行情况设定。

3.3 目标脱靶量计算及跟踪评价

对于每一帧仿真图像而言,目标的空间位置和视轴指向位置都是已知的,通过求解目标与视轴的方位和俯仰差值即可得出目标在此帧场景中的理论脱靶量。在以观测点为中心的直角坐标系,目标和视轴之间的位置关系如右图5所示。视轴方位As,俯仰Es,目标方位At,俯仰Et。

脱靶量计算:

方位A和俯仰E值可通过获取目标在场景中位置坐标(x,y,z)计算得到。

对ΔA、ΔE进行平均值和方差进行统计,可以作为操作手技能水平的评价指标。

4 仿真效果

进行模拟训练时,首先通过人机交互界面设定目标运动轨迹参数,设定键盘左右键控制量变化大小,天气情况设定及相机效果设定,更新视轴方向使目标处于视场中心。然后启动目标仿真,目标开始沿设定的轨迹运动,此时通过操作控制视窗指向的“上、下、左、右”键改变视窗指向,使目标保持在十字丝中心。或设定目标从各个方向飞入视场场景,演练操作手的反应和操作速度。通过模拟各种运动目标和不同场景,对操作手进行训练。记录目标方位俯仰与视轴的方位俯仰差值,即目标脱靶量,通过对目标脱靶量统计情况来衡量操作手的技能水平。

5结论

结合Vega Prime和MFC实现对光电跟踪设备视景仿真系统的开发,介绍了视景仿真系统结构和软件运行流程,阐述了运动目标轨迹设置方法和运动过程中目标姿态更新方法。MFC通过调用Vega Prime API实时对Vega Prime仿真场景进行改变。通过相机仿真效果和天气背景条件设置,实现对真实场景的仿真。跟踪目标可以加载变速运动轨迹、正弦运动轨迹或直接载入真实目标运动轨迹,使操纵手在接近真实情况下得到训练,提高操作技能,降低训练成本。

摘要：由于受环境天气及训练成本影响,操作手只能在光电跟踪设备上进行有限的训练。运用MFC和Vega Prime设计了光电跟踪设备视景仿真系统,通过对视景仿真系统的操作可满足操作手的训练需求。根据背景环境设置,系统视场大小,目标模型等,利用Vega Prime进行场景仿真渲染。仿真系统视窗指向由人机交互设备进行控制,通过控制设备使运动目标保持在视场中央,模拟实际手动跟踪目标过程。此系统可通过仿真不同目标运动轨迹和不同环境,对操作手进行训练,提高操作手技能。

关键词：VegaPrime,仿真系统,光电跟踪设备,MFC,模拟训练

参考文献

[1]熊帅,付承毓,唐涛,等.光电经纬仪实时可视化仿真系统[J].光电工程,2012,9(39):49-55.

[2]牛铁.基于Vega Prime的实时三维视景仿真技术的研究[D].乌鲁木齐:新疆大学,2010.

[3]徐晓东.基于VEGA PRIME的无人机飞行视景仿真系统的研究[J].电脑知识与技术.2007.

[4]李威,杨峰,程咏梅,等.Vega Prime结合Open GL的导弹尾焰实时模拟[J].计算机工程与应用,2012,48(29):220-224.

[5]唐凯,康凤举,褚彦军.Vega中云的仿真方法[J].系统仿真学报,2005,17(9):2051-2053.

[6]王乘,李利军,周均清.vega实时三维视景仿真技术[M].武汉:华中科技大学出版社,2005.

[7]王明印,韦群,徐恩.基于Creator/Vega Prime的大场景虚拟现实关键技术研究[J]系统仿真学报,2009,21(1):117-120.

舰载光电跟踪系统跟踪误差源分析 篇2

根据目标信息在舰载条件下各个环节中的传递过程,分析光电跟踪系统跟踪性能各种影响因素,给出了主要的.误差源.在考虑不同误差属性的基础上,给出了脱靶量测量误差在伺服控制系统中的传递方法.同时,给出伺服系统动态滞后误差、扰动力矩产生的跟踪误差,以及由于舰船运动对跟踪性能的影响.

作 者：王辉华 刘文化 张世英 刘淼森 吕隽 WANG Hui-hua LIU Wen-hua ZHANG Shi-ying LIU Miao-sen LV Jun 作者单位：王辉华,WANG Hui-hua(海军工程大学,武汉,430033)

刘文化,张世英,刘淼森,吕隽,LIU Wen-hua,ZHANG Shi-ying,LIU Miao-sen,LV Jun(海军装备研究院,北京,100073)

多光路光电跟踪系统跟踪精度分析 篇3

现代的光电跟踪系统多由可见光电视、红外热像仪、激光测距机、激光指示器等多种传感器组成,主要用以实现对战场的侦察、探测,目标的捕获、跟踪、指示和角误差解算,在各种雷达、火控等武器系统中取得了越来越多的应用。其中,跟踪精度是光电跟踪系统重要的指标之一,能够直接反映出系统的综合性能。

不过,多光路光电跟踪系统是一种光、机、电高度综合的复杂系统,光机电的三种误差相互耦合传递,不同光路的对准精度对系统精度影响的机理也比较复杂[1]。所以在工程应用中,需要根据实际情况分析影响跟踪精度的主要因素,并有针对性地提出提高系统跟踪精度的方法,满足系统指标的要求。

1 光电跟踪系统跟踪精度

1.1 光电跟踪系统跟踪误差主要来源

如果要对光电跟踪系统的跟踪精度进行分析准确,不仅必须清楚影响跟踪精度的主要误差源,还应清楚这些误差源的误差分布。

如图1所示,光电跟踪系统要实现对目标的探测,捕获和精确跟踪,一般由光学系统、图像传感器、跟踪处理器、伺服控制系统和结构基座等组成。

光电跟踪系统主要误差源来源于系统内的各类环节,结合光电跟踪系统的组成和工作模式,将主要从以上环节进行分析。

1.2 影响跟踪精度的误差源分析

1.2.1 光学系统引起的误差

在多光路光电跟踪系统中,平台上通常安装有电视摄像机、红外热像仪和激光测距机等多套光学系统,某多光路光电跟踪系统如图2所示。

在多光路光电跟踪系统中,光学系统误差主要包括以下几个方面[2]:

(1) 电视、红外和激光三个光轴的平行度误差:电视、红外和激光的光轴为系统的跟踪瞄准线,必须保持平行,否则系统的跟踪精度将无法保证。

(2) 电视、红外、激光和基准(安装基准或其他传感器如雷达指向)的平行度,保证此类基准为讨论系统跟踪精度的前提。

(3) 滚轴、俯仰轴和方位轴三轴的位置度和垂直度。

(4) 电轴与光轴的平行度偏离:由于调试不当或调试设备精度不够,会造成系统电轴与光学系统中心(光轴)偏离。

1.2.2 图像传感器引起的误差

影响图像传感器的误差有探测器的分辨率、灵敏度、信噪比,以及探测器惰性、滞后等。分辨率和灵敏度将决定图像的清晰度和成像质量,对系统的跟踪精度和稳定性有较大影响。

同时,图像传感器中心与光学镜头光轴中心对准误差对变焦距光学系统影响较大,主要存在以下因素:

(1) 由于光学系统工艺设计、装配和调试引起的光轴变化和光轴抖动;

(2) 因变焦距、聚焦引起的光轴偏移;

(3) 外力振动或环境温度等变化引起的光轴偏移;

(4) 变焦、聚焦引起的光轴重复性误差,如图3所示是变焦后引起的光轴误差,图3(a)是变焦前图像,图3(b)是变焦后图像。

1.2.3 跟踪处理器引起的误差

图像传感器输出的图像有模拟或数字类型,跟踪处理器处理的为数字图像信号,数字图像的分辨率直接影响系统的跟踪精度和稳定性。

同时如果目标识别、跟踪算法或内部参数选择不当,可能使跟踪处理器无法实现稳定跟踪。如由于目标和背景灰度发生突变、噪声干扰等,不管是质心算法、相关算法等,跟踪点一般会产生像素级的跳变,特别对地面复杂背景,相关算法的误差要根据实际情况,存在误差的累计,属于随机误差,该类误差对光电成像跟踪系统的整体性能影响比较大。跟踪处理器引起的误差如图4所示。

1.2.4 伺服系统引起的误差

伺服系统引起的误差主要表现在动态滞后。动态滞后是由于目标运动引起的一项误差,是控制器延时、D/A转换延时、执行机构响应速度等这些原因造成的[3]。伺服控制机构带来的误差因素还包括框架摩擦力矩、静态平衡力矩、动态振动力矩、陀螺漂移、采样频率、不垂直度、机械加工精度、刚性、装配误差、噪声干扰和控制方程参数的选择等。伺服系统引起的误差如图5所示。

1.2.5 信号处理延迟

信号处理延迟主要包括图像探测器延时、跟踪处理器延时和控制系统动态响应等。图像传感器延迟包括光机扫描和视频合成两个环节,跟踪处理器的延迟包括D/A转换、帧存数据存取、脱靶量计算等环节[4]。目标的运动和镜头的移动,也可能造成目标与背景像质降低及其他不确定因素,造成目标跟踪性能的整体下降。总的时间延迟造成的跟踪误差已经很大,必须加以补偿,补偿的办法是加入目标速度前馈控制,实现对运动目标的快速跟踪,同时外推插值。

1.2.6 电子系统噪声

电子系统噪声包括信号和背景的散弹噪声、暗电流、读出噪声等[5],尤其是传感器及传感器线路的噪声要尽可能降低,否则会对控制系统产生不良影响。首先,噪声降低了传感器的分辨力,从而影响控制系统的稳态精度;其次,噪声限制控制系统的频带宽度,从而影响控制系统的动态品质。

1.2.7 不垂直度引起的框架解耦误差

光电跟踪系统的框架由加工、装配原因,框架不垂直度与控制系统解算所依据的坐标系有一定偏差,从而带来最终的控制误差[6]。

1.2.8 其他误差

(1) 特殊用途:

如机载设备、制导武器,图像滚转对跟踪处理器带来的误差量等。

(2) 人为因素:

用于人眼观察的摄像系统,图像的不稳定会使观察者产生疲劳感,进而导致误判和漏判,并且在人工锁定目标时,由于实际使用环境操作不规范或瞄准点不精确等因素,带来不可确定的误差。

