快速跟踪（共6篇）
快速跟踪 篇1
天线跟踪的方位速度和加速度以及俯仰速度和加速度的提出是依据目标的运动规律决定的,这些和目标的轨迹、速度、加速度以及地面测站的设置位置有关。分析飞行器的飞行轨迹可以知道,飞行器飞行轨迹可以大致分为如下几种形式:高弹道、低弹道、正常弹道三种,对于每种飞行弹道来说,都有初始段和飞行再入段,根据项目背景需求分析可以知道,对于某系统来说主要跟踪的是高弹道的再入段、低弹道的再入段、高弹道的初始段、低弹道的初始段。在飞行器的起飞降落阶段主要是俯仰角速度和角加速度比较大;在正常弹道飞行阶段主要是方位角速度和角加速度比较大;各种弹道的初始段或再入段也是方位角速度和角加速度比较大。由自动控制原理可知,系统的动态性能与稳态精度存在矛盾,获得良好动态性能的同时可能会损失稳态精度,对于测控站大动态目标的捕获和跟踪来说,不但要求实现目标的快速捕获,而且跟踪精度要高,解决动态性能和稳态精度的矛盾可以采用多模式自适应控制技术,即在捕获模式和跟踪模式下采用不同的控制结构。(如图1所示)
1技术原理
1.1目标特性分析
在某车载多波束测控系统校飞过程中,目标运动线速度约为800km/h,近端航路捷径为550m。地面测站跟踪飞行器,假设在某一较短时间内可认为地面测站所能跟踪的区域目标等高、匀速、直线飞行,如图2所示。
图2中VS—目标水平线速度,h-目标飞行高度,R0-测站和目标距离,A-目标方位角,E—目标俯仰角。
方位最大角速度全过航,其值为:
方位误差和横向误差的关系为:
从公式2中可以看出,只要仰角不为零,则方位误差总是大于跟踪系统横向误差,而且在横向误差不变时,方位误差随着仰角的增大而增大,当仰角趋于90°时,方位误差趋于无穷大。当卫星从天线天顶通过时,对于A-E型天线座架,实现较高的跟踪精度,天线的方位转动速度须非常大,以至于根本不能实现。
方位最大角加速度:
下面我们分别分析一下目标运动速度800km/h,跟踪航路捷径为550m时,天线方位达到的最大角速度和角加速度。(如图3所示)
在不同的仰角时,对于跟踪航路捷径均为550m时,飞行器飞行的高度是不同的,但是伺服方位最大跟踪角速度是相同的,都为23.162°/s,方位最大跟踪角加速度为6.082(°)/s2。实际上我们在跟踪动态目标时,这种情况基本是不会出现的,仅仅出现某一个点(某个方位角和俯仰角)达到方位的最大角速度和角加速度。
针对如此高动态的目标,该系统的位置环闭环环路带宽为4.5Hz左右才能实现过顶跟踪而不丢失目标,这就要求天线座机械结构的谐振频率达到18Hz才能满足要求,以目前的技术条件是绝对不可能实现的。在天线的实际测试过程中,该测控系统的天线座机械结构的实际谐振频率只有6Hz左右,即使考虑到空间仰角方位上的正割补偿因素,仍然无法实现过顶跟踪。
1.2多模自适应捕获跟踪切换控制技术
在多波束测控系统中,波束控制系统使用扫描的方法对天线阵的每一个馈源进行扫描,查找信号最大值,根据最大值的位置查表获得偏差量后引导天线控制系统对准目标主波束。这种工作体制导致了引导数据存在三个缺点,首先是引导数据的阶跃跳变,由于波束控制系统通过查找接收到最强信号的馈源位置,受到馈源自身宽度和馈源之间安装间隙的影响,馈源与馈源之间必然产生盲区,因而导致了数据的不连续。其次是由于波束控制系统遍扫所有馈源需要一定的时间,导致其数据更新率低于天线控制系统闭环控制频率。再次当天线运动至主波束边缘时,波束控制分系统与基带分系统引导数据在交接上存在跳变。由于这三个缺点的同时存在,使用传统的PID控制算法必然导致了天线的震荡和收敛调整时间的延长,对于高速运动的目标无法实现捕获。天线轴角曲线与波束控制系统引导数据曲线如图4所示。
假设将目标视为静止不动的,由于受到机械伺服带宽、电波束带宽和基带带宽的共同影响,所以天线相对于目标的运行速度不能太大,此相对运动速度Vm的数据可以通过实验获得,当相对运动速度超过Vm时,就会导致电波束丢失,无法完成引导捕获。将捕获区间的运动速度相对于角度偏差进行归一化处理,即可得到天线相对的静止目标的速度控制模型:
式中,Vt为天线控制速度;
e为目标预测偏差;
θ为天线的多波束天线扫描区域宽度。
由于高动态目标通常具有较大的运动速度,所以仅仅使用上述的速度控制算法无法完成对高动态目标的捕获,尤其是当目标过顶时,目标的运动速度达到最大值,甚至超出了相对速度运动的允许最大值,因此根本不可能完成目标捕获。要完成高动态目标的快速捕获就需要对目标的运动速度进行预测计算,根据波束控制分系统的引导数据,将目标的运动轨迹拟合为曲线:
在获得了目标的运动轨迹和运动速度的情况下,即可知道目标相对于天线的运动方向,所以对于高动态目标绝对运动速度控制即可建模如下:
为了进一步提高捕获的动态特性,快速减小目标与天线的相对位置,使用基于相对速度截止控制的捕获控制原则,从而保证相对速度小于极限值的情况下,尽可能快得完成捕获。动态切换控制过程是:在跟踪系统接收到引导锁定信号,立即使伺服机构在最大加速度力矩作用下加速,在最短时间内,使系统达到最大相对速度Vm运动,并保持最大相对速度不变;当系统到达某个合适的位置时,再以上述的速度控制算法控制系统减速,使系统以一定精度到达目标指示位置时,伺服机构的速度正好与目标速度一致,以减小模式切换所造成的超调,完成对目标的捕获过程。相对速度与脱靶量的控制关系示意图如图5所示。
当目标进入主波束后,立即切换为自适应跟踪控制,同时将捕获模式的速度控制量对PID控制环路进行初始化,从而实现捕获到跟踪的平滑切换。使用上述速度控制方法,可以最大限度的发挥的动态特性,很快将目标引导至主波束区域内,完成天线对目标的快速捕获,转入高精度自跟踪工作方式。自适应捕获跟踪控制器原理框图如图6所示。多模自适应捕获跟踪切换技术与传统捕获方法测试曲线如图7所示。
1.3高仰角自适应跟踪控制技术
方位-俯仰型天线座架又称为平式天线座架,是目前航天测控地面站跟踪系统中使用最为广泛的一种座架形式,这种座架形式在天顶附近存在着一个“盲区”,天线这一区域跟踪目标的方位转动角度在数学意义上是无穷大,必然会造成目标的丢失,地面站必须采取有效措施来解决过顶跟踪的问题。
