第4章目标机动模型

4. 目标机动模型：Singer模型、当前统计模型、匀速/匀加速模型

好，咱们进入正题。目标机动模型，说白了就是我们要猜对手下一步怎么走。你想想看，拦截机动目标，如果连对手的运动规律都摸不清，那制导律设计得再花哨也是白搭。我个人习惯把目标模型分成三类：简单粗暴的匀速/匀加速模型、工程上常用的Singer模型，以及自适应能力强的当前统计模型。今天咱们一个一个捋清楚。

先聊最简单的。匀速模型（CV）和匀加速模型（CA），是很多教科书开篇就讲的。它们的核心假设是：目标要么速度不变，要么加速度不变。

匀速模型的状态方程：

X(k+1) = F * X(k) + G * w(k)

其中：
X = [x, vx]^T  (位置和速度)
F = [1, dt; 0, 1]
G = [dt^2/2; dt]
w(k) 是过程噪声，代表随机扰动

匀加速模型的状态方程：

X = [x, vx, ax]^T  (位置、速度、加速度)
F = [1, dt, dt^2/2; 0, 1, dt; 0, 0, 1]
G = [dt^3/6; dt^2/2; dt]

重要提醒： 这两个模型虽然简单，但千万别小看它们。我在项目中遇到过，当目标做直线运动或缓慢转弯时，匀速模型配合卡尔曼滤波，效果出奇的好。计算量小，实时性高，有时候比复杂模型还靠谱。

避坑指南： 我曾经在某个项目中直接用匀速模型去跟踪高机动战斗机，结果滤波发散得一塌糊涂。后来才意识到，模型假设和实际运动不匹配时，必须引入自适应机制。否则，你就是在用错误的前提推导错误的结论。

匀速模型的问题在于，它假设加速度是白噪声，没有记忆性。但实际中，目标的加速度变化是有规律的——比如飞机转弯，加速度不会瞬间跳变。Singer模型就是针对这个痛点提出的。

Singer模型的核心思想：加速度是一个一阶马尔可夫过程。说白了，就是当前时刻的加速度，和上一时刻的加速度有关，再加上一个随机扰动。

数学表达：

a(k+1) = e^(-α*dt) * a(k) + w(k)

其中：
α 是机动时间常数的倒数，反映加速度变化的快慢
w(k) 是零均值高斯白噪声，方差为 σ^2

这里有个关键参数 α。α 越大，加速度变化越快，模型越“灵活”；α 越小，加速度变化越慢，模型越“僵硬”。

我的经验： 实际工程中，α 很难精确知道。我建议的做法是：先根据目标类型预估一个范围，然后通过在线辨识或自适应滤波来调整。别指望一次选对，调试是常态。

Singer模型有个隐含假设：加速度的均值是零。但实际中，目标一旦开始机动，加速度均值往往不为零。比如飞机正在做 5g 的转弯，你非说它加速度均值是 0，那滤波肯定跟不上。

当前统计模型（Current Statistical Model）就是来解决这个问题的。它的核心思想是：加速度的均值不是固定的，而是等于当前估计的加速度值。你想想看，这多合理——目标当前在做什么机动，我就假设它接下来继续做类似的机动。

模型特点：

状态方程（离散形式）：

X(k+1) = F * X(k) + U * a_bar(k) + w(k)

其中：
a_bar(k) 是当前加速度均值（即上一时刻的滤波估计）
U 是输入矩阵，形式为 [dt^2/2; dt; 1]
w(k) 的方差与 a_bar(k) 有关

关键点： 当前统计模型本质上是一种自适应 Singer 模型。它不需要你预先知道目标的机动特性，而是通过滤波结果实时调整。我在做某型空空导弹的制导律设计时，就用了这个模型，效果比固定参数的 Singer 模型好不少。

好了，三种模型都讲完了。咱们做个对比，方便你选型。

注意： 没有万能的模型。我见过有人非要用当前统计模型去跟踪匀速直线运动的目标，结果因为模型过于复杂，反而引入了不必要的噪声。选模型，一定要和实际场景匹配。

下面这张图，是我自己梳理的三种模型的核心逻辑。你可以把它当作一个快速参考。

嗯，到这里，四种模型（其实严格来说是三类）就讲完了。我个人觉得，理解这些模型的关键不在于背公式，而在于理解每个模型背后的物理假设。假设对了，模型就对了大半。剩下的，就是调试和验证了。

公众号:蓝海资料掘金营，微信deep3321