2 误差的分类与合成

2.1 误差分类

2.1.1 系统误差

系统误差是指在相同条件下,多次观测值服从某一确定规律(如定值、线形、多项式、周期性等函数规律)的误差。系统误差可通过预先分析误差成因和实验室检测,通过合理的方法减少其误差值。

2.1.2 随机误差

随机误差是指在相同条件下,多次观测值服从统计规律(如正态分布、均匀分布等)的误差,主要表现为误差结果的分散性,大小和极性以不可确定的方式变化,产生的原因往往难以具体分析。

2.2 误差的合成

2.2.1 系统误差的合成

如果分项误差中含有系统误差εi,则合成误差中系统误差εy为:

$\epsilon {}_y={\displaystyle \sum _{i=1}^m\frac{\partial f}{\partial x{}_i}}\epsilon {}_i(1)$

2.2.2 随机误差的合成

如果分项误差中含有随机误差θj,那么合成误差中随机误差θy为:

$\theta {}_y={\displaystyle \sum _{j=1}^m\frac{\partial x}{\partial y}}\theta {}_j(2)$

按均方差原理计算得:

$\sigma {}^2\left(y\right)={\displaystyle \sum _{j=1}^m\left(\frac{\partial f}{\partial x{}_j}\right)}{}^2\sigma {}^2(x{}_j)(3)$

2.2.3 总误差的合成

若各分项误差中一共包括p个系统误差和r个随机误差,那么合成误差的不确定度φy为[7]:

$\phi {}_y={\displaystyle \sum _{i=1}^p\left(\frac{\partial f}{\partial x{}_i}\right)}\epsilon {}_i\pm {\rm K}{}_y\sqrt{{\displaystyle \sum _{j=1}^r\left(\frac{\partial f}{\partial x{}_j}\right)}{}^2\left(\sigma {}_j\right){}^2}(4)$

式中:xi,xj分别为系统误差和随机误差的分项;εi为第i项系统误差;σ${}_j^2$为第j项随机误差的方差,Ky为合成误差的置信因数。

3 计算跟踪精度和提高跟踪精度的方法

3.1 提高跟踪精度的方法

为保证系统的可靠跟踪和精度测量,根据使用环境和使用目的,采用以下技术途径来提高系统的跟踪精度:

(1) 通过对光电跟踪系统的跟踪精度分析,可以进行合理的误差分配,完善系统的设计。

(2) 进行合理的分机误差和总误差估算。

(3) 客观评价各分机误差对总误差的影响,考虑实际应用和成本进行误差分配。

(4) 优化设计,尽量减少随机误差。

(5) 改善伺服控制系统的性能:提高伺服响应速度,减小响应时间,提高跟踪系统的带宽,减小系统响应的动态误差。

(6) 采取稳定跟踪技术:采用预测滤波算法,根据在前面的目标信息以及目标信息的滞后量已知的情况下,预推出当前目标信息,提高光电跟踪系统的稳定性和跟踪精度[8] 。

(7) 采取补偿措施:实际产品不可避免有误差,可根据误差种类和分布,进行补偿。通过软件修正进行补偿,特别是时间延迟造成的跟踪误差,必须加以补偿;同时通过大量的测试和分析,找到误差分布规律,在一定程度上也可以进行修正[9]。

3.2 计算跟踪精度

实例:某光电跟踪系统,跟踪精度要求为0.4 mrad。根据实际情况,列出对本系统影响较大的跟踪误差:σ光轴是光轴平行度误差,σ轴系是轴系误差,σ温度是温度引起光学畸变误差,σ跟踪是跟踪处理器误差,σ伺服是伺服系统误差,σ延迟是信号处理延迟误差,σ装调是系统装调误差,则跟踪精度误差σ跟踪[10]:

$\sigma {}_{\text{跟}\text{踪}}=\sqrt{\sigma {}_{\text{光}\text{轴}}^2+\sigma {}_{\text{轴}\text{系}}^2+\sigma {}_{\text{温}\text{度}}^2+\sigma {}_{\text{跟}\text{踪}}^2+\sigma {}_{\text{伺}\text{服}}^2+\sigma {}_{\text{延}\text{时}}^2+\sigma {}_{\text{装}\text{调}}^2}$

光轴平行度误差:σ光轴=0.2 mrad;

轴系误差:σ轴系=0.2 mrad;

温度引起光学畸变误差:σ温度=0.1 mrad;

跟踪处理器误差:σ跟踪=0.1 mrad;

伺服系统误差:σ伺服=0.2 mrad;

信号处理延迟误差:σ延迟=0.1 mrad;

系统装调误差:σ装调=0.05 mrad;

代入公式计算得跟踪精度:σ跟踪=0.38 mrad,满足系统0.4 mrad的要求。

4 结 语

根据上述误差分析、计算和精度提高措施,对某型光电跟踪系统的跟踪精度进行了分析估算、实验室测量和补偿修正,并在外场进行了试验,理论结果与实际试验结果非常接近。

不过有些问题值得注意,高精度的光电跟踪系统在使用过程中,不仅要考虑系统本身的误差,还要考虑应用环境和应用目的对系统的影响,同时,对各种误差因素对系统跟踪性能的影响分析,还有待于进一步的研究。

参考文献

[1]张荆,苏泽清,黄青.机载光电火控系统的精度分析[J].红外与激光工程,1999,28(5):57-61.

[2]王尔琪,宋德慧.光学仪器精度分析[M].北京:测绘出版社,1998.

[3]柳琦,赵静.某型雷达电视跟踪测量系统及精度分析[J].弹箭与制导技术,2011,31(2):217-218.

[4]朱焕文,赵治平.电视跟踪器的实时输出精度分析[J].光电工程,1990,12(6):31-36.

[5]邹东明,刘栖山,陈长青.舰载光电跟踪设备视轴稳定分析[J].兵工自动化,2003,22(1):19-23.

[6]赵彩英,李宏,黄蕾.某瞄准吊舱跟踪精度评估技术研究[J].飞行力学,2007,25(2):57-61.

[7]冯小荣,张建新,樊秋林.电视跟踪系统误差分析[J].光电技术应用,2006,21(3):14-16.

[8]费业泰.误差理论与数据处理[M].北京:机械工业出版社,2005.

[9]张秉华,张守辉.光电成像跟踪系统[M].成都:电子科技大学出版社,2002.

光电跟踪设备 篇4

光电跟踪仪激光测距器性能检测方法研究

介绍了光电跟踪仪激光测距器的.特点,提出了其重要性能指标一测距能力和精度的检测方法.采用半实物仿真技术测试反映测距能力的消光比参量;采用精密延时法,实现了测距精度的测量.检测装置的耦合透镜部件放置于平行光管靶面,容易与测试光电跟踪设备其它模块的装置进行集成.

作 者：陈坤峰 史学舜 CHEN Kun-feng SHI Xue-shun 作者单位：华东电子测量仪器研究所,山东,青岛,266555刊 名：宇航计测技术 ISTIC英文刊名：JOURNAL OF ASTRONAUTIC METROLOGY AND MEASUREMENT年，卷(期)：28(3)分类号：P127.1 TN919.3关键词：光电跟踪仪 激光测距器 测距能力 测距精度 精密延时法

光电跟踪系统电视镜头控制技术研究 篇5

1 变焦方式的研究

光电跟踪系统中为了提高作用距离, 普遍使用连续变焦距镜头。连续变焦距镜头有四组透镜组成, 前组 (聚焦组) 、变倍组、补偿组和后固定组。在整个变焦过程中前组微调, 后固定组保持不变, 变倍组和补偿组之间按一定的规律做直线运动, 来改变整个变焦距镜头的总焦距值。一般有一下几种方法。

1.1 传统的变焦方式

传统的变焦方式一般有精确位移法, 手动连续变焦法, 自动变焦法等。精确位移法是计算出变焦距镜头各运动镜组的线性或非线性精确位移与焦距值的对应关系, 利用步进电机的精确控制来实现视场的变化, 同时输出焦距值。手动连续变焦法是利用上位机向电视镜头发送变焦距命令, 实现对镜头的开环控制。自动变焦法是根据目标成像大小, 自动计算出焦距调节参数, 使焦距自动向长焦或短焦方向移动, 以使目标成像大小合适, 便于对目标的跟踪和观察。

1.2 一种改良的变焦方法

对于光电跟踪系统, 提取目标精确的脱靶量信息, 实现整个系统的的闭环控制是尤为重要的。而电视镜头准确送出当前视场的焦距值, 将是整个计算的核心。由于镜片补偿组的运动是非线性的, 越到长焦位置焦距输出误差越大。所以为了保证输出焦距的精度, 需从两个方面改良, (1) 变焦速度; (2) 输出焦距。本段提出基于视频场信号的一种变速变焦方式和Matlab仿真整个焦距曲线并二次修正的方法来实现高精度焦距值输出。具体变速变焦流程图如图2和Matlab仿真焦距变化曲线如图3所示。

Matlab仿真焦距变化曲线二次修正, 是采用线性度较高的电位器实时反馈凸轮的移动位置。利用测角仪找出部分焦距与阻值的对应关系, 再用Matlab仿真出整个焦距与阻值的二次曲线, 再从表中选出部分点, 再次用测角仪测出当前视场与仿真结果比较, 对焦距曲线进行二次修正, 一般输出精度较高。

2 自动调光方式的研究

光电跟踪系统中为了提高分辨率, 一般都采用高灵敏度的CCD摄像机和F数较小的大口径电视镜头, 但当目标和背景发生比较大的变化时, 图像特别容易饱和或偏暗, 因此有一个好的调光系统是保证光电跟踪系统正常工作的必要条件。连续变焦距镜头的自动调光实际就是改变镜头的通光口径和CCD的曝光时间, 改变视频输出的幅值, 提高目标与背景的对比度。

2.1 传统的自动调光方式

传统的自动调光方式一般有基于灰度和基于视频电压比较两种。基于灰度一般是不断统计每一场的平均灰度值, 并与所设的灰度值进行比较, 一旦出现差值超过一定范围则启动电机或电子快门向减少灰度差值的方向运动, 实时修正。电压比较法是提取视频图像的峰值并与基准电压进行比较得到控制量, 从而控制电机改变通光量和曝光时间。