在线性PID控制器中,比例控制参数决定了系统的动态特性,比例控制系统越大响应速度越快,但不能消除稳态误差;积分控制参数有助于消除系统的稳态误差,提高系统的精度,但是太大则会使系统不稳定。对于高动态目标,在跟踪初始阶段受到多径效应或黑障效应的影响,目标下行信号波动较大,且在任务开始段需要完成从引导至单脉冲跟踪的切换,这就要求系统的带宽要宽,响应速度要快,收敛震荡次数要少。而跟踪模式下,则要减小反馈带宽,以减小传感器噪声的影响,但需要大的低频反馈增益以减少抖动,消除稳态误差,满足跟踪精度。故应用单独的线性控制器时,在控制器设计中做某种折中,不可能很好的同时满足适应捕获和跟踪的要求。为了提高伺服控制系统的跟踪精度和响应速度,使用了一种非线性PID控制方法,采用增量式算法,传统的PID控制器表达式离散化后为
对于航天测控系统,在跟踪初始阶段系统动态特性要好,因此要有较大的比例控制参数Kp,以使系统动作灵敏,响应速度加快。此时偏差较大,积分控制左右较小。在跟踪时,系统要提高稳态精度,比例控制参数Kp可稍小,而积分控制参数Ki要加大。
非线性PID控制器表示如下
式中,E为天线的俯仰角;
Kv为天线系统的速度环增益;
Kz为系统开环传递函数零点位置;
Kp为比例系数;
Ti为积分时间常数;
θ为系统的主波束宽度。
2测试结果
经过某车载多波束测控系统的多次校飞和任务的执行,该技术的优越性得到了充分的验证,目标的捕获时间从原来的12~15秒提高到了4~5秒,大大延长了任务的测控时间,并且测角精度也得到了很大的提升。
从图8和9中可以看出,采用高仰角自适应跟踪控制技术,大大减小了天线在航路捷径时的动态滞后,使得测角精度得到了很大的提高。
3结语
本技术使用创新的控制算法技术,针对测控领域大动态目标的飞行特点,以及目标刚刚出黑障区时高速度和高加速度的情况下跟踪捕获难题,提出了大动态目标快速跟踪捕获技术,解决了由于理论预报与实际存在较大误差,同时目标动态特性、天线速度加速度高的情况下快速捕获跟踪目标的难题,从而减小了硬件研发的成本,提高了经济效益。
摘要：针对黑障区目标运动特性以及目标出黑障区的运动特性,在大速度和高加速度的情况下,提出了测控天线大动态目标快速自适应捕获跟踪技术,解决了对于某些任务弧段,由于中心给定的理论预报可能与实际存在较大误差,或任务实施阶段出现异常情况,造成轨道偏差较大,同时目标动态特性、天线速度加速度高的情况下快速捕获跟踪目标的难题。
关键词：黑障,快速捕获,大动态目标跟踪
参考文献
[1]王德纯,等.精密跟踪测量雷达技术[M].北京:电子工业出版社,2006.
[2]李小平.天线座过顶跟踪[J].通信与测控,1992(4):95-100.
德国快速红外搜索跟踪侦察传感器 篇2
作为防空系统的组成部分, 快速红外搜索跟踪侦察传感器可以探测多种空中目标, 如直升机、巡航导弹和无人航空器.它作为被动传感器系统, 难以被敌方雷达发现.系统主要包括传感器头和与显示控制单元相连的信号处理单元.全部图像数据由信号处理单元进行分析.在进行数据处理的同时, 软件系统仍可以自主探测飞行目标.如果被探测目标的光谱处于威胁光谱范围, 系统会自动生成告警, 并将数据发送给网络系统.系统具有极好的分辨率, 探测距离远, 设计小巧轻便.该系统还可作为告警传感器以保护民用目标.
快速跟踪 篇3
关键词：红外发光管,快速视点跟踪,瞳孔中心,灰度分割
视点跟踪技术是随着人机交互技术的发展而发展起来的,目前国内外采用的视点跟踪技术主要采取光电传感技术,有的偏重于硬件,有的偏重于软件,以硬件为主的技术,需要被跟踪的对象配戴特制的装置,给观察者的行动带来不便,而以软件为主的技术却因为算法的复杂度较高,响应时间较长,影响了其实用性。
目前采用红外发光管作为光源的视点检测装置[1],大多利用了人眼对红外光的不敏感的特点,而CCD的敏感波段可以延伸到1 μm,进而得到观察者的眼睛的像,从中提取瞳孔的位置,根据该位置来映射观察者在画面的注视点,然后采取进一步的处理措施。结合人机交互的发展,红外视点检测方法[2]可以克服由于头部的移动造成的干扰,但是其实现方法硬件开销大,并且仍然依靠了大量的软件计算,处理速度最高只能达到20 Hz,在需要快速反应的场合及便携式设备中仍需要提出一种新的方法,减小硬件开销,提高响应速度。
为此,现提出一种基于红外发光管的快速视点跟踪装置,其可高效快速地确定视点,减小硬件开支,提高定位的准确性及实时性,并且适用于各种仪器及设备的人机交互应用,解决目前视点跟踪技术的应用环境要求高及算法复杂度高的问题。
1 快速红外视点跟踪装置硬件设计方案
提出的基于红外发光管的快速视点跟踪装置,包括LED显示屏、一对红外发光管、CCD、成像透镜、红外滤光片和视点跟踪电路,其结构如图1—图4所示。
如图1所示LED显示屏设于被测者的正前方,成像透镜设于LED显示屏的上方,其正后方依次设置红外滤光片和CCD,所述成像透镜用于对被测者的面部进行成像,所成的面部的像经由红外滤光片正后方的CCD进行光电转换,转换后的电子图像经由视点跟踪电路进行运算,以寻找被测者眼睛的瞳孔中心位置。
如图2及图3所示,红外发光管2放置于面部中央位置,由电源直接供电,保持对被测者面部的长期持续照明;红外发光管1设于成像透镜的正上方,由视点跟踪电路控制分时对被测者的眼睛进行照明。
如图4所示,视点跟踪电路设于LED显示屏的后方,包括发光管控制模块、图像处理模块、视点映射模块和输出控制信号模块,发光管控制模块控制第二红外发光管的开闭;图像处理模块在发光管控制模块的控制下从CCD进行图像的采集,并运算得到眼睛瞳孔的图像,发送到视点映射模块;所述视点映射模块对所述图像进行处理,并将得到的视野角度及成像系统焦距的变化量发送到输出控制信号模块。
采用上述方案后,提出的基于红外发光管的快速视点跟踪装置可以克服由于头部的移动造成的干扰,有效地解决实现方法硬件开销大的问题。虽然后续处理部分需要一定的软件计算,但并不影响系统的响应速度,如果算法选取得当,可以得到良好的视点跟踪显示效果。该装置在需要快速反应的场合及便携式设备中能有效提高响应速度,解决目前视点跟踪技术的应用环境要求高及算法复杂度高的问题。
2 快速视点跟踪装置软件设计
视点跟踪装置开始正常工作时,红外发光管2直接正常发光,由于其位置不在观察者的视野之内,所以采集到的图像中不会出现红外发光管的亮点,并且观察者的眼睛也是相对较暗的。红外发光管1由发光管控制模块中的定时器控制间断发光,发光时采集到的眼睛图像要更加明亮,由CCD采集到的两幅图像(即由红外发光管1关闭和红外发光管1打开时得到)相减,对得到的差值图像进行灰度直方图统计,可以由直方图上的分水岭直接求出眼瞳所在位置,根据位置的移动,映射出屏幕上的移动距离,求出视点后,产生控制信号来控制夜视成像装置的焦距,其过程如图5所示。
