统计特性突变下的机器人同步定位与地图构建

针对未知环境中，机器人同步定位与地图构建( SLAM)时，系统的统计特性发生突变问题，提出了一种基于非线性交互式多模型(IMM)的SLAM算法。该算法的主要思想是：用多个非线性高斯模型近似非线性非高斯模型；每个模型都采用扩展卡尔曼滤波(EKF)对非线性系统线性化；在每一步采用IMM方法获得融合估计值；从而演化机器人的SLAM. Monte Carlo仿真结果表明，在过程噪声均方根误差、量测噪声均方根误差和两者噪声均方根误差都发生变化的情况下，与EKF-SLAM算法和快速SLAM算法相比，该算法具有更好的估计精度。     

多假目标干扰下组网雷达机动目标跟踪方法

针对距离多假目标干扰下,单站雷达视角单一,获取信息量少,对机动目标跟踪效果不佳的问题,提出了多假目标干扰下基于组网雷达的机动目标跟踪方法。该方法通过信号似然比预处理与卡方检验相结合进行量测分组,根据多假目标的空间分布特点求解"中心量测",并基于该量测进行球坐标系下的径向最近距离关联,最终在交互式多模型算法(Interacting Multiple Model,IMM)的框架下实现对机动目标的高精度跟踪。仿真结果表明,通过对目标量测的准确选择与融合,相比类似方法,平均位置均方根误差减小了57%,平均速度均方根误差减小了14%,且对机动目标也有较好的适应能力。     

基于广域部署智能反射面的无人机集群跟踪方法

无人机在民用和军事领域中都发挥着重要作用，其体积小、数量多、速度快，更会给国防安全带来严重的安全威胁，有效跟踪定位无人机是保障低空安全的关键问题之一。针对典型城市环境中的多目标跟踪问题，提出一种高效费比的多目标跟踪算法。通过广域部署低成本智能反射面，对多目标进行数据融合；同时提出一种改进的数据关联算法，通过特征辅助的模糊数据关联，利用一部分历史数据作为筛选最优观测数据的特征阈值，得到最接近真实值的量测数据。采用卡尔曼滤波进行状态估计，实现对多目标的低成本高精度跟踪。仿真对比新算法与传统概率密度数据关联算法性能。仿真结果表明：新算法相比传统算法在位置和速度方面均方根误差更小，跟踪精度约为1.7 m,传统算法约为6.6 m,实验结果表明新算法能够有效提高目标关联精度和跟踪性能。     

GPS/I NS组合导航缺星情况下的卡尔曼滤波改进算法

针对 GPS/INS(Global Positioning System/Inertial Navigation System)紧组合导航系统在卫星信号缺失情况下导航精度降低,容积卡尔曼滤波(Cubature Kalman Filter ,CKF)应用中存在模型误差和计算误差的问题,提出了适用于该背景下的强跟踪均方根容积卡尔曼滤波(Square-Root CKF)算法。该算法通过人为地相对突出滤波过程中新数据的作用,提高了算法在模型不确定时的鲁棒性;均方根策略保证了协方差阵的正定性和对称性。仿真实验表明,改进的算法能够提高导航精度,在卫星信号缺失情况下其效能发挥地更好,提高了组合导航适应复杂环境的能力。     

RUV坐标系下再入段弹道目标跟踪研究

研究RUV坐标系下的再入段弹道目标跟踪算法,该算法利用RUV坐标系下量测线性的优点,可提高目标跟踪精度。针对再入弹道目标,以东北天坐标系下目标运动加速度为基础,通过坐标转换,推导雷达阵面坐标系下的运动加速度;在此基础上通过二次求导及坐标转换推导RUV坐标系下的运动加速度,给出RUV坐标系下独立的状态方程和量测方程,并对采用扩展卡尔曼滤波所需要的关键函数给出显式表达。蒙塔卡罗仿真不同情况下的RUV坐标系下的再入弹道目标跟踪,仿真结果表明,在RUV坐标系下的跟踪较混合坐标系下的跟踪,其精度有大幅提高。     

基于转换量测的水下目标跟踪

针对水下目标跟踪的实际应用情况，提出了基于转换量测误差统计分析的去偏转换量测和基于修正转换量测误差的无偏转换量测方法；给出了基于转换量测的球坐标一直角坐标下目标跟踪算法，并进行了性能仿真。结果表明：这两种跟踪方法都具有很高的跟踪精度和稳定性；基于修正转换量测的跟踪算法对角度量测误差的不同分布有较强的适应性，在角度量测误差较大的情况下，该算法的性能要优于基于误差统计分析的跟踪算法。     