2.2 基于波门选通的平均灰度和峰值灰度加权的自动调光方式

采用平均灰度和电压比较法的调光系统适应性较差, 再加上大多数CCD摄像机本场曝光隔场响应的特点, 很容易造成电机过冲和电子快门超调。但采用波门选通的平均灰度和峰值灰度加权的办法, 增加感兴趣区域的权重, 降低不感兴趣区域的权重, 来获取反馈信号, 并同时采用二次函数来计算反馈量, 利用PWM驱动电机, 将能很好的提高调光的响应速度, 减少超调。平均灰度和峰值灰度加权的计算公式为:

式中Uc为加权后的灰度, a为加权系数 (0~1) , UA为平均灰度, UT为峰值灰度, 峰值灰度是指一定区域内像素灰度的最大值。波门选通是指跟踪器送出当前的目标位置信息, 光控板根据目标信息位置通过MAX4311类选通芯片选定适当的区域作为灰度统计区域, 这样能较好的突出目标和背景的对比度。

3 聚焦方式的研究

在光学系统中, 镜头对一定距离的目标成像有一个最佳像面位置, 这个位置通常满足物像共轭关系, 称为聚焦;偏离了这个位置, 将导致系统离焦, 造成图像质量下降、成像模糊。光学系统的相对孔径越大、焦距越大, 景深就越小, 离焦可能就越大。常见的聚焦方法可根据其判别准则来源于物方还是像方, 而分为主动法和被动法, 主动法是指各种方式的物距检测;被动法则是像质评价。

3.1 传统的自动聚焦方法

主动法是采用红外测距或超声波测距等方法, 一般在民用领用较为广泛。被动法一般是基于图像处理, 它是通过某种评价图像清晰度的函数进行对图像处理, 从获取的图像中提取有关清晰度的评价值, 并根据这一特征值控制电机, 调整前组镜片, 直到这一特征值满足某一预先设定的条件为止。目前应用于自动聚焦系统的算法大致有下面的几种方式:边缘检测法, 图像标准差法, 基于Sobel梯度算子的熵函数法, 拉普拉斯像能函数法, 图像梯度差分绝对值法等。而所有的方法都是基于选取一个合适的图像清晰度评价函数。目前在聚焦方式上只有“爬山式”和全程聚焦式, 但这两种聚焦方式所需的时间都很长, 不适合在光电跟踪系统中应用。

3.2 一种改良的自动聚焦方法

在军用光电跟踪系统中一般都可根据激光测距信息或雷达信息而得到当前物距, 因此可利用主动法进行粗调和被动法进行微调将能较好的实现快速自动聚焦。当已知当前物距时, 由于目标的运动方向要么远, 要么近, 则可以通过传统的理想光学系统的成像公式见图4, 精确计算出当前镜头的离焦量∆l, 通过步进电机来控制前组镜片 (聚焦组) 的位移量l∆′, 而当步进电机的控制与距离信息实时相关时, 步进电机将向固定方向移动, 保持图像一直清晰将, 实现粗调。基于Sobel算子和中值滤波的边缘检测法利用阈值化和极大值点方式, 细化了边缘和减小了锐化噪声的影响, 通过调整阈值大小, 使评价函数具有良好的尖锐性, 更能适应自动聚焦实时性的要求来实现微调。下面公式2为基于Sobel算子的边缘检测法的清晰度评价函数。

基于Sobel算子的边缘检测法的清晰度评价函数公式:

式中i为图像的行数, j为图像的列数;m为一行的像素数, n为一列的像素数。

4 结论

本文通过对现有的电视镜头变焦、调光、聚焦控制方法的分析, 提出了一种适合于目前光电跟踪系统的电视镜头控制的改良方法, 此方法将能很好的提高光电跟踪系统电视的作用距离以及更有利于电视跟踪目标的提取。

摘要：本文描述了当前在光电跟踪系统中普遍使用的几种电视镜头的控制方法, 通过对这几种控制方法的分析研究, 提出了几种改良的电视镜头控制技术, 将能更好适用于当前的光电跟踪系统。

关键词：变焦方式,自动调光方式,自动聚焦方式,Sobel算子,清晰度评价函数

参考文献

[1]邹华, 张孟伟.基于步进电机实现连续变焦距光学镜头的控制[J].光电工程, 2003 (2) .

[2]苏宏武, 杨晓军等.基于平均和峰值灰度加权的自动调光系统[J].光子学报, 2006 (1) .

光电快速跟踪系统计算机控制策略 篇6

光电跟踪测量设备是用于运动目标跟踪测量的重要设备, 主要用来跟踪目标运动, 获取运动轨迹数据, 观察目标的运动状态, 完成实时的观测及跟踪任务[1,2,3]。这类设备都要求系统具有较高的跟踪精度, 较小的跟踪误差, 快速的捕获能力, 以及良好的实时性。目前的光电经纬仪就是这类设备的一种, 已经能够达到上述要求, 较好地完成跟踪任务[4]。但是, 这种设备大多体积庞大, 重量较重, 随着对跟踪设备小型化, 轻量化, 专业化要求的提出, 研究设计既满足跟踪精度需求, 又具有机动性的小型快速跟踪设备已经受到广泛重视。

近年, 自动控制技术在国内外发展很快, 已广泛应用于跟踪测量、航空遥感测量、空间姿态控制等诸多领域[5,6,7]。本文针对快速跟踪系统跟踪测量快速机动目标时目标速度快, 布站距离近, 反射镜运动速度、加速度大, 跟踪精度高的特殊情况, 在建立的数学模型基础上, 认真分析其运动规律, 制订了切实可行的控制策略 (包括触发引导, 目标的快速捕获, 复合控制) , 确定了系统参数, 有效地保证了跟踪精度, 解决了快速反射镜控制机理和控制方法, 实现了对快速目标的高精度跟踪。

1 系统的构成及工作原理

1.1 快速跟踪系统的构成

图1为快速跟踪系统的工作原理图。它主要由目标速度测量子系统, 高速摄像机子系统、可旋转反射镜子系统、伺服控制子系统、以及控制计算机系统等组成。

1.2 快速跟踪系统的工作原理

该系统的基本工作原理为:高速摄像机前方放置一面可旋转的反射镜, 由伺服控制系统控制反射镜, 当快速目标经过速度测定区域时, 由目标速度测量系统测得目标的速度, 并触发控制计算机启动反射镜控制系统开始工作, 旋转镜面, 控制反射镜在目标通过特定视场时跟踪上目标, 通过镜面反射的光学原理[8], 将目标的像成像于高速摄像机镜头, 高速摄像机记录下目标每一时刻的位置, 形成连续的目标运动影像, 以供观测和事后分析测量。

2 快速跟踪系统控制策略

2.1 目标与反射镜的数学模型建立

由工作原理可以看出, 反射镜控制部分在整个系统中起着关键作用, 决定着最终的跟踪效果。为了保证跟踪效果, 完成跟踪任务, 首先需要研究目标与反射镜转角的相对运动关系, 建立起它们的数学模型。由图1的原理示意图可知, 建立目标运动与反射镜转角的数学模型如下:

其中:θ为反射镜的旋转角位置, ω为反射镜的旋转角速度, v (t) 为目标运动的速度, H为反射镜距离目标轨迹中心的距离。目标的速度v (t) 是由速度测量系统测得的, 反射镜距离目标的中心距离H是已知的, 反射镜旋转的角位置θ是控制系统的被控量, 控制的目标就是使反射镜的位置偏差量Δθ最小。这样, 对目标的跟踪问题就转化成为控制反射镜按θ角位置旋转的随动控制问题。实际目标做匀速直线运动, 速度为2 000 m/s, 根据布站要求, 中心距离为50 m, 目标的初始位置与中心线夹角-45.84°, 规定中心线处为零位, 顺时针为正。经计算分析可以得到, 反射镜在运动到中心线位置时的速度最大, 瞬时速度可达20 rad/s。由反射镜的初始位置角度和中心距离可以算出, 跟踪的轨道长度仅为102.96 m, 由此可以算出目标通过反射镜反射视场的时间仅为0.051 5 s, 要求反射镜在这个时间内完成捕获, 跟踪上目标。对目标的最大跟踪误差要求控制在0.5°以内。这就需要在目标进入跟踪轨道前, 反射镜已经运动起来, 目标一进入跟踪轨道, 反射镜就开始保精度稳定跟踪目标。

2.2 控制策略

通过上述分析可知, 由于目标运动速度快, 布站距离近, 因而要求反射镜运动速度, 加速度很大, 并且调节时间还要短, 跟踪误差尽量小, 因此, 需要采用高效的控制策略来完成整个任务。

为了满足上述的控制需求, 采用以下三个控制策略:

2.2.1 触发引导

由工作原理和对数学模型的分析可知, 反射镜的启动需要一个触发信号, 而反射镜的旋转需要一个引导信号, 这个引导信号就是由目标速度测量系统得到目标速度, 以此计算出反射镜旋转角位置θ。而反射镜启动的触发信号是由目标速度测量系统检测到目标速度后, 触发主控计算机, 由主控计算机给反射镜伺服系统发出启动信号, 并启动反射镜, 旋转镜面, 跟踪目标, 保证目标与反射镜的起始时间同步, 运动速度相匹配, 保证稳定跟踪。

2.2.2 目标的快速捕获

由对目标运动的分析可知, 系统的轨道长度短, 因此要控制反射镜在短时间内达到一定速度, 跟踪上目标, 使目标进入摄像机视场特定范围。这就要求控制过程的调节时间要短, 满足快速性要求;并且超调量要小, 保证目标不逃出摄像机视场。因此, 采用双模控制的方案, 在目标没进入测量轨道之前采用比例校正, 保证系统高带宽, 快速捕获目标, 在进入测量轨道后, 采用双闭环控制, 保证稳定跟踪。

对于速度回路, 采用频率特性设计法, 速度回路是0型系统, 采用双惯性形式, 速度调节器

位置回路采用滞后超前的校正形式:

其中:Tvc1, Tvc2, Tvc3, Tvc4是速度回路校正参数;Tpc1, Tpc2是位置回路的校正参数。

传统的控制器设计方法是已知被控对象的特性来进行设计[9,10]。然而在本文中, 电机与反射镜的传递函数是未知的, 即被控对象的特性未知。需要根据控制精度对被控对象提出要求, 加以限制, 指导机械加工, 因此被控对象的特性也需要设计。根据最大跟踪误差在0.5°以内的指标要求, 假定被控对象特性为典型二阶系统, 传递函数为