配合图5所示,是本装置的软件设计,包括如下两部分。
(1)通过控制红外发光管1的明暗使得CCD的连续两帧得到局部明暗不同的两幅图像,将两幅图像进行灰度相减,相减后可以采用分水岭的方法进行灰度分割(如图6所示),得到关于瞳孔的边缘及其在面部的相对位置。采用分水岭灰度分割的方法[3],好处在于算法复杂度低,可以得到很好的实时效果。
(2)得到被测者瞳孔的图像后,首先将瞳孔的边界位置拟合成连续的曲线,这样可以避免由于瞳孔图像取的不准确造成后续拟合工作的错误;根据瞳孔的边界位置、边界的斜率[4]可以计算出瞳孔的中心位置,可配合图7所示。该方法计算简单,并可以判断当瞳孔部分被眼睑遮住时的瞳孔中心位置。
为了很好地识别瞳孔中心的位置,并将其准确地映射到电子显示设备上,需要进行校准工作,即首先使被测者注视某一标记点,并记录当被测者注视该标记点时的瞳孔中心位置,然后进入正常工作后可以根据实际测得的瞳孔中心位置相对于注视标记点时的瞳孔中心位置的位移来映射被测者在LED显示屏1上的注视点。
3 结论
经实验研究,该装置可以用于夜视头盔中,其实施方式如图2所示,由于夜视头盔[5]用于夜间侦察使用,多采用红外与微光的方式来工作,而跟踪观察者的视点,可以有效地帮助成像装置调整成像区域及焦距。
所提出的基于红外发光管的快速视点跟踪装置可以克服由于头部的移动造成的干扰,有效地解决实现方法硬件开销大的问题。虽然后续处理部分需要一定的软件计算,但并不影响系统的响应速度,如果算法选取得当,可以得到良好的视点跟踪显示效果。该装置在需要快速反应的场合及便携式设备中能有效提高响应速度,解决目前视点跟踪技术的应用环境要求高及算法复杂度高的问题。
参考文献
[1]小林崇史.视点检测器和视点检测方法及其应用.专利号:95168095.2
[2]张鹏翼,王志良,郑思仪,等.使用立体视觉信息的视线追踪系统设计.北京邮电大学学报,2010;33(1):47-51
[3]余旺盛,侯志强,王朝英,等.基于改进滤波和标记提取的分水岭算法.电子学报,2011;39(04):825-830
[4]丁强,谢红梅,何贵青.基于MPI的并行分布式高斯消元算法设计和评估.系统仿真学报,2009;21(20):6429-6435
快速跟踪 篇4
机动目标跟踪在军事成像制导、视频监控以及空中交通管制等领域有着广泛的应用,其本质是随机动态混合系统中的状态估计问题。基于卡尔曼滤波的交互式多模型算法(IMMKF)[1]及其衍生算法是解决这一问题的经典方法,但这些算法不适应于非线性和非高斯系统。
近年来,粒子滤波[2,3]被广泛用于跟踪领域,文献[4]、[5]将粒子滤波与交互式多模型算法相结合,提出了多模型的粒子滤波算法(IMMPF)。粒子滤波算法用一组随机抽取的带有权值的粒子表示后验概率密度,因此IMMPF算法不受线性系统、高斯噪声假设的限制。IMMPF算法通常采用常速(CV)和常加速(CA)运动模型,各模型均匹配粒子滤波算法。然而,随着现代航空航天技术的发展,各种空中飞行器的运动速度以及机动性越来越高。IMMPF算法所采用的CV和CA模型难以准确描述高度机动目标的运动状态,由于IMMPF算法是一种基于模型的算法,模型的选择对算法的性能有着重要的影响。因此,当传统的IMMPF算法面向复杂应用(高速、高机动)时,其精度较差;另一方面,由于每个模型均需采用数百个甚至上千个粒子来获取运算精度,IMMPF算法运算量很大,难以实现对高机动目标的实时跟踪。
针对以上问题,为了满足快速而准确地跟踪目标的要求,本文根据多速率跟踪(MRT)思想[6],提出了一种高速高机动目标的多速率交互式多模型快速跟踪算法。采用小波变换的方法对序列测量数据进行压缩,建立了多速率交互式多模型算法框架,并对其做了进一步的推广,采用卡尔曼滤波(KF)算法取代IMMPF算法中线性模型所采用的PF算法。同时,使用自适应的“当前”统计(CS)模型对高度机动目标的运动状态进行刻画。理论分析和实验结果表明,该算法不仅具有更低的计算复杂度,而且在跟踪精度方面优于传统的IMMPF算法。
1 多速率跟踪模型
对于非机动或小机动目标,采用全速率更新目标状态是对运算资源的浪费。多速率跟踪的思想是采用与运动模型假定的机动性成比例的速率去更新目标状态,它采用小波变换的方法,将测量空间中的数据压缩映射到模式空间,在模式空间匹配相应滤波算法进行处理。多速率模型不同的分辨率对应相应的数据更新速率,本文给出了1/3n(n=1,2,…)速率常高通(Constant High-pass,CH)模型和常高高通(Constant High-High-pass,CH2)模型的统一表示形式。
1.1 多速率常高通模型
CH模型能够良好地描述非机动或小机动目标的运动,如常速运动。选择二阶Haar小波作为变换函数,1/3n(n=1,2,…)速率CH模型的状态方程可表示为
测量方程为为零均值、方差为kRLH的高斯白噪声。Zk,p为模式空间量测变量:
1.2 多速率常高高通模型
CH2模型主要用于描述具有中等机动性的目标运动,如常加速运动,1/3n,n=1,2,…速率CH2模型的状态方程为
2 算法原理
多模型的模型集Mf采用多速率CH模型、多速率CH2模型和自适应CS模型,它们分别用于描述具有轻度、中度、高度机动性的目标,其中自适应CS模型利用模型概率和状态估计值调整参数amax、a-max和a的取值,更准确地描述了高度机动目标的运动。
对于CH和CH2模型匹配KF算法,在模式空间完成,采用1/3的数据更新速率;自适应CS模型匹配PF算法,在测量空间完成,采用全速率更新数据。算法的原理框图如图1所示。
该算法主要包括输入交互、模型匹配滤波、模型概率更新、数据空间映射和输出交互几部分,下面以k-3到k时刻的一个完整滤波周期为例,给出算法的流程描述。
1)k-3时刻输入交互。已知k-3时刻各模型状态和协方差矩阵{xˆik-[3]k-3,Pik-[3]k-3}∀i∈Mf,可得测量空间内交互后的状态变量和协方差如下:
对于CS模型抽取的N个粒子,将各粒子与其余模型的状态估计值进行交互:
其中:上标t代表粒子序号,i、j表示模型编号,混合概率µk-3i|j=pijµik-3/cjk-3,cjk-3为归一化因子,Pij为马尔可夫模型转移概率矩阵。
2)模型匹配滤波。对于多速率CH和CH2模型,首先将测量空间数据映射到模式空间,在模式空间中采用KF算法处理,由k-3时刻的状态信息可得k时刻的状态和协方差如下:
CS模型在测量空间采用基于SIR的粒子滤波算法,采用全速率更新状态。由k-3时刻信息,经滤波后可得k-2时刻CS模型状态和协方差估计:
其中:kwCS,t为粒子权值,N为粒子总数,上标t为粒子序号。同理,可得CS模型k-1和k时刻模型的状态估计和协方差。
3)模型概率更新其中:似然函数为新息,为协方差残差。
4)为了获得全速率的数据更新速度,必须将模式空间中各模型的状态估计值和协方差矩阵统一映射至量测空间。采用逆小波变换的方法实现模式空间至测量空间的映射:
则全速率的状态估计如下式所示:
以上实现了模式空间和测量空间的混合滤波,这种机制的优点包括:1)由于各模型匹配的滤波算法是构成算法的主体,因此模式空间较低的数据更新速率能够有效地降低算法的时间复杂度和空间复杂度。2)由于综合利用了多帧量测数据,因此,这种算法具有更佳的鲁棒性。3)测量空间的全速率滤波,保证了对高机动目标跟踪的精度。
3 实验及分析
为了便于讨论,假设观测站位于目标的机动平面上。仿真实现了本文算法,作为比较,同时给出了传统的IMMKF和IMMPF算法的实验结果。滤波精度的评价指标采用真值和估计值之间的均方根误差(RMSE),k时刻的RMSE为RMSE(k),一次完整的跟踪过程的均方根误差平均值定义为
其中L为总的采样次数。跟踪过程的初始条件设置如下:
1)目标轨迹。在1～30 T,目标从原点处以300 m/s的速度沿x轴做匀速直线运动;在30～60 T以ax=10m/s2,ay=-10 m/s2的加速度做匀加速运动;在61～90 T以ax=-10 m/s2,ay=10 m/s2的加速度做匀加速运动;在91～120 T又沿x轴方向做匀速运动,最后在121～200 T做匀速率圆周运动。
2)模型选择。IMMEKF和IMMPF算法采用1个CV模型和2个不同加速度的CA模型;本文算法选择CH、CH2和自适应CS模型。
3)初始值设定。对机动目标采样的时间间隔T=40 ms。目标状态为目标位置、x方向速度和y方向速度。初始状态矩阵为X(0)=[0,300,0],初始状态协方差为diag[1],初始模型概率为[1/3,1/3,1/3],粒子数固定为800个,蒙特卡罗次数为60次。
4)假设系统噪声和观测噪声均为零均值的高斯噪声且相互独立。其中系统噪声中的距离均方差为5 m,x方向和y方向速度均方差为2 m/s。观测噪声均方差为0.01。
5)模型转移概率。由于IMM算法对模型转移概率具有较强的鲁棒性,转移概率介于[0.80,095]之间对状态估计结果的影响不大[9],因此状态转移矩阵可选为
从实时性和跟踪精度两个方面对本文算法进行了实验验证,实验选择在基于DM642的DSP硬件开发系统EVM-DM642中采用c语言编程实现,系统工作频率为600 MHz。
本文算法一次完整跟踪过程的实验结果如图2所示,由左到右依次为:目标真实的运动轨迹、位置估计误差(RMSE)、x方向速度估计曲线、y方向速度估计曲线。
利用DSP开发环境CCS提供的实时分析工具计算跟踪过程所用时间,结果示于表1,具体做法如下:在CCS开发环境中程序的开始和结束位置各插入一个探测点(profile print),然后使能CCS界面工具栏中的“Enable Clock”和“view clock”两个选项,在运行程序后即可在view clock窗口中观察到运行一次完整的滤波过程所需的时间和周期(时钟)数。采用这种方法进行测定,本文算法一次完整的滤波需要39 ms的时间,仅为传统的IMMPF算法的41%,接近于结构简单的IMMKF算法。针对25 Hz的电视跟踪系统,本文算法的数据更新频率可大于25 Hz,因此能够实现对于电视跟踪系统不丢帧,满足电视跟踪系统每秒刷新25帧的实时性要求。
以上对运算时间进行测量的过程需要额外占用少量的DSP资源,从而采用这种方法测算得到的运算时间比实际的算法运行时间要大,因此,如果用这种方法测得的时间满足要求的话,可以说明已经达到了实时性要求。
通过列举本文算法的流程所示各步骤的部分中间结果,对本文算法的滤波过程进行了说明。表2给出了部分时刻目标状态的解算过程的中间结果,其中包括各模型的模型概率、测量空间目标状态矩阵、模式空间匹配滤波前后的状态矩阵、最终的状态估计值以及真实值。限于篇幅,表2仅以状态矩阵中的距离为例进行说明,x方向和y方向速度与距离有相似的结果。
为了综合评价本文算法性能,图3给出了一次完整跟踪过程的位置估计RMSE曲线、x和y方向速度估计曲线;数据更新周期和位置误差的平均值如表1所示。由图3和表1可以看出,传统的IMMPF和IMMEKF算法均不能在滤波精度上和实时性上同时取得良好的性能,其中,IMMPF算法的滤波精度接近于本文算法,但巨大的运算量限制了其在工程实际中的应用;IMMKF算法实时性较好,但对高机动目标的定位精度很低。本文算法对性能的提高主要有三方面的原因:1)算法模型集较好地覆盖了目标不同强度的机动状态,其中,自适应CS模型的引入保证了对高机动目标的定位精度;2)综合利用了多帧测量数据,采用小波变换的方法将量测数据进行压缩,在抑制观测噪声的同时降低了运算量,对提高状态估计的精度和实时性均起到重要作用。3)采用结构简单的卡尔曼滤波算法取代IMMPF中线形模型所采用的粒子滤波算法,在有效地提高了算法运行效率的同时,避免了因滤波算法与运动模型的不匹配而引入的系统误差。
综合以上,本文算法在实时性和滤波精度上较传统的算法均有改善,实验结果和理论分析完全一致。
4 结论
本文针对高速高机动目标的跟踪问题,提出了一种基于多速率交互式多模型的快速跟踪算法,该算法采用小波变换的方法对测量数据进行压缩,实现了测量空间和模式空间的混合滤波。对于非机动或弱机动模型,在模式空间匹配卡尔曼滤波算法,并以较低的数据更新速率更新目标状态;对于高度机动模型,首先采用自适应的当前统计模型对其运动状态进行刻画,然后在测量空间匹配粒子滤波算法。最后,各模型滤波结果统一映射到测量空间,从而实现全速率跟踪。实验结果表明,本文算法能够同时提高对高速高机动目标跟踪的实时性和状态估计精度,具有工程实际应用价值。
