自适应SCKF在机动目标跟踪中的应用

目标跟踪系统的数学模型或统计特性的不确定性,往往会导致机动目标跟踪精度降低甚至跟踪发散。在综合平方根求容积卡尔曼滤波算法和改进的Sage-Husa估计器的基础上,提出一种自适应求容积平方根卡尔曼滤波算法。该算法通过实时估计未知系统噪声,抑制由于噪声统计特性未知时变而导致的滤波误差,从而实现机动目标的自适应跟踪。仿真结果表明,在系统噪声未知时变,且与先验系统噪声存在一定差异时,自适应平方根求容积卡尔曼滤波器能有效地改进标准平方根求容积卡尔曼滤波器的跟踪精度和跟踪稳定性。     

一种适用于分布式摄像机网络的SCIWCF算法

本文使用容积卡尔曼滤波器来处理分布式摄像机网络中的目标跟踪问题.平方根容积信息滤波（Square-Root Cubature Information Filter,SCIF）是容积卡尔曼滤波的一种扩展,其具有有效性和可靠性等方面优势,有利于对多源信息进行信息融合.然而当该算法应用于像摄像机网络这种大规模网络时,如果采用一般的集中式处理,中心节点可能会承受较大的计算压力.针对这个问题,本文首先将平方根容积信息滤波器进行了扩展,提出分布式平方根容积信息滤波器,使其能适应大规模网络.另外在摄像机网络中,由于摄像机装置在一个较大的区域内,由于摄像机观测区域有限,目标可能会出现在观察的盲区,这样就会存在某些摄像机的测量数据无效.针对这个问题,本文提出了平方根容积信息加权一致性滤波器（Square-Root Cubature Information Weighted Consensus Filter,SCIWCF）对状态信息和信息矩阵加权,减小这些无效信息在一致性算法的作用,从而提高整体的滤波性能.仿真实验结果表明,本文提出的算法能够在摄像机网络中对目标进行有效跟踪,在估计精度和滤波器稳定性等方面要优于传统的信息滤波.     

平方根容积卡尔曼滤波在角测量跟踪中的应用

为解决扩展卡尔曼滤波算法(EKF)在处理角测量跟踪问题时对复杂非线性状态估计收敛速度慢、估计精度低的问题,引入一种平方根容积卡尔曼滤波算法(SRCKF)。SRCKF是一类sigma点滤波方法,基于容积原则的数值积分方法计算非线性随机函数的均值与协方差,避免了EKF中Jacobian矩阵的计算,有效提高了计算效率。另外,与一般容积卡尔曼滤波算法相比,SRCKF确保了状态协方差矩阵的对称性与半正定性,有效改进了数值精度和鲁棒性。将SRCKF应用于角测量跟踪系统中,仿真结果表明,SRCKF、Unscented卡尔曼滤波(UKF)滤波精度较传统EKF有较大提高,同时,与UKF相比,SRCKF能以较快的运行效率获得较好的滤波效果。     

基于IMMCKF的机动目标跟踪算法

针对非线性机动目标跟踪中滤波器易发散、跟踪精度低等问题,将容积卡尔曼滤波器(CKF)引入到交互式多模型算法(IMM)中,设计了交互式多模型容积卡尔曼滤波算法(IMMCKF)。该算法采用Markov过程描述多个目标模型间的切换,利用CKF滤波器对每个模型进行滤波,将各滤波器状态输出的概率加权融合作为IMMCKF的输出。仿真结果表明,与IMMUKF算法相比,IMMCKF算法跟踪精度更高,模型切换速度更快,计算量更小,该算法具有重要的工程应用价值。     

基于IMM-SCKF-STF的机动目标跟踪算法

在处理非线性机动目标跟踪问题时,传统的非线性滤波估计算法跟踪误差大且容易引起滤波发散.针对上述问题,研究将强跟踪平方根容积卡尔曼滤波(SCKF-STF)和交互多模型(IMM)算法相结合,提出一种新型的交互多模型强跟踪平方根容积卡尔曼滤波(IMM-SCKF-STF)跟踪算法.该算法在SCKF基础上引入强跟踪渐消因子,使其不仅拥有应对机动目标状态突变的强跟踪能力,同时还具备交互多模型算法的优良机动目标跟踪性能.因此,新算法在机动目标跟踪方面将获得更高的非线性滤波估计精度,且算法的稳定性和应对状态突变的跟踪鲁棒性能获得显著提高.最后,通过两个仿真例子验证了此算法的有效性与优越性.     

非线性滤波算法分析及其性能比较

针对目标跟踪实际应用中量测方程非线性对滤波精度和稳定性的影响,重点分析了模型线性化的滤波算法、无迹卡尔曼滤波（UKF）和粒子滤波算法（PF）的基本原理和特点以及适应的条件。仿真试验比较了扩展卡尔曼、无迹卡尔曼和粒子滤波的跟踪效果,结果表明非线性条件下粒子滤波算法优于其它两种滤波算法。     

基于简化平方根容积卡尔曼滤波的跟踪算法

目标跟踪的模型通常可表示为一个线性的状态方程与一个非线性的观测方程,为提高平方根容积卡尔曼滤波(SCKF)算法的跟踪精度和实时性,提出了一种简化的平方根容积卡尔曼滤波(RSCKF)算法。简化算法在时间更新环节,直接利用状态转移矩阵计算状态变量以及协方差矩阵的一步预测值,避免了原算法中采用一组容积点近似计算的复杂过程,推导证明,简化后的算法其时间更新环节与卡尔曼滤波的一步预测结果一致。最后对两种算法进行了计算复杂度比较以及角跟踪仿真实验。实验结果表明,简化的算法能够降低运算时间并提高跟踪精度。     

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器（STF）的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波（SRCKF）算法。利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF 。基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF 。该算法兼具STF与自适应SR-CKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能。仿真验证了所建算法的有效性。     

基于容积卡尔曼滤波的异质多传感器融合算法

针对机动目标跟踪系统建模中的非线性问题,提出一种基于容积卡尔曼滤波(CKF)的雷达与红外传感器融合算法。考虑到被估计系统对目标跟踪算法实时性与精度的要求,在容积滤波框架下构建了集中式量测融合(CMF)和分布式状态融合(DSF)两种结构形式。CMF结构采用最优加权方法,首先对雷达和红外两种异类传感器的方位角度量测信息进行融合,并将其与融合后的雷达径向距量测构建新的量测数据,进而通过CKF算法对机动目标进行跟踪。DSF结构则首先对雷达量测中径向距信息进行加权融合,并将融合结果作为红外传感器的虚拟径向距量测,以实现红外量测的扩维处理,进而对每组量测数据应用CKF进行分布式并行加权融合,获得目标运动状态的最终估计。仿真场景中,对两种融合方法的性能进行比较,理论分析与仿真实验验证了算法的可行性与有效性。     

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率.但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法.该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题.机动目标跟踪仿真结果表明了新方法的有效性和可行性.