采用二分法编制程序, 对控制器参数Kvc, Tvc1, Tvc2, Tvc3, Tvc4, Kpc, Tpc1, Tpc2以及被控对象参数Kp, Tp1, Tp2进行联合整定与优化[11], 整定合适的参数, 保证系统的高带宽, 使双闭环后的系统具有良好的快速性, 稳态特性。

2.2.3 复合控制

由2.1节的分析可知, 反射镜在运动过程中的瞬时速度, 加速度很大, 布站距离又很近, 要在这种情况下使系统在短时间内完成高精度的捕获跟踪, 双闭环控制的跟踪能力有限, 因此, 必须采用更加高效实用的控制策略。复合控制作为一种高效易行的控制方式, 能够提高系统型别, 减小系统的无差度, 显著提高系统的跟踪精度。并且, 通过前馈, 加入了目标的速度信息, 可以很好地适应目标的运动变化, 对速度, 加速度变化规律复杂的目标, 跟踪效果较好。因此, 本文采用复合控制的策略进行控制。

复合控制的原理图如图2所示, 在无前馈时, 系统的闭环传递函数为

加前馈后的闭环传递函数为

其中:G1 (s) =Gpc (s) , G2 (s) =Gvc (s) Gp (s) , Gf (s) 是前馈传递函数。

3 结果与分析

经过联合整定, 得到被控对象参数为Kp=.049, Tp1=0.05, Tp2=0.0025。

速度调节器的参数为Kvc=2000, Tvc1=0.32, Tvc2=.00001, Tvc3=0.02, Tvc4=0.0025。

位置调节器的参数为Kpc=200, Tpc1=0.005, Tpc2=0.01。

电机加反射镜的传递函数为

速度调节器的传递函数为

位置调节器的传递函数为

系统的阶跃响应指标与频域响应指标如表1, 表2所示。

由表1, 表2和图3可知, 系统具有良好的稳定性, 快速性, 并且超调量小。由速度环开环剪切频率可知, 被控对象的机械谐振频率必须大于1 216.9 rad/sec, 即200 Hz, 工程上通常选取其3到5倍以上, 以保证被控对象的机械谐振频率远离系统的剪切频率, 避免发生谐振, 保证控制的效果。

根据目标与反射镜旋转角度的数学模型, 在MATLAB Simulink[12]中建立反射镜运动模块如图4所示, 得到反射镜运动的位置和速度如图5, 图6所示。采用双闭环控制算法, 得到系统的跟踪误差如图7, 图8所示。

由图7, 图8可知, 系统的最大跟踪误差为0.1 rad, 即5.73°, 不满足低于0.5°的指标要求。采用复合控制的方法, 将速度信号作为前馈加入系统。前馈传递函数Gf (s) =s, 前馈系数Kf=0.95, 得到图9, 图10。可以看出, 通过速度前馈, 系统最大跟踪误差降至0.001 5 rad, 即0.086°。由于实际中还会有来自机械干扰, 传感器响应时间延迟, 滞后等因素带来的误差, 根据工程经验, 位置和速度测量可用20位编码器, 分辨力1.23″;电机选用力矩电机, 根据负载状况选择合适的力矩, 满足速度、加速度要求;微处理器可选用16位DSP, 也可用工业控制计算机, 这些误差大约在0.2°左右, 因而系统最终误差能够保证在0.3°左右, 满足0.5°以内的指标要求。

采用双线性变换将系统离散化[12], 采样频率分别采用100 Hz, 400 Hz, 800 Hz, 1 000 Hz编制程序进行对比实验, 控制方式仍采用复合控制, 得到的离散化后系统的跟踪误差如图11、图12、图13、图14所示。

从图11, 图12可知, 400 Hz和800 Hz的效果较好, 通过数字化, 精度损失了0.000 7 rad, 即0.04°。然而这对整个系统的稳定性和最终跟踪精度影响不大, 因为系统具有86.9°的相位裕度, 可以保证系统的稳定。由图13, 图14可知当采样频率取100 Hz和1 000 Hz时, 跟踪误差出现了毛刺, 不合适。通过仿真试验得出, 采样频率应大于400 Hz, 以保证良好的控制效果。

4 结论

本文针对水平方向的单轴高精度快速反射镜跟踪测量问题, 分析了运动机理, 建立了数学模型, 制定了相应的控制策略与控制方法, 完成了控制参数的整定, 分析了离散化采样频率对系统的影响。同时, 根据控制精度要求对机械加工提出了具体指标要求, 有效地保证了系统的可实现性。设计结果的仿真分析表明:系统最大跟踪误差0.086°, 调节时间0.04 s, 由于实际中还会有来自机械、干扰、传感器处理速度等因素带来的误差, 由工程经验可知, 这些误差大约在0.2°左右, 因而实际的跟踪误差可以保证在0.3°左右。能够保证系统满足跟踪误差在0.5°以内, 满足指标要求。同时, 电机加负载的谐振频率需大于200 Hz, 采样频率应大于400 Hz, 以有效地避免出现谐振, 达到控制精度要求。本文进行的快速跟踪系统计算机控制策略研究, 将对快速跟踪系统设计和实现起到重要的指导和借鉴作用, 同时, 还可以为其它的计算机控制问题提供参考。

参考文献

[1]王建立, 王帅.光电跟踪伺服系统的频率特性测试与模型辨识[J].光学精密工程, 2009, 11 (1) :78-84.WANG Jian-li, WANG Shuai.Frequency Characteristic Test and Model Identification for O-E Tracking Servo System[J].Optics and Precision Engineering, 2009, 11 (1) :78-84.

[2]XING W, LIANG Y B.The Design and Control of Fine Tracking Loop of ATP System for Free Space Laser Communication[C]//2nd IEEE International Conference on Information Engineering and Computer Science-Proceedings, Wuhan, China, December25-26, 2010:5570-5574.

[3]YAN M T, SHIU Y J.Theory and Application of A Combined Feedback-Feed forward Control and Disturbance Observer in Linear Motor Drive Wire-EDM Machines[J].International Journal of Machine Tools and Manufacture (S0890-6955) , 2008, 48 (3) :388-401.

[4]王建立, 陈涛.提高光电经纬仪跟踪快速运动目标能力的一种方法[J].光电工程, 2002, 29 (1) :34-37.WANG Jian-li, CHEN Tao.A Method Improving the Tracking Ability of a Photoelectric Theodolite against the Fast Moving Target[J].Opto-Electronic Engineering, 2002, 29 (1) :34-37.

[5]汪大宝, 刘上乾.高速高机动多速率交互多模快速跟踪算法[J].光电工程, 2009, 36 (5) :22-27.WANG Da-bao, LIU Shang-qian.Realization A Fast Tracking Method for High Speed and High Maneuvering Targets Based on Multi-rate IMM Algorithm[J].Opto-Electronic Engineering, 2009, 36 (5) :22-27.

[6]吴琼雁, 王强.音圈电机驱动的快速控制反射镜高带宽控制[J].光电工程, 2004, 31 (8) :15-18.WU Qiong-yan, WANG Qiang.Wide Bandwidth Control of Fast-Steering Mirror Driven by Voice Coil Motor[J].Opto-Electronic Engineering, 2004, 31 (8) :15-18.

[7]邱晓波, 窦丽华.光电跟踪系统自抗扰伺服控制器设计[J].光学精密工程, 2010, 18 (1) :220-226.QIU Xiao-bo, DOU Li-hua.Design of Active Disturbance Rejection Controller for Electro-Optical Tracking Servo System[J].Optics and Precision Engineering, 2010, 18 (1) :220-226.

[8]周虹, 宁禹.双压电片变形反射镜样镜的设计与研制[J].光学学报, 2009, 29 (6) :1437-1442.ZHOU Hong, NING Yu.Design and Fabrication of Prototype for Bimorph Deformable Mirror[J].Acta Optca Sinica, 2009, 29 (6) :1437-1442.

[9]邹继斌, 陈霞.反作用力矩测试装置力矩伺服控制系统设计[J].电机与控制学报, 2009, 13 (A01) :173-177.ZOU Ji-bin, CHEN Xia.Torque Servo System Design of Reaction Torque Measurement Device[J].Electric Machines and Control, 2009, 13 (A01) :173-177.

[10]杨波, 王寿荣.硅微陀螺仪闭环校正控制系统设计[J].纳米技术与精密工程, 2010, 8 (4) :369-373.YANG Bo, WANG Shou-rong.Design of Closed-Loop Control System of Silicon Micro-machined Gyroscope[J].Nano Technology and Precision Engineering, 2010, 8 (4) :369-373.

[11]沈平, 段小刚.一种解析的模糊PI自整定方法[J].控制工程, 2010, 17 (2) :179-181.SHEN Ping, DUAN Xiao-gang.An Analytical Auto-Tuning Method for Fuzzy PI Control[J].Control Engineering of China, 2010, 17 (2) :179-181.

光电跟踪设备 篇7

在机载光电跟踪测量系统中, 如何有效地对运动目标进行快速识别定位, 一直是从事图像处理与目标识别研究相关人员所关注的问题。只有实现目标的快速识别与定位, 及时获取目标的运动信息, 才能控制跟踪平台对目标进行实时跟踪。为此, 相关研究人员提出了许多方法[1,2,3,4,5,6], 例如M估计, 特征匹配法, 基于光流的主运动估计, 傅氏变换法等。但是, 上述方法普遍存在某些不足之处:变换复杂, 运算量大, 对复杂背景下的运动目标提取能力差。然而, 在长焦距摄像机远距离跟踪运动目标的过程中, 邻近两帧图像的帧间角度差变化一般较小, 连续两帧图像大部分相似。基于这一特点, 本文利用光电跟踪转台的角度变化信息, 快速而准确的进行目标识别。再根据背景与噪声特点, 对残差图相乘以去除部分噪声, 再采用中值滤波, 抑制剩余噪声干扰;选择恰当的阈值进行二值化, 平滑背景杂波, 从而准确地定位运动目标;然后选择合适的波门门限, 可以快速的跟踪运动目标。

1 跟踪目标的识别与定位

如上图1所示, 从单帧图像来看, 背景较为复杂, 如果仅仅对单帧图像进行处理, 并有效稳定的检测出运动目标, 将导致算法复杂, 计算量大, 实时性差。若能显著的去除相似背景, 抑制噪声干扰, 突出目标信息, 则目标识别定位的精度和效率就能满足跟踪系统实时性要求, 根据上述目标特性和平台跟踪过程中的运动规律, 可以得出如下结论:视场内的背景变化部分较小, 且背景变化的量值可由平台测角系统获得;连续两帧图像中目标自身的运动可近似看成刚体的平动。于是利用转台的角度变化信息可以反推出前后两帧图像重合位置的起始点。设相机的像元尺寸大小为d×d, 光学系统的焦距为f, 跟踪平台方位和俯仰在连续两帧图像的时间间隔内产生的位移分别为∆A, ∆E, 于是可利用式 (1) 、 (2) 计算出前后两帧图像相移的大小∆x, ∆y。