参考文献
[1]YANG Zheng-bin,ZHONG Dan-xing,GUO Fu-cheng,et al.Maneuvering emitter tracking by a single passive observer using SRUKF based IMM algorithm[C]//International Conference on Wireless Communications,Networking and Mobile Computing,Wuhan,China,Sept21-25,2007:992-995.
[2]Arulampalam M S,Maskell S,Gordon N,et al.A tutorial on particle filters for online nonlinear/nonGaussian Bayesian tracking[J].IEEE Trans on Signal Processing(S1053-587X),2002,50(2):174-188.
[3]马加庆,韩崇昭.一类基于信息融合的粒子滤波跟踪算法[J].光电工程,2007,34(4):22-25.MA Jia-qing,HAN Chong-zhao.Visual tracking using particle filters based on data fusion[J].Opto-Electronic Engineering,2007,34(4):22-25.
[4]Boers Y,Driessen J N.Interacting multiple model particle Filter[J].Radar,Sonar and Navigation,IEE Proceedings(S1350-2395),2003,150(5):344-349.
[5]Pek Hui Foo,Gee Wah Ng.Combining IMM Method with particle filters for3D maneuvering target tracking[C]//Information Fusion,200710th International Conference on,Quebec,Canada,July9-12,2007:1-8.
[6]Hong L,Cui N,Bakich M,et al.Multirate interacting multiple model particle filter for terrain-based ground target tracking[J].Control Theory and Applications,IEE Proceedings(S1350-2379),2006,153(6):721-731.
[7]刘建书,李人厚,刘云龙.基于“当前”统计模型的交互式多模型算法[J].系统工程与电子技术,2008,30(7):1351-1354.LIU Jian-shu,LI Ren-hou,LIU Yun-long.Interacting multiple model algorithm based on the current statistical model[J].Systems Engineering and Electronics,2008,30(7):1351-1354.
[8]王宁,王从庆.基于高斯粒子滤波的当前统计模型跟踪算法[J].光电工程,2007,34(5):15-19.WANG Ning,WANG Cong-qing.Current statistical model tracking algorithm based on gaussian particle filtering[J].Opto-Electronic Engineering,2007,34(5):15-19.
快速跟踪 篇5
视频中的目标的跟踪是一个在众多领域有所研究和应用的重要技术。跟踪的主要算法包括光流、Kalman滤波估计、粒子滤波、Meanshift等算法。Meanshift算法作为一种目前较为流行无参密度估计的快速匹配算法[1]，最近几年又吸引了许多研究的焦点并取得了一些新的研究内容，诸如文献[2,3,4]。也有一些研究将Meanshift算法结合其他方法对跟踪优化改善。文献[5]就是结合光流[6]在Meanshift对夜间光线变化情况下辅助Meanshift算法目标跟踪。文献[7]是处理在遮挡情况下结合Kalman预测质心改善跟踪。文献[8]方法结合帧差法检测到的快速物体运动区域依次进行Meanshift跟踪，可以实现Meanshif对快速目标的跟踪，但不适合有多个运动物体的场景。
传统的MeanShift跟踪算法在假设慢移动情况下有较好的跟踪效果，但不足是在目标快速运动以及持久跟踪形成误差累积的情况下容易跟踪丢失，在整个跟踪过程中其跟踪的窗口也基本上保持不变。帧差法可以检测到快速运动物体的运动区域及质心等很多信息，Kalman滤波是一个在误差协方差最小准则下的最优估计方法，它能够对目标位置、速度、大小等变量去噪得到好的预估值。
针对快速运动目标，本文结合Kalman滤波和帧差法提出一种新的Meanshift快速鲁棒跟踪方法。新的方法在Meanshift算法框架下，利用Kalman滤波器进行预测及校正目标的位置和长宽，并依据预测信息从帧差法检测到的运动区域中选择若干可信区域只进行一次相似匹配跟踪，若相似值不满足条件则再从其他运动区域及Kalman预测区域依序进行原Meanshift跟踪，找出最佳跟踪区域。新方法的优点是可以对快速运动目标进行跟踪，总体上也减少了传统Meanshift算法多次迭代匹配的次数，同时在持久跟踪容易丢失的问题上可以很快从运动区域中重新找回目标进行跟踪，具有持久跟踪的鲁棒性。
1 Meanshift跟踪原理
Meanshift算法是一种半自动无参核密度梯度预估的跟踪方法。在起始跟踪帧中，通过手动画出圈定跟踪目标的矩形窗口。计算核函数加权下的搜索窗口的直方图分布，用同样的方法在当前帧对数据的密度直方图采用“爬山”算法，对数据直方图进行多次迭代计算使Meanshift沿着数据密度分布梯度的方向找到最大相似度的目标区域。目标跟踪定位算法过程[1]如下:
设目标的颜色空间分布是{qu}u=1,2，…，M(M是直方图的分块数)，及前一帧的位置是y0。
(1)初始化目标当前帧的位置为y0，计算目标的颜色空间分布直方图为{pu(y0)}u=1,2，…，M统计计算相似性度量函数BhatTacharyya相关系数:
(2)在当前帧新图像中给出目标区域内像素点的集合{xi}i=1,2，…，N，每个点赋权重weights{wi}i=1,2，…，M:
(3)基于Meanshift向量，根据权重，计算图像上对应区域的形心/质心，得到目标的新的位置y1，更新颜色分布{pu(y1)}u=1,2，…，M，并且计算相似度
(4)Mean shift算法反复迭代，最后得到在当前帧目标的最优位置y0。
2 结合Kalman和帧差法新的Meanshift跟踪方法设计
2.1 Kalman滤波器目标预估
Kalman滤波[9]具有计算量小、可实时性的特点。Meanshift算法的邻域“爬山”的思想决定了运动过快的目标跟踪容易超出“爬山”区域，发生跟踪丢失。新方法利用Kalman滤波对目标区域的质心和长宽都提供预估值，然后结合从帧差法检测到的运动区域集有序选择区域进行跟踪。同时Kalman滤波器的预测，对Meanshift算法在帧差法遇到多个遮挡运动物体时检测到的大连通域运动区域上的跟踪具有较强的抗干扰性。
本文定义时间间隔为T的相邻跟踪帧中目标的区域状态向量为Xk=(xk,yk,vxk,vyk,wk,hk,sw,k,sh,k)T,xk、yk、vxk、vyk、wk、hk、sw,k,sh,k分别表示目标质心在横竖轴上的坐标、速度，长宽及长宽变化。令观测状态向量Zk=(xk,yk,wk,hk)T,Kalman预测状态向量为:
设系统的状态转移矩阵为:
观测矩阵为:
设系统状态方程:
观测方程:
其中，估计误差Q1、观测误差Q2均为零均值的正态白噪声向量，协方差矩阵就分别为:Q=δ×U，其中δ为系数，U为8×8的单位矩阵。Kalman滤波分为预测和校正两阶段，图1为Kalman算法描述过程[9]。
2.2 帧差法确定运动区域
帧差法被广泛地用于固定背景中运动目标检测，当视频帧图像中出现运动目标时，连续两帧之间在运动区域的灰度值会出现较为明显的差别，本文利用的帧差法就是以此检测物体的运动区域。
连续两跟踪帧Fk-1和Fk中[10]，设背景为B，运动物体区域为Ok-1和Ok，帧差记为Dk。
噪声Nk-1、Nk经过滤波过滤:
得到的Dk在经过滤波及二分法等方式处理后即可得到从背景中区分出来的运动物体轮廓区域。图2即通过帧差法检测到的运动轮廓区域:
运动区域优先检测排序及可信区域:对检测到的运动区域利用和Kalman对原目标在面积和位置上预测值的相似性进行Meanshift优先检测排序。从Kalman滤波器对目标的预测状态向量为X'k=(x'k,y'k,v'xk,vy'k,w'k,h'k,s'w,k,s'h,k)T，即预测位置P'0(x'k,y'k)，预测长宽T'(w'k,h'k)。设第i个运动区域Ci的位置Pi(xi,k,yi,k)、长宽Ti(wi,k,hi,k)，为了线性融合面积差异K_Area和位置距离K_Dis两个因素值，前者取运动区域与目标Kalman预估面积差的归一化绝对值的开方，二者权重分别取0.3,0.7。
运动区域Ci的优先检测排序值Rank(Ci):
当该区域的差异值Diff(Ci)=0.3×K_Area+0.7×K_Dis<3时设为可信区域。
2.3 结合Kalman和帧差法新的Meanshift跟踪方法设计
从上述Meanshift跟踪原理步骤的(4):
可以看出，原有Meanshift算法经过多次的迭代爬到相似度满足‖y1-y0<ξ‖条件目标位置。每一次迭代计算都要对代表目标的大量像素粒子进行计算统计，从而影响到Meanshift算法的时效。本文新的设计方法流程如图3所示。
帧差法能够简单高效地检测出运动目标的区域，携带目标区域大小及质心位置的信息。新设计的方法以帧差法检测到可信区域进行Meanshift算法一次匹配检测来跟踪快速运动目标，减少了原有Meanshift算法的迭代次数和计算时间。帧差法在运动目标和其他运动物体有重叠检测到不能代表目标区域的大连通区域，以及运动目标静止、目标丢失等的情况下，帧差法检测到的区域不能代表目标有效可信信息时，新方法采用在Kalman预测的目标区域(包括位置和长宽)和其他帧差法检测到的运动区域依序进行传统Meanshift跟踪算法，并从检测中选择相似度最高的跟踪区域作为目标跟踪结果。虽然这种情况下Meanshift跟踪的次数比传统方法更多，但这种情况只占跟踪帧比率的一小部分，本文跟踪方法总体上减少了传统算法的迭代计算次数和时间。这样的设计对于跟踪丢失的情况也能够有效地在后续帧跟踪中从Kalman预测区域及所有运动区域中重新检回目标进行跟踪，所以新的设计可以克服了原有Meanshift算法累计误差跟踪丢失的问题，从而新方法跟踪计算用时更少，可以持久鲁棒跟踪。
3 实验设计
3.1 跟踪实验
本实验是VC6.0编写的C++代码，在主频2.0 GHz，内存2.0 GB计算机配置上实现对一序列视频的跟踪实验，图2及本模块实验均是采用代表性的2012Trecvid中SED视频库片段，帧图像1 280×720像素，3.2模块实验选用500帧长室内固定场景下羽毛球活动视频跟踪，以便测试本方法持久跟踪的鲁棒性。所选视频每帧图像大小640×480像素。
图4、图5是本文方法和传统Meanshift算法分别对Trecvid视频进行108帧的跟踪，实验结果如表1。
从图4和图5跟踪结果上看两种方法在目标低速慢移时跟踪结果比较吻合，第63帧本方法在目标没有产生明显运动时跟踪效果不如原Meanshift跟踪精确，不过很快又都能准确跟踪，视频采用高清拍摄视频，所以各种方法在不同视频上跟踪时间会各有不同。对比中可以看出在较短跟踪中本文方法跟踪的准确率下降了约15%，在跟踪所需时间却减到了一半，本方法每帧跟踪匹配的次数也不到原方法一半。本方法准确率在短暂视频跟踪中不胜于传统方法，但在持久跟踪时依然保持着同样较高准确率，远远高于传统跟踪方法。持久跟踪的实验在3.2节中进行测试。
3.2 持久快速跟踪实验
