基于改进容积卡尔曼滤波的认知雷达跟踪算法

在认知雷达目标跟踪过程中,由于存在初始跟踪误差及系统量测方程的非线性等原因,导致卡尔曼滤波算法性能较差.为解决上述问题,将Gauss-Newton迭代方法与容积卡尔曼滤波算法相结合,建立迭代容积卡尔曼滤波算法.算法在迭代过程中利用最新的量测信息并更新迭代过程中产生的新息方差,降低了目标初始状态的估计误差,并且减小了线性化量测方程引入的传递误差.仿真结果表明,迭代容积卡尔曼滤波算法与传统的扩展卡尔曼滤波算法、无迹卡尔曼滤波算法、容积卡尔曼滤波算法相比,在认知雷达中的跟踪精度更高,稳定性更好,对初始误差的容错性更强.结果可为雷达目标跟踪优化提供科学依据.     

基于UKF的超视距雷达跟踪算法研究

天波超视距雷达跟踪目标时电磁波是通过电离层的折射传播的,因而导致在地理坐标系下的量测方程中存在强非线性,而采用传统的EKF（Extended Kalman Filter）实现的跟踪算法,在非线性方程的线性化中舍去了含强非线性的二阶以上的高阶项,导致目标的跟踪精度较低;提出采用UKF（Unscented Kalman Filter）方法处理超视距雷达系统在跟踪算法中的强非线性问题.UKF算法有效降低了非线性方程中的舍入误差,可确保三阶以上的精度.仿真结果表明UKF滤波算法较EKF算法提高估计精度.     

基于目标预测的扩展目标量测集划分算法

扩展目标高斯混合概率假设密度（Extended Target Gaussian Mixture Probability Hypothesis Density,ET-GM-PHD）跟踪算法是扩展目标跟踪领域内最为重要的跟踪算法之一。然而当多个目标邻近时,该算法的状态估计精度降低,这是由于距离-Kmeans++（Distance Partitioning-Kmeans++,DP-Kmeans++）量测集划分算法无法输出正确的结果所导致。为解决该问题,提出了改进的DP-Kmeans++量测集划分算法,利用目标预测信息来分割量测集,从而提高了划分精度。仿真结果表明,当目标邻近时,使用提出划分算法使ET-GM-PHD跟踪算法的OSPA误差距离减小。     

基于“新息误差”的粒子流滤波算法

在粒子滤波（PF）过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题,但是在求解边值问题时过于依赖观测方程,当噪声较大时效果较差。针对上述问题,提出了一种改进的粒子流滤波算法。首先,该算法在粒子流动的过程中引入了一种“新息误差”结构,使每个粒子的更新相互独立;其次,利用Galerkin有限元法求得边值问题的数值解,从而消除了拟合样本先验可能导致的数值不稳定问题;最后,分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明,改进的算法可以抑制系统对观测信息的依赖性,在噪声增大的情况下也能得到相对较好的结果,有效改善了滤波精度,而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。     

基于“新息误差”的粒子流滤波算法

在粒子滤波（PF）过程中存在粒子权值退化、维度灾难、计算成本高等问题。粒子流滤波通过构造对数同伦函数避免了粒子权值退化问题，但是在求解边值问题时过于依赖观测方程，当噪声较大时效果较差。针对上述问题，提出了一种改进的粒子流滤波算法。首先，该算法在粒子流动的过程中引入了一种“新息误差”结构，使每个粒子的更新相互独立；其次，利用Galerkin有限元法求得边值问题的数值解，从而消除了拟合样本先验可能导致的数值不稳定问题；最后，分别在通用非线性滤波模型和机动目标跟踪模型中对改进的算法进行了性能测试。仿真结果表明，改进的算法可以抑制系统对观测信息的依赖性，在噪声增大的情况下也能得到相对较好的结果，有效改善了滤波精度，而在多维目标跟踪情况下算法的计算效率与滤波精度高于标准粒子滤波。     

基于ET-PHD的自适应联合跟踪与分类算法

针对新生目标强度先验未知的扩展目标（Extended target,ET）联合跟踪与分类（Joint tracking and classification,JTC）问题,提出一种基于扩展目标概率假设密度（Extended target-probability hypothesis density,ET-PHD）滤波器的自适应联合跟踪与分类算法,并给出其高斯混合实现方法.算法利用量测信息生成新生目标强度,在滤波预测阶段对存活目标和新生目标分别按照其类别进行传播,再引入属性量测信息,用位置和属性的联合量测似然函数代替单目标位置似然函数,对预测后所有目标强度进行联合更新,之后按照类别进行高斯项的删减与合并,提取相应类别目标的状态集.仿真结果表明,提出的自适应算法改进了概率假设密度滤波器在扩展目标跟踪中的性能.     