以这一数据为基础, 将前后两帧图像“对应的部分”进行帧间相减, 可得到如下的系统残差图如图2。

对残差图相乘以去除部分噪声点, 如图3所示 (由于原始图像为640×480的图像, 缩小后噪声点不明显) 。

鉴于运动目标具有规则的几何形状, 并占有相当的像素, 采用中值滤波可以进一步剔出噪声点, 减少背景的杂波, 同时可以很好的保存目标的边缘信息, 如图4所示。滤波器模板的大小的选择对滤波效果影响很大, 需要根据目标、背景和噪声的具体特点进行优化设计, 本文定义5×5大小的十字中值滤波器, 模板为

仅保留介于区域面积阈值和最大面积阈值之间的目标区域M, 并结合原始图像中的灰度信息, 计算出目标区域M的属性, 如均值、形心、宽度和高度等, 形成目标区域描述的集合。根据M的属性, 选取自适应大小的波门, 可完成对目标的跟踪[7,8,9]。跟踪波门的关系如图5所示, 波门的尺寸略大于目标的图像, 波门套住目标图像, 图像处理系统只对波门内的图像信号进行处理, 而不是处理整个视场内的信息。这样不仅大大压缩了大量无用的信息处理量, 同时也可以有效地排除部分背景干扰。根据目标图像尺寸随距离的变化, 波门的尺寸也可以跟随目标图像尺寸的变化而自动地改变。

设视场中心为 (x0, y0) , 目标中心位置为T (xk, yk) , 伺服系统使视场中心向目标中心方向移动, 致使 (xk-x0, yk-y0) 趋向于零。波门跟踪时采用自适应阈值。

设跟踪波门如图6所示, 其中目标门紧紧套住目标。

通过计算目标区和背景区的灰度统计量, 得到

式中SB表示背景区的面积。则跟踪波门的灰度门限可定为

式中:kT为调节系数, 据此计算出来的灰度门限可随目标运动到不同的背景区域上来调节, 具有较强的自适应能力。具体的波门跟踪过程如下:

1) 输入图像, 式 (6) 确定波门的门限, 门限确定以后, 则有 (以目标灰度大于背景为例)

式中:F (x, y) 为分割后 (x, y) 像素的值, f (x, y) 为分割前的值。

2) 计算质心

将跟踪波门中心移到Xˆt (xˆ0, yˆ0) 像元上。

3) 波门中心的调整

(1) 令Xc (k) 表示跟踪波门在调整到第k步时的中心位置, Xc (k) = (x, y) 。

(2) 计算波门中心与目标质心之间的偏差, Eˆ (k) =Xˆt (k) -Xc (k) 。

(3) 调整波门中心位置:

式中:c为比较门限小于0.5;int (·) 为取整运算;sign (·) 为符号运算。

4) 判断递推过程终止条件:

(1) 当|Eˆ (k)

(2) 当|c

若符合上述条件之一, 则转入5) , 否则转入1) ~4) 。

5) 满足终止条件 (1) 时, 输出Xˆt=Xˆc (k) ;满足终止条件 (2) 时, 输出Xˆt=[Xˆc (k) +Xˆc (k-1) ]/2。

6) 确定对下一帧输入图像的跟踪波门参数:

窗口中心位置Xc=int[Xˆt];灰度门限T=gB+kT (gt-gB) ;

目标门尺寸:Lx=max|i-xc|;Ly=max|j-yc|。

式中:i, j的取值满足F (i, j) =f (i, j) , 且 (i, j) 位于背景门之内。Xc=int[Xˆt]

7) 转入步骤1) , 开始跟踪新一帧图像目标位置。

2 实验验证

本算法在Microsoft Windows 2000 Professional平台下, 采用Visual C++6.0可视化面向对象编程语言实现.针对某次导弹发射时的一段镜头为输入, 对视频中特定的目标进行跟踪。为了说明本文算法在目标跟踪中的性能, 特意选取了复杂情况下非匀速运动导弹的尾部来进行连续跟踪不同实测图像3 085帧序列, 由不同操作人员在主控计算机 (Dell图形工作站:Intel 3.0GHz CPU, 1GB DDR400, Ultra 320SCSI硬盘:10 000 rpm) 不同负载状态下控制伺服跟踪系统对目标进行了多次跟踪测量, 均能可靠地跟踪该类运动目标 (系统延迟保持在20 ms以内) , 并准确地提取了单站图像中目标形心坐标, 单站目标识别定位的算术平均误差小于1.2个像素。限于篇幅, 只给出跟踪过程中的部分关键帧, 其中的六幅图以时间为序, 通过波门可以很清楚的看到目标的位置。

从表中可以清楚的看出, 本文算法在跟踪条件相同的情况下, 跟踪准确度提高了2.2%。将多站数据交会计算后[10], 得到目标在测量坐标系中的三维坐标精度能够满足系统测量要求。

3 结论

由于采用了连续帧间差值, 该算法能同时检测黑背景中的亮目标和亮背景下的黑目标;吸收了累计差分算法的优点, 又改进了其在硬件要求及处理速度方面的不足;利用连续图像的残差进行乘法运算, 滤除了大部分的随机噪声;用十字均值滤波器有效的滤掉了剩余部分的噪声点, 这是对差分图像算法的改进;利用波门门限算法, 大大的提高了DSP的运算效率。理论和实验结果表明:本算法具有快速、稳定、有效等优点, 能够满足我国某机载光电跟踪系统实时跟踪, 实时图像处理的要求。

参考文献

[1]Holger LANGE.Real-time contrasted target detection for IR imagery based on a multistage top hat filter[J].SPIE, 1999, 3720:2l4-226.

[2]Chiang H C, Moses R L.Model Based classification of radar Images[J].IEEE Transactions on information theory (S0018-9448) , 2000, 46 (5) :1842-1854.

[3]Novak L M, Owirak G J, Brower W S.Performance of10-and20-target MSE classifiers[J].IEEE Transactions on Aerospace and Electronic Systems (S0018-9251) , 2000, 36 (4) :1279-1289.

[4]Keydel E R.MSTAR extended operating conditions:A tutorial[G]//Edmund G Zelnio, Robert J Douglass.Algorithms for Synthetic Aperture Radar Imagery III.SPIE, 1996, 2757:228-242.

[5]Bhalla R, Hao Ling.Three-dimension scattering center extraction using the shooting and bouncing ray technique[J].IEEE Transactions on Antennas and Propagation (S0018-926X) , 1996, 44 (11) :1445-1453.

[6]Verbout S M, Irving W W, Hanes A S.Improving a templated-based classifier in a SAR automatic target recognition system by using3-D target information[J].Lincoln Laboratory Journal, 1993, 6 (1) :53-76.

[7]王卫华, 何艳.光电图像序列运动弱目标实时检测算法[J].光电工程, 2006, 33 (4) :14-18.WANG Wei-hua, HE Yan.Real—time algorithm for small moving target detection in photoelectric image sequences[J].Opto-Electronic Engineering, 2006, 33 (4) :14-18.

[8]Lshida T, Wavelet, Korf R E.Moving-target search:A real-time search for change goals[J].IEEE Titans PAMI (S0162-8828) , 1995, 17 (6) :609-619.

[9]马彩文, 柴绕军.电视经纬仪跟踪测量中运动目标快速识别定位算法[J].光子学报, 2005, 34 (1) :134-137.MA Cai-wen, CHAI Rao-jun.A fast Identification&Location Algorithm for Moving Targets in TV Theodolite Tracking System[J].Acta Photonica Sinica, 2005, 34 (1) :134-137.

光电跟踪设备 篇8

关键词：被动目标跟踪,UKF,可观测性,光电经纬仪,数据融合

在光电经纬仪跟踪测量过程中,经常出现由于云层遮挡等原因导致目标暂时丢失的情形,此时保证系统能继续平稳跟踪是测量成功的关键。以往的研究大多数是根据目标过去的运动特性利用多项式拟合出目标方位俯仰角的运动轨迹方程,在目标丢失的情况下沿该轨迹对目标再搜索。但由于受多项式阶次等因素的限制,轨迹的拟合精度难以提高。目前,在靶场测量中通常是由多种测量设备,如雷达、光电经纬仪等对同一目标进行组网测量,多种设备的测量轨迹融合在一起,形成目标的运动轨迹具有很高的精度。因此,近年来相关研究人员把目光逐渐转移到利用数据融合技术来实现连续平稳跟踪。

光电经纬仪的融合信息来源通常是外部引导信息如雷达、理论弹道数据等和自身的测量信息,如电视、红外测量数据,融合前需要根据这些测量数据估计出目标的状态信息(位置、速度)。由于光电经纬仪只能测量目标的角度信息,属于被动目标跟踪,在状态估计时存在非线性估计和可观测性难题。长期以来解决非线性最优估计的手段是扩展卡尔曼滤波器(EKF),它通过对非线性模型在状态估计点进行泰勒级数展开,并取一阶分量来近似得到线性化的动态模型,这种方法需要求解复杂的Jacobian矩阵,并且对非线性较强的模型会产生很大的线性化误差,导致估计精度下降,甚至引起滤波器发散。针对这些缺点,研究人员相继提出了修正增益扩展卡尔曼滤波(MGEKF)[1]、伪线性估计(PLE)[2]、无迹卡尔曼滤波(Unscented Kalman Filter ,UKF)[3,4]等,其中最引人感兴趣的是UKF算法,它采用无迹变换来精确估计出状态变量经非线性变换后的统计特性,并将逐渐替代传统的EKF算法。

可观测性是被动目标跟踪领域另一个难题,光电经纬仪只完成角度测量,没有距离测量,无法确定目标的唯一运动轨迹;而且出于测量目的,其测量平台(陆基)是稳定的,不像一些被动跟踪系统似的,通过自身机动来实现对目标的完全观测。文献[2]分析了在直角坐标系下当目标不可观测时EKF算法特性,指出当目标初始估值不精确或状态估计异常时,状态估计误差的可观测部分和不可观测部分相互耦合,容易使状态误差协方差阵呈现病态,从而导致滤波发散。