基于多导弹协同目标探测的空间配准算法

在多导弹协同目标跟踪技术中,通过将多传感器的观测信息进行融合产生目标的全局航迹。理想情况下,各传感器的偏差认为是零,然而实际中由于偏差的存在导致融合效果变差,需要通过空间配准对误差进行估计和补偿。本文主要针对两类误差:传感器量测(系统)误差和姿态(定向)误差,提出一种改进的基于地心地固坐标系的卡尔曼滤波(ECEF-KF)方法。首先建立了系统误差和姿态误差模型;其次将弹上传感器的量测转换至公共坐标系(ECEF system),隔绝了导弹自身的运动;然后构造关于状态的线性伪量测并通过卡尔曼滤波(KF)对各偏差进行估计。仿真结果表明,该算法可准确估计各偏差量的大小,并通过误差补偿极大提高目标跟踪的精度。     

基于迭代积分粒子滤波的目标跟踪算法

针对粒子滤波在非线性目标跟踪中存在粒子退化的问题,提出一种迭代积分粒子滤波的目标跟踪算法。该算法从改进重要性函数的角度入手,在积分卡尔曼滤波的基础上,通过高斯牛顿迭代的方法进行量测更新,并对粒子集合中的粒子进行迭代积分卡尔曼滤波,使得构造的重要性函数更加贴近真实后验分布。仿真结果表明,与粒子滤波算法、积分粒子滤波算法相比,该算法在有效改善非线性目标跟踪中粒子退化的同时,提高了跟踪精度。     

基于星-凸形随机超曲面模型的扩展目标GM-PHD滤波器

针对扩展目标联合估计运动状态和目标外形的问题,提出一种基于星-凸形随机超曲面模型的扩展目标高斯混合概率密度滤波算法.该算法利用星-凸随机超曲面模型对量测的扩散程度进行建模,在高斯混合概率假设密度的框架下,通过求解、更新递推量测模型下的量测似然、新息等参数来实现对扩展目标的跟踪.仿真实验表明,该算法在保证跟踪有效性和可行性的同时,提高了对扩展目标运动状态和目标外形的估计精度.     

捷联成像导引头相关跟踪算法研究

捷联式成像导引头的光学探测基准随弹体姿态运动而动态变化，其目标图像的运动形式呈现复杂的非线性时变特性，传统扩展卡尔曼滤波(EKF)方法难以有效地针对目标运动模型进行波门设置及视线估计。为此，本文首先建立了以目标机动在惯性成像坐标系内的投影为输入，弹体姿态信息作为时变参数的目标帧间运动模型，并在此基础上提出了一种新的相关跟踪算法。该算法通过应用中心差分卡尔曼滤波( CDKF)理论有效解决了成像跟踪中的波门设置问题，提高了目标位置的估值精度，同时提出一种改进的变尺寸模板更新策略，抑制了目标图像的形变和模板漂移对匹配精度的影响，进一岁提高了系统的跟踪的精度，并通过仿真验证了算法的良好跟踪性能。     

机动频率自适应的机动目标模糊跟踪算法

分析了基于＂当前＂统计模型的跟踪算法中,机动频率对滤波算法的影响.提出一种模糊自适应跟踪算法,该算法根据量测新息及其变化率通过模糊推理机制调整＂当前＂统计模型中的机动频率,以适应不同的目标机动模式.针对直角坐标系下量测模型为非线性方程,采用转换坐标卡尔曼滤波对目标状态进行估计.仿真结果表明：该算法无论跟踪机动目标还是非机动目标,其精度都要优于常规的基于＂当前＂统计模型的跟踪算法.     

不完全量测下基于信息一致性的分布式容积卡尔曼滤波算法

针对不完全量测条件下分布式火控系统中的非线性目标跟踪问题,为提高跟踪系统的估计精度并保证各探测单元估计结果的一致性,提出一种基于信息一致性的分布式容积卡尔曼滤波(ICDCKF)算法。针对非线性系统,给出不完全量测下的改进容积卡尔曼滤波。考虑到各探测单元间局部估计信息的相关性,该算法首次将协方差交叉方法应用于非线性一致性滤波算法,提高互协方差未知情形下分布式融合的估计精度。特别地,为确保算法的可行性,给出不完全量测情形下,ICDCKF算法估计结果收敛的条件,并从理论上严格证明在该条件下ICDCKF算法可以保证估计方差的有界性。ICDCKF算法应用于一类光电跟踪网络,与现有CKFI算法、CKF_CI算法、KCF_ Me算法对比分析表明：ICDCKF算法在保证各探测单元估计结果一致性的同时,大幅度提高了跟踪系统的估计精度。     

中段弹头IMM-EKF跟踪方法及性能分析

为了提高中段弹头跟踪收敛速度以及跟踪精度,提出了一种基于交互多模型(IMM)的扩展卡尔曼滤波(Extended Kalman Filter,EKF)的跟踪算法。基于中段弹头加速度变化特点,建立了目标的中段系统动力学模型及量测模型,通过引入速度测量值,使用IMM-EKF算法对中段目标进行跟踪。仿真结果表明,通过交互多模的非线性滤波算法,可以使中段跟踪收敛速度大为加快,速度测量值的引入也使得跟踪精度有所提高,并在弹头中段与再入段衔接处有较好的跟踪性能; 验证了IMM-EKF跟踪中段弹头的有效性。     