基于Mean Shift迭代的新生未知多扩展目标跟踪

针对当前基于随机集的多扩展目标跟踪算法存在计算量大、量测划分不准确和跟踪误差大的问题,在PHD滤波基础上提出一种基于均值漂移(Mean Shift)迭代的新生未知多扩展目标跟踪算法.首先,对聚类后量测数据进行关联,得到新生目标状态,解决目标新生问题;然后,通过Mean Shift迭代获得目标量测集质心,将扩展目标的多量测问题转化为点量测处理;最后,给出其粒子实现方式.仿真实验表明,所提出的算法可以降低跟踪复杂度,提高跟踪效率,在交叉时刻具有稳定的跟踪性能。     

多步历史估计信息反馈多模型融合方法

针对强机动和大观测误差下的目标跟踪问题,传统低阶多模型融合方法存在估计精度较低、鲁棒性较差的缺点;高阶多模型融合方法面临计算量增大和保证实时性之间的矛盾.为此本文针对一类多步稳健机动目标跟踪问题提出一种基于历史估计信息反馈的多模型融合框架,首先累积和反馈历史估计信息,然后结合当前量测计算多阶模型序列的似然函数,最后得到贝叶斯后验融合结果.同时结合粒子滤波构建了易于工程实现的粒子滤波历史反馈多模型融合算法(PF-HFMM).仿真表明,与传统粒子滤波多模型算法相比,本法显著提高了估计精度和鲁棒性.     

基于扩展卡尔曼滤波的移动机器人变结构线性化复合跟踪控制

研究了移动机器人轨迹跟踪控制问题,通过坐标变换将轨迹跟踪问题转化为误差系统的镇定问题.基于反馈线忡化和变结构控制思想提出一种复合有限时间变结构线性化跟踪控制算法,其首先使误差系统驶向角初始误差伙速收敛到滑模边界层,然后采用连续状态反馈控制律来实现驶向角议差的无抖振快速镇定,同时将原误差系统转化为低阶系统;其次针对低阶系统设计了位置误差的状态反馈控制律,实现了位置误差的有限时间镇定.针对有系统噪声和量测噪声的误差系统,利用扩展卡尔曼滤波(EKF)进行误差状态估计,并以估计值构成反馈控制律.通过数值仿真验证了控制策略的有效性.     

一种基于IMM的自适应目标跟踪算法研究

对目标进行自适应跟踪是节约雷达资源的途径之一.以相控阵雷达为基础研究了一种目标自适应跟踪算法.介绍了传统连续情况下的周期采样方法,通过设定上、下界来限制算法中采样周期的变化.并在连续采样的基础上给出一种改进的离散采样算法,改进算法通过比较滤波残差和量测误差设定一组离散采样值,计算量减小,跟踪误差降低.基于IMM对两种自适应采样算法以及固定周期采样算法进行Monte Carlo仿真对比,仿真结果表明两种自适应采样算法均大大降低了采样宰,改进的离散自适应采样算法跟踪性能相对较好.     

基于IMM-UKF的纯方位机动目标跟踪算法

针对在非线性机动目标跟踪中存在的滤波器易发散、跟踪误差大等问题,本文在多站纯方位跟踪的基础上,把Unscented卡尔曼滤波(Unscented Kalman filter,UKF)引进到交互多模型算法(Interacting multiple model,IMM)中,设计了交互多模型UKF滤波算法,克服了EKF中引入的较大线性化误差对机动目标跟踪算法性能的影响.最后将该算法与扩展卡尔曼滤波(EKF)、IMM-EKF算法进行了比较,仿真结果表明:IMM-UKF 算法增强了EKF滤波器的稳定性,提高了滤波收敛速度和跟踪精度.     

基于拉依达准则与线性拟合的改进型无迹卡尔曼滤波粗大误差补偿算法

无迹卡尔曼滤波是卡尔曼滤波技术的重要组成部分,它有效地克服了扩展卡尔曼滤波的估计精度低、稳定性差等缺陷。然而无迹卡尔曼滤波未考虑粗大误差(如离群值、静差和漂移)的影响。目标跟踪经常受到不同种类粗大误差的影响,研究无迹卡尔曼滤波器对粗大误差的检测和补偿,对目标跟踪准确性的提高有重大意义。本文针对观测值中各种粗大误差影响目标跟踪精度的问题,采用拉依达准则对观测值进行检测。为了对误差进行补偿,本文提出了一种观测数据残差线性拟合的方法,使用拟合产生的预测残差补偿粗大误差,使补偿后的目标运动轨迹能够减小粗大误差的干扰。经过目标跟踪仿真实验和对比,本文提出的改进型无迹卡尔曼滤波算法能有效地减小粗大误差观测值对状态预测过程的影响,能实现对目标的准确跟踪,提高了滤波的稳定性和准确性。     

跟踪机动再入飞行器的交互多模型Unscented卡尔曼滤波方法

对于目标发生机动时的再入飞行器的跟踪问题, 传统跟踪方法是采用机动模型的扩展卡尔曼滤波. 本文在提高机动目标跟踪精度的探索中做了两方面的努力, 一是在描述目标运动模型方面采用了更符合机动目标运动特性的多模型方法; 另一方面, 采用了隐含高阶精度的 Unscented 卡尔曼匹配滤波方法. 对于交互多模型 Unscented 卡尔曼滤波器在仿真中易出现数值问题, 给出了基于平方根滤波的数值鲁棒性的解决方法.     