本文针对光电经纬仪在数据融合过程中对目标状态估计进行了分析,应用UKF算法实现非线性最优估计,并给出该算法的平方根实现形式来保证数值稳定性。同时还分析了可观测性问题,提出了在目标不可观测情况下保持滤波稳定的方法,并通过仿真实验证实了算法的有效性。

1模型建立

图1示出直角坐标系下光电经纬仪对空间运动目标跟踪的几何关系,坐标原点为经纬仪观测点,θ为方位角,φ为俯仰角,r为目标的斜距。定义目标的状态变量Xk=[rkx,rky,rkz,vkx,vky,vkz]T,其中rkx,rky,rkz为k时刻目标在x,y,z轴上对应的位置分量,vkx,vky,vkz为对应的速度分量。为简单起见,假设目标作匀速直线运动,并存在随机加速度的扰动,其状态方程可描述为:

Xk+1=ΦkXk+ΓkWk (1)

系统的观测方程描述为:

Yk=H[Xk]+Uk (2)

(2)式中观测向量Yk=[θk,φk,rk]T,观测矩阵

${\rm H}[X{}_k]=\left[\begin{array}{cc}h{}_1(X{}_k)& \\ h{}_2(X{}_k)& \\ h{}_3(X{}_k)& \end{array}\right]=\left[\begin{array}{ccc}\text{a}\text{r}\text{c}tan\frac{r{}_{kx}}{r{}_{ky}}& & \\ \text{a}\text{r}\text{c}tan\frac{r{}_{kz}}{\sqrt{r{}_{kx}^2+r{}_{ky}^2}}& & \\ \sqrt{r{}_{kx}^2+r{}_{ky}^2+r{}_{kz}^2}& & \end{array}\right]$

,测量噪声序列Uk=[ukθ,ukφ,ukr]T,同样定义成相互独立的零均值白噪声序列,E[UkUTj]=δkjRk,E[Uk]=0且E[WkUTj]=0。

对于(1)式、(2)式描述的模型,如果假设向量Xk、Yk为服从高斯分布的随机变量,那在给定含有噪声的测量值Yk时,状态Xk的MMSE估计的递归算法可表示成[3]

$\widehat{X}{}_k=\widehat{X}{}_{k|k-1}+{\rm K}{}_k(Y{}_k-\widehat{Y}{}_{k|k-1})$ (3)

Pxx(k)=Pxx(k|k-1)-KkPyy(k|k-1)KTk (4)

此处$\widehat{X}$k为Xk最优估计值,Pxx(k)为最小估计方差。(3)式、(4)式中其余项含义为

$\{\begin{array}{l}\widehat{X}{}_{k|k-1}=\text{E}[\Phi {}_k\widehat{X}{}_{k-1}]\\ \widehat{Y}{}_{k|k-1}=\text{E}\{{\rm H}[\widehat{X}{}_{k|k-1}]\}\\ {\rm K}{}_k={\rm P}{}_{xy}(k|k-1){\rm P}{}_{yy}^{-1}(k|k-1)\\ {\rm P}{}_{xx}(k|k-1)=\text{E}[(X{}_k-\widehat{X}{}_{k|k-1})(X{}_k-\widehat{X}{}_{k|k-1}){}^{\text{Τ}}]\\ {\rm P}{}_{yy}(k|k-1)=\text{E}[(Y{}_k-\widehat{Y}{}_{k|k-1})(Y{}_k-\widehat{Y}{}_{k|k-1}){}^{\text{Τ}}]\\ {\rm P}{}_{xy}(k|k-1)=\text{E}[(X{}_k-\widehat{X}{}_{k|k-1})(Y{}_k-\widehat{Y}{}_{k|k-1}){}^{\text{Τ}}]\end{array}(5)$

根据上述递归过程,在已知k-1时刻的最优状态估值$\widehat{X}$k-1的参数分布情况,如果能够根据系统的模型导出k时刻的预测估值$\widehat{X}$k|k-1、$\widehat{Y}$k|k-1的参数分布,则可由k时刻的观测值Yk实现状态Xk的最优估计。如果系统模型都为线性方程,则$\widehat{X}$k|k-1、$\widehat{Y}$k|k-1的参数分布很容易得到,该递归过程也就形成了卡尔曼滤波算法。但这里由于观测方程是一非线性方程, 因此得到$\widehat{Y}$k|k-1的参数分布是实现状态Xk的最优估计的关键。(2)式观测向量Yk中增加了斜距观测分量rk,这为后面讨论而准备。

2UKF算法

UKF算法的基础是无迹变换,它是最近发展起来的用于计算随机变量经非线性变换后的统计特性的一种有效方法,其实现原理是在原先状态分布中按规则取一定数量的点(称为Sigma点),这些点的样本均值和方差等于原状态分布的均值和方差,将这些点代入非线性函数中得到相应函数值点集,通过这些函数值点集就可求取非线性变换后的均值及方差。

假设已知n维随机变量X,其均值为$\overline{x}$,方差为Pxx,可以按下列规则选取2n+1个Sigma点。

$\{\begin{array}{l}\chi {}_0=\overline{x},w{}_0^{(m)}=\lambda /(n+\lambda ),w{}_0^{(c)}=\\ \lambda /(n+\lambda )+(1-\alpha {}^2+\beta )\\ \chi {}_i=\overline{x}+(\sqrt{(n+\lambda ){\rm P}{}_{xx}}){}_i,w{}_i^{(m)}=w{}_i^{(c)}=\\ 1/\{2(n+\lambda )\}\\ \chi {}_{i+n}=\overline{x}-(\sqrt{(n+\lambda ){\rm P}{}_{xx}}){}_i,w{}_{i+n}^{(m)}=w{}_{i+n}^{(c)}=\\ 1/\{2(n+\lambda )\}\end{array}(6)$

这里i=1,2,…,n,$(\sqrt{(n+\lambda ){\rm P}{}_{xx}}){}_i$表示矩阵$\sqrt{(n+\lambda ){\rm P}{}_{xx}}$的第i列,λ=α2(n+γ)-n,α,β,γ为可选参数,此时随机变量Y=f(X)的均值$\overline{y}$和方差Pyy可近似表示成

$\overline{y}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(m)}f(\chi {}_i)$ (7)

${\rm P}{}_{yy}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[f(\chi {}_i)-\overline{y}][f(\chi {}_i)-\overline{y}]{}^{\text{Τ}}$ (8)

这就是无迹变换的过程,通过该方法可精确求取随机变量经过非线性变换后的参数分布。将该方法与(3)式、(4)式描述的递归过程结合起来,可导出针对模型(1)式、(2)式的UKF的平方根实现算法如下:

1)初始化:$\widehat{X}{}_0=E[X{}_0]$,$S{}_0=chol\{E[(X{}_0-\widehat{X}{}_0)(X{}_0-\widehat{X}{}_0){}^{\text{Τ}}]\}$,

Qs=chol{Q0},Rs=chol{R0}。

2)对于k=1,2,…,∞有

状态估计:

$\widehat{X}{}_{k|k-1}=\Phi {}_k\widehat{X}{}_{k-1}$,

Sk|k-1=qr{[ΦkSTk-1ΓQs]},

Sk|k-1=Sk|k-1(1:n,1:n)。

状态更新:

$\begin{array}{l}\chi {}_{k|k-1}=[\widehat{X}{}_{k|k-1}\widehat{X}{}_{k|k-1}+S{}_{k|k-1}^{\text{Τ}}\times \\ \sqrt{(n+\lambda )}\widehat{X}{}_{k|k-1}-S{}_{k|k-1}^{\text{Τ}}\sqrt{(n+\lambda )}]‚\end{array}$

Yk|k-1=H[χk|k-1],

$\widehat{Y}{}_{k|k-1}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(m)}Y{}_{i,k|k-1}$,

$S{}_{yk}=qr\{[(Y{}_{1:2n,k|k-1}-\widehat{Y}{}_{k|k-1})*\sqrt{w{}_1^{(c)}}R{}_s^{\text{Τ}}]{}^{\text{Τ}}\}$,

$S{}_{yk}=cholupdate\{S{}_{yk},(Y{}_{0,k|k-1}-\widehat{Y}{}_{k|k-1})\sqrt{w{}_0^{(c)}}\}$,

${\rm P}{}_{xy}={\displaystyle \sum _{i=0}^{2n}w}{}_i^{(c)}[\chi {}_{i,k|k-1}-\widehat{X}{}_{k|k-1}][Y{}_{i,k|k-1}-\widehat{Y}{}_{k|k-1}]{}^{\text{Τ}}$,

Kk=Pxy/(Syk/STyk),

$\widehat{X}{}_k=\widehat{X}{}_{k|k-1}+{\rm K}{}_k(Y{}_k-\widehat{Y}{}_{k|k-1})$,

M=KkSTyk,

Sk=cholupdate{Sk|k-1,M,-1}。

其中qr{·}表示QR分解,chol{·}表示cholesky分解,cholupdate{·}表示cholesky因子更新,它们在Matlab中均有相应函数实现。算法平方根实现目的是保证良好的数值稳定性,防止在递归过程中出现由数值计算精度原因而引起滤波发散的情形。

3可观测性分析

尽管单台光电经纬仪无法确定目标的唯一运动轨迹,但在组网测量中可利用外部引导信息中的距离值,当作经纬仪的测量值来对目标定轨。当目标被云层遮挡丢失后,可根据目标运动方程利用滤波器预测得到伪轨迹,之后将伪轨迹和引导轨迹融合后再去引导经纬仪对目标再搜索,这样的处理结果比单纯根据伪轨迹,或引导轨迹去搜索目标的效果要好得多。当然,把引导距离值当作经纬仪测量值会使得引导轨迹和伪轨迹的估计误差产生相关性,从而增加融合的复杂性。

在预测伪轨迹时,目标的角度值不可观测,但距离值仍可由引导信息获取。因此,光电经纬仪是不完全可观测的,此时要小心处理以免出现滤波发散。为分析可观测性方便,不妨假设系统完全可观时UKF是稳定的,这种假设在实际中往往是切实可行的,重写(3)式