本实验选取有快速奔跑接打羽毛球内容的视频，同时为了形成更快的运动我们设计从1 500帧视频中每隔3帧抽取一帧形成500帧实验视频。本实验将本文方法、Meanshift、粒子滤波跟踪三种方法针对室内羽毛球活动人物目标进行500帧长持久跟踪测试，实验结果见表2。
持久跟踪准确度时间图表示如图6所示。
分析:如图7和图8所示，从图8可以看出传统Meanshift在第115帧目标出现视频画面跟踪丢失，但丢失后并没有重新正确找回跟踪，所以持久跟踪中跟踪准确率远远低于本文方法。本方法跟踪准确度在持久跟踪过程中都比较稳定和鲁棒，在外界干扰误跟及目标丢失等情况下都能及时重新找回正确目标进行正确跟踪，同样适用于快速运动目标跟踪。
4 结语
在快速运动目标的跟踪中，Kalman滤波预测位置和帧差法检测到的目标区域可以挖掘到跟踪目标丰富有用信息。本文结合这两种方法改进传统Meanshift算法，新的方法比传统方法的计算时间少，在持久跟踪中具有稳定的跟踪鲁棒性，能在目标丢失或误跟踪后自校正目标跟踪。因此在持久快速运动方面具有长远意义的研究价值。另外，本方法还需要在人群密集、目标静止等情况下进行研究改善，提高跟踪的准确率。
摘要：针对传统Meanshift算法对快速运动目标跟踪不准和持久跟踪易丢失问题,提出一种新的Meanshift快速运动目标鲁棒跟踪方法。新方法结合Kalman滤波预测从帧差法检测的运动区域中挑选可信区域只进行一次Meanshift颜色相似检测,若相似值不满足条件则再从其他运动区域依次进行原Meanshift跟踪,找出最佳跟踪区域。新方法减少了原方法颜色匹配迭代次数,对目标持久跟踪丢失时也可以快速重新找回原目标进行跟踪。最后,跟踪实验结果也说明了新方法计算更快和跟踪上的鲁棒性。
关键词：Meanshift,Kalman filter,目标跟踪,帧差法,快速跟踪
参考文献
[1]Dorin Comaniciu,Visvanathan Ramesh,Peter Meer.Real-time tracking of non-rigid objects using mean shift[C]//Proc.Of IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR2000),2000,2:2142 2149.
[2]Aldo Maalouf,Mohamed-Chaker Larabi.Robust Foveal WaveletBased Object Tracking[C]//2012 ICASSP.
[3]Zhang L,Zhang D,Wu C.Scale and orientation adaptive mean shift tracking[C]//Computer Vision,2012:52 61.
[4]Khan Z H.Robust Visual Object Tracking Using Multi-Mode Anisotropic Mean Shift and Particle Filters[J].IEEE Transactions on Circuits and Systems for Video Technology,2011.
[5]Naoya Oshimal,Takeshi Saitoh1,Ryosuke Konishil.Real Time Mean Shift Tracking using Optical Flow Distribution[C]//SICE-ICASE International Joint Conference 2006 in Bexco,Busan,Korea.Oct.2006.
[6]邓辉斌,熊邦书,欧巧凤.基于隔帧差分区域光流法的运动目标检测[J].半导体光电,2009,30(2).
[7]彭娟春,顾立忠,苏剑波.基于Camshift和Kalman滤波的仿人机器人手势跟踪[J].上海交通大学学报,2006,40(7).
[8]Hongpeng Yin,et al.Fast-moving target tracking based on mean shift and frame-difference methods[J].Journal of Systems Engineering and Electronics,2011,22(4):587 592.
[9]Welch G,Bishop G.An Introduction to the Kalman Filter[R].UNCChapel Hill,TR95-041,2006.
快速跟踪 篇6
在航空设备研究中,常需要掌握空气气流温度的变化对设备性能的影响,可编程直流电流源就是一种按照一定规律对空气温度进行加热的专用电源设备。按照电源调整方式,直流电源分为线性电源和开关电源两种。开关电源以其功耗低、轻型化、稳压稳流范围宽且电路形式灵活多样等优点,业已成为大功率电源的首选,在电力系统、军事装备、仪器仪表与通讯设备等领域获得了广泛应用[1,2,3]。
PWM控制是开关电源的主要控制方式,通过调节开关器件的导通占空比可以方便实现输出电压或电流的精细调整[4,5,6,7]。文献[8]基于滞环PWM控制设计了一种用作扰动源的可控电流源,但滞环控制存在开关频率不固定、谐波难于滤除的缺点。文献[9]设计了一种宽输出范围的LLC谐振电流源变换器,需要精确的元件参数匹配。文献[10]设计了一种用于高饱和磁铁测磁的可编程电源,可编程输出所需电流波形,但其硬件系统复杂,且未对控制系统设计进行介绍。
本文设计了一种两路独立输出的可编程直流电流源,其输出电流的幅值和脉动形状可以按照设定参数连续调节。本电源采用整流与直流调制两级结构,并在输出电流外环的基础上引入滤波电感电流作为内环,形成一种双电流环控制策略,提高了输出电流的跟踪控制速度和平稳性,样机实验验证了电路拓扑及其控制策略的正确有效性。
2 系统设计
根据大功率可编程直流电流源系统的设计要求,电源系统主要由可编程电源主体和上位机监控系统两部分组成,电源输出电流的波形和参数由上位机设定,同时上位机实现电源输出电流的实时监测。输出电流由直流和交流两部分构成,直流部分的幅值连续可调; 交流部分的幅值不超过直流部分,波形形状可选为正弦波、三角波和方波,频率和幅值连续可调。
2. 1 系统结构与工作原理