固定观测站对运动辐射源定位的IEKF算法及仿真

基于到达方位角(DOA)和到达时间差(DTOA)等观测信息,实现了单个固定观测站对运动辐射源无源定位和跟踪。为克服扩展卡尔曼滤波(EKF)算法线性化过程对预测误差放大,导致定位结果发散或不稳定的缺陷,引出了迭代扩展卡尔曼滤波(IEKF)算法。在获得某个预测值后,通过多次更新状态估计,使之逐渐拟合当前观测量,以提高目标状态估计的精度。仿真结果表明,在一定的观测误差条件下,IEKF算法比EKF算的定位跟踪收敛速度更快、精度更高。     

基于抛物线随机Hough变换的机载脉冲多普勒雷达机动弱目标检测前跟踪方法

为解决机载脉冲多普勒（PD）雷达对机动弱目标进行检测与跟踪的问题,构造了一种基于抛物线随机Hough变换（RPHT）的检测前跟踪（TBD）算法。该算法通过模糊区间对目标的模糊量测进行距离多假设扩展,从而提取量测中的时空相关信息。利用RPHT方法将目标扩展量测转换到参数空间,并在参数空间对目标的机动航迹进行积累。在算法实现过程中,通过方位变换的方式对传统的RPHT方法进行了改进,以降低算法计算复杂度。该方法将机动弱目标解距离模糊问题转换为TBD框架下基于RPHT的航迹检测问题,避免了微弱目标的低信噪比造成的航迹漏检。仿真结果验证了该算法的有效性。     

基于复合控制的雷达导引头伺服系统设计

为了提高雷达位置伺服系统的跟踪能力,以目标信息滤波为基础,设计了雷达导引头伺服控制系统。运用经典控制理论,设计了导引头稳定控制回路;运用角度卡尔曼滤波及多普勒跟踪回路的修正信息,通过引入机动目标的当前统计模型,估计出天线转动的控制指令,实现了角度跟踪的前馈控制。经6DOF仿真环境验证,该方法不仅能够消除目标加速度的稳态误差,同时能够改善导引头的角跟踪精度。     

基于IMM-UKF的非线性机动目标跟踪仿真研究

在处理非线性强机动目标跟踪问题时,扩展卡尔曼滤波方法跟踪误差大、容易引起滤波发散,同时其系统模型可能随时间变化,不能应用传统的线性滤波方法以及单一状态模型来处理该类问题.假设在整个跟踪过程中,运动由水平匀速运动、俯冲运动和爬升运动3部分组成,目标量测由斜距、方位角和高低角组成,并基于此建立了目标运动状态模型和观测模型,给出了模型转换矩阵,设计了基于IMM-UKF滤波器,并进行了仿真.结果表明,该方法可以以较高精度跟踪非线性机动目标运动状态,同时具有较高的收敛速度.     

存在非高斯重尾分布噪声的纯方位目标跟踪算法

纯方位目标跟踪是目标跟踪研究中的热点问题,针对目标跟踪方程中的非高斯重尾分布噪声问题,提出了一种针对非高斯重尾分布噪声的卡尔曼滤波算法。该方法通过建立基于存在异常值的高斯分布的层次高斯模型来近似未知的非高斯重尾分布系统过程噪声和测量噪声,并使用变分贝叶斯推断来学习混合概率,解决混合概率不确定带来的滤波性能下降的问题,从而提高滤波的鲁棒性。同时针对纯方位目标跟踪模型的非线性,结合修正增益卡尔曼滤波来降低量测方程非线性的影响。数值仿真结果表明,相对于EKF、UKF和变分贝叶斯卡尔曼滤波PEKF-VB、VBEKF,新算法VBMGEKF估计精度分别提高了69.31%、58.08%、127.84%和9.36%,具备更好的鲁棒性与精度。     

线性系统的卡尔曼滤波在水雷上的应用

对目标运动进行建模,介绍了一种线性系统的卡尔曼滤波算法,以提高近距离目标的运动参数估计精度,并通过仿真证明了其可用性和有效性。利用试验取得的数据验证了将该算法应用于水雷上的可行性,减小了扩展卡尔曼滤波在目标接近水雷时由于其线性化而引起的误差。     

基于CS-Jerk模型的改进机动目标跟踪算法

文中通过对CS-Jerk模型中的参数以及卡尔曼滤波的分析,提出了一种改进的CS-Jerk模型目标跟踪算法。该算法根据量测新息及其变化率,通过模糊推理机制自适应的调整"当前"统计Jerk模型的机动频率,接着利用强跟踪滤波器对运动模型进行滤波来弥补卡尔曼滤波器的不足。仿真结果表明,提出的改进CS-Jerk模型目标跟踪算法显著提高了原CS-Jerk模型在不同机动模式下对高机动目标的跟踪精度,验证了算法的合理性和可行性。