$\widehat{X}{}_k=\widehat{X}{}_{k|k-1}+{\rm K}{}_k\eta {}_k$,其中ηk=Yk-Yk|k-1=[ΔθkΔφkΔrk]T,它表明状态滤波估计值$\widehat{X}$k是由预测值$\widehat{X}$k|k-1修正而来,修正量大小为Kkηk,系统完全可观时估计值$\widehat{X}$k达到最优。当系统不完全可观时,${\widehat{X}}^{\prime }{}_k={\widehat{X}}^{\prime }{}_{k|k-1}+{{\rm K}}^{\prime }{}_k{\eta }^{\prime }{}_k$,η′k=Yk-Y′k|k-1=[Δθk′ ΔφkΔr′k′]T,这里不妨假设角度值不可观测,此时可令ηk′=[00Δrk′]T,如果能证明Kk′=Kk且初值估计准确,那得到的$\widehat{X}$k′是次优估计,随着递归次数增加,$\widehat{X}$k′的估计误差将逐渐增大,但是不会出现估计异常情况,这是因为Kk′不会出现异常。

假设${\widehat{X}}^{\prime }{}_{k-1}=\widehat{X}{}_{k-1}+\Delta x^{\prime }{}_{k-1}$,此时${\widehat{X}}^{\prime }{}_{k|k-1}=\widehat{X}{}_{k|k-1}+\Phi \Delta x^{\prime }{}_{k-1}$。

根据(5)式有

$\begin{array}{l}{{\rm K}}^{\prime }{}_k={\rm P}{}_{xy}(k|k-1){\rm P}{}_{yy}^{-1}(k|k-1)=\\ \text{E}[(X{}_k-{\widehat{X}}^{\prime }{}_{k|k-1})(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}]){}^{\text{Τ}}]/\text{E}[(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}])(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}]){}^{\text{Τ}}]=\\ (\text{E}[(X{}_k-\widehat{X}{}_{k|k-1})(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}]){}^{\text{Τ}}]-\text{E}[\Phi \Delta x^{\prime }{}_{k-1}(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}]){}^{\text{Τ}}])/\\ \text{E}[(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}])(Y{}_k-{\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}]){}^{\text{Τ}}。\end{array}$

如果$\Delta x^{\prime }{}_{k-1}<<\widehat{X}{}_{k-1}$,则${\rm H}[{\widehat{X}}^{\prime }{}_{k|k-1}]\approx {\rm H}[\widehat{X}{}_{k|k-1}]$,另外Δx′k-1与$(Y{}_k-{\rm H}[\widehat{X}{}_{k|k-1}])$不相关,因此K′k≈Kk。

4仿真实验

假设目标作匀速直线运动,目标初始位置(8 000 m,6 000 m,300 m),目标速度(400 m/s,500 m/s,300 m/s),观测点位于坐标原点,随机加速度噪声方差Qk=diag(102,102,102),测量噪声方差Rk=diag(0.000 22,0.000 22,1002),初始状态估计$\widehat{X}$0=[6 400 4 800 240 300 300 300]T,P0=diag(1 000 1 000 1 000 100 100 100)。假设(0, 10 s)区间目标初始段飞行雷达测量处于盲区,对于经纬仪没有引导信息,此时目标距离不可观测,(10 s, 20 s)区间雷达送出引导信息,目标完全可观测,(20 s, 30 s)区间目标进入云层,角度值不可观测,但雷达的引导信息仍有效,观测周期ΔT=0.05 s,在上述条件下,进行50次Monte-Carlo仿真,并取仿真结果平均值。

为对比说明,仿真实验中还模拟了整个阶段系统都完全可观测的情形,图中点划线所示。 图2～图4示出了对目标的x、y、z方向的位置估计误差均值,从图中可看出,开始阶段由于初始值估计不精确,并且目标距离值不可测,位置估计误差越来越大;在II阶段,距离值可观测,这时估计误差迅速收敛,并保持在一较小范围内;在III阶段,目标的角度值不可观,但该阶段递归开始的状态估计值很精确,因此尽管估计误差逐渐增加,但变化过程却很缓慢,并且没有异常现象出现,这证明了在系统不可观时的处理方法是有效的。然而该阶段的是伪轨迹,估计误差随时间越来越大。因此,在数据融合时其占有的权重要逐渐减小。另外还可看出,当系统完全可观测时,估计误差一开始就急剧收敛,然后保持在较小值,这体现了UKF算法良好的收敛性、稳定性和近似无偏性。

图5给出了系统不完全可观的增益矩阵与完全可观的增益矩阵中任意两个元素作差平均值,从中可看出,在II完全可观测段,误差值很小;在I、III不完全可观测段,误差约有增加,但保持在较小值,这证明Kk′≈Kk的正确性。

5结论

本文以光电经纬仪在数据融合中对目标状态估计的具体应用为背景,讨论了三维直角坐标系下被动目标跟踪问题,通过利用UKF解决状态估计过程中存在的非线性问题,并给出UKF算法的平方根实现形式,以保证算法具有良好的数值稳定性。同时分析了光电经纬仪目标跟踪过程中的可观测性问题,提出了在不可观测情形时保持滤波稳定的方法。实验结果表明,该算法具有良好的收敛性和稳定性,在完全可观条件下具有很高的估计精度,不可观测条件下能有效阻止滤波异常出现,目标估计的轨迹可用于可以很好地作为数据融合的信息来源。

参考文献

[1]Song T L,Speyer J L.A stochastic analysis of a modified gain ex-tended kalman filter with applications to estimation with bearing only measurements.IEEE Trans Automatic Control,1985;30(10):940—949

[2]Aidala V J.Kalman filter behavior in bearing-only tracking applica-tion.IEEE Trans Aerospace and Electronic System,1979;15(1):29—39

[3]Julier S J,Uhlmann J K.Anewextension of the kalman filter to non-linear systems.Proc of Aerosense:The11th Int.Symp.on Aero-space/Defence Sensing,Simulation and Controls,1997

[4]van der Merwe R,Wan E A.The square-root unscented kalman filter for state and parameter-estimation.International Conference on A-coustics,Speech,and Signal Processing,2001

[5]Aidala VJ,Hammel S E.Utilization of modified polar coordinates for bearings-only tracking.IEEE Trans Automatic Control,1983;28(3):283—294

[6]Chan Y T,Rea TA.Passive tracking scheme for a single stationary observer.Proc of SPIE,2001;4380;25—35

光电跟踪设备 篇9

目前, 各种机载光电跟踪平台被广泛地应用于军事领域和公安、消防以及环境监控等民用领域, 它们在目标侦察、监视、预警、定位、导航、通信等场合起着重要的作用[1]。光电跟踪平台是一个集光、机、电于一体的复杂系统, 稳定与跟踪是其伺服系统要实现的主要功能[2]。光电跟踪平台伺服系统要求高的稳态精度、快速响应特性和宽的调速范围, 是高精度伺服系统[3]。光电跟踪平台伺服系统的传统控制器为PID控制, 由于光电跟踪平台伺服系统存在摩擦非线性和结构谐振等, 导致PID控制难以满足高精度系统的要求。尤其是在低速时, 摩擦非线性特性造成伺服系统低速不平稳性, 增加了系统的稳态误差。因此, 补偿摩擦非线性成为高精度伺服系统设计中关注的重点内容之一。

人们提出了采用各种控制技术来补偿摩擦非线性, 例如:复合控制、滑模变结构控制、自适应控制、非线性PID控制等[4,5,6,7]。与滑模变结构控制和自适应控制相比, 自抗扰控制是一种新型实用的非线性控制技术, 它是基于传统PID控制的原理, 利用误差来消除误差[8]。自抗扰控制器采用“观测加补偿”的方法来处理控制系统的非线性与不确定性, 同时利用非线性及非光滑的反馈形式, 提高系统的动态性能和稳态精度。它最突出的特点是把作用于被控对象的外部扰动和系统的模型作用归结为扰动作用总和, 利用被控对象的输入和输出信号, 对扰动作用总和进行动态估计和实时补偿。自抗扰控制器具有算法简单、实用性和鲁棒性强等特点, 易于实现系统高精度控制和快速响应[8,9]。本文首先介绍了经典自抗扰控制器的原理, 并利用一种新的二阶离散系统最速控制函数fopt (x1 (k) , x2 (k) , r, h) 代替常规的fhan (x1 (k) , x2 (k) , r, h) 函数设计自抗扰控制器, 然后, 研究新型自抗扰控制器在机载光电跟踪平台伺服系统中的应用, 最后, 进行了实验验证。

1 自抗扰控制器原理和设计

典型的自抗扰控制器 (Active Disturbance Rejection Controller, ADRC) 由扩张状态观测器 (Extended State Observer, ESO) 、非线性跟踪微分器 (Tracking Differentiator, TD) 和非线性组合函数的反馈律三部分组成。

设二阶非线性系统为[8]

式中:实时作用量f (x1 (t) , x2 (t) , w (t) ) 为非线性函数, |f (x1 (t) , x2 (t) , w (t) ) |≤L, L>0, w (t) 为系统的外部扰动。把函数f (x1 (t) , x2 (t) , w (t) ) 扩充为新的状态变量x3 (t) , 称为扩张状态变量, 记作x3 (t) =f (x1 (t) , x2 (t) , w (t) ) , 并记x3 (t) =R (t) , 则非线性系统 (1) 扩展为一个新的系统

利用三阶非线性状态观测器 (ESO) :

式中:fal (e, α1, δ) 为非线性函数。在二阶系统中, 通常取参数α1=0.5, α2=0.25[8]。

只要适当选取式 (3) 中参数β01、β02、β03, 根据被控对象的实际输出信号y和控制输入信号u, 非线性ESO (3) 能准确估计系统 (2) 的状态变量:z1 (t) =x1 (t) 、z2 (t) =x2 (t) 和z3 (t) =x3 (t) 。将x3 (t) =f (x1 (t) , x2 (t) , w (t) ) 作为系统 (1) 的扰动作用总和, 即z3 (t) =f (x1 (t) , x2 (t) , w (t) ) 。系统 (2) 的控制输入取为[8]

则系统 (2) 就转化为一个线性系统。

根据系统的设定输入信号v, 非线性跟踪微分器既能输出v的跟踪响应信号v1=v, 又能输出1v的微分信号v2=v 1, 即v2=v。

利用状态误差的非线性组合函数作为自抗扰控制器的反馈律。由误差e1=v1-z1和误差的微分e2=v2-z2两项构成误差反馈, 来设计系统的稳态和动态性能。采用非线性控制律