图1 为直流电源系统的结构框图。网侧采用三绕组变压器构成12 脉波整流,有利于减小电网谐波[11]。电网电压经过降压、二极管整流和电容滤波后变为稳定直流电,作为后级斩波电路的直流输入,斩波控制电路通过串口通信接收来自上位机的电流参考信号,经过电流反馈控制和PWM调制输出期望的脉动直流电流波形。
2. 2 参数设计
2. 2. 1 变压器
为减小网侧谐波,变压器绕组采用 Δ/Δ/Y接线[12]。根据要求,直流电源的最高输出电压为60V,考虑到功率开关管约2V的压降和最大占空比为0. 9,则可求得BUCK电路的最小直流输入电压为69V。
考虑到电网电压 ± 10% 的波动,按照三相二极管桥式整流电路的输入输出电压关系,则变压器二次侧线电压有效值应取56V。因此,变压器额定电压比为380V/56V/56V。
2. 2. 2 滤波器
直流电压经斩波控制后通过LC滤波电路滤波。根据负载要求,直流电流的脉动频率为0. 01 ~30Hz,取变换器开关频率fs为5k Hz,则可保证在30Hz下每个脉动周期有不少于160 个点的平滑波形。根据纯阻性负载、额定工作电流IN= 220A、单路功率11k W的条件,可得负载等效电阻R =0. 23Ω。
为提高工作效率,本BUCK变换器工作在连续导通模式( CCM) 下,为此要求输出滤波电感( 图1中L1和L2) 满足下式要求[13]:
式中,D为开关占空比。在开关频率fs= 5k Hz、典型占空比D = 0. 5、负载电阻R = 0. 23Ω 的情况下,计算可得电感应不小于0. 012m H,实际系统中选取0. 1m H /220A电抗器。
为了限制输出电压的脉动峰峰值,输出滤波电容( 图1 中C3和C4) 应满足[13]:
式中,σ为输出电压允许纹波系数(在纯电阻负载下也为输出电流的纹波系数)。在典型占空比D=0.5、纹波系数σ=2%的情况下,计算可得最小电容为1250μF,实际系统选取1500μF/250V电容器。
3 系统建模
由实际系统简化可得系统控制结构框图,如图2所示。系统由BUCK变换器③、控制器②和包含输出滤波器在内的被控对象①三部分组成,其中,R=0.23Ω,L=0.1m H,C=1500μF。
根据线性系统理论,可得被控对象1的传递函数为:
将实际系统参数带入式( 3) ,可知被控对象的二阶传递函数为:
显然这是一个具有一对共轭复根的二阶振荡环节,即
式中,a = - 1450; b = 2136; K = 2. 9 × 107。在简化分析中,上述二阶振荡环节可等效为如下双惯性环节:
图3 给出了简化前后的传递函数伯德图。可以看出,上述等效在 ω = 2582rad /s附近有一定误差,且幅值误差在该点最大、但相位相同。因此,在设计调节器时对式( 3) 所示被控对象做等效处理,不会对系统稳定性和快速性产生明显影响。
对于控制器部分②,本系统采用PI调节规律[14],其传递函数为:
BUCK变换器③虽为系统中的非线性环节,根据采样控制理论中的面积等效原理:冲量相等而面积不同的窄脉冲加在具有惯性的环节上时其效果基本相同,变换器可以等效为一个受控电压源[15],其传递函数为:
式中,D( s) 为数字控制器输出的占空比。
4 控制模式与参数设计
4. 1 单电流环控制模式
按照传统反馈控制系统的设计方法,可编程电源可以采用输出电流反馈的单闭环控制系统结构,如图4 所示。
根据控制框图,不难写出单电流环控制模式下系统的开环传递函数为:
取 τi= 1 /2582,则可将式( 6) 系统等效化为典型Ⅰ型系统,根据工程最佳设计方法,计算可得Kp= 0. 002。将实际参数代入式( 6) ,可得单电流环控制模式下系统开环传递函数为:
图5 给出了整定后系统开环传递函数的幅频和相频特性曲线。可以看出,单电流环控制模式下,由于系统特征频率的限制,系统快速性和稳定性矛盾突出。
4. 2 双电流环控制模式
针对单电流环控制无法解决系统快速性与稳定性之间矛盾的问题,本文提出采用双电流环控制模式,即引入滤波电感电流反馈作为控制内环、输出电流作为控制外环的双闭环控制模式。双电流环控制模式下系统控制框图如图6 所示。
4. 2. 1 电流内环调节器设计
由图6 可得,双电流环控制模式下电感电流内环的开环传递函数为:
与式( 6) 对比可以看出,双电流环控制模式在ω = 1 / ( RC) 处多了一个零点,拓宽了系统带宽,增强了系统稳定性。代入实际参数可得:
同样地,根据二阶振荡环节的等效模型,可将式( 8) 等效为:
根据零极点对消原则,取 τi2= 1 /2582; 取内环开环截止角频率 ωc2= ωs/5 ( ωs为开关角频率) ,则可得Kp2= 0. 007。将上述参数代入式( 8 ) ,可得电流内环开环传递函数为:
图7 为内环整定后的幅频和相频特性曲线。可以看出,电流内环的穿越频率为6240rad /s,相角裕度为71°,稳定性较好。
内环PI参数整定后,电流内环的闭环传递函数为:
利用等效模型,简化后可得:
4. 2. 2 电流外环调节器设计
根据图6,可写出电流外环开环传递函数为:
根据去大惯性环节原则,取1 /τi1= 3584; 取电流外环截止频率 ωc1= ωs/10,则可求出Kp1= 0. 9。将上述PI参数带入式( 9) 可得:
图8 为外环的幅频和相频特性曲线,比较图5与图8 可以看出,双电流环控制模式相对于单电流环,低频段增益增大,因此跟踪精度更高; 系统截止频率增大,响应速度更快; 稳定裕度增大,稳定性增强。
5 实验结果分析
本文开发了双路11k W的特种可编程直流电流源装置,功率管选用英飞凌FF450R06ME3 型IGBT,数字控制器采用TI公司TMS320F28335DSP,IGBT开关频率5k Hz,输出滤波电感0. 1m H,输出滤波电容1500μF,负载电阻0. 23Ω。
图9 给出了在平均电流100A、调制电流25A、调制频率10Hz、脉动波形为方波的条件下分别采用电流单闭环与双闭环控制时的输出电流波形。可以看出,采用双电流环控制模式时,输出电流调节时间明显缩短,振荡显著减小。
图10 给出了在平均电流100A、调制电流25A、调制频率10Hz的条件下采用双闭环控制时的输出电流波形。可以看出,输出电流可以根据需要输出方波、三角波和正弦波等不同脉动波形的电流,满足生产工艺对电源的要求。
6 结论