偏移校正的核空间直方图目标跟踪

针对传统均值漂移算法中核函数直方图对目标特征描述较弱、 跟踪窗不能动态调整容易导致目标跟偏或跟丢的缺点, 提出了一种改进的均值漂移跟踪算法.为提高目标特征描述的可靠性, 采用二阶空间直方图建立目标模型,以Bhattacharyya系数作为相似性度量; 通过偏移校正更新目标区域参数建立新的目标模型; 结合边缘与角点检测选取特征点建立仿射模型实现跟踪窗的调整; 根据卡尔曼残差判断目标是否被遮挡,从而选择卡尔曼滤波或是线性预测来确定目标位置. 实验结果表明,该算法可以准确地跟踪目标,对相似背景干扰、目标大小与方向的变化以及短时遮挡具有鲁棒性.     

不完全量测下的水下纯方位系统目标跟踪算法

针对观测器探测概率小于1的不完全量测情况下的水下纯方位系统的目标跟踪问题,提出了不完全量测下的基于扩展卡尔曼滤波的目标跟踪算法。首先,建立不完全量测情况下的水下纯方位目标跟踪数学模型;其次,在数据出现不完全量测时,采用前一次的更新值对缺失数据进行弥补并完成滤波;最后,采用最优理论性能下界(CRLB)和均方根误差(RMSE)这两种评价准则对此算法进行评估。仿真实验结果表明:在不完全量测下的水下纯方位系统的目标跟踪问题中,所提出的基于扩展卡尔曼滤波的目标跟踪算法在保证预期跟踪精度的前提下,具有较高的实时性。     

Gaussian approximate filter for stochastic dynamic systems with randomly delayed measurements and colored measurement noises带随机延迟量测和有色量测噪声随机动态系统的高斯近似滤波器

In this paper, a new Gaussian approximate (GA) filter for stochastic dynamic systems with both one-step randomly delayed measurements and colored measurement noises is presented. For linear systems, a Kalman filter can be obtained to include one-step randomly delayed measurements and colored measurement noises. On the other hand, for nonlinear stochastic dynamic systems, different GA filters can be developed which exploit numerical methods to compute Gaussian weighted integrals involved in the proposed Bayesian solution. Existing GA filter with one-step randomly delayed measurements and existing GA filter with colored measurement noises are special cases of the proposed GA filter. The efficiency and superiority of the proposed method are illustrated in a numerical example concerning a target tracking problem.     

被动目标自适应跟踪算法仿真研究

针对纯方位被动目标跟踪中，直角坐标系下的扩展卡尔曼滤波器容易发散，而导致滤波精度很差，该文提出了一种直角坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿观测模型线性化误差，消减系统的观测误差，并对其滤波理论及其算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡卡尔曼滤波算法，收到了良好的效果。     

Gaussian mixture presentation of measurements for long-range radar tracking

In long-range radar tracking, the measurement uncertainty region has a thin and curved shape in Cartesian space due to the fact that the measurement is accurate in range but inaccurate in angle. Such a shape reflects grievous measurement nonlinearity, which can lead to inconsistency in tracking performance and significant tracking errors in traditional nonlinear filters, such as the extended Kalman filter (EKF) and the unscented Kalman filter (UKF). In this paper, we propose a modified version of the Gaussian Mixture Measurement-Integrated Track Splitting (GMM-ITS) filter to deal with the nonlinearity of measurements in long-range radar tracking. Not only is the state probability density function (pdf) approximated by a set of Gaussian track components, but the likelihood function (LF) is approximated by several Gaussian measurement components. In this way, both the state pdf and LF in the proposed filter have more accurate approximation than traditional filters that approximate measurements using just one Gaussian distribution. Simulation experiments show that the proposed filter can successfully avoid the inconsistency problem and also obtain high tracking accuracy in both 2-D (with range-angle measurements) and 3-D (with range-direction-cosine measurements) long-range radar tracking.     

异类传感器融合跟踪系统配准偏差的在线补偿

针对多传感器融合跟踪系统的时变配准偏差补偿问题,提出了一种配准偏差的在线估计和补偿算法.该算法首先依据多传感器提供的测量和跟踪信息,建立配准偏差的动态模型,然后利用极小化似然函数结合卡尔曼滤波方法在线估计系统偏差,利用估计的配准偏差,补偿和修正跟踪器的测量信息,实现多传感器的融合跟踪.最后针对异类传感器(雷达、红外)组成的多传感器跟踪系统,给出了应用该方法的仿真结果.     

Event-averaged maximum likelihood estimation and mean-field theoryin multitarget tracking

This paper presents a novel type of Kalman filter for track maintenance in multitarget tracking using thresholded sensor data at high target/clutter densities and low detection levels. The filter is robust against tracking errors induced by crossing tracks, clutter, and missed detections, and the computational complexity of the filter scales well with problem size. There are two key features that differentiate this approach from earlier work. First, to reduce computational load, the filter exploits techniques from statistical field theory to simplify measurement to track association by using a mean-field approximation to sum over associations. Second, to enhance tracking of close together targets, the filter explicitly models the error correlations that occur between such target pairs. These error correlations are caused by measurement to track association ambiguities that arise when target separations are comparable to sensor measurement errors