经典自抗扰控制器常用的函数fhan (x1 (k) , x2 (k) , r, h) 实际上是二阶系统最速控制函数的近似形式, 而非线性函数fopt (x1 (k) , x2 (k) , r, h) 才是真正的最速控制函数[10]。与函数fhan (x1 (k) , x2 (k) , r, h) 相比, 采用fopt (x1 (k) , x2 (k) , r, h) 函数的二阶离散系统的状态变量从同一非零初始状态点到达原点所需步数比前者更少, 且到达稳态时, 速度曲线不会出现高频震颤现象, 可以提高系统的控制精度。因此, 本文都用后者替换前者, 来设计新型自抗扰控制器。函数fopt (x1 (k) , x2 (k) , r, h) 如下所示[10]

式中:h为采样周期, r为参数, sign (⋅) 为符号函数, fix (1b) 为向零取整函数, sat (g, p) 为饱和函数。

设v (k) 为系统设定输入, x1 (k) , x2 (k) 为系统的状态变量, 二阶最速离散TD为[8]

由式 (7) 可以得到设定输入信号v (k) 的响应信号v1 (k) =x1 (k) =v (k) 和微分信号v2 (k) =x2 (k) =v (k) 。

2 光电跟踪平台伺服系统数学模型

某机载光电跟踪平台包含三路直流伺服系统 (方位轴、俯仰轴和红外消旋) , 它们都采用了直流力矩电机作为执行元件。本文以某光电跟踪平台俯仰 (轴) 伺服系统为例, 利用fopt (x1 (k) , x2 (k) , r, h) 设计的新型自抗扰控制器作为伺服系统的位置环控制器。忽略直流力矩电机的电枢电感, 该光电跟踪平台俯仰伺服系统的状态方程为

式中:Ra为电机电枢回路的电阻, Cm为电机的力矩系数, Ce为电机的反电势系数, J为俯仰轴总的转动惯量, Ks为PWM功率放大器放大系数, u (t) 为控制输入。y=x1 (t) =θ (t) 为伺服系统的实际输出转角, x2 (t) =θ (t) 为伺服系统的角速度, Tf (t) 为摩擦力矩。

经辨识实验确定该光电跟踪平台俯仰伺服系统Tf (t) 采用Stribeck摩擦模型。它描述了在不同的摩擦阶段, 摩擦力矩Tf (t) 与角速度ω (t) 之间的非线性关系。Stribeck摩擦模型曲线存在间断点, 且是多值的。

Stribeck摩擦模型可以表示为如下形式[11]:

当|ω (t) |<β时, 根据系统的控制输入力矩T (t) 和最大静摩擦力矩mT的大小关系, 静摩擦力矩Tf (t) 为分段函数。

当|ω (t) |≥β时, 动摩擦力矩为

式中:cT为库仑摩擦力矩, K1为粘性摩擦力矩比例系数, ω (t) =θ (t) 为系统输出角速度, β>0和α>0, 且为数值较小的常数。

在该伺服系统中, 定义函数f (x1 (t) , x2 (t) , w (t) ) 和参数b分别为

将f (x1 (t) , x2 (t) , w (t) ) 视为该光电平台俯仰伺服系统扰动作用的总和。由式 (10) 和式 (3) 就可以构造出三阶ESO, 所用的状态误差反馈组合函数为式 (5) , 并且TD为式 (7) , 从而得到控制输入式 (4) 。设计的该光电跟踪平台自抗扰控制俯仰伺服系统原理框图如图1所示。

图1中, 虚线框内为光电跟踪平台俯仰伺服系统被控对象数学模型, Friction model为上述Stribeck摩擦模型。

3 实验验证

在某机载光电跟踪平台测控系统上进行ADRC实验验证工作, 由于该光电跟踪平台对三路伺服系统的实时性要求都很高, 因此, 利用MATLAB软件对现场实验中采集到的实时数据进行处理分析。该测控系统利用双通道旋转变压器和旋变数字转换器得到俯仰伺服系统精确的角度反馈信号[12]。该光电平台俯仰伺服系统参数如下:Ra=0.85Ω, Ce=11.V/ (rad/s) , J=0.6Kg⋅m2, Ks=20, Cm=6.4N⋅m/A。在Stribeck摩擦模型中, Tm=10.5N⋅m, cT=7.2N⋅m, k1=1.43N⋅m/ (rad/s) , β=.0012, α=0.1。

在实验中, 该俯仰伺服系统设定输入信号为r (t) =.05°sin (t) 。首先, 采用PID控制的俯仰伺服系统正弦跟踪曲线如图2所示, 速度跟踪曲线如图3所示 (图2、图4、图5的纵坐标单位均为°, 图3、图6纵坐标单位均为°/s) 。

图2表明, 使用PID控制时, 俯仰伺服系统位置跟踪曲线出现明显的平顶波形。图3表明, 在零速附近时, PID控制伺服系统速度跟踪曲线出现了严重的畸变现象, 造成系统低速运动的不平滑性。

然后, ADRC的TD中函数fopt (x1 (k) , x2 (k) , r, h0) 参数:r=30, 0h=0.005, 采样周期为h=0.005s;非线性组合函数u0=-fopt (e1, c⋅e2, r1, h1) 的参数:c=0.1, 1r=.20, 1h=0.01;ESO的参数为:β01=150, β02=120, β03=1.0。ADRC俯仰伺服系统的位置跟踪曲线如图4所示, ADRC伺服系统的位置跟踪误差如图5所示, ADRC伺服系统的速度跟踪误差如图6所示。

图4表明, ADRC俯仰伺服系统跟踪设定输入信号r (t) =.05°sin (t) 的效果较好, 位置跟踪曲线消除了PID控制中存在的平顶波形, 并且其位置跟踪精度也较高。图5表明, 经过0.5 s后, ADRC伺服系统的位置跟踪误差始终小于± (4.1×10-3) °。图6表明, ADRC伺服系统速度跟踪误差小于±0.024°/s。

该光电跟踪平台方位和俯仰两路伺服系统均采用ADRC的视轴跟踪效果如图7所示。

图7表明, 目标光斑已定位于坐标中心, 定位误差小于1个像素点。经实验测定, ADRC光电跟踪平台定位精度达0.008°。

4 结论

本文研究了利用fopt (x1 (k) , x2 (k) , r, h) 函数代替常用的fhan (x1 (k) , x2 (k) , r, h) 函数设计新型自抗扰控制器。它已成功应用于某型机载光电跟踪平台伺服系统。实验表明, 新型自抗扰控制器消除了常规的PID控制位置跟踪曲线的平顶波形, 且无速度过零畸变现象, 补偿了机载光电跟踪平台伺服系统的摩擦非线性, 提高了伺服系统的位置和速度跟踪精度。实际运行结果表明, 采用自抗扰控制的某机载光电跟踪平台的定位精度达0.008°。证明了该新型自抗扰控制器的有效性和实用性。本文的结论对其它精密跟踪系统的设计具有重要的参考意义和应用价值。

参考文献

[1]王连明.机载光电平台的稳定与跟踪伺服控制技术研究[D].长春:中国科学院长春光学精密机械与物理研究所, 2002.WANG Lian-ming.Study on Stabilization and Track Control Techniques of Airborne Opto-electronic Platform[D].Changchun:Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, 2002.

[2]姬伟.陀螺稳定光电跟踪平台伺服系统研究[D].南京:东南大学, 2006.JI Wei.Research on Servo Control System of Gyro Stabilized and Opto-electrnic Tracking[D].Nanjing:Southeast University, 2006.

[3]王德纯, 丁家会, 程望东, 等.精密跟踪测量雷达技术[M].北京:电子工业出版社, 2006.WANG De-chun, DING Jia-hui, CHENG Wang-dong, et al.Techniques of Precision Track and Measurment Radar[M].Beijing:Publishing House of Electronics Industry, 2004.

[4]陈杰, 靳添絮, 白永强.基于扩展状态观测器的变结构控制及其应用[J].北京理工大学学报, 2009, 29 (4) :318-322.CHEN Jie, JIN Tian-xu, BAI Yong-qiang.A Variable Structure Controller Based on Extended State Observer in Gun Turret System[J].Transactions of Beijing Institute of Technology, 2009, 29 (4) :318-322.

[5]牛建军, 付永领, 刘和松.高精确度飞行仿真转台内框控制摩擦补偿研究[J].电机与控制学报, 2008, 12 (5) :576-579.NIU Jian-jun, FU Yong-ling, LIU He-song.Inner Axis Control with Friction Compensation for High Precision Flight Motion Simulator[J].Electric Machines and Control, 2008, 12 (5) :576-579.

[6]于志伟, 曾鸣, 乔大鹏.采用复合控制的直流力矩电机摩擦补偿[J].电机与控制学报, 2008, 12 (5) :539-544.YU Zhi-wei, ZENG Ming, QIAO Da-peng.Complex Control for Friction Compensation in DC Motors[J].Electric Machines and Control, 2008, 12 (5) :539-544.

[7]贺昱曜, 闫茂德.非线性控制理论及应用[M].西安:西安电子科技大学出版社, 2007.HE Yu-yao, YAN Mao-de.Nonlinear Control Theory and Application[M].Xi’an:Xidian University Press, 2007.

[8]韩京清.自抗扰控制技术—估计补偿不确定因素的控制技术[M].北京:国防工业出版社, 2008.HAN Jing-qing.Active Disturbance Rejection Control Technique-the Technique for Estimating and Compensating the Uncertainties[M].Beijing:National Defense Industry Press, 2008.

[9]黄焕袍, 武利强, 韩京清, 等.火电单元机组协调系统的自抗扰控制方案研究[J].中国电机工程学报, 2004, 24 (10) :168-173.HUANG Huan-pao, WU Li-qiang, HAN Jing-qing, et al.Study on Active Disturbance Rejection Control on Unit Coordinated Control System in Thermal Power Plant[J].Proceedings of the CSEE, 2004, 24 (10) :168-173.

[10]孙彪, 孙秀霞.离散系统最速控制综合函数[J].控制与决策, 2010, 25 (3) :473-477.SUN Biao, SUN Xiu-xia.Optimal Control Synthesis Function of Discrete-time System[J].Control and Decision, 2010, 25 (3) :473-477.

[11]刘金琨.滑模变结构控制MATLAB仿真[M].北京:清华大学出版社, 2005.LIU Jin-kun.Matlab Simulation for Sliding Model Control[M].Beijing:Tsinghua University Press